[发明专利]电成像测井图像特征自动提取方法及装置

说明书

本发明提供一种电成像测井图像特征自动提取方法及装置，其中，该方法包括以下步骤：获取电成像测井历史数据；对电成像测井历史数据进行预处理，生成全井眼覆盖的电成像测井图像；在全井眼覆盖的电成像测井图像中对典型的地质特征进行识别和标记，获得处理后的图像，并按地质特征类型将处理后的图像确定为训练样本；构建深度学习模型，所述深度学习模型包括输入层、多个隐藏层和输出层；利用训练样本对深度学习模型进行训练；使用已训练的深度学习模型，对待识别井段的电成像测井图像进行地质特征类型识别，对所述识别结果进行形态学优化处理，获得特征优化识别结果。该方案能够自动、快速、准确的识别出电成像测井图像中的典型地质特征。

技术领域

本发明涉及电成像测井数据处理解释技术领域，特别涉及一种电成像测井图像特征自动提取方法及装置。

背景技术

电成像测井是目前应用最为广泛的成像测井方法，通过电成像测井图像能够直观显示泥质、生屑、方解石晶体、孔隙、裂缝、层理以及断层、褶皱等地层沉积和构造特征，为储层综合分析提供重要依据。传统电成像测井图像解释主要由专家根据经验直接对各类特征进行定性判别，对专家经验依赖程度高，解释主观性强，难以满足油田勘探生产的紧迫需要。如何对电成像测井图像上的各类地质特征进行准确识别、分类和定量提取，是实现电成像测井资料自动化以及智能化处理的关键。

现有技术中，电成像测井图像特征自动识别和提取都是采用图像分割算法对电成像测井图像进行二值化处理，分离出特征区域，然后计算各特征区域的颜色、形状、纹理等特征参数，最后通过模糊数学、神经网络等方法对特征进行分类提取。这类方法虽然也在实际应用中取得一定的效果，但仍然存在以下问题：1)特征提取效果受图像分割质量控制，由于实际地质情况的复杂性，在长井段连续处理时，难以实现对图像特征的准确分离，造成特征提取漏失或误判；2)基于特征参数统计的分类方法受选取的参数指标影响，识别精度有限，且通常与特定区域地质条件相关，普适性差；3)现有技术通常仅对特定地质特征目标，如裂缝、溶洞进行识别和提取，不能满足地质研究和储层评价的差异化和多样性需要。

发明内容

本发明实施例提供了一种电成像测井图像特征自动提取方法及装置，能够自动、快速、准确的识别出电成像测井图像中的典型地质特征，同时统计的特征参数与储层物性、测试结果一致，为油气田勘探开发提供了重要的技术支持。

该电成像测井图像特征自动提取方法包括：

获取电成像测井历史数据；

对所述电成像测井历史数据进行预处理，生成全井眼覆盖的电成像测井图像；

在所述全井眼覆盖的电成像测井图像中对典型的地质特征进行识别和标记，获得处理后的图像，并按地质特征类型将所述处理后的图像确定为训练样本；

构建深度学习模型，所述深度学习模型包括输入层、多个隐藏层和输出层；

利用所述训练样本对所述深度学习模型进行训练，获得已训练的深度学习模型；

使用所述已训练的深度学习模型，对待识别井段的电成像测井图像进行地质特征类型识别，获得识别结果；

对所述识别结果进行形态学优化处理，获得特征优化识别结果。

该电成像测井图像特征自动提取装置包括：

历史数据获取模块，用于获取电成像测井历史数据；

测井图像生成模块，用于对所述电成像测井历史数据进行预处理，生成全井眼覆盖的电成像测井图像；

训练样本确定模块，用于在所述全井眼覆盖的电成像测井图像中对典型的地质特征进行识别和标记，获得处理后的图像，并按地质特征类型将所述处理后的图像确定为训练样本；

深度学习模型构建构模块，用于构建深度学习模型，所述深度学习模型包括输入层、多个隐藏层和输出层；