一种基于层数划分处理的测井数据读取方法和装置

技术领域

本发明涉及到计算机领域，特别是涉及到一种基于层数划分处理的测井数据读取方法和装置。

背景技术

石油钻井的过程中需要进行测井，常采用的是无电缆存储式测井仪进行测井。采用无电缆存储式测井仪具有的优点在于，由于测井数据存储在无电缆存储式测井仪中，直到将无电缆存储式测井仪由井底提升至地面后，再进行数据读取，因此其适合应用于水平井、大位移井、多分支井等复杂油井。但是，由于井况越来越复杂，井深也越来越深，导致无电缆存储式测井仪存储的测井数据越来越多，这就引起了两个问题：第一，测井耗时过长；第二，数据读取速度过慢。目前未有解决这两个问题的方案。

发明内容

本发明提出一种基于层数划分处理的测井数据读取方法，包括以下步骤：

S1、通过钻杆将无电缆存储式测井仪输送至井底后，无电缆存储式测井仪通过预设于测井仪中的深度传感器获取井底深度；

S2、无电缆存储式测井仪根据井底深度，对油井进行层数划分处理，以分为相互交叠的多个奇数层和多个偶数层；

S3、在上提无电缆存储式测井仪的过程中，无电缆存储式测井仪判断当前深度是否属于奇数层；

S4、若当前深度属于奇数层，则无电缆存储式测井仪执行第一精测井操作，以获取奇数层数据，并将奇数层数据存储于第一存储区域中，第一存储区域采用堆栈存储结构；

S5、若当前深度属于偶数层，则无电缆存储式测井仪执行第二粗测井操作，以获取偶数层数据，并将偶数层数据存储于第二存储区域中，第二存储区域采用非堆栈存储结构；其中，第一精测井操作的测量时间大于相邻的第二粗测井操作的测量时间；

S6、在无电缆存储式测井仪提升至地面后，位于地面的数据分析终端采用具有双重单片机的读取设备，对无电缆存储式测井仪中的第一存储区域进行第一数据读取处理，以获取第一存储区域中存储的多个奇数层数据，并根据多个奇数层数据，判断是否在奇数层中存在油气藏反应；

S7、若在奇数层中不存在油气藏反应，则数据分析端将多个奇数层数据输入预设的夹层特征数据预测模型中进行处理，以得到夹层特征数据预测模型输出的多个预测特征数据序列；夹层特征数据预测模型基于深度神经网络模型，并采用有监督学习的方式训练而成；多个预测特征数据序列的数量等于多个偶数层的数量；

S8、数据分析端对第二存储区域中存储的每个偶数层数据均进行部分数据提取处理，以得到多个偶数层真实数据序列，并判断多个偶数层真实数据序列是否与多个预测特征数据序列均对应匹配；

S9、若多个偶数层真实数据序列与多个预测特征数据序列不均对应匹配，则数据分析端进行数据优先读取处理，以优先读取不匹配的偶数层数据的方式，对第二存储区域进行第二数据读取处理。

进一步地，具有双重单片机的读取设备包括动力舱、主控板、LCD显示屏和数据传输组件；

动力舱用于向主控板提供电源；

LCD显示屏用于显示数据读取状态；

主控板包含第一单片机、第二单片机、第一缓存和第二缓存，第一缓存和第二缓存均并联于第一单片机和第二单片机之间；在读取数据时，第一单片机与无电缆存储式测井仪信号连接，数据传输组件与数据分析终端信号连接；

在无电缆存储式测井仪提升至地面后，位于地面的数据分析终端采用具有双重单片机的读取设备，对无电缆存储式测井仪中的第一存储区域进行第一数据读取处理，以获取第一存储区域中存储的多个奇数层数据的步骤S6，包括：S601、在无电缆存储式测井仪提升至地面后，位于地面的数据分析终端采用读取设备中的第一单片机，读取无电缆存储式测井仪中的第一存储区域的第一单位数据；其中，第一单位数据存入第一存储区域的时间晚于第一存储区域中其他数据的存储时间；

S602、清空第一缓存，并将第一单位数据写入第一缓存中；

S603、第一单片机读取无电缆存储式测井仪中的第一存储区域的第二单位数据；同时，第二单片机读取第一缓存中的第一单位数据；其中，第二单位数据存入第一存储区域的时间晚于当前第一存储区域中其他数据的存储时间；

S604、清空第二缓存，并将第二单位数据写入第二缓存中；

S605、第一单片机读取无电缆存储式测井仪中的第一存储区域的第三单位数据；同时，第二单片机读取第二缓存中的第二单位数据；其中，第三单位数据存入第一存储区域的时间晚于当前第一存储区域中其他数据的存储时间；

S606、持续进行第三单位数据、…、和第n单位数据的读取操作，以获取第一存储区域中存储的多个奇数层数据；n为大于3的整数，第n单位数据是第一存储区域中最早存储的数据。

