基于一维卷积神经网络的地层智能识别方法

来源：计算机技术与发展杂志2023年第09期北京时间：

作者：曹茂俊;崔欣锋

单位：东北石油大学 计算机与信息技术学院,黑龙江 大庆 163318 Author(s): CAO Mao-jun;CUI Xin-feng School of Computer and Information Technology,Northeast Petroleum University,Daqing 163318,China 关键词: 地层识别;一维卷积神经网络;测井曲线;深度学习;特征工程 Keywords: stratigraphic recognition;1DCNN;logging curves;deep learning;feature engineering 分类号: TP181 DOI: 10. 3969 / j. issn. 1673-629X. 2023. 09. 020 摘要: 地层识别是油气藏勘探的研究基础。 传统地层识别由地质学家根据自身掌握的知识和经验手工完成,这种地质学家主导的人工解释是主观的、耗时的,可能引入人为偏差。 深度学习在解决复杂非线性问题上具有优势,目前尚无有效解决地层识别的深度学习方法。 针对测井-地层识别,提出了基于特征工程和一维卷积神经网络的地层智能识别方法。首先,利用 INPEFA 技术和中值滤波对原始曲线进行了多维重构,更好地提取了原始曲线的地层趋势及边缘特征,并对重构矩阵和原始曲线特征采用 K-means 聚类算法提取时空相关聚类特征;然后,以原始曲线特征、INPEFA 曲线、中值滤波特征和聚类特征作为输入,基于一维卷积神经网络得到当前深度地层预测类型。 与长短期记忆网络( LSTM) 和传统的机器学习方法对比发现,在地层的识别上,地层智能识别方法具有更优异的性能和鲁棒性。 该方法能有效识别地层,识别准确率达到 92. 82% ,且在识别地层的同时也完成了地层划分。

摘要：地层识别是油气藏勘探的研究基础。 传统地层识别由地质学家根据自身掌握的知识和经验手工完成,这种地质学家主导的人工解释是主观的、耗时的,可能引入人为偏差。 深度学习在解决复杂非线性问题上具有优势,目前尚无有效解决地层识别的深度学习方法。 针对测井-地层识别,提出了基于特征工程和一维卷积神经网络的地层智能识别方法。首先,利用 INPEFA 技术和中值滤波对原始曲线进行了多维重构,更好地提取了原始曲线的地层趋势及边缘特征,并对重构矩阵和原始曲线特征采用 K-means 聚类算法提取时空相关聚类特征;然后,以原始曲线特征、INPEFA 曲线、中值滤波特征和聚类特征作为输入,基于一维卷积神经网络得到当前深度地层预测类型。 与长短期记忆网络( LSTM) 和传统的机器学习方法对比发现,在地层的识别上,地层智能识别方法具有更优异的性能和鲁棒性。 该方法能有效识别地层,识别准确率达到 92. 82% ,且在识别地层的同时也完成了地层划分。

关键词：地层识别;一维卷积神经网络;测井曲线;深度学习;特征工程