让人工智能学会用测井曲线识别地层岩性.docx

《让人工智能学会用测井曲线识别地层岩性.docx》由会员分享，可在线阅读，更多相关《让人工智能学会用测井曲线识别地层岩性.docx（27页珍藏版）》请在第一文库网上搜索。

1、让人工智能学会用测井曲线识别地层岩性2017年11月8曰汇报提纲一、引言二、研究现状、思路及对策三、应用效果分析四、结论与认识岩性识别是储层测井评价的重要工作之一，精细的岩性划分更是确定目标区空间展布的可靠依据。由于沉积环境复杂及测井仪器测量信息的多样化，每条测井曲线的响应值都隐含一定的地层岩性信息。如何快速、高效挖掘这些高维非线性测量信号中的岩性信息给测井解释人员带来的巨大挑战。技术难点:1、钻井取心是获取地层岩性最直接、最快捷的手段，为了控制成本,车占井取心资料往往很少,了可蝌质分层.深重深度米)卜1:200一rw井竹(CtB)白然电位向然仞玛光电喂救械面用数体秋密度声波时期06，1000

2、浅他向tooo微球形索般1060深州向17251730173517401745175017551760176S177017751780178517901795三用感应测井取心核屋标出12潸12。英寸(AT120)co ，100090 英、(/VF90)钻iooo60英寸 r O井30英寸(AT30)90 英寸(AT90)取1 O mIWO2。英4 180芯I。英寸(ATIO)I屈_Rv_,q? m)190PlDIP 3DI IK准”仃2审枝庭孔隙总扎陂度行效孔隙度未取心井段长阿波ri分布造可动流:体孔隙度2、测井曲线是测井仪器测量的某一厚度地层岩性的整体物理信息的反映，由于仪器纵向分辨率的不同

3、，导致区分岩性的分辨率也各有差异，进而给岩性识别带来困难。扩径井段测量信号的置信度？岩性突变井段测量信号的置信度? 测井仪器对薄互层的分辨能力？ 薄夹层的识别难题？ 不同测井系列的分辨能力不同？ O O O O O O3、近年来，随着人工智能的发展，机器学习在语音识别、模式识别、图像处理和游戏博弈等方面取得巨大成功，如何将人工智能引入并应用到岩性识别中也面临很多困难和挑战。计算机算力能否达到?适合什么岩性？区分矿物还是结构? 选用什么样的样本库? 特征工程如何构建？ 样本的代表性？ 样本是否均衡？ 样本标签可靠性？ TensorFIow PyTorch? 深度学习？卷积网络？ 如何避免过拟合？

4、 结果如何可视化？ 适合厚层还是薄层？ 薄层分辨能力如何？ 识别准确率怎么提高?汇报提纲一、引言二、研究现状、思路及对策三、应用效果分析四、结论与认识1、研究现状通常人们通过一种或两种测井曲线通过经验公式解释岩性，也有用交会图版和地层元素测井等方法识别岩性，但这些方法均不能完全利用所有测井曲线包含的岩性特征。测井曲线自动识别岩性方面，还有支持向量机、随机森林、BP神经网络等，但这些方法收敛速度比较慢，而且很容易进入梯度消失和梯度爆炸等，泛化性也不强。2、技术思路为了让人工智能学会识别地层岩性。首先从数据集的准备上，选取长庆油田合水地区63 口取芯井作为数据集（建立样本库），通过深度校正，对岩心

5、进行归位。其次，对有扩径的井段数据进行剔除（数据清洗），为了减少机器学习的过拟合和欠拟合，对数据集中的四种岩性样本进行均衡处理（样本优化），使得每种样本个数相等，从而增加智能体的鲁棒性。第三，建立机器学习模型，基于Tensorflow框架，应用python语言，编写了人工智能学习模型（建立模型），通过多次迭代训练，调整学习率，优选梯度下降算法，对模型参数进行训练，达到识别岩性的目的。最后，将训练过程可视化，从而提高模型的泛化性。特征工程地层岩性识别的人工智能算法研究数据清洗岩性识别可视化建立岩性数据集智能算法对比人工智能识别模型常规9条测井曲线一工一-128个神经元网络Softmax 函数四种

