1.基于BP神经网络的碳酸盐岩高频层序自动化识别方法,其特征在于,包括以下步骤:S1、建立高频层序识别划分标准数据库:通过在少量生产井的地层综合柱状图上利用岩性、测井曲线、钻井测试信息,建立高频旋回的人工划分方案;在人工划分的旋回基础上,利用One‑Hot编码的方案,将正旋回编码为(0,1),将反旋回编码为(1,0),将高频旋回编码结果与测井曲线一起建立高频层序识别划分标准数据库;
S2、编写并调试基于python的BP神经网络模型,具体步骤如下:S21、数据预处理:利用sklearn中preprocessing对测井数据进行归一化处理,其计算方法为:
Pi为归一化后的测井数据,Li为原始测井数据,Lmax和Lmin分别为测井数据的最大值和最小值;
S22、利用shuffle函数将测井数据打乱;
S23、建立神经网络模型,神经网络模型包含5个Dense全连接层:第一个Dense全连接层包含1000个神经元,激活函数为elu;第二个Dense全连接层包含500个神经元,激活函数为selu;第三个Dense全连接层包含250个神经元,激活函数为tanh;第四个Dense全连接层包含125个神经元,激活函数为softsign;第五个Dense全连接层包含2个神经元,激活函数为softmax;
神经网络模型的损失函数采用交叉熵损失函数,具体公式如下:其中,f(n)表示交叉熵,n表示所有类别的个数,本发明对应正反两种旋回;y是每种旋回内训练的数据点个数,a是预测的准确率;
S24、采用牛顿梯度下降法对神经元的权重进行动态调整。