[發(fā)明專利]一種基于LSTM神經(jīng)網(wǎng)絡(luò)的測(cè)井巖性識(shí)別方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110377717.8
• 申請(qǐng)日: 2021-04-08
• 公開（公告）號(hào): CN112989708B
• 公開（公告）日: 2022-04-19
• 發(fā)明（設(shè)計(jì)）人: 李作進(jìn);陳生富;楊慶;馮世霖;史藍(lán)洋;陳智能
• 申請(qǐng)（專利權(quán)）人: 重慶科技學(xué)院
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06K9/62;G06N3/04;G06N3/08;G06F111/08
• 代理公司: 重慶敏創(chuàng)專利代理事務(wù)所(普通合伙) 50253
• 代理人: 陳千

1.一種基于LSTM神經(jīng)網(wǎng)絡(luò)的測(cè)井巖性識(shí)別方法，其特征在于，包括步驟：

S1：基于LSTM神經(jīng)網(wǎng)絡(luò)建立測(cè)井巖性識(shí)別模型；

S2：采用由帶標(biāo)簽的測(cè)井?dāng)?shù)據(jù)樣本組成的數(shù)據(jù)集對(duì)所述測(cè)井巖性識(shí)別模型進(jìn)行訓(xùn)練和測(cè)試；所述步驟S2對(duì)所述測(cè)井巖性識(shí)別模型進(jìn)行訓(xùn)練的過程具體包括步驟：

S21：將所獲原始測(cè)井?dāng)?shù)據(jù)進(jìn)行標(biāo)簽降維、參數(shù)降維以及缺失值插補(bǔ)，得到測(cè)井?dāng)?shù)據(jù)樣本；進(jìn)行所述標(biāo)簽降維具體是指：將所獲原始測(cè)井?dāng)?shù)據(jù)中相近的巖性進(jìn)行合并以及將低于預(yù)設(shè)占比的巖性剔除；進(jìn)行所述參數(shù)降維具體是指：保留互不相關(guān)的參數(shù)類別，并對(duì)高于預(yù)設(shè)相關(guān)度的2個(gè)以上參數(shù)類別進(jìn)行降維選取；進(jìn)行所述缺失值插補(bǔ)具體是指：對(duì)數(shù)據(jù)缺失處進(jìn)行多重插補(bǔ)；

S22：對(duì)測(cè)井?dāng)?shù)據(jù)樣本進(jìn)行標(biāo)簽編碼和數(shù)據(jù)歸一化后劃分為訓(xùn)練集和測(cè)試集；

S23：將所述訓(xùn)練集輸入步驟S1建立的所述測(cè)井巖性識(shí)別模型進(jìn)行訓(xùn)練，并反向更新參數(shù)，優(yōu)化神經(jīng)元權(quán)重矩陣，直至參數(shù)收斂；

S3：將即時(shí)測(cè)井?dāng)?shù)據(jù)輸入測(cè)試完成的所述測(cè)井巖性識(shí)別模型，得出各類巖性的概率；

S4：將概率最大的巖性作為所述即時(shí)測(cè)井?dāng)?shù)據(jù)下的巖性。

2.如權(quán)利要求1所述的一種基于LSTM神經(jīng)網(wǎng)絡(luò)的測(cè)井巖性識(shí)別方法，其特征在于，步驟S21中：

進(jìn)行標(biāo)簽降維后得到的標(biāo)簽包括泥巖、砂巖、頁巖、白云巖、礫巖、泥灰?guī)r和泥膏巖這七種巖性；

進(jìn)行參數(shù)降維后得到的參數(shù)包括補(bǔ)償聲波、補(bǔ)償電子、補(bǔ)償密度、自然伽馬和電阻率這五種輸入?yún)?shù)；

對(duì)數(shù)據(jù)缺失處進(jìn)行多重插補(bǔ)的具體過程包括：

1)為每個(gè)空值產(chǎn)生一套可能的插補(bǔ)值，并根據(jù)這些插補(bǔ)值生成多個(gè)插補(bǔ)值集合；

2)對(duì)每個(gè)插補(bǔ)值集合用針對(duì)完整數(shù)據(jù)集的統(tǒng)計(jì)方法進(jìn)行統(tǒng)計(jì)分析；

