深度学习在测井岩性识别中的应用
1.用于岩性识别的主要测井信息
自然电位测井仪
自然电位测井原理图
检流计
N
M
根据自然电位测井可识别渗透层
自然电位测井是测量井眼中移动的电极M与地表
固定参考电极N之间的电位差的测量方法。实际上是
测量钻井液中电流产生的电位升高或降低。以泥岩 地层为参照，渗透性地层井段的自然电位SP出现明 显的偏移。偏移幅度取决于钻井液与地层水矿化度 的差别和渗透性地层的粘土含量。 因此自然电位测井可用于探测渗透层。
5. 砂泥岩剖面：GR高则泥质含量高；反之亦然。
自然伽马测井层厚的影响
GR
Hale Waihona Puke 层 厚地质应用1. 岩性识别：这是它的主要用途。 盐、硬石膏、石膏、煤等：GR很低； 纯的碳酸盐岩（石灰岩、白云岩）：GR低； 砂泥岩：随着泥质含量的增加GR增大； 火成岩和生物碎屑：GR很高。 2. 估算泥质含量：
盐水钻井液条件下的储层井段自然电位测井响应
4. 光电效应截面指数测井
伽马射线与物质发生光电效应时，物质对伽马光 子吸收能力，用光电效应截面指数来描述：
Z Pe 10
3.6
其中，Z为地层中的平均原子量。
典型地层的PE值
地层 硬石膏 白云岩 石灰岩 PE 5.055 3.142 5.084
IGR
GR GR cl GR sh GR cl
，
Vsh 0.33 * (22 *I GR 1)
3. 地层对比：利用多口井的GR资料井下综合对比，以了解 某油田或某区块的地下地质面貌（层厚、岩性的纵向和横向 变化，进一步研究地下构造、岩相和断层等）。
数据处理成果图
2. 补偿密度测井
主 要 沉 积 岩 的 自 然 放 射 性
API伽马射线单位
如何根据测井资料识别地层岩性概要
含粉砂灰岩
灰质泥岩
粉砂质灰岩
含粉砂泥岩
含粉砂灰质泥岩
含灰粉砂质泥岩
藻纹层灰岩
0
3.3南翼山油田测井相分析
自动判别方法
蜘蛛网图法 人工方法
鲕粒图法
A.测井相自动分析方法
A1.自动分层并划分标准样本层测井相
对测井参数进行系统聚类分析（聚类树图）
综合考虑浅3-3 井岩性统计情 况，将测井相 划分为4大类。
60 2
q5-5 测井解释成果图
ቤተ መጻሕፍቲ ባይዱ浅侧向 补偿中子孔隙度 补偿密度 声波时差
10 2.75 115 0.2 0.2 0.2 0.2
孔隙度
20
59
深侧向 八侧向 微侧向
100
20 20 20
深度 (m)
灰质含量 砂岩
0 0
判别岩性
真实岩性
50 20
自然伽马 自然电位
130 120
新综合解释
100 0 0
对浅3-3井和浅5-5井两口取心关键 井的薄片资料岩性统计分析
浅3-3井岩性统计 0.25 0.2 0.15 0.1
0.2 0.6 0.5 0.4 0.3 浅5-5井岩性统计
0.05 0
0.1
灰质泥岩 含灰粉砂质泥岩 含粉砂泥质灰岩 灰质粉砂岩 藻纹层灰岩 粉砂质灰岩 粉砂质灰岩 泥质灰岩
灰质粉砂岩
主要特点： 将方差分析，主成分 分析，系统聚类分析 和Bayes逐步判别分 析等多元统计分析方 法有机的结合起来， 实现测井曲线自动分 层，自动划分标准样 本层测井相类型，自 动建立地区的判别模 式及自动连续逐层鉴 别井剖面上地层的岩 性。 测井相自动分析方法具体步骤： 测井曲线自动分层与特征参 数提取 划分标准样本层的测井相 建立测井相-岩性数据库 建立地区测井的判别模式 自动判别钻井剖面地层岩性
用于岩性识别的主要测井信息
电测井信息
电导率
不同岩层具有不同的电导率，电导率 测井可以用于判断地层的岩性和含水 情况。
电位差
电位差测井可以反映地层中离子的浓 度和分布情况，进而推断地层的岩性 和物性。
核测井信息
伽马射线
放射性元素在衰变过程中释放出伽马射线，通过测量伽马射线强度可以推断地层中放射性元素的分布情况，进而 判断地层的岩性和物性。
05
岩性识别实例分析
实例一：砂岩的识别
总结词
砂岩的测井响应特征明显，易于识别。
VS
详细描述
砂岩的电阻率较高，声波时差较大，密度 较低，中子孔隙度较高。在测井曲线上表 现为高电阻、低声波、低密度和中子孔隙 度高的特征。
实例二：灰岩的识别
总结词
灰岩的测井响应特征较为复杂，需要结合多种信息进行识别。
04
测井信息的处理与分析
测井数据的预处理
数据清理
去除异常值、缺失值和不合理数据，确保数据质 量。
归一化处理
将不同量纲或量级的测井数据进行标准化处理， 以便于后续分析。
插值与拟合
对缺失或异常数据进行插值或拟合，以恢复数据 完整性。
测井数据的解释分析
曲线形态分析
根据测井曲线形态判断岩性特征，如幅度、斜率、转 折点等。
06
结论与展望
结论总结
01
测井信息在岩性识别中具有重要作用，能够提供地层岩性、物 性、含油性等多方面信息。
02
不同测井方法在岩性识别中各有优缺点，综合应用多种测井方
法可以提高岩性识别的准确性和可靠性。
岩性识别技术不断发展，未来将更加注重智能化、高分辨率和
03
高精度方向的发展。
未来研究方向
进一步研究新型测井技术，提 高岩性识别的分辨率和精度， 以满足复杂地层和隐蔽油气藏
让人工智能学会用测井曲线识别地层岩性__陈玉林
（5）对训练过程进行降维及可视化，查缺补漏
通常我们认为神经网络训练过程较为复杂，像一个黑匣子一样，难以用语言和图像进行描述，近年来各 家人工智能学习框架都在试图将训练过程可视化，采用谷歌Tensorboard可视化工具，利用 t-SNE 高维数 据的可视化方法，对深度学习网络的优化和学习过程进行可视化，从下图可以看出，深度学习网络岩性分 类中准确度较高。其中泥岩和砂岩区分最好，只有部分泥质砂岩和粉砂质泥岩有少部分样本分类错误。
让人工智能学会用测井曲线识别地层岩性
中国石油集团测井有限公司 测井应用研究院 陈玉林 2019年11月8日
汇报提纲
一、引言 二、研究现状、思路及对策 三、应用效果分析 四、结论与认识
前言
岩性识别是储层测井评价的重要工作之一，精细 的岩性划分更是确定目标区空间展布的可靠依据。由 于沉积环境复杂及测井仪器测量信息的多样化，每条 测井曲线的响应值都隐含一定的地层岩性信息。如何 快速、高效挖掘这些高维非线性测量信号中的岩性信 息给测井解释人员带来的巨大挑战。
岩心照片
岩心归位
机器学习样本库
（2）对构建的人工智能架构及算法进行优化
Ø 激活函数的优化 Ø 梯度下降算法优化 Ø 损失函数及正则化方法优选
深度学习过程中，为了提高神经网络的学习能力，加入一些非线 性的激活函数，作用于神经网络，使得它能更好地解决比较复杂 的非线性问题。常用的激活函数有sigmoid函数、Tanh函数、Relu 函数等。通过对比三种激活函数的训练效果，发现用Sigmoid函数 时，深度学习网络的损失函数收敛速度快，学习效果好。Relu函 数和Tanh函数容易出现梯度消失和梯度爆炸的问题。 优化结果：选用sigmoid激活函数。
l 扩径井段测量信号的置信度？ l 岩性突变井段测量信号的置信度？ l 测井仪器对薄互层的分辨能力？ l 薄夹层的识别难题？ l 不同测井系列的分辨能力不同？ l 。。。。。。
深度学习在测井岩性识别中的应用
深度学习在测井岩性识别中的应用深度学习也被称为深度神经网络，是机器学习的最新研究结果，在2006年Geoffrey Hinton提出训练深度神经网络的方法以后，其在语音和图像处理的领域迅速发展，并取得了很好的成绩。
由于深度学习优良的特征提取性质，所以在这里把深度学习用在地球物理测井岩性的识别中，对四川西部川科1井的岩性进行识别。
标签：深度学习；测井；岩性识别；储层预测引言储层预测是寻找油气资源，评估油气储量基础的工作之一。
由于井下地质构造的复杂性和测井参数分布的模糊性，传统的岩性识别方法往往识别精度有限，很多时候对人的经验要求比较高。
前人应用神经网络在测井岩性识别上做了大量的研究，取得了很好的结果，但是前人的研究中主要是使用BP神经网络对岩性预测，卢新卫，金章东对胜利油田某测井岩性用BP神经网络进行识别[1]，以及范训礼等用BP网络对塔里木油田TZ4测井的岩性进行了自动识别[2]，侯俊胜、王颖利用BP网络对煤气层测井资料进行了定量解释识别[3]，识别准确率不是很高。
BP神经网络有一个致命的缺点就是容易陷入局部最小值，特别是随着神经网络层数的增加，其陷入局部最小值的可能性大大增加，相对而言深度学习就可以很好的克服这个缺点，取得很好的结果。
1 深度学习发展在Geoffrey Hinton 2006年提出深度学习[4]之后的短短数年里，深度学习就以其强大的对数据内部结构的表征能力赢得了国际学术界的广泛重视，各个互联网巨头如：百度，google，腾讯，纷纷成立深度学习的研究实验室，美国国防高级研究计划局也于2009年成立了深度学习项目组。
微软公司已经成功地将深度学习方法应用于自己的语音识别系统当中，它能够将单词错误率相较之前的最优方法降低约30%。
因此，深度学习被认为是继1997年的隐马尔科夫（Hidden Markov Model，HMM）模型之后，语音识别领域的又一次重大突破[5]。
2 深度学习理论简介到目前为止深度学习主要有三种方法：卷积神经网络，限制玻尔兹曼机，自动编码机，在这里我们主要使用的是受限玻尔兹曼机（RBM）。
基于深度学习的图像识别技术在地质勘探中的应用
基于深度学习的图像识别技术在地质勘探中的应用随着经济的发展和社会的进步，能源的需求越来越大，传统能源的供应逐渐不足，同时环境保护也成为了一个世界性的问题。
在这种背景下，新能源的开发和利用显得尤为重要。
而地质勘探就是在寻找新能源和储存传统能源方面起着重要作用的技术之一。
然而，地质勘探常常需要花费大量的时间和精力去寻找可行的矿产资源。
因此，如何快速高效地进行地质勘探，成为了地质勘探工作者面临的一个重要问题。
近年来，随着计算机科学的发展和人工智能的兴起，基于深度学习的图像识别技术被广泛应用于地质勘探领域。
这项技术能够通过对实时图像数据的处理和分析，实现对地质标志物的快速准确识别，帮助地质工作者更好地理解地质结构和掌握矿产资源的分布情况。
一、地质标志物图像的采集在利用深度学习进行图像识别之前，首先需要对地质标志物图像进行采集。
目前，主要的采集方式有三种：现场采集、地面飞行器采集、卫星遥感采集。
现场采集是指到地质勘探现场进行图像采集。
这种方式具有实时性强、精度高的特点，但是受到人力和时间的限制，采集范围较小。
地面飞行器采集是指利用无人机等设备进行图像采集。
这种方式具有机动性强，采集范围广的优点，但是受到天气和飞行高度等因素的限制。
卫星遥感采集是指利用卫星对地质勘探区域进行图像采集。
这种方式覆盖范围广，可以获取全局信息，但是受到空间分辨率和时间分辨率等因素的限制。
二、基于深度学习的图像识别技术基于深度学习的图像识别技术，是指通过训练神经网络，使其能够对图像进行分类、识别等任务。
具体而言，该技术包括卷积神经网络、循环神经网络和深度信念网络等几种算法。
