[发明专利]一种基于深度学习的测井沉积微相识别方法

说明书

本发明公开了一种基于深度学习的测井沉积微相识别方法，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。本发明可以准确地找到各沉积微相之间的主要分界面，并对沉积微相进行识别和划分；提高了测井曲线进行沉积微相识别的效率与准确度。本发明能够最大程度的保留数据本身的特点，可实现测井沉积微相的智能化识别，能方便、快捷、高效地完成测井沉积微相识别任务。

技术领域

本发明属于油气勘探技术领域，特别涉及一种基于深度学习的测井沉积微相识别方法。

背景技术

沉积微相识别是油气勘探过程中必不可少的一项研究内容。不同沉积微相中的岩性组合、结构构造等特征对油气资源的生成与存储具有重要的控制作用。对沉积微相进行研究与识别，有利于揭露储层砂体的性质，为油气勘探开发提供实践指导意义，提高油田经济效益。

常规的测井沉积微相识别主要是地质学家通过观察岩芯、测井曲线特征，来进行人工解释和定性描述(Ding et al.,2014)。这种方式主观性强，准确率低，工作量大，会耗费大量人力与物力资源。为了较为准确、方便地定义沉积微相的划分标准，沉积微相识别逐渐由传统的定性识别过渡到定量识别。很多学者将测井曲线变化特征用数学表达的形式进行描述，并构制出特定的参数指标作为沉积微相的判断依据(Chen,1998；Deng and Meng，2010)。贝叶斯准则(Bayes)(Li and Anderson-Sprecher,2006)、线性判别分(Li andAnderson-Sprecher, 2006)、模糊逻辑(Saggaf and Nebrija,2003)]、K近邻算法(KNN)(Moradi et al.,2019)、支持向量机(SVM)(Zhao et al.,2016；Wang et al.,2019)等数理统计或机器学习方法相继应用于沉积微相的识别。这些方法都需要将测井曲线提前分层并人工选取准则和参数来提取曲线特征，以至于容易造成有用信息的丢失。另外，这些方法大多都依赖于数理模型和先验信息，但地下地质情况的复杂性难以用确定的函数表达，故基于数理统计的测井沉积微相识别准确率较低。

近几年来兴起的神经网络能够自主地学习和提取数据之间的特征，为测井沉积微相的识别提供了新的手段。网络自主学习曲线特征而非人工提取，可最大限度地保持数据本身的特点。SOM(Li et al.,2013；Chang et al.,2002；Saggaf and Nebrija,2000)、ANN(Bhatt and Helle,2002；Zhang et al.,2017)、BP(Liu et al.,2015)等网络都已经在沉积微相的识别中得到广泛的应用。这些方法仍然需要将测井曲线提前分层，使单层的测井数据、特征参数以向量的形式作为输入。这些传统的神经网络能够挖掘测井数据之间的复杂非线性映射关系，但与数理统计方法一样，它们构造的只是点与点之间的映射关系，忽略了测井数据随储存深度变化的整体形态特征。

沉积微相反映的是地质时期循序渐进的沉积作用过程，作为该过程产物的响应，测井曲线随深度变化的整体形态特征是沉积微相识别的关键。测井沉积微相的识别主要包含分层、特征提取和分类3方面的内容，以往方法通常只能将这三个步骤分开进行。在此过程中，选择合适的判别依据进行测井曲线分层是准确识别沉积微相的关键。层间差异、活动函数或基于数理统计是常用的分层方法，通常考虑的是点与点之间的差异程度，忽略了测井数据纵向上的整体变化。沉积微相反映的是地质时期循序渐进的沉积作用过程，作为该过程产物的响应，测井曲线随深度变化的整体形态特征是沉积微相识别的关键。

全卷积神经网络(FCN)是广泛应用于图像语义分割的深度学习架构之一，具有端到端的特点。利用FCN对测井曲线进行沉积微相的识别，不仅可以考虑测井曲线随深度变化的整体形态变化特征，还可将分层、特征提取和分类同时进行。大部分全卷积神经网络都需要大量的样本，但测井数据难以获取，样本少。

发明内容