基于卷积神经网络的随钻电磁波电阻率信号识别方法与流程

摘要: 本技术涉及随钻测井,更具体地说,涉及基于卷积神经网络的随钻电磁波电阻率信号识别方法。背景技术:1、在石油天然气钻探过程中,随钻电磁波电阻率测井是获取地层电阻率信...
基于卷积神经网络的随钻电磁波电阻率信号识别方法与流程

本技术涉及随钻测井,更具体地说,涉及基于卷积神经网络的随钻电磁波电阻率信号识别方法。

背景技术:

1、在石油天然气钻探过程中,随钻电磁波电阻率测井是获取地层电阻率信息、支撑地质导向的重要技术手段。随钻仪器通过发射电磁波并接收地层回波信号,经放大、解调后获得反映地层电阻率特性的幅度信号和相位信号。然而,随钻仪器长期工作于井下高温、强振动及冲击等复杂环境中,高温易引起电子元器件参数漂移,导致信号产生缓变偏移;振动及冲击则易引入瞬态畸变。上述环境干扰相互耦合作用于采集信号,使地层电磁波特征与环境干扰特征相互混叠,导致电阻率解释结果产生偏差,影响地质导向精度。

2、现有随钻电磁波电阻率信号处理方法通常采用固定温度补偿表或经验修正系数对采集信号进行修正,难以适应井下温度、振动及冲击等环境因素耦合变化的复杂工况,修正精度有限。同时,现有方法普遍缺乏修正结果可信度评价及与可信度关联的采集参数自适应调整机制,在复杂工况下仍采用固定前端参数进行信号采集,容易导致可信度不足的电阻率数据参与地质导向决策。此外,部分基于神经网络的处理方案采用单一网络同时提取电磁波特征与环境干扰特征,特征解耦能力不足,且未针对随钻仪器有限的算力和存储资源进行轻量化设计,难以满足实时部署需求。

3、综上所述,如何在井下高温、振动及冲击等复杂环境干扰条件下,实现随钻电磁波电阻率信号的准确识别与有效修正,提高识别结果可信度,并满足随钻仪器实时处理及部署要求,已经成为本领域技术人员亟需解决的技术问题。

技术实现思路

1、为了克服现有技术存在的一系列缺陷,本技术的目的在于针对上述问题,提供基于卷积神经网络的随钻电磁波电阻率信号识别方法,包括如下步骤:

2、获取随钻电磁波幅度信号、相位信号以及井下温度信号、振动信号和冲击信号并进行时间对齐,得到多源同步数据;

3、对多源同步数据进行分帧处理,并对分帧后的数据进行时频变换及通道融合,得到多源特征张量;

4、基于已知地层电阻率数据,结合不同温度工况、不同振动工况和不同冲击工况构建增强训练样本,并利用增强训练样本对双分支卷积神经网络进行训练,对训练完成的双分支卷积神经网络进行轻量化处理,得到电阻率信号识别模型;

5、将多源特征张量输入电阻率信号识别模型,输出环境干扰修正特征,并根据环境干扰修正特征得到修正后的幅度电阻率、修正后的相位电阻率以及信号可信度。

6、在一些实施例中,构建增强训练样本的方法为:

7、获取与已知地层电阻率数据对应的原始训练信号;

8、在预设温度范围内按照预设温度步长设置多个模拟温度工况,并基于仪器温度漂移特性曲线确定各模拟温度工况对应的幅度漂移偏置和相位漂移偏置;

9、根据预设温度变化速率生成模拟温度变化序列,并将幅度漂移偏置、相位漂移偏置及模拟温度变化序列叠加至原始训练信号,得到温度增强样本;

10、基于正常钻进、跳钻及粘滑工况对应的振动幅值范围和主频分布特征,生成模拟振动信号;

11、根据模拟振动信号提取对应的幅度扰动分量和相位扰动分量,并将幅度扰动分量和相位扰动分量叠加至温度增强样本中的对应时间位置,得到温度-振动复合增强样本;

12、基于遇阻、遇卡及碰撞工况对应的冲击峰值幅值、持续时间及衰减速率,构造模拟冲击信号;

13、根据模拟冲击信号生成幅度瞬态畸变分量和相位瞬态畸变分量,并将幅度瞬态畸变分量和相位瞬态畸变分量叠加至温度-振动复合增强样本中的对应时间位置,得到温度-振动-冲击复合增强训练样本;

14、将原始训练信号、温度增强样本、温度-振动复合增强样本及温度-振动-冲击复合增强训练样本按照预设比例划分为训练集、验证集和测试集。

15、在一些实施例中,所述双分支卷积神经网络包括电磁波特征提取分支、环境干扰特征提取分支及特征融合层,其中:

16、所述电磁波特征提取分支以所述多源特征张量中的幅度特征通道和相位特征通道对应子张量作为输入,由依次连接的卷积层、批归一化层及激活层构成,用于提取表征地层电阻率特性的电磁波传播特征;

17、所述环境干扰特征提取分支以所述多源特征张量中的温度特征通道、振动特征通道及冲击特征通道对应子张量作为输入,采用与所述电磁波特征提取分支不同的网络层数及卷积参数配置,用于提取环境干扰因素对应的时序变化特征;

18、所述电磁波特征提取分支与所述环境干扰特征提取分支相互独立设置且参数不共享,分别对电磁响应特征和环境扰动特征进行特征提取;

19、所述特征融合层包括交叉注意力模块,基于所述环境干扰特征提取分支输出特征生成查询向量,并基于所述电磁波特征提取分支输出特征生成键向量和值向量,计算环境干扰特征对电磁波特征的影响权重,并根据所述影响权重对所述电磁波特征进行加权修正;

20、将所述环境干扰特征提取分支输出特征与修正后的电磁波特征沿通道维度进行拼接,并输入全连接层,得到融合特征。

21、在一些实施例中,利用增强训练样本对双分支卷积神经网络进行训练的方法为:

22、构建联合损失函数,所述联合损失函数包括电阻率回归损失项、环境干扰标签预测损失项及信号可信度监督损失项;

23、将增强训练样本输入双分支卷积神经网络,输出修正后的幅度电阻率、修正后的相位电阻率、环境干扰预测结果及信号可信度预测结果;

24、根据修正后的幅度电阻率和修正后的相位电阻率与对应已知地层电阻率之间的均方误差,计算电阻率回归损失项;

25、根据环境干扰预测结果与对应温度标签、振动标签及冲击标签之间的预测误差,计算环境干扰标签预测损失项;

26、根据信号可信度预测结果与对应信噪比标签之间的交叉熵,计算信号可信度监督损失项;

27、按照预设加权系数对电阻率回归损失项、环境干扰标签预测损失项及信号可信度监督损失项进行加权融合,得到联合损失值;

28、基于联合损失值,对双分支卷积神经网络的网络参数进行迭代更新,并根据验证集损失变化情况调整所述预设加权系数;

29、重复执行样本输入、联合损失计算及网络参数更新过程,直至满足预设训练收敛条件,得到训练后的双分支卷积神经网络。

30、在一些实施例中,对训练完成的双分支卷积神经网络进行轻量化处理的方法为:

31、计算各卷积层通道对应的批归一化缩放因子绝对值,并将其作为通道重要性指标;

32、分别针对电磁波特征提取分支和环境干扰特征提取分支设置剪枝阈值,根据通道重要性指标剪除低于对应阈值的通道及卷积核参数,其中,电磁波特征提取分支的剪枝阈值小于环境干扰特征提取分支的剪枝阈值;

33、对剪枝后的网络进行微调训练,得到剪枝优化网络;

34、统计剪枝优化网络的权重参数及激活值分布,确定量化区间和量化位宽,并通过插入伪量化节点进行量化感知训练,使网络适应量化误差;

35、根据量化参数对剪枝优化网络进行定点化映射,得到量化网络;

36、将剪枝量化前的网络作为教师网络,将量化网络作为学生网络,构建包含硬标签损失和软标签蒸馏损失的蒸馏损失函数,对学生网络进行蒸馏训练;

37、当蒸馏训练满足预设收敛条件时,将学生网络确定为轻量化电阻率信号识别模型。

38、在一些实施例中,修正后的幅度电阻率的获取方法为:

39、获取电磁波特征提取分支输出的原始幅度特征,以及温度干扰分量、振动干扰分量和冲击干扰分量对应的修正系数;

40、根据各修正系数对原始幅度特征进行加权修正,得到环境干扰补偿后的修正幅度特征;

41、获取当前随钻电磁波幅度信号对应的发射频率,并根据发射频率调用对应的幅度-电阻率转换函数,其中,各发射频率对应的幅度-电阻率转换函数基于已知地层电阻率数据预先标定;

42、将修正幅度特征输入所述幅度-电阻率转换函数,得到修正后的幅度电阻率。

43、在一些实施例中,修正后的相位电阻率的获取方法为:

44、获取电磁波特征提取分支输出的原始相位特征,以及温度干扰分量、振动干扰分量和冲击干扰分量对应的修正系数;

45、根据相位特征对温度变化敏感的特性,对温度干扰分量对应的修正系数进行增强处理;

46、基于增强后的温度修正系数以及振动干扰分量、冲击干扰分量对应的修正系数,对原始相位特征进行加权修正,得到修正相位特征;

47、将修正相位特征输入基于已知地层电阻率数据预先标定的相位-电阻率转换函数,得到修正后的相位电阻率。

48、在一些实施例中,信号可信度的确定方法为:

49、获取修正后的幅度电阻率、修正后的相位电阻率、环境干扰修正特征中各干扰分量对应的置信区间以及当前数据帧对应的原始信噪比;

50、对修正后的幅度电阻率与修正后的相位电阻率进行归一化差值计算,并根据归一化差值的补值确定电阻率一致性因子;

51、根据各干扰分量对应的置信区间宽度确定环境干扰置信因子,其中,所述置信区间宽度越小,表明环境干扰特征预测结果越稳定,对应的环境干扰置信因子越高;

52、根据当前数据帧对应的原始信噪比确定信号质量因子;

53、对电阻率一致性因子、环境干扰置信因子及信号质量因子分别配置对应权重,并进行加权融合,得到处于预设取值范围内的信号可信度。

54、在一些实施例中,还包括:

55、判断信号可信度是否小于预设可信度阈值;

56、若是,则根据信号可信度调整前端放大增益及滤波参数,并基于调整后的前端放大增益及滤波参数重新采集随钻电磁波信号并输入电阻率信号识别模型进行重新识别,直至信号可信度不小于预设可信度阈值,得到闭环补偿后的电阻率数据;

57、若否,则将修正后的幅度电阻率和修正后的相位电阻率作为闭环补偿后的电阻率数据;

58、将闭环补偿后的电阻率数据与井斜数据、方位数据及方位伽马数据进行融合,得到地质导向结果。

59、在一些实施例中,根据信号可信度调整前端放大增益及滤波参数的方法为:

60、设置低于预设可信度阈值的预设次级阈值,并建立信号可信度与前端放大增益调整量之间的分段映射关系;

61、根据信号可信度与预设可信度阈值及预设次级阈值的比较结果确定增益调整策略;当信号可信度低于预设可信度阈值且不低于预设次级阈值时,根据二者差值增大前端放大增益;当信号可信度低于预设次级阈值时,在增大前端放大增益的同时降低前端放大电路的增益带宽;

62、根据振动干扰分量和冲击干扰分量的强度调整低通滤波器截止频率,并根据温度干扰分量的强度调整陷波滤波器中心频率;

63、在同一控制周期内完成增益及滤波参数调整,并在稳定预设时长后重新采集随钻电磁波信号;

64、根据重新采集信号确定调整后的信号可信度,并根据增益调整量及调整前后的可信度变化量更新分段映射关系。

65、与现有技术相比,本技术具有以下有益效果:

66、本技术通过温度、振动和冲击多源环境干扰增强样本与电磁波/环境干扰双分支卷积神经网络相结合,实现随钻电磁波电阻率信号的环境干扰解耦修正、可信度评估及前端采集参数闭环补偿,从而提高复杂井下工况下电阻率识别的准确性和稳定性。