3)對(duì)每個(gè)插補(bǔ)值集合的結(jié)果，根據(jù)評(píng)分函數(shù)進(jìn)行選擇，產(chǎn)生最終的插補(bǔ)值。

3.如權(quán)利要求2所述的一種基于LSTM神經(jīng)網(wǎng)絡(luò)的測(cè)井巖性識(shí)別方法，其特征在于，所述步驟S22中：

進(jìn)行所述標(biāo)簽編碼的過程為：對(duì)泥巖、砂巖、頁巖、白云巖、礫巖、泥灰?guī)r和泥膏巖這七種巖性進(jìn)行毒熱編碼；

進(jìn)行所述數(shù)據(jù)歸一化的過程為：將補(bǔ)償聲波、補(bǔ)償電子、補(bǔ)償密度、自然伽馬和電阻率這五種輸入?yún)?shù)進(jìn)行歸一化，使處理后的數(shù)據(jù)呈現(xiàn)正態(tài)分布。

4.如權(quán)利要求1所述的一種基于LSTM神經(jīng)網(wǎng)絡(luò)的測(cè)井巖性識(shí)別方法，其特征在于，所述步驟S22中，進(jìn)行數(shù)據(jù)歸一化所采用的公式為：

其中，x為一輸入?yún)?shù)對(duì)應(yīng)的值，μ為該輸入?yún)?shù)的總體均值，δ為該輸入?yún)?shù)的標(biāo)準(zhǔn)差，Z為該輸入?yún)?shù)標(biāo)準(zhǔn)化的值。

5.如權(quán)利要求1～4任一項(xiàng)所述的一種基于LSTM神經(jīng)網(wǎng)絡(luò)的測(cè)井巖性識(shí)別方法，其特征在于：所述測(cè)井巖性識(shí)別模型包括LSTM網(wǎng)絡(luò)結(jié)構(gòu)和Softmax回歸層，所述LSTM網(wǎng)絡(luò)結(jié)構(gòu)包括順次連接的輸入層、隱藏層和輸出層；所述隱藏層包括首層隱藏層、中層隱藏層和末層隱藏層，Dropout率分別為0.2、0.4、0.4；所述Softmax回歸層連接在所述末層隱藏層和輸出層之間。

6.如權(quán)利要求5所述的一種基于LSTM神經(jīng)網(wǎng)絡(luò)的測(cè)井巖性識(shí)別方法，其特征在于：所述測(cè)井巖性識(shí)別模型采用Tanh函數(shù)作為激活函數(shù)，采用Adam優(yōu)化算法進(jìn)行優(yōu)化，采用交叉熵作為損失函數(shù)。

7.如權(quán)利要求6所述的一種基于LSTM神經(jīng)網(wǎng)絡(luò)的測(cè)井巖性識(shí)別方法，其特征在于：所述步驟S23中，采用反向傳播通過時(shí)間方法進(jìn)行參數(shù)訓(xùn)練。

8.一種基于LSTM神經(jīng)網(wǎng)絡(luò)的測(cè)井巖性識(shí)別系統(tǒng)，其特征在于：采用權(quán)利要求1～7任一項(xiàng)所述的基于LSTM神經(jīng)網(wǎng)絡(luò)的測(cè)井巖性識(shí)別方法實(shí)現(xiàn)建立測(cè)井巖性識(shí)別模型、對(duì)測(cè)井巖性識(shí)別模型進(jìn)行訓(xùn)練與/或測(cè)試、將訓(xùn)練完成的測(cè)井巖性識(shí)別模型用于識(shí)別即時(shí)測(cè)井?dāng)?shù)據(jù)中的至少一項(xiàng)。