买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种结合深度学习的致密砂岩裂缝测井综合识别方法，分为以下四个部分：测井数据预处理，包括基于多尺度小波变换的测井曲线去噪和基于快速傅里叶变换的测井曲线标准化；基于LightGBM框架的岩性识别，为后续识别结果进行岩性约束；结合深度学习的裂缝综合预测，包括基于综合概率指数法的裂缝识别、基于一维多尺度小波分解的裂缝识别、基于GaussianNaiveBayes判别法的裂缝识别和基于CNN‑LSTM模型的裂缝识别，实现多手段综合识别裂缝；结果输出，将综合识别结果加权并与岩性识别结果相乘实现岩性约束，输出基于岩性约束的致密砂岩裂缝综合识别概率。本发明采用多方法并行评价裂缝发育程度，将识别结果择优或加权以获得更好的识别结果。

主权项：1.一种结合深度学习的致密砂岩裂缝测井综合识别方法，其特征在于：包括以下步骤：测井数据预处理，包括基于多尺度小波变换的测井曲线去噪和基于快速傅里叶变换的测井曲线标准化；基于多尺度小波变换的测井曲线去噪的步骤为：对输入的测井曲线使用sym6小波基进行三重小波分解，利用非线性软门限作用于高频小波系数后再进行小波重构，输出重构曲线作为去噪结果，计算公式如下：ηλω＝sgnω|ω|-λ； 式中：ω表示高频小波系数，ηλω表示滤波后结果，sgnω为符号函数，指示正负性，表示取值符号与ω相同，λ为软阈值门限，n为信号采样点总数，σ为信号的标准差；基于快速傅里叶变换的测井曲线标准化的步骤为：输入已去噪处理的测井曲线，首先对测井曲线进行快速傅里叶变换得到频谱，然后进行低通滤波获取频谱的低频分量，低频分量经傅里叶逆变换后得到测井数据深度域低频分量，与原始曲线相减得到测井数据深度域高频分量；对深度域低频分量进行比例和平移校正，深度域高频分量比例校正，校正结果相加得到标准化曲线，校正公式如下： 式中：clz为待标准化低频分量，c′lz为标准化后的低频分量，chz为待标准化高频分量，c′hz为标准化后的高频分量，C′max和C′min分别为该测井参数低频分量的最大、最小标准值，Cmax和Cmin为待标准化低频分量的最大、最小值；岩性识别，基于LightGBM框架实现岩性识别；基于LightGBM框架实现岩性识别的步骤为：训练过程根据测井系列的覆盖率将特征参数分为M0特征：自然电位、自然伽马、深感应电阻率、中感应电阻率、八侧向电阻率、声波时差、泥质含量；M1特征：密度测井、补偿中子；M2特征：光电吸收截面指数、阵列感应电阻率，同时将致密砂岩储层岩性的类型划分为细砂岩、粉砂岩、泥质粉砂岩、粉砂质泥岩、泥岩；训练过程输入训练样本的测井系列和真实分类标签，输出包含M0、M0+M1、M0+M1+M2特征的三种树模型；训练的评价指标为交叉熵函数，公式如下： 式中：M为类别数量，N为样本数量；yic为符号函数，如果样本i的真实类别等于c则取1，否则为0；pic为样本i属于类别c的预测概率；预测过程输入单井测井曲线系列，根据单井测井曲线系列的覆盖率加载模型进行岩性预测，输出岩性分类结果和分类预测概率；为平和各个参数对权重的贡献，训练和预测过程均需要对样本采用标准差归一化，经处理的数据服从均值为0，标准差为1的分布，计算公式如下： 式中：σ为原始数据标准差，为原始数据均值；结合深度学习的裂缝综合预测，包括基于综合概率指数法的裂缝识别、基于一维多尺度小波分解的裂缝识别、基于GaussianNaiveBayes判别法的裂缝识别和基于CNN-LSTM模型的裂缝识别；基于综合概率指数法的裂缝识别的步骤为：使用db4小波基对测井曲线进行三重多尺度小波分解，提取并重构高频信号D3，输出重构曲线上表现为高频振荡部分作为裂缝发育段；基于GaussianNaiveBayes判别法的裂缝识别的步骤为：训练过程输入训练样本的测井系列：声波时差、深感应电阻率、中感应电阻率、八侧向电阻率、密度测井、补偿中子和真实分类标签：编码为1的裂缝、编码为0的非裂缝；根据GaussianBayes的基本假设迭代计算样本的后验概率，输出分类模型；预测过程输入单井的测井系列，输出全目的层段二分类概率；为平衡各个参数对权重的贡献，训练过程和预测过程均需要首先对样本使用极差归一化将每个参数都归一化至[0，1]，计算公式如下： 式中：xmax、xmin表示样本数据的最大值、最小值；基于CNN-LSTM模型的裂缝识别的步骤为：模型的基本结构包括3个步长为3的一维卷积层提取特征和1个最大池化层进行特征降维，1个基本的LSTM单元和两个全连接层实现二分类；为平衡各个参数对权重的贡献，训练过程和预测过程均需要首先对样本使用极差归一化将每个参数都归一化至[0，1]；训练过程输入训练样本的测井系列：声波时差、深感应电阻率、中感应电阻率、八侧向电阻率、密度测井、补偿中子和真实分类标签：编码为1的裂缝、编码为0的非裂缝，损失函数为二分类交叉熵，计算公式如下：Loss＝-ytrue*logypred+1-ytrue*log1-ypred；式中：ytrue为真实标签，ypred为预测概率；预测过程输入单井的测井系列，输出全目的层段二分类概率；结果输出，输出基于岩性约束的致密砂岩裂缝综合识别概率；结果输出的步骤为：将基于综合概率指数法的裂缝识别、基于一维多尺度小波分解的裂缝识别、基于GaussianNaiveBayes判别法的裂缝识别和基于CNN-LSTM模型的裂缝识别四种裂缝识别概率按1∶2∶2∶4加权综合并与LightGBM砂岩段分类概率相乘以除泥岩层段对预测结果的影响，得到基于岩性约束的裂缝综合识别概率，最终输出裂缝综合识别概率大于设定阈值的部分作为裂缝发育段。

全文数据：

权利要求：

百度查询： 中国地质大学(武汉) 一种结合深度学习的致密砂岩裂缝测井综合识别方法