申请/专利权人：中石化经纬有限公司;中国石油大学(华东)

申请日：2022-10-26

公开（公告）日：2023-01-24

公开（公告）号：CN115393656B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/82;G06V10/74;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2023.01.24#授权;2022.12.13#实质审查的生效;2022.11.25#公开

摘要：本发明公开了一种用于随钻测井图像地层分类的自动分类方法，涉及油气勘探技术领域。本发明通过标注岩心刻度随钻电成像测井图像生成图像标签，构建岩性类别识别数据库后，构建窗口注意力机制分类网络，引入经训练的超参数元网络作为窗口注意力机制分类网络迁移学习的对象，利用岩性类别识别数据库训练窗口注意力机制网络进行岩石图像自动识别分类并验证训练后窗口注意力机制网络的性能，再基于知识蒸馏理论改进窗口注意力机制分类网络的分类器，构建并调试自适应岩性分类网络模型后，利用自适应岩性分类网络模型确定随钻电成像测井图像的岩性。本发明实现了对岩性类别与随钻测井图像的精准匹配，提高了岩性分类的准确性，有利于储层的高效评价。

主权项：1.一种用于随钻测井图像地层分类的自动分类方法，其特征在于，具体包括以下步骤：步骤1，获取岩心刻度随钻电成像测井图像，采集不同岩性类别所对应的岩心刻度随钻电成像测井图像，结合岩心资料对岩心刻度随钻电成像测井图像进行标注，生成随钻电成像测井图像标签，构建岩性类别识别数据库，并将岩性类别识别数据库划分为训练集和测试集；步骤2，构建窗口注意力机制分类网络，窗口注意力机制分类网络内设置有窗口注意力机制网络、标准化层、全局池化层、全连接层和分类器，引入经计算机视觉系统识别项目数据集训练后的超参数元网络作为窗口注意力机制网络迁移学习的对象，利用训练集训练窗口注意力机制分类网络对岩心刻度随钻电成像测井图像自动识别分类，并对窗口注意力机制分类网络进行超参数优选后，再利用验证集测试训练后窗口注意力机制分类网络的性能，输出验证后的窗口注意力机制分类网络；步骤3，基于知识蒸馏理论改进步骤2中输出窗口注意力机制分类网络中的分类器，结合随钻电成像测井图像的纵向属性，构建自适应岩性分类网络模型，并对自适应岩性分类网络模型进行调试；步骤4，将待预测的随钻电成像测井图像输入至调试后的自适应岩性分类网络模型中，利用自适应岩性分类网络模型对待预测的随钻电成像测井图像中的岩性进行分类，输出待预测的随钻电成像测井图像的岩性分类结果；所述步骤2中，具体包括以下步骤：步骤2.1，构建窗口注意力机制分类网络，窗口注意力机制分类网络内设置有窗口注意力机制网络、标准化层、全局池化层、全连接层和分类器；所述窗口注意力机制网络包括分区注意力机制模块、第一拼接注意力机制模块、第二拼接注意力机制模块和第三拼接注意力机制模块，分区注意力机制模块、第一拼接注意力机制模块、第二拼接注意力机制模块和第三拼接注意力机制模块依次连接；步骤2.2，引入经计算机视觉系统识别项目数据集训练后的超参数元网络作为窗口注意力机制网络迁移学习的对象，利用训练集训练窗口注意力机制分类网络对岩心刻度随钻电成像测井图像自动识别分类，通过反向传播与梯度下降算法对窗口注意力机制分类网络的权值进行更新，计算窗口注意力机制分类网络的损失值，若窗口注意力机制分类网络的损失值小于预设阈值，则停止对窗口注意力机制分类网络的训练，否则，则对窗口注意力机制分类网络进行超参数优选，继续利用训练集训练窗口注意力机制分类网络；窗口注意力机制分类网络的损失函数为： （1）式中，为窗口注意力机制分类网络的损失值，为岩性类别数字标签，为岩性类别数字标签所对应的概率值，为对数函数，n为岩性类别的个数，i为岩性类别的序号；步骤2.3，利用验证集测试训练后窗口注意力机制分类网络的性能，若训练后窗口注意力机制分类网络的损失值小于预设阈值，则进入步骤2.4，否则，则返回步骤2.2中，继续利用训练集训练窗口注意力机制分类网络；步骤2.4，输出验证后的窗口注意力机制分类网络；所述分区注意力机制模块包括块状分区层、线性嵌入层和两个窗口注意力机制模块，块状分区层用于对岩心刻度随钻电成像测井图像进行分块处理，线性嵌入层用于改变输出特征图的通道数；所述第一拼接注意力机制模块、第二拼接注意力机制模块和第三拼接注意力机制模块均采用块状拼接层后连接窗口注意力机制模块的结构，第一拼接注意力机制模块和第三拼接注意力机制模块内均设置有一个块状拼接层和两个窗口注意力机制模块，第二拼接注意力机制模块内设置有一个块状拼接层和六个窗口注意力机制模块；所述窗口注意力机制模块采用由多层感知机与窗口注意力机制层组成的组合结构后串联由多层感知机与偏移窗口注意力机制层组成的组合结构，窗口注意力机制层和偏移窗口注意力机制层的前后均设置有标准化层；所述步骤2.2中，将训练集中的岩心刻度随钻电成像测井图像输入窗口注意力机制分类网络中，岩心刻度随钻电成像测井图像的原始长度为h、原始宽度为w、原始通道数为3，窗口注意力机制分类网络对岩心刻度随钻电成像测井图像的处理包括四个阶段；分区注意力机制模块用于对岩心刻度随钻电成像测井图像进行第一阶段的处理，当岩心刻度随钻电成像测井图像输入至分区注意力机制模块时，分区注意力机制模块的块状分区层通过对岩心刻度随钻电成像测井图像进行二维卷积运算，将岩心刻度随钻电成像测井图像划分为多个尺寸为4×4像素、长度为、宽度为、通道数为48的特征图，特征图经过线性嵌入层在长度维度和宽度维度上展开，得到经线性嵌入层展开后特征图的长度为、宽度为、通道数为C，经分区注意力机制模块内的各窗口注意力机制模块处理后输入至第一拼接注意力机制模块中；第一拼接注意力机制模块、第二拼接注意力机制模块、第三拼接注意力机制模块依次用于岩心刻度随钻电成像测井图像第二阶段、第三阶段、第四阶段的处理，第一拼接注意力机制模块、第二拼接注意力机制模块、第三拼接注意力机制模块内设置的块状拼接层以每2个像素为单位长度分割输入的特征图并对进行通道拼接，经第一拼接注意力机制模块处理后特征图的长度为、宽度为、通道数为2C，经第二拼接注意力机制模块处理后特征图的长度为、宽度为、通道数为4C，经第三拼接注意力机制模块处理后特征图的长度为、宽度为、通道数为8C；分区注意力机制模块、第一拼接注意力机制模块、第二拼接注意力机制模块和第三拼接注意力机制模块内的窗口注意力机制模块均通过对特征图下采样后，将特征图输入至窗口注意力机制层和偏移窗口注意力机制层中，基于多头注意力机制在指定窗口处理特征图，考虑到特征图被划分为多个窗口，考虑各窗口之间的相关性丢失，利用偏移窗口注意力机制层对各窗口进行循环移位，得到移动后的特征图；所述步骤2.2中，基于迁移学习，引入经计算机视觉系统识别项目数据集后的超参数元网络训练窗口注意力机制网络，获得窗口注意力机制网络的预训练权重，超参数元网络使用每个步骤的当前权重和梯度值自适应生成超参数，超参数包括学习率和训练批次，使得迁移学习过程中窗口注意力机制网络内的每个内部模块能够适应给定的任务，对窗口注意力机制网络进行超参数优选；所述步骤3中，具体包括以下步骤：步骤3.1，对窗口注意力机制分类网络中的分类器进行改进，将岩性类别的输出值映射到0~1之间，如公式（2）所示： （2）式中，为岩性类别的概率分布；Z为输出向量；Zi为输出向量Z中第i个岩性类别的数值，Zj为输出向量Z中第j个岩性类别的数值；K为窗口注意力机制分类网络输出的类别数；i、j均为岩性类别的序号；步骤3.2，基于知识蒸馏理论对岩心刻度随钻电成像测井图像所对应的随钻电成像测井图像标签进行软化，如公式（3）所示： （3）式中，为软化后岩性类别的概率分布；T为蒸馏温度；步骤3.3，利用岩性类别识别数据库调试自适应岩性分类网络模型，将岩心刻度随钻电成像测井图像输入至自适应岩性分类网络模型中，自适应岩性分类网络模型计算得到岩心刻度随钻电成像测井图像的最大类别概率，当最大类别概率不小于80%时，停止调试自适应岩性分类网络模型，否则，则对岩心刻度随钻电成像测井图像横向对半裁剪后，再次输入至自适应岩性分类网络模型中，继续利用自适应岩性分类网络模型计算岩心刻度随钻电成像测井图像的最大类别概率，直至岩心刻度随钻电成像测井图像的最大类别概率不小于80%，结束对自适应岩性分类网络模型的调试。

全文数据：

权利要求：

百度查询： 中石化经纬有限公司;中国石油大学(华东) 一种用于随钻测井图像地层分类的自动分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD