本发明属于测井技术，具体涉及随钻数据处理技术。
背景技术：
1、在随钻测井lwd过程中，反演电阻率和地层边界信息是确定地层性质和油气储层分布情况的关键步骤。这种技术可以实时提供关于地层的电阻率数据，通过对这些数据进行分析和反演，可以精确地确定地层的界面和边界，从而推断地层的性质和油气的分布情况。
2、电阻率反演的核心是利用电阻率测量工具对地层界面响应特性的分析。当钻头穿过不同的地层时，电阻率测量工具会捕捉到不同地层间的电阻率差异。这些差异可以通过反演算法转化为详细的地层边界信息，从而确定地层的变化情况，并进一步推断地层的性质。例如，油气储层通常具有较低的电阻率，因此通过识别低电阻率区域，可以有效地定位潜在的油气储层。通过反演得出的地层边界信息，可以更好地制定钻井和完井方案，以最大限度地提高油气产量。
3、虽然目前已经有一些研究将深层神经网络应用在测井过程中地层参数反演上，基于深度学习的反演方法，能够对随钻电磁波测井仪器在层状地层中的测井响应进行快速而精确的反演。
4、例如文献1：shahriari m, pardo d, picón a, et al. a deeplearningapproach to the inversion of borehole resