一种沉积微相识别方法、系统、设备及计算机存储介质

本技术涉及石油开发，更具体地说，涉及一种沉积微相识别方法、系统、设备及计算机存储介质。

背景技术：

1、在油田开发中，通过各油井的单井沉积微相可以推断研究区的整体沉积微相展布，通过对研究区沉积微相展布的研究，可以分析油气在地层中的分布规律，有助于进行合理的油藏评价和开发计划。而在沉积微相的识别工作中，常常由人工先确定几口标准井的单井沉积微相，然后以标准井的测井曲线模式来逐一识别研究区其余井的单井沉积微相。

2、然而，沉积微相的识别过程存在重复对比工作，不易操作，效率低下，且容易出现对比错误，影响沉积微相的识别准确度。

3、综上所述，如何准确、高效的对沉积微相进行识别是目前本领域技术人员亟待解决的问题。

技术实现思路

1、本技术的目的是提供一种沉积微相识别方法，其能在一定程度上解决如何准确、高效的对沉积微相进行识别的技术问题。本技术还提供了一种沉积微相识别系统、电子设备及计算机可读存储介质。

2、为了实现上述目的，本技术提供如下技术方案：

3、一种沉积微相识别方法，包括：

4、获取待识别井点的目标测井数据；

5、根据所述待识别井点的目标测井数据，生成所述待识别井点的目标测井相要素值；

6、将所述待识别井点划分为样本井点和测试井点；

7、根据所述样本井点的目标测井相要素值，确定所述样本井点的沉积微相类型；

8、将所述样本井点的目标测井数据、所述样本井点的目标测井相要素值作为输入，将所述样本井点的沉积微相类型作为输出，对深度学习网络进行训练，得到训练好的沉积微相识别模型；

9、将所述测试井点的目标测井数据和所述测试井点的目标测井相要素值输入所述沉积微相识别模型，得到所述测试井点的沉积微相类型；

10、其中，所述目标测井数据包括自然电位、自然伽马、微梯度和微电率；所述目标测井相要素值包括测井曲线幅度、测井曲线形态、厚度和曲线光滑程度。

11、优选的，所述将所述样本井点的目标测井数据、所述样本井点的目标测井相要素值作为输入，将所述样本井点的沉积微相类型作为输出，对深度学习网络进行训练，得到训练好的沉积微相识别模型，包括：

12、确定每类沉积微相类型的所述样本井点的数量；

13、根据所述数量的反比，确定每类沉积微相类型的权重；

14、确定初始的深度学习网络；

15、将所述样本井点的目标测井数据和所述样本井点的目标测井相要素值输入所述深度学习网络；

16、获取所述深度学习网络对所述样本井点的沉积微相类型的预测概率；

17、基于所述权重、所述预测概率、所述样本井点的沉积微相类型，生成所述深度学习网络的损失值；

18、基于所述损失值更新所述深度学习网络，以得到训练好的沉积微相识别模型。

19、优选的，所述沉积微相识别模型包括顺次连接的第一同卷积块、第二同卷积块、第一下采样层、第三同卷积块、第二下采样层、卷积层、连接层和四个全连接层；且同卷积块包括同卷积层、归一化层和激活层；

20、其中，所述第一同卷积块的输入包括目标测井数据，所述连接层的输入包括所述卷积层的输出和目标测井相要素值。

21、优选的，根据所述待识别井点的目标测井数据，生成所述待识别井点的测井曲线幅度，包括：

22、获取设定的数据区间；

23、统计所述待识别井点的目标测井数据在各所述数据区间的占比；

24、按照所述占比的大小值，对所述待识别井点的目标测井数据进行排序，得到排序结果；

25、从所述排序结果中筛选出占比为目标值的第一类目标测井数据；

26、根据所述第一类目标测井数据，生成所述待识别井点的测井曲线幅度。

27、优选的，根据所述待识别井点的目标测井数据，生成所述待识别井点的测井曲线形态，包括：

28、将各个所述待识别井点的目标测井数据转换为目标特征向量；

29、生成每类目标测井数据的中心值；

30、根据所述中心值生成目标测井数据的中心向量；

31、生成每个待识别井点的目标特征向量与所述中心向量间的马氏距离；

32、根据所述待识别井点的马氏距离，确定所述待识别井点的测井曲线形态。

33、优选的，根据所述待识别井点的目标测井数据，生成所述待识别井点的曲线光滑程度，包括：

34、对所述待识别井点的目标测井数据进行离散傅里叶变换，得到初始频域数据；

35、根据所述初始频域数据确定频率阈值；

36、在所述初始频域数据中，筛选高于所述频率阈值的频域数据作为目标频域数据；

37、对所述目标频域数据进行逆傅里叶变换，得到第二类目标测井数据；

38、生成所述第二类目标测井数据的齿化幅度；

39、基于所述齿化幅度确定所述待识别井点的曲线光滑程度。

40、一种沉积微相识别系统，包括：

41、第一获取模块，用于获取待识别井点的目标测井数据；

42、第一生成模块，用于根据所述待识别井点的目标测井数据，生成所述待识别井点的目标测井相要素值；

43、第一划分模块，用于将所述待识别井点划分为样本井点和测试井点；

44、第一确定模块，用于根据所述样本井点的目标测井相要素值，确定所述样本井点的沉积微相类型；

45、第一训练模块，用于将所述样本井点的目标测井数据、所述样本井点的目标测井相要素值作为输入，将所述样本井点的沉积微相类型作为输出，对深度学习网络进行训练，得到训练好的沉积微相识别模型；

46、第一识别模块，用于将所述测试井点的目标测井数据和所述测试井点的目标测井相要素值输入所述沉积微相识别模型，得到所述测试井点的沉积微相类型；

47、其中，所述目标测井数据包括自然电位、自然伽马、微梯度和微电率；所述目标测井相要素值包括测井曲线幅度、测井曲线形态、厚度和曲线光滑程度。

48、优选的，所述第一训练模块包括：

49、第一确定单元，用于确定每类沉积微相类型的所述样本井点的数量；

50、第二确定单元，用于根据所述数量的反比，确定每类沉积微相类型的权重；

51、第三确定单元，用于确定初始的深度学习网络；

52、第一输入单元，用于将所述样本井点的目标测井数据和所述样本井点的目标测井相要素值输入所述深度学习网络；

53、第一获取单元，用于获取所述深度学习网络对所述样本井点的沉积微相类型的预测概率；

54、第一生成单元，用于基于所述权重、所述预测概率、所述样本井点的沉积微相类型，生成所述深度学习网络的损失值；

55、第一更新单元，用于基于所述损失值更新所述深度学习网络，以得到训练好的沉积微相识别模型。

56、一种电子设备，包括：

57、存储器，用于存储计算机程序；

58、处理器，用于执行所述计算机程序时实现如上任一所述沉积微相识别方法的步骤。

59、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计算机程序，所述计算机程序被处理器执行时实现如上任一所述沉积微相识别方法的步骤。

60、本技术提供的一种沉积微相识别方法，获取待识别井点的目标测井数据；根据待识别井点的目标测井数据，生成待识别井点的目标测井相要素值；将待识别井点划分为样本井点和测试井点；根据样本井点的目标测井相要素值，确定样本井点的沉积微相类型；将样本井点的目标测井数据、样本井点的目标测井相要素值作为输入，将样本井点的沉积微相类型作为输出，对深度学习网络进行训练，得到训练好的沉积微相识别模型；将测试井点的目标测井数据和测试井点的目标测井相要素值输入沉积微相识别模型，得到测试井点的沉积微相类型。本技术将待识别井点划分为样本井点和测试井点，通过样本井点的目标测井数据、目标测井相要素值和沉积微相类型训练得到沉积微相识别模型，从而可以借助沉积微相识别模型来对测试井点的沉积微相类型进行识别，无需人工操作，自动化程度高，提高了沉积微相类型的识别效率，且避免了人工识别带来的操作错误，提高了沉积微相类型的识别准确度。本技术提供的一种沉积微相识别系统、电子设备及计算机可读存储介质也解决了相应技术问题。