在地质勘探中，卷积神经网络是最为常用的一种算法。
它利用卷积层和池化层等技术，可以在保持图像信息的情况下，大幅降低网络的参数数量和运算时间，使得模型训练和推理更加高效。
三、应用场景基于深度学习的图像识别技术在地质勘探中的应用场景，主要包括矿产资源探测、地震勘探、地质灾害预警等方面。
地质勘查中的深度学习应用研究
地质勘查中的深度学习应用研究地质勘查是一项旨在揭示地球内部结构、矿产资源分布以及地质环境特征的重要工作。
随着科技的不断进步，深度学习技术正逐渐在地质勘查领域发挥着越来越重要的作用。
深度学习是一种基于人工神经网络的机器学习方法，它能够自动从大量的数据中学习复杂的模式和特征。
在地质勘查中，数据的获取和分析至关重要。
通过各种地质勘探手段，如地球物理勘探、地球化学勘探和遥感技术等，可以收集到海量的地质数据。
这些数据包括地形地貌、岩石类型、地层结构、矿产分布等多方面的信息。
然而，传统的数据处理和分析方法往往难以充分挖掘这些数据中隐藏的有价值信息。
深度学习在地质勘查中的应用之一是矿产资源预测。
以往，地质学家依靠经验和传统的地质理论来判断矿产资源的可能分布区域。
但这种方法存在一定的主观性和不确定性。
深度学习模型可以对大量的已知矿点数据进行学习，从而发现潜在的矿产分布规律。
例如，利用卷积神经网络（CNN）对遥感图像进行分析，可以识别出与矿产相关的地质特征，如特定的岩石纹理和颜色。
同时，循环神经网络（RNN）可以处理时间序列数据，如地球物理勘探中的电磁信号，从而更好地预测地下的矿产分布。
在地质构造分析方面，深度学习也展现出了巨大的潜力。
地质构造的复杂性使得传统的方法在解析时面临诸多困难。
深度学习模型能够自动识别地质构造的形态和特征，例如断层、褶皱等。
通过对大量地质剖面图和三维地质模型的学习，深度学习算法可以快速准确地提取地质构造的信息，为地质构造的研究提供有力的支持。
在岩性识别中，深度学习同样发挥着重要作用。
不同的岩石类型具有不同的物理和化学性质，反映在地质数据上也会有相应的特征。
深度学习模型可以对这些特征进行学习和分类，从而实现对岩石类型的准确识别。
这对于地质填图、矿产勘查以及工程地质勘察等工作都具有重要意义。
然而，深度学习在地质勘查中的应用也并非一帆风顺。
首先，地质数据的质量和数量往往难以保证。
地质勘查数据可能存在噪声、缺失值等问题，这会影响深度学习模型的训练效果。
基于深度学习的分类识别技术在石油勘探中的应用
基于深度学习的分类识别技术在石油勘探中的应用深度学习已经在各个领域中得到了广泛的应用，它特别适用于图像识别领域。
随着石油勘探技术的快速发展，使用深度学习算法来解决分类问题成为了一种可行的方法。
在石油勘探过程中，深度学习可以帮助识别各种各样的岩石、泥沙等多种沉积岩，并可辅助工程师更快更准确地进行判断和决策。
在石油勘探领域中，识别沉积岩是非常重要的。
深度学习的分类识别技术可以帮助求出岩石的类型、组成及空间位置分布等信息，从而更好地了解油气储层的特征。
可以通过训练已有的岩石样本形成岩石识别模型，将该模型应用于新的数据中，解决人工判读独立误判等问题。
深度学习应用于石油勘探领域，除了能够更好地识别岩石外，还可以更具体地识别出各种沉积岩中的矿物、孔隙的类型和分布，甚至还可以实现对孔隙的三维建模。
对于这些硬岩，深度学习算法将是一个重要的工具，它能让我们更准确地理解和解释采集的数据。
再举个例子，能源公司可能需要对一定地区的土壤质地进行分析，以确定油气资源的分布及其产量。
传统的方法是先对土壤样本进行分类和描述，然后根据这些分类和描述对新的数据进行预测。
这个方法非常耗时且准确度不高。
如果使用深度学习算法能够实现更高的准确度，从而降低安全风险与业务风险，更好地进行资源配置和管理。
最后，该技术的应用不仅仅局限于石油勘探领域，它还可以用于其他领域中，如现代医学中的组织诊断和医学影像诊断，安防领域中的人脸识别等。
总之，基于深度学习的分类识别技术在石油勘探领域中的应用具有广泛的发展前景。
虽然仍有一些技术难题和挑战，但是随着技术的不断进步和不断的研究，它一定会得到更好的应用，为更好地服务社会、推动中国能源事业的发展，做出更大的贡献。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
深度学习在测井岩性识别中的应用
作者：李建国张卫东刘冠男
来源：《科技创新与应用》2015年第14期
摘要：深度学习也被称为深度神经网络，是机器学习的最新研究结果，在2006年Geoffrey Hinton提出训练深度神经网络的方法以后，其在语音和图像处理的领域迅速发展，并取得了很好的成绩。
由于深度学习优良的特征提取性质，所以在这里把深度学习用在地球物理测井岩性的识别中，对四川西部川科1井的岩性进行识别。
关键词：深度学习；测井；岩性识别；储层预测
引言
储层预测是寻找油气资源，评估油气储量基础的工作之一。
由于井下地质构造的复杂性和测井参数分布的模糊性，传统的岩性识别方法往往识别精度有限，很多时候对人的经验要求比较高。
前人应用神经网络在测井岩性识别上做了大量的研究，取得了很好的结果，但是前人的研究中主要是使用BP神经网络对岩性预测，卢新卫，金章东对胜利油田某测井岩性用BP神经网络进行识别[1]，以及范训礼等用BP网络对塔里木油田TZ4测井的岩性进行了自动识别[2]，侯俊胜、王颖利用BP网络对煤气层测井资料进行了定量解释识别[3]，识别准确率不是很高。
BP神经网络有一个致命的缺点就是容易陷入局部最小值，特别是随着神经网络层数的增加，其陷入局部最小值的可能性大大增加，相对而言深度学习就可以很好的克服这个缺点，取得很好的结果。
1 深度学习发展
在Geoffrey Hinton 2006年提出深度学习[4]之后的短短数年里，深度学习就以其强大的对数据内部结构的表征能力赢得了国际学术界的广泛重视，各个互联网巨头如：百度，google，腾讯，纷纷成立深度学习的研究实验室，美国国防高级研究计划局也于2009年成立了深度学习项目组。
微软公司已经成功地将深度学习方法应用于自己的语音识别系统当中，它能够将单词错误率相较之前的最优方法降低约30%。
因此，深度学习被认为是继1997年的隐马尔科夫（Hidden Markov Model， HMM）模型之后，语音识别领域的又一次重大突破[5]。
2 深度学习理论简介
到目前为止深度学习主要有三种方法：卷积神经网络，限制玻尔兹曼机，自动编码机，在这里我们主要使用的是受限玻尔兹曼机（RBM）。
RBM是第一个由统计力学推导出来的多层学习机，机器的命名认可了神经网络的自身动力学行为和RBM原始关于统计热力学工作形式上的等价性。
基本上说，RBM可以对给定数据集的固有概率的分布进行建模，这样在诸如模式完备和模式分类的任务中所使用的条件分布就
可以推导出来了。
在对比散度出现以前我们一般用MCMC求解，但是那样的话其学习过程是慢得难以忍受，所以在这以前其根本没有任何实用价值，直到Hinton发明对比散度以后其才得以飞速发展，特别是在语音和图像上取得了很大的成功。
3 能量模型作用
在RBM中使用了能量模型，其原因有几个：
