基于深度学习的测井岩性识别方法研究与应用  

Research and application of logging lithology identification based on deep learning

作　　者：安鹏[1] 曹丹平[1] AN Peng;CAO Dan-ping(School of Geosciences , China University of Petroleum （ East China）, Shandong Qingdao 2665g0, Chin)

机构地区：[1]中国石油大学(华东)地球科学与技术学院,山东青岛266580

出　　处：《地球物理学进展》2018年第3期1029-1034,共6页Progress in Geophysics

基　　金：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)联合资助

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Re Lu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.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 Re Lu 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.

关 键 词：深度学习 地球物理测井 岩性识别 深度神经网络 

分 类 号：P631[天文地球—地质矿产勘探]