用人工智能进行岩相分类的网页显示方法、模块和系统

本发明涉及石油勘探、石油开发、测井数据处理、地震图处理、人工智能、机器学习及其运算模块、深度学习及其运算模块、Python 加网站网页的框架。

近几年来，石油勘探开发领域有效地利用了现代科学技术，从而促进了石油工业的飞速发展，同时也给国民经济带来了巨大的效益。然而，随着石油勘探水平的不断提高，寻新的油气田也愈加困难，这就要求我们不断提高认识水平，用科学的方法来了解和掌握油气存在的未知状况，从现有的地球物理、地质、油藏开发等资料中发掘出更多新的信息来进行油气储层的预测。

特别是最近两年，国内外的石油工业正在经历较大的调整，许多新兴学科被引入石油勘探开发领域，在人工智能领域，目前我国也正在布局。因此，本发明的应用，可以说是加快了我国石油工业信息化的步伐。预计在不久的将来，石油的勘探开发技术，在人工智能方面还会有突破性进展，本发明正是其应用之一。本发明包括一套软件包，可以部署在云端服务器上，供全球客户使用，它是石油数据和计算机模块结合在一起的一个完整的应用系统。

在勘探开发石油这一过程中，岩相的识别与定义具有极为重要的意义，它不仅可以分析岩相中微相及其时空演化，建立沉积模式，还可以分析生、储、盖等成藏要素及组合，建立成藏模式，从而进一步探讨油气聚集与沉积微相间的关系，解释已知砂体的展布形态，指导未控制区的砂体预测，为确定地质储量、预测含油气区和井位部署提供依据。

岩相分析是解释油藏描述地震数据的重要步骤。岩相解释在最初的勘探前景评价、油藏描述以及最终的油田开发阶段发挥着重要作用。岩相是一个地层单元或区域，具有可与其他区域区别的特征反射模式。不同岩相的区域通常使用反映大规模地震模式的描述性术语来描绘。例如反射振幅，连续性和由地层视界界定的反射器的内部配置。从流域范围的应用到详细的油藏描述，岩相分析的应用和规模差异很大。在盆地范围内，以广泛识别源、储层和密封易发区域勘探，岩相分析已应用于碳氢化合物系统研究。这些地区是通常基于它们的反射几何形状以及振幅强度和连续性来识别。区域高振幅，半连续反射器通常用于识别潜在的含烃储层，如深水渠道，而低振幅连续到半连续区域可用于识别密封倾向单元。

岩相分析也可以应用于单一储层中，以帮助约束详细的物理特性描述。在这些局部尺度应用中，连续性和振幅的定义通常没有严格的定义，并且基于岩石属性校准或沉积解释环境。可以证明地震特征和物理性质之间的关系，然后可以使用岩相体积来预测岩石属性分布和条件地质模型。

用于岩相分析和绘图的标准技术是一个手动过程，其中地震解释器在感兴趣的区间内对地震反射数据的特征做出视觉决策，并在地图上绘制这些数据。然后将岩相用于各种目的，但主要用于解释岩相和岩石性质的分布。直觉和经验对岩相研究的成功做出了重要贡献，然而，这种方法也可能导致岩相分析成为主观的，耗时的，并且通常是费力的一项低效劳动。在石油工业中已经使用了几种相关技术来提高自动化和加强对来自地震数据的岩相的解释。

R. J. Matlock和G. T. Asimakopoulos的“可以使用自动模式分析和识别来解决地震地层问题吗”（The Leading Edge, Geophys Explor, Vol. 5, no. 9, pp.51-55,1986），奠定了一个概念框架，用于训练地震解释过程的算法，从而实现自动化。但是，这些作者没有演示任何工作原型或描述可能的属性或分类算法的任何细节。 R. Vintner，K.Mosegaard等人的“地震纹理分类：计算机辅助地层分析方法”（SEG国际博览会和第65届年会，论文SL14，1995年10月8日至13日）和R. Vintner，K. Mosegaard，Abatzis，C.Anderson，VO Vebaek和PHNielson (3D地震纹理分类，石油工程师协会35482,1996)，讨论了地震数据的纹理分析以及使用纹理属性的分类主成分分析和概率分布的一个版本。这些出版物在使用地震数据的纹理分析方法时，没有利用概率神经网络或动态使用概率值来优化分类。这些方法也没有使用互动式培训计划，而且质地分析也没有被引导。通过地震反射器倾角定义的地层分层引导计算的过程称为倾角转向。 D. Gao的“一阶和二阶地震纹理：定量地震解释和油气勘探的意义”（1999年），描述了使用标准纹理分析来产生量化反射强度，连续性和几何的地震纹理属性。然而，该摘要不描述纹理属性的分类方法。具体而言，Gao（1999），不使用概率神经网络，也不使用神经网络的交互式解释器训练。

本发明正是针对现有技术的缺陷，提供了一种基于测井信息、地质信息的智能岩相识别方法，能有效地解决现有技术存在的问题。本发明分三大技术体系构成：

体系1. 石油专业体系；

体系2. 网站网页创建体系；

体系3.两者之间的数据交换体系；

本发明所要解决的问题是石油业、页岩气业、地质矿山业中岩相识别的问题。本发明是用人工智能的方法进行自动识别岩相。

本发明是一种用人工智能的方法识别测井数据集和地震数据集。首先，计算表示地震数据量的多个初始纹理属性。接下来，根据计算的初始纹理属性构造概率神经网络。然后，在整个地震数据量中计算最终的纹理属性。最后，使用构建的概率神经网络对计算的纹理属性进行分类。具体实施方式，本发明是一种岩相识别和预测的方法。该方法也适用于其他测井曲线属性和地震属性，特别是在地震振幅数据中识别微岩相。因此，地震纹理的分析以传统属性分析所不具备的方式模仿地震解释器的基于视觉的分析过程。解释器将一组痕迹转译为图像以呈现分类。这种不同的分析方法提供了在整个研究区域内捕获反射几何的潜力。这样一种用于量化纹素中的图像纹理的技术，采用导致灰度级共生矩阵的图像变换。灰度共生矩阵描述较大图像内的小区域的像素之间的空间关系，即纹素。在实践中，灰度级共生矩阵以重叠纹理像素计算，以便可以完全观察整个图像内的纹理类之间的任何过渡。重叠纹理像素扫描图像，直到整个图像被处理。灰度级共生矩阵是尺寸为N×N的矩阵，N是用于量化图像的灰度级数。通过从图像纹素构造灰度共生矩阵的纹理分析，实际上是一维马尔可夫链分析的二维（或三维）扩展。地震导出的灰度共生的结构可以启发式地理解矩阵。在均匀区域中，在给定方向上定义均匀性或连续性，像素值之间的差异将是低的，因此接近灰度级共生矩阵的对角线的元素将具有更高的值。较不均匀的区域将产生相邻像素值之间的较高差异，因此得到的灰度级共现矩阵将具有更远离对角线的值。平均像素值也在灰度共生矩阵中表示。低振幅区域具有灰度级共生矩阵，其值聚集在中心附近。另一方面，具有较高振幅的区域具有更多分布的灰度级共生矩阵值，沿着对角线连续纹理或者在更多不连续纹理中的整个灰度级共生矩阵中。

为了近似地模拟地震解释器所遵循的过程，计算优选了2D纹理属性，然后在时间片中对其进行滤波以模仿完全3D操作。或者，也可以计算3D纹理属性并用于表征岩相。灰度级共生矩阵不能直接有效地解释，并且通过纹理属性的标量统计测量，更有效地描述。纹理属性可以分为一阶和二阶描述符。一阶统计量化图像内像素值的全局分布，并且可以使用标准统计技术直接从纹理元素计算，即使没有中间灰度级共生矩阵变换。纹素内的幅度值的平均绝对幅度和标准偏差是一阶纹理属性的示例，并且可用于描绘幅度异常和反射强度。瞬时幅度，相位和频率等派生属性也可用于生成一阶统计量。一阶统计量是详细纹理量化的开始方法，尽管某些地球物理区域可以从不同的像素间隔粗略定义一般而言，单个纹素的值不能仅根据其一阶统计量来充分描述。例如，地震图像的高振幅混沌区域不一定仅使用平均振幅值与高振幅或甚至中等振幅的连续区域分离。图像的二阶统计量化图像内像素的空间关系，并通过中间变换计算到灰度共生矩阵。二阶统计，灰度共生矩阵的统计，捕获轨迹形状特征，反射几何和反射连续性，以及振幅强度。纹素的二阶统计量是多轨迹图像属性，其允许通过分析倾斜控制的灰度级共生矩阵来捕获反射几何和连续性。

这些灰度共生矩阵对应于有组织和差异对比的特征的纹理，在相同的距离和方位角上只有几个灰度级。较低的纹理均匀性值将对应于更远离矩阵对角线的灰度级共生矩阵的较大值，即相同距离和方位角的许多不同灰度级。这些特征使得纹理均匀性对于量化连续性特别有用。第一个纹理属性，纹理相关，表示度量空间灰度共生矩阵元素在行或列方向上的相似程度，相关值的大小反映了图像中局部灰度的相关性。当矩阵元素值均匀相等时，相关值就大，当矩阵元素值相差很大时，相关值就小。第二个纹理属性，纹理惯性，表示灰度共生矩阵的对比度，并且是与纹理同质性相反的度量。对于高对比度图像，纹理均匀性较低，纹理惯性较高。第三个纹理属性，纹理熵，测量计算窗口内空间组织的不足。当灰度共生矩阵的所有元素相等时，纹理熵高，对应粗糙纹理，低纹理更均匀或更平滑。第四个纹理属性，纹理能量，也表示空间计算窗口内的组织。在这种情况下，计算窗口内的所有或大多数灰度级同样是可能的，这是粗糙纹理的特征。相反，纹理能量的最高值表明存在高值的灰度共生矩阵。在这种情况下，只有少数灰度级占优势。该计算窗口内的区域更均匀，或呈现出一些规则的特征。

神经网络是简单处理元件的互连组件。通过适应或学习一组训练模式的过程，神经网络的处理能力存储在获得的连接强度或权重中。神经网络的一个优点是能够训练或修改网络内的连接强度，以产生期望的结果。在分类应用中，神经网络可以被认为是监督分类方案的特殊情况，因为神经网络的训练是监督练习。一旦对多个校准图像进行充分的训练，神经网络就可以应用于数据量中的剩余图像。计算中，一般神经网络内的节点的连通性、权重、修改属性的输入向量，并通过修改后的值到网络的下一层。通过训练，修改网络的权重，使得在特定的一组训练示例中，输入属性向量的修改，产生期望的结果。网络的训练和连接权重的修改，导致为网络产生决策表面。

与更标准的分类方案相比，神经网络算法的优点之一是能够产生非线性边界。典型的分类或预测问题通常只有三层，第一层是输入层；第二层“隐藏”层；第三层是输出层。概率神经网络是标准贝叶斯分类器的并行实现。概率神经网络是可以有效执行模式分类的三层网络。在数学上，这些概率神经网络非常类似于克里金法，其中与已知点的接近，指导未知点的分类和预测。在其标准形式中，概率神经网络，不以与上述更传统的神经网络相同的方式进行训练。相反，训练向量简单地成为网络的第一层中的权重向量。这种更简单的方法使概率神经网络，具有不需要大量训练的优点。例如，在地震纹理分析中，训练图像的纹理属性在网络的第一层中提供权重向量。与传统类型的神经网络体系结构，比如与完全连接的反向传播体系结构相比，这在训练阶段具有显著的速度优势。此外，概率神经网络倾向于很好地推广，而更传统的网络，即使有大量的训练数据，也不能保证收敛和推广到训练阶段未使用的数据。当输入模式呈现给概率神经网络时，网络第一层（输入层）是计算从输入向量到训练输入向量的距离并产生向量，该向量的元素指示输入与训练输入有一定的接近程度。第二层是对每类输入的这些贡献求和，以产生概率向量作为其净输出，这是使用概率神经网络的另一个优点。除了从第三层或输出层分类最大概率之外，这是直接从第二层或隐藏层提取分类概率的能力。

使用单个灰度级共生矩阵计算整个体积的窗口大小会导致这种负面影响。通过改变整个体积的窗口大小来改善结果。随着数据频率随着深度的增加而减小，窗口尺寸变大。此模式与基于用户定义的置信度的动态调整的窗口大小结合使用。在处理降低的地震数据质量的另一替代实施例中，可以首先用卷积或中值滤波器对数据进行滤波，以在输入之前平滑数据。

如果置信度低于用户定义的水平，则可以自动调整计算窗口大小直到置信水平上升到高于在另一个替代实施例中，可以对灰度级共生矩阵的产生进行倾斜控制，并且可以相应地重新计算和重新分类相。尽管是无意识的特定地质环境，地层框架是地震解释者一直在考虑的一个重要方面。岩相解释器不仅仅考虑时间平面的连续性，而且它们还判断地震反射器倾角定义的地层分层后的连续性。

纹理分析和纹理元素的灰度共生矩阵的构造取决于观察方向或方位角，其中纹理元素内的像素是相关的。应用于地震数据的纹理分析对纹素的地层框架极为敏感，并且还必须遵循反射器的地层倾角，以正确地模拟人类翻译所执行的过程。在灰度共生矩阵计算中的地层倾角之后，最大化图像的连续性，如灰度共生矩阵中所表示的。通过地层倾角引导计算的过程称为倾角转向。纹理分析需要在地层几何中高度分辨，以正确地掌握灰度共生矩阵的计算。为了获得所需的分辨率，利用纹理像素的多迹线，图像，性质，并且通过基于梯度的技术估计图像内的凹陷。

本发明把石油数据的处理模块与人工智能技术、网站网页显示技术的有机结合，形成了一个统一的系统。本发明用人工智能进行岩相分类是一种帮助客户处理他们的测井数据、地震数据的一种方法。实现了客户数据的远端的快捷录入，共享服务器端的模型运算以及计算结果的独立显示与分发，提高了运算速度、改善了用户体验。

准确识别出地下储油、储气层，特别是厚度小于3米的薄储油气层，提高地质储量，这是地质、勘探、开发、测井等研究人员的工作和主要挑战之一。目前使用的技术是，研究沿井筒的急剧变化的岩石物理数据，进行岩相不连续性的研究。在发明软件中，包含了一种人工神经网络（ANN）模型，该模型可以通过输入10个测井参数作为输入来预测储油层的特征向量，通过学习训练，可以被认为是检测储油层的识别标准。本发明软件是使用机器学习算法的支持向量机，将岩相分配给测井数据进行训练。基于专家核心描述和3~9口左右井的测井数据，进行模型培训。该数据用于训练支持向量机，以及基于测井数据智能识别岩相。

采用人工智能进行储油层识别，将大大减少地质、勘探、开发研究人员的工作量，极大地提高了储层识别的精确度和效率，实现端到端的对接。人工智能中的算法卷积神经网络的卷积层和采样层好比伙伴之间相互配合，一个提取特征，一个进行局部非重叠采样，如此反复，储层识别结果会越来越精确。

油气储层的识别本质是岩石孔隙流体属性与饱和度的判识与评价，储层孔隙流体的体积与质量只占储集层岩石的极小一部分，并且是填充在固态岩石骨架的孔隙中；测井方法是可以判别，但地震响应非常微弱。地震记录如果对岩石孔隙流体变化有响应，只可能反映在地震事件的细小结构中。描述地震波传播的波动方程是在一定假设条件下(如完全弹性介质等)获得的近似方程，主相能很好地用波动表征，但未必能反映孔隙流体响应的微相。地震记录是实际地质介质响应的客观反映，不存在任何近似。如果岩石孔隙流体地震响应的幅度可观测，那么它一定存在于地震记录中。问题的关键就是如何鉴识地震记录上的孔隙流体响应。人工智能中的深度学习可以进行自动特征提取，本发明软件就是把深度学习应用到地震勘探领域。

本发明软件的目的是代替人工判断油气层的位置，这是由于人眼识别会劳累，经常会出现漏判、错判和解释不准确的现象。同时用测井曲线判断油层的位置，一次需要综合多达十几条的曲线，用人工识别，有时根本就做不到。

由于勘探的储层深埋地下，对地下岩相的分析中，只有通过测井、岩石资料才能够分析、观察得到储层的特性及沉积相标志。钻井取心一般都是不连续的，并且一口探井的全井取心率往往只有百分之几到百分之十几，这给沉积相的研究造成了很大的困难。虽然利用测井资料进行测井相分析，可以对全井做出连续的沉积相解释，但其对地层叠置模式、沉积体外形等重要信息并没有充分利用，就算完全解释正确，也显得非常局部。若想进一步掌握沉积相的平面展布特征就必须有大量的足够密集的钻井资料，而这在勘探阶段恰恰难以满足。因此，就更需要一种仅用少量钻井资料就能够较好地掌握沉积相平面变化特征的新手段、新方法。岩相的识别与预测正是为满足上述迫切需要而产生的。

岩相是指一定分布范围内的三维地震反射单元，该单元内的地震特征参数（如反射结构、几何外形、振幅、频率、连续性等）与相邻的单元不同，它代表了产生其反射的沉积物的岩性组合、层理和沉积特征。岩相预测是在沉积地层单元内部，根据地震特征参数，结合井下和地面的其他资料，按一定程序对岩相单元进行识别和成图，为综合解释沉积环境和沉积体系打下必要的基础。作为岩相预测所必需的地震资料是石油勘探中必不可少的基础资料，在勘探初期即可获得且一般能覆盖整个工区，其中含有极为丰富的地层、构造和沉积相信息。本发明进行岩相的识别与预测，就是为了进行区域地层解释，确定沉积体系、岩相特征和解释沉积发育史，最后将岩相转换到沉积相，以此作为研究石油地质生、储、盖组合及其分布规律的依据，从而预测出有利生油区和储集相带。

岩相预测的关键在于对岩相进行准确的划分，传统的岩相划分方法就是观察图像，即通过肉眼观察地震剖面上的反射特征并加以描述，将具有相似特征的岩相归为一类。这种纯人工的方式费时费工，主观性强，不利于识别地震剖面上不突出的异常反射特征。随着地震资料采集技术的不断提高，地震剖面上包含的地震信息更加丰富，其中许多信息光靠肉眼观察是检测不出来的，必须借助地震数据处理技术和计算机技术加以提取和分析。开始人们使用地震结构属性来划分岩相，但当时提取地震结构属性的方法还不成熟，划分结果受限于地震资料的信噪比。后来人们利用灰度共生矩阵来提取地震结构属性，从统计学和数学意义上对地震数据的振幅分布进行了描述，提高了利用结构属性划分岩相的精度。但地震结构属性毕竟只是表征了地震信号的几个物理参数，对地震信号总体异常的描述还是有所欠缺。近年来，人们将人工智能的神经网络技术引入到岩相的划分中来。神经网络具有的适应能力、容错能力和大规模并行处理能力，这就进一步提高了岩相划分的精度。目前，利用神经网络划分岩相的方法可以归为两大类：一类是无监督型模式识别；另一类是有监督型模式识别。无监督型模式识别基于输入数据和解释人员提前设定的分类数对工区岩相进行划分；有监督型模式识别在分类过程中加入了钻井资料作为控制信息，使得岩相划分结果具有明确的指向性，比如某种岩相代表了某种岩性或含油气区。

下面说明两种常见的岩相预测技术，它们分别基于无监督型神经网络和有监督型神经网络。

第一种是基于地震波形分类的岩相识别与预测技术。由于不同的沉积环境会形成不同的沉积体，不同的沉积体在岩性、物性和含油性等方面都各不相同，这反映在地震信息上就是地震波振幅、频率和相位的变化，即地震波形的变化。因此，可以利用自组织特征映射神经网络对地震道波形及其反映的地质特征进行自动识别和分类，从而完成岩相的识别与预测。该技术主要包括三个步骤：第一步，就整个工区而言，在目的层段内使用自组织神经网络对实际地震道进行学习和训练，得到一系列能体现该层段内地震道变化的模型道，这些模型道按形状渐变的方式排列，每一个模型道代表一种类型的岩相，并依序指定颜和数字编号；第二步，将全工区目的层段内的每一个实际地震道与模型道进行对比，把实际地震道归为与之相关程度最高的模型道所属的那一类并赋予相应的颜和数字编号；第三步，根据不同的颜和数字编号绘制目的层段的岩相图。至此，目的层段的岩相预测工作便完成了。

第二种是基于地震属性和多层感知器神经网络的岩相预测技术。地震属性中含有丰富的地层结构、岩性和物性等地质信息，利用它们来驱动多层感知器神经网络，可在钻井有限的情况下对研究区的岩相进行准确的预测。早期人们就利用这项技术成功地预测了岩相。该技术包括了这样几个步骤：第一步，提取能清晰描述目的层段岩相特征的地震属性，比如地震振幅属性、能量属性和相干体属性等；第二步，以地震属性作为多层感知器神经网络的输入，钻井资料作为控制点信息，采用误差反向传播算法训练网络；第三步，将训练好的网络用于目的层段岩相的划分并绘制岩相图，从而完成对该层段岩相的预测。

基于地震波形分类的岩相预测技术利用自组织神经网络来划分岩相。其缺点有如下几点：1、需要人为预先设定岩相的分类数，这往往会导致分类数设定不准确，一般需要多次计算来估算该参数；2、需要多次迭代运算才能使分类结果收敛于准确的结果，实际应用中，为保证网络收敛性最佳，通常需要20〜40次迭代运算；3、自组织神经网络属于无监督型模式识别方法，其分类结果地质意义不明确，还需要结合钻井资料进行进一步解释才能得到具有明确指示意义的岩相图。

基于地震属性和多层感知器神经网络的岩相预测技术。其缺点有如下几点：1、多层感知器神经网络采用误差反向传播算法来训练网络，这种训练方法收敛速度慢，通常需要耗费大量的计算时间；2、在使用多层感知器神经网络进行岩相划分时，通常是“一步到位”，即将现有的监督信息分成几种类型，一次性将储层的岩相预测出来，这样操作往往会出现分类不准确的情况。因为监督信息一般来自地质、测井资料，它们的尺度与地震资料不同，一般来说，监督信息的分类不一定能准确对应岩相的分类。

本发明的目的是提供一种基于人工智能方法的储层识别系统。它实质上是应用人工智能的深度学习方法，对测井曲线、地震图进行特征的自动提取，其表现形式为层级特征提取。低层特征属于局部性特征，高层特征是低层特征的非线性组合，属于抽象的结构性特征，高层特征更具有区分性及类别指示性。本发明软件创新性地引入机器学习、深度学习特征提取方法，提取储层测井曲线微特征、弱地震响应特征等，能够更简单高效地确定储层特征，提高测井曲线利用率、地震勘探数据的识别精度。

本发明的软件的核心功能是储层图像识别，它是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和技术。图像识别是人工智能的一个重要领域。目前主要的图像识别方法有基于神经网络的图像识别方法、基于小波矩的图像识别方法等。

为了编制模拟人类储层图像识别活动的计算机程序，这里提出了不同的储层图像识别模型。

1. 模板匹配模型

这种模型认为识别某个储层图像，必须在过去的经验中有这个储层图像的记忆模式，又叫模板。当前的刺激如果能与大脑中的模板相匹配，这个储层图像也就被识别了。例如三维（3D）地震储层图像中，油层图如有个“两曲线交叉并下弯”的特征，大数据模型就有一个这样的模板，如果地震图中有这样的大小、方位、形状都与这个模板完全一致，油层就被识别了。这种模型简单明了，也容易得到实际应用。但这种模型强调储层图像必须与大数据中的模板完全符合才能加以识别，而事实上大数据不仅能识别与人脑中的模板完全一致的储层图像，也能识别与模板不完全一致的储层图像。

2. 原型匹配模型

为了解决模板匹配模型存在的问题，一个原型匹配模型被提出了。这种模型认为，在长时记忆中存储的并不是所要识别的无数个模板，而是储层图像的某些“相似性”。从储层图像中抽象出来的“相似性”就可作为原型，拿它来检验所要识别的储层图像。如果能到一个相似的原型，这个储层图像也就被识别了。这种模型从神经上和记忆探寻的过程上来看，都比模板匹配模型更适宜，而且还能说明对一些不规则的，但某些方面与原型相似的储层图像的识别。一般石油工业使用中，采用三维（3D）地震图，然后利用软件根据图片彩差、灰阶差做处理后，识别出有用的油、气层信息。

本发明的软件是基于服务器端的云存储、云计算，网页端录入数据、网页端结果输出。为达到上述目标，本发明采用的方案如下:

人工智能模块,包括机器学习模块、深度学习模块，加上Python的Web框架综合而成。本发明软件系统包括客户端和服务器，客户端与服务器通过网络相连，该方法包括以下步骤:

1)打开网页，进入数据录入界面；

2)录入数据集，设置计算参数、模块参数；

3)进入模型训练界面，运行训练模块并调试参数，使模型学习效率提高；

4)模型训练完毕，进入处理数据界面，进行岩相的识别与划分；

5)结果的显示与分发，并把训练模型加入训练集，以被下次使用。

本发明通过以下的技术要素来实现：

测井曲线数据是指目的地层一部分的物理属性，本发明包括将具有己知岩相分类的一部分采样用作训练数据，将训练数据分成两个子集，校准集合和交叉验证集合，使用自动监督学习岩相识别方法，基于校准集合去确定地下目的地层中的岩相的识别与预测，通过比较对于交叉验证集合所预测的和观察到的岩相，来计算用于监督学习相识别方法的混淆矩阵，计算表征连续相之间的变化的相转移矩阵，以及使用初步识别、岩相转移矩阵和混淆矩阵来迭代地计算，进行岩相相的识别。

基于测井曲线数据、地震数据的深度学习方法，运用计算方法，进行模块运算，包括以下步骤：

(1) 利用测井、录井和合成地震记录标定目的层；

(2) 获得测井曲线数据后，在多个测井曲线采样上指定并分类。例如通过使用岩心描述。将会理解，分类可以己被预先指定，或者作为本方法的实现的一部分可以通过专家分析指定。这些指定被认为是己知的相。测井曲线数据具有己知相的部分被选择并移出，并且在进一步处理之前被搁置。也就是，具有己知相的数据被分成训练子集和测试子集，其中测试子集可称为“被忽略的”或“交又验证”数据。可以随机选择被忽略的数据并且被忽略的数据的百分比可以由用户设定为参数或者可以是固定百分比。当有许多数据采样时，被忽略的数据的百分比可以接近50％。

该方法通过实现任何常规的计算机实现的监督模式识别或机器学习方法而进行，计算机实现的监督模式识别或机器学习方法用于识别相并使用训练集合来训练。将会理解，有多种多样这类的方法，包括反向传播、神经网络、决策树以及可应用于测井曲线数据的任何数量的另外的监督学习算法。

一旦机器学习方法己经得到训练，则其用于预测包括被忽略的数据在内的所有采样上的相，并且通过将经训练的机器学习算法的输出相对于先前为数据的那些部分指定的分类进行比较来生成混淆矩阵。

相转移矩阵被生成，其表征测井曲线数据中先前指定的相之间的变化。初步预测的相转移矩阵被生成，其表征初步预测分类中的相之间的变化。

转移矩阵描述每对连续相和该对相的彼此关系。例如，在连续的对表示出从页岩到砂岩的变化时，转移矩阵将捕获该关系以及从砂岩回到页岩的变化，如图2所示。

一旦计算出了所观察的和初步预测的转移矩阵，可以形成目标概率矩阵。就此而言，可以基于预测来计算目标概率，或者可以严格基于所观察的转移来设定转移概率矩阵。

沿目标层位指定时窗宽度提取地震数据作为深度学习预训练模型的训练数据，其中单个训练数据样本为每道周围道指定时窗数据连接形成，时窗移动距离一般取小于等于时窗长度；

利用限制玻尔兹曼机(RBM)或连续限制玻尔兹曼机(CRBM)预训练深度学习模型参数;

通过实验选择最优模型深度、模型每层神经元节点数、神经元激活函数及稀疏限制；

沿目标层位指定时窗宽度提取井旁道地震数据作为深度学习微调模型的训练数据，微调模型的类别包括油、气和水；

利用批量随机梯度下降算法微调深度学习模型参数；

计算深度学习模型每层基，提取目标层地震响应值，利用该样本与基相关性确定深度学习目标特征,这类特征能够反映地震信号的微弱变化，加强油气地震响应特征，加强储层与非储层的区别。

按训练数据提取方法提取过井或连井地震数据，将过井或连井地震数据输入到训练好的深度学习模型得到目标特征。

根据井资料确定不同岩性、流体引起的地震深度学习特征的差异，再将不同的岩性、流体引起的不同的地震深度学习特征外推到无井区域，进而进行岩性、烃类检测。

深度学习高层非线性特征的计算可适用于二维及三维数据，计算方式灵活多样，可以根据实际需求计算时间切片、沿层切片等。

软件的理论基础：人工智能中的深度学习构成了本软件的理论基础。深度学习的油气储层分布预测，正是利用了纵波与转换横波在油气储层敏感度上存在的差异，去有效识别油气储层特征，同时提高地震油气储层分布边界刻画的精度．具体做法是用一种卷积神经网络与支持向量机方法相结合，利用莱特准则剔除所生成的多波地震属性中可能存在的异常值，降低网络变体数量。然后，通过能突出油气储层特征的聚类算法和无监督学习算法构建隐藏层，用于增加网络共享，提取油气特征。最后，将增加网络罚值后的已知井点样本作为支持向量机预测的输入样本，以采样后的卷积层属性作为学习集，进行从已知到未知的油气储层的预测进一步，根据本发明的用于搜索的智能提示方法，其特征在于，所述步骤S511中所述的计算关键词的统计频次包括按时间加权计算的统计频次的步骤。

软件实现功能：

1)三维（3D）地震储层图像的油气层特征提取；

2)油气层特征的建模；

3)模型参数的触发、实现和调试；

4)储层图像识别的训练：快速学习与迭代；

5)储层图像识别模型的边界处理；

6)机器自动解释的实验应用；

7)大数据平台的油藏解释的商业应用；

8)工作方案包括2~3家石油公司进行合作，使成果迅速转化成生产力

应用场景

随着石油勘探开发及三维地震技术的飞速发展,国内探明隐蔽油气藏油气储量已超过国内探明油气储量一半,石油勘探开发从早期的构造油气藏转入以岩性或地层油气藏为主的隐蔽油气藏勘探开发阶段。隐蔽油气藏识别难度大、控制因素多、成藏规律复杂,对物探技术及油藏的认识程度要求较高。油藏地球物理技术将地震勘探技术及油藏研究技术有机地结合在一起,满足了对油藏认识的纵向分辨率及平面分辨率的要求,对隐蔽油气藏开发中后期的研究及增储上产具有较强的针对性。早年勘探发现的隐蔽油气藏多已成为进入开发中后期的老油田,生产资料丰富、采出程度高、含水上升快,急需通过加密调整和扩边挖潜来弥补产量递减。因此,针对开采多年的隐蔽油气藏再认识和可动用剩余储量分布研究是地震识别技术的崭新领域,而油藏地球物理技术将地震资料与油藏静态及动态资料有机结合在一起,可以有效落实老油田的剩余储量分布特征,指导生产井位部署,进一步增产挖潜。

石油开采中，储层预测是寻油气资源，评估油气储量重点的工作之一。由于井下地质构造的复杂性和测井参数分布的模糊性，传统的岩性识别方法识别精度有限，很多时候解释结果不尽人意。主要原因是测井时，用电阻率、超声波、放射性及核磁共振等地球物理方法绘制井筒曲线，然后根据对比曲线去判断井内某层位有否油气，不可避免地会造成判断偏差、遗漏、甚至失误等。后来，人们借助计算机辅助计算，测井资料评价地层岩性、电性、孔隙度、饱和度与渗透率等地层参数，其精度有所提高，其中岩性识别结果对寻油气层资源有着重要作用。由于测井曲线测量值的影响因素众多，且不同地区的地层岩性变化大、岩性种类繁多且地质结构复杂等，已有的识别方法存在识别准确率不高、不同地区需建立不同模型费时费力等问题，因此，如何准确地进行岩性识别成为测井处理中的关键问题。