6、岩性128个神经元网络Relu激活函数3、解决对策（1）选取有可靠标签和沉积稳定的地层作为深度学习样本选取长庆油田合水地区63 口取芯井作为数据集（建立样本库），通过深度校正，对岩心进行归位。其次，对有扩径的井段数据进行剔除（数据清洗）。其中输入数据有：自然伽马 声波时差、深中浅电阻率、补偿中子、密度测井、岩性密度和自然电位九条测井曲线。输出：砂岩, 泥质粉砂岩、粉砂质泥岩和泥岩，四种岩性。采用经过深度校正后用采样间隔为0.125m的测井曲线作为样本，筛选出7000个样本，其中泥岩、砂质泥岩、泥质砂岩和砂岩样本个数相等，其中6000个作为学习样本，1000个作为测试样本。X % 1 :53:

7、q -、m2二?s二:.:X* m03RA:MI8心4ls.!Llr.:?.J.If.“、nx:l:5s：6二Dn.IJSlss:.:1.31.:.忘此应, 舒(r邙:2仁“wx 行rp , :pr!i14二:，l;rr,7.81 、 - 5 2r笫.W空无决32.61223 T9讥：.2x2425T.W*V*引：V. K241.47&3期汾2U. 事%&：H.17缈侬6 绿55二:?L 女演尊22:3:於T2皿92K.1623168;r二62JJM 口”豆?:5匕6厂厂1:的:=二;-二：B180 %OJC峪幻灯 G 4r6b*w力 1yifrfI?I?I? 11?I?:r “ ，-:4 1

8、 *.W:依：3.r!-.73汐.:二七21.7162髭U2Tn.v2132L821.35na:2：. 2?：3.0：以男2.40 Tl13. .6)班聆a：T.6521.53：.：!：).35r.i：乳泞r.r2).2!IT，AJ5n.w21.的n.2J.IT16. S2”3；c.%n :二三工外，(.7二.6:1+卜kl=.21r.二：二二五三二三二1岩心照片岩心归位?!?115门为-2分 e 分rb ?./.”，2 2 9 ，： 1 5 3 3 5i 9 fi a*外”“巴发盯戈s%2 z 2 ，z 2-J - 2传:$!?.二，：，：N626LC：.一五!161.23：以：2151.1

9、3：5f.Jl103):v.risi. n1SK61：al/316M3；s：.3161.(9J55.4)l52.t81SC.2SUJ.12；5L16：, 3615tMis:, a：:轨&151.W155.66151.34：55.2l：5：.柠：!： 51U.19:13*T：JhX(51V3XH心:3:田抬i26in:2 m U* KWH&3.G 14-1WXS.16H7431:.(6 :n IKM37HTL25!骏?7:门湾1.3.C in.:!知33.r ：4，Q3.12 HTt一日m】3 :r* ;r5国JX112阳T.S*：4*rl?ISU56t L y2E：C 列：制力：.9 :E1-

10、X3S2蚣“I砥侬aMS 1CL-515?224拆QR的l机1S2&IX285 Id 125：5?2.4?225二民 inrr依充2.R MM5：W.1$162 “方力1533.54-4匕：，二.、：* / 418：4斤:烧M2门“门2515X二 G ：二lxc.5?心犯网钟Z82 1117.3-H：，；：331，中：-无:。一：.? 乂”：7机器学习样木库1W siI-137:10：3:“三：IM 921孤3iJKirisiir工isstsrmu!5 Y.：82,:5r 535,mn!?：. ?5I，：2非!S：.3：ISZttt362席，15：J3:1烟”I；：. E鬲R1534 %旧3”

11、1!狷ISM:，/，I：-*.)-侬“!，券色i$aii；”累阳二K;X.CCu.ri-.u恪，1宗;1%转1日钝1*.有ISX.23itoiBixe.2：E：.n15：$.：15166151T.151K 9115：5. SC3：1隘的ra.l?卜.当附:IK；：眼31534倒7ie:s选mu155c. 7：归二1既9l造.213 L1MD.Ci：4：. a2 ； LJA芥依a?：, ：1 ?a?f:一二心-时7G外，:二依 G*3 - r ,2?*:：5我KZW好mi are15.5：设&6俎*；MX*:七十：5：m HfWi：5：.l!网苣:抽“年M心药转151? J8?t；5：5r,工“ E诉1Wi set.：.*.isn.n art!53UU：软寿1S3&U娜加1小第做森：5 :哪?1S