基于一維卷積神經(jīng)網(wǎng)絡(luò)的地層智能識別方法

曹茂俊,崔欣鋒

(東北石油大學(xué) 計算機(jī)與信息技術(shù)學(xué)院,黑龍江 大慶 163318)

0 引 言

如今,隨著社會經(jīng)濟(jì)的快速發(fā)展,石油的消費不斷增加。為了滿足社會發(fā)展需要,需要進(jìn)一步勘探開發(fā)油氣資源,而地層智能劃分可以為油氣資源的持續(xù)開發(fā)節(jié)省人力和物力。

測井曲線包含了隨井深變化的儲層性質(zhì),其直接反映了地下的地質(zhì)特征。因此,測井曲線的地層劃分對于確定地層位置具有重要意義[1]。長期以來,地層劃分的人工解釋方法以測井解釋人員的主觀判斷為主。人工解釋方法需要人工觀察測井曲線圖形形狀的變化以尋找對應(yīng)地層的半幅點位置,這些方法比較依賴專業(yè)領(lǐng)域知識和專家經(jīng)驗[2],而且由于不同專家的經(jīng)驗和熟練程度不同,也會導(dǎo)致地層劃分結(jié)果的巨大差異,不僅需要大量的人力和物力,而且分層誤差也相對較高。隨著計算機(jī)技術(shù)的發(fā)展和劃分任務(wù)的日益繁重,地層劃分逐漸由定性識別轉(zhuǎn)向定量識別[3],數(shù)理統(tǒng)計、活度函數(shù)、小波變換、模糊識別、人工神經(jīng)網(wǎng)絡(luò)等方法[4]已經(jīng)被應(yīng)用到利用測井曲線進(jìn)行地層劃分的任務(wù)中。然而,這些方法大都只考慮個別曲線進(jìn)行劃分,而且大都只考慮點與點之間的關(guān)系,而忽略了測井曲線隨深度變化上下連續(xù)的特點,即局部特征,而深度學(xué)習(xí)方法為該問題提供了非常具有前景的解決方案。地層劃分問題是根據(jù)測井曲線的形態(tài)識別出不同深度所屬的地層,因此可轉(zhuǎn)化為多元序列的分類問題[5]。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)在圖像識別領(lǐng)域已經(jīng)是相對成熟的技術(shù)了,由于其強(qiáng)大的圖像分類能力也被應(yīng)用于測井曲線地層的劃分[6],但考慮到測井曲線一般為具有一定規(guī)律但不規(guī)則的形態(tài),對于地層劃分來說,輸出數(shù)據(jù)為某一個分層類別,無法實現(xiàn)測井曲線的地層劃分。測井曲線序列是一種二維的多元序列,不能直接采用傳統(tǒng)的CNN進(jìn)行地層劃分,一維卷積神經(jīng)網(wǎng)絡(luò)(1DCNN)在處理序列數(shù)據(jù)方面效果比較突出[7]。因此,該文選擇1DCNN作為地層劃分的基礎(chǔ)模型,通過對測井曲線進(jìn)行IMK特征工程處理,即對原始測井曲線分別采用INPEFA技術(shù)[8]、中值濾波處理以及K-Means聚類[9]處理,更好地提取了原始曲線的特征,為1DCNN網(wǎng)絡(luò)提供了更加容易識別的特征,從而增加了模型的地層劃分效率。該文結(jié)合已有的網(wǎng)絡(luò)模型及測井曲線的特點,搭建了基于IMK-1DCNN的地層劃分網(wǎng)絡(luò)模型,從而達(dá)到對地層劃分的智能化方法研究的目的。

1 IMK-1DCNN模型

如圖1所示,基于IMK-1DCNN的測井曲線地層識別模型流程大體分為4個部分:

圖1 IMK-1DCNN地層識別流程

(1)特征構(gòu)造。利用INPEFA技術(shù)、中值濾波、K-means算法分別構(gòu)造INPEFA曲線特征、中值濾波特征、聚類特征,簡稱IMK特征構(gòu)造,與原有的測井曲線共同構(gòu)成新的特征集合。

(2)數(shù)據(jù)集劃分。將新的特征集合劃分為訓(xùn)練集、驗證集和測試集。

(3)模型訓(xùn)練。搭建一維卷積神經(jīng)網(wǎng)絡(luò)模型,使用訓(xùn)練集訓(xùn)練IMK-1DCNN模型,使用驗證集進(jìn)行誤差計算和權(quán)值更新。

