一种基于ResNet回归模型的地层划分方法、装置和计算机设备

技术领域

本申请涉及石油勘探技术领域，特别是涉及一种基于ResNet回归模型的地层划分方法、装置和计算机设备。

背景技术

油气藏地层划分与对比统层是油藏描述与储层表征的关键步骤之一，地层统层的结果直接决定了油藏格架，并进一步控制了油藏内储集体的空间分布，最终影响油气藏的开发。地层统层划分的核心工作由地质研究人员通过单井井筒中的测井曲线，立足区域地质认识和特定的地层对比模式，通过手工划分实现的。这种依靠地质研究人员的人工解释，在很大程度上取决于研究人员专业认识水平、经验知识等，不同研究人员划分结果可能存在较大差异，难以建立统一的对比标准。同时，随着勘探开发的不断深入，已开发油气藏钻井数量增加，导致地层划分与对比工作量增大，存在耗时、耗力等诸多不利因素。

为提高工作效率，借助信号处理、数理统计以及人工智能等方法与技术，国内外学者开展了大量依靠计算机实现的半自动、自动地层智能划分与对比研究工作。地层智能划分与对比在一定程度上减少了人工解释过程中存在的一些问题，如对比模式和对比标准不统一、地层界面不易确定等，并大大提高了地层划分与对比的工作效率。

人工智能(ArtificialIntelligence，简称AI)和深度学习(DeepLearning，简称DL)的浪潮正在席卷全球。深度学习善于从原始输入数据中挖掘抽象的特征表示，而这些表示具有良好的泛化能力。卷积神经网路(ConvolutionalNeural Networks，简称CNN)因其强大的特征学习与分类能力在图像分类、目标定位、目标检测、图像语义分割等领域取得了一系列突破性的成功，与人工地层对比中对测井曲线进行特征提取与分析有相通之处。

近年来，随着人工智能技术的发展，大量的机器学习算法被应用于地层智能划分与对比研究中，并取得了可喜进展。徐朝晖等(2019)基于SegNet算法，以密井网区测井资料为基础，通过自然电位、微电极等3条测井曲线实现了地层自动划分与对比，取得了不错的效果。目前此类方案，均采用CNN图像分割的思路进行地层划分，具体模型包括SegNet、U-Net等。但此类方案存在如下问题：

(1)由于分割模型输出为分割后的图像数据，需要进一步后处理为地层深度数据。

(2)部分图像分割模型比如U-Net存在乱层现象，导致预测结果可靠性下降。

发明内容

基于此，针对上述技术问题，提供一种基于ResNet回归模型的地层划分方法、装置和计算机设备，以解决现有地层智能划分方法预测可靠性不足的技术问题。

为了实现上述目的，本申请提供如下技术方案：

第一方面，一种基于ResNet回归模型的地层划分方法，包括：

S1，收集测井曲线数据和地层数据，选取所述测井曲线数据中的多个测井变量特征；

S2，对选取的测井曲线数据进行清洗，并根据地层数据的深度范围，对选取的测井曲线数据进行截断和补全；

S3，对选取的测井曲线数据和地层数据进行标准化处理，并构建训练数据集、验证数据集和测试数据集；

S4，基于残差模块构建ResNet特征层，所述ResNet特征层连接全局池化层、层全连接层和多输出回归层，所述多输出回归层的输出个数等于待划分地层的个数；

S5，利用所述训练数据集对构建的模型进行训练和参数调整，寻找最优的训练效果；

S6，将所述测试数据集输入到训练得到的模型中，预测待划分地层的地层数据，并计算得到地层深度数据。

可选地，所述测井曲线数据的测深范围为700～1000m，测井曲线数据的深度为300m，测井曲线数据的采样间隔为0.05m；所述地层数据的深度为200m。

可选地，所述多个测井变量特征包括微梯度、微电位、自然伽马和自然电位。

可选地，步骤S3包括：

对选取的测井曲线数据进行Z-score标准化和0-1归一化处理；

对选取的测井曲线数据进行像素0-255空间处理，保存为测井曲线训练图片，并记录当前图片所代表的深度范围；

对所述地层数据进行标准化，并把地层数据的深度转化为其在测井曲线训练图片相应深度范围的相对值；

根据预设比例对处理后的测井曲线数和地层数据进行划分，构建训练数据集、验证数据集、测试数据集。

进一步可选地，所述预设比例为6:2:2。

可选地，在步骤S5中，训练模型时采用自适应矩估优化器，学习率为0.0001，批量大小为32，训练批次为200，并采用均方误差作为损失函数来评估预测值和真实值之间的误差。

可选地，所述ResNet特征层具体为ResNet50特征层，所述层全连接层具体包括两层。

可选地，所述方法还包括：

引入小波数据，通过Coif5小波方法对测井曲线数据进行分解，得到7个低频信号a1～a7和7个高频信号d1～d7；

选取所述多个测井变量特征的d6、d7信号加入到训练中。

第二方面，一种基于ResNet回归模型的地层划分装置，包括：

数据获取模块，用于收集测井曲线数据和地层数据，选取所述测井曲线数据中的多个测井变量特征；

数据清洗模块，用于对选取的测井曲线数据进行清洗，并根据地层数据的深度范围，对选取的测井曲线数据进行截断和补全；

数据集构建模块，用于对选取的测井曲线数据和地层数据进行标准化处理，并构建训练数据集、验证数据集和测试数据集；

模型构建模块，用于基于残差模块构建ResNet特征层，所述ResNet特征层连接全局池化层、层全连接层和多输出回归层，所述多输出回归层的输出个数等于待划分地层的个数；

模型训练模块，用于利用所述训练数据集对构建的模型进行训练和参数调整，寻找最优的训练效果；

地层预测模块，用于将所述测试数据集输入到训练得到的模型中，预测待划分地层的地层数据，并计算得到地层深度数据。

第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面中任一项所述的方法的步骤。

本发明至少具有以下有益效果：

在本发明实施例提供的基于ResNet回归模型的地层划分方法中，以目前深度学习领域性能优越的残差卷积神经网络模型为基础，首次采用了特征层+回归层的思路来搭建网络，构建了包括ResNet特征提取层及多输出回归预测层的CNN回归模型，大大加深了神经网络的层数，不存在乱层现象，不用担心网络退化的问题，明显提高了训练网络的性能和预测可靠性；另外，在该方法中，通过数据清洗策略，大大提升了样本的数据质量，进一步显著提高了网络的识别精度和预测可靠性；本发明为基于CNN的地层智能识别提供了一种新的基于目标定位的思路。

附图说明

图1为本发明一个实施例提供的一种基于ResNet回归模型的地层划分方法的流程示意图；

图2为本发明一个实施例中Coif5小波分析示意图；

图3为本发明一个实施例中构建12条曲线样本示意图；

图4为本发明一个实施例中数据截断前后的地层深度相对位置对比图；

图5为本发明一个实施例中数据补全前后的地层深度相对位置对比图；

图6为本发明一个实施例中测井数据图片样本示意图；

图7为本发明一个实施例中构建的模型结构图；

图8为本发明一个实施例中模型训练效果图；

图9为本发明一个实施例提供的一种基于ResNet回归模型的地层划分装置的模块架构框图；

图10为本发明一个实施例提供的一种计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种基于ResNet回归模型的地层划分方法，包括以下步骤：

S1，收集测井曲线数据和地层数据，选取测井曲线数据中的多个测井变量特征。

收集的测井曲线数据和地层数据包括已知井和待划分层井的。本实施例收集的数据情况如下：目标层段深度(地层数据的深度)约为200m，测井曲线数据测深范围为700～1000m，测井曲线曲线深度约300m，测井曲线采样间隔为0.05m，选取微梯度(RMN)、微电位(RMG)、自然伽马(GR)和自然电位(SP)四种测井变量特征作为网络输入。

同时引入小波数据。选取小波变换的处理方法是Coif5小波方法。相比于其他小波基函数，Coiflets小波具有更好的正交性、时频紧支撑、光滑性且适用于对测井数据的快速计算。通过Coif5小波方法对测井曲线数据进行完全分解，最终得到7个低频信号a1～a7和7个高频信号d1～d7(图2所示，红色横线为地层位置)。选取RMN、RMG、GR、SP四条曲线的d6、d7加入到样本训练中。样本曲线共计12条(图3所示，红色横线为地层位置)，构建样本123份。

总的来说，此步骤完成数据获取、分析及筛选：收集测井曲线数据、地层数据，确定目标测井曲线范围(RMN、RMG、SP、GR)，分析测井曲线数据、地层数据的深度范围，挑选出有效数据。

S2，对选取的测井曲线数据进行清洗，并根据地层数据的深度范围，对选取的测井曲线数据进行截断和补全。

完成数据收集后还要对其进行数据清洗，首先对于测井数据中常见的问题例如无效值和缺失值等，对其进行清除处理，随后再进行一致性检查，即根据合理取值范围，检查数据是否合乎要求，发现超出正常范围、逻辑上不合理或者相互矛盾的数据，也对其进行清除处理。

另外，根据地层数据的深度范围，确定测井曲线的样本深度空间，对相应的测井曲线数据进行截断(图4所示)和补全处理(图5所示)。由于模型采用的是回归预测模型，输出为地层在测井样本空间的深度相对位置，也就是深度范围在0％-100％之间，所以地层点在测井数据深度样本空间的分布对模型质量具有较大影响。通过对测井数据的截断和补全，使得地层数据在测井曲线的深度样本空间更加均衡。

总的来说，此步骤完成数据清洗、截断和补全：数据无效值和缺失值处理，根据地层数据的深度范围，确定测井曲线的样本深度空间，对相应的测井曲线数据进行截断和补全处理。

S3，对选取的测井曲线数据和地层数据进行标准化处理，并构建训练数据集、验证数据集和测试数据集。

训练数据集是根据已知井采集到的数据构建的，测试数据集是根据待划分井采集到的数据构建的。步骤S3包括：

对选取的测井曲线数据进行Z-score标准化和0-1归一化处理；

对选取的测井曲线数据进行像素0-255空间处理，保存为测井曲线训练图片，并记录当前图片所代表的深度范围；

对所述地层数据进行标准化，并把地层数据的深度转化为其在测井曲线训练图片相应深度范围的相对值；

根据预设比例对处理后的测井曲线数和地层数据进行划分，构建训练数据集、验证数据集、测试数据集。

换句话说，首先对测井曲线进行标准化处理，先进行Z-score标准化，然后进行0-1归一化处理。为了便于并行化模型训练，需要把数据处理为图片方式，因此进行像素0-255空间处理(图6所示)，保存为样本测井曲线图片，同时记录下当前样本图像的深度范围Depth(pic)。其次对地层标签数据进行标准化，把地层数据的深度转化为其在测井图片深度范围Depth(pic)的相对值。同时根据6:2:2的比例关系对样本数据进行划分，分别构建训练数据集、验证数据集、测试数据集。

总的来说，此步骤完成数据标准化和创建数据集：对测井曲线进行标准化处理，对地层数据也进行标准化处理。构建训练数据集、验证数据集和测试数据集。

S4，基于残差模块构建ResNet特征层，ResNet特征层连接全局池化层、层全连接层和多输出回归层，多输出回归层的输出个数等于待划分地层的个数。

本实施例在残差模块(ResidualBlock)的基础上搭建了训练网络，该网络使用了ResNet50网络作为特征层，连接全局池化层，再加了两个层全连接层，以增强网络对序列数据的回归拟合性能，最后连接多输出层，多输出层的输出个数等于目标地层个数。一个输出层预测一个地层值。网络结构见图7。

S5，利用训练数据集对构建的模型进行训练和参数调整，寻找最优的训练效果。

经过多次调参比对，训练模型中采用自适应矩估(Adam)优化器，学习率为0.0001，批量大小(Batch_Size)为32，训练批次(Epoch)为200，采用均方误差(MSE)作为损失函数来评估预测值和真实值之间的误差。训练效果如图8。

总的来说，步骤S4和S5完成模型搭建、训练及调参：基于残差模块(ResidualBlock)，构建ResNet50特征层，增加全连接网络和多输出回归层，构建模型并且调整参数，寻找最优的训练效果。

S6，将测试数据集输入到训练得到的模型中，预测待划分地层的地层数据，并计算得到地层深度数据。

根据步骤S5训练得到的卷积神经网络模型，将步骤S3中的测试数据输入模型中，得到每个地层点的预测值(百分比值)，然后再根据地层点的预测值和测井图片数据的深度范围，计算得到每个地层点的深度值。

总的来说，此步骤完成预测未知段测井数据：将测试数据集输入训练得到的回归模型中，预测待分层井的地层数据，将输出数据转化为地层深度数据。

本发明实施例提供了一种新型的基于CNN的地层智能分层方法，在该方法中，以目前深度学习领域性能优越的残差卷积神经网络模型为基础，以图像目标识别思路为参考，构建包括ResNet特征提取层及回归预测层的CNN回归模型，通过已知井的测井曲线和地层数据构建样本图像数据，创建训练集进行模型训练，建立测井曲线和地层数据之间的映射关系，从而最终能够用待分层井已钻得测井曲线数据去预测本井的地层数据。

本实施例首次采用了特征层+回归层的图像目标识别思路来构建网络。其次采用了残差模块(ResidualBlock)作为网络的特征层，大大加深神经网络的层数，不存在乱层现象，并且不用担心网络退化的问题，明显提高了训练网络的性能和预测可靠性。另外，该方法通过数据清洗策略，大大提升了样本的数据质量，显著提高了网络的识别精度。

总之，本实施例在图像目标识别思路指引下，搭建了以残差卷积神经网络模型为基础的多输出地层预测的回归模型。该方法首次采用了ResNet50特征层+回归层的图像目标识别思路来构建网络，为基于CNN的地层智能识别提供了一种新的基于目标定位的思路。

应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图9所示，提供了一种基于ResNet回归模型的地层划分装置，包括以下程序模块：

数据获取模块901，用于收集测井曲线数据和地层数据，选取所述测井曲线数据中的多个测井变量特征；

数据清洗模块902，用于对选取的测井曲线数据进行清洗，并根据地层数据的深度范围，对选取的测井曲线数据进行截断和补全；

数据集构建模块903，用于对选取的测井曲线数据和地层数据进行标准化处理，并构建训练数据集、验证数据集和测试数据集；

模型构建模块904，用于基于残差模块构建ResNet特征层，所述ResNet特征层连接全局池化层、层全连接层和多输出回归层，所述多输出回归层的输出个数等于待划分地层的个数；

模型训练模块905，用于利用所述训练数据集对构建的模型进行训练和参数调整，寻找最优的训练效果；

地层预测模块906，用于将所述测试数据集输入到训练得到的模型中，预测待划分地层的地层数据，并计算得到地层深度数据。

关于一种基于ResNet回归模型的地层划分装置的具体限定可以参见上文中对于一种基于ResNet回归模型的地层划分方法的限定，在此不再赘述。上述一种基于ResNet回归模型的地层划分装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于ResNet回归模型的地层划分方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，涉及上述实施例方法中的全部或部分流程。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，涉及上述实施例方法中的全部或部分流程。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random AccessMemory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(StaticRandomAccessMemory，SRAM)或动态随机存取存储器(DynamicRandomAccessMemory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。