[发明专利]声电成像测井图的识别方法及相关设备

说明书

本申请涉及测井技术领域，具体提供了一种声电成像测井图的识别方法及相关设备，该方法包括：获取声电成像测井图；由神经网络模型根据所述声电成像测井图进行地质特征识别，得到所述声电成像测井图对应的地质特征类型；所述神经网络模型是通过样本声电成像测井图和所述样本声电成像测井图对应的标注标签进行训练得到的，所述标注标签用于指示所对应样本声电成像测井图对应的地质特征类型；所述地质特征类型包括层理类型、裂缝类型和孔洞类型。通过本申请的方法实现了自动识别地质特征类型，提高了识别效率。

技术领域

本申请涉及测井技术领域，具体而言，涉及一种声电成像测井图的识别方法及相关设备。

背景技术

成像测井是根据钻孔中地球物理场的观测，对井壁和井周围物体进行物理参数成像的方法。井壁成像是成像测井中的重要一环，具体包括井壁声波成像和地层微电阻率扫描成像(Formation MicroScanner Image，FMI)。通过井壁声波成像或者地层微电阻率扫描成像所得到的图像可以统称为声电成像测井图。声电成像测井图可以提供丰富的井壁和井眼周围的信息，可以通过对声电成像测井图进行图像处理做定量和定性的分析，以解释不同地质特征的岩性、构造和层理，找到油气层，它对油气勘探有重要作用。

相关技术中，在对声电成像测井图进行分析之前，需要技术人员人工识别声电成像测井图对应的地质特征类型，该地址特征类型包括用于指示层理的层理类型、用于指示裂缝的裂缝类型和用于指示孔洞的孔洞类型。由于依赖于技术人员进行地质特征类型识别，存在工作量大和效率低的问题。

发明内容

本申请的实施例提供了一种声电成像测井图的识别方法及相关设备，以解决相关技术中因通过技术人员人工识别声电成像测井图对应的地质特征类型所存在工作量大和效率低的问题。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请实施例的一个方面，提供了一种声电成像测井图的识别方法，包括：获取声电成像测井图；由神经网络模型根据所述声电成像测井图进行地质特征识别，得到所述声电成像测井图对应的地质特征类型；所述神经网络模型是通过样本声电成像测井图和所述样本声电成像测井图对应的标注标签进行训练得到的，所述标注标签用于指示所对应样本声电成像测井图对应的地质特征类型；所述地质特征类型包括层理类型、裂缝类型和孔洞类型。

在本申请的一些实施例中，所述神经网络模型包括输入层、卷积神经网络、全连接神经网络和输出层；

所述由神经网络模型根据所述声电成像测井图进行地质特征识别，得到所述声电成像测井图对应的地质特征类型，包括：

将所述声电成像测井图输入所述输入层；

由所述卷积神经网络对所述输入层的输出进行卷积特征提取，得到所述声电成像测井图对应的卷积特征向量；

由所述全连接神经网络对所述卷积特征向量进行全连接，得到所述声电成像测井图对应的全连接特征向量；

由所述输出层根据所述全连接特征向量进行分类，输出所述声电成像测井图对应的地质特征标签，所述地质特征标签用于指示所述声电成像测井图对应的地质特征类型。

在本申请的一些实施例中，所述卷积神经网络包括一个或多个级联的第一神经网络层，所述第一神经网络层包括级联的卷积层、第一激活函数层和池化层；所述全连接神经网络包括一个或多个第二神经网络层，所述第二神经网络层包括级联的全连接层、第二激活函数层和Dropout层。

在本申请的一些实施例中，所述方法还包括：

获取训练样本集合，所述训练样本集合包括一个或多个样本声电成像测井图和所述样本声电成像测井图对应的标注标签，所述标注标签用于指示所述样本声电成像测井图实际对应的地质特征类型；