一种岩性识别方法、装置、计算机设备及存储介质

本申请涉及油气地质研究，具体地涉及一种岩性识别方法、装置、计算机设备及存储介质。

背景技术：

1、岩石学是描述岩石属性和特征的一个基本概念。通过对岩性的研究，可以反映地球的结构和演化过程。地球上的岩石主要由沉积岩、变质岩和火成岩组成，其中沉积岩是最主要的组成部分，约占总数的70％。沉积岩的研究不仅具有学术意义，而且具有重要的经济价值。我们可以通过研究沉积岩中岩性的不同组合和排列来确定不同类型的沉积岩面，从而让我们了解地质历史和环境演变过程。此外，不同的岩性类型还可以反映不同的气候环境和沉积条件，可以计算出当时的古气候变化。除了在学术研究中的应用，岩性是工业中影响油气藏形成和分布的关键因素之一。不同的岩性有不同的物理和化学特征，会对油气藏的形成产生重大影响。

2、岩性鉴定通常是通过对岩心取样，然后用薄片、扫描电子显微镜和光学显微镜等一系列措施来观察岩心的颗粒、颜色和成分，从而做出最终的岩性结论。虽然通过这种方法可以得到可靠的岩心分析结果，但这种人工观察方法具有强烈的主观性，需要有专业的技术水平才能做出正确的分析。此外，这种人工方法往往需要花费大量的时间和人力，对时间和人力的要求非常高。因此，自动岩性鉴定技术对地质学家的工作至关重要，可以提高他们的工作效率，减少他们的冗余工作。

3、近年来，人工智能和深度学习技术的发展使得计算机与其他领域的整合应用越来越多，如聊天、自动驾驶、医疗诊断、工业故障检测等。在岩性识别方面，现在的许多工作通常是对测井曲线的研究，而对fmi(formation microscanner image，地层微电阻率扫描成像)图像数据的研究则处于有待进一步发展的完善阶段。由于不同的岩性在电力作用下有不同的特性，fmi图像数据也能反映岩性。然而对于fmi图像数据而言，一般都是fmi_stat(地层微电阻率扫描成像_静态)图像和fmi_dyn(地层微电阻率扫描成像_动态)图像成对出现，因此如何通过并行处理fmi_stat图像和fmi_dyn图像获得两类特征信息，并利用这两类特征信息进行最终的岩性判断是亟需解决的技术问题。

4、本背景技术描述的内容仅为了便于了解本领域的相关技术，不视作对现有技术的承认。

技术实现思路

1、因此，本发明实施例意图提供一种基于双模态和剔除模型的fmi图像岩性识别方法、装置、计算机设备及存储介质，不仅能够充分使用两种不同模态的fmi图像数据，而且还能够主动的去学习fmi图像中的信息，剔除掉fmi图像数据中的空白带信息和冗余信息。这种方法不仅在泥岩、藻灰岩、灰岩、砂岩的岩性分类标准上取得了很好的识别精度，还提高了模型的合理性和稳定性。

2、在第一方面，本发明实施例提供了一种岩性识别方法，包括如下步骤：

3、s1：收集并整理地层微电阻率扫描成像fmi图像数据及与其对应的岩性描述；

4、s2：按照预设比例构建训练数据集、验证数据集和测试数据集，并对构建好的所述训练数据集、所述验证数据集和所述测试数据集进行标准化处理；

5、s3：基于双模态少信息剔除深度学习模型建立岩性识别模型，并通过经标准化处理后的所述训练数据集、所述验证数据集和所述测试数据集对所述岩性识别模型进行训练；

6、s4：采用随机梯度下降方法不断优化岩性识别模型，直至获得训练完成的岩性识别模型；

7、s5：基于所述训练完成的岩性识别模型对所述测试数据集中的fmi图像数据进行测试识别，将输出的预测结果与标准标签进行对比和分析，得到最终的岩性识别模型。

8、可选的，所述fmi图像数据包括：静态图像数据与动态图像数据。

9、可选的，所述步骤s1中收集的所述fmi图像数据的岩性包括灰岩、泥岩和藻灰岩。

10、可选的，所述步骤s2中将收集到的所述fmi图像数据划分为第一规格大小的单元，并选择所述第一规格大小单元中的部分作为测试数据集，将剩余的第一规格大小单元再次划分为第二规格大小的样本数据，并将所述样本数据按照预设比例划分为训练数据集与验证数据集。

11、可选的，所述步骤s2中所述标准化处理为：

12、

13、其中，xnorm为标准化处理后的值，x为输入图像像素，mean和std分别为均值和方差。

14、可选的，所述步骤s3中双模态少信息剔除深度学习模型包括：数据分割模块、块编码及分类头模块、剔除模块、信息提取模块以及分类模块；所述双模态少信息剔除深度学习模型构建过程为：

15、所述数据分割模块将所述标准化处理后的数据分割为n个大小相等且不重叠的图像块，n为大于等于1的整数；

16、所述块编码及分类头模块对所述n个图像块添加位置编码与分类头；

17、所述剔除模块剔除包含空白带信息和冗余信息区域的图像数据；

18、所述信息提取模块提取数据信息；

19、所述分类模块对数据进行分类识别并输出岩性分类结果。

20、可选的，在所述步骤s5中进一步评估双模态少信息剔除深度学习模型在岩性识别上的准确度以及少信息剔除模块的效果。

21、在本发明实施例中，在第二方面，本发明实施例提供了一种岩性识别装置，其特征在于，包括：

22、数据收集模块，用于收集并整理地层微电阻率扫描成像fmi图像数据及与其对应的岩性描述；

23、数据处理模块，用于对所述图像数据进行单元划分，并选定测试数据集与样本数据集，对所述样本数据集进行再次划分，并按照预设比例将划分后的样本数据分为训练数据集与验证数据集，对构建好的所述训练数据集、所述验证数据集和所述测试数据集进行标准化处理；

24、岩性识别模型构建模块，用于基于双模态少信息剔除深度学习模型建立岩性识别模型，通过经标准化处理后的所述训练数据集、所述验证数据集和所述测试数据集对所述岩性识别模型进行训练，采用随机梯度下降方法不断优化所述岩性识别模型，直至获得训练完成的岩性识别模型；

25、数据分析模块，基于所述训练完成的岩性识别模型对所述测试数据集中的fmi图像数据进行测试识别，将输出的预测结果与标准标签进行对比和分析，得到最终的岩性识别模型。

26、在第三方面，本发明实施例提供一种计算机设备，其特征在于，所述计算机设备包括：存储器，存储有可执行计算机程序；处理器，所述处理器运行所述存储器中的所述可执行计算机程序，以实现任一本发明所述的岩性识别方法。

27、在第四方面，本发明实施例提供一种计算机可读存储介质，其特征在于，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现任一本发明所述的岩性识别方法。

28、本发明实施例的其他可选特征和技术效果一部分在下文描述，一部分可通过阅读本文而明白。

技术特征：

1.一种岩性识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的岩性识别方法，其特征在于，所述fmi图像数据包括：静态图像数据与动态图像数据。

3.根据权利要求1所述的岩性识别方法，其特征在于，所述步骤s1中收集的所述fmi图像数据的岩性包括灰岩、泥岩和藻灰岩。

4.根据权利要求1所述的岩性识别方法，其特征在于，所述步骤s2中将收集到的所述fmi图像数据划分为第一规格大小的单元，并选择所述第一规格大小单元中的部分作为测试数据集，将剩余的第一规格大小单元再次划分为第二规格大小的样本数据，并将所述样本数据按照预设比例划分为训练数据集与验证数据集。

5.根据权利要求1所述的岩性识别方法，其特征在于，所述步骤s2中所述标准化处理为：

6.根据权利要求1所述的岩性识别方法，其特征在于，所述步骤s3中双模态少信息剔除深度学习模型包括：数据分割模块、块编码及分类头模块、剔除模块、信息提取模块以及分类模块；所述双模态少信息剔除深度学习模型构建过程为：

7.根据权利要求1所述的岩性识别方法，其特征在于，在所述步骤s5中进一步评估双模态少信息剔除深度学习模型在岩性识别上的准确度以及少信息剔除模块的效果。

8.一种岩性识别装置，其特征在于，包括：

9.一种计算机设备，其特征在于，所述计算机设备包括：存储器，存储有可执行计算机程序；

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现权利要求1-7任一所述的岩性识别方法。

技术总结
本申请公开一种岩性识别方法、装置、计算机设备及存储介质。所述岩性识别方法包括如下步骤：收集并整理地层微电阻率扫描成像FMI图像数据及与其对应的岩性描述；按照预设比例构建训练数据集、验证数据集和测试数据集，并对构建好的各种数据集进行标准化处理；基于双模态少信息剔除深度学习模型建立岩性识别模型，并通过经标准化处理后的所述训练数据集、所述验证数据集和所述测试数据集对所述岩性识别模型进行训练；采用随机梯度下降方法不断优化岩性识别模型，直至获得训练完成的岩性识别模型；基于所述训练完成的岩性识别模型对所述测试数据集中的FMI图像数据进行测试识别，将输出的预测结果与标准标签进行对比和分析，得到最终的岩性识别模型。

技术研发人员：马超,侯立,侯明才,唐闻强,钟瀚霆,周羽漩
受保护的技术使用者：成都理工大学
技术研发日：
技术公布日：2024/1/15