(19)中华 人民共和国 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 202111535742.0 (22)申请日 2021.12.15 (71)申请人 河北工业大 学 地址 300130 天津市红桥区丁字沽光 荣道8 号河北工业大 学东院330# (72)发明人 夏克文　杨文彪　范书瑞　王莉　 张志伟　周亚同　毛评生　 (74)专利代理 机构 天津翰林知识产权代理事务 所(普通合伙) 12210 代理人 蔡运红 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/00(2006.01) G06N 3/04(2006.01) (54)发明名称 基于HHO-RCNN的石油测井油气层识别方法 (57)摘要 本发明为基于HHO ‑RCNN的石油测井油气层 识别方法。 首先获取石油井的多种测井数据， 其 次对测井数据进行预处理， 并对 预处理后的测井 数据进行归一化处理； 然后构建RCNN网络模型， RCNN网络模型包含多个RCNN残差 单元； 最后利用 哈里斯鹰优化算法优化RCNN网络模型的参数， 得 到HHO‑RCNN模型； 对HHO ‑RCNN模型进行训练， 将 训练后的HHO ‑RCNN模型用于石油测井的油气层 识别； RCNN网络模型的参数包含RCNN残差 单元数 量、 卷积核大小、 滤波器数量和Adam优化算法的 学习率、 超参数ε、 权重衰减因子。 该方法通过 HHO优化建模得到一个最佳的RCNN网络模型， 因 此HHO‑RCNN模型的识别精度高。 权利要求书1页 说明书5页 附图4页 CN 114218862 A 2022.03.22 CN 114218862 A 1.一种基于 HHO‑RCNN的石油测井油气层识别方法， 其特 征在于， 具体步骤 包括： 步骤1： 获取石油井的多种测井数据； 步骤2： 对测井数据进行 预处理， 并对预处 理后的测井数据进行归一 化处理； 步骤3： 构建RCN N网络模型， RCN N网络模型包 含多个RCN N残差单元； 步骤4： 利用哈里斯鹰优化算法优化RCNN网络模型的参数， 得到HHO ‑RCNN模型； 对HHO ‑ RCNN模型进行训练， 将训练后的H HO‑RCNN模型用于石油测井的油气层识别； RCNN网络模型的参数包含RCNN残差单元数量、 一维因果扩张卷积层的卷积核大小、 一 维因果扩张卷积层的滤波器数量和Adam优化 算法的学习率、 超参数 ε、 权 重衰减因子 。 2.根据权利 要求1所述的基于HHO ‑RCNN的石油测井油气层识别方法， 其特征在于， 每个 RCNN残差单元均包括依次连接的一维因果扩张卷积层、 批归一化层、 Relu层和Dropout层， Dropout层的输出再与RCNN残差单元的输入相加， 得到RCNN残差单元的输出； 上一个RCNN残 差单元的输出作为下一个RCNN残差单元的输入； 最后一个RCNN残差单元的输出依次经过最 大池化层、 flat ten层和全连接层， 最后利用softmax分类 器对全连接层的输出进行分类。 3.根据权利 要求1所述的基于HHO ‑RCNN的石油测井油气层识别方法， 其特征在于， 优化 RCNN网络模型参数的具体过程 为： 1)RCNN网络模型待优化的每个参数代表搜索空间的一个维度， 设置种群规模、 最大迭 代次数以及搜索空间每个维度的上界和下界， 其中一维因果扩张卷积层的卷积核大小、 一 维因果扩张卷积层的滤波器数量、 RCNN残差单元数量、 学习率、 超参数ε、 权重衰减因子的上 界为{6,10,12,0.01,0.0 00001,0.01}， 下界为{3,2,1,0.0 001,0.0000000001,0}； 2)初始化哈里斯鹰个体的位置， 根据式(1)的适应度 函数fitness计算哈里斯鹰个体的 适应度值； 式中， m为样本数量， f(xi)为第i个样本的预测标签， yi为第i个样本的真实标签， I(f (xi)＝yi)为判断函数， 如果f(xi)＝yi， 则I(f(xi)＝yi)的取值为1， 否则取值 为0； 3)将适应度值最小的哈里斯鹰个体记为最优个体， 记录最优个体的位置信息， 将最优 个体所在的位置设为猎物位置， 进行下一次迭代并对种群进行位置更新， 计算位置更新后 的哈里斯鹰个体的适应度值， 并与最优个体的适应度值进行比较， 将最优个体的位置作为 新的猎物位置， 以此重复迭代， 直到达到最大迭代次数， 输出当前最优个体的位置， 得到 RCNN网络模型参数的最优解， 得到 HHO‑RCNN模型。 4.根据权利 要求3所述的基于HHO ‑RCNN的石油测井油气层识别方法， 其特征在于， RCNN 网络模型参数的最优解为： RCNN残差单元数量为12， 一维因果扩张卷积层的卷积核大小为 6， 一维因果扩张卷积层的滤波器数量为7， Adam优化算法的学习率、 超参数ε、 权重衰减因子 分别为0.0 0572、 0.0000000692、 0.00431。权　利　要　求　书 1/1 页 2 CN 114218862 A 2基于HHO‑RCNN的石油测井油气层识别方 法 技术领域 [0001]本发明属于石油探测技术领域， 尤其涉及一种基于HHO ‑RCNN的石油测井油气层识 别方法。 背景技术 [0002]测井是石油工业的 “眼睛”， 通过在钻孔中使用仪器测量电、 声、 热、 放射性等物理 参数， 以辨别地下岩石和流体性质， 是勘探和开 发油气田的重要手段。 测井数据包括声、 电、 核等在内的多种数据， 随着测 井数据的不断采集和存储， 测 井数据呈现出海量、 多尺度、 多 类型、 多格式、 实时、 动态等特性。 测井数据蕴含着 丰富的地质信息， 面向海量复杂的测井信 息， 如何利用其数据集提取有效信息， 为测井解释、 油气勘探和开 发以及地质工程评价等提 供依据， 是一项具有重要意 义的工作， 也是石油测井数据 挖掘所要解决的技 术问题。 [0003]在现有的测井数据挖掘中， 对于有限样本信息来说， 在模型复杂性和学习能力之 间寻求折衷的支持向量机(S upport Vector Machines， SV M)、 相关向量机(Related  Vector  Machines， RVM)和极限学习机(Extreme  Learning  Machine， ELM)可以获得很好 的推广能 力， 这三种模型取代了传统的神经网络方法并被广泛应用。 虽然SVM和RVM模型的泛化能力 较强， 且不存在过拟合现象， 但对于测井数据的高维信息， 尽管样本信息已做了属性约简处 理， 还会因为输入信息空间维度较大， 而 使网络结构复杂且训练时间较长 。 [0004]近年来， 深度学习技术已经成为人工智能领域的研究热点， 深度学习网络具有学 习能力强、 覆盖范围广、 适应力强和可移 植性好等优点， 因此本发明提出了一种基于哈里斯 鹰优化算法的残差卷积神经网络模 型(HHO‑RCNN)的石油测井油气层识别方法， 该方法克服 了常规测井技 术所表现的能力不足的缺陷， 为油气勘探提供了一种智能手段。 发明内容 [0005]针对现有技术 的不足， 本发明拟解决的技术问题是， 提出一种基于HHO ‑RCNN的石 油测井油气层识别方法。 [0006]本发明解决所述 技术问题所采用的技 术方案是： [0007]一种基于 HHO‑RCNN的石油测井油气层识别方法， 其特 征在于， 具体步骤 包括： [0008]步骤1： 获取石油井的多种测井数据； [0009]步骤2： 对测井数据进行 预处理， 并对预处 理后的测井数据进行归一 化处理； [0010]步骤3： 构建RCN N网络模型， RCN N网络模型包 含多个RCN N残差单元； [0011]步骤4： 利用哈里斯鹰优化算法优化RCNN网络模型 的参数， 得到HHO ‑RCNN模型； 对 HHO‑RCNN模型进行训练， 将训练后的H HO‑RCNN模型用于石油测井的油气层识别； [0012]RCNN网络模型的参数包含RCNN残差单元数量、 一维因果扩张卷积层的卷积核大 小、 一维因果扩张卷积层的滤波器数量和Adam优化 算法的学习率、 超参数 ε、 权 重衰减因子 。 [0013]每个RCNN残差单元均包括依次连接的一维因果扩张卷积层、 批归一化层、 Relu层 和Dropout层， Dropout层的输出再与RCNN残差单元的输入相加， 得到RCNN残差单元的输出；说　明　书 1/5 页 3 CN 114218862 A 3