(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210628143.1 (22)申请日 2022.06.06 (71)申请人 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 赖富强　欧发辉　张国统　刘粤蛟　 闵宣霖　夏云杰　张晓树　夏小雪　 蒋国强　刘源琦　陈龙　黄兆辉　 王海涛　 (74)专利代理 机构 重庆蕴博君晟知识产权代理 事务所(普通 合伙) 50223 专利代理师 郑勇 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/762(2022.01)G06V 10/764(2022.01) G06V 10/774(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于电成像测井图像的页岩气储层岩 性智能识别方法 (57)摘要 本发明涉及图像处理技术领域， 具体涉及一 种基于电成像测井图像的页岩气储层岩性智能 识别方法， 包括对电成像图像进行预处理， 得到 样本数据集； 构建卷积神经网络和聚类算法模 型； 使用样本数据集制作样本形状集； 使用卷积 神经网络对样本形状集进行训练， 得到形状识别 结果； 将样本数据集进行灰度处理， 得到灰度图 像集； 使用聚类算法模型根据灰度图像集对样本 数据集进行聚类后制作色标， 得到灰度识别结 果； 将形状识别结果和灰度识别结果进行联合， 得到岩性识别结果， 解决了 现有的识别方法无法 精准实现计算机岩性自动识别的问题。 权利要求书1页 说明书5页 附图4页 CN 115019144 A 2022.09.06 CN 115019144 A 1.一种基于电成像测井图像的页岩气储层岩性智能识别方法， 其特征在于， 包括以下 步骤： S1对电成像图像进行 预处理， 得到样本数据集； S2构建卷积神经网络和聚类算法模型； S3使用所述样本数据集制作样本形状集； S4使用所述卷积神经网络对所述样本形状集进行训练， 得到形状识别结果； S5将所述样本数据集进行 灰度处理， 得到灰度图像集； S6使用所述聚类算法模型根据所述灰度图像集对所述样本数据集进行聚类后制作色 标， 得到灰度识别结果； S7将所述形状识别结果和所述灰度识别结果进行 联合， 得到岩性识别结果。 2.如权利要求1所述的基于电成像测井图像的页岩气储层岩性智能识别方法， 其特征 在于， 所述对电成像图像进行 预处理， 得到样本数据集的具体方式为： S11使用Filtersim算法填补电成像图像的空白带， 得到填补图像； S12人工去除所述 填补图像中的噪音样本， 得到样本数据集。 3.如权利要求2所述的基于电成像测井图像的页岩气储层岩性智能识别方法， 其特征 在于， 所述样本形状集包括训练形状集和 测试形状集。 4.如权利要求3所述的基于电成像测井图像的页岩气储层岩性智能识别方法， 其特征 在于， 所述使用所述样本数据集制作样本形状集的具体方式为： S31将所述样本数据集按照8： 2的比例划分为训练集和 测试集； S32将所述训练集划分为 块状、 纹层状和层状， 得到训练形状集； S33将所述测试集划分为 块状、 纹层状和层状， 得到测试 形状集。 5.如权利要求4所述的基于电成像测井图像的页岩气储层岩性智能识别方法， 其特征 在于， 所述使用所述卷积神经网络对所述样本形状集进行训练， 得到形状识别结果的具体方 式为： S41将使用所述卷积神经网络对所述训练形状集进行训练， 得到最优权 重； S42基于所述最优权重采用交叉熵损失函数对所述训练形状集的标签进行更新处理， 得到损失函数值； S43循环步骤S41至S42， 直至所述损失函数值达 到收敛， 得到最优 模型参数； S44基于所述 最优模型参数对所述卷积神经网络进行参数调整； S45使用参数调整后的所述卷积神经网络对所述测试形状集进行训练， 得到形状识别 结果。 6.如权利要求1所述的基于电成像测井图像的页岩气储层岩性智能识别方法， 其特征 在于， 所述样本数据集包括块状砂质泥岩、 块状泥岩、 层状灰质泥岩、 层状泥岩和纹层状灰质 泥岩。权　利　要　求　书 1/1 页 2 CN 115019144 A 2一种基于电成像测井图像的页岩气储层岩 性智能识别方 法 技术领域 [0001]本发明涉及图像处理技术领域， 尤其涉及 一种基于电成像测井图像的页岩气储层 岩性智能识别方法。 背景技术 [0002]岩性快速识别具有重要的基础地质研究意义与工程应用价值， 传统的岩性识别方 法包括直接观察、 薄片鉴定、 实验分析和人机交互识别等， 但此类传统识别方法对人工识别 经验要求高， 效率低。 [0003]目前， 现有技术公开了一种基于电成像图像的图像 ‑岩性识别方法， 基于电成像测 井资料分辨率高和测量信息丰富， 可得到页岩地层中页岩 颗粒形状、 大小、 空间位置及页岩 和泥质条带的直观描述， 但需要解释人员根据模式人工做出岩性的判断、 划分， 没有完全实 现计算机岩性自动识别。 发明内容 [0004]本发明的目的在于提供一种基于电成像测井图像的页岩气储层岩性智能识别方 法， 旨在解决现有的识别方法无法精准实现计算机岩性自动识别的问题。 [0005]为实现上述目的， 本发明提供了一种基于电成像测井图像的页岩气储层岩性智能 识别方法， 包括以下步骤： [0006]S1对电成像图像进行 预处理， 得到样本数据集； [0007]S2构建卷积神经网络和聚类算法模型； [0008]S3使用所述样本数据集制作样本形状集； [0009]S4使用所述卷积神经网络对所述样本形状集进行训练， 得到形状识别结果； [0010]S5将所述样本数据集进行 灰度处理， 得到灰度图像集； [0011]S6使用所述聚类算法模型根据所述灰度图像集对所述样本数据集进行聚类后制 作色标， 得到灰度识别结果； [0012]S7将所述形状识别结果和所述灰度识别结果进行 联合， 得到岩性识别结果。 [0013]其中， 所述对电成像图像进行 预处理， 得到样本数据集的具体方式为： [0014]S11使用Filtersim算法填补电成像图像的空白带， 得到填补图像； [0015]S12人工去除所述 填补图像中的噪音样本， 得到样本数据集。 [0016]其中， 所述样本形状集包括训练形状集和 测试形状集。 [0017]其中， 所述使用所述样本数据集制作样本形状集的具体方式为： [0018]S31将所述样本数据集按照8： 2的比例划分为训练集和 测试集； [0019]S32将所述训练集划分为 块状、 纹层状和层状， 得到训练形状集； [0020]S33将所述测试集划分为 块状、 纹层状和层状， 得到测试 形状集。 [0021]其中， 所述使用所述卷积神经网络对所述样本形状集进行训练， 得到形状识别结 果的具体方式为：说　明　书 1/5 页 3 CN 115019144 A 3