(4)模型驗證。最終在測試集上驗證IMK-1DCNN的分層效率。

1.1 IMK特征構(gòu)造

圖2展示了IMK特征構(gòu)造的流程,為了處理測井曲線在采集過程中產(chǎn)生的噪聲,以及更好地提取原始測井曲線的地層特征,在模型訓(xùn)練之前利用特征程對原始曲線進(jìn)行了處理,采用IMK特征構(gòu)造方法構(gòu)造了新的特征,與原始測井曲線特征共同構(gòu)成了新的特征矩陣。

圖2 IMK特征構(gòu)造流程

上述特征構(gòu)造過程中的INPEFA技術(shù)是在最大熵頻譜分析法(Maximum Entropy Spectral Analysis,MESA)基礎(chǔ)上形成的預(yù)測誤差濾波分析(Prediction Error Filter Analysis,PEFA)通過進(jìn)一步發(fā)展形成合成預(yù)測誤差濾波分析(Integrated Prediction Error Filter Analysis,INPEFA)技術(shù)[10]。其原理是通過最大熵頻譜變換,可以由已知點的值在熵最大的原則下推算出下一個點的數(shù)值,這個值稱為最大熵頻譜分析估計值(MESA)。預(yù)測誤差濾波分析(PEFA)是通過計算每一個深度點的MESA預(yù)測值和對應(yīng)的測井曲線實際值而得到數(shù)據(jù)差值,如下式所示:

PEFA=RV-MESA

(1)

其中,RV代表實際值,MESA代表最大熵譜分析估計值,得到的較大正值或負(fù)值為不連續(xù)點,可能為地層不連續(xù)點或旋回界面。對PEFA曲線做一個特定積分處理,就得到了合成預(yù)測誤差濾波分析曲線(INPEFA),其本質(zhì)是反映泥巖含量的多少且基于測井曲線分析,因此它能夠顯示通常在原始測井曲線中顯示不出來的趨勢和模式以及反映沉積的旋回性變化,通常被用來輔助測井解釋人員識別隱藏的地層界面[11]。該文運用INPEFA技術(shù)利用數(shù)據(jù)集中的GR曲線構(gòu)造INPEFA曲線,并將其作為模型的特征之一來構(gòu)造樣本集。

1.2 數(shù)據(jù)集劃分

經(jīng)過IMK特征構(gòu)造之后得到了新的特征集合,數(shù)據(jù)集的合理劃分能夠很好地加速神經(jīng)網(wǎng)絡(luò)的集成,這里將其按照8∶1∶1的比例劃分為訓(xùn)練集、驗證集和測試集,其中訓(xùn)練集用來訓(xùn)練模型,驗證集用來調(diào)整并尋找最佳參數(shù),最后在測試集上進(jìn)行測試以驗證模型的泛化性能及準(zhǔn)確率。

1.3 模型訓(xùn)練及驗證

在準(zhǔn)備好數(shù)據(jù)集后,需要搭建模型進(jìn)行訓(xùn)練,該文選用了善于處理序列數(shù)據(jù)的一維卷積神經(jīng)網(wǎng)絡(luò)作為模型的基礎(chǔ)架構(gòu),處理數(shù)據(jù)集使之滿足模型的輸入并進(jìn)行訓(xùn)練,訓(xùn)練時需要設(shè)置網(wǎng)絡(luò)的批大小、訓(xùn)練輪次、早停策略、Dropout比例等參數(shù)以加速網(wǎng)絡(luò)的訓(xùn)練。在訓(xùn)練完成之后,要在測試集上進(jìn)行測試來驗證模型的識別效果,并通過繪圖來對比模型的識別結(jié)果與地質(zhì)專家的標(biāo)記結(jié)果。

2 基于IMK-1DCNN的地層識別方法

2.1 1DCNN網(wǎng)絡(luò)基本原理

(2)

式中,hi表示輸入序列中(i)th個感受野的輸出[13]?？梢岳?DCNN對測井曲線序列切片做一維卷積運算,提取該深度區(qū)間的層位特征信息,從而實現(xiàn)劃分地層類型的目的。

2.2 模型總體框架

設(shè)計的1DCNN網(wǎng)絡(luò)架構(gòu)如圖 3所示。網(wǎng)絡(luò)中各層的含義解釋如下。

(1)輸入層:將輸入的與地層密切相關(guān)的測井曲線通過IMK特征構(gòu)造新的特征矩陣,從而輸入到網(wǎng)絡(luò)中進(jìn)行特征提取并學(xué)習(xí)。

(2)卷積層:卷積層使用的是適合處理序列數(shù)據(jù)的一維卷積(Conv1d),一維卷積常被用以在一維輸入信號上進(jìn)行鄰域濾波。為了減少過擬合現(xiàn)象,還在每個卷積層后面引入了BN(Batch Normalization)層[14],它可以加快網(wǎng)絡(luò)的訓(xùn)練和收斂的速度,控制梯度爆炸且防止梯度消失。

(3)池化層:池化層的本質(zhì)是一個下采樣,因為數(shù)據(jù)經(jīng)過卷積之后維度越來越高,而且特征圖沒有多大改變,在連續(xù)多個卷積之后,會產(chǎn)生很大的參數(shù)量,不僅會大大地增加網(wǎng)絡(luò)訓(xùn)練的難度,還容易造成過擬合的現(xiàn)象,所以在卷積層之后放一個池化層對數(shù)據(jù)進(jìn)行壓縮,降低維度,減少參數(shù)量。該文使用了兩種池化層,一種是最大池化層(Max Pooling),可以減少卷積層參數(shù)誤差造成估計均值的偏移,另一種是全局平均池化層(Global Average Pooling),可以減小特征提取時鄰域大小受限導(dǎo)致估計值方差增大造成的誤差[15]。

(4)Dropout層:為了減少參數(shù)量,加快模型的訓(xùn)練速度,緩解過擬合現(xiàn)象,該文引入了Dropout層,通過隨機(jī)選擇其中的一些神經(jīng)元并將其臨時隱藏,然后再進(jìn)行本次訓(xùn)練和優(yōu)化。在下一次迭代中,繼續(xù)隨機(jī)隱藏一些神經(jīng)元,如此直至訓(xùn)練結(jié)束。由于是隨機(jī)丟棄,故而每一個mini-batch都在訓(xùn)練不同的網(wǎng)絡(luò)。設(shè)置Dropout層的隱藏比例為0.3(隨機(jī)將30%的神經(jīng)元臨時隱藏)。

(5)Dense層:即全連接層,在模型中起到“分類器”的作用,它會將學(xué)到的“分布式特征表示”映射到樣本標(biāo)記空間。通過將經(jīng)過網(wǎng)絡(luò)訓(xùn)練的輸出向量輸入到包含8個神經(jīng)元的Dense層,輸出最終的地層分類。

2.3 數(shù)據(jù)歸一化

由于不同測井曲線的量綱不同,為了消除量綱的影響,需要對數(shù)據(jù)進(jìn)行歸一化。如果對未歸一化的數(shù)據(jù)直接進(jìn)行建模,可能會導(dǎo)致模型對數(shù)值大的變量學(xué)習(xí)過多,而對數(shù)值小的變量訓(xùn)練不夠充分,往往模型效果不佳。常用的數(shù)據(jù)歸一化的方法有最大最小值歸一化、小數(shù)定標(biāo)法、定量特征二值化及均值方差標(biāo)準(zhǔn)化等。

選用的歸一化方法是最小值-最大值(Min-Max)方法,顧名思義,該方法是利用數(shù)據(jù)列中的最大值和最小值進(jìn)行歸一化處理,處理完之后可將數(shù)據(jù)范圍縮放到[0,1]范圍內(nèi)。計算方式為數(shù)據(jù)列中的數(shù)據(jù)與該列的最小值作差,再除以其極差。設(shè)一條測井曲線為X=(x1,x2,…,xn),則歸一化后的數(shù)據(jù)x'可由式(3)計算得出:

(3)

其中,x'代表數(shù)據(jù)值x歸一化的結(jié)果,max(X)和min(X)分別代表測井曲線數(shù)據(jù)列中的最大值和最小值。

2.4 滑動窗口采樣

深度學(xué)習(xí)需要大量樣本進(jìn)行訓(xùn)練,而單純地將測井曲線構(gòu)造成獨立的測井圖像不能滿足深度學(xué)習(xí)網(wǎng)絡(luò)需求。在傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)中,往往會采用數(shù)據(jù)增強(qiáng)的方式來擴(kuò)充數(shù)據(jù)集,使得網(wǎng)絡(luò)能夠?qū)W習(xí)到足夠的特征,比如旋轉(zhuǎn)、平移、縮放、隨機(jī)遮擋、水平翻轉(zhuǎn)和噪聲擾動等[16]。但是由于測井曲線具有時序性,其垂向的形態(tài)變化往往代表著某種沉積環(huán)境,從而導(dǎo)致對測井曲線矩陣?yán)脗鹘y(tǒng)的數(shù)據(jù)增強(qiáng)方法會破壞其本身所代表的地層和沉積環(huán)境的含義。

為了增加樣本量,該文提出一種使用滑動窗口對測井曲線進(jìn)行采樣的方法。設(shè)滑動窗口的長度為L,步長為S,數(shù)據(jù)生成的方式如圖4所示,將特征矩陣劃分為多個長度為L,寬度為特征數(shù)量的切片,每個切片對應(yīng)的地層標(biāo)簽yi由每個切片中的出現(xiàn)次數(shù)最多的標(biāo)簽決定,同時為了避免切片中的地層標(biāo)簽差異過大,步長S不宜設(shè)置過大,然后利用樣條插值[17]對每個切片進(jìn)行處理以保證生成的輸入矩陣長度大于特征數(shù)目。這里使用樣條插值是為了在擴(kuò)充切片長度的同時保證訓(xùn)練曲線的平滑,最大程度地保留原始曲線的地層趨勢。

圖4 利用滑動窗口生成測井曲線切片示意圖

3 實際應(yīng)用與結(jié)果分析

3.1 數(shù)據(jù)來源

實驗使用的數(shù)據(jù)來自四川盆地川中地區(qū),共包含20口井的測井?dāng)?shù)據(jù)(數(shù)據(jù)分布見圖5)。四川盆地位于四川省龍門山斷裂處以東,四面環(huán)山,是中新生代以來發(fā)展起來的大型沉積盆地。該文研究的主要地層為茅口組和棲霞組,其中茅口組頂部與上二疊統(tǒng)龍?zhí)督M呈平行不整合接觸,上覆于棲霞組之上。茅口組厚度為119 m～208 m,平均厚237 m,巖性特征為灰色—深灰色亮晶生物碎屑灰?guī)r、泥晶生物碎屑灰?guī)r,泥質(zhì)灰?guī)r夾硅質(zhì)結(jié)核[18]。棲霞組厚度為23 m～313 m,平均125 m,巖性特征為:下部為深灰色、灰黑色泥質(zhì)瀝青質(zhì)灰?guī)r,底部常見眼球狀微晶灰?guī)r夾炭質(zhì)瀝青質(zhì)頁巖;上部為淺灰色、灰褐色微—亮晶生屑灰?guī)r。

3.2 樣本集構(gòu)造

所用的樣本集共20口井,共92 284條數(shù)據(jù)。將其中18口井作為訓(xùn)練集,剩余2口井作為測試集,驗證模型對地層的識別性能。在構(gòu)造樣本集之前要對數(shù)據(jù)進(jìn)行預(yù)處理。在實際測井中由于測井?dāng)?shù)據(jù)受多因素影響,可能導(dǎo)致數(shù)值缺失或出現(xiàn)異常值。因此,對于原始數(shù)據(jù),首先要進(jìn)行缺失值和異常值的處理,該文選擇了用眾數(shù)填充空值及異常值,實驗證明該方法簡單有效。

結(jié)合地質(zhì)領(lǐng)域知識,以及1.1節(jié)的IMK特征構(gòu)造方法,構(gòu)造新的特征。最終選取自然伽馬(GR)、自然電位(SP)、聲波時差(AC)和INPEFA曲線、中值濾波曲線及K-Means聚類曲線共6種測井曲線作為訓(xùn)練特征。其中,GR曲線主要測量地層的放射性,SP曲線主要測量在地層電化學(xué)作用下產(chǎn)生的電位,AC曲線反映了地層聲波速度,常被用來進(jìn)行地層劃分。另外,在構(gòu)造中值濾波曲線特征時為了更好地提取測井曲線的邊緣信息,使用了20以內(nèi)的奇數(shù)濾波窗口構(gòu)造了9條新的中值濾波曲線特征。另外以地質(zhì)專家人工標(biāo)注地層作為標(biāo)簽,確定了8種地層,分別是石炭系、龍?zhí)督M、梁山組、茅三段、茅二段、茅一段、棲二段、棲一段。

圖6展示了某單井的樣本數(shù)據(jù)測井解釋圖,測井?dāng)?shù)據(jù)的采樣間隔為0.125 m,包含部分測井曲線和地層標(biāo)簽。為了避免不同量綱的影響,利用2.1節(jié)中的最大-最小值方法對數(shù)據(jù)進(jìn)行了歸一化,將所有測井曲線的數(shù)值范圍縮放到[0,1]內(nèi)。

圖6 well52井的測井曲線及其測井解釋

數(shù)據(jù)預(yù)處理完成后,將歸一化后的數(shù)據(jù)排列到一起形成測井曲線矩陣,然后利用2.4節(jié)提到的滑動窗口采樣方法將其轉(zhuǎn)化為測井曲線切片,通過對長度L及步長S取3～50內(nèi)的奇數(shù)進(jìn)行對比實驗,發(fā)現(xiàn)L為5,S=5時識別效果最佳,故設(shè)置長度L為5,即每個曲線切片的實際長度為0.625 m,步長S為5。利用該方法最終得到16 635個長度為5,寬為14的二維灰度測井曲線矩陣切片,經(jīng)統(tǒng)計,樣本地地層平均厚度為160個厚度點,因此對每個切片進(jìn)行樣條插值時,選擇160作為目標(biāo)樣本長度,最終將其維度變?yōu)?60×14以保證生成的輸入矩陣長度大于特征數(shù)目,其中有14 971張屬于訓(xùn)練井,1 664張屬于測試井,最終處理完成的部分訓(xùn)練樣本如表1所示。其中INPEFA、GR_Med_3、GR_Kmeans分別表示INPEFA曲線、濾波窗口為3的中值濾波曲線以及K-Means聚類曲線,Label代表將原來的8種地層標(biāo)簽映射為0～7的數(shù)值。

表1 well52井處理后的訓(xùn)練樣本數(shù)據(jù)

3.3 實驗環(huán)境和網(wǎng)絡(luò)參數(shù)配置

經(jīng)過數(shù)據(jù)集的構(gòu)造,最終由20口井得到了83 018個實際測井曲線切片及其對應(yīng)的地層標(biāo)簽,每個切片大小為160×14的二維矩陣,然后將數(shù)據(jù)集按照9∶1的比例劃分為訓(xùn)練集和測試集,得到74 716個訓(xùn)練樣本和8 301個測試樣本。然后對模型進(jìn)行訓(xùn)練和驗證,并尋找最優(yōu)參數(shù)。

對測井曲線進(jìn)行地層劃分的1DCNN網(wǎng)絡(luò)模型環(huán)境配置為Window10操作系統(tǒng),使用Python3.6作為編程語言,深度學(xué)習(xí)框架為Tensorflow,GPU使用GTX1650,顯存大小為4 GB。

詳細(xì)的網(wǎng)絡(luò)配置和參數(shù)設(shè)置如表2所示。

表2 網(wǎng)絡(luò)配置和參數(shù)設(shè)置

實驗設(shè)置批次大小(Batch Size)為512,訓(xùn)練輪次(Epoch)為100并運用早停減少模型訓(xùn)練時間,優(yōu)化器使用AdamOptimizer,學(xué)習(xí)率設(shè)為0.001。

3.4 評價指標(biāo)

引入多個評價指標(biāo),利用這些指標(biāo)對預(yù)測結(jié)果做全方位評價,綜合反映模型分類效果。包括每一類的混淆矩陣(如表3所示)、整體的準(zhǔn)確率(A)、精確率(P)、召回率(R)和F1值。

表3 混淆矩陣

(1)混淆矩陣。

(2)準(zhǔn)確率。

準(zhǔn)確率反映了對于給定樣本,模型預(yù)測正確的樣本數(shù)占總樣本的比例:

(4)

(3)精確率。

精確率反映了模型預(yù)測為正例的結(jié)果中真正例所占的比重:

(5)

(4)召回率。

召回率又稱查全率,反映了模型預(yù)測中樣本的正例有多少被正確預(yù)測正確:

(6)

(5)F1值。

F1值為精確率和召回率的調(diào)和平均值,由于精確率(P)和召回率(R)是一對相互矛盾的量,所以為了更好地評價分類器的性能,一般使用F1-Score作為評價標(biāo)準(zhǔn)來衡量分類器的綜合性能:

(7)

公式(4)～公式(7)中:Tp、FN、TN和FP分別為真正例、假負(fù)例、真負(fù)例和假正例樣本的數(shù)量,多分類問題可以轉(zhuǎn)換為二分類,對于正例對應(yīng)的某一類別,其余的類別均為負(fù)例。

3.5 模型訓(xùn)練結(jié)果

圖7是文中模型訓(xùn)練過程中對應(yīng)的訓(xùn)練集和驗證集的準(zhǔn)確率上升曲線和損失值下降曲線。在準(zhǔn)確率方面,訓(xùn)練集最高為0.98,驗證集最高為0.92;損失值方面,訓(xùn)練集最低為0.17,驗證集最低為0.28。表4顯示了某測試井的分類結(jié)果對應(yīng)的混淆矩陣,可以直觀地看出模型在不同地層上的分類效果,其中最高的精確率為茅三段,達(dá)到了1,表示全部識別正確,最低的精確率為梁山組,為0.57。表5顯示了各類評價指標(biāo)。由結(jié)果可以看出,文中方法對茅口組地層的識別效果較佳,可能與其灰?guī)r巖性有關(guān),在曲線數(shù)值上表現(xiàn)為GR數(shù)值較低、SP數(shù)值適中,比較易于識別。對于其它地層,各類評價指標(biāo)略低,可能是由于曲線形態(tài)具有相似性,但總體的識別準(zhǔn)確率都在0.85以上?？傊?模型在驗證集上的整體預(yù)測能力表現(xiàn)較為優(yōu)異,對于所有測試井的樣本而言,整體平均準(zhǔn)確率達(dá)到了92.82%。

表4 混淆矩陣

表5 各類評價指標(biāo)

圖7 訓(xùn)練過程中模型準(zhǔn)確率-損失值曲線

同時,為了驗證文中方法的優(yōu)越性,將其與雙向長短期記憶方法[19]和隨機(jī)森林方法[20]進(jìn)行對比實驗,實驗結(jié)果如表6所示。結(jié)果表明,文中方法的分類準(zhǔn)確率為92.82%,高于雙向長短期記憶網(wǎng)絡(luò)模型的88.23%和隨機(jī)森林方法的84.43%。

表6 各類地層識別方法結(jié)果對比

3.6 盲井的地層識別及劃分結(jié)果

為了驗證模型在未經(jīng)過模型訓(xùn)練的盲井上的地層識別及劃分結(jié)果,選取某單井?dāng)?shù)據(jù)進(jìn)行處理并輸入模型驗證,該盲井的測試樣本構(gòu)造過程同訓(xùn)練集相同,在經(jīng)過IMK特征構(gòu)造、滑動窗口采樣(長度L=5,步長S=5)及樣條插值后得到1 920個160×14的測試樣本作為模型輸入。模型的輸出為1 920×1的一維向量,其中向量中的每個值代表對應(yīng)測試樣本的預(yù)測值。圖8給出了模型對某測試井的地層劃分可視化結(jié)果。前4列為訓(xùn)練特征,其中包含GR自然伽馬曲線,INPEFA曲線、AC(聲波時差)曲線、SP(自然電位)曲線。后兩列的柱狀圖分別代表人工標(biāo)定的地層標(biāo)簽以及文中模型對該井的地層劃分結(jié)果。對比發(fā)現(xiàn),文中方法的地層劃分結(jié)果,與地質(zhì)專家人工標(biāo)定的結(jié)果比較相似,具有良好的泛化性能,能夠很好地識別地層進(jìn)而劃分出不同的地層。

圖 8 某單井的測井解釋及模型地層識別結(jié)果

4 結(jié)束語

提出的基于IMK-1DCNN的地層智能識別方法,構(gòu)建了3種特征,即INPEFA曲線特征、中值濾波特征和K-Means聚類特征。INPEFA曲線能很好地反映不同地層之間的變化趨勢;中值濾波特征在保留有效邊緣信息的同時很好地去除了測井曲線中的高頻噪聲;K-Means聚類特征則能很好地反映測井曲線的時空相關(guān)性,區(qū)分不同地層之間的邊界。將文中方法與雙向長短期記憶方法和隨機(jī)森林方法進(jìn)行對比,文中方法的分類準(zhǔn)確率為92.82%,高于雙向長短期記憶網(wǎng)絡(luò)模型的88.23%和隨機(jī)森林方法的84.43%。文中方法可以實現(xiàn)測井曲線的端到端學(xué)習(xí)。實驗結(jié)果表明,文中方法有助于提取測井曲線序列的隱藏特征,準(zhǔn)確地劃分不同地層。該方法能有效識別地層,具有較強(qiáng)的泛化能力和魯棒性,為測井曲線地層劃分提供了一種新的途徑。