[发明专利]通过学习测井记录来估计岩相的方法和设备

说明书

本发明公开了一种通过学习测井记录来估计岩相的方法和设备。该方法包括：模型形成步骤，基于训练数据集来形成岩相估计模型，以在输入测井记录时输出与测量深度相对应的岩相，该训练数据集包括训练数据和标签数据，该训练数据具有测井记录中包括的多个因子的值，该值对应于测量深度进行布置，并且标签数据具有与测量深度相对应的岩相作为答案；以及岩相估计步骤，向岩相估计模型输入不可见数据，以估计与测量深度相对应的岩相，该不可见数据具有从待估计岩相的井获得的测井记录中包括的多个因子的值，该值对应于测量深度进行布置。

相关申请的交叉引用

本申请要求于2020年6月4日提交的、申请号为10-2020-0067931的韩国专利申请的优先权，出于所有目的将其全部内容通过此引用并入本文。

技术领域

本发明涉及一种通过学习测井记录来估计岩相的方法和设备。

背景技术

地下存在各种资源，诸如煤、石油、天然气和矿物。为了探索存在地下自然资源的可能性，在地层中执行钻井过程以直接检查地层。当进行钻井时，可以获得测井记录，这是在地层中的钻井过程期间获得的岩石特性的记录。

可对测井记录中包括的各种因子进行分析来估计地下岩相。常规上，已经使用少量岩石物理学家基于他们的经验判断分析测井记录并估计岩相的方法。领域专家的手动日志分析需要付出努力来分析大量不同的数据，高成本和时间。尽管如此，却不能保证较高的准确率，甚至可能会取决于谁进行分析而得出不同的结果。

[相关技术文件]

[专利文件]

(专利文件1)US 2020-0065620 A1

发明内容

本发明的目的在于提供一种使用已学习测井记录的人工智能模型来估计岩相的方法和设备。

根据本发明的一个方面，上述和其他目的可通过提供一种通过学习测井记录来估计岩相的方法来实现，该方法包括：

模型形成步骤，基于训练数据集来形成岩相估计模型，以在输入测井记录时输出与测量深度相对应的岩相，该训练数据集包括训练数据和标签数据，该训练数据具有测井记录中包括的多个因子的值，该值对应于测量深度进行布置，并且标签数据具有与测量深度相对应的岩相作为答案；以及

岩相估计步骤，向岩相估计模型输入不可见数据，以估计与测量深度相对应的岩相，该不可见数据具有从待估计岩相的井获得的测井记录中包括的多个因子的值，该值对应于测量深度进行布置。

模型形成步骤可包括：

训练数据集生成步骤，通过生成具有与目标测量深度、比目标测量深度浅的测量深度以及比目标测量深度深的测量深度相对应的测井记录中包括的多个因子的测量值的训练数据，并且生成具有目标测量深度处的岩相作为答案的标签数据，来生成训练数据集，其中测量值被布置在二维矩阵结构中；以及

模型训练步骤，训练具有卷积神经网络结构的岩相估计模型，该卷积神经网络结构被配置成使用训练数据集针对每种岩相来输出目标测量深度处的岩相在种类上(inkind)与训练数据集的标签数据中包括的岩相相对应的概率，并且判定具有最高概率的岩相作为估计岩相。

岩相估计步骤可包括：

不可见数据生成步骤，生成不可见数据，该不可见数据具有与目标测量深度、比目标测量深度浅的测量深度以及比目标测量深度深的测量深度相对应的测井记录中包括的多个因子的测量值，该测量值基于从待估计岩相的井获得的测井记录被布置在二维矩阵结构中；以及

模型使用步骤，针对每种岩相，输出目标测量深度处的岩相在种类上与训练数据集的标签数据中包括的岩相相对应的概率作为将不可见数据输入到岩相估计模型的结果，并且将具有最高概率的岩相判定为估计岩相。

模型形成步骤可包括：