[发明专利]一种基于深度学习的测井沉积微相识别方法

权利要求书

1.一种基于深度学习的测井沉积微相识别方法，其特征在于，包括以下步骤：

S1、将多条一维测井曲线按列排列，组成二维测井图像；

S2、标记测井图像的每个数据点，获得标签图；

S3、分别对二维测井图像和标签图进行处理；

S4、构建沉积微相识别的全卷积神经网络模型，并利用构建的模型识别测井数据；

全卷积神经网络模型包括压缩路径和扩展路径两个部分；

收缩路径：由多尺度卷积块和压缩层组成，起到特征提取的作用；每一步都包括一个多尺度卷积块和压缩层；多尺度卷积块由1×1、3×3、5×5和7×7卷积操作以及残差连接组成，能够提取图像不同尺度的特征信息；在每一个卷积操作过后都有一个ReLU单元去线性化；压缩层是一个步长为2的3×3卷积操作，实现在特征提取的同时缩减图像，扩大视野，减弱网络的旋转不变性以替代最大池化操作进行下采样；在该路径中，每经过一步，图像减小一半，通道数增加一倍；

扩展路径：由多尺度卷积块、反卷积层和拼接层构成，起到恢复图像信息的作用；每一步由一个2×2个反卷积操作、一个拼接层和一个多尺度卷积块组成；反卷积层是最大池化的逆向操作，用于恢复图像，实现特征映射的上采样；每经过一次2×2的反卷积操作，图像尺寸都扩大一倍；拼接层将上采样低分辨率的特征图与相对应的下采样高分辨率的特征图进行拼接；多尺度卷积块与收缩路径的一样，起到特征提取的作用；最后，应用1×1卷积以及Softmax函数实现对图像像素级别的分类，得到最后的分割结果图像；在该路径中，每经过一步，图像增大一倍，通道数减少一半。

2.根据权利要求1所述的一种基于深度学习的测井沉积微相识别方法，其特征在于，所述步骤S1具体实现方法为：将不同类型的一维测井曲线数据值按列依次排列组成二维图像，每一条一维测井曲线作为二维图像的一列。

3.根据权利要求1所述的一种基于深度学习的测井沉积微相识别方法，其特征在于，所述步骤S2具体实现方法为：根据专家意见，为每一口井所对应的测井图像人工标记相应的标签：确定研究区内出现的所有沉积微相类别，为每一种沉积微相赋予一个数值来表示；然后，根据专家的识别结果对每一口井，将各深度的沉积微相类别用其对应的具体数值来代替，生成该井的标签图。

4.根据权利要求1所述的一种基于深度学习的测井沉积微相识别方法，其特征在于，所述步骤S3包括以下子步骤：

S31、将输入的二维测井图像数据按列进行归一化处理；

S32、对归一化处理后的数据进行增强；

S33、将测井图像和对应的标签图进行切割处理。

5.根据权利要求4所述的一种基于深度学习的测井沉积微相识别方法，其特征在于，所述步骤S31中采用最小值-最大值方法进行归一化处理，其具体实现方法为：将每一条测井曲线视为一个由N个数值构成的向量，归一化后的数据可由以下公式求取：

x'_i＝(x_i-min(X))/(max(X)-min(X))

其中x'_i代表数据值x_i归一化的结果，i＝1,…,N；min(X)，max(X)分别代表测井曲线X的最小值和最大值。

6.根据权利要求4所述的一种基于深度学习的测井沉积微相识别方法，其特征在于，所述步骤S32中利用曲线拉伸-压缩变换的数据增强方法进行数据增强，具体实现方法为：拉伸是指在相邻两个数据之间插入二者的平均值以拉伸曲线长度；压缩是指每隔一个数据点便删除一个值来压缩曲线；用排列组合的方式选取其中代表同一沉积微相类别的一个或多个曲线段进行拉伸或压缩变换，从而构造出新的曲线。

7.根据权利要求4所述的一种基于深度学习的测井沉积微相识别方法，其特征在于，所述步骤S33具体实现方法为：用一个固定大小、固定步长的矩形框分别沿着每口井的二维图像数据和对应的标签图移动截取数据，得到大小相同的数据块和对应的标签。