CN112990320A - 一种岩性的分类方法、装置、电子设备及存储介质 - Google Patents
一种岩性的分类方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112990320A CN112990320A CN202110293957.XA CN202110293957A CN112990320A CN 112990320 A CN112990320 A CN 112990320A CN 202110293957 A CN202110293957 A CN 202110293957A CN 112990320 A CN112990320 A CN 112990320A
- Authority
- CN
- China
- Prior art keywords
- lithology
- information
- rock
- classification
- classification network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种岩性的分类方法、装置、电子设备及存储介质,分类方法包括:获取目标深度的岩石的岩性信息,其中,所述岩性信息为所述目标深的度岩石的属性参数信息;将岩石的岩性信息输入训练好的多分类网络中的下采样层,得到岩石的岩性信息对应的岩石特征信息;将岩石特征信息顺次输入多分类网络中的上采样层和卷积层中,得到岩石的岩性信息对应的岩性类别。本申请通过将不同井深的岩性信息输入到训练好的多分类网络中的下采样层,得到对应的岩石特征信息,将岩石特征信息输入多分类网络中的上采样层和卷积层中,得到岩石的岩性类别,通过训练出的多分类网络对岩性信息进行识别,得到岩性类别,可以提高对岩性信息进行岩性分类的准确率。
Description
技术领域
本申请涉及地质勘探技术领域,尤其是涉及一种岩性的分类方法、装置、电子设备及存储介质。
背景技术
岩性识别是一项在勘探和工程领域具有重要意义的任务。它是表征储层特征,计算各种岩石物理参数以及地质研究的基础。传统的地层岩性分类方法是通过在钻探过程中获得的切块进行推断,或者通过从地下地层收集的岩心样本中提取推断来进行的,但是,这种方法有时不是十分可靠,因为不同的地质学家可能会提供不同的解释,考虑到岩心的样本数据存在局限性,因此使用测井数据进行岩性分类已成为趋势。
然而,现有技术中,使用测井数据绘制的传统的测井曲线区分岩性的类别的效果较差,准确率较低。
发明内容
有鉴于此,本申请的目的在于提供一种岩性的分类方法、装置电子设备及存储介质,本申请通过将不同井深的岩石的岩性信息输入到训练好的多分类网络中的下采样层得到岩石的岩性信息对应的岩石特征信息,并将岩石特征信息输入所述多分类网络中的上采样层和卷积层中,得到岩石的岩性信息的岩性类别,通过对多分类网络上采样层结构的改变,增加了岩石的岩性信息的特征信息的卷这样,通过训练出的包含下采样层、上采样层和卷积层的多分类网络(改进的Unet网络)对岩石的岩性信息进行识别,得到岩性类别,可以提高对岩石的岩性信息进行岩性分类的准确率。
本申请主要包括以下几个方面:
第一方面,本申请实施例提供了一种岩性的分类方法,所述方法分类包括:
获取目标深度的岩石的岩性信息,其中,所述岩性信息为所述目标深的度岩石的属性参数信息;
将所述岩石的岩性信息输入训练好的多分类网络中的下采样层,得到所述岩石的岩性信息对应的岩石特征信息;
将所述岩石特征信息顺次输入所述多分类网络中的上采样层和卷积层中,得到所述岩石的岩性信息对应的岩性类别。
在一种可能的实施方式中,通过以下方式获取训练好的多分类网络:
获取多个样本岩石的岩性信息,以及每个所述样本岩石的岩性信息的标签;所述标签用于表征每个所述样本岩石的岩性信息对应的真实岩性类别;
根据各个所述样本岩石的岩性信息和每个所述样本岩石的岩性信息的标签,对初始分类网络进行训练,得到训练好的多分类网络。
在一种可能的实施方式中,所述根据各个所述样本岩石的岩性信息和每个所述样本岩石的岩性信息的标签,对初始分类网络进行训练,得到训练好的多分类网络,包括:
将每个所述样本岩石的岩性信息每个所述样本岩石的岩性信息的标签输入初始分类网络,得到每个所述样本岩石的岩性信息对应的预测岩性类别;
当每个所述样本岩石的岩性信息的预测岩性类别与每个所述样本岩石的岩性信息的所述真实岩性类别之间的损失值小于预设阈值,训练截止,得到训练好的多分类网络;其中,所述损失值利用交叉熵损函数计算得到。
在一种可能的实施方式中,所述将所述岩石特征信息顺次输入所述多分类网络中的上采样层和卷积层中,得到所述岩石的岩性信息对应的岩性类别,包括:
将所述岩石特征信息输入所述多分类网络中的上采样层,得到初始特征矩阵;
将所述初始特征矩阵输入所述多分类网络中的卷积层中进行一维卷积,生成目标特征矩阵,得到所述岩石的岩性信息对应的岩性类别;其中,所述多分类网络中的卷积层为一维卷积层。
在一种可能的实施方式中,所述分类方法还包括:
将不同井深的所述岩石的岩性信息分别输入训练好的所述多分类网络,得到每个测井深度的所述岩石的岩性信息对应的岩性类别;
根据不同井深的所述岩石的岩性信息的岩性类别,生成所述岩性类别与测井深度的变化特征曲线。
在一种可能的实施方式中,在所述获取目标深度的岩石的岩性信息,其中,所述岩性信息为所述目标深的度岩石的属性参数信息之前,所述分类方法还包括:
获取多个测试样本岩石的岩性信息,以及每个所述测试样本岩石的岩性信息的标签;所述标签用于表征每个所述测试样本岩石的岩性信息对应的真实岩性类别;
将所述测试样本岩石的岩性信息输入训练好的多分类网络中,得到测试好的多分类网络;其中,所述测试样本岩石的岩性信息用于判断所述训练好的多分类网络是否过拟合。
第二方面,本申请实施例还提供一种岩性的分类装置,所述分类装置包括:
第一获取模块,用于获取目标深度的岩石的岩性信息,其中,所述岩性信息为所述目标深的度岩石的属性参数信息;
第一生成模块,用于将所述岩石的岩性信息输入训练好的多分类网络中的下采样层,得到所述岩石的岩性信息对应的岩石特征信息;
卷积处理模块,用于将所述岩石特征信息顺次输入所述多分类网络中的上采样层和卷积层中,得到所述岩石的岩性信息对应的岩性类别。
在一种可能的实施方式中,所述分类装置还包括:
第二生成模块,用于将不同井深的所述岩石的岩性信息分别输入训练好的所述多分类网络,得到每个测井深度的所述岩石的岩性信息对应的岩性类别;
第三生成模块,用于根据不同井深的所述岩石的岩性信息的岩性类别,生成所述岩性类别与测井深度的变化特征曲线。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述第一方面或第一方面中任一种可能的实施方式中所述的分类方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述第一方面或第一方面中任一种可能的实施方式中所述的分类方法的步骤。
本申请实施例提供的分类方法及装,与现有技术中相比,本申请通过将不同井深的岩石的岩性信息输入到训练好的多分类网络中的下采样层得到岩石的岩性信息对应的岩石特征信息,并将岩石特征信息输入所述多分类网络中的上采样层和卷积层中,得到岩石的岩性信息的岩性类别,这样,通过训练出的包含下采样层、上采样层和卷积层的多分类网络(改进的Unet网络)对岩石的岩性信息进行识别,得到岩性类别,可以提高对岩石的岩性信息进行岩性分类的准确率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种岩性的分类方法的流程图;
图2示出了本申请实施例所提供的另一种岩性的分类方法的流程图;
图3示出了本申请实施例所提供的一种岩性的分类装置的结构示意图;
图4示出了本申请实施例所提供的另一种岩性的分类装置的结构示意图;
图5示出了本申请实施例所提供的另一种岩性的分类装置的结构示意图;
图6示出了本申请实施例所提供的一种电子设备的结构示意图。
图中:
300-分类装置;310-第一获取模块;320-第一生成模块;330-卷积处理模块;340-第二生成模块;350-第三生成模块;360-第二获取模块;370-第四生成模块;600-电子设备;610-处理器;620-存储器;630-总线。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中的附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“岩性的分类”,给出以下实施方式,对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。
本申请实施例下所述方法、装置、电子设备或计算机可读存储介质可以应用于任何需要进行岩性的分类的场景,本申请实施例并不对具体的应用场景作限制,任何使用本申请实施例提供的反光体的监测方法及装置的方案均在本申请保护范围内。
值得注意的是,经研究发现,在本申请提出之前,现有技术中,使用测井数据绘制的传统的测井曲线区分岩性的类别的效果较差,准确率较低。
基于此,本申请实施例提供了一种岩性的分类方法、装置、电子设备及存储介质,通过将不同井深的岩石的岩性信息输入到训练好的多分类网络中的下采样层得到岩石的岩性信息对应的岩石特征信息,并将岩石特征信息输入所述多分类网络中的上采样层和卷积层中,得到岩石的岩性信息的岩性类别,这样,通过训练出的包含下采样层、上采样层和卷积层的多分类网络(改进的Unet网络)对岩石的岩性信息进行识别,得到岩性类别,可以提高对岩石的岩性信息进行岩性分类的准确率。
为便于对本申请进行理解,下面结合具体实施例对本申请提供的技术方案进行详细说明。
请参阅图1,图1为本申请实施例所提供的一种岩性的分类方法的流程图。所如图1中所示,本申请实施例提供的岩性的分类方法,所述分类方法包括:
S101、获取目标深度的岩石的岩性信息,其中,所述岩性信息为所述目标深的度岩石的属性参数信息。
该步骤中,获取不同测井深度的岩石的岩性信息,用于研究测井的岩石的岩性信息的数据随着深度的变化特征。
这里,举例设置两个不同目标深度的测井:其中,设XJ1井的深度范围是330m至520m,XJ2井的深度范围是500m至720m,此时,为了消除由于仪器采集等各方面原因对曲线造成的误差,需要对这2口钻孔的测井的测井数据进行标准化处理,即设所述XJ2井的数据为测试测试样本岩石的岩性信息,所述XJ1井的数据为样本岩石的岩性信息。
其中,所述测井曲线所表示的为所述岩石的岩性信息中提取的对于岩性分析有参考作用的主要的特征参数,所述测井曲线包括但不限制于声波时差(DT)、密度(DEN)、电阻率(Resistivity)以及自然伽马(GR)。
这样,所述岩石的岩性信息的岩性包括但不限制于砂岩、泥岩以及煤,所述岩石的岩性信息的岩性要是通过观察和分析钻井作业中获得的岩屑以及对地下地层采集的岩心处样品来确定的。
S102、将所述岩石的岩性信息输入训练好的多分类网络中的下采样层,得到所述岩石的岩性信息对应的岩石特征信息。
该步骤中,所述多分类网络预提可采用Unet网络模型,所述Unet网络模型包括下采样层和上采样层,下采样层主要用于提取所述岩石的岩性信息中的特征,上采样部分主要用于恢复所述岩石的岩性信息的分辨率和定位分割的部分。
其中,所述Unet网络模型的下采样层与卷积神经网络的结构类似,由多个结构相同的层组成。每一层包含两个3×3的卷积层,以及一个激活单元和一个尺寸为2×2、步长为2的最大池化操作,且在每一层的卷积操作后,特征通道的数量都会增加一倍,所述Unet网络模型的上采样层由多个结构相同的反卷积层组成,每一层包含一个上采样操作,在进行所述上采样操作完成后,所述Unet网络模型的上采样层会将上采样之后的结果与编码路径中对应步骤的特征图拼接起来。
这里,使用者将将获取到的所述岩石的岩性信息,输入到训练好的多分类网络中的下采样层,得到关于所述岩石的岩性信息对应的岩石特征信息,即声波时差(DT)、密度(DEN)、电阻率(Resistivity)以及自然伽马(GR)等的特征信息。
可选地,通过以下方式获取训练好的多分类网络:
获取多个样本岩石的岩性信息,以及每个所述样本岩石的岩性信息的标签;所述标签用于表征每个所述样本岩石的岩性信息对应的真实岩性类别。
其中,由于样本岩石的岩性信息所包含的特征较多,可能会出现训练结果不准确和欠拟合的问题,因此,需要对所述样本岩石的岩性信息进行切分,如,将形状为3300×4的样本岩石的岩性信息按顺序分割为33个形状为100×4的特征图片,这种方式有助于提升运算速度,训练出更准确的结果。
根据各个所述样本岩石的岩性信息和每个所述样本岩石的岩性信息的标签,对初始分类网络进行训练,得到训练好的多分类网络。
该步骤中,使用33个特征图片和每个所述样本岩石的岩性信息的标签对其进行训练。
这里,所述根据各个所述样本岩石的岩性信息和每个所述样本岩石的岩性信息的标签,对初始分类网络进行训练,得到训练好的多分类网络,包括:
将所述每个样本岩石的岩性信息每个所述样本岩石的岩性信息的标签输入初始分类网络,得到每个所述样本岩石的岩性信息对应的预测岩性类别。
当每个所述样本岩石的岩性信息的预测岩性类别与每个所述样本岩石的岩性信息的所述真实岩性类别之间的损失值小于预设阈值,训练截止,得到训练好的多分类网络;其中,所述损失值利用交叉熵损函数计算得到。
这里,所述交叉熵损函数的公式如下:
其中,M表示类别数,yc表示一个二进制向量,元素只有0和1两种取值,如果所述岩石的岩性信息的岩性类别与所述岩石的岩性信息的岩性类别相同,元素值等于1,否则等于0,pc表示预测样本岩石的岩性信息c的概率。
这样,选用Pytorch框架中的nn.CrossEntropyLoss()函数完成交叉熵损失函数的设定。
S103、将所述岩石特征信息顺次输入所述多分类网络中的上采样层和卷积层中,得到所述岩石的岩性信息对应的岩性类别。
该步骤中,将所述岩石特征信息顺次输入所述多分类网络中的上采样层中进行采样后,将上采样之后的结果与编码路径中对应步骤的特征图拼接起来,再输入到改进的多分类网络中的卷积层中进行卷积处理,得到所述岩石的岩性信息对应的岩性类别。
这里,编码路径中对应的特征图尺寸会大,需要经过相应的裁剪再进行拼接。
可选地,所述分类方法还包括:将不同井深的所述岩石的岩性信息分别输入训练好的所述多分类网络,得到每个测井深度的所述岩石的岩性信息对应的岩性类别。
该步骤中,可以将相同井深或不同井深的所述岩石的岩性信息分别输入训练好的所述多分类网络,先后顺序的进行下采样、上采样以及上采样之后经由所述卷积层的卷积。
根据不同井深的所述岩石的岩性信息的岩性类别,生成所述岩性类别与测井深度的变化特征曲线。
该步骤中,在确定了针对于不同井深的所述岩石的岩性信息的岩性类别后,将所述岩石类别与对应的井深数据相结合,生成述岩性类别与测井深度的变化特征曲线,用于方便使用者和研究者日后的分析、研究以及应用。
可选地,在所述获取目标深度的岩石的岩性信息,其中,所述岩性信息为所述目标深的度岩石的属性参数信息之前,所述分类方法还包括:
获取多个测试样本岩石的岩性信息,以及每个所述测试样本岩石的岩性信息的标签;所述标签用于表征每个所述测试样本岩石的岩性信息对应的真实岩性类别。
该步骤中,获取测试样本岩石的岩性信息的目的在于使用所述测试样本岩石的岩性信息判断所述训练好的多分类网络是否过拟合。
这里,将形状为1100×4测试样本岩石的岩性信息的同样按顺序分割,分割为11个形状为100×4的测试样本岩石特征图片。
将所述测试样本岩石的岩性信息输入训练好的多分类网络中,得到测试好的多分类网络;其中,所述测试样本岩石的岩性信息用于判断所述训练好的多分类网络是否过拟合。
该步骤中,将所述测试样本岩石特征图片和所述所述测试样本岩石特征图片的标签输入训练好的多分类网络中,下面举例说明测试验证的过程:
这里,设置学习率为1e-3,使用50个时期训练初始分类网络,对于每个时期,将使用所有33个岩石的岩性信息的特征图片来训练模型,同时,在每个时期中,使用全部的11个测试样本岩石特征图片的来测试和验证所述训练好的多分类网络是否过拟合。
这样,设定了一个加权loss,它由训练损失与测试损失组成,公式如下:
Loss=αlosstrain+βlossval
其中,Loss表示定义的加权loss,losstrain表示样本岩石的岩性信息的损失,lossval表示测试样本岩石的岩性信息的损失,α和β表示样本岩石的岩性信息的损失与测试样本岩石的岩性信息的损失所占的权重,为了得到具有更强泛化能力的模型,我们设定α=0.35,β=0.65,在训练误差放入过程中,我们获取到加权loss的最小值并保存模型参数,其中,所述加权loss的最小值为最佳的加权误差。
下面,将训练好的多分类网络应用于测试样本岩石的岩性信息(XJ1井)的测井数据,来预测井岩石相,同时,我们将使用F-1分数来衡量测试结果,具体如下面公式所述:
这里,TP表示正确预测的相的数量,FP表示将负向判断为正向的相的数量,FN表示将正向判断为负向的相的数量。
同时,将XJ1井的测试样本岩石的岩性信息对应的数据输入训练好的多分类网络中,得到了预测的岩石相结果的准确率为82.71%,计算训练好的多分类网络在XJ1井中的精确率和召回率的综合指标F-1的得分,得分为0.8215,具体见表1:
表1
此时,为了说明改进Unet网络的优点,选择使用相同的样本岩石的岩性信息(XJ2井的测井曲线数据)训练一个1D-CNN和XGBoost模型进行对比。
1D-CNN的结构被设置为两层卷积层与一层全连接层,其中的损失函数为交叉熵损失函数,该模型只能接受相同深度点的测井曲线值,模型的学习率选择1e-3,并且模型训练50个epoch。该模型同样使用加权loss检验模型的泛化能力,训练过程中选择最小的加权loss并保存模型参数,将XJ1井的测井曲线输入训练好的1D-CNN,岩石相预测的准确率分别为79.23%,同时,计算1D-CNN在XJ1井中的精确率和召回率的综合指标F-1的得分,得分为分别为0.7907,具体见表2:
表2
XGBoost为一种泛化能力强大的机器学习算法,这里,使用相同的岩石的岩性信息(XJ2井的测井曲线值)训练XGBoost,该模型只能接受每个深度点的测井曲线值,同时,使用验证集来验证模型的泛化能力,当模型的最大深度为2,估计器的数量(n_estimators)为30,学习率为0.2时,测试样本岩石的岩性信息的准确率最高,此时我们认为模型的泛化能力最强。将XJ1井的测井曲线输入训练好的XGBoost模型,岩石相预测的准确率为80.18,同时,计算XGBoost模型在XJ1井的中的精确率和召回率的综合指标F-1的得分,得分为0.7966具体见表3:
表3
综上,在将改进Unet、1D-CNN和XGBoost三种多分类网络在XJ1井的每种岩性预测结果的F-1分数进行对比中,我们发现当使用不同深度范围的测井曲线进行预测时,改进Unet的F-1得分要高于其他两种模型,因此,在不同深度范围的测试集中,改进Unet的泛化能力更好,测试所使用的训练数据仅有3300组测井数据值,但是XJ1井具有3799组测井数据值,因此,改进的Unet在测井数据和对应岩石相标签较少的情况下拥有较好的性能。
本申请实施例提供的岩性的分类方法,与现有技术中相比,本申请通过将不同井深的岩石的岩性信息输入到训练好的多分类网络中的下采样层得到岩石的岩性信息对应的岩石特征信息,并将岩石特征信息输入所述多分类网络中的上采样层和卷积层中,得到岩石的岩性信息的岩性类别,这样,通过训练出的包含下采样层、上采样层和卷积层的多分类网络(改进的Unet网络)对岩石的岩性信息进行识别,得到岩性类别,可以提高对岩石的岩性信息进行岩性分类的准确率。
请参阅图2,图2为本申请另一实施例提供的岩性的分类方法的流程图。如图2中所示,本申请实施例提供的一种岩性的分类方法,所述方法分类包括:
S201、获取目标深度的岩石的岩性信息,其中,所述岩性信息为所述目标深的度岩石的属性参数信息。
S202、将所述岩石的岩性信息输入训练好的多分类网络中的下采样层,得到所述岩石的岩性信息对应的岩石特征信息。
S203、将所述岩石特征信息输入所述多分类网络中的上采样层,得到初始特征矩阵。
该步骤中,所述多分类网络预提可采用Unet网络模型,所述Unet网络模型包括下采样层和上采样层,下采样层主要用于提取所述岩石的岩性信息中的特征,上采样部分主要用于恢复所述岩石的岩性信息的分辨率和定位分割的部分。
这里,所述Unet网络模型的上采样层由多个结构相同的反卷积层组成,每一层包含一个上采样操作,在进行所述上采样操作完成后,所述Unet网络模型的上采样层会将上采样之后的结果与编码路径中对应步骤的特征图拼接起来,然而,编码路径中对应的特征图尺寸很大,需要经过相应的裁剪再进行拼接,输出得到初始特征矩阵。
这样,将拼接结果进行两次3×3的卷积操作,每个卷积后面都有一个激活单元(ReLU)。在最后一层,使用1×1卷积将有64元素的特征向量映射到所需的类数。为了允许输出分割映射的无缝平铺,需要经过相应的裁剪,以便将所有的2×2最大池化操作得到偶数的长和宽。
S204、将所述初始特征矩阵输入所述多分类网络中的卷积层中进行一维卷积,生成目标特征矩阵,得到所述岩石的岩性信息对应的岩性类别;其中,所述多分类网络中的卷积层为一维卷积层。
该步骤中,将所述初始特征矩阵输入所述多分类网络中的卷积层中进行一维卷积为对所述Unet网络模型进行结构改进的部分,一维的卷积层可使得输出的矩阵为形状是N×1的分类矩阵,并根据该分类矩阵生成结果曲线,因此,在Unet网络的最后一层添加一个一维卷积层,且卷积核的形状为(4,1)这样,使得使输出矩阵的形状变为N×1。
这里,对所述Unet网络模型进行结构也是用于减少下采样部分与上采样部分的层数。
其中,S201至S202的描述可以参照S101至S102的描述,并且能达到相同的技术效果,对此不做赘述。
本申请实施例提供的岩性的分类方法,与现有技术中相比,本申请通过将不同井深的岩石的岩性信息输入到训练好的多分类网络中的下采样层得到岩石的岩性信息对应的岩石特征信息,并将岩石特征信息输入所述多分类网络中的上采样层和卷积层中,得到岩石的岩性信息的岩性类别,这样,通过训练出的包含下采样层、上采样层和卷积层的多分类网络(改进的Unet网络)对岩石的岩性信息进行识别,得到岩性类别,可以提高对岩石的岩性信息进行岩性分类的准确率。
请参阅图3、图4以及图5,图3为本申请实施例所提供的一种岩性的分类装置的结构示意图,图4为本申请实施例所提供的另一种岩性的分类装置的结构示意图,图5为本申请实施例所提供的另一种岩性的分类装置的结构示意图。如图3中所示,一种岩性的分类装置,所述分类装置300包括:
第一获取模块310,用于获取目标深度的岩石的岩性信息,其中,所述岩性信息为所述目标深的度岩石的属性参数信息。
第一生成模块320,用于将所述岩石的岩性信息输入训练好的多分类网络中的下采样层,得到所述岩石的岩性信息对应的岩石特征信息。
可选地,通过以下方式获取第一生成模块320中训练好的多分类网络:
获取多个样本岩石的岩性信息,以及每个所述样本岩石的岩性信息的标签;所述标签用于表征每个所述样本岩石的岩性信息对应的真实岩性类别。
根据各个所述样本岩石的岩性信息和每个所述样本岩石的岩性信息的标签,对初始分类网络进行训练,得到训练好的多分类网络。
可选地,所述根据各个所述样本岩石的岩性信息和每个所述样本岩石的岩性信息的标签,对初始分类网络进行训练,得到训练好的多分类网络,具体用于:
将所述每个样本岩石的岩性信息每个所述样本岩石的岩性信息的标签输入初始分类网络,得到每个所述样本岩石的岩性信息对应的预测岩性类别。
当每个所述样本岩石的岩性信息的预测岩性类别与每个所述样本岩石的岩性信息的所述真实岩性类别之间的损失值小于预设阈值,训练截止,得到训练好的多分类网络;其中,所述损失值利用交叉熵损函数计算得到。
卷积处理模块330,用于将所述岩石特征信息顺次输入所述多分类网络中的上采样层和卷积层中,得到所述岩石的岩性信息对应的岩性类别。
可选地,所述卷积处理模块330,具体用于:
将所述岩石特征信息输入所述多分类网络中的上采样层,得到初始特征矩阵。
将所述初始特征矩阵输入所述多分类网络中的卷积层中进行一维卷积,生成目标特征矩阵,得到所述岩石的岩性信息对应的岩性类别;其中,所述多分类网络中的卷积层为一维卷积层。
本申请实施例提供的岩性的分类装置300,与现有技术中相比,本申请通过将不同井深的岩石的岩性信息输入到训练好的多分类网络中的下采样层得到岩石的岩性信息对应的岩石特征信息,并将岩石特征信息输入所述多分类网络中的上采样层和卷积层中,得到岩石的岩性信息的岩性类别,这样,通过训练出的包含下采样层、上采样层和卷积层的多分类网络(改进的Unet网络)对岩石的岩性信息进行识别,得到岩性类别,可以提高对岩石的岩性信息进行岩性分类的准确率。
请参阅图4,图4示出了本申请实施例所提供的另一种岩性的分类方法的结构示意图。如图4中所示,一种岩性的分类装置,所述分类装置300包括:
第一获取模块310,用于获取目标深度的岩石的岩性信息,其中,所述岩性信息为所述目标深的度岩石的属性参数信息。
第一生成模块320,用于将所述岩石的岩性信息输入训练好的多分类网络中的下采样层,得到所述岩石的岩性信息对应的岩石特征信息。
第二生成模块340,用于将不同井深的所述岩石的岩性信息分别输入训练好的所述多分类网络,得到每个测井深度的所述岩石的岩性信息对应的岩性类别。
第三生成模块350,用于根据不同井深的所述岩石的岩性信息的岩性类别,生成所述岩性类别与测井深度的变化特征曲线。
卷积处理模块330,用于将所述岩石特征信息顺次输入所述多分类网络中的上采样层和卷积层中,得到所述岩石的岩性信息对应的岩性类别。
本申请实施例提供的岩性的分类装置300,与现有技术中相比,本申请通过将不同井深的岩石的岩性信息输入到训练好的多分类网络中的下采样层得到岩石的岩性信息对应的岩石特征信息,并将岩石特征信息输入所述多分类网络中的上采样层和卷积层中,得到岩石的岩性信息的岩性类别,这样,通过训练出的包含下采样层、上采样层和卷积层的多分类网络(改进的Unet网络)对岩石的岩性信息进行识别,得到岩性类别,可以提高对岩石的岩性信息进行岩性分类的准确率。
请参阅图5,图5示出了本申请实施例所提供的另一种岩性的分类方法的结构示意图。如图5中所示,一种岩性的分类装置,所述分类装置300包括:
第一获取模块310,用于获取目标深度的岩石的岩性信息,其中,所述岩性信息为所述目标深的度岩石的属性参数信息。
第一生成模块320,用于将所述岩石的岩性信息输入训练好的多分类网络中的下采样层,得到所述岩石的岩性信息对应的岩石特征信息。
第二生成模块340,用于将不同井深的所述岩石的岩性信息分别输入训练好的所述多分类网络,得到每个测井深度的所述岩石的岩性信息对应的岩性类别。
第三生成模块350,用于根据不同井深的所述岩石的岩性信息的岩性类别,生成所述岩性类别与测井深度的变化特征曲线。
卷积处理模块330,用于将所述岩石特征信息顺次输入所述多分类网络中的上采样层和卷积层中,得到所述岩石的岩性信息对应的岩性类别。
第二获取模块360,用于获取多个测试样本岩石的岩性信息,以及每个所述测试样本岩石的岩性信息的标签;所述标签用于表征每个所述测试样本岩石的岩性信息对应的真实岩性类别。
第四生成模块370,用于将所述测试样本岩石的岩性信息输入训练好的多分类网络中,得到测试好的多分类网络;其中,所述测试样本岩石的岩性信息用于判断所述训练好的多分类网络是否过拟合。
本申请实施例提供的岩性的分类装置300,与现有技术中相比,本申请通过将不同井深的岩石的岩性信息输入到训练好的多分类网络中的下采样层得到岩石的岩性信息对应的岩石特征信息,并将岩石特征信息输入所述多分类网络中的上采样层和卷积层中,得到岩石的岩性信息的岩性类别,这样,通过训练出的包含下采样层、上采样层和卷积层的多分类网络(改进的Unet网络)对岩石的岩性信息进行识别,得到岩性类别,可以提高对岩石的岩性信息进行岩性分类的准确率。
基于同一申请构思,请参阅图6,图6为本申请实施例所提供的一种电子设备的结构示意图。如图6中所示,所述电子设备600包括处理器610、存储器620和总线630。
所述存储器620存储有所述处理器610可执行的机器可读指令,当电子设备600运行时,所述处理器610与所述存储器620之间通过总线630通信,所述机器可读指令被所述处理器610执行时,可以执行如上述图1以及图2所示方法实施例中的岩性的分类方法的步骤,具体实现方式可参见方法实施例。
具体地,所述机器可读指令被所述处理器610执行时可以执行如下处理:
获取目标深度的岩石的岩性信息,其中,所述岩性信息为所述目标深的度岩石的属性参数信息。
将所述岩石的岩性信息输入训练好的多分类网络中的下采样层,得到所述岩石的岩性信息对应的岩石特征信息。
将所述岩石特征信息顺次输入所述多分类网络中的上采样层和卷积层中,得到所述岩石的岩性信息对应的岩性类别。
本申请实施例中,通过将不同井深的岩石的岩性信息输入到训练好的多分类网络中的下采样层得到岩石的岩性信息对应的岩石特征信息,并将岩石特征信息输入所述多分类网络中的上采样层和卷积层中,得到岩石的岩性信息的岩性类别,这样,通过训练出的包含下采样层、上采样层和卷积层的多分类网络(改进的Unet网络)对岩石的岩性信息进行识别,得到岩性类别,可以提高对岩石的岩性信息进行岩性分类的准确率。
基于同一申请构思,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的岩性的分类方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种岩性的分类方法,其特征在于,所述分类方法包括:
获取目标深度的岩石的岩性信息,其中,所述岩性信息为所述目标深的度岩石的属性参数信息;
将所述岩石的岩性信息输入训练好的多分类网络中的下采样层,得到所述岩石的岩性信息对应的岩石特征信息;
将所述岩石特征信息顺次输入所述多分类网络中的上采样层和卷积层中,得到所述岩石的岩性信息对应的岩性类别。
2.根据权利要求1所述的分类方法,其特征在于,通过以下方式获取训练好的多分类网络:
获取多个样本岩石的岩性信息,以及每个所述样本岩石的岩性信息的标签;所述标签用于表征每个所述样本岩石的岩性信息对应的真实岩性类别;
根据各个所述样本岩石的岩性信息和每个所述样本岩石的岩性信息的标签,对初始分类网络进行训练,得到训练好的多分类网络。
3.根据权利要求2所述的分类方法,其特征在于,所述根据各个所述样本岩石的岩性信息和每个所述样本岩石的岩性信息的标签,对初始分类网络进行训练,得到训练好的多分类网络,包括:
将每个所述样本岩石的岩性信息每个所述样本岩石的岩性信息的标签输入初始分类网络,得到每个所述样本岩石的岩性信息对应的预测岩性类别;
当每个所述样本岩石的岩性信息的预测岩性类别与每个所述样本岩石的岩性信息的所述真实岩性类别之间的损失值小于预设阈值,训练截止,得到训练好的多分类网络;其中,所述损失值利用交叉熵损函数计算得到。
4.根据权利要求1所述的分类方法,其特征在于,所述将所述岩石特征信息顺次输入所述多分类网络中的上采样层和卷积层中,得到所述岩石的岩性信息对应的岩性类别,包括:
将所述岩石特征信息输入所述多分类网络中的上采样层,得到初始特征矩阵;
将所述初始特征矩阵输入所述多分类网络中的卷积层中进行一维卷积,生成目标特征矩阵,得到所述岩石的岩性信息对应的岩性类别;其中,所述多分类网络中的卷积层为一维卷积层。
5.根据权利要求1所述的分类方法,其特征在于,所述分类方法还包括:
将不同井深的所述岩石的岩性信息分别输入训练好的所述多分类网络,得到每个测井深度的所述岩石的岩性信息对应的岩性类别;
根据不同井深的所述岩石的岩性信息的岩性类别,生成所述岩性类别与测井深度的变化特征曲线。
6.根据权利要求1所述的分类方法,其特征在于,在所述获取目标深度的岩石的岩性信息,其中,所述岩性信息为所述目标深的度岩石的属性参数信息之前,所述分类方法还包括:
获取多个测试样本岩石的岩性信息,以及每个所述测试样本岩石的岩性信息的标签;所述标签用于表征每个所述测试样本岩石的岩性信息对应的真实岩性类别;
将所述测试样本岩石的岩性信息输入训练好的多分类网络中,得到测试好的多分类网络;其中,所述测试样本岩石的岩性信息用于判断所述训练好的多分类网络是否过拟合。
7.一种岩性的分类装置,其特征在于,所述分类装置包括:
第一获取模块,用于获取目标深度的岩石的岩性信息,其中,所述岩性信息为所述目标深的度岩石的属性参数信息;
第一生成模块,用于将所述岩石的岩性信息输入训练好的多分类网络中的下采样层,得到所述岩石的岩性信息对应的岩石特征信息;
卷积处理模块,用于将所述岩石特征信息顺次输入所述多分类网络中的上采样层和卷积层中,得到所述岩石的岩性信息对应的岩性类别。
8.根据权利要求7所述的分类装置,其特征在于,所述分类装置还包括:
第二生成模块,用于将不同井深的所述岩石的岩性信息分别输入训练好的所述多分类网络,得到每个测井深度的所述岩石的岩性信息对应的岩性类别;
第三生成模块,用于根据不同井深的所述岩石的岩性信息的岩性类别,生成所述岩性类别与测井深度的变化特征曲线。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器运行时执行如上述的权利要求1至6任一所述的分类方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上述的权利要求1至6任一所述的分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110293957.XA CN112990320A (zh) | 2021-03-19 | 2021-03-19 | 一种岩性的分类方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110293957.XA CN112990320A (zh) | 2021-03-19 | 2021-03-19 | 一种岩性的分类方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112990320A true CN112990320A (zh) | 2021-06-18 |
Family
ID=76333344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110293957.XA Pending CN112990320A (zh) | 2021-03-19 | 2021-03-19 | 一种岩性的分类方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990320A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115148299A (zh) * | 2022-07-15 | 2022-10-04 | 中国地质大学(北京) | 一种基于XGBoost的矿床类型鉴别方法及*** |
CN115545357A (zh) * | 2022-11-30 | 2022-12-30 | 深圳市峰和数智科技有限公司 | 一种提升模型性能的方法、地层岩性预测方法及相关设备 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062543A (zh) * | 2018-01-16 | 2018-05-22 | 中车工业研究院有限公司 | 一种面部识别方法及装置 |
CN109284780A (zh) * | 2018-09-10 | 2019-01-29 | 中山大学 | 矿石矿物图像自动识别与分类方法 |
CN109613623A (zh) * | 2018-10-31 | 2019-04-12 | 中国石油大学(华东) | 一种基于残差网络的岩性预测方法 |
CN109670539A (zh) * | 2018-12-03 | 2019-04-23 | 中国石油化工股份有限公司 | 一种基于测井曲线深度学习的泥砂分层检测方法 |
CN109736790A (zh) * | 2018-12-28 | 2019-05-10 | 新疆工程学院 | 基于深度信念网络的测井岩性识别方法 |
CN110263835A (zh) * | 2019-06-13 | 2019-09-20 | 中国电建集团华东勘测设计研究院有限公司 | 基于深度学习和贝叶斯网络的岩石类别自动识别方法 |
CN110412661A (zh) * | 2019-08-01 | 2019-11-05 | 中国石油天然气股份有限公司大港油田分公司 | 细粒岩油气藏甜点段优势段簇的评价方法及装置 |
CN110458799A (zh) * | 2019-06-24 | 2019-11-15 | 上海皓桦科技股份有限公司 | 基于肋骨展开图的肋骨骨折自动检测方法 |
CN111104819A (zh) * | 2018-10-25 | 2020-05-05 | 北京国双科技有限公司 | 模型生成方法及装置、岩性识别方法及装置 |
CN111178441A (zh) * | 2019-12-31 | 2020-05-19 | 中国矿业大学(北京) | 一种基于主成分分析与全连接神经网络的岩性识别方法 |
CN111582387A (zh) * | 2020-05-11 | 2020-08-25 | 吉林大学 | 一种岩石光谱特征融合分类方法及*** |
CN111598444A (zh) * | 2020-05-15 | 2020-08-28 | 中国石油天然气集团有限公司 | 基于卷积神经网络的测井岩性识别方法及*** |
CN111783825A (zh) * | 2020-05-26 | 2020-10-16 | 中国石油天然气集团有限公司 | 一种基于卷积神经网络学习的测井岩性识别方法 |
CN111915612A (zh) * | 2020-07-24 | 2020-11-10 | 山东大学 | 一种基于多编码器卷积神经网络的图像分割方法和*** |
CN112508851A (zh) * | 2020-11-11 | 2021-03-16 | 中国建筑西南勘察设计研究院有限公司 | 一种基于cnn分类算法的泥岩岩性识别*** |
-
2021
- 2021-03-19 CN CN202110293957.XA patent/CN112990320A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062543A (zh) * | 2018-01-16 | 2018-05-22 | 中车工业研究院有限公司 | 一种面部识别方法及装置 |
CN109284780A (zh) * | 2018-09-10 | 2019-01-29 | 中山大学 | 矿石矿物图像自动识别与分类方法 |
CN111104819A (zh) * | 2018-10-25 | 2020-05-05 | 北京国双科技有限公司 | 模型生成方法及装置、岩性识别方法及装置 |
CN109613623A (zh) * | 2018-10-31 | 2019-04-12 | 中国石油大学(华东) | 一种基于残差网络的岩性预测方法 |
CN109670539A (zh) * | 2018-12-03 | 2019-04-23 | 中国石油化工股份有限公司 | 一种基于测井曲线深度学习的泥砂分层检测方法 |
CN109736790A (zh) * | 2018-12-28 | 2019-05-10 | 新疆工程学院 | 基于深度信念网络的测井岩性识别方法 |
CN110263835A (zh) * | 2019-06-13 | 2019-09-20 | 中国电建集团华东勘测设计研究院有限公司 | 基于深度学习和贝叶斯网络的岩石类别自动识别方法 |
CN110458799A (zh) * | 2019-06-24 | 2019-11-15 | 上海皓桦科技股份有限公司 | 基于肋骨展开图的肋骨骨折自动检测方法 |
CN110412661A (zh) * | 2019-08-01 | 2019-11-05 | 中国石油天然气股份有限公司大港油田分公司 | 细粒岩油气藏甜点段优势段簇的评价方法及装置 |
CN111178441A (zh) * | 2019-12-31 | 2020-05-19 | 中国矿业大学(北京) | 一种基于主成分分析与全连接神经网络的岩性识别方法 |
CN111582387A (zh) * | 2020-05-11 | 2020-08-25 | 吉林大学 | 一种岩石光谱特征融合分类方法及*** |
CN111598444A (zh) * | 2020-05-15 | 2020-08-28 | 中国石油天然气集团有限公司 | 基于卷积神经网络的测井岩性识别方法及*** |
CN111783825A (zh) * | 2020-05-26 | 2020-10-16 | 中国石油天然气集团有限公司 | 一种基于卷积神经网络学习的测井岩性识别方法 |
CN111915612A (zh) * | 2020-07-24 | 2020-11-10 | 山东大学 | 一种基于多编码器卷积神经网络的图像分割方法和*** |
CN112508851A (zh) * | 2020-11-11 | 2021-03-16 | 中国建筑西南勘察设计研究院有限公司 | 一种基于cnn分类算法的泥岩岩性识别*** |
Non-Patent Citations (3)
Title |
---|
万川等: "基于改进P-Unet模型的岩屑颗粒识别", 《信息技术与网络安全》 * |
袁伟等: "MUNet:一种多尺度自适应的遥感语义分割深度学习网络", 《测绘科学技术学报》 * |
陈钢花等: "卷积神经网络在岩性识别中的应用", 《测井技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115148299A (zh) * | 2022-07-15 | 2022-10-04 | 中国地质大学(北京) | 一种基于XGBoost的矿床类型鉴别方法及*** |
CN115545357A (zh) * | 2022-11-30 | 2022-12-30 | 深圳市峰和数智科技有限公司 | 一种提升模型性能的方法、地层岩性预测方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111665560B (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
EP3803051A1 (en) | Systems and methods for special core analysis sample selection and assessment | |
CN108952699B (zh) | 一种复杂地质钻进过程地层岩性智能识别方法 | |
CN113919219A (zh) | 基于测井大数据的地层评价方法及*** | |
CN110284873A (zh) | 一种油井储集性质的检测方法及检测装置 | |
CN109447249B (zh) | 一种基于深度卷积的对抗神经网络测井数据重建方法 | |
CN112990320A (zh) | 一种岩性的分类方法、装置、电子设备及存储介质 | |
EP3077618A1 (en) | Tuning digital core analysis to laboratory results | |
CN115393656B (zh) | 一种用于随钻测井图像地层分类的自动分类方法 | |
CN113762320A (zh) | 通过学习测井记录来估计岩相的方法和设备 | |
Carvalho et al. | Soil classification system from cone penetration test data applying distance-based machine learning algorithms | |
CN105277979A (zh) | 一种地震属性的优化方法和装置 | |
CN114638300A (zh) | 一种识别页岩油气藏“甜点”的方法、装置及存储介质 | |
US20230212937A1 (en) | Automated electric submersible pump (esp) failure analysis | |
CN111626377B (zh) | 一种岩相识别方法、装置、设备及存储介质 | |
CN116821786A (zh) | 一种低渗储层分类方法、装置及介质 | |
US20230141334A1 (en) | Systems and methods of modeling geological facies for well development | |
CN114996625B (zh) | 一种基于贝叶斯优化及自编码器的测井数据补全方法 | |
CN114896468A (zh) | 基于神经网络的文件类型匹配方法和数据智能录入方法 | |
Yu et al. | Training image optimization method based on convolutional neural network and its application in discrete fracture network model selection | |
Parimontonsakul et al. | A Machine Learning Based Approach to Automate Stratigraphic Correlation through Marker Determination | |
CN106405638A (zh) | 一种含气饱和度确定方法和装置 | |
CN118094339B (zh) | 地层温度预测方法、装置及计算设备 | |
CN112987122A (zh) | 一种泥质含量计算方法、装置、电子设备及存储介质 | |
Hoa | A Facies Classification Approach Based On Cross Recurrence Plots: Array |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |