(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110377717.8 (22)申请日 2021.04.08 (65)同一申请的已公布的文献号 申请公布号 CN 112989708 A (43)申请公布日 2021.06.18 (73)专利权人 重庆科技学院 地址 401331 重庆市沙坪坝区大 学城东路 20号 (72)发明人 李作进　陈生富　杨庆　冯世霖　 史蓝洋　陈智能　 (74)专利代理 机构 重庆敏创专利代理事务所 (普通合伙) 50253 代理人 陈千 (51)Int.Cl. G06F 30/27(2020.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01) (56)对比文件 CN 110895348 A,2020.0 3.20 审查员 郑攀 (54)发明名称 一种基于LSTM神经网络的测井岩性识别方 法及系统 (57)摘要 本发明涉及石油勘探技术领域， 具体公开了 一种基于LSTM神经网络的测井岩性识别方法及 系统， 该方法包括步骤： 基于LSTM神经网络建立 测井岩性识别模 型； 采用由带标签的测井数据样 本组成的数据集对测井岩性识别模型进行训练 和测试； 将即时测井数据输入测试完成的测井岩 性识别模型， 得出各类岩性的概率； 将概率最大 的岩性作为 即时测井数据下的岩性。 该方法及系 统基于LSTM神经网络对多个测井曲线数据进行 特征提取， 能够有效挖掘数据的本质特征， 减少 提取特征的时间和成本， 并通过逐层特征变化进 而解决复杂的分类来预测岩性， 其识别准确率和 响应速度相比现有方法均有所提高， 使岩性识别 变得方便快捷 且客观可靠 。 权利要求书2页 说明书8页 附图4页 CN 112989708 B 2022.04.19 CN 112989708 B 1.一种基于LSTM神经网络的测井岩性识别方法， 其特 征在于， 包括 步骤： S1： 基于LSTM神经网络建立测井岩性识别模型； S2： 采用由带标签的测井数据样本组成的数据集对所述测井岩性识别模型进行训练和 测试； 所述 步骤S2对所述测井岩性识别模型进行训练的过程具体包括 步骤： S21： 将所获原始测井数据进行标签降维、 参数降维以及缺失值插补， 得到测井数据样 本； 进行所述标签降维具体是指： 将所获原始测井数据中相 近的岩性进行合并以及将低于 预设占比的岩性剔除； 进 行所述参数降维具体是指： 保留互不相关的参数类别， 并对高于预 设相关度的2个以上参数类别进 行降维选取； 进 行所述缺 失值插补具体是指： 对 数据缺失处 进行多重插补； S22： 对测井数据样本进行 标签编码和数据归一 化后划分为训练集和 测试集； S23： 将所述训练集输入步骤S1建立的所述测井岩性识别 模型进行训练， 并反向更新参 数， 优化神经 元权重矩阵， 直至参数收敛； S3： 将即时测井数据输入测试完成的所述测井岩性识别模型， 得 出各类岩性的概 率； S4： 将概率最大的岩性作为所述即时测井数据下的岩性。 2.如权利要求1所述的一种基于LSTM神经网络的测井岩性识别方法， 其特征在于， 步骤 S21中： 进行标签降维后得到的标签包括泥岩、 砂岩、 页岩、 白云岩、 砾岩、 泥灰岩和泥膏岩这七 种岩性； 进行参数降维后得到的参数包括补偿声波、 补偿电子、 补偿密度、 自然伽马和电阻率这 五种输入参数； 对数据缺失处进行多重插补的具体过程包括： 1)为每个空值产生 一套可能的插补值， 并根据这些插补值 生成多个插补值 集合； 2)对每个插补值 集合用针对完整数据集的统计方法进行统计分析； 3)对每个插补值 集合的结果， 根据评分函数进行选择， 产生 最终的插补值。 3.如权利要求2所述的一种基于LSTM神经网络的测井岩性识别方法， 其特征在于， 所述 步骤S22中： 进行所述标签编码的过程为： 对泥岩、 砂岩、 页岩、 白云岩、 砾岩、 泥灰岩和泥膏岩这七 种岩性进行毒热编码； 进行所述数据归一化的过程为： 将补偿声波、 补偿电子、 补偿密度、 自然伽马和电阻率 这五种输入参数进行归一 化， 使处理后的数据呈现正态分布。 4.如权利要求1所述的一种基于LSTM神经网络的测井岩性识别方法， 其特征在于， 所述 步骤S22中， 进行 数据归一 化所采用的公式为： 其中， x为一输入参数对应的值， μ为该输入参数的总体均 值， δ为该输入参数的标准差， Z为该输入参数 标准化的值。 5.如权利要求1～4任一项所述的一种基于LSTM神经网络的测井岩性识别方法， 其特征 在于： 所述测井岩性识别模 型包括LSTM网络结构和Softmax回归层， 所述LSTM网络结构包括 顺次连接的输入层、 隐藏层和输出层； 所述隐藏层 包括首层隐藏层、 中层隐藏层和末层隐藏权　利　要　求　书 1/2 页 2 CN 112989708 B 2层， Dropout率分别为0.2、 0.4、 0.4； 所述Softmax回归层连接在所述末层隐藏层和输出层之 间。 6.如权利要求5所述的一种基于LSTM神经网络的测井岩性识别方法， 其特征在于： 所述 测井岩性识别模型采用Tanh函数作为激活函数， 采用Adam优化算法进行优化， 采用交叉熵 作为损失函数。 7.如权利要求6所述的一种基于LSTM神经网络的测井岩性识别方法， 其特征在于： 所述 步骤S23中， 采用反向传播 通过时间方法进行参数训练。 8.一种基于LSTM神经网络的测井岩性识别系统， 其特征在于： 采用权利要求1～7任一 项所述的基于LSTM神经网络的测井岩性识别方法实现建立测井岩性识别模型、 对测井岩性 识别模型进行训练与/或测试、 将训练完成的测井岩性识别模型用于识别即时测井数据中 的至少一项。权　利　要　求　书 2/2 页 3 CN 112989708 B 3