本发明涉及地层岩性预测，尤其涉及一种基于深度学习模型和随钻信息的地层岩性预测方法。
背景技术：
1、地质勘探与钻探工程是资源开发、工程建设和环境监测等领域的重要基础。随着科技的发展，尤其是人工智能和大数据技术的兴起，地质勘探行业正经历着一场技术革新。现代钻探技术能够实时采集大量的随钻参数，为地质分析提供了丰富的数据资源。
2、现有技术中，公开号为cn113792936a的专利提供了一种随钻岩性智能识别方法、系统、设备和存储介质，该专利基于收集的随钻测井资料数据及基本信息构建样本数据集，并基于样本数据集对构建的岩性识别预测模型进行训练，得到训练好的岩性识别预测模型，然后利用该预测模型以及获取的实时测井数据对岩性进行识别预测。公开号为cn116816340a的专利提供了一种地层岩性及地质结构随钻智能识别方法及系统，通过收集钻机在钻进不同地层下的随钻参数，对随钻参数数据集进行预处理和清洗，并从中提取地层岩性及地质结构的主要特征，然后基于不同地层的随钻参数和地层模型，建立不同地层岩性及地质结构的特征与参数映射集，运用前馈神经网络的方法智能识别不同地层岩性及地质结构。
3、上述利用人工智能构建相应模型的方式，相比于传统的依赖人工经验和事后分析进行岩性预测的方法，虽然能够在一定程度上提高预测的实时性和准确性，但仍存在几个关键问题：
4、1)数据利用不足：尽管收集了大量随钻数据，但如何有效利用这些数据进行准确的岩性预测仍然是一个挑战。
5、2)数据处理能力：高维数据的处理和分析需要复杂的算法和强大的计算能力，现有技术在处理大规模数据集时往往存在效率低和精度低的问题。
6、3)异常值影响：随钻数据中往往包含异常值，这些异常值的存在会干扰模型的训练和预测，影响最终的预测结果。而常规的异常值处理方法并不适用于对随钻数据进行有效的处理，如何对随钻数据的异常值进行有效清洗仍是亟待解决的问题。
7、4)模型泛化能力：现有的预测模型可能在特定数据集上表现良好，但在不同的地质条件下可能缺乏足够的泛化能力。
8、5)岩层位置预测不准：现有预测模型所依赖的随钻参数较为单一，且阈值设置不够合理，极易对岩层位置进行误判。
9、有鉴于此，有必要设计一种改进的地层岩性预测方法，以解决上述问题。
技术实现思路
1、针对上述现有技术的缺陷，本发明的目的在于提供一种基于深度学习模型和随钻信息的地层岩性预测方法，利用革新的数据处理技术和深度学习模型的强大学习能力，使随钻信息被有效用于岩性预测，并提高岩性预测的效率、准确性和泛化能力，推动地质勘探和钻探行业向自动化和智能化的方向发展。
2、为实现上述目的，本发明提供了一种基于深度学习模型和随钻信息的地层岩性预测方法，包括如下步骤：
3、s1、数据收集：收集随钻信息和对应的岩性信息；所述随钻信息包括钻机的监测传感器采集的随钻参数以及计算得到的复合参数；
4、s2、数据预处理：将收集到的所述随钻信息汇总为数据集，所述数据集中每个随钻信息对应的岩性信息作为岩性标签；对所述数据集进行标准化处理，然后进行数据清洗，得到预处理后的数据集；
5、s3、数据降维处理：采用矩阵分解法对所述预处理后的数据集进行降维处理，提取随钻数据的主成分信息，得到降维后的数据；
6、s4、模型训练、验证与测试：将所述降维后的数据分为训练集、验证集和测试集，分别使用训练集、验证集和测试集的数据对深度学习模型进行训练、验证与测试，得到训练好的深度学习模型；
7、s5、地层岩性预测与岩层位置识别：利用训练好的深度学习模型实时接收随钻信息并预测岩性信息；然后将预测的岩性信息和选取的随钻信息结合，采用无偏尺度估计法识别岩层位置。
8、作为本发明的进一步改进，在步骤s1中，所述随钻参数包括钻进深度、时间、钻压、扭矩、转速、给进油压、旋转油压、温度、振动信号能量、振动频率中的一种或多种。
9、作为本发明的进一步改进，在步骤s1中，所述复合参数包括钻进速度和破碎单位岩石所需要的功；
10、所述钻进速度的计算公式为：
11、其中，vj为深度hj处对应的瞬时钻进速度，hj和hj-1分别为钻进深度的第j次和第j-1次采样数据，而tj和tj-1分别为随钻参数的第j次和第j-1次采样时间；
12、所述破碎单位岩石所需要的功的计算公式为：
13、其中，e为破碎单位岩石所需要的功，f为给进压力，v为钻进速度，m为旋切扭矩，n为转速，a为钻头的截面积。
14、作为本发明的进一步改进，在步骤s1中，所述岩性信息包括岩石类型、岩石强度、岩石成分中的一种或多种。
15、作为本发明的进一步改进，在步骤s2中，采用稳健性标准化方法对所述数据集进行标准化处理，包括如下步骤：
16、s21、计算所述数据集中各个参数在不同时刻的数据点与中位数的差值；
17、s22、计算所述数据集的离散程度；
18、s23、将所述数据集中的每个参数的所有数据点通过如下公式进行数据标准化转换：
19、
20、其中，为数据集中第i个参数的第j个数据点经标准化转换后的数据，为数据集中第i个参数的第j个数据点与第i个参数在不同时刻的数据点的中位数的差值，s(i)为数据集中第i个参数的离散程度，n为随钻信息中随钻参数和复合参数的种类数量，n为每个参数当前观测到的数据总数。
21、作为本发明的进一步改进，在步骤s2中，采用动态阈值法进行所述数据清洗，方法为：
22、如果某个数据点满足下列公式：
23、
24、则认为该数据点为噪音数据，将其用数据中值或平均值来代替。
25、作为本发明的进一步改进，在步骤s3中，所述矩阵分解法包括如下步骤：
26、s31、将预处理后的数据集整理为n×n的矩阵z，矩阵z中每一行代表一组观测值；
27、s32、根据z＝asvt将矩阵z分解为三个矩阵，其中，a为n×n的正交矩阵，v为n×n的正交矩阵，s为n×n的对角矩阵，表示如下：
28、
29、矩阵s中，对角元素按降序排列，使a1≥a2≥...≥al，l是矩阵z的秩；
30、s33、根据矩阵s的对角元素的大小，以最大的k个值对应的向量作为主成分，k满足如下公式：
31、ak＞10-3||ak＞median{a1,…,al}+3κ×median{|deva1|,…,|deval|}
32、其中，devai＝ai-median(a1,…,al)；
33、再使用前k列向量构造新的矩阵z'，ak和vk分别是矩阵a和v中的前k列，sk为k×k的对角矩阵，其对角线上为选定的k个主成分值。
34、作为本发明的进一步改进，所述深度学习模型为transformer深度学习模型；在步骤s4中，还包括采用交叉验证技术对所述transformer深度学习模型的超参数进行优化。
35、作为本发明的进一步改进，在步骤s5中，采用无偏尺度估计法识别岩层位置包括如下步骤：
36、s51、以预测的岩性信息和选取的随钻信息作为估计参数，按照如下公式计算各估计参数中前m个数据的无偏尺度估计：
37、
38、其中，为无偏尺度估计，m＝5,...,n，gi用于表示所述估计参数；
39、s52、将如下不等式依次从m＝5遍历至m＝n，当不等式被满足时，终止遍历，将终止遍历时的m值对应的深度视为估计参数对应的新岩层界面的潜在位置；
40、
41、其中，λ为常量；
42、s53、将各估计参数对应的新岩层界面的潜在位置取中位数或平均值，作为最终的岩层位置。
43、作为本发明的进一步改进，在步骤s5中，所述选取的随钻信息包括钻进速度和转速。
44、本发明的有益效果是：
45、1、本发明提供的基于深度学习模型和随钻信息的地层岩性预测方法，在进行数据收集时，不仅收集了监测传感器采集的随钻参数，还对相应的复合参数进行了计算，有效提高了对随钻数据的利用，并提高了预测的准确性。基于本发明中采集的随钻数据的特点，本发明进一步提出了革新的稳健性标准化方法对跨尺度的随钻数据进行标准化处理，确保了不同量纲和分布的数据能够在统一的尺度下进行分析，增强了模型的泛化能力；在此基础上，本发明还提出了革新的动态阈值法，通过采用该动态阈值法对数据进行有效清洗，能够有效提高数据质量，确保后续模型训练过程的稳定性以及预测结果的可靠性。在完成数据处理后，本发明还提出了革新的矩阵分解方法，有效提取了随钻数据的关键特征，在降低数据维度的同时保留了最具信息量的特征，有效提升了数据的处理效率和模型性能。基于本发明中降维后的数据，本发明选择了transformer深度学习模型进行训练，该模型能够处理和学习高维数据，提供复杂的模式识别能力，从而实现更精确的岩性预测。并且，本发明还提出了革新的无偏尺度估计法，通过综合利用深度学习模型预测的岩性信息与选取的多个关键随钻信息，自适应地识别岩层界面，提高了岩层界面识别的准确性。基于上述多种革新的数据处理技术与深度学习模型的共同作用，本发明提供的方法能够使随钻信息被有效用于岩性预测，并提高岩性预测的效率、准确性和泛化能力，推动地质勘探和钻探行业向自动化和智能化的方向发展。
46、2、本发明提供的基于深度学习模型和随钻信息的地层岩性预测方法，针对随钻信息的数据特点选择了最适宜的参数种类，并设计了多种革新的数据处理方式，相比于常规的数据处理方式更适合处理随钻信息，有效提高了地层岩性预测的准确性。将本发明通过的方法应用于钻探过程中，能够实时接收和分析随钻参数，准确预测岩性并识别岩层位置，从而起到优化钻探策略、降低安全风险、减少环境影响、加快决策制定等优点。本发明提供的方法不仅可以为能源和矿产公司带来经济效益，推动行业技术进步和可持续发展，还能够作为教育工具，培养地质勘探领域的专业人才，具有广泛的应用前景和深远的行业影响。
1.一种基于深度学习模型和随钻信息的地层岩性预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习模型和随钻信息的地层岩性预测方法，其特征在于：在步骤s1中，所述随钻参数包括钻进深度、时间、钻压、扭矩、转速、给进油压、旋转油压、温度、振动信号能量、振动频率中的一种或多种。
3.根据权利要求1所述的基于深度学习模型和随钻信息的地层岩性预测方法，其特征在于：在步骤s1中，所述复合参数包括钻进速度和破碎单位岩石所需要的功；
4.根据权利要求1所述的基深度学习模型和随钻信息的地层岩性预测方法，其特征在于：在步骤s1中，所述岩性信息包括岩石类型、岩石强度、岩石成分中的一种或多种。
5.根据权利要求1所述的基于深度学习模型和随钻信息的地层岩性预测方法，其特征在于：在步骤s2中，采用稳健性标准化方法对所述数据集进行标准化处理，包括如下步骤：
6.根据权利要求5所述的基于深度学习模型和随钻信息的地层岩性预测方法，其特征在于：在步骤s2中，采用动态阈值法进行所述数据清洗，方法为：
7.根据权利要求6所述的基于深度学习模型和随钻信息的地层岩性预测方法，其特征在于：在步骤s3中，所述矩阵分解法包括如下步骤：
8.根据权利要求1所述的基于深度学习模型和随钻信息的地层岩性预测方法，其特征在于：所述深度学习模型为transformer深度学习模型；在步骤s4中，还包括采用交叉验证技术对所述transformer深度学习模型的超参数进行优化。
9.根据权利要求7所述的基于深度学习模型和随钻信息的地层岩性预测方法，其特征在于：在步骤s5中，采用无偏尺度估计法识别岩层位置包括如下步骤：
10.根据权利要求9所述的基于深度学习模型和随钻信息的地层岩性预测方法，其特征在于：在步骤s5中，所述选取的随钻信息包括钻进速度和转速。
