地球物理学进展 ›› 2018, Vol. 33 ›› Issue (3): 1029-1034.doi: 10.6038/pg2018BB0319

• 应用地球物理学Ⅰ(油气及金属矿产地球物理勘探) • 上一篇    下一篇

基于深度学习的测井岩性识别方法研究与应用

安鹏,曹丹平()   

  1. 中国石油大学(华东)地球科学与技术学院,山东青岛 266580
  • 收稿日期:2017-08-08 修回日期:2018-03-29 出版日期:2018-06-20 发布日期:2018-08-23
  • 通讯作者: 曹丹平 E-mail:caodp@upc.edu.cn
  • 作者简介:第一作者简介 安鹏,男,1992年生,河北保定人,硕士,主要从事机器学习应用于石油地球物理勘探等方面的研究.(E-mail: eternal_an@foxmail.com)
  • 基金资助:
    国家自然科学基金(41774137);国家油气重大专项课题(2017ZX05032003);国家重点基础研究发展计划(973计划)项目(2013CB228604);山东省自然基金项目(ZR2014DM009);中央高校基础研究经费(15CX08002A)

Research and application of logging lithology identification based on deep learning

AN Peng,CAO Dan-ping()   

  1. School of Geosciences, China University of Petroleum (East China), Shandong Qingdao 266580, China
  • Received:2017-08-08 Revised:2018-03-29 Online:2018-06-20 Published:2018-08-23
  • Contact: Dan-ping CAO E-mail:caodp@upc.edu.cn

摘要:

深度学习是一种高效的特征提取方法,它能够提取数据中更加抽象的特征,从而有效地解决复杂的非线性问题.本文将深度学习技术应用于地球物理测井的岩性识别中,构建了一个基于ReLu激励函数、Adagrad优化算法、Softmax回归层等技术方法整合的深度神经网络模型,利用自然伽马、深感应、岩性密度、中子-密度孔隙度和平均中子-密度孔隙度5种测井参数,以及陆相-海相指示和相对位置2种地质约束变量作为输入变量训练深度神经网络模型.通过对实际井数据的测试验证取得了非常理想的效果,展示了将深度学习技术应用于地球物理的良好前景.

关键词: 深度学习, 地球物理测井, 岩性识别, 深度神经网络

Abstract:

Deep learning is an efficient feature extraction method, it can extract more abstract features from the data, thus the complex nonlinear problem can be solved effectively. We applied the deep learning technique to lithology identification in geophysical logging, build a deep neural network model based on ReLu activation function, Adagrad optimization algorithm, Softmax regression layer and other technical methods, using gamma ray, resistivity logging, photoelectric effect, neutron-density porosity difference, average neutron-density porosity 5 logging parameters and nonmarine-marine indicator, relative position 2 geologic constraining variables as input variables to train the deep neural network model. A very good result is obtained by verifying the accuracy from the actual well data, which shows a promising prospect for applying the deep learning technology to geophysics.

Key words: School of Geosciences, China University of Petroleum (East China), Shandong Qingdao 266580, China

中图分类号: