CN108952699A - 一种复杂地质钻进过程地层岩性智能识别方法 - Google Patents

Abstract

本发明公开了一种复杂地质钻进过程地层岩性智能识别方法，包括采集测井数据，对获得的测井数据进行分析，选出与岩性紧密相关的数据，运用小波去噪技术获得去噪后的样本数据集；在获得样本数据集的基础上进行归一化处理，建立ECOC编码矩阵，并利用并发删减算法删减ECOC编码矩阵，利用核Fisher线性判别作为基分类器对岩性进行分类，并利用蝙蝠优化算法优化基分类器的核参数及阈值参数；通过汉明距离解码完成最终的岩性类别输出。本发明将多分类问题转化为多个二分类问题，能够较好地区分测井特征相近的岩性，又能够克服核Fisher线性判别多分类方法中差异较大的类信息掩盖差异较小的类信息的问题，为复杂钻进过程智能控制打下了良好的基础。

Description

一种复杂地质钻进过程地层岩性智能识别方法

技术领域

本发明涉及地质钻进过程智能控制领域，尤其涉及一种复杂地质钻进过程地层岩性智能识别方法。

背景技术

目前，我国对大宗矿产品的需求仍不断增长，现有资源供需矛盾日益突出，对外依存度不断加大。但事实上，我国矿产资源种类多，蕴藏丰富。随着新的矿产资源的不断探明，深部地质勘探和开发成为必然。

尽管深部资源能源开发潜力大，但由于地层深处的环境恶劣，钻进过程经常遇到敏感性页岩地层、流变地层、各种盐类等地层等各种成因不一，特点不同的复杂地层。这些地层由于自身成岩机理，相对于其他地层更容易发生缩径，坍塌或破裂。如井塌大多发生在泥页岩地层中，占90％以上。缩径大多发生在盐膏层、含盐膏软泥层、砂岩中，都需要特别调整泥浆密度来保证井壁不受破坏。所以钻进过程中识别地层，实钻时实时检测当前地层，是实现安全高效钻进的基础。

岩性是指反映岩石特征的一些属性，如颜色、成分、结构、构造等。岩性识别是根据岩石存在的不同特征和属性，把储集岩分类成不同单元的过程。进行地层岩性识别是地层三压力建模的第一步，准确识别地下岩层的分布特征是实现深部矿产资源勘查突破的关键。

测井资料中包含丰富的地层岩性信息，是岩性分析的基础资料。利用测井数据的岩性识别建模方法主要可以分为两种：一是人工绘图方法；二是智能建模方法。人工绘图方法识别岩性的方法有很多种，包括交会图法，蜘蛛网图法与阶梯图法等。智能建模方法大多采用监督式机器学习方法，针对地层岩性识别的智能建模方法包括神经网络、支持向量机、模糊学、核fisher线性判别等方法。利用智能建模方法进行岩性识别已成为测井技术和钻井技术发展的重要方向。

在利用智能建模方法进行岩性识别时，绝大多数研究假设岩性分布均匀且得到的测井数据均衡，事实上，数据不均衡的特征广泛存在于地层与地层之间。针对这种情况，有必要针对测井数据进行不平衡数据分类方法研究。融合不平衡数据的处理方法的智能识别方法能更加有效地对地层岩性进行识别。

发明内容

有鉴于此，本发明的实施例提供了一种建立了复杂地质钻进过程地层岩性自适应不平衡多分类架构，能有有效提高岩性识别模型的精度，为复杂地质钻进过程智能控制打下良好的基础的复杂地质钻进过程地层岩性智能识别方法。

本发明的实施例提供一种复杂地质钻进过程地层岩性智能识别方法，包括以下步骤：

S1.采集测井数据，对获得的测井数据进行分析，选出与岩性紧密相关的数据，运用小波去噪技术获得去噪后的样本数据集；

S2.在获得样本数据集的基础上进行归一化处理，建立ECOC编码矩阵，并利用并发删减算法删减ECOC编码矩阵；

S3.基于步骤S2得到的ECOC编码矩阵，利用核Fisher线性判别作为基分类器对岩性进行分类，并利用蝙蝠优化算法优化基分类器的核参数及阈值参数；

S4.通过汉明距离解码完成最终的岩性类别输出。

进一步，所述步骤S1中，与岩性紧密相关的数据包括密度测井、声波测井、自然电位测井、深、浅三侧向测井、微电位与微梯度。

进一步，所述步骤S2中，归一化处理的公式为：

式中：x_max与x_min分别为特征数据的最大值与最小值，特征数据是与岩性紧密相关的数据，x_norm为归一化之后的值，x_norm∈[0,1]。

进一步，所述步骤S3中，具体包括以下步骤：

S3.1.核fisher基分类器选择高斯核，利用蝙蝠优化算法，以Gmean值为适应度函数根据下面的公式优化每一个核fisher基分类器的核参数K；

Gmean＝(TP/(TP+FN)×TN/(TN+FP))^1/2

K＝exp{||x-x_c||^2/(2*δ^2}

式中：TP，FP，FN，TN分别代表正类正确分类数量，预测为正类但是真实为负类，预测为负类但是真实为正类，负类正确分类数量，x为空间中某一点，x_c为核函数中心，δ为函数的宽度参数；

S3.2.根据下面的公式，利用蝙蝠优化算法，以Gmean值为适应度函数优化阈值参数λ；

μ＝λ×m₁+(1-λ)×m₂

式中：m₁和m₂是ECOC-核fisher编码后分成两类的投影后的平均值，如果阈值参数λ发生变化，阈值μ会在mean1与mean2间移动。

进一步，所述步骤S4中，具体包括以下步骤：

S4.1.根据如下公式计算ECOC简化编码与预测值之间的汉明距离；

式中：x，y分别是ECOC矩阵的编码及预测值，i为ECOC编码的第i位，表示抑或；

S4.2.搜索H的最小值所对应的行数，即预测的岩性标签。

与现有技术相比，本发明具有以下有益效果：

(1)结合ECOC算法与核Fisher算法，将多分类问题转化为多个二分类问题，既发挥了核Fisher线性判别的优点，能够较好地区分测井特征相近的岩性，又能够克服核Fisher线性判别多分类方法中差异较大的类信息掩盖差异较小的类信息的问题；

(2)优化了ECOC编码的结构，能够获得较高的建模精度，使模型能够获得更快速更精确的效果；

(3)在利用ECOC编码建立基分类器的基础上，运用蝙蝠优化算法优化核参数与阈值参数，能够考虑不均衡数据的影响，自适应调整阈值，并利用实际测井数据验证该岩性识别方法，有利于在实际生产中应用。

附图说明

图1本发明一实施例中采集测井数据的钻井图。

图2本发明一实施例中并发删减算法的流程图。

图3本发明一实施例中的原始ECOC编码矩阵示意图。

图4本发明一实施例中删减ECOC编码矩阵顺序图。

图5本发明一实施例中ECOC-BAKFDA实验结构示意图。

图6本发明一实施例中ECOC编码矩阵长度与分类准确率关系图。

图7本发明一实施例中KFDA算法一维投影分布图。

图8本发明一种复杂地质钻进过程地层岩性智能识别方法的一流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。

请参考图8，本发明的实施例提供了一种复杂地质钻进过程地层岩性智能识别方法，包括以下步骤：

S1.如图1所示采集测井数据，对获得的测井数据进行分析，选出与岩性紧密相关的数据，运用小波去噪技术获得去噪后的样本数据集；与岩性紧密相关的数据包括密度测井、声波测井、自然电位测井、深、浅三侧向测井、微电位与微梯度。

S2.在获得样本数据集的基础上进行归一化处理，建立ECOC编码矩阵(如图3所示)，并利用并发删减算法删减ECOC编码矩阵(如图4所示)；

归一化处理的公式为：

式中：x_max与x_min分别为特征数据的最大值与最小值，特征数据是与岩性紧密相关的数据，x_norm为归一化之后的值，x_norm∈[0,1]。

如图2所示，并发删减算法：

列出ECOC编码的所有组合；

用训练数据训练基分类器；

对每一个基分类器Ci；

对每一个输入样本；

如果组合分类器分类错误且基分类器分类错误；

Metrici＝Metrici–2；

如果组合分类器分类错误且基分类器分类正确；

Metrici＝Metrici+2；

如果组合分类器分类正确且基分类器分类正确；

Metrici＝Metrici+1；

按照Metrici值进行排序，选择Metrici值最高的基分类器作为选定的第一个基分类器；

对剩下的每一个基分类器；

选择Metrici值最高的前b＝1/2(可调)个基分类器，计算其与选定的基分类器之间的分离度k；

H代表每个基分类器编码的不同的个数；

选择剩余基分类器中拥有最高的k值的基分类器；

循环直至选定的基分类器达到要求个数；

S3.基于步骤S2得到的ECOC编码矩阵，利用核Fisher线性判别作为基分类器对岩性进行分类，并利用蝙蝠优化算法优化基分类器的核参数及阈值参数；

具体包括以下步骤：

S3.1.核fisher基分类器选择高斯核，利用蝙蝠优化算法，以Gmean值为适应度函数根据下面的公式优化每一个核fisher基分类器的核参数K；

Gmean＝(TP/(TP+FN)×TN/(TN+FP))^1/2

K＝exp{||x-x_c||^2/(2*δ^2}

式中：TP，FP，FN，TN分别代表正类正确分类数量，预测为正类但是真实为负类，预测为负类但是真实为正类，负类正确分类数量，x为空间中某一点，x_c为核函数中心，δ为函数的宽度参数；；

S3.2.根据下面的公式，利用蝙蝠优化算法，以Gmean值为适应度函数优化阈值参数λ；

μ＝λ×m₁+(1-λ)×m₂

式中：m₁和m₂是ECOC-核fisher编码后分成两类的投影后的平均值，如果阈值参数λ发生变化，阈值μ会在mean1与mean2间移动。

S4.通过汉明距离解码完成最终的岩性类别输出。

具体包括以下步骤：

S4.1.根据如下公式计算ECOC简化编码与预测值之间的汉明距离；

式中：x，y分别是ECOC矩阵的编码及预测值，i为ECOC编码的第i位，表示抑或；

S4.2.搜索H的最小值所对应的行数，即预测的岩性标签。

本发明结合ECOC算法与核Fisher算法，将多分类问题转化为多个二分类问题，既发挥了核Fisher线性判别的优点，能够较好地区分测井特征相近的岩性，又能够克服核Fisher线性判别多分类方法中差异较大的类信息掩盖差异较小的类信息的问题；优化了ECOC编码的结构，能够获得较高的建模精度，使模型能够获得更快速更精确的效果；在利用ECOC编码建立基分类器的基础上，运用蝙蝠优化算法优化核参数与阈值参数，能够考虑不均衡数据的影响，自适应调整阈值，并利用实际测井数据验证该岩性识别方法，有利于在实际生产中应用。

实施例1

一种复杂地质钻进过程地层岩性智能识别方法，首先，对通过图1获得的测井数据进行分析，选出与岩性紧密相关的数据，运用小波去噪技术获得去噪后的样本数据集，将获得的7种参数作为地层岩性识别模型的输入，运用改进的ECOC算法建立编码矩阵，并利用核Fisher线性判别方法建立基分类器，同时利用蝙蝠算法优化核参数与阈值参数。此方法使用实际测井数据进行仿真验证。具体步骤如下：

(1)原始样本数据由密度测井、声波测井、自然电位测井、深、浅三侧向测井、微电位与微梯度测井七种共153组测井数据组成，共有4种不同岩性，分别用标签1,2,3,4表示，比例分别为35:52:50:16，岩性数据不均衡。表1为部分原始数据，运用一维小波去噪技术获得去噪后的样本数据集；

(2)基于步骤(1)所得到的7种参数共132组样本数据集，分别取四种岩性中任意比例为15:25:25:5的个数的数据为训练集，取剩余任意10:10:10:4的数据及所选中的训练集的合集作为验证集衡量分类器的准确度，以剩余数据作为测试集。建立4种岩性的ECOC编码矩阵，利用并发删减算法删减ECOC矩阵删减算法流程图如图2所示。其中，根据Metric值删减的ECOC矩阵的长度及准确率关系如图6所示。图3是原始的ECOC编码矩阵组合。图4为删减过后的ECOC编码矩阵。对于编码矩阵的每一列，都转化为一个二分类。对于删减过后的ECOC编码，可将码1代表的类别看做正类，码-1代表的类别看做负类，码0代表的类别样本忽略。

表1部分原始测井参数表

(3)基于步骤(2)得到的ECOC编码矩阵，利用核Fisher线性判别作为基分类器对地层岩性进行分类，并以Gmean值作为目标函数，利用蝙蝠优化算法优化基分类器的核参数及阈值参数；

(4)利用汉明距离进行解码得到最终结果。并用十折交叉验证来计算其准确率的平均值，如图5所示。将提出的IECOC-BAKFDA方法与KFDA多分类方法及未进行删减算法改进的ECOC-BAKFDA算法及未优化的ECOC-KFDA算法进行对比，结果分别记录在表2-4中。所提出方法在分类精度、泛化能力及预测速度上均优于其他方法；

表2未利用纠错编码的BA-KFDA混淆矩阵

最终识别率：76％。

表3利用蝙蝠算法优化的地层岩性识别准确率(十折交叉验证)

表4未利用蝙蝠算法优化的的地层岩性识别结果(十折交叉验证)

在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种复杂地质钻进过程地层岩性智能识别方法，其特征在于，包括以下步骤：

S1.采集测井数据，对获得的测井数据进行分析，选出与岩性紧密相关的数据，运用小波去噪技术获得去噪后的样本数据集；

S2.在获得样本数据集的基础上进行归一化处理，建立ECOC编码矩阵，并利用并发删减算法删减ECOC编码矩阵；

S3.基于步骤S2得到的ECOC编码矩阵，利用核Fisher线性判别作为基分类器对岩性进行分类，并利用蝙蝠优化算法优化基分类器的核参数及阈值参数；

S4.通过汉明距离解码完成最终的岩性类别输出。

2.根据权利要求1所述的复杂地质钻进过程地层岩性智能识别方法，其特征在于，所述步骤S1中，与岩性紧密相关的数据包括密度测井、声波测井、自然电位测井、深、浅三侧向测井、微电位与微梯度。

3.根据权利要求1所述的复杂地质钻进过程地层岩性智能识别方法，其特征在于，所述步骤S2中，归一化处理的公式为：

式中：x_max与x_min分别为特征数据的最大值与最小值，特征数据是与岩性紧密相关的数据，x_norm为归一化之后的值，x_norm∈[0，1]。

4.根据权利要求1所述的复杂地质钻进过程地层岩性智能识别方法，其特征在于，所述步骤S3中，具体包括以下步骤：

S3.1.核fisher基分类器选择高斯核，利用蝙蝠优化算法，以Gmean值为适应度函数根据下面的公式优化每一个核fisher基分类器的核参数K；

Gmean＝(TP/(TP+FN)×TN/(TN+FP))^1/2

K＝exp{||x-x_c||^2/(2*δ^2}

式中：TP，FP，FN，TN分别代表正类正确分类数量，预测为正类但是真实为负类，预测为负类但是真实为正类，负类正确分类数量，x为空间中某一点，x_c为核函数中心，δ为函数的宽度参数；

S3.2.根据下面的公式，利用蝙蝠优化算法，以Gmean值为适应度函数优化阈值参数λ；

μ＝λ×m₁+(1-λ)×m₂

式中：m₁和m₂是ECOC-核fisher编码后分成两类的投影后的平均值，如果阈值参数λ发生变化，阈值μ会在mean1与mean2间移动。

5.根据权利要求1所述的复杂地质钻进过程地层岩性智能识别方法，其特征在于，所述步骤S4中，具体包括以下步骤：

S4.1.根据如下公式计算ECOC简化编码与预测值之间的汉明距离；

式中：x，y分别是ECOC矩阵的编码及预测值，i为ECOC编码的第i位，表示抑或；

S4.2.搜索H的最小值所对应的行数，即预测的岩性标签。