基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的隨鉆地層傾角解釋方法

孫歧峰，李娜，段友祥，李洪強(qiáng)，唐海全

（1.中國(guó)石油大學(xué)（華東）計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山東青島 266580；2.中國(guó)石化勝利石油工程有限公司鉆井工藝研究院，山東東營(yíng) 257000；3.中國(guó)石化勝利石油工程有限公司測(cè)控技術(shù)研究院，山東東營(yíng) 257000）

0 引言

隨鉆測(cè)井與地層評(píng)價(jià)技術(shù)通過(guò)實(shí)時(shí)獲取鉆頭附近的軌跡參數(shù)、地質(zhì)參數(shù)和工程參數(shù)來(lái)實(shí)時(shí)評(píng)價(jià)所鉆遇地層的情況，進(jìn)而精確控制鉆具運(yùn)動(dòng)軌跡以命中最佳地質(zhì)目標(biāo)[1]，是高精度地質(zhì)導(dǎo)向鉆井的關(guān)鍵支撐技術(shù)。隨鉆測(cè)井技術(shù)在分辨地層變化及確定巖性[2-5]、評(píng)價(jià)泥砂/砂泥巖含量[6]、預(yù)測(cè)高壓地層[7-8]等方面有明顯效果，能夠提高鉆井工程的效益[9]。由于實(shí)時(shí)數(shù)據(jù)傳輸?shù)男畔⒎浅Ｓ邢耷医忉岆y度大[10]，將人工智能與隨鉆測(cè)井解釋相結(jié)合[11-13]以提高實(shí)時(shí)數(shù)據(jù)處理的準(zhǔn)確性和效率有重要的意義。

針對(duì)隨鉆伽馬測(cè)井解釋過(guò)程中面臨的問(wèn)題，結(jié)合長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）及小波變換等[14-16]，本文提出一種實(shí)時(shí)地層傾角解釋方法：首先提取井的層位特征并計(jì)算動(dòng)態(tài)閾值，初步判定地層邊界位置，然后訓(xùn)練分類(lèi)器模型，篩選真實(shí)的地層邊界，最后計(jì)算地層相對(duì)傾角及方位角。對(duì)方法進(jìn)行詳細(xì)闡述并開(kāi)展現(xiàn)場(chǎng)應(yīng)用。

1 隨鉆方位伽馬數(shù)據(jù)解釋流程

對(duì)隨鉆儀器實(shí)時(shí)傳輸上來(lái)的鉆井液脈沖信號(hào)進(jìn)行解碼得到井下各種傳感器的測(cè)量數(shù)據(jù)，進(jìn)行坐標(biāo)轉(zhuǎn)換、時(shí)深轉(zhuǎn)換及校正，然后對(duì)數(shù)據(jù)進(jìn)行插值得到方位伽馬的成像結(jié)果。在此基礎(chǔ)上，進(jìn)行隨鉆方位伽馬數(shù)據(jù)的解釋，流程如下。

①地層邊界初步劃分。首先，采用Lowess（局部加權(quán)回歸散點(diǎn)平滑法）濾波方法對(duì)方位伽馬曲線進(jìn)行過(guò)濾，消除與地層變化無(wú)關(guān)的隨機(jī)噪聲[17]引起的測(cè)井曲線中細(xì)微尖銳的變化，保留地層變化時(shí)的趨勢(shì)性特征。然后，基于小波變換模極大值計(jì)算測(cè)井曲線上的極大值點(diǎn)，用Lipschitz指數(shù)（Lip）表征測(cè)井曲線上極大值點(diǎn)的奇異性以驗(yàn)證各極大值點(diǎn)的真?zhèn)危瑢?shí)現(xiàn)測(cè)井曲線層位特征的初步提取。

②動(dòng)態(tài)閾值計(jì)算。根據(jù)伽馬圖像上不同層序的特征與范圍，以熵和類(lèi)間差為衡量標(biāo)準(zhǔn)計(jì)算所有層序的局部閾值。

③地層識(shí)別。依據(jù)各層序的局部閾值，計(jì)算各層序的輪廓點(diǎn)集合。將輪廓點(diǎn)集合作為輸入數(shù)據(jù)，通過(guò)LSTM分類(lèi)模型篩選真假地層邊界輪廓。

④傾角計(jì)算。用非線性最小二乘法將各輪廓點(diǎn)集合擬合到正弦曲線，得到正弦曲線的振幅、初相位、角速度等關(guān)鍵信息。由傾角計(jì)算公式計(jì)算得到地層的相對(duì)傾角，根據(jù)井斜參數(shù)得到地層真傾角及方位角。

2 關(guān)鍵技術(shù)

2.1 基于小波變換的層位特征提取與動(dòng)態(tài)閾值計(jì)算

小波變換作為一種處理信號(hào)的重要手段，在層序劃分[15]、圖像增強(qiáng)[18]等方面有廣泛的應(yīng)用。在信號(hào)奇異值計(jì)算中，通常使用卷積運(yùn)算的連續(xù)小波變換。

2.1.1 基于小波變換的奇異檢測(cè)原理

設(shè)曲線函數(shù)為 f（t），Wf（s,t）為 f（t）在對(duì)應(yīng)母波函數(shù) ψs（t）上的分解。s為尺度因子，在實(shí)際應(yīng)用中，通常取值為 s=2j（j∈Z）[19]，且尺度的選擇必須與具體信號(hào)結(jié)合，通常選定j=4或j=5[20]，Wf（s,t）即為f（t）的卷積型二進(jìn)制小波變換。

假設(shè) t0是曲線函數(shù) f（t）在尺度 s0下的局部極值點(diǎn)，則有：

如果t0某一鄰域內(nèi)的任意點(diǎn)t都滿足如（2）式所示的條件，則稱 t0為小波變換的模極大值點(diǎn)，稱Wf（s0,t0）為小波變換的模極大值。

基于小波變換模極大值計(jì)算曲線函數(shù)f（t）的奇異值，通過(guò)Lip指數(shù)表征f（t）在某點(diǎn)上的奇異性。若曲線函數(shù)f（t）在某點(diǎn)處連續(xù)可微，導(dǎo)數(shù)有界且不連續(xù)，則該點(diǎn)的Lip指數(shù)為1，該點(diǎn)無(wú)奇異性；若f（t）在該點(diǎn)處不連續(xù)但有界，則該點(diǎn)的Lip指數(shù)為0，該點(diǎn)有奇異性。f（t）在某點(diǎn)處的尖銳程度隨Lip指數(shù)的減小而增大，通過(guò)計(jì)算Lip指數(shù)可以得知f（t）上某點(diǎn)的奇異程度，輔助校驗(yàn)曲線極大值點(diǎn)的突變特性。

2.1.2 層位特征提取與閾值計(jì)算

基于小波變換的層位特征提取與動(dòng)態(tài)閾值計(jì)算方法流程為：首先對(duì)隨鉆伽馬測(cè)井曲線進(jìn)行濾波處理，然后依據(jù)小波變換模極大值及 Lip指數(shù)對(duì)伽馬曲線進(jìn)行層序劃分，最后根據(jù)動(dòng)態(tài)劃分結(jié)果計(jì)算局部閾值。

2.1.2.1 測(cè)井曲線噪聲影響及濾波處理

對(duì)伽馬曲線的平滑要突出不同層巖性的強(qiáng)烈變化，削弱同層內(nèi)巖性的細(xì)微變化，避免產(chǎn)生由伽馬測(cè)井儀器的放射性測(cè)量統(tǒng)計(jì)漲落、數(shù)據(jù)傳輸時(shí)的外界干擾、同層巖性伽馬波動(dòng)等因素[17]導(dǎo)致的曲線小直徑波峰現(xiàn)象，使供層位提取使用的測(cè)井曲線突變位置更加清晰。