另一方面，困扰石油勘探开发领域的问题是3D地震图像的精确解释。第一方面，储层图像的解释最终都要取决于人工，而人工判断取决于其专家经验，专家经验是人脑的反映，如何把人脑中这些识别油层判断的经验用计算机模型映射出来，这是本课题的目标之一。第二方面，人工判断油气层的位置会由于人眼识别的劳累经常会出现漏判、错判和解释不准确的现象。第三个方面，用测井曲线判断油气层的位置，一次需要综合多达十几条的曲线，用人工识别同样存在这样的问题。

随着大数据、云计算、人工智能等先进技术的出现，特别是人脸识别的成功应用，为地震储层图像的机器识别油气层开辟了新途径。其基本原理是：利用已有的油气层储层图像，把它们的储层图像特征等同于单个人脸一样存入数据模型，然后在客户的3D地震储层图像中让机器自动寻相似的油气层，这样的处理和解释过程不仅快速而且准确；开始可以加上人工检查，让机器不断学习，反复迭代，以期达到理想状态。通过这种处理方法就可以克服人工解释不稳定、不准确的弊端，实现人工智能技术在石油领域的应用，目前石油工业急需这样的软件能切实落地。

具体的主要应用场景是：

一是地质条件复杂，构造解释难度大，大部分勘查区均地下构造比较复杂，断裂带及小断块发育，地下速度横向变化快；储层岩性复杂，潜在储层类型多样，气藏类型复杂多样，精细描述难度大。

二是现有地震资料利用率较低，受软硬件条件限制，客户花较大代价采集的高精度地震数据仅能用于开展构造解释以及简单的叠后储层预测，尤其是低渗透油气藏的勘探工作，采集的高精度全方位三维地震资料无法自主有效的开展叠前储层和裂缝预测，严重制约了低渗透区块的勘探进程，未能深入挖潜资料信息降低勘探风险，造成了一定程度的资料浪费。

三是地震勘探项目受专业地震软件及专业技术等条件限制，勘探部署人员和决策者很难第一时间掌握较为真实、可靠、科学的评价数据，某种程度上增加勘探风险，同时客户的科研人员也失去进一步研究、掌握勘探核心技术的机会，制约客户油气勘探资产的核心技术体系的建立。

本发明可以构建勘探开发地球物理一体化平台，对客户提升技术体系建设具有重大意义，需要油气勘探开发一体化平台进行精细地震资料解释(地层对比、构造解释)、沉积相研究，进行叠前、叠后地震反演及储层预测，确定有利储层的分布范围，提出勘探开发目标。可以最大程度挖掘现有海量地震资料丰富的地质信息，有效降低油气勘探开发风险，为客户挖掘地质储量做出贡献。

必要性及需求分析

本发明能够对油气勘探开发项目进行构造解释及综合评价。能够构建成综合地质分析－构造解释－储层预测－物性预测－流体检测－工业制图－目标优选的综合性一体化平台，具备深度域解释能力。

本发明的优势在于：

（1）可以构建一体化数据管理平台提供创建工区、一体化数据管理分析功能。采用资源树模式管理各种数据，可以方便、快速查询数据，且支持中英文。数据加载具有宽适应性和高智能性，支持Excel表格的井数据加载。

（2）地震数据优化处理工具包。平台提供多种地震数据优化处理工具。为地震解释提供高信噪比或高分辨率的地震剖面。

（3）子波估算与井震标定。具有多种先进的子波估算方法，帮助用户提取最理想的子波来制作（直井、斜井）合成记录。

（4）多井综合地质解释。利用地质和测井数据，帮助地质工程师进行单井地质综合解释--连井分析，进行连井地层、油藏和沉积相剖面的综合解释和成图；同时提供优势相自动提起和沉积旋回划分试油数据显示分析工具和地层拉平工具。

（5）岩石物理分析及叠前地震正演。提供单井衰减系数曲线、叠前弹性和粘弹性地震正演结果、地震正演道集属性分析结果；同时能够进行2D 岩石物理模型及流体替换岩石物理模拟，2D 叠前入射角道集正演及其属性分析。

（6）虚拟测井数据构建。基于叠前角道集和原始速度场数据,使用遗传算法来创建虚拟井曲线,模拟纵波速度、横波速度和密度。为实现无井或少井条件下的地震反演提供井约束条件，达到预测储层的目的。

（7）构造解释。能够直接进行2D、3D正逆断层构造解释和正逆断层直接平面成图，支持单点多时间值结构，一个cdp上可以取多点，即一个层名可以包含两个及以上的时间值，同时逆断层上下盘构造平面图一次性成图。同时具备多用户协同解释和深度域解释能力。

（8）速度建模及时深转换。具有构造信息约束下的速度建模；生成的速度场既保有井上垂向速度变化，又具有速度谱横向速度变化特征；具有校正和多方位的质量控制分析功能。能够拥有分块充填、分块插值的速度建模方式，包括反距离加权、克里金插值和协同克里金三种插值建模方式。通过该精细速度建模方式，达到层位、断层、地震数据和网格、散点精细时深转换的目的。

（9）地震反演。利用井资料、地震数据、构造解释数据，建立地震反演初始模型。提供线性插值、分形插值和协同克里金等相控-体控建模算法，可以处理正断层、逆断层复杂构造系统，同时还考虑了多种沉积模式的约束。采用全局寻优快速反演算法，通过迭代寻优，得到高分辨率的声波阻抗/速度数据，进行储层解释和储层参数反演。

（10）岩性体解释。该模块提供了一整套工具，能够对目标地质体进行岩性精细解释和成图。

（11）储层参数预测。采用多种数学方法，进行多参数储层综合预测，丰富了地质目标评价手段。

（12）地震属性计算与分析。能够提供基于小波变换和三参数小波变换的高分辨率时频谱、瞬时谱分析算法，计算能量属性、衰减属性、频率属性及瞬时属性等多种地震属性，可应用于储层预测和流体检测。

（13）叠前地震反演。提供两种叠前反演方式，分别为叠前弹性波阻抗反演、叠前扩展弹性波阻抗反演。

叠前波阻抗反演基础上能够同时求取纵波阻抗体、横波阻抗体、拉梅系数、剪切模量、泊松比、弹性梯度、杨氏模量、脆性指标等弹性参数。叠前扩展弹性波阻抗反演部分包括井中扩展弹性阻抗曲线与目标曲线相关分析及其最佳旋转角度的确定，包括最佳旋转角度投影地震数据的计算，包括叠前扩展弹性波阻抗建模和反演结果。

（14）平面成图与数据分析。能提供丰富的地震解释、油藏数据平面分析以及强大的综合图件编制功能。通过该功能，能够对数据进行过滤、网格化、平滑操作等；同时能够完成各种构造图、厚度图、属性分布图以及沉积相平面图等的各种符合行业标准的图件编制工作；并且采用图层方式对各种散点数据、网格数据、等值线数据、测区数据、边界数据、断层多边形数据进行管理；能够计算距离和圈闭面积，同时也应提供内置抓图工具。

为了更清楚说明本发明实施例或现有技术中的技术方案，对于本领域的技术人员而言将变得更加明晰。以下将对实施例子或现有技术描述中，所需要使用的附图，作简单介绍，以下描述中的附图仅仅是本发明的一些实施例子。

说明书附图1：系统构建框架。

说明书附图2：机器学习部分模块关系。

说明书附图3：岩相分类图：本例中的数据集来自9口井（具有4149个样本），由一组七个预测变量和一个岩相（类）组成，每个实例矢量和验证（测试）数据（来自两口井的830个例子）具有相同的七个预测变量在特征向量中。相位基于对以间隔15.24厘米垂直测试的9口井的岩心进行检测。预测变量包括五个来自电缆测井测量值和两个来自地质知识的地质约束变量。这些基本上是以15.24厘米采样率采样的连续变量：

七个预测变量是：

五条线对数曲线包括 1、伽马射线（GR） 2、电阻率测井（ILD_log10） 3、光电效应（PE）4、中子密度孔隙度差 5、平均中子密度孔隙度（DeltaPHI和PHIND）注意，有些井没有PE：

两个地质约束变量：非海洋 - 海洋指标（NM_M）和相对位置（RELPOS）

九个离散相（岩石类）是： 1、非海洋砂岩（FS） 2、非海洋粗粉砂岩（XFS） 3、非海洋细粉砂岩（XFS） 4、海洋粉砂岩和页岩（CJ） 5、泥岩（石灰石 MS） 6、玄武土砂岩（石灰石 WS） 7、白云石（NY） 8、泥粒和粒状灰岩（石灰石PS） 9、叶状藻礁（石灰石 BS）。

说明书附图4：测井样本曲线1。

说明书附图5：测井样本曲线2。

说明书附图6：地震样本图1。

说明书附图7：地震样本图2。

说明书附图8：岩相分类图。

虽然本发明所展示了的部分的实施结果，但所述的内容只是为了便于理解本发明而采用的叙述方式而已，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所叙述的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

本例子演示从测井数据中预测岩相。这里使用的数据集是来自9个井的测井数据，这些井已根据岩心的观测标记了岩相类型。我们将使用此测试数据来训练支持向量机以对岩相类型进行分类。支持向量机（或SVM）是一种监督学习模型，可以对数据进行训练以执行分类和回归任务。 SVM算法使用训练数据来以超平面，对不同类别之间进行最佳拟合。我们将在scikit-learn中使用SVM进行实现。

第一步，整理数据集：加载9口井训练数据，创建交叉图以查看数据的变化，使用交叉验证集来进行模型参数选择。

第二步，建立、调整分类器：应用训练好的模型来对没有标签的井中的相进行分类，这里将分类器应用于两个井，未来可以将分类器应用于该地区任意数量的井。

第三步，实施：数据集来自9个井（具有8722个实例），由一组七个预测变量和一个岩相（类）组成，每个实例矢量和验证（测试）数据（来自两口井的830个例子）具有相同的七个预测变量在特征向量中。相位基于对以间隔半英尺垂直测试的9口井的岩心进行检测。预测变量包括五个来自电缆测井测量值和两个来自地质知识的地质约束变量。七个预测变量是：五条线对数曲线包括 1、伽马射线（GR） 2、电阻率测井（ILD_log10） 3、光电效应（PE）4、中子密度孔隙度差 5、平均中子密度孔隙度（DeltaPHI和PHIND）注意，有些井没有PE这些岩相不是离散的，而是逐渐相互融合。有些相邻的相邻相。可以预期在这些相邻相内发生错误标记。下表列出了岩相，它们的缩写标签及其近似邻域。相标签相邻相.