让人工智能学会用测井曲线识别地层岩性__陈玉林

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
1、研究现状 通常人们通过一种或两种测井曲线通过经验公式解释岩
性，也有用交会图版和地层元素测井等方法识别岩性，但这些 方法均不能完全利用所有测井曲线包含的岩性特征。
测井曲线自动识别岩性方面，还有支持向量机、随机森林、 BP神经网络等，但这些方法收敛速度比较慢，而且很容易进入 梯度消失和梯度爆炸等，泛化性也不强。
技术难点：
1、钻井取心是获取地层岩性最直接、最快捷的手段，为了控制成本，钻井取 心资料往往很少，如何预测未取心段岩性就成为测井解释面临的一大难题。
录
井
未
井
取
段
心
井
段
取 心 井 段
2、测井曲线是测井仪器测量的某一厚度地层岩性的整体物理信息的反映， 由于仪器纵向分辨率的不同，导致区分岩性的分辨率也各有差异，进而给岩 性识别带来困难。
（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。
常用的损失函数有平方差损失函数和交叉熵损失函数，为了增加训练结果的泛化性，在深度学习过程 中通常采用增加L1和L2项，主要为了限制模型的参数，防止过拟合。 优化结果：采用平方差损失函数，提高计算机运算速度。
（3）反复训练调整参数，提升智能体的预测能力
在Tensorflow框架下，用Python计算机编程语言编写了一个深度学习框架（四层神经网络），通过反复调整 激活函数、梯度下降算法和神经元数量等参数，迭代计算4万次，训练这个深度学习网络，最终损失函数达到极 小值0.04，训练准确率达到了89.8 %。
2、技术思路
为了让人工智能学会识别地层岩性。首先从数据集的准备上，选取长庆油田合 水地区63口取芯井作为数据集（建立样本库），通过深度校正，对岩心进行归位。 其次，对有扩径的井段数据进行剔除（数据清洗），为了减少机器学习的过拟合和 欠拟合，对数据集中的四种岩性样本进行均衡处理（样本优化），使得每种样本个 数相等，从而增加智能体的鲁棒性。第三，建立机器学习模型，基于Tensorflow框 架，应用python语言，编写了人工智能学习模型（建立模型），通过多次迭代训练， 调整学习率，优选梯度下降算法，对模型参数进行训练，达到识别岩性的目的。最 后，将训练过程可视化，从而提高模型的泛化性。
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 。。。。。。
3、近年来，随着人工智能的发展，机器学习在语音识别、模式识别、图像 处理和游戏博弈等方面取得巨大成功，如何将人工智能引入并应用到岩性识别 中也面临很多困难和挑战。
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。
深度学习网络训练过程中准确率的变化图
深度学习执行程序的代码
（4）用不同人工智能算法在同一数据集训练优选
人工智能关于模式识别的方法有很多，为了对比研究，优化智能识别岩性的方法，我们对比了深度学习 （DNN），循环神经网络（RNN）和卷积神经网络（CNN）三种人工智能方法。通过9万次的迭代学习，DNN准确率 为91.3%，CNN的准确率为96.2%，RNN的准确率为98.2%。可以看出卷积神经网络和长短期记忆循环神经网络在预 测具有序列性的样本中优势明显。其中RNN模型的准确度高达98.2%，测试数据集的测试准确率85.3%。
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
结论与认识：
1） 深度学习算法可以挖掘出测井曲线包含的大量信息从而学会用测井资料 解释地层岩性。本文在长庆合水地区应用常规9条曲线和钻井取心数据标定， 建立深度学习和测试样本库，对细砂岩、泥质粉砂岩、粉砂质泥岩和泥岩四 种岩性进行预测。通过对样本库学习和测试，学习准确率98.2%，测试准确率 85.3%，取得了很好的效果。说明人工智能深度学习技术在测井解释领域的应 用前景广阔。 2）防止过拟合和欠拟合的方法有很多，本文在深度学习过程中采用了多种方 法防止过拟合。首先，在样本库的准备过程中，四种岩性各占25%，保证样本 均匀分布。其次损失函数中增加了L2正则化项，增加深度学习网络的泛化能 力。最后，通过数据可视化工具对深度学习过程进行可视化操作，让训练过 程更加清晰明了，从而防止过拟合问题。
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。
深度学习过程的可视化
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
Βιβλιοθήκη Baidu
应用效果分析： 从上述模型训练和测试的结果
看，深度学习算法在测井资料岩性 解释方面的模型预测准确率较好， 能够满足实际生产需求。因此我们 找了一口具有录井和取心资料的井 用深度学习算法建立的模型进行预 测，如图7，通过对比深度学习算法 解释和岩性和录井取心的岩性，可 以看出预测的准确性较好，大部分 岩性识别正确，只有少数泥岩段识 别和实际有所差别，基本可以满足 生产需要。
展望：
基于多尺度、多类型数据的地层岩性识别AI
地震
测井
钻井取心
铸体薄片
铸体薄片
m - 数十米
常规测井
成像测井
cm - m
岩心
mm
CT扫描
nm-us
l 选用什么样的样本库？ l 特征工程如何构建？ l 样本的代表性？ l 样本是否均衡？ l 样本标签可靠性？ l 。。。。。。
l 计算机算力能否达到？ l TensorFlow PyTorch？ l 深度学习？卷积网络？ l 如何避免过拟合？ l 结果如何可视化？ l 。。。。。。
l 适合什么岩性？ l 区分矿物还是结构？ l 适合厚层还是薄层？ l 薄层分辨能力如何？ l 识别准确率怎么提高？ l 。。。。。。
深度学习算法求取最优解的过程主要通过循环迭代过程中的梯度 下降算法得到最小化的损失函数和模型参数值，从而求取最优解。 常用的梯度下降算法有随机梯度下降法（SGD）、Momentum梯度下 降法和自适应梯度下降法（Adagrad）等。本文通过反复训练和测 试对比，选用了自适应梯度下降算法，该方法在本次训练中神经 网络收敛速度快、效果较好。 优化结果：选用自适应梯度下降算法。
3、解决对策
（1）选取有可靠标签和沉积稳定的地层作为深度学习样本
选取长庆油田合水地区63口取芯井作为数据集（建立样本库），通过深度校正，对岩心进行 归位。其次，对有扩径的井段数据进行剔除（数据清洗）。其中输入数据有：自然伽马、声波时差、 深中浅电阻率、补偿中子、密度测井、岩性密度和自然电位九条测井曲线。输出：砂岩、泥质粉砂 岩、粉砂质泥岩和泥岩，四种岩性。采用经过深度校正后用采样间隔为0.125m的测井曲线作为样本， 筛选出7000个样本，其中泥岩、砂质泥岩、泥质砂岩和砂岩样本个数相等，其中6000个作为学习样 本，1000个作为测试样本。