进一步地，若在奇数层中不存在油气藏反应，则数据分析端将多个奇数层数据输入预设的夹层特征数据预测模型中进行处理，以得到夹层特征数据预测模型输出的多个预测特征数据序列的步骤S7之前，包括：

S61、获取样本钻井的完整井下数据，并将完整井下数据划分为多个奇数样本层数据和多个偶数样本层数据；其中，样本钻井未发现油气藏反应；

S62、对多个奇数样本层数据分别进行人工标定处理，以标定出多个特征数据序列，并将进行人工标定处理后的多个奇数样本层数据，与未标定的多个偶数样本层数据构成第一训练集；

S63、采用第一训练集对预设的神经网络模型中进行训练，以得到暂时模型；其中，训练过程采用反向传播算法更新各层网络参数；

S64、对多个偶数样本层数据分别进行人工标定处理，以标定出多个特征数据序列，并将进行人工标定处理后的多个偶数样本层数据，与未标定的多个奇数样本层数据构成第二验证集；

S65、采用第二验证集对暂时模型进行验证处理，并判断验证处理的结果是否为验证通过；

S66、若验证处理的结果为验证通过，则将暂时模型记为夹层特征数据预测模型。

进一步地，数据分析端对第二存储区域中存储的每个偶数层数据均进行部分数据提取处理，以得到多个偶数层真实数据序列，并判断多个偶数层真实数据序列是否与多个预测特征数据序列均对应匹配的步骤S8，包括：

S801、根据多个预测特征数据序列，分别对应对第二存储区域中存储的每个偶数层数据进行数据搜索处理，以获取多个搜索结果；

S802、判断多个搜索结果是否为空集；

S803、若多个搜索结果均不为空集，则提取多个搜索结果，并判定多个偶数层真实数据序列与多个预测特征数据序列均对应匹配。

进一步地，数据分析端对第二存储区域中存储的每个偶数层数据均进行部分数据提取处理，以得到多个偶数层真实数据序列，并判断多个偶数层真实数据序列是否与多个预测特征数据序列均对应匹配的步骤S8之后，包括：

S81、若多个偶数层真实数据序列与多个预测特征数据序列均对应匹配，则按存储时间的顺序对第二存储区域进行数据读取处理，以得到顺序排列的多个偶数层数据；

S82、将顺序排列的多个偶数层数据和多个预测特征数据序列，根据匹配关系进行配对，以得到多个数据组，并将多个数据组存入预设的数据库中。

本发明提出一种基于层数划分处理的测井数据读取装置，包括：

井底深度获取单元，用于指示通过钻杆将无电缆存储式测井仪输送至井底后，无电缆存储式测井仪通过预设于测井仪中的深度传感器获取井底深度；

层数划分单元，用于指示无电缆存储式测井仪根据井底深度，对油井进行层数划分处理，以分为相互交叠的多个奇数层和多个偶数层；

奇数层判断单元，用于指示在上提无电缆存储式测井仪的过程中，无电缆存储式测井仪判断当前深度是否属于奇数层；

第一精测井单元，用于指示若当前深度属于奇数层，则无电缆存储式测井仪执行第一精测井操作，以获取奇数层数据，并将奇数层数据存储于第一存储区域中，第一存储区域采用堆栈存储结构；

第二粗测井单元，用于指示若当前深度属于偶数层，则无电缆存储式测井仪执行第二粗测井操作，以获取偶数层数据，并将偶数层数据存储于第二存储区域中，第二存储区域采用非堆栈存储结构；其中，第一精测井操作的测量时间大于相邻的第二粗测井操作的测量时间；

第一数据读取单元，用于指示在无电缆存储式测井仪提升至地面后，位于地面的数据分析终端采用具有双重单片机的读取设备，对无电缆存储式测井仪中的第一存储区域进行第一数据读取处理，以获取第一存储区域中存储的多个奇数层数据，并根据多个奇数层数据，判断是否在奇数层中存在油气藏反应；

多个预测特征数据序列获取单元，用于指示若在奇数层中不存在油气藏反应，则数据分析端将多个奇数层数据输入预设的夹层特征数据预测模型中进行处理，以得到夹层特征数据预测模型输出的多个预测特征数据序列；夹层特征数据预测模型基于深度神经网络模型，并采用有监督学习的方式训练而成；多个预测特征数据序列的数量等于多个偶数层的数量；

多个偶数层真实数据序列获取单元，用于指示数据分析端对第二存储区域中存储的每个偶数层数据均进行部分数据提取处理，以得到多个偶数层真实数据序列，并判断多个偶数层真实数据序列是否与多个预测特征数据序列均对应匹配；

第二数据读取单元，用于指示若多个偶数层真实数据序列与多个预测特征数据序列不均对应匹配，则数据分析端进行数据优先读取处理，以优先读取不匹配的偶数层数据的方式，对第二存储区域进行第二数据读取处理。

本发明提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任一项方法的步骤。

本发明提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项的方法的步骤。

本发明的基于层数划分处理的测井数据读取方法、装置、计算机设备和存储介质，通过深度传感器获取井底深度；对油井进行层数划分处理，以分为相互交叠的多个奇数层和多个偶数层；判断当前深度是否属于奇数层；执行第一精测井操作，以获取奇数层数据；执行第二粗测井操作，以获取偶数层数据；进行第一数据读取处理，以获取第一存储区域中存储的多个奇数层数据；输入预设的夹层特征数据预测模型中进行处理，以得到夹层特征数据预测模型输出的多个预测特征数据序列；进行部分数据提取处理，以得到多个偶数层真实数据序列，并判断是否对应匹配；若不均对应匹配，则数据分析端进行数据优先读取处理，以优先读取不匹配的偶数层数据的方式，对第二存储区域进行第二数据读取处理，从而解决了无电缆存储式测井仪测井耗时过长，并且数据读取速度过慢的问题，并且解决这两个问题的手段是相辅相成的。

本发明的方案是通过两个终端实现的，即无电缆存储式测井仪和数据分析端，其中无电缆存储式测井仪用于测井，数据分析端用于数据读取与数据处理。

本发明之所以能够最后实现解决测井耗时过长、数据读取速度过慢的问题，并且还能够提前发现油气藏，依赖于整个方案的全部过程。具体地，本发明采用层次划分、采用非均匀测井策略（奇偶层采用的是不同的测井策略）、偶数层数据采用非堆栈式存储、采用具有双重单片机的读取设备、对偶数层进行数据预测、对偶数层数据进行优先读取的环环相扣的操作步骤，使得本发明的目的得以实现。例如，由于采用了层次划分，因此才能进行非均匀测井，才能进行后续的偶数层数据预测；而对偶数层数据进行优先读取的步骤，依赖于数据存储时采用的非堆栈式存储模式等等。

另外，本发明依据的原理在于，申请人发现，地质结构在不包括油气藏的情况下是规律排布的，因此可以通过两个不相邻的地层数据来一定程度的预测两个不相邻的地层之间的夹层地层数据。

因此，本发明的优点包括：

1、采用非均匀测井策略，以一定的测井精度作为代价，减少测井时长，提高了对无电缆存储式测井仪存储的测井数据的读取速度。其中，测井精度的下降是有限的，因为本发明采用了预测特征数据序列进行数据弥补。

2、奇数层数据存储于第一存储区域中，第一存储区域采用堆栈存储结构；偶数层数据存储于第二存储区域中，第二存储区域采用非堆栈存储结构，从而使得最终进行对偶数层数据进行优先读取，以提高数据读取速度并有助于提前发现油气藏成为了可能。

3、采用具有双重单片机的读取设备，缩短了数据流之间的间隔，能够由以前间隔122ms缩短为2.8ms，几乎无间断无等待的闭环的数据传输，达到一个提速的效果。

附图说明

图1 为本发明一实施例的基于层数划分处理的测井数据读取方法的流程示意图；

图2 为本发明一实施例的具有双重单片机的读取设备的结构示意框图；

图3 为本发明一实施例的双重单片机之间连接关系示意框图；

图4 为本发明一实施例的计算机设备的结构示意框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。

参照图1，本发明实施例提供一种基于层数划分处理的测井数据读取方法，包括以下步骤：

S1、通过钻杆将无电缆存储式测井仪输送至井底后，无电缆存储式测井仪通过预设于测井仪中的深度传感器获取井底深度；

S2、无电缆存储式测井仪根据井底深度，对油井进行层数划分处理，以分为相互交叠的多个奇数层和多个偶数层；

S3、在上提无电缆存储式测井仪的过程中，无电缆存储式测井仪判断当前深度是否属于奇数层；

S4、若当前深度属于奇数层，则无电缆存储式测井仪执行第一精测井操作，以获取奇数层数据，并将奇数层数据存储于第一存储区域中，第一存储区域采用堆栈存储结构；

S5、若当前深度属于偶数层，则无电缆存储式测井仪执行第二粗测井操作，以获取偶数层数据，并将偶数层数据存储于第二存储区域中，第二存储区域采用非堆栈存储结构；其中，第一精测井操作的测量时间大于相邻的第二粗测井操作的测量时间；

S6、在无电缆存储式测井仪提升至地面后，位于地面的数据分析终端采用具有双重单片机的读取设备，对无电缆存储式测井仪中的第一存储区域进行第一数据读取处理，以获取第一存储区域中存储的多个奇数层数据，并根据多个奇数层数据，判断是否在奇数层中存在油气藏反应；

S7、若在奇数层中不存在油气藏反应，则数据分析端将多个奇数层数据输入预设的夹层特征数据预测模型中进行处理，以得到夹层特征数据预测模型输出的多个预测特征数据序列；夹层特征数据预测模型基于深度神经网络模型，并采用有监督学习的方式训练而成；多个预测特征数据序列的数量等于多个偶数层的数量；

S8、数据分析端对第二存储区域中存储的每个偶数层数据均进行部分数据提取处理，以得到多个偶数层真实数据序列，并判断多个偶数层真实数据序列是否与多个预测特征数据序列均对应匹配；

S9、若多个偶数层真实数据序列与多个预测特征数据序列不均对应匹配，则数据分析端进行数据优先读取处理，以优先读取不匹配的偶数层数据的方式，对第二存储区域进行第二数据读取处理。

如上述步骤S1-S3，通过钻杆将无电缆存储式测井仪输送至井底后，无电缆存储式测井仪通过预设于测井仪中的深度传感器获取井底深度；无电缆存储式测井仪根据井底深度，对油井进行层数划分处理，以分为相互交叠的多个奇数层和多个偶数层；在上提无电缆存储式测井仪的过程中，无电缆存储式测井仪判断当前深度是否属于奇数层。

本申请中提及的深度传感器可采用任意可行传感器，例如利用检测压强强度的间接检测传感器（即，通过压力传感器检测当前位置的压力，再换算为压强，而根据井深越大，压强越高的原理，即可间接感测出当前井深），或者采用回声法原理的传感器（例如专利文件CN202021561706.2 提供的在井下作业的油田井深检测传感器）。需要注意的是，本申请与传统方案不同的是，本申请的井深传感器在井下作业。

本发明将无电缆存储式测井仪输送至井底的过程，与传统的无电缆存储式测井仪输送至井底的过程并无二致，在此不再赘述。然后再获取井底深度数据，而进行井底深度数据的获取，其目的是为了层数划分，这是本发明的实施前提。本发明依据的原理在于，申请人发现，地质结构在不包括油气藏的情况下是规律排布的，因此可以通过两个不相邻的地层数据来一定程度的预测两个不相邻的地层之间的夹层地层数据。利用这个原理，本发明能够实现减少测井时间和提高数据读取速度的双重目的。而要利用这个原理，首先需要进行层数划分，以将待测油井分为相互交叠的多个奇数层和多个偶数层。而进行层数划分的目的在于，使得不同层次的测井策略不同，即奇数层的测井策略与偶数层的测井策略不同，因此能够降低部分层次的测井时长。因此，需要在上提无电缆存储式测井仪的过程中，无电缆存储式测井仪判断当前深度是否属于奇数层，以便于执行不同的测井策略。

其中，层数划分可以从地面开始划分，也可以从井底开始划分。若从地面开始划分，则离地面最近的一层为第一层，直至划分至井底；若从井底开始划分，则井底层为第一层，直至划分至地面。而奇数层与偶数层的数量，可以相等，也可以相差一层。

如上述步骤S4-S5，若当前深度属于奇数层，则无电缆存储式测井仪执行第一精测井操作，以获取奇数层数据，并将奇数层数据存储于第一存储区域中，第一存储区域采用堆栈存储结构；若当前深度属于偶数层，则无电缆存储式测井仪执行第二粗测井操作，以获取偶数层数据，并将偶数层数据存储于第二存储区域中，第二存储区域采用非堆栈存储结构；其中，第一精测井操作的测量时间大于相邻的第二粗测井操作的测量时间。

其中，奇数层执行的是第一精测井操作，实际上，第一精测井操作与传统方案的测井操作是相同的，耗费时间长测量精度高。在奇数层执行的测井操作，仅有一点与传统方案不同，即，将奇数层数据存储于第一存储区域中，第一存储区域采用堆栈存储结构。本发明中的堆栈存储结构，指的是先存入的数据必须后取出的存储结构，这种存储结构的优势在于读取速度快，但是无法进行选择性读取操作。进一步地，第一存储区域也可以采用任意可行的其他存储结构作为替代，但是必须保证替代的存储结构满足要求：先存入的数据必须后取出；或者，能够进行直接数据读取，但是无法进行选择性读取操作。第一存储区域采用堆栈存储结构，是为了便于后续数据读取处理，之所以要强调这一点，是为了于偶数层数据的存储结构作出区分，最终实现数据快速读取的目的。

对于偶数层而言，其执行的是第二粗测井操作。顾名思义，粗测井操作相比于精测井操作，其精度下降，体现在时间上，即为第一精测井操作的测量时间大于相邻的第二粗测井操作的测量时间，因此能够缩短偶数层的测井时长，从而减少整个测井过程中的测井时长。在此必须提及的一点，本发明不是简单的以精度为代价来减少测井时长，实际上，本发明的精度下降的程度是有限的，这是因为本发明能够利用两个奇数层的数据来预测夹住的偶数层的数据，因此采用的粗测井操作导致的精度下降是可以接受的。并且，对于偶数层的数据存储，其与奇数层的数据存储也不同，即将偶数层数据存储于第二存储区域中，第二存储区域采用非堆栈存储结构。采用这种数据存储方式，其目的在于，使得偶数层数据能够实现选择性搜索、提取，这是与奇数层数据的本质区别，而根据这种区别，本发明才能在后续实现对测井仪数据的快速提取，具体介绍将结合后续步骤详细说明。因此，非堆栈存储结构，实际上也可以被能够进行选择性数据搜索与数据提取的存储结构来代替。

如上述步骤S6-S7，在无电缆存储式测井仪提升至地面后，位于地面的数据分析终端采用具有双重单片机的读取设备，对无电缆存储式测井仪中的第一存储区域进行第一数据读取处理，以获取第一存储区域中存储的多个奇数层数据，并根据多个奇数层数据，判断是否在奇数层中存在油气藏反应；若在奇数层中不存在油气藏反应，则数据分析端将多个奇数层数据输入预设的夹层特征数据预测模型中进行处理，以得到夹层特征数据预测模型输出的多个预测特征数据序列；夹层特征数据预测模型基于深度神经网络模型，并采用有监督学习的方式训练而成；多个预测特征数据序列的数量等于多个偶数层的数量。

对于无电缆存储式测井仪的数据读取过程，是分段进行的，即先读取奇数层数据。由于第一存储区域采用的是堆栈数据结构，因此读取数据的速度快，虽然不能选择性搜索与提取，但是在本发明中，只需要将奇数层数据直接读取即可。另外，采用的是具有双重单片机的读取设备进行数据读取，因此其速度比普通的读取设备要快。而根据多个奇数层数据，判断是否在奇数层中存在油气藏反应的过程，与传统的测井数据分析过程相同，在此不再赘述。

若在奇数层中不存在油气藏反应，表明暂时未找到油气藏，那么假设整个油井均为无油气藏井，则地质结构应当是规律分布的。而此时已经获取了多个奇数层数据，则能够在一定程度上预测偶数层的数据，而预测出的数据能够一定程度上弥补粗测井的精度损失。因此，数据分析端将多个奇数层数据输入预设的夹层特征数据预测模型中进行处理，以得到夹层特征数据预测模型输出的多个预测特征数据序列；夹层特征数据预测模型基于深度神经网络模型，并采用有监督学习的方式训练而成；多个预测特征数据序列的数量等于多个偶数层的数量。另外，采用夹层特征数据预测模型进行预测，其目的除了上述的弥补粗测井的精度损失之外，还具有另一重目的：提高油气藏发现效率。在传统方案中，对于所有的测井数据都是顺序读取，顺序分析，那么无法快速读取并分析出重要井层的数据，也就无法尽快找出油气藏；而本发明不同，由于能够预测出正常的多个预测特征数据序列（这是对应于无油气藏环境下的数据），那么只需要进行数据对比，以确定多个偶数层数据是否与多个预测特征数据序列分别对应匹配，就能够知道是否存在特殊的井层（即有可能出油的井层），因此能够提高油气藏的发现速度。其中，深度神经网络模型可采用任意可行模型，例如卷积神经网络模型，BP神经网络模型、循环神经网络模型和递归神经网络模型等等。另外，在此提及在卷积神经网络模型的特别应用，即先将奇数层数据处理为曲线图，再采用基于卷积神经网络模型训练完成的夹层特征数据预测模型，以曲线图为输入，预测出多个预测特征数据序列。

如图2-3所示，进一步地，具有双重单片机的读取设备包括动力舱、主控板、LCD显示屏和数据传输组件；

动力舱用于向主控板提供电源；

LCD显示屏用于显示数据读取状态；

主控板包含第一单片机、第二单片机、第一缓存（例如为FIFO缓存）和第二缓存（例如为FIFO缓存），第一缓存和第二缓存均并联于第一单片机和第二单片机之间；在读取数据时，第一单片机与无电缆存储式测井仪信号连接，数据传输组件与数据分析终端信号连接；

在无电缆存储式测井仪提升至地面后，位于地面的数据分析终端采用具有双重单片机的读取设备，对无电缆存储式测井仪中的第一存储区域进行第一数据读取处理，以获取第一存储区域中存储的多个奇数层数据的步骤S6，包括：S601、在无电缆存储式测井仪提升至地面后，位于地面的数据分析终端采用读取设备中的第一单片机，读取无电缆存储式测井仪中的第一存储区域的第一单位数据；其中，第一单位数据存入第一存储区域的时间晚于第一存储区域中其他数据的存储时间；

S602、清空第一缓存，并将第一单位数据写入第一缓存中；

S603、第一单片机读取无电缆存储式测井仪中的第一存储区域的第二单位数据；同时，第二单片机读取第一缓存中的第一单位数据；其中，第二单位数据存入第一存储区域的时间晚于当前第一存储区域中其他数据的存储时间；

S604、清空第二缓存，并将第二单位数据写入第二缓存中；

S605、第一单片机读取无电缆存储式测井仪中的第一存储区域的第三单位数据；同时，第二单片机读取第二缓存中的第二单位数据；其中，第三单位数据存入第一存储区域的时间晚于当前第一存储区域中其他数据的存储时间；

S606、持续进行第三单位数据、…、和第n单位数据的读取操作，以获取第一存储区域中存储的多个奇数层数据；n为大于3的整数，第n单位数据是第一存储区域中最早存储的数据。

从而提高了数据读取速度。本发明采用的是具有双重单片机的读取设备，其特点在于，两个单片机之间具有两个缓存，因此能够交替传输数据流，提高读取速度。其工作过程例如如下：MCU1（单片机1）获取仪器4k数据，首先清空第一个缓存并写入第一个缓存，写完后，发送命令给MCU2（单片机2）读取第一个缓存的数据，紧接着又获取仪器第二个4k数据，然后清空第二个缓存并写入第二个缓存，写完后发送命令给MCU2读取第二个缓存的数据，MCU1紧接着又获取第三个4k数据，清空第一个缓存并写入第一个缓存···等。就这样两个MCU，两个缓存，交替协作，完成了4k数据流的采集、传输、存储。把每个环节之间的空闲都利用起来，大大缩短了数据流之间的间隔，由以前间隔122ms缩短为2.8ms，几乎无间断无等待的闭环的数据传输，达到一个提速的效果。

进一步地，若在奇数层中不存在油气藏反应，则数据分析端将多个奇数层数据输入预设的夹层特征数据预测模型中进行处理，以得到夹层特征数据预测模型输出的多个预测特征数据序列的步骤S7之前，包括：

S61、获取样本钻井的完整井下数据，并将完整井下数据划分为多个奇数样本层数据和多个偶数样本层数据；其中，样本钻井未发现油气藏反应；

S62、对多个奇数样本层数据分别进行人工标定处理，以标定出多个特征数据序列，并将进行人工标定处理后的多个奇数样本层数据，与未标定的多个偶数样本层数据构成第一训练集；

S63、采用第一训练集对预设的神经网络模型中进行训练，以得到暂时模型；其中，训练过程采用反向传播算法更新各层网络参数；

S64、对多个偶数样本层数据分别进行人工标定处理，以标定出多个特征数据序列，并将进行人工标定处理后的多个偶数样本层数据，与未标定的多个奇数样本层数据构成第二验证集；

S65、采用第二验证集对暂时模型进行验证处理，并判断验证处理的结果是否为验证通过；

S66、若验证处理的结果为验证通过，则将暂时模型记为夹层特征数据预测模型。

从而获取夹层特征数据预测模型。本发明的模型训练过程是特殊的训练过程，区别于普通的训练过程的地方在于，训练数据也能作为验证数据。虽然这种说法看似违背了机器学习训练的本意，但在本发明中是可行的，具体地，将进行人工标定处理后的多个奇数样本层数据，与未标定的多个偶数样本层数据构成第一训练集，采用第一训练集来训练；将进行人工标定处理后的多个偶数样本层数据，与未标定的多个奇数样本层数据构成第二验证集，以第二验证集来验证。看似数据相同，但实际上，由于进行人工标定的对象不同，因此对于模型而言，其输入的是不同的数据，但在整个训练过程中，相当于无形中增加了数据量，从而更利于模型的训练。当然，也可以采用仅以奇数层为训练数据，偶数层为验证数据的方式进行训练。另外，由于为了避免混淆，本发明未提及样本钻井的数量，但本领域技术人员明白，模型训练时不可能只依赖单个样本钻井，因此实际上，获取样本钻井的完整井下数据指的是，获取多个样本钻井的完整井下数据，即样本钻井的数量为多个；而之所以不指出数量，是为了防止后文的多个奇数样本层数据和多个偶数样本层数据等造成语义混淆。

另外，夹层特征数据预测模型输出的多个预测特征数据序列，与测井仪直接相关，也与训练时人工标定直接相关，例如采用的声波测井法，那么对应的就应当声波相关数据及人工标定数据，预测特征数据序列可以以平衡值、最大值或者最小值等方式呈现。并且由于采用的样本钻井未发现油气藏反应，因此人工标定的特征数据实际上代表了岩层的正常演化（即两个其他地层之间的规律地质结构），也即非油气藏反应时应有的数据特征。

进一步地，虽然本发明只提及利用夹层特征数据预测模型预测夹层数据，但对于奇数层数据的处理，仍然可采用基于神经网络模型的数据分析模型来处理，而这也是油井数据分析的重要方向，当然这不是本发明的重点，因此本发明若同时采用基于神经网络模型的数据分析模型来处理奇数层数据的话，处理过程与传统方案相同即可。

如上述步骤S8-S9，数据分析端对第二存储区域中存储的每个偶数层数据均进行部分数据提取处理，以得到多个偶数层真实数据序列，并判断多个偶数层真实数据序列是否与多个预测特征数据序列均对应匹配；若多个偶数层真实数据序列与多个预测特征数据序列不均对应匹配，则数据分析端进行数据优先读取处理，以优先读取不匹配的偶数层数据的方式，对第二存储区域进行第二数据读取处理。

由前，可知多个预测特征数据序列分别代表不同偶数层在不具有油气藏时，理论上应具有的数据。因此，若第二存储区域中存储的偶数层数据能够均对应匹配，那么就代表此钻井未发现油气藏，无法出油。其中，数据匹配可采用任意可行方式，例如数据相等，或者数据的数值之差在预设的误差范围之内。因此，数据分析端对第二存储区域中存储的每个偶数层数据均进行部分数据提取处理，以得到多个偶数层真实数据序列，并判断多个偶数层真实数据序列是否与多个预测特征数据序列均对应匹配。

若多个偶数层真实数据序列与多个预测特征数据序列不均对应匹配，则数据分析端进行数据优先读取处理，以优先读取不匹配的偶数层数据的方式，对第二存储区域进行第二数据读取处理。这是本发明提高数据读取速度的另一构成要件。之所以本发明能够最后实现提高发现油气藏，提高数据读取数据，缩短整体测井与读取时间，有赖于前述的层次划分、采用非均匀测井策略（奇偶层采用的是不同的测井策略）、偶数层数据采用非堆栈式存储、采用具有双重单片机的读取设备、对偶数层进行数据预测、对偶数层数据进行优先读取的环环相扣的操作步骤。而对于最后的优先读取的步骤，其依赖于之前采用的偶数层数据采用非堆栈式存储方式才得以实现，不匹配的偶数层数据对应的偶数层可能存在油气藏反应，因此进行优先读取处理。

进一步地，数据分析端对第二存储区域中存储的每个偶数层数据均进行部分数据提取处理，以得到多个偶数层真实数据序列，并判断多个偶数层真实数据序列是否与多个预测特征数据序列均对应匹配的步骤S8，包括：

S801、根据多个预测特征数据序列，分别对应对第二存储区域中存储的每个偶数层数据进行数据搜索处理，以获取多个搜索结果；

S802、判断多个搜索结果是否为空集；

S803、若多个搜索结果均不为空集，则提取多个搜索结果，并判定多个偶数层真实数据序列与多个预测特征数据序列均对应匹配。

以实现偶数层的数据提取与匹配判断。由于第二存储区域采用的是非堆栈式存储，因此可以进行数据搜索处理，并且数据搜索的依据为多个预测特征数据序列，因此若搜索的结果不为空，则表明存在匹配数据。据此，若多个搜索结果均不为空集，则提取多个搜索结果，并判定多个偶数层真实数据序列与多个预测特征数据序列均对应匹配。

进一步地，数据分析端对第二存储区域中存储的每个偶数层数据均进行部分数据提取处理，以得到多个偶数层真实数据序列，并判断多个偶数层真实数据序列是否与多个预测特征数据序列均对应匹配的步骤S8之后，包括：

S81、若多个偶数层真实数据序列与多个预测特征数据序列均对应匹配，则按存储时间的顺序对第二存储区域进行数据读取处理，以得到顺序排列的多个偶数层数据；

S82、将顺序排列的多个偶数层数据和多个预测特征数据序列，根据匹配关系进行配对，以得到多个数据组，并将多个数据组存入预设的数据库中。

从而实现了利用预测特征数据序列来弥补偶数层采用粗测井操作的精度损失。进一步地，根据匹配关系进行配对，以得到多个数据组，并将多个数据组存入预设的数据库中的过程中，可以包括根据多个预测特征数据序列对多个偶数层数据进行数据修正，或者也可以直接不做数据修正而直接将多个数据组存入预设的数据库中。

本发明的基于层数划分处理的测井数据读取方法，通过深度传感器获取井底深度；对油井进行层数划分处理，以分为相互交叠的多个奇数层和多个偶数层；判断当前深度是否属于奇数层；执行第一精测井操作，以获取奇数层数据；执行第二粗测井操作，以获取偶数层数据；进行第一数据读取处理，以获取第一存储区域中存储的多个奇数层数据；输入预设的夹层特征数据预测模型中进行处理，以得到夹层特征数据预测模型输出的多个预测特征数据序列；进行部分数据提取处理，以得到多个偶数层真实数据序列，并判断是否对应匹配；若不均对应匹配，则数据分析端进行数据优先读取处理，以优先读取不匹配的偶数层数据的方式，对第二存储区域进行第二数据读取处理，从而解决了无电缆存储式测井仪测井耗时过长，并且数据读取速度过慢的问题。

本发明实施例提供一种基于层数划分处理的测井数据读取装置，包括：

井底深度获取单元，用于指示通过钻杆将无电缆存储式测井仪输送至井底后，无电缆存储式测井仪通过预设于测井仪中的深度传感器获取井底深度；

层数划分单元，用于指示无电缆存储式测井仪根据井底深度，对油井进行层数划分处理，以分为相互交叠的多个奇数层和多个偶数层；

奇数层判断单元，用于指示在上提无电缆存储式测井仪的过程中，无电缆存储式测井仪判断当前深度是否属于奇数层；

第一精测井单元，用于指示若当前深度属于奇数层，则无电缆存储式测井仪执行第一精测井操作，以获取奇数层数据，并将奇数层数据存储于第一存储区域中，第一存储区域采用堆栈存储结构；

第二粗测井单元，用于指示若当前深度属于偶数层，则无电缆存储式测井仪执行第二粗测井操作，以获取偶数层数据，并将偶数层数据存储于第二存储区域中，第二存储区域采用非堆栈存储结构；其中，第一精测井操作的测量时间大于相邻的第二粗测井操作的测量时间；

第一数据读取单元，用于指示在无电缆存储式测井仪提升至地面后，位于地面的数据分析终端采用具有双重单片机的读取设备，对无电缆存储式测井仪中的第一存储区域进行第一数据读取处理，以获取第一存储区域中存储的多个奇数层数据，并根据多个奇数层数据，判断是否在奇数层中存在油气藏反应；

多个预测特征数据序列获取单元，用于指示若在奇数层中不存在油气藏反应，则数据分析端将多个奇数层数据输入预设的夹层特征数据预测模型中进行处理，以得到夹层特征数据预测模型输出的多个预测特征数据序列；夹层特征数据预测模型基于深度神经网络模型，并采用有监督学习的方式训练而成；多个预测特征数据序列的数量等于多个偶数层的数量；

多个偶数层真实数据序列获取单元，用于指示数据分析端对第二存储区域中存储的每个偶数层数据均进行部分数据提取处理，以得到多个偶数层真实数据序列，并判断多个偶数层真实数据序列是否与多个预测特征数据序列均对应匹配；

第二数据读取单元，用于指示若多个偶数层真实数据序列与多个预测特征数据序列不均对应匹配，则数据分析端进行数据优先读取处理，以优先读取不匹配的偶数层数据的方式，对第二存储区域进行第二数据读取处理。

其中上述单元分别用于执行的操作与前述实施方式的基于层数划分处理的测井数据读取方法的步骤一一对应,在此不再赘述。

本发明的基于层数划分处理的测井数据读取装置，通过深度传感器获取井底深度；对油井进行层数划分处理，以分为相互交叠的多个奇数层和多个偶数层；判断当前深度是否属于奇数层；执行第一精测井操作，以获取奇数层数据；执行第二粗测井操作，以获取偶数层数据；进行第一数据读取处理，以获取第一存储区域中存储的多个奇数层数据；输入预设的夹层特征数据预测模型中进行处理，以得到夹层特征数据预测模型输出的多个预测特征数据序列；进行部分数据提取处理，以得到多个偶数层真实数据序列，并判断是否对应匹配；若不均对应匹配，则数据分析端进行数据优先读取处理，以优先读取不匹配的偶数层数据的方式，对第二存储区域进行第二数据读取处理，从而解决了无电缆存储式测井仪测井耗时过长，并且数据读取速度过慢的问题。

参照图4，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计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、计算机程序和数据库。该内存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。该计算机设备的数据库用于存储基于层数划分处理的测井数据读取方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于层数划分处理的测井数据读取方法。

上述处理器执行上述基于层数划分处理的测井数据读取方法，其中方法包括的步骤分别与执行前述实施方式的基于层数划分处理的测井数据读取方法的步骤一一对应,在此不再赘述。

本领域技术人员可以理解，图中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定。

本发明的计算机设备，通过深度传感器获取井底深度；对油井进行层数划分处理，以分为相互交叠的多个奇数层和多个偶数层；判断当前深度是否属于奇数层；执行第一精测井操作，以获取奇数层数据；执行第二粗测井操作，以获取偶数层数据；进行第一数据读取处理，以获取第一存储区域中存储的多个奇数层数据；输入预设的夹层特征数据预测模型中进行处理，以得到夹层特征数据预测模型输出的多个预测特征数据序列；进行部分数据提取处理，以得到多个偶数层真实数据序列，并判断是否对应匹配；若不均对应匹配，则数据分析端进行数据优先读取处理，以优先读取不匹配的偶数层数据的方式，对第二存储区域进行第二数据读取处理，从而解决了无电缆存储式测井仪测井耗时过长，并且数据读取速度过慢的问题。

本发明一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于层数划分处理的测井数据读取方法，其中方法包括的步骤分别与执行前述实施方式的基于层数划分处理的测井数据读取方法的步骤一一对应,在此不再赘述。本发明的计算机可读存储介质，通过深度传感器获取井底深度；对油井进行层数划分处理，以分为相互交叠的多个奇数层和多个偶数层；判断当前深度是否属于奇数层；执行第一精测井操作，以获取奇数层数据；执行第二粗测井操作，以获取偶数层数据；进行第一数据读取处理，以获取第一存储区域中存储的多个奇数层数据；输入预设的夹层特征数据预测模型中进行处理，以得到夹层特征数据预测模型输出的多个预测特征数据序列；进行部分数据提取处理，以得到多个偶数层真实数据序列，并判断是否对应匹配；若不均对应匹配，则数据分析端进行数据优先读取处理，以优先读取不匹配的偶数层数据的方式，对第二存储区域进行第二数据读取处理，从而解决了无电缆存储式测井仪测井耗时过长，并且数据读取速度过慢的问题。

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或指令相关的硬件来完成，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，本发明所提供的和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/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。