首先采用Lowess濾波方法對(duì)方位伽馬曲線進(jìn)行過(guò)濾，其基本思路參見(jiàn)文獻(xiàn)[21]。以隨鉆伽馬平均曲線為例，各濾波方法對(duì)測(cè)井曲線平滑處理的結(jié)果如圖 1所示。圖 1表明，與直線型形態(tài)學(xué)濾波、半圓型形態(tài)學(xué)濾波相比，Lowess濾波不會(huì)丟失重要的曲線突變特征；與Savitzky-Golay濾波相比，Lowess濾波保留的重要突變特征的位置更吻合原曲線形態(tài)。

圖1 濾波效果對(duì)比

2.1.2.2 測(cè)井曲線層序劃分

基于Lowess濾波后的平均伽馬曲線，采用小波變換模極大值計(jì)算平均伽馬曲線的奇異點(diǎn)，使用Lip指數(shù)檢測(cè)曲線上點(diǎn)的奇異性。平均伽馬曲線上的突變點(diǎn)易被檢測(cè)為奇異點(diǎn)，而突變的位置往往代表可能存在的地層變化，如圖 2所示。因此，可以基于小波變換模極大值定位地層可能存在變化的深度，作為計(jì)算局部閾值和地層邊界輪廓點(diǎn)的依據(jù)。

圖2 曲線與地層變化關(guān)系示意圖

結(jié)合測(cè)井圖像特點(diǎn)及地層分布的規(guī)律，對(duì)于分層點(diǎn) a0，若在[a0-C，a0+C]內(nèi)無(wú)其他分層點(diǎn)，則 a0的局部閾值計(jì)算范圍為[a0-C，a0+C]；若在[a0-C，a0]內(nèi)有其他分層點(diǎn)（設(shè)距離最近的分層點(diǎn)為a1），在[a0，a0+C]內(nèi)無(wú)其他分層點(diǎn)，則 a0的局部閾值計(jì)算范圍為[(a0-a1)ρ，a0+C]；若在[a0-C，a0]內(nèi)無(wú)其他分層點(diǎn)，在[a0，a0+C]內(nèi)有其他分層點(diǎn)（設(shè)距離最近的分層點(diǎn)為a2），則 a0的局部閾值計(jì)算范圍為[a0-C，(a2-a0)ρ]；若在[a0-C，a0]和[a0，a0+C]內(nèi)均有其他分層點(diǎn)（設(shè)兩個(gè)區(qū)間內(nèi)距離最近的分層點(diǎn)分別為 a1和 a2），則 a0的局部閾值計(jì)算范圍為[(a0-a1)ρ，(a2-a0)ρ]。其中，C=δ(D+2H)/λ，為常量，決定分層點(diǎn)a0在查找上下有無(wú)其他分層點(diǎn)時(shí)的最大范圍。δ和ρ分別為與上下無(wú)分層點(diǎn)、上下有分層點(diǎn)時(shí)的劃分范圍相關(guān)的參數(shù)，根據(jù)相對(duì)傾角在伽馬成像圖中展開(kāi)的正弦曲線振幅規(guī)律，本文設(shè)δ和ρ的值分別為20和0.85。H為伽馬圖像的成像深度，依據(jù)文獻(xiàn)[22]研究成果計(jì)算后作為常數(shù)值處理，本文設(shè)為0.035 m。

根據(jù)分層點(diǎn)及其局部閾值計(jì)算范圍，將伽馬成像數(shù)據(jù)劃分為不同的層序，然后計(jì)算每一層序的局部閾值。

2.1.2.3 局部閾值計(jì)算

本文使用熵和類(lèi)間差作為指標(biāo)衡量閾值[13]，該指標(biāo)綜合考慮了類(lèi)內(nèi)聚和類(lèi)間離散的特征，局部閾值的計(jì)算方法不再贅述。

2.2 基于LSTM的地層識(shí)別模型

通過(guò)層位特征提取計(jì)算的層序受曲線形態(tài)、濾波或算法效果等因素的影響勢(shì)必會(huì)導(dǎo)致提取到非真實(shí)地層，因此需要再對(duì)各層序進(jìn)行篩選。LSTM模型的記憶門(mén)結(jié)構(gòu)使得該模型較適合解決具有序列特征的問(wèn)題[23]，在多種場(chǎng)景下有廣泛的應(yīng)用[24-25]，而地層的輪廓數(shù)據(jù)具有序列的特征，因此采用LSTM模型設(shè)計(jì)地層識(shí)別分類(lèi)器。

2.2.1 地層識(shí)別分類(lèi)器設(shè)計(jì)

井筒與地層邊界相交，反映在隨鉆伽馬成像圖上為一條具有正弦特征的曲線，對(duì)輪廓點(diǎn)集合的篩選可以抽象為L(zhǎng)STM網(wǎng)絡(luò)的正弦特征二分類(lèi)問(wèn)題。根據(jù)計(jì)算的輪廓點(diǎn)集合有限點(diǎn)的特征及LSTM設(shè)計(jì)原則，構(gòu)建地層識(shí)別分類(lèi)器模型，如圖3所示。

圖3 基于LSTM的地層識(shí)別分類(lèi)器模型

訓(xùn)練集由兩部分組成：第 1部分為人工測(cè)井解釋并標(biāo)注的樣本數(shù)據(jù)；第 2部分為計(jì)算機(jī)根據(jù)地層邊界特征生成的樣本數(shù)據(jù)。規(guī)定正樣本是具有正弦特征的邊界點(diǎn)集合，負(fù)樣本是不具有正弦特征的點(diǎn)集合。訓(xùn)練集總共包含300組正樣本和300組負(fù)樣本，每組的數(shù)據(jù)點(diǎn)數(shù)量為 N（N∈[50，100]），N的范圍與伽馬成像預(yù)處理時(shí)的方位伽馬插值數(shù)量相關(guān)。從后續(xù)的分類(lèi)結(jié)果可見(jiàn)，樣本數(shù)量設(shè)置為600組即可達(dá)到預(yù)期精度。設(shè)計(jì)正樣本訓(xùn)練數(shù)據(jù)時(shí)，應(yīng)結(jié)合正弦曲線表達(dá)式及地層邊緣的特征，在此基礎(chǔ)上產(chǎn)生的訓(xùn)練數(shù)據(jù)集示例如圖4所示。模型最終輸出結(jié)果為1，0標(biāo)簽，分別表示數(shù)據(jù)點(diǎn)集合正弦特征的有、無(wú)。

圖4 建模產(chǎn)生的訓(xùn)練數(shù)據(jù)集示例

LSTM 模型隱藏層神經(jīng)元的選擇對(duì)訓(xùn)練結(jié)果有較大的影響，通常依據(jù)經(jīng)驗(yàn)公式確定神經(jīng)元個(gè)數(shù)[26]：

采用交叉熵函數(shù)作為損失函數(shù)計(jì)算分類(lèi)器結(jié)果與樣本標(biāo)簽的誤差，通過(guò)誤差反向傳播進(jìn)行訓(xùn)練，在交叉熵平穩(wěn)變化后，用 Adam梯度優(yōu)化算法繼續(xù)調(diào)整，與其他梯度優(yōu)化器相比，Adam優(yōu)化器在LSTM模型的實(shí)際訓(xùn)練中效果更優(yōu)[27]。

2.2.2 模型驗(yàn)證與分析

結(jié)合（3）式設(shè)定LSTM模型中不同的隱藏層神經(jīng)元節(jié)點(diǎn)數(shù)，對(duì)比不同神經(jīng)元節(jié)點(diǎn)數(shù)的交叉熵值，選取最小誤差的節(jié)點(diǎn)數(shù)作為地層分類(lèi)器的參數(shù)。本文不同神經(jīng)元節(jié)點(diǎn)數(shù)的交叉熵值如圖5所示。

圖5 不同神經(jīng)元節(jié)點(diǎn)數(shù)的交叉熵

由圖5可見(jiàn)，節(jié)點(diǎn)數(shù)在12附近時(shí)訓(xùn)練效果最優(yōu)，在4，6，8處效果較差。因此，本文選用12作為隱藏層的神經(jīng)元節(jié)點(diǎn)數(shù)，在該節(jié)點(diǎn)數(shù)下的地層識(shí)別分類(lèi)器模型訓(xùn)練結(jié)果如圖6所示。該模型訓(xùn)練在epoch=80附近收斂，epoch=120附近時(shí)平均損失值下降至1.2×10-4左右，模型測(cè)試集的平均損失值約為2.3×10-4，說(shuō)明該模型能夠正確地對(duì)有正弦特征的輪廓點(diǎn)數(shù)據(jù)和無(wú)正弦特征的輪廓點(diǎn)數(shù)據(jù)進(jìn)行分類(lèi)。

圖6 模型收斂曲線

在實(shí)際地層識(shí)別中，需要先計(jì)算各層序的局部閾值，得到各層序內(nèi)的輪廓點(diǎn)集合：假設(shè)某層序的閾值為th1，遍歷該層序中的所有數(shù)據(jù)點(diǎn)，若f(xi,yi)=th1，則標(biāo)記(xi,yi)為輪廓點(diǎn)；若 f(xi,yi)-th1與 f(xi+1,yi)-th1結(jié)果符號(hào)相反，則其中結(jié)果較小的數(shù)據(jù)點(diǎn)也將標(biāo)記為輪廓點(diǎn)。依此類(lèi)推，計(jì)算所有層序的輪廓點(diǎn)集合并保存至邊界集合，邊界集合即由各輪廓點(diǎn)集合組成。運(yùn)用地層識(shí)別分類(lèi)器模型對(duì)邊界集合中的各輪廓點(diǎn)集合進(jìn)行正弦性檢查，去除無(wú)正弦特征的輪廓點(diǎn)集合，使邊界集合能反映真實(shí)的地層邊界。

通過(guò)上述方法對(duì)某深度上的18組輪廓點(diǎn)數(shù)據(jù)進(jìn)行篩選，結(jié)果如表1所示。結(jié)果表明，訓(xùn)練的基于LSTM的地層識(shí)別分類(lèi)器具備篩選真、假地層的能力。

表1 輪廓點(diǎn)集合識(shí)別結(jié)果

2.3 傾角計(jì)算

通過(guò)擬合邊界集合中經(jīng)過(guò)正弦性檢查后的所有輪廓點(diǎn)集合，可獲得地層邊界輪廓對(duì)應(yīng)的正弦信息。擬合方法為：結(jié)合非線性最小二乘法，通過(guò)重復(fù)迭代尋找函數(shù)的局部最小值，從而使目標(biāo)函數(shù)取得最優(yōu)解。根據(jù)擬合后得到的正弦信息（見(jiàn)（4）式）及文獻(xiàn)[17]中的方法計(jì)算地層相對(duì)傾角和方位角，公式分別如（5）式、（6）式所示，具體推導(dǎo)過(guò)程不再贅述。

3 方法驗(yàn)證與應(yīng)用

為驗(yàn)證本文方法的準(zhǔn)確性和可行性，從方位伽馬數(shù)據(jù)解釋和隨鉆實(shí)時(shí)數(shù)據(jù)處理兩方面進(jìn)行應(yīng)用及分析。

3.1 方位伽馬數(shù)據(jù)解釋

計(jì)算解釋的數(shù)據(jù)選用中國(guó)某油田X井井場(chǎng)8道方位伽馬數(shù)據(jù)（2 100～2 380 m井段），該井方位伽馬數(shù)據(jù)前期處理完善、伽馬成像結(jié)果清晰。通過(guò)對(duì)真實(shí)的井?dāng)?shù)據(jù)進(jìn)行相關(guān)地層解釋，驗(yàn)證本文方法的準(zhǔn)確性，包括算法的地層識(shí)別和傾角解釋能力。

