CN114463333B 随钻地质导向实时地层格架智能更新方法与系统 （中国科学院地质与地球物理研究所）

所号US2013080058A1,2013.0随钻地质导向实时地层格架智能更新方法随钻地质导向实时地层格架智能更新方法与系明通过对测得数据进行非线性的降维并结合密2步骤S320，将待处理数据集中的待处理数据组合表示为，个数据点构成子集存入根节点；步骤S340，根据切割点p生成将维度q中数据划步骤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孤立树没有叶子节点的外部节点，或有两个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3效测井数据表示有效测井数据中的步骤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步骤S410，基于所述有效测井数据，选取任意点和，数据点%与相似的条件概率在全部数据点中两两相似度的4:,每个联合概率的计算遍历所有降维测井数据集中不相同的两个步骤S430，基于所述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,通过KL散度来度量降维测井数据集概率分布Q和有效测井数据的高维空间概率分布P之间的相似度c：保留降维测井数据集的前两个维度，其余维度删除，得到降维测井数据,即选出能够解释最多内容的两个维度的降维测井数据步骤S500，基于所述降维测井数据，通过密度峰值5的意义是指与节点距离小于dc的节点的个步骤S560，基于所述测井数据聚类簇，通过基于标步骤S600，基于所述测井数据聚类簇，通过基步骤S700，通过所述标志层初步预测结果对根据所述标志层初步预测结果，确定标志层边界的初通过全卷积神经网络对所述包含标志层上下边界的随钻成像图像获取标志层上下边基于随钻成像图像与地层倾角倾向映射关系，根据标志层6步骤S800，基于随钻成像图像，通过优化的基步骤S810，所述基于随钻成像图像，分别通过所述随钻信息获取模块，配置为获取现有井资料并实时采集测井数据和随钻成像图7个数据点构成子集存入根节点；从测井数据中随机选定一个维度q，在维度q中随机根据切割点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的数据递归直至所有的叶子节点都只有一个数据点或孤立树已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效测井数据表示有效测井数据中的8重复选取未被选中过的待处理数据组合计算有效测井数据所述非线性降维模块，配置为基于所述有效测井数据进数据点%与相似的条件概率在全部数据点中两两相似度的,在步骤S420中，有效测井数据相对于降维测井数据集为高维空间中的数据，计算数据点%与在降维测井数据集中对应的模拟点与的联合概率:9,每个联合概率的计算遍历所有降维测井数据集中不相同的两个来度量降维测井数据集中概率分布Q和有效测井数据的高维空间概率分布P之间的相似度c：保留降维测井数据集的前两个维度，其余维度删除，得到降维测井数据,即选出能够解释最多内容的两个维度的降维测井数据所述测井数据聚类模块，配置为基于所述降维测井数据的意义是指与节点距离小于dc的节点的个所述初步预测模块，配置为基于所述测井数据聚类簇，所述辅助矫正模块，配置为通过所述标志层初步预测结何融合多类型地质-地球物理数据实现一体个数据点构成子集Y'存入根节点；其中切割点p满足min(x,j=q,xyex')<p<max(xj=q,xyex')；[0017]步骤S350，递归步骤S330-步骤S340的方法直至所有的叶子节点都只有一个数据(i,T计算数据点在每一个孤立树的高度h(x)即数据点从所在孤立树的根节点到叶子节[0026]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J为中心且方差为09的高斯分布R，Jpaip表示V和J相似的条件概率；高维空间中的数据，计算数据点J与V在降维测井数据集中对应的模拟点与的联合[0037]其中，1≤el,e2≤m，和表示降维测井数据集中不相同的两个点，,每个联合概率Iap的计算遍历所有降维测井数据集中不相同的两个点；。[0065]步骤A400，判断所述标志层初步预测结果的3个标志层的精准率是否均大于预设聚类簇组合；若精准率均大于预设的第二精准率阈值则计算该组聚类簇组合并计算准确[0069]通过全卷积神经网络对所述包含标志层上下边界的随钻成像图像获取标志层上[0105]图11是本发明实施例中基于优化的卷积神经网络的断裂图像提取模型的结构示地质导向实时地层格架智能更新方法通过对测得数据进行非线性的降维并结合密度峰值[0119]为了更清晰地对本发明系统进行说明，下面结合图1对本发明实施例中各步骤展[0122]根据叠前数据采用三维地震处理技术，包括弹性阻抗计算专门技术及幅-距关系志层和储层，结合以往地质信息和井资料，建立储层和储层上方3个标志层的初始特征图无论是倾角还是深度均存在较大偏差，难以满足钻井过程对地层格架判断的实时性的要[0126]本实施例建立模型的算法流程如图4所示，将10类测井数据和钻井数据中不同数据类型的信息进行排列组合，将某一组合依次通过孤立森林算法进行和t-SNE方法进行预,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Y'存入根节点；其中切割点p满足min(x,j=q,xyex')<p<max(xj=q,xyex')；[0136]步骤S350，递归步骤S330-步骤S340的方法直至所有的叶子节点都只有一个数据表示：孤立树没有叶子节点的外部节点，或有两个叶子节点(i,T和一个内部节点计算数据点在每一个孤立树的高度h(x)即数据点从所在孤立树的根节点到叶子[0145]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[0154]其中，PUP表示V和J相似[0157]其中，1≤el,e2≤m，和表示降维测井数据集中不相同的两个点，,每个联合概率Iap的计算遍历所有降维测井数据集中不相同的两个点；之间的相似度：[0165]线性降维方法和非线性降维的方法处理本发明数据的效果如图5所示。降维的目[0190]步骤A400，判断所述标志层初步预测结果的3个标志层的精准率是否均大于预设聚类簇组合；若精准率均大于预设的第二精准率阈值则计算该组聚类簇组合并计算准确均用于标志层预测，选取了聚类簇组合进行预测如图8所示无论是精准率还是准确率都比[0196]其中，表示可视层的状态向量，I,表示隐藏层的状态向量，i表示可视层的M=1，当I将4种分割图像的结果对比分析，由FCN-2s得到的图像去确定哪些可能为地层边界，通过[0212]通过全卷积神经网络对所述包含标志层上下边界的随钻成像图像获取标志层上