本发明涉及油气储层测井评价，特别是涉及深度学习中测井曲线图形转化方法。
背景技术：
1、常规测井定量解释是“点对点”的方式，即给定一个采样点的测井值计算一个对应的输出值。这种解释方法并未考虑相邻点对计算结果的影响，从而丢失了大量隐含在测井曲线组合特征中的信息。近年来，随着人工智能的崛起，以深度学习为代表的机器学习方法在图像识别、语音及文本处理方面表现出了强大的优势。在油气储层测井评价领域，深度学习网络也表现出了极强的应用前景，被广泛应用于流体类型判别、岩相和岩石类型识别等。然而对于如何将大量的测井信息传递给网络输入层却并未找到最有效的方法，在一定程度上限制了深度学习网络在测井解释中的应用效果。因此，迫切需要开发一种能够将大量的测井信息以立体化、图形化的方式进行输入的方法，提升深度学习在测井领域的应用效果。
2、目前，在深度学习中测井曲线的输入方式有两种：一种是单点输入法，另一种是线性组合法。单点输入法是将某一采样深度点的各种测井值作为网络输入，如蓝茜茜等在“基于深度学习的复杂储层流体性质测井识别—以车排子油田某井区为例”的论文中所采用的方法。这种方式输入的测井信息极少，仅一个深度点的数据，信息丢失量大；线性组合法是直接将各测井曲线的一维数组以线性组合方式传递给网络，即将多个一维数组以首尾相连的方式组成一个更大的一维数组。这种线性的输入方式相比单点输入法提供了更多的信息，但仍然丢失了大量隐含在的曲线组合特征中的信息，最终导致网络学习效果不好，预测效果差，无法发挥深度学习网络的巨大优势。
技术实现思路
1、为解决上述技术问题，本发明提出了深度学习中测井曲线图形转化方法，能有效解决深度学习网络在油气储层测井评价领域应用时的数据输入瓶颈，能拓展输入数据信息量。
2、本发明是通过采用下述技术方案实现的：
3、深度学习中测井曲线图形转化方法，其特征在于：包括以下步骤：
4、在用于输入深度学习网络的k条测井曲线中，选择一条进行标准化处理，得到标准化后测井曲线的一维数组；
5、将标准化后测井曲线所构成的具有m个元素的一维数组转换为m×n的矩阵，并将矩阵中所有元素的值都置为0；
6、计算标准化后测井曲线中第i个元素vi在矩阵中的坐标(i，j)；
7、将矩阵中坐标为(i，j)的元素设置为标准化后测井曲线中第i行的元素vi，即w(i，j)＝vi；
8、循环直至k条测井曲线全部都转化完成，并生成由k个m×n的矩阵所构成三维数据体x(k，m，n)。
9、第i个元素vi在矩阵中的坐标(i，j)中，列坐标j的计算方法为：
10、j＝int(vi×n)，
11、其中，vi为一维数组中第i行元素的值，n为矩阵的列数，int表示对括号内的数值进行四舍五入取整数。
12、所述标准化处理具体指：将各种不同量纲的测井曲线归一化到[0，1]区间。
13、所述标准化处理包括计算指定的测井曲线的最大值和最小值，并根据该最大值和最小值将测井曲线按以下方法处理：
14、
15、其中，v为原始测井曲线，v*为标准化后测井曲线；vmax为指定的测井曲线的最大值，vmin为指定的测井曲线的最小值。
16、所述m×n的矩阵中，m为矩阵的行数，n为矩阵的列数。
17、所述m×n的矩阵中，n值能根据转换曲线所需表达的精度要求进行增减。
18、所述m×n的矩阵中，设定n值为大于10的整数。
19、通过修改矩阵的行数m，能反映不同厚度地层的测井信息。
20、循环直至k条测井曲线全部都转化完成具体指：判断所有曲线是否都转化完成，若是，生成由k个m×n的矩阵所构成三维数据体x(k，m，n)，若否，在k条测井曲线中选择下一条测井曲线继续转化。
21、用于构建三维数据体x(k，m，n)的各矩阵的大小相同。
22、与现有技术相比，本发明的有益效果表现在：
23、1、本发明中，将k个一维数据体进行图形转化得到由k个矩阵所构成的三维数据体，该三维数据体不仅反映了曲线绝对值的大小，而且反映了曲线形态特征及其相互之间的相对变化特征，具有丰富的立体信息量，大幅拓展了深度学习在测井评价领域的应用，有效解决了深度学习网络在测井数据分析中的瓶颈问题，为深度学习网络在测井领域中的应用打开了新局面。
24、2、本发明所构建的三维数据体是多个相同大小的矩阵相叠加，每个矩阵即包含一条测井曲线的所有信息，且矩阵的数量可随意增减，可为深度学习网络提供更丰富的测井信息，让计算机也能“看见”人眼所见的图像化数据。
25、3、本发明中，单个矩阵不仅包含了测井曲线绝对值信息，同时也反映了该条曲线的形态变化特征，而多个矩阵的叠加则反映了多种测井曲线的组合特征及相对变化关系，这对于测井相划分、储层识别及流体性质判别是极其重要的参考指标。
26、4、本发明中，单个矩阵行列数可以随意增减，以反映不同精度的测井信息；改变矩阵的列数，可反映光滑程度不同的测井曲线；改变矩阵的行数，可反映不同厚度地层的测井信息。
1.深度学习中测井曲线图形转化方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的深度学习中测井曲线图形转化方法，其特征在于：第i个元素vi在矩阵中的坐标(i，j)中，列坐标j的计算方法为：
3.根据权利要求2所述的深度学习中测井曲线图形转化方法，其特征在于：所述标准化处理具体指：将各种不同量纲的测井曲线归一化到[0，1]区间。
4.根据权利要求3所述的深度学习中测井曲线图形转化方法，其特征在于：所述标准化处理包括计算指定的测井曲线的最大值和最小值，并根据该最大值和最小值将测井曲线按以下方法处理：
5.根据权利要求2或4所述的深度学习中测井曲线图形转化方法，其特征在于：所述m×n的矩阵中，m为矩阵的行数，n为矩阵的列数。
6.根据权利要求5所述的深度学习中测井曲线图形转化方法，其特征在于：所述m×n的矩阵中，n值能根据转换曲线所需表达的精度要求进行增减。
7.根据权利要求6所述的深度学习中测井曲线图形转化方法，其特征在于：所述m×n的矩阵中，设定n值为大于10的整数。
8.根据权利要求5所述的深度学习中测井曲线图形转化方法，其特征在于：通过修改矩阵的行数m，能反映不同厚度地层的测井信息。
9.根据权利要求2所述的深度学习中测井曲线图形转化方法，其特征在于：循环直至k条测井曲线全部都转化完成具体指：判断所有曲线是否都转化完成，若是，生成由k个m×n的矩阵所构成三维数据体x(k，m，n)，若否，在k条测井曲线中选择下一条测井曲线继续转化。
10.根据权利要求2所述的深度学习中测井曲线图形转化方法，其特征在于：用于构建三维数据体x(k，m，n)的各矩阵的大小相同。