本文方法的分層結(jié)果、擬合結(jié)果、傾角識(shí)別結(jié)果及與全局閾值法[13]的對(duì)比如圖 7所示。可以看出，本文方法有較好的分層及輪廓擬合效果，可以準(zhǔn)確地描述地層的變化、刻畫(huà)地層邊界輪廓曲線；與全局閾值法相比，本文方法能解釋出更多的地層傾角。局部井段的地層傾角本文方法解釋結(jié)果與人工解釋結(jié)果對(duì)比如表 2所示，可見(jiàn)本文方法解釋結(jié)果與人工解釋結(jié)果相當(dāng)。全部井段長(zhǎng)度為280 m，測(cè)點(diǎn)22 400個(gè)，人工解釋層數(shù)為50，本文方法解釋層數(shù)為46，本文方法在較長(zhǎng)井段、較多測(cè)點(diǎn)數(shù)的情況下，層數(shù)識(shí)別率為92%，傾角解釋準(zhǔn)確度達(dá)到96.6%，證明本文方法準(zhǔn)確性較好。

表2 采用本文方法及人工方法對(duì)真實(shí)方位伽馬數(shù)據(jù)進(jìn)行解釋后得到的地層傾角解釋結(jié)果對(duì)比

圖7 本文算法與全局閾值法計(jì)算結(jié)果對(duì)比

3.2 隨鉆實(shí)時(shí)數(shù)據(jù)處理

Y井是中國(guó)東部油田某采油廠完善采油井網(wǎng)中的一口井，是為挖潛小層高部位剩余油、進(jìn)一步提高儲(chǔ)量動(dòng)用程度、改善開(kāi)發(fā)效果而鉆探的一口開(kāi)發(fā)水平井。地質(zhì)導(dǎo)向服務(wù)采用了中國(guó)自主研制的近鉆頭地質(zhì)導(dǎo)向系統(tǒng)+隨鉆方位伽馬+一體化隨鉆測(cè)量解釋系統(tǒng)組成的新型地質(zhì)導(dǎo)向系統(tǒng)。地質(zhì)導(dǎo)向技術(shù)服務(wù)井段從A靶前開(kāi)始，從井深2 184 m鉆進(jìn)到井深3 075 m完鉆，累計(jì)進(jìn)尺891 m，井下工作82 h。系統(tǒng)不僅實(shí)現(xiàn)常規(guī)MWD（隨鉆測(cè)量）井斜、方位、工具面、溫度等軌跡姿態(tài)測(cè)量參數(shù)上傳，同時(shí)上傳的近鉆頭井斜、兩道伽馬（上、下）測(cè)量曲線也為實(shí)時(shí)地質(zhì)導(dǎo)向提供了及時(shí)準(zhǔn)確的決策依據(jù)。

使用該井?dāng)?shù)據(jù)驗(yàn)證本文方法在實(shí)時(shí)鉆井生產(chǎn)中插值成像、地層邊界解釋效果。在該場(chǎng)景下本文方法的處理結(jié)果如圖 8所示?？梢钥闯?，本文方法基于數(shù)據(jù)插值的方法得到了實(shí)時(shí)伽馬數(shù)據(jù)的清晰成像；基于地層劃分及局部閾值計(jì)算的方法得到了符合實(shí)際情形的地層劃分；基于LSTM分類(lèi)器模型得到了準(zhǔn)確的地層邊界，特別是圖8中井深2 440～2 450 m位置，本文方法通過(guò)分類(lèi)器模型篩查出了多條無(wú)正弦特征的輪廓點(diǎn)集合，并結(jié)合快速正弦擬合的方法，將輪廓點(diǎn)擬合到了正確的位置。由表 3可見(jiàn)，本文方法在真實(shí)井實(shí)時(shí)數(shù)據(jù)中仍能夠保持可接受的誤差，與人工解釋的結(jié)果大致相同，該段耗時(shí)約為0.27 s，比人工解釋效率高。通過(guò)對(duì)圖8與表3所示結(jié)果的分析，證明了本文方法在實(shí)際生產(chǎn)中的效果。

表3 采用本文方法及人工方法對(duì)隨鉆實(shí)時(shí)數(shù)據(jù)進(jìn)行解釋后得到的地層傾角解釋結(jié)果對(duì)比

圖8 井場(chǎng)隨鉆實(shí)時(shí)數(shù)據(jù)的解釋結(jié)果

以上計(jì)算結(jié)果與分析表明，本文方法在自動(dòng)地層識(shí)別方面有較高的準(zhǔn)確率且計(jì)算速度較快，具備處理實(shí)時(shí)隨鉆測(cè)井?dāng)?shù)據(jù)的能力。實(shí)際應(yīng)用中，利用近鉆頭井斜測(cè)量確保軌跡準(zhǔn)確入靶并在靶體中延伸，借助近鉆頭上下方位伽馬及電阻率測(cè)量數(shù)據(jù)進(jìn)行處理分析，保證了目的層鉆遇率。

4 結(jié)論

相較于全局閾值法和固定閾值法，基于小波變換的動(dòng)態(tài)閾值法使地層界面解釋的準(zhǔn)確率顯著提升，且在地層巖性變化穩(wěn)定時(shí)減少了無(wú)用計(jì)算，并適用于地質(zhì)構(gòu)造變化較快的情況。

運(yùn)用LSTM設(shè)計(jì)了基于隨鉆伽馬數(shù)據(jù)特征的地層邊界分類(lèi)器模型，建立了地層邊界特征數(shù)據(jù)集，在訓(xùn)練過(guò)程中調(diào)整神經(jīng)元節(jié)點(diǎn)數(shù)及學(xué)習(xí)率等參數(shù)避免導(dǎo)致欠/過(guò)擬合的問(wèn)題。分析對(duì)比發(fā)現(xiàn)，該分類(lèi)器模型能準(zhǔn)確識(shí)別出具有正弦特征的輪廓，從而篩選出真實(shí)的地層邊界。

以人工智能為基礎(chǔ)的隨鉆測(cè)井解釋方法能夠?yàn)殂@井工程技術(shù)人員的決策提供輔助，為實(shí)時(shí)地質(zhì)導(dǎo)向應(yīng)用提供技術(shù)支持。

符號(hào)注釋：

a0，a1，a2——分層點(diǎn)，即層位提取步驟中的小波變換模極大值點(diǎn)位置；A——振幅；D——鉆孔直徑，m；f(·)——曲線函數(shù)；H——伽馬圖像的成像深度，m；i——曲線上點(diǎn)的序號(hào)；j——與尺度因子相關(guān)的系數(shù)；K——常數(shù)，K∈[0,10]；m，n——輸入層和輸出層的節(jié)點(diǎn)數(shù)；M——神經(jīng)元個(gè)數(shù)；N——每組樣本中數(shù)據(jù)點(diǎn)數(shù)量；s——尺度因子；th1——某層序的局部閾值；t——曲線 f(t)上的某點(diǎn)；t0——曲線函數(shù) f(t)在尺度 s0下的局部極值點(diǎn)；Wf(s,t)——f(t)在對(duì)應(yīng)母波函數(shù)ψs(t)上的分解；x——直角坐標(biāo)系x軸坐標(biāo)，m；xi，yi——曲線上某點(diǎn)的坐標(biāo)，m；y0——偏距，m；Z——整數(shù)集；α，β——地層相對(duì)傾角和方位角，（°）；δ——與上下無(wú)分層點(diǎn)時(shí)的劃分范圍相關(guān)的參數(shù)；λ——測(cè)井儀器測(cè)點(diǎn)的間距，m；ρ——與上下有分層點(diǎn)時(shí)的劃分范圍相關(guān)的參數(shù)；φ——初相；ψs(t)——母波函數(shù)；ω——角速度。