本發(fā)明涉及地球物理，具體為一種地球物理測井全井段巖相智能識別方法。

背景技術(shù)：

1、地球物理測井是一種利用各種儀器測量井下巖層的物理參數(shù)及井的技術(shù)狀況的方法，主要用于勘探和開采石油、煤及金屬礦體；這種方法通過測量巖層的電學(xué)、聲學(xué)、放射性等特性，來分析地層特性，如電阻率、聲波速度、巖石密度等，從而確定儲集層的孔隙度、含油飽和度、滲透率等重要參數(shù)。地球物理測井不僅幫助劃分油、氣、水層，還在油、氣田開發(fā)過程中研究油、氣、水的動態(tài)及井的狀況，為制定開發(fā)方案提供依據(jù)。全井段巖相指的是對整個井段中不同巖相的分布和特征進(jìn)行綜合描述和分析。巖相是指沉積環(huán)境中形成的巖石或巖石組合，它們反映了沉積時(shí)的古環(huán)境條件，如古氣候、古物源、古鹽度和古水深等；通過對全井段的巖相分析，可以了解沉積環(huán)境的演變過程，進(jìn)而推斷出地質(zhì)歷史時(shí)期的地質(zhì)事件和沉積作用。

2、地層精細(xì)描述是油氣勘探與開發(fā)的關(guān)鍵工作，復(fù)雜巖性的精確識別是地層解釋工作中的最重要環(huán)節(jié)之一；隨著油氣行業(yè)數(shù)字化程度的加深，傳統(tǒng)的巖性識別方法已難以適應(yīng)與日俱增的數(shù)據(jù)維度和量級。

3、因此，不滿足現(xiàn)有的需求，對此我們提出了一種地球物理測井全井段巖相智能識別方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種地球物理測井全井段巖相智能識別方法，通過構(gòu)建神經(jīng)網(wǎng)絡(luò)測井巖性識別模型，獲取歷史巖相資料對其進(jìn)行清洗及標(biāo)簽降維和參數(shù)降維處理，從而提高巖相樣本集的有效性，利用巖相樣本集對其模型進(jìn)行參數(shù)確立和優(yōu)化，從而提高模型演練的精準(zhǔn)性；將待研究井段的巖相資料進(jìn)行清洗后，導(dǎo)入優(yōu)化后的模型中進(jìn)行演練，并輸出待研究井段各類巖性的概率，選取概率最大值的巖性作為實(shí)際巖性，從而快速識別出當(dāng)前待研究井段的巖相信息，由此避免了傳統(tǒng)的巖性識別方法難以適應(yīng)與日俱增的數(shù)據(jù)維度和量級，提高了現(xiàn)有測井段巖相識別方法的可行性，解決了上述背景技術(shù)中提出的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種地球物理測井全井段巖相智能識別方法，包括以下步驟：

4、s1、獲取數(shù)據(jù)資料：收集歷史巖相相關(guān)資料和采集當(dāng)前待研究井段的巖相資料；

5、s2、處理數(shù)據(jù)資料：對歷史巖相資料進(jìn)行清洗預(yù)處理，并對處理后的歷史巖相資料進(jìn)行標(biāo)簽降維和參數(shù)降維處理，將處理后的歷史巖相資料作為巖相樣本集；

6、s3、確立模型參數(shù)：構(gòu)建神經(jīng)網(wǎng)絡(luò)測井巖性識別模型，將處理后的歷史巖相資料導(dǎo)入神經(jīng)網(wǎng)絡(luò)測井巖性識別模型中進(jìn)行訓(xùn)練與測試，并依次輸出訓(xùn)練結(jié)果與測試結(jié)果，核對兩次結(jié)果中各類巖性的概率是否一致，根據(jù)核對結(jié)果確立并優(yōu)化神經(jīng)網(wǎng)絡(luò)測井巖性識別模型的巖性參數(shù)；

7、s4、分析巖性沉積：將當(dāng)前待研究井段的巖相資料按s2處理步驟進(jìn)行預(yù)處理后，再按s3步驟導(dǎo)入優(yōu)化后的神經(jīng)網(wǎng)絡(luò)測井巖性識別模型進(jìn)行參數(shù)識別，并輸出當(dāng)前待研究井段的各類巖性的概率；

8、s5、確立巖性信息：根據(jù)s4中所輸出的參數(shù)訓(xùn)練結(jié)果，選取結(jié)果中概率最大值的巖性，作為當(dāng)前待研究井段的巖性信息。

9、進(jìn)一步的，所述s1中收集待研究井段的歷史巖相資料和當(dāng)前巖相資料，具體包括以下步驟：

10、通過查驗(yàn)以往測井相關(guān)文獻(xiàn)收集多組歷史測井巖相資料，選取其中資料數(shù)據(jù)較為準(zhǔn)確的測井巖相資料作為樣本數(shù)據(jù)，用于確立并優(yōu)化神經(jīng)網(wǎng)絡(luò)測井巖性識別模型的巖性參數(shù)；

11、通過采用機(jī)械刻槽法采集當(dāng)前待研究井段的地質(zhì)巖相資料，具體地質(zhì)巖相資料包括：巖層、巖相、沉積構(gòu)造信息、測井曲線和測井深度。

12、進(jìn)一步的，所述s2中對歷史巖相資料進(jìn)行清洗預(yù)處理，具體包括以下步驟：

13、對待處理的測井巖相資料中異常數(shù)據(jù)及錯誤數(shù)據(jù)進(jìn)行剔除，對缺失數(shù)據(jù)進(jìn)行補(bǔ)漏，并對預(yù)處理后的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，確保巖相數(shù)據(jù)的準(zhǔn)確性和一致性后，對巖相數(shù)據(jù)按屬性進(jìn)行設(shè)立標(biāo)簽，并將各巖相數(shù)據(jù)與相應(yīng)的測井曲線和測井深度進(jìn)行歸類。

14、進(jìn)一步的，所述s2中對歷史巖相資料進(jìn)行標(biāo)簽降維和參數(shù)降維處理，具體包括以下步驟：

15、根據(jù)預(yù)處理后巖相數(shù)據(jù)的標(biāo)簽信息為依據(jù)，將相近的巖性進(jìn)行合并，減少相類似及重復(fù)巖性的標(biāo)簽占比，將低于預(yù)設(shè)占比的巖性標(biāo)簽及所屬巖性數(shù)據(jù)進(jìn)行刪除；

16、根據(jù)預(yù)處理后巖相數(shù)據(jù)的參數(shù)類別為依據(jù)，將參數(shù)高于預(yù)設(shè)相關(guān)度的兩個以上參數(shù)類別進(jìn)行降維選取，保留互不相關(guān)的參數(shù)類別。

17、進(jìn)一步的，進(jìn)行標(biāo)簽降維處理后得的標(biāo)簽內(nèi)容包括：泥巖、砂巖、頁巖、白云巖、礫巖、泥灰?guī)r和泥膏巖七種巖性；進(jìn)行參數(shù)降維處理后得到的參數(shù)包括：補(bǔ)償聲波、補(bǔ)償電子、補(bǔ)償密度、自然伽馬和電阻率五種輸入?yún)?shù)。

18、進(jìn)一步的，所述s3中將處理后的歷史巖相資料導(dǎo)入神經(jīng)網(wǎng)絡(luò)測井巖性識別模型中進(jìn)行訓(xùn)練與測試，具體包括以下步驟：

19、將降維處理后的巖相數(shù)據(jù)作為巖相樣本集，并將巖相樣本集劃分為訓(xùn)練集和測試集，訓(xùn)練集用于確立神經(jīng)網(wǎng)絡(luò)測井巖性識別模型的巖性參數(shù)，測試集用于確認(rèn)和優(yōu)化神經(jīng)網(wǎng)絡(luò)測井巖性識別模型的準(zhǔn)確性；

20、將訓(xùn)練集導(dǎo)入神經(jīng)網(wǎng)絡(luò)測井巖性識別模型中進(jìn)行訓(xùn)練，并輸出訓(xùn)練結(jié)果，根據(jù)訓(xùn)練結(jié)果確立神經(jīng)網(wǎng)絡(luò)測井巖性識別模型的特征參數(shù)；再將測試集導(dǎo)入神經(jīng)網(wǎng)絡(luò)測井巖性識別模型中進(jìn)行測試，并輸出測試結(jié)果，將當(dāng)前測試結(jié)果與訓(xùn)練結(jié)果進(jìn)行比對，確定兩次結(jié)果是否一致；若一致，則當(dāng)前神經(jīng)網(wǎng)絡(luò)測井巖性識別模型運(yùn)行正常，輸出結(jié)果正常；若不一致，則將訓(xùn)練集再次導(dǎo)入神經(jīng)網(wǎng)絡(luò)測井巖性識別模型中進(jìn)行訓(xùn)練，繼續(xù)優(yōu)化神經(jīng)網(wǎng)絡(luò)測井巖性識別模型的特征參數(shù)；再將測試集導(dǎo)入神經(jīng)網(wǎng)絡(luò)測井巖性識別模型中進(jìn)行測試，并按上述比對過程繼續(xù)對兩次結(jié)果進(jìn)行比對，直至兩次結(jié)果一致為止。

21、進(jìn)一步的，巖相樣本集為多組，且每組巖相樣本集的巖性參數(shù)各不相同，每組均對應(yīng)劃分有訓(xùn)練集和測試集，根據(jù)每組巖相樣本集中不同的巖性參數(shù)對神經(jīng)網(wǎng)絡(luò)測井巖性識別模型的特征參數(shù)進(jìn)行迭代更新，優(yōu)化神經(jīng)網(wǎng)絡(luò)測井巖性識別模型的特征參數(shù)。

22、進(jìn)一步的，所述s4、s5中分析巖性沉積與確立巖性信息，具體包括以下步驟：

23、將當(dāng)前所采集的待研究井段的巖相資料進(jìn)行清洗，剔除錯誤數(shù)據(jù)，填補(bǔ)缺失數(shù)據(jù)，統(tǒng)一數(shù)據(jù)參數(shù)，并對剩余下的數(shù)據(jù)設(shè)立屬性標(biāo)簽；根據(jù)標(biāo)簽內(nèi)容將相近或一致標(biāo)簽參數(shù)進(jìn)行合并，剔除占比較低的標(biāo)簽參數(shù)，保留互不相關(guān)的參數(shù)類別；

24、將預(yù)處理后的待研究井段的巖相數(shù)據(jù)導(dǎo)入優(yōu)化后的神經(jīng)網(wǎng)絡(luò)測井巖性識別模型進(jìn)行參數(shù)識別，并輸出當(dāng)前待研究井段的各個巖性參數(shù)概率，根據(jù)當(dāng)前巖性參數(shù)類別的概率，選取概率最大值對應(yīng)的巖性參數(shù)作為當(dāng)前待研究井段的巖性信息。

25、進(jìn)一步的，對待處理的測井巖相資料中異常數(shù)據(jù)及錯誤數(shù)據(jù)進(jìn)行剔除，剔除的異常數(shù)據(jù)及錯誤數(shù)據(jù)具體包括：剔除薄層、巖性突變段和井壁垮塌段數(shù)據(jù)。

26、進(jìn)一步的，對測試結(jié)果與訓(xùn)練結(jié)果進(jìn)行比對時(shí)，通過獲取此次巖相樣本集中測井曲線和測井深度范圍，將測井深度范圍及對應(yīng)的測井曲線增添至訓(xùn)練集和測試集中，用于輔助神經(jīng)網(wǎng)絡(luò)測井巖性識別模型進(jìn)行演練；并將位于測井深度范圍中心深度點(diǎn)的實(shí)際巖性作為此次巖相樣本集的實(shí)際巖性，通過核對測試結(jié)果和訓(xùn)練結(jié)果所輸出概率最大的巖性是否與巖相樣本集的實(shí)際巖性相一致，得到測試結(jié)果與訓(xùn)練結(jié)果是否一致且準(zhǔn)確。

27、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

28、本發(fā)明，通過構(gòu)建神經(jīng)網(wǎng)絡(luò)測井巖性識別模型，獲取歷史巖相資料作為巖相樣本集，對其進(jìn)行清洗處理以及標(biāo)簽降維和參數(shù)降維處理，從而提高巖相樣本集的有效性，利用巖相樣本集對其模型進(jìn)行參數(shù)確立和優(yōu)化，從而提高模型演練的精準(zhǔn)性；將待研究井段的巖相資料進(jìn)行清洗處理后，導(dǎo)入優(yōu)化后的神經(jīng)網(wǎng)絡(luò)測井巖性識別模型中進(jìn)行演練，并輸出待研究井段的各類巖性的概率，選取其中概率最大值的巖性作為當(dāng)前待研究井段的所屬巖性，從而快速識別出當(dāng)前待研究井段的巖相信息，由此避免了傳統(tǒng)的巖性識別方法難以適應(yīng)與日俱增的數(shù)據(jù)維度和量級，提高了現(xiàn)有地球物理測井全井段巖相智能識別方法的可行性。