一种基于深度学习混合模型的沉积微相识别方法和装置与流程

本技术涉及石油勘探，特别是涉及一种基于深度学习混合模型的沉积微相识别方法和装置。

背景技术：

1、沉积微相是油气勘探开发工作中至关重要的研究内容之一，尤其对于明确剩余油富集区产量预测起着重要作用。传统沉积微相划分中，常以研究前人成果、区域沉积背景为基础，通过古生物学和沉积学等理论，结合关键井岩心相标志分析，确定研究区内沉积类型；结合多种测井曲线形态特征，综合分析岩石厚度、粒度等特征，划分研究区沉积微相。多种资料交叉分析的过程复杂且繁琐，很难找出沉积相与各种测井数据之间的定性映射关系。

2、随着计算机技术尤其是人工智能的发展，使精准、快速、自动识别测井相成为可能，判别分析法、数理统计法、聚类分析法、模糊识别、曲线拟合、支持向量机和神经网络等方法逐渐用于测井相识别与分析。然而，这些机器学习算法仍存在自身局限性，在很多情况下不能满足沉积微相识别要求。

3、近年来，国内外研究学者多通过深度神经网络方法进行沉积相自动识别研究。根据学习样本原始数据集类型不同，主要可划分为基于测井曲线原始数据提取特征参数值的神经网络学习方法、基于测井曲线图像数据学习的神经网络方法(赵杰等，2009)。

4、韩文龙等(2016)优选伽马曲线幅度和平均斜率等沉积相特征参数，通过经不同bp神经网络学习参数结果对比后，对沁水盆地陕西组三角洲前缘沉积微相进行成功划分。其中影响结果的关键因素是提取岩性层与沉积环境对应关系明显的曲线特征参数的提取。何旭等(2020)使用测井曲线沉积微相二维图像作cnn深度学习样本，结合实际取芯样本，成功对东海某气田辫状河三角洲前缘沉积微相进性识别。文中影响结论的关键因素是对选为学习样本的测井曲线形态特征与沉积微相对应关系选择，文中通过对测井曲线进行小波变换平滑处理，泛化了曲线形态特征与沉积微相的对应关系，大大提高了识别准确率，但对原始测井曲线进行图片化数据处理过程中要求较高。罗仁泽等针对测井沉积微相，提出了基于特征构造(dmc)和长短期记忆网络(lstm)的沉积微相智能识别方法。

5、发明人认识到，以上这些识别方法往往只利用了曲线特征数据和单一模型，预测精度有限，并且泛化能力较弱。

技术实现思路

1、基于此，针对上述技术问题，提供一种基于深度学习混合模型的沉积微相识别方法和装置，以解决现有沉积微相识别方法预测精度有限，并且泛化能力较弱的技术问题。

2、为了实现上述目的，本技术提供如下技术方案：

3、第一方面，一种基于深度学习混合模型的沉积微相识别方法，包括：

4、s1，收集测井曲线数据和小层参数数据；

5、s2，对所述测井曲线数据进行清洗，选取所述测井曲线数据中的多个测井变量；

6、s3，选取所述小层参数数据中的多个参数；

7、s4，分析选取的测井曲线数据和选取的小层参数数据的样本分布情况，对分类样本进行均衡化处理；

8、s5，对选取的测井曲线数据和选取的小层参数数据进行标准化处理，将选取的测井曲线数据处理为图片，保存为测井曲线图片；根据所述测井曲线图片和小层参数数据构建训练数据集、验证数据集、测试数据集；

9、s6，搭建三分支的cnn模型，所述cnn模型的输入为所述测井曲线图片；并行搭建pk模型，所述pk模型的输入为小层参数数据；整合所述cnn模型和pk模型的输出，将所述cnn模型和pk模型联合输出到双层的bilstm模型中，并连接双层fnc模型；训练混合模型并进行模型优化；

10、s7，将测试数据集输入到所述混合模型中，得到对小层的沉积微相的预测结果。

11、可选地，所述测井曲线数据的深度为300m，所述测井曲线数据的采样间隔为0.05m。

12、可选地，所述多个测井变量包括微梯度、微电位、自然伽马和自然电位；所述多个参数包括岩厚度、有效厚度、孔隙度和渗透率。

13、可选地，步骤s3还包括：

14、构建基于fnc的pk模型对所述多个参数进行训练，验证所述多个参数的有效性。

15、可选地，步骤s5具体包括：

16、对选取的测井曲线数据进行z-score标准化和0-1归一化处理；

17、对选取的小层参数数据进行z-score标准化；

18、对选取的测井曲线数据进行像素0-255空间处理，保存为测井曲线图片；

19、将所述测井曲线图片和小层参数数据作为双参数数据集，并根据预设比例对所述双参数数据集进行划分，构建训练数据集、验证数据集、测试数据集。

20、进一步可选地，所述预设比例为6:2:2。

21、可选地，在步骤s6中，训练混合模型时采用自适应矩估优化器，学习率为0.0001，批量大小为32，训练批次为60，并采用acc作为损失函数来评估预测值和真实值之间的误差。

22、第二方面，一种基于深度学习混合模型的沉积微相识别装置，包括：

23、数据收集模块，用于收集测井曲线数据和小层参数数据；

24、数据清洗模块，用于对所述测井曲线数据进行清洗，选取所述测井曲线数据中的多个测井变量；

25、参数选取模块，用于选取所述小层参数数据中的多个参数；

26、样本分布情况分析模块，用于分析选取的测井曲线数据和选取的小层参数数据的样本分布情况，对分类样本进行均衡化处理；

27、数据集创建模块，用于对选取的测井曲线数据和选取的小层参数数据进行标准化处理，将选取的测井曲线数据处理为图片，保存为测井曲线图片；根据所述测井曲线图片和小层参数数据构建训练数据集、验证数据集、测试数据集；

28、模型搭建模块，用于搭建三分支的cnn模型，所述cnn模型的输入为所述测井曲线图片；并行搭建pk模型，所述pk模型的输入为小层参数数据；整合所述cnn模型和pk模型的输出，将所述cnn模型和pk模型联合输出到双层的bilstm模型中，并连接双层fnc模型；训练混合模型并进行模型优化；

29、预测模块，用于将测试数据集输入到所述混合模型中，得到对小层的沉积微相的预测结果。

30、第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面中任一项所述的方法的步骤。

31、第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。

32、本发明至少具有以下有益效果：

33、本发明实施例公开了一种基于深度学习混合模型的沉积微相识别方法，采用收集测井曲线数据和小层参数数据，选取测井曲线数据中的多个测井变量，选取小层参数数据中的多个参数，对选取的测井曲线数据和选取的小层参数数据进行标准化处理，将选取的测井曲线数据处理为图片，保存为测井曲线图片，搭建输入为测井曲线图片的三分支cnn模型和输入为小层参数数据的pk模型，将cnn模型和pk模型联合输出到双层的bilstm模型中，并连接双层fnc模型，训练混合模型并进行模型优化，将测试数据集输入到混合模型中，得到对小层的沉积微相的预测结果；本发明通过cnn模型的特征抽象能力提取高维特征，由bilstm模型对测井曲线序列的高维特征进行时序预测，同时整合pk参数模型，选取多个小层参数作为输入数据，通过多层全连接网络连接，搭建了双输入的cnn-bilstm-pk的小层沉积微相预测混合模型；建立的cnn-bilstm-pk的混合模型，可充分整合cnn、bilstm和pk三种网络模型的优势；该混合模型预测精度更高、泛化能力更强，能够为不同地区沉积微相识别提供了一个可靠的预测。