（1）RBM网络是一种无监督学习的方法，无监督学习的目的是最大可能的拟合输入数据，所以学习RBM网络的目的是让RBM网络最大可能地拟合输入数据。
（2）在马尔科夫随机场（MRF）中能量模型主要扮演着两个作用：全局解的度量（目标函数），和能量最小时的解（各种变量对应的配置）为目标解。
换句话说，使用能量模型使得学习一个数据的分布变得容易可行了。
能否把最优解嵌入到能量函数中至关重要，决定着我们具体问题求解的好坏。
统计模式识别主要工作之一就是捕获变量之间的相关性，同样能量模型也要捕获变量之间的相关性，变量之间的相关程度决定了能量的高低。
把变量的相关关系用图表示出来，并引入概率测度方式就构成了概率图模型的能量模型。
RBM作为一种概率图模型，引入了概率就可以使用采样技术求解，在对比散度算法中采样部分扮演着模拟求解梯度的角色。
能量模型需要一个定义能量函数，RBM的能量函数的定义如下：
这个能量函数的意思就是，每个可视节点和隐藏节点之间的连接结构都有一个能量，通俗来说就是可视节点的每一组取值和隐藏节点的每一组取值都有一个能量。
4 公式推导
在这里我们的能量函数不是以前的二项分布的能量函数了，而是具有高斯分布的能量函数了，如下所示：
写成向量的形式如下：
因为在这里我们的V是高斯分布，其是连续分布的不是二项分布的，所以
经过很多步化简可以得到以下结果
由以上公式可以推导出：
所以可视节点是由u=bi+？撞jwi，jhj？滓i为均值，？滓i为方差的高斯分布。
5 研究结果
本次研究以川西地区川科1井来验证岩性的识别结果，川科1井是开拓四川盆地海相勘探新领域具有重要战略意义的科学探索井。
选择了声波测井（AC），井径1（CAL1），井径2（CAL2），密度（DEN），自然伽玛（GR），5条测井曲线作为研究对象，选取有岩芯资料的样本45个，作为深度学习的输入样本，在这45个样。
文章中我们以30个作为训练的样本，15个作为测试的样本在这个神经网络中通过不同的参数对深度学习的影响，选择最优的参数，最后得出结果，当层数为5层时，每层的节点个数为10个时所得到的结果最好。
个别样本测试结果的误差较大，其余的与期望输出值完全一致，岩性识别正确率高达90%以上。
6 结束语
在通过大量的测试发现深度学习可以得到很好的结果，相对于的传统BP网络其克服了收敛慢和发散的问题，也体现了其特征提取的优越性。
但是由于深度学习神经网络参数初始化的随机性，有时候相同的测试参数可能得到不同的测试结果，所以深度学习训练有一定的困难性。
研究表明采用深度学习来进行测井岩性识别，方法简单易操作，且识别准确率相当高。
这为测井资料地质解释提供了一个全新的方法，对于探寻和鉴别含油气地层的精确性，在油气资源开发领域非常具有实用意义。
参考文献
[1]卢新卫，金章东.前馈神经网络的岩性识别方法[J].石油与天然气地质，1999，3.
[2]范训礼，戴航，张新家，等.神经网络在岩性识别中的应用[J].测井技术，1999，1.
[3]侯俊胜，王颖.神经网络方法在煤气层测井资料解释中的应用[J].地质与勘探，1999，5.
[4]Hinton，G.E.Osindero，S.and Teh，Y.A fast learning algorithm for deep belief
nets[J].Neural Computation，2006，18：1527-1554.
[5]曾黄麟，虞厥邦，曾谦.基于主成分分析的特征简化[J].四川轻化工学院学报，1999，12（1）.
作者简介：李建国（1987-），男，成都理工大学地球物理学院在读硕士研究生，地球探测与信息技术，主要研究方向为深度学习在地球物理方面的应用。