技术摘要：
本发明提供一种基于卷积神经网络的测井岩性识别方法及系统。该基于卷积神经网络的测井岩性识别方法包括：获取当前测井数据；将当前测井数据输入预先创建的卷积神经网络框架最优模型中，得到当前测井数据的各个岩性概率；确定岩性概率的最大值对应的岩性作为当前测井数  全部
背景技术：
地球物理测井岩性识别是含油气性评价、油藏描述等方面研究的一项重要内容， 是求解油气储层各种参数的基础。与其它岩性识别方法(如取岩心)相比，利用测井资料识 别地层岩性具有速度快、费用低的特点，因此被广泛采用。 常规的利用测井资料识别地层岩性的方法主要有交会图法、统计学方法以及成像 测井，但是传统识别方法精度低、效率慢并且人为因素影响大，而层析成像测井又价格昂 贵，不利于广泛实际应用，因此研究出一种高精度自动识别岩性的方法对于测井数据解释 具有重要的意义。目前可以通过建立岩石类型-测井参数的测井解释模型来自动识别岩性， 但这种方法对于特征不明显的测井曲线的识别精度低。 随着测井技术的发展，测井方法不断增多、精度不断提高、数据量也随之不断增 大。每一种测井曲线都是对地层岩性信息的特殊响应，如果同时综合多种测井曲线进行解 释工作则既要解决复杂的多维度非线性问题，也要解决多种测井数据综合形成的大数据的 问题，这是传统的交会图法和机器学习等方法所无法解决的。而深度学习本身就是从海量 数据中自动提取特征，并通过逐层特征变化进而解决复杂的分类或预测问题。
技术实现要素：
本发明实施例的主要目的在于提供一种基于卷积神经网络的测井岩性识别方法 及系统，以快速划分岩性，提高岩性识别的效率和精度。 为了实现上述目的，本发明实施例提供一种基于卷积神经网络的测井岩性识别方 法，包括： 获取当前测井数据； 将当前测井数据输入预先创建的卷积神经网络框架最优模型中，得到当前测井数 据的各个岩性概率； 确定岩性概率的最大值对应的岩性作为当前测井数据的岩性。 本发明实施例还提供一种基于卷积神经网络的测井岩性识别系统，包括： 第一获取单元，用于获取当前测井数据； 岩性概率单元，用于将当前测井数据输入预先创建的卷积神经网络框架最优模型 中，得到当前测井数据的各个岩性概率； 岩性识别单元，用于确定岩性概率的最大值对应的岩性作为当前测井数据的岩 性。 本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并 在处理器上运行的计算机程序，处理器执行计算机程序时实现所述的基于卷积神经网络的 4 CN 111598444 A 说　明　书 2/9 页 测井岩性识别方法的步骤。 本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机 程序被处理器执行时实现所述的基于卷积神经网络的测井岩性识别方法的步骤。 本发明实施例的基于卷积神经网络的测井岩性识别方法及系统将当前测井数据 输入卷积神经网络框架最优模型中，得到当前测井数据的各个岩性概率，并确定岩性概率 的最大值对应的岩性作为当前测井数据的岩性，可以快速划分岩性，提高岩性识别的效率 和精度。 附图说明 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述 中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些 实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附 图获得其他的附图。 图1是本发明实施例中基于卷积神经网络的测井岩性识别方法的流程图； 图2是本发明实施例中创建卷积神经网络框架最优模型的流程图； 图3是本发明实施例中S206的流程图； 图4是本发明实施例中卷积神经网络框架模型的示意图； 图5是本发明实施例中测井训练曲线和岩性的示意图； 图6是本发明实施例中基于卷积神经网络的测井岩性识别系统的结构框图； 图7是本发明实施例中计算机设备的结构框图。