(19)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 202210385686.5 (22)申请日 2022.04.13 (65)同一申请的已公布的文献号 申请公布号 CN 114463333 A (43)申请公布日 2022.05.10 (73)专利权人 中国科学院地质与地球物理研究 所 地址 100029 北京市朝阳区北土城西路19 号 (72)发明人 郑文浩　田飞　 (74)专利代理 机构 北京市恒有知识产权代理事 务所(普通 合伙) 11576 专利代理师 郭文浩　尹文会 (51)Int.Cl. G06T 7/00(2017.01)G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06V 10/762(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01) (56)对比文件 CN 109387869 A,2019.02.26 CN 112394392 A,2021.02.23 CN 105842736 A,2016.08.10 US 2013080058 A1,2013.0 3.28 闫振来.基 于随钻测井的地质导向解释系统 研究与应用. 《钻 采工艺》 .2010,(第0 5期), 夏宏泉等.基 于随钻资料的地层岩性实时识 别方法. 《石油学报》 .20 04,(第02期), 审查员 姚子琪 (54)发明名称 随钻地质 导向实时地层格架智能更新方法 与系统 (57)摘要 本发明属于地质勘探领域， 具体涉及了一种 随钻地质导向实时地层格架智能更新方法与系 统， 旨在解决不同的随钻测井和录井仪器测量参 数存在差异， 对地层格架的位置、 倾角 识别的精 度不足的问题。 本发明包括： 获取现有井资料并 实时采集测井数据和随钻成像图像； 构建初始地 层格架模型并剔除异常值和降维； 基于降维测井 数据， 通过密度 峰值聚类方法 （DPC） 进行非线性 聚类， 再通过基于深度信念网络 （DBN） 的标志层 预测模型获得标志层初步预测结果并矫正， 获得 矫正后的地层格架模型， 并调整钻井轨迹。 本发 明通过对测得数据进行非线性的降维并结合密 度峰值聚类的方法， 剔除了可能会影 响识别精度 的聚类簇， 从而构建出更精确的地层格架模型， 用以辅助钻井 。 权利要求书9页 说明书17页 附图9页 CN 114463333 B 2022.09.02 CN 114463333 B 1.一种随钻地质导向实时地层格架智能更新方法， 其特 征在于， 所述方法包括： 步骤S100， 获取现有井资料并实时采集测井数据和随钻成像图像； 步骤S200， 基于所述现有井资料， 构建初始地层格架模型； 步骤S300， 基于所述测井数据， 进行剔除异常值的预处 理， 获得有效测井数据； 具体为： 通过孤立森林算法剔除异常值， 具体包括： 步骤S310， 选取10种测井数据和钻井数据， 测井数据包括： AC、 CNL、 RD、 RS、 COND、 GR和 DEN； 钻井数据包括钻速、 转速和钻压， 选取所述测 井数据和钻井数据进行排列组合建立待 处理数据集； 步骤S320， 将待处理数据集中的待处理数据组合表示为 ， ， 其中 表示数据 点， 从测井数据 中随机抽取 个数据点构成子集 存入根节点； 步骤S330， 从测井数据中随机选定一个维度q， 在维度q中随机产生一个切割点p； 其中 切割点p满足 ； 步骤S340， 根据切割点p生成将维度q中数据划分为两个子空间的超平面， 指定数值小 于p的数据点 放入第一叶子节点， 数值大于或等于p的数据点 放入第二叶子节点； 步骤S350， 递归步骤S330 ‑步骤S340直至所有的叶子节点都只有一个数据点或孤立树 已经达到预设的高度； 步骤S360， 重复步骤S320 ‑步骤S350的方法直至生成T个孤立树； 其中， T个孤立树表示： 孤立树没有叶子节点的外部节点， 或有两个 叶子节点 和一个内部节点test； 在T 个孤立树的内部节点test由维度q和一个分割点p组成， q<p的点属于 ， 反之属于 ； 步骤S370， 所述T个孤立树即为孤立树森林， 令每个数据点 遍历每一个孤立树， 计算 数据点 在每一个孤立树的高度 即数据点 从所在孤立树的根节点到叶子节点经 过的边的数量； 从而计算数据点 在孤立树森林中的平均高度， 对所有数据点的平均高度 做归一化处理， 获得归一 化的数据点平均高度 ； 步骤S380， 基于所述归一 化的数据点平均高度 ， 计算异常值分数 ： 权　利　要　求　书 1/9 页 2 CN 114463333 B 2其中， 表示 个数据点所构建的二叉树路径长度的平均值， E （*） 表示期望； 其中， 表示调和数， 通过 估算， 为欧拉 常数； 当所述异常值分数 小于预设的异常值阈值s时， 将对应的数据点剔除， 获得有 效测井数据 ， ， ， 表示有效测井数据中的 数据点数； 步骤S390， 重复步骤S320 ‑步骤S380 的方法选取未被选中过的待处理数据组合计算有 效测井数据， 选取精 准率达到预设的第一精准阈值且准确率最高的有效测井数据进行后续 步骤； 步骤S400， 基于所述有效测井数据进行非线性降维， 获得降维测井数据； 所述步骤S400， 为通过t‑SNE方法对有效测井数据进行非线性降维， 具体包括： 步骤S410， 基于所述有效测井数据 ， 选取任意点 和 ， ， ， 其中 服从以 为中心且方差为 的高斯分布 ， 服 从以 为中心且方差为 的高斯分布 ； 则 和 相似的条件概 率 为： 其中， 用户可根据 指定困惑度Perp， 困惑度的定义为： ， 表示高斯分布 的香农信息熵： 数据点 与 相似的条件概 率在全部数据点中两 两相似度的联合 概率 为： 权　利　要　求　书 2/9 页 3 CN 114463333 B 3