基于神经网络识别岩性的方法和装置

技术领域

本申请实施例涉及岩性识别领域，特别涉及一种基于神经网络识别岩性的方法和装置。

背景技术

在石油勘探开发中，由于不同的地层岩性中油气水的含量不同，因此识别地层岩性是寻找油气水的重要途径。而测井曲线能够反映地层岩性，通常会根据测井曲线识别地层岩性。

相关技术中，调用神经网络模型，对测井得到的一个测井曲线中的数据进行识别处理，得到岩性数值，根据该岩性数值确定该测井曲线对应的地层岩性。但是，由于仅考虑一个测井曲线本身，考虑的因素较少，导致岩性识别的准确度较低。

发明内容

本申请实施例提供了一种基于神经网络识别岩性的方法和装置，能够提高岩性识别的准确度。所述技术方案如下：

一方面，提供了一种基于神经网络识别岩性的方法，所述方法包括：

确定每个测井曲线所属的曲线类型对应的第一岩性识别模型；

调用每个第一岩性识别模型，分别对所述每个测井曲线中的目标测井数值进行识别处理，得到每个目标测井数值对应的第一岩性数值，所述第一岩性数值表示录井岩性；

基于所述每个目标测井数值对应的第一岩性数值，生成所述目标深度值对应的岩性特征图；

调用第二岩性识别模型，对所述岩性特征图进行识别处理，得到所述岩性特征图对应的第二岩性数值，所述第二岩性数值表示测井岩性。

可选地，所述基于所述每个目标测井数值对应的第一岩性数值，生成所述目标深度值对应的岩性特征图，包括：

基于所述每个目标测井数值对应的第一岩性数值，分别确定所述每个测井曲线对应的特征点的坐标；

在多个坐标对应的位置处，分别创建一个特征点，由创建的多个特征点构成所述岩性特征图。

可选地，所述基于所述每个目标测井数值对应的第一岩性数值，分别确定所述每个测井曲线对应的特征点的坐标，包括：

获取所述每个测井曲线对应的目标序号；

对于任一测井曲线，将所述测井曲线对应的目标序号确定为横坐标，将所述测井曲线中的目标测井数值对应的第一岩性数值确定为纵坐标；或者，

对于任一测井曲线，将所述测井曲线对应的目标序号确定为纵坐标，将所述测井曲线中的目标测井数值对应的第一岩性数值确定为横坐标。

可选地，所述方法还包括：

基于所述多个目标测井数值，确定一组红绿蓝RGB数值，所述RGB数值表示待生成的多个特征点的颜色信息；

所述在多个坐标对应的位置处，分别创建一个特征点，包括：

在所述多个坐标对应的位置处，分别创建具有所述RGB数值的特征点。

可选地，所述基于所述多个目标测井数值，确定一组红绿蓝RGB数值，包括：

在所述多个测井曲线中的目标测井数值中，随机选取三个目标测井数值；

将选取的三个目标测井数值，确定为所述RGB数值。

可选地，所述调用每个第一岩性识别模型，分别对所述每个测井曲线中的目标测井数值进行识别处理，得到每个目标测井数值对应的第一岩性数值之前，所述方法还包括：

获取样本测井曲线中的样本深度值对应的样本测井数值，以及所述样本深度值对应的第一样本岩性数值，所述第一样本岩性数值表示录井岩性；

调用所述样本测井曲线所属的曲线类型对应的第一岩性识别模型，对所述样本测井数值进行识别处理，得到第一预测岩性数值；

基于所述第一样本岩性数值与所述第一预测岩性数值之间的差异，训练所述第一岩性识别模型。

可选地，所述调用第二岩性识别模型，对所述岩性特征图进行识别处理，得到所述岩性特征图对应的第二岩性数值之前，所述方法还包括：

获取样本深度值对应的样本岩性特征图，以及所述样本岩性特征图对应的第二样本岩性数值，所述第二样本岩性数值表示测井岩性；

调用所述第二岩性识别模型，对所述样本岩性特征图进行识别处理，得到所述样本岩性特征图对应的第二预测岩性数值；

基于所述第二样本岩性数值与所述第二预测岩性数值之间的差异，训练所述第二岩性识别模型。

可选地，所述获取样本深度值对应的样本岩性特征图，包括：

分别获取多个样本测井曲线中的样本深度值对应的样本测井数值；

确定每个样本测井曲线所属的曲线类型对应的第一岩性识别模型；

调用每个第一岩性识别模型，分别对所述每个样本测井曲线中的样本测井数值进行识别处理，得到每个样本测井数值对应的第一样本岩性数值，所述第一样本岩性数值表示录井岩性；

基于所述每个样本测井数值对应的第一样本岩性数值，生成所述样本深度值对应的样本岩性特征图。

可选地，所述第二岩性识别模型包括依次连接的输入层、第一卷积层、第一非线性修正单元ReLU层、通道归一化层、第一池化层、第二卷积层、第二ReLU层、第二池化层、修正层、全连接层、特征回归层和输出层。

另一方面，提供了一种基于神经网络识别岩性的装置，所述装置包括：

数值查询模块，用于从同一个井对应的多个测井曲线中，分别查询目标深度值对应的目标测井数值；

模型确定模块，用于确定每个测井曲线所属的曲线类型对应的第一岩性识别模型；

第一识别模块，用于调用每个第一岩性识别模型，分别对所述每个测井曲线中的目标测井数值进行识别处理，得到每个目标测井数值对应的第一岩性数值，所述第一岩性数值表示录井岩性；

特征图生成模块，用于基于所述每个目标测井数值对应的第一岩性数值，生成所述目标深度值对应的岩性特征图；

第二识别模块，用于调用第二岩性识别模型，对所述岩性特征图进行识别处理，得到所述岩性特征图对应的第二岩性数值，所述第二岩性数值表示测井岩性。

可选地，所述特征图生成模块，包括：

坐标确定单元，用于基于所述每个目标测井数值对应的第一岩性数值，分别确定所述每个测井曲线对应的特征点的坐标；

特征图创建单元，用于在多个坐标对应的位置处，分别创建一个特征点，由创建的多个特征点构成所述岩性特征图。

可选地，所述坐标确定单元，用于：

获取所述每个测井曲线对应的目标序号；

对于任一测井曲线，将所述测井曲线对应的目标序号确定为横坐标，将所述测井曲线中的目标测井数值对应的第一岩性数值确定为纵坐标；或者，

对于任一测井曲线，将所述测井曲线对应的目标序号确定为纵坐标，将所述测井曲线中的目标测井数值对应的第一岩性数值确定为横坐标。

可选地，所述装置还包括：

数值确定模块，用于基于所述多个目标测井数值，确定一组红绿蓝RGB数值，所述RGB数值表示待生成的多个特征点的颜色信息；

所述特征图生成单元，用于：

在所述多个坐标对应的位置处，分别创建具有所述RGB数值的特征点。

可选地，所述数值确定模块，包括：

数值选取单元，用于在所述多个测井曲线中的目标测井数值中，随机选取三个目标测井数值；

数据确定单元，用于将选取的三个目标测井数值，确定为所述RGB数值。

可选地，所述装置还包括：

第一样本获取模块，用于获取样本测井曲线中的样本深度值对应的样本测井数值，以及所述样本深度值对应的第一样本岩性数值，所述第一样本岩性数值表示录井岩性；

所述第一识别模块，还用于调用所述样本测井曲线所属的曲线类型对应的第一岩性识别模型，对所述样本测井数值进行识别处理，得到第一预测岩性数值；

第一训练模块，用于基于所述第一样本岩性数值与所述第一预测岩性数值之间的差异，训练所述第一岩性识别模型。

可选地，所述装置还包括：

第二样本获取模块，用于获取样本深度值对应的样本岩性特征图，以及所述样本岩性特征图对应的第二样本岩性数值，所述第二样本岩性数值表示测井岩性；

所述第二识别模块，还用于调用所述第二岩性识别模型，对所述样本岩性特征图进行识别处理，得到所述样本岩性特征图对应的第二预测岩性数值；

第二训练模块，用于基于所述第二样本岩性数值与所述第二预测岩性数值之间的差异，训练所述第二岩性识别模型。

可选地，所述第二样本获取模块，包括：

数值查询单元，用于分别获取多个样本测井曲线中的样本深度值对应的样本测井数值；

模型确定单元，用于确定每个样本测井曲线所属的曲线类型对应的第一岩性识别模型；

识别单元，用于调用每个第一岩性识别模型，分别对所述每个样本测井曲线中的样本测井数值进行识别处理，得到每个样本测井数值对应的第一样本岩性数值，所述第一样本岩性数值表示录井岩性；

特征图生成单元，用于基于所述每个样本测井数值对应的第一样本岩性数值，生成所述样本深度值对应的样本岩性特征图。

可选地，所述第二岩性识别模型包括依次连接的输入层、第一卷积层、第一非线性修正单元ReLU层、通道归一化层、第一池化层、第二卷积层、第二ReLU层、第二池化层、修正层、全连接层、特征回归层和输出层。

另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以实现如上述方面所述的基于神经网络识别岩性的方法中所执行的操作。

另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以实现如上述方面所述的基于神经网络识别岩性的方法中所执行的操作。

另一方面，提供了一种计算机程序产品或计算机程序，所述计算机程序产品或所述计算机程序包括计算机程序代码，所述计算机程序代码存储在计算机可读存储介质中，所述计算机程序代码由处理器加载并执行，以实现如上述方面所述的基于神经网络识别岩性的方法中所执行的操作。

本申请实施例提供的技术方案带来的有益效果至少包括：

本申请实施例提供的方法和装置，通过第一岩性识别模型将多个测井曲线的测井数值转换成第一岩性数值，使用各条测井曲线对应的第一岩性数值进行图形化，得到输入第二岩性识别模型的岩性特征图，由于岩性特征图融合了测井数值和岩性数值中的信息，增加了数据的表现形式，从而增大了特征之间的差异性，因此再调用第二岩性识别模型对该岩性特征图进行识别得到第二岩性数值，能够提高岩性识别的准确度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种基于神经网络识别岩性的方法的流程图；

图2是本申请实施例提供的一种基于神经网络识别岩性的系统框架的示意图；

图3是本申请实施例提供的一种训练第一岩性识别模型的示意图；

图4是本申请实施例提供的一种获取岩性特征图的示意图；

图5是本申请实施例提供的另一种获取岩性特征图的示意图；

图6是本申请实施例提供的一种基于神经网络识别岩性的方法的流程图；

图7是本申请实施例提供的一种第一岩性识别模型的结构示意图；

图8是本申请实施例提供的一种岩性特征图的示意图；

图9是本申请实施例提供的一种第二岩性识别模型的示意图；

图10是本申请实施例提供的一种训练第一岩性识别模型的流程图；

图11是本申请实施例提供的一种训练第二岩性识别模型的流程图；

图12是本申请实施例提供的一种测井曲线的示意图；

图13是本申请实施例提供的一种测井曲线的示意图；

图14是本申请实施例提供的一种测井数值和岩性数值的示意图；

图15是本申请实施例提供的一种岩性数值的示意图；

图16是本申请实施例提供的一种岩性识别精度的示意图；

图17是本申请实施例提供的一种基于神经网络识别岩性的装置的结构示意图；

图18是本申请实施例提供的一种基于神经网络识别岩性的装置的结构示意图；

图19是本申请实施例提供的一种终端的结构示意图；

图20是本申请实施例提供的一种服务器的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种概念，但除非特别说明，这些概念不受这些术语限制。这些术语仅用于将一个概念与另一个概念区分。举例来说，在不脱离本申请的范围的情况下，可以将第一岩性识别模型称为第二岩性识别模型，将第二岩性识别模型称为第一岩性识别模型。

图1是本申请实施例提供的一种基于神经网络识别岩性的方法的流程图，本申请实施例的执行主体为计算机设备。可选地，该计算机设备为终端，该终端为便携式、袖珍式、手持式等多种类型的终端，如智能手机、平板电脑、笔记本电脑、台式计算机等。可选地，本申请实施例的执行主体为服务器，该服务器是独立的物理服务器，或者是多个物理服务器构成的服务器集群或者分布式系统，或者是提供基础云计算服务的云服务器。参见图1，该方法包括：

101、从同一个井对应的多个测井曲线中，分别查询目标深度值对应的目标测井数值。

102、确定每个测井曲线所属的曲线类型对应的第一岩性识别模型。

103、调用每个第一岩性识别模型，分别对每个测井曲线中的目标测井数值进行识别处理，得到每个目标测井数值对应的第一岩性数值。其中，第一岩性数值表示录井岩性。

104、基于每个目标测井数值对应的第一岩性数值，生成目标深度值对应的岩性特征图。

105、调用第二岩性识别模型，对岩性特征图进行识别处理，得到岩性特征图对应的第二岩性数值。其中，第二岩性数值表示测井岩性。

本申请实施例提供的方法，通过第一岩性识别模型将多个测井曲线的测井数值转换成第一岩性数值，使用各条测井曲线对应的第一岩性数值进行图形化，得到输入第二岩性识别模型的岩性特征图，由于岩性特征图融合了测井数值和岩性数值中的信息，增加了数据的表现形式，从而增大了特征之间的差异性，因此再调用第二岩性识别模型对该岩性特征图进行识别得到第二岩性数值，能够提高岩性识别的准确度。

可选地，基于每个目标测井数值对应的第一岩性数值，生成目标深度值对应的岩性特征图，包括：

基于每个目标测井数值对应的第一岩性数值，分别确定每个测井曲线对应的特征点的坐标；

在多个坐标对应的位置处，分别创建一个特征点，由创建的多个特征点构成岩性特征图。

可选地，基于每个目标测井数值对应的第一岩性数值，分别确定每个测井曲线对应的特征点的坐标，包括：

获取每个测井曲线对应的目标序号；

对于任一测井曲线，将测井曲线对应的目标序号确定为横坐标，将测井曲线中的目标测井数值对应的第一岩性数值确定为纵坐标；或者，

对于任一测井曲线，将测井曲线对应的目标序号确定为纵坐标，将测井曲线中的目标测井数值对应的第一岩性数值确定为横坐标。

可选地，方法还包括：

基于多个目标测井数值，确定一组红绿蓝RGB数值，RGB数值表示待生成的多个特征点的颜色信息；

在多个坐标对应的位置处，分别创建一个特征点，包括：

在多个坐标对应的位置处，分别创建具有RGB数值的特征点。

可选地，基于多个目标测井数值，确定一组红绿蓝RGB数值，包括：

在多个测井曲线中的目标测井数值中，随机选取三个目标测井数值；

将选取的三个目标测井数值，确定为RGB数值。

可选地，调用每个第一岩性识别模型，分别对每个测井曲线中的目标测井数值进行识别处理，得到每个目标测井数值对应的第一岩性数值之前，方法还包括：

获取样本测井曲线中的样本深度值对应的样本测井数值，以及样本深度值对应的第一样本岩性数值，第一样本岩性数值表示录井岩性；

调用样本测井曲线所属的曲线类型对应的第一岩性识别模型，对样本测井数值进行识别处理，得到第一预测岩性数值；

基于第一样本岩性数值与第一预测岩性数值之间的差异，训练第一岩性识别模型。

可选地，调用第二岩性识别模型，对岩性特征图进行识别处理，得到岩性特征图对应的第二岩性数值之前，方法还包括：

获取样本深度值对应的样本岩性特征图，以及样本岩性特征图对应的第二样本岩性数值，第二样本岩性数值表示测井岩性；

调用第二岩性识别模型，对样本岩性特征图进行识别处理，得到样本岩性特征图对应的第二预测岩性数值；

基于第二样本岩性数值与第二预测岩性数值之间的差异，训练第二岩性识别模型。

可选地，获取样本深度值对应的样本岩性特征图，包括：

分别获取多个样本测井曲线中的样本深度值对应的样本测井数值；

确定每个样本测井曲线所属的曲线类型对应的第一岩性识别模型；

调用每个第一岩性识别模型，分别对每个样本测井曲线中的样本测井数值进行识别处理，得到每个样本测井数值对应的第一样本岩性数值，第一样本岩性数值表示录井岩性；

基于每个样本测井数值对应的第一样本岩性数值，生成样本深度值对应的样本岩性特征图。

可选地，第二岩性识别模型包括依次连接的输入层、第一卷积层、第一非线性修正单元ReLU层、通道归一化层、第一池化层、第二卷积层、第二ReLU层、第二池化层、修正层、全连接层、特征回归层和输出层。

图2为本申请实施例提供的一种基于神经网络识别岩性的系统框架的示意图，如图2所示，该系统框架中包括岩性识别系统10、训练系统20、训练数据30和数据收集系统40。其中，数据收集系统40收集训练数据30。训练系统20使用训练数据30训练第一岩性识别模型110和第二岩性识别模型120。在本申请实施例中，第二岩性识别模型120为卷积神经网络(CNN，Convolutional Neural Networks)模型。岩性识别系统10调用经训练系统20训练得到的第一岩性识别模型110和第二岩性识别模型120，对测井数据50进行岩性识别，得到岩性识别结果60。

在一种可能实现方式中，训练数据30包括多条测井曲线的测井数值，以及第一样本岩性数值和第二样本岩性数值。测井数值包括多个深度值对应的测井数值。第一样本岩性数值和第二样本岩性数值包括多个深度点值对应的岩性数值，第一样本岩性数值和第二样本岩性数值的来源不同。可选地，第一样本岩性数值为实际录井岩性数值，第二样本岩性数值为测井精细解释岩性数值。

在一种可能实现方式中，如图2所示，训练系统20包括第一训练模块210、图形化模块230以及第二训练模块220。其中，第一训练模块210设置为训练第一岩性识别模型110，第二训练模块220设置为训练第二岩性识别模型110，图形化模块230设置为对第一岩性识别模型110的输出结果进行图形化处理，以得到第二岩性识别模型120的输入。第二训练模块220设置为使用图形化模块230生成的样本岩性特征图训练第二岩性识别模型120。

在一种可能实现方式中，如图2所示，岩性识别系统10中包括第一岩性识别模型110、第二岩性识别模型120、第一接口130、第二接口140和图形化模块150。第一接口130设置为使用第一岩性识别模型110分别输出多条测井曲线的第一岩性数值。图形化模块150设置为对多个第一岩性数值进行图形化处理，得到基于多条测井曲线的第一岩性数值生成的岩性特征图。第二接口140设置为使用第二岩性识别模型120输出第二岩性数值，得到岩性识别结果60。

在一种可能实现方式中，对于单个测井曲线，第一训练模块210训练该测井曲线所属的曲线类型对应的第一岩性识别模型110。如图3所示，测井曲线a、测井曲线b和测井曲线c所属的曲线类型不同。第一训练模块210设置为以测井曲线a为输入，以测井曲线a的第一样本岩性数值为输出目标，来进行模型的训练，得到测井曲线a所属的曲线类型对应的第一岩性识别模型110a。第一训练模块210以测井曲线b为输入，以测井曲线b对应的第一样本岩性数值为输出目标，来进行模型的训练，得到测井曲线b所属的曲线类型对应的第一岩性识别模型110b。第一训练模块210以测井曲线c为输入，以测井曲线c的第一样本岩性数值为输出目标，来进行模型的训练，得到测井曲线c所属的曲线类型对应的第一岩性识别模型110c。

在一种可能实现方式中，如图4所示，在训练系统20中，分别调用第一训练模块210训练的第一岩性识别模型110a、第一岩性识别模型110b和第一岩性识别模型110c，输出测井曲线a、测井曲线b和测井曲线c对应多个深度值对应的第一岩性数值d、第一岩性数值e和第一岩性数值f，图形化模块230基于第一岩性数值d、第一岩性数值e和第一岩性数值f进行图形化处理，得到多个深度值对应的多个样本岩性特征图231。

在一种可能实现方式中，如图5所示，在岩性识别系统10中，第一接口130接收测井数据50，并分别调用经训练的第一岩性识别模型110a、第一岩性识别模型110b和第一岩性识别模型110c输出测井曲线50a、测井曲线50b和测井曲线50c对应的多个深度值的第一岩性数值x、第一岩性数值y和第一岩性数值z。图形化模块150对第一岩性数值、第一岩性数值y和第一岩性数值z进行图形化处理，得到多个深度值对应的多个岩性特征图151。

应当理解，图2至图5中虽然仅示出了分别对三条测井曲线进行处理的过程，但这并不是对测井曲线的数量的限定，本申请实施例可包括更多或更少的测井曲线，本申请实施例对测井曲线的数量不做限定。

图6是本申请实施例提供的一种基于神经网络识别岩性的方法的流程图。本申请实施例的执行主体为计算机设备。参见图6，该方法包括：

601、计算机设备从同一个井对应的多个测井曲线中，分别查询目标深度值对应的目标测井数值。

在石油勘探开发中，通过测井曲线识别地层岩性是寻找油气水的重要途径。不同的地层岩性，蕴含油气水不同，准确无误的判定识别地层岩性，对寻找油气水层有着决定性的作用。测井曲线是指在测井时确定的能够反映地层岩性的曲线，通过测井曲线识别地层岩性，是指导寻找油气水层的重要环节。

由于地下埋藏岩石的组成成分不同，因此用于探测岩石中不同成分属性的测井仪器所测的测井曲线也就不同，测井仪器所测测井曲线的不同，决定了可以采用测井曲线来划分识别地层岩性。由于测井仪器对于不同岩石响应特征和岩石组成成分对测井仪器所测的测井曲线具有非线性性质，直接采用测井曲线识别地层岩性具有不确定性。并且，由于测井曲线和地层岩性之间的对应关系，属于非线性的对应关系对应系统，因此采用测井曲线识别地层岩性不能够使用线性识别划分的方法。因此本申请实施例提供了一种基于神经网络识别岩性的方法。

其中，测井曲线包括多种不同的曲线类型，例如，测井曲线包括自然电位(SP，SelfPotential)测井曲线、R25测井曲线和深侧向RT测井曲线等。在该步骤601中，计算机设备获取的多个测井曲线所属的曲线类型不同。其中，每个测井曲线包括多个深度值对应的测井数值，对于一个测井曲线来说，一个深度值对应一个测井数值，深度值表示地层的深度。

其中，计算机设备从同一个井对应的多个测井曲线中，分别查询目标深度值对应的目标测井数值。需要说明的是，本申请实施例中，仅以识别目标深度值对应的地层的岩性为例进行说明。因此计算机设备获取该目标深度值对应的目标测井数值，后续基于获取的多个目标测井数值进行岩性识别。采用本申请实施例提供的方法，能够识别任一深度值对应的地层的岩性。

计算机设备获取的多个测井曲线的数量可以由计算机设备默认设置，或者由探测人员根据实际需求自行设置，本申请实施例对此不做限定。

602、计算机设备确定每个测井曲线所属的曲线类型对应的第一岩性识别模型。

第一岩性识别模型用于对测井数值进行处理得到对应的岩性数值，由于测井曲线所属的曲线类型不同，测井曲线的特征也不同，因此不同曲线类型的测井曲线，分别对应不同的第一岩性识别模型。因此，对于获取到的多条不同曲线类型的测井曲线，计算机设备分别确定每个测井曲线所属的曲线类型对应的第一岩性识别模型。

603、计算机设备调用每个第一岩性识别模型，分别对所述每个测井曲线中的目标测井数值进行识别处理，得到每个目标测井数值对应的第一岩性数值。

计算机设备分别调用每个测井曲线所属的曲线类型对应的第一岩性识别模型，分别对每个测井曲线中的目标测井数值进行识别处理，得到每个目标测井数值对应的第一岩性数值。也即是，每个测井曲线的目标测井数值对应一个第一岩性数值。

其中，第一岩性数值表示录井岩性，录井岩性是指根据录井过程中得到的数据确定的岩性。可选地，第一岩性数值为实际录井岩性数值。

在一种可能实现方式中，第一岩性识别模型为神经网络模型。卷积神经网络(Convolutional Neural Networks，简称为CNN)，主要用于识别处理图形图像，且效率很高。基于卷积神经网络的深度学习(Deep Learning)是一种既能够处理线性系统又能够处理非线性系统的人工智能方法。

在一种可能实现方式中，第一岩性识别模型为BP(Back Propagation，反向传播)神经网络模型。如图7所示，BP神经网络模型包括：输入层(Input Layer)702、隐层(HiddenLayer)704、输出层(Output Layer)706。隐层704可包括10个神经元节点。测井曲线中的测井数值作为输入层702神经元节点的输入，第一岩性数值作为输出层706神经元节点的输出。

图7所示的BP神经网络模型为包含隐藏神经元和线性输出神经元的三层前馈网络，可以很好地处理多维映射问题，可选地，该BP神经网络使用Levenberg-Marquardt反向传播算法(简称为LM算法)进行训练。

应当理解，本申请实施例中，图7所示的神经网络模型仅作为示例性说明。BP神经网络模型等价于将测井数值插值映射到岩性数值的特征空间中，避免归一化最大最小值选择的问题。该第一岩性识别模型并不限于BP神经网络模型，第一岩性识别模型还可以为其他能够对测井数值进行转换的神经网络模型。

604、计算机设备基于每个目标测井数值对应的第一岩性数值，生成目标深度值对应的岩性特征图。

计算机设备获取到每个目标测井数值对应的第一岩性数值后，对于任一目标测井数值，基于该目标测井数值对应的第一岩性数值，生成该目标测井数值对应的特征点，从而得到多个特征点，由多个特征点构成岩性特征图，该岩性特征图可用于识别和划分地层岩性。

在一种可能实现方式中，计算机设备基于每个目标测井数值对应的第一岩性数值，分别确定每个测井曲线对应的特征点的坐标，在多个坐标对应的位置处，分别创建一个特征点，由创建的多个特征点构成岩性特征图。

可选地，则计算机设备获取每个测井曲线对应的目标序号。对于任一测井曲线，将测井曲线对应的目标序号确定为横坐标，将测井曲线中的目标测井数值对应的第一岩性数值确定为纵坐标。或者，对于任一测井曲线，将测井曲线对应的目标序号确定为纵坐标，将测井曲线中的目标测井数值对应的第一岩性数值确定为横坐标。

以多个测井曲线为3个测井曲线为例，3个测井曲线在目标深度值处的三个特征点依次为A、B和C，在直角坐标系x-y内，目标深度值处的三个特征点设计为三个坐标对，即(x

在一种可能实现方式中，计算机设备基于多个目标测井数值，确定一组红绿蓝RGB数值，RGB数值表示待生成的多个特征点的颜色信息；在多个坐标对应的位置处，分别创建具有RGB数值的特征点。

其中，计算机设备基于多个目标测井数值，确定一组红绿蓝RGB数值。对于任一目标测井数值，分别创建具有RGB数值的特征点。也即是每个特征点都具有相同的颜色通道。

可选地，计算机设备在多个测井曲线中的目标测井数值中，随机选取三个目标测井数值；将选取的三个目标测井数值，确定为RGB数值。其中RGB数值中包括R通道的数值、G通道的数值和B通道的数值，计算机设备随机将三个目标测井数值，分别确定为R通道的数值、G通道的数值和B通道的数值。

以多个测井曲线为3个测井曲线为例，计算机设备基于测井曲线A、测井曲线B和测井曲线C在目标深度值上的测井数值，确定一个RGB数值(R,G,B)＝(a1,b1,c1)，其中，向量(R,G,B)表示由R、G和B组成的颜色向量，a1表示测井曲线A在目标深度值上的测井数值，b1表示测井曲线B在目标深度值上的测井数值，c1表示测井曲线C在目标深度值上的测井数值，向量(A,B,C)表示由测井数值组成的RGB数值，用于表示特征点的颜色信息。

需要说明的是，步骤604中仅以确定目标深度值对应的RGB数值为例进行说明。当需要获取测井曲线中的多个深度值对应的RGB数值时，计算机设备可以颜色矩阵的形式，来表示多个深度值对应的RGB数值。以3个测井曲线为例，计算机设备将3个测井曲线上的所有深度值对应的RGB数值形成一个颜色矩阵(Color Data，简称为CD)，其表示形式为：

其中(A'

例如，多个测井曲线为3个测井曲线，其中，则目标深度值对应有3个特征点，每个特征点的一个坐标值为对应的测井曲线的第一岩性数值，另一个坐标值为预设的目标序号，三个特征点的RGB数值均为3个测井曲线中的目标测井数值。如图8所示，目标深度值上的3个测井曲线对应的第一岩性数值为a、b、c，Y1、Y2和Y3为等差数列，目标深度值对应的3个特征点的坐标分别为(a，Y1)、(b，Y2)和(c，Y3)，每个特征点的RGB数值设置为(A，B，C)，其中，A、B和C为3个测井曲线在目标深度值上对应的测井数值。应当理解，RGB数值的设置不仅可表示为(A，B，C)，其顺序可以任意调整，例如可表示为(B，A，C)等，本申请实施例对此不做限定。

605、计算机设备调用第二岩性识别模型，对岩性特征图进行识别处理，得到岩性特征图对应的第二岩性数值。

第二岩性识别模型用于对岩性特征图进行处理得到对应的岩性数值。计算机设备确定岩性特征图后，则调用第二岩性识别模型对该岩性特征图进行识别处理，得到该岩性特征图对应的第二岩性数值。其中，第二岩性数值表示测井岩性，测井岩性是指根据测井过程中得到的数据确定的岩性。可选地，第二岩性数值为测井精细解释岩性数值。

在一种可能实现方式中，第二岩性识别模型为卷积神经网络模型。可选地，如图9所示，第二岩性识别模型为12层深度的网络，包括依次连接的输入层902、第一卷积层904、第一ReLU(非线性修正单元)层906、通道归一化层908、第一池化层910、第二卷积层912、第二ReLU层914、第二池化层916、修正层918、全连接层920、特征回归层922以及输出层924。

其中，输入层902，设置为对岩性特征图做重采样处理，形成特征图-标签(第二岩性数值)对。第一卷积层904，采用二维卷积对输入层902的图像进行特征提取，卷积核大小选择3×3。第一ReLU层906用于解决梯度消失，ReLU函数形式为非线性激活函数。通道归一化层908中每个元素有5个通道做交叉信道的归一化。第一池化层910用于对特征图的每个局域进行下采样，降低特征维数，提高局部不变性，其中池化采用加和均池化。

其中，第二卷积层912，与第一卷积层904相似。第二ReLU层914，与第一ReLU层906相似。第二池化层916，与第一池化层910相似。修正层918，设置为防止过拟合，随机选择丢弃部分神经元，测试整合所有神经元。全连接层920用于采用神经网络的基本连接方式，接收固定大小岩性特征图作为输入。特征回归层922，设置为对n类岩性特征进行回归判别分析，获得每一类的类特征表达。输出层924输出多维向量，向量元素代表分类，分类所属类别在向量中的位置元素为1，其余位置元素为0，例如为[1,0]。

在一种可能实现方式中，第二岩性识别模型通过反向传播算法和梯度下降算法调整神经网络中的参数值，从而使第二岩性识别模型在训练样本上的损失函数达到最小。第二岩性识别模型在区分岩性时本质上是一个分类问题，因此第二岩性识别模型使用交叉熵作为损失函数，采用梯度下降算法对交叉熵函数进行优化。

应当理解，本申请实施例通过第一岩性识别模型将测井数值进行转换得到第一岩性数值，使用第一岩性数值进行图形化，得到输入第二岩性识别模型的岩性特征图，通过图形化的输入数据和图形化方案来提高图像特征的差异，对于第一岩性识别模型和第二岩性识别模型的训练，可以采用下述图9和图10的实施例中的方法，也可以采用其他训练方法，本申请对此不做限定。

需要说明的是，本申请实施例仅以根据测井曲线中的目标深度值对应的测井数值，识别该目标深度值对应的地层的岩性为例进行说明。在另一实施例中，计算机设备可以同时对测井曲线中的多个深度值对应的测井数值进行处理，从而识别出对个深度值对应的地层的岩性。

本申请实施例能够应用于对任意油田的任意类型测井仪器所测的测井曲线进行识别，来得到测井岩性，同时本申请实施例提出的测井数据图形化处理的思想方法，来处理测井数据。本申请实施例提高了神经网络识别岩性的正确率，提高了人工智能深度网络识别测井岩性的精度，为测井岩性的识别带来了人工智能深度学习方面的新思路和方法。

本申请实施例提供的方法，通过第一岩性识别模型将多个测井曲线的测井数值转换成第一岩性数值，使用各条测井曲线对应的第一岩性数值进行图形化，得到输入第二岩性识别模型的岩性特征图，由于岩性特征图融合了测井数值和岩性数值中的信息，增加了数据的表现形式，从而增大了特征之间的差异性，因此再调用第二岩性识别模型对该岩性特征图进行识别得到第二岩性数值，能够提高岩性识别的准确度。

并且，使用位置信息和颜色信息生成特征点，实现了多维数据的综合利用，进一步提高了岩性识别准确度。

并且，相关技术中3层神经网络等深度较浅结构单一的网络用来识别测井岩性，普遍存在着精度低的问题，且样本是一维向量，富含信息较少，样本类之间的差异性不明显，导致网络识别精度进一步降低。本申请实施例中12层的神经网络模型，对神经网络的结构进行了扩充，能够提高网络的适应能力和效果精度。

图10是本申请实施例提供的一种岩性识别模型训练方法的流程图，本申请实施例训练的第一岩性识别模型可应用与上述图6提供的基于神经网络的识别岩性的方法中。本申请实施例的执行主体为计算机设备。参见图10，该方法包括：

1001、计算机设备获取样本测井曲线中的样本深度值对应的样本测井数值，以及样本深度值对应的第一样本岩性数值。

计算机设备获取样本测井曲线，该样本测井曲线中包括多个样本测井数值，在一次训练过程中，计算机设备获取该样本测井曲线中的某一样本深度值对应的样本测井数值，以及该样本深度值对应的第一样本岩性数值，该第一样本岩性数值表示录井岩性。可选地，该第一样本岩性数值为根据测井曲线人工标注的岩性数值，或者，该第一样本岩性数值为采用其他方法确定的岩性数值，本申请实施例对此不做限定。

1002、计算机设备调用样本测井曲线所属的曲线类型对应的第一岩性识别模型，对样本测井数值进行识别处理，得到第一预测岩性数值。

该步骤1002中获取第一预测岩性数值的过程与上述步骤603中获取第一岩性数值的过程同理，在此不再一一赘述。

1003、计算机设备基于第一样本岩性数值与第一预测岩性数值之间的差异，训练第一岩性识别模型。

第一样本岩性数值为样本测井数值对应的真实的岩性数值，第一预测岩性数值为样本测井数值对应的预测的岩性数值，第一岩性识别模型的训练目的为输出更加准确的岩性数值。因此，计算机设备基于第一样本岩性数值和第一预测岩性数值之间的差异，调整第一岩性识别模型的参数以使第一样本岩性数值与第一预测岩性数值之间的差异越来越小，从而得到该曲线类型对应的准确率更高的第一岩性识别模型。

需要说明的是，本申请实施例中仅以训练一种曲线类型对应的第一岩性识别模型为例进行说明，在另一种可能实现方式中，计算机设备采用上述步骤1001-1003中的方法，分别训练多个曲线类型对应的第一岩性识别模型。

图11是本申请实施例提供的一种岩性识别模型训练方法的流程图。本申请实施例的执行主体为计算机设备。参见图11，该方法包括：

1101、计算机设备分别获取多个样本测井曲线中的样本深度值对应的样本测井数值。

1102、计算机设备确定每个样本测井曲线所属的曲线类型对应的第一岩性识别模型。

1103、计算机设备调用每个第一岩性识别模型，分别对每个样本测井曲线中的样本测井数值进行识别处理，得到每个样本测井数值对应的第一样本岩性数值。

1104、计算机设备基于每个样本测井数值对应的第一样本岩性数值，生成样本深度值对应的样本岩性特征图。

其中，步骤1101-1104中生成样本岩性特征图的过程与上述步骤601-604中生成岩性特征图的过程同理，在此不再一一赘述。

可选地，该第一岩性识别模型为上述图11的实施例中训练得到的第一岩性识别模型。并且，步骤1101-1103中获取样本岩性特征图所采用的样本测井曲线，与上述图10的实施例中训练第一岩性识别模型所采用的样本测井曲线可以相同，也可以不同。

需要说明的是，本申请实施例仅以通过执行步骤1101-1104为例，说明获取样本深度值对应的样本岩性特征图的过程，在另一实施例中，计算机设备还可以采用其他方式获取样本岩性特征图。例如，计算机设备获取预先存储的样本岩性特征图，或者，计算机设备从其他设备中下载样本岩性特征图等。

1105、计算机设备获取样本岩性特征图对应的第二样本岩性数值。

计算机设备生成的样本岩性特征图为样本深度值对应的岩性特征图，则该样本岩性特征图对应的岩性数值即为该样本深度值对应的第二样本岩性数值，第二样本岩性数值表示测井岩性，可选地，该第二样本岩性数值为根据样本深度值对应的样本测井数值人工标注的岩性数值，或者该第二样本岩性数值为采用其他方法确定的岩性数值，本申请实施例对此不做限定。

1106、计算机设备调用第二岩性识别模型，对样本岩性特征图进行识别处理，得到样本岩性特征图对应的第二预测岩性数值。

该步骤1106中获取第二预测岩性数值的过程与上述步骤605中获取第二岩性数值的过程同理，在此不再一一赘述。

1107、计算机设备基于第二样本岩性数值与第二预测岩性数值之间的差异，训练第二岩性识别模型。

第二样本岩性数值为样本岩性特征图对应的真实的岩性数值，第二预测岩性数值为样本岩性特征图对应的预测的岩性数值，第二岩性识别模型的训练目的为输出更加准确的岩性数值。因此，计算机设备基于第二样本岩性数值和第二预测岩性数值之间的差异，调整第二岩性识别模型的参数以使第二样本岩性数值与第二预测岩性数值之间的差异越来越小，从而得到该准确率更高的第二岩性识别模型。

在一种可能实现方式中，训练第二岩性识别模型的输入样本是在训练样本的基础上通过第一岩性识别模型进行处理后获得的。其中，在第一岩性识别模型和第二岩性识别模型连接处，将输出的岩性数值进行图形化的排列组合，多个岩性数值绘制在二维坐标系下的特征点上，再对特征点进行着色，即可得到第二岩性识别模型的输入样本。本申请实施例采用第一岩性识别模型和第二岩性识别模型组合的方式来识别测井岩性，网络结构的深度比单层和双层卷积神经网络更加复杂和庞大，岩性识别的准确率也更高。

下面以某个井的测井曲线为自然电位曲线SP、电阻率R25和深侧向曲线RT为例，对本申请实施例的提供的岩性识别方法进行说明。

该井中为900.5m-2714.1058m的井段有岩性标示，岩性标示包括实际录井岩性数值(第一岩性数值)和精细解释岩性数值(第二岩性数值)，如图12和图13所示，测井曲线SP、R25和RT在有岩性标示的井段具有测井数值。

步骤1：采用测井曲线SP、R25和RT与所对应的实际录井岩性数值分别在第一岩性识别模型中进行神经网络学习。其中一个测井曲线的深度值对应的测井数值(作为输入)与实际录井岩性数值(作为训练目标)进行学习，获得该测井曲线对应的第一岩性识别模型。

步骤2：用步骤1中训练好的三个第一岩性识别模型对不同井段测井曲线SP、R25和RT进行识别处理，得到对应的第一岩性数值，相当于将测井数值插值映射到录井岩性的数值空间中，得到3个第一岩性曲线，图14为将测井曲线插值映射至录井岩性空间中的数据结果图，其中，0.2代表泥岩、0.4代表砂砾岩。图15为第一岩性识别模型预测的第一岩性数值和实际录井岩性对比结果图。

参考图14所示，不同测井曲线的测井数值差异非常大，使用第一岩性识别模型处理后，不同测井曲线的第一岩性数值差异较小，接近实际录井岩性数值(图14中为0.2和0.4，但不限于此)。在图形化时，由深度值上的多条测井曲线对应的第一岩性数值，确定岩性特征图上的特征点的相对位置关系，提供特征的差异，进而提高岩性识别的精度。

步骤3：将步骤2生成的3个录井岩性结果进行图形化，逐点生成录井岩性图片(岩性特征图)。把生成的录井岩性图片作为第二岩性识别模型的输入，测井精细解释岩性结果作为目标，训练第二岩性识别模型。

步骤4：将步骤1-3生成的3个第一步骤3：和第二步骤3：用于其他井段中测井岩性的预测。

其中，该井有岩性标示的井段为900.5m-2714.1058m，三条测井曲线SP、R25和RT的深度采样间隔为0.125m，有岩性标示的井段共可形成14513个岩性特征图。将14513个岩性特征图随机分为两部分，一部分包含6845个岩性特征图，作为训练样本，一部分包含7668个岩性特征图，作为测试样本。该第二岩性识别模型经过6845个岩性特征图的训练，使用7668个岩性特征图对训练好的模型进行测试，测试结果的识别精度见表1和图16所示，图16中横坐标为岩性识别结果，纵坐标为识别精度。

表1

图17是本申请实施例提供的一种训练岩性识别模型的装置的结构示意图。参见图17，该装置包括：

数值查询模块1701，用于从同一个井对应的多个测井曲线中，分别查询目标深度值对应的目标测井数值；

模型确定模块1702，用于确定每个测井曲线所属的曲线类型对应的第一岩性识别模型；

第一识别模块1703，用于调用每个第一岩性识别模型，分别对每个测井曲线中的目标测井数值进行识别处理，得到每个目标测井数值对应的第一岩性数值，第一岩性数值表示录井岩性；

特征图生成模块1704，用于基于每个目标测井数值对应的第一岩性数值，生成目标深度值对应的岩性特征图；

第二识别模块1705，用于调用第二岩性识别模型，对岩性特征图进行识别处理，得到岩性特征图对应的第二岩性数值，第二岩性数值表示测井岩性。

可选地，参见图18，特征图生成模块1704，包括：

坐标确定单元17041，用于基于每个目标测井数值对应的第一岩性数值，分别确定每个测井曲线对应的特征点的坐标；

特征图创建单元17042，用于在多个坐标对应的位置处，分别创建一个特征点，由创建的多个特征点构成岩性特征图。

可选地，参见图18，坐标确定单元17041，用于：

获取每个测井曲线对应的目标序号；

对于任一测井曲线，将测井曲线对应的目标序号确定为横坐标，将测井曲线中的目标测井数值对应的第一岩性数值确定为纵坐标；或者，

对于任一测井曲线，将测井曲线对应的目标序号确定为纵坐标，将测井曲线中的目标测井数值对应的第一岩性数值确定为横坐标。

可选地，参见图18，装置还包括：

数值确定模块1706，用于基于多个目标测井数值，确定一组红绿蓝RGB数值，RGB数值表示待生成的多个特征点的颜色信息；

特征图生成单元17042，用于：

在多个坐标对应的位置处，分别创建具有RGB数值的特征点。

可选地，参见图18，数值确定模块1706，包括：

数值选取单元17061，用于在多个测井曲线中的目标测井数值中，随机选取三个目标测井数值；

数据确定单元17062，用于将选取的三个目标测井数值，确定为RGB数值。

可选地，参见图18，装置还包括：

第一样本获取模块1707，用于获取样本测井曲线中的样本深度值对应的样本测井数值，以及样本深度值对应的第一样本岩性数值，第一样本岩性数值表示录井岩性；

第一识别模块1703，还用于调用样本测井曲线所属的曲线类型对应的第一岩性识别模型，对样本测井数值进行识别处理，得到第一预测岩性数值；

第一训练模块1708，用于基于第一样本岩性数值与第一预测岩性数值之间的差异，训练第一岩性识别模型。

可选地，参见图18，装置还包括：

第二样本获取模块1709，用于获取样本深度值对应的样本岩性特征图，以及样本岩性特征图对应的第二样本岩性数值，第二样本岩性数值表示测井岩性；

第二识别模块1705，还用于调用第二岩性识别模型，对样本岩性特征图进行识别处理，得到样本岩性特征图对应的第二预测岩性数值；

第二训练模块1710，用于基于第二样本岩性数值与第二预测岩性数值之间的差异，训练第二岩性识别模型。

可选地，参见图18，第二样本获取模块1709，包括：

数值查询单元17091，用于分别获取多个样本测井曲线中的样本深度值对应的样本测井数值；

模型确定单元17092，用于确定每个样本测井曲线所属的曲线类型对应的第一岩性识别模型；

识别单元17093，用于调用每个第一岩性识别模型，分别对每个样本测井曲线中的样本测井数值进行识别处理，得到每个样本测井数值对应的第一样本岩性数值，第一样本岩性数值表示录井岩性；

特征图生成单元17094，用于基于每个样本测井数值对应的第一样本岩性数值，生成样本深度值对应的样本岩性特征图。

可选地，参见图18，第二岩性识别模型包括依次连接的输入层、第一卷积层、第一非线性修正单元ReLU层、通道归一化层、第一池化层、第二卷积层、第二ReLU层、第二池化层、修正层、全连接层、特征回归层和输出层。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

需要说明的是：上述实施例提供的基于神经网络识别岩性的装置在识别岩性时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将终端或服务器的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于神经网络识别岩性的装置与基于神经网络识别岩性的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图19示出了本申请一个示例性实施例提供的终端1900的结构框图。该终端1900可以是便携式移动终端，比如：智能手机、平板电脑、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端1900还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。

终端1900包括有：处理器1901和存储器1902。

处理器1901可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1901可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1901也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1901可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。在一些实施例中，处理器1901还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器1902可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1902还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1902中的非暂态的计算机可读存储介质用于存储至少一条计算机程序，该至少一条计算机程序用于被处理器1901所执行以实现本申请中方法实施例提供的基于神经网络识别岩性的方法。

在一些实施例中，终端1900还可选包括有：外围设备接口1903和至少一个外围设备。处理器1901、存储器1902和外围设备接口1903之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1903相连。可选地，外围设备包括：射频电路1904、显示屏1905和电源1906中的至少一种。

外围设备接口1903可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器1901和存储器1902。在一些实施例中，处理器1901、存储器1902和外围设备接口1903被集成在同一芯片或电路板上；在一些其他实施例中，处理器1901、存储器1902和外围设备接口1903中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路1904用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路1904通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1904将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1904包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1904可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路1904还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏1905用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1905是触摸显示屏时，显示屏1905还具有采集在显示屏1905的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1901进行处理。此时，显示屏1905还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏1905可以为一个，设置在终端1900的前面板；在另一些实施例中，显示屏1905可以为至少两个，分别设置在终端1900的不同表面或呈折叠设计；在另一些实施例中，显示屏1905可以是柔性显示屏，设置在终端1900的弯曲表面上或折叠面上。甚至，显示屏1905还可以设置成非矩形的不规则图形，也即异形屏。显示屏1905可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-EmittingDiode，有机发光二极管)等材质制备。

电源1906用于为终端1900中的各个组件进行供电。电源1906可以是交流电、直流电、一次性电池或可充电电池。当电源1906包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。

本领域技术人员可以理解，图19中示出的结构并不构成对终端1900的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

图20是本申请实施例提供的一种服务器的结构示意图，该服务器2000可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(Central ProcessingUnits，CPU)2001和一个或一个以上的存储器2002，其中，存储器2002中存储有至少一条计算机程序，该至少一条计算机程序由处理器2001加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。

服务器2000可以用于执行上述基于神经网络识别岩性的方法中服务器所执行的步骤。

本申请实施例还提供了一种计算机设备，该计算机设备包括处理器和存储器，存储器中存储有至少一条计算机程序，该至少一条计算机程序由处理器加载并执行，以实现上述实施例的基于神经网络识别岩性的方法中所执行的操作。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条计算机程序，该至少一条计算机程序由处理器加载并执行，以实现上述实施例的基于神经网络识别岩性的方法中所执行的操作。

本申请实施例还提供了一种计算机程序产品或计算机程序，所述计算机程序产品或所述计算机程序包括计算机程序代码，所述计算机程序代码存储在计算机可读存储介质中，所述计算机程序代码由处理器加载并执行，以实现如上述方面所述的基于神经网络识别岩性的方法中所执行的操作。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上仅为本申请实施例的可选实施例，并不用以限制本申请实施例，凡在本申请实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。