(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111515553.7 (22)申请日 2021.12.13 (71)申请人 成都理工大 学 地址 610059 四川省成 都市成华区二仙桥 东三路1号 (72)发明人 宋金民　李柯然　金鑫　杨迪　 冯宇翔　叶玥豪　田立洲　夏舜　 赵玲丽　陈伟　任佳鑫　张阳　 王佳蕊　王俊柯　 (74)专利代理 机构 成都虹盛汇泉专利代理有限 公司 51268 代理人 王伟 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/06(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) G06F 16/25(2019.01) (54)发明名称 基于岩心重建的风 暴岩测井识别方法 (57)摘要 本发明公开了一种基于岩心重建的风暴岩 测井识别方法， 包括以下步骤： S1、 构建岩心身份 数据库： 观察分析风暴段岩心， 与同深度测井数 据构成数据库， 测井数据类型包括CALI、 DT、 AC、 GR、 NPHI、 RHOB、 RT和RXO八类； S2、 训练具有监督 学习功能的风暴岩测井识别网络模型； S3、 利用 建立的风暴岩测井识别网络模型对测井信号进 行识别。 本发 明通过建立具有监督学习功能的风 暴岩测井识别网络模型， 提高了风暴岩识别的准 确性， 能够有效辅助岩相古地理的重建。 权利要求书2页 说明书5页 附图1页 CN 114169457 A 2022.03.11 CN 114169457 A 1.基于岩心重建的风 暴岩测井识别方法， 其特 征在于， 包括以下步骤： S1、 构建学习样本及岩心身份数据库： 采集不同种类的测井曲线数据作为学习样本， 并 随机抽取测井数据中25％的带风暴岩标签的测井数据作为岩心身份数据库， 测井数据包括 CALI、 DT、 AC、 GR、 NPHI、 RHOB、 RT和RXO八类； 并对岩心身份数据库中测井数据进行岩性标注， 区分风暴段与非风 暴段； S2、 训练具有监 督学习功能的风 暴岩测井识别网络模型， 具体步骤如下： S21、 数据预处 理： 对测井数据进行归一 化处理； S22、 建立BP神经网络模型， BP神经网络模型包含5层： 第一层为全连接层， 包含1000个 神经元， 激活函数为elu； 第二层为全连接层， 包含500个神经元， 激活函数为selu； 第三层为 全连接层， 包含250个神经元， 激活函数为tanh； 第四层为全连接层， 包含125个神经元， 激活 函数为softsign； 第五层为输出层， 利用softmax函数进行分类， 分类方法为 二分类； S23、 将测井数据输入BP神经网络模型进行训练， 输入信号为CALI、 DT、 AC、 GR、 NPHI、 RHOB、 RT和RXO八类测井数据， 输出信号包括风暴岩标签， 以及由矿物组成、 平均颗粒直径、 流体性质、 孔隙度、 渗透率组成的标签特征； 风暴岩标签为 1或0， 为1表示输入测井信号为风 暴岩测井数据， 为0则表示 不是风暴岩测井数据； S23、 采用K ‑NearestNeighbor算法建立损失函数刻画监 督机制； S3、 利用建立的风 暴岩测井识别网络模型对测井信号进行识别。 2.根据权利要求1所述的基于岩心重建的风暴岩测井识别方法， 其特征在于， 所述步骤 S21中， 归一 化处理后的数据表示 为： 其中， Li为测井数据上第i个 数据点的值， Lmax、 Lmin分别为测井 数据上数据点的最大值和 最小值。 3.根据权利要求1所述的基于岩心重建的风暴岩测井识别方法， 其特征在于， 所述步骤 S23具体实现方法为： 根据BP神经网络模型输出的风暴岩标签得到风暴岩和非风暴岩测 井 数据； 判断风暴岩测井数据样本中的每类测井数据是否满足类中任意两个样本的距离小于 类中任意 一个样本 到另一类中任意 一个样本的距离， 表示 为： Rp表示任一类测井 数据样本； d(X， Xi)表示同一类中两个样本X与Xi的距离， d(X， Xm)表示 样本X与另一个 类中样本Xm的距离； 若样本满足上述条件， 则计算风暴岩测井曲线与在BP神经网络模型和身份数据库中两 种不同的标签特征的距离， 若两类样本不满足条件； 则结束本轮网络训练， 调整神经元的权 重参数重新进行训练； 距离计算方法为： 将测井 数据记为Xi， i＝1， 2， …， n， n表示测井 数据数量； 每 条测井数据 Xi拥有p个特 征： p表示特征的数量； 得到测井数据Xi在BP神经网络模型和身份数据库中两种不同的标签特 征的距离为： 权　利　要　求　书 1/2 页 2 CN 114169457 A 2表示测井数据在身份数据库中的特 征； 若二者的距离小于预设的阈值， 则认为BP神经网络识别结果正确， BP神经网络的损失 函数加0， 否则认为BP神经网络识别结果 不正确， BP神经网络的损失函数加1； 所有测井数据识别完成后， 得到训练轮次 ‑损失值的损失函数； 并利用随机梯度 下降算 法寻找损失函数 的全局最小值， 基于训练数据迭代地更新神经网络权重， 优化器训练伦次 为1500， 每次的训练样本数据大小为3 00。权　利　要　求　书 2/2 页 3 CN 114169457 A 3