本發(fā)明屬于人工智能和地球物理測井，具體涉及異常測井曲線自適應重建與識別方法、系統(tǒng)、裝置及介質。

背景技術：

1、在測井的過程中，由于測井儀器測速過快、遇阻遇卡和地質層理變化等原因，常會導致所采集到的測井曲線中出現(xiàn)異常數(shù)據(jù)。異常曲線的存在會影響后續(xù)數(shù)據(jù)的處理和解釋工作，而重新采集數(shù)據(jù)會大幅增加成本，因此對異常測井曲線進行自動識別的工作很有必要。

2、近年來，有關測井曲線的重建和識別有一些研究成果。張家臣等人提出基于xgboost的測井曲線重構方法。結果表明，基于xgboost的測井曲線重構方法在準確性和穩(wěn)定性方面都取得較好的效果，表現(xiàn)出較強的泛化能力；沈亮等人提出一種利用機器學習和深度學習算法預測測井曲線的方法，通過比較不同的機器學習算法選定最終的預測算法模型，將最終的預測算法模型應用于目標井,預測目標測井曲線(cn?114741944?a)；王橫等人提出一種基于深度學習簡單循環(huán)單元的測井曲線延拓方法，通過搭建簡單循環(huán)單元神經(jīng)網(wǎng)絡模型，將延拓數(shù)據(jù)輸入神經(jīng)網(wǎng)絡模型中延拓未知段測井數(shù)據(jù)(cn?114488345?a)；張瀛等人提出一種基于徑向基函數(shù)神經(jīng)網(wǎng)絡模型的測井曲線預測方法，運用人工神經(jīng)網(wǎng)絡技術建立預測模型，然后利用已知新井的測井曲線對缺失測井曲線的老井進行測井曲線預測(cn106991509?a)；馮周等人提出一種利用機器學習方法預測缺失曲線的方法，利用訓練和驗證后的機器機器學習網(wǎng)絡模型進行預測，獲得待處理井的缺失測井曲線(cn?114723095a)；孫致學等人提出一種碳酸鹽巖縫洞型油藏放空漏失井段測井曲線重構方法，使用bp神經(jīng)網(wǎng)絡模型對漏失放空井段的測井曲線進行重構(cn?114740531?a)；韓建等人提出基于lstm多尺度共生關系挖掘的測井曲線復原方法，在基于神經(jīng)網(wǎng)絡測井曲線復原方法的基礎上，通過引入多尺度灰度共生短陣(glcm)關系實現(xiàn)對缺失測井曲線的復原；尚福華等人提出基于改進lstm神經(jīng)網(wǎng)絡的測井曲線重構方法，結果表明，dk-lstm測井曲線重構模型具有更準確的預測效果；查文舒等人提出基于相關性分析的bi-lstm測井曲線預測方法，結果表明，考慮曲線相關性的bi-lstm模型能減少樣本數(shù)據(jù)，明顯提高預測精度；王錦濤等人提出基于cnn-gru神經(jīng)網(wǎng)絡的測井曲線預測方法，結果顯示，基于cnn-gru神經(jīng)網(wǎng)絡的測井曲線預測方法應用效果顯著，能有效提取數(shù)據(jù)特征；段中鈺等人提出基于cgan與cnn-gru組合模型的密度測井曲線重構方法，結果表明，所提出的方法優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡方法，能夠生成更加符合實際情況的曲線；王橫等人提出基于深度學習的鉆前測井曲線預測方法，通過使用resnet(殘差網(wǎng)絡)卷積神經(jīng)網(wǎng)絡模型對待預測段進行鉆前曲線預測，能比較準確地預測鉆前測井曲線的變化趨勢；楊懷杰等人提出基于多元回歸模型的擬聲波時差測井曲線重構方法研究，通過建立擬聲波時差的多元線性回歸模型，驗證了擬聲波時差曲線在砂泥巖地層中的應用效果；周欣等人提出基于雙向門控循環(huán)單元神經(jīng)網(wǎng)絡的聲波測井曲線重構技術，預測結果表明，bgru神經(jīng)網(wǎng)絡取得了優(yōu)異的聲波測井曲線重構效果。

3、綜上分析，在測井曲線的預測和缺失曲線的重構方面有一些研究成果較為完善，在異常測井曲線的重構和識別領域依然缺乏實用性好、可靠性高的研究和方法。

技術實現(xiàn)思路

1、為了克服上述現(xiàn)有技術的缺點，本發(fā)明的目的在于提供一種異常測井曲線自適應重建與識別方法、系統(tǒng)、裝置及介質，是針對異常測井曲線的自動識別，基于無監(jiān)督的異常測井曲線的識別方法，所述方法基于seq2seq模型，利用bi-lstm深度自編碼器對測井曲線序列進行自適應重建以發(fā)現(xiàn)異常曲線序列。本發(fā)明可以自動檢測異常曲線數(shù)據(jù)，更好地挖掘測井曲線中的異常序列模式，有效解決在采集測井曲線數(shù)據(jù)中遇到的缺失或錯誤等數(shù)據(jù)異常問題。

2、為了達到上述目的，本發(fā)明采用以下技術方案予以實現(xiàn)：

3、本發(fā)明提供了一種異常測井曲線自適應重建與識別方法，包括以下步驟：

4、s1：輸入待檢測的測井曲線序列；

5、s2：使用深度自編碼器模型對輸入待檢測的測井曲線序列進行自適應重建，獲得并輸出自適應重建的測井曲線序列；

6、s3：基于待檢測的測井曲線序列以及自適應重建的測井曲線序列，獲得待檢測的測井曲線序列與自適應重建的測井曲線序列之間的深度誤差；

7、s4：比較深度誤差以及誤差閾值，判定待檢測的測井曲線序列是否正常，并獲得待檢測的測井曲線序列的判定結果；

8、s5：輸出待檢測的測井曲線序列的判定結果。

9、本發(fā)明進一步，所述s4中，比較深度誤差以及誤差閾值的過程如下：判定待檢測的測井曲線序列與自適應重建的測井曲線序列之間的深度誤差是否大于誤差閾值。

10、本發(fā)明進一步，所述深度誤差大于誤差閾值時，判定待檢測的測井曲線序列為異常曲線序列；所述深度誤差不大于誤差閾值時，判定待檢測的測井曲線序列為正常曲線序列。

11、本發(fā)明進一步，所述誤差閾值的獲取步驟如下：

12、s01：輸入測井曲線序列的數(shù)據(jù)；

13、s02：使用深度自編碼器模型對測井曲線序列的數(shù)據(jù)進行自適應重建，獲得并輸出重建測井曲線序列；

14、s03：基于測井曲線序列的數(shù)據(jù)以及重建測井曲線序列，獲得測井曲線序列與重建測井曲線序列之間的自適應重建誤差；

15、s04：基于測井曲線序列與重建測井曲線序列之間的自適應重建誤差設置重建異常比，獲得誤差閾值。

16、本發(fā)明進一步，所述s03中，所述測井曲線序列與重建測井曲線序列的對應元素差值的二范數(shù)為自適應重建誤差的指標。

17、本發(fā)明進一步，所述測井曲線序列gr曲線。

18、本發(fā)明進一步，所述s2中所述深度自編碼器為bi-lstm網(wǎng)絡。

19、本發(fā)明提供了一種異常測井曲線自適應重建與識別系統(tǒng)，包括：

20、輸入模塊，用于輸入待檢測的測井曲線序列；

21、自適應重建模塊，用于使用深度自編碼器模型對輸入待檢測的測井曲線序列進行自適應重建，獲得并輸出自適應重建的測井曲線序列；

22、獲取模塊，用于基于待檢測的測井曲線序列以及自適應重建的測井曲線序列，獲得待檢測的測井曲線序列與自適應重建的測井曲線序列之間的深度誤差；

23、判定模塊，用于基于待檢測的測井曲線序列與自適應重建的測井曲線序列之間的深度誤差以及誤差閾值，判定待檢測的測井曲線序列是否正常，并獲得待檢測的測井曲線序列的判定結果；

24、輸出模塊，用于輸出待檢測的測井曲線序列的判定結果。

25、本發(fā)明提供了一種終端設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)任一項所述方法的步驟。

26、本發(fā)明提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)任一項所述方法的步驟。

27、與現(xiàn)有技術相比，本發(fā)明具有以下有益效果：

28、本發(fā)明提供了一種異常測井曲線自適應重建與識別方法，所述方法是一種基于深度自編碼器的無監(jiān)督的異常測井曲線識別方法，基于seq2seq模型，輸入輸出均為序列，使用bi-lstm網(wǎng)絡作為深度自編碼器對測井曲線序列進行自適應重建，通過計算自適應重建誤差，設置異常比率獲取誤差閾值，并判斷異常曲線輸出結果，實用性好、可靠性高。

29、本發(fā)明進一步，通過將自適應重建誤差大于閾值的測井曲線序列視為異常，進一步發(fā)現(xiàn)異常點，解決在采集測井曲線數(shù)據(jù)中遇到的缺失或錯誤等數(shù)據(jù)異常問題，自動識別異常測井曲線數(shù)據(jù)。