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;
S24、采用K‑NearestNeighbor算法建立损失函数刻画监督机制;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:
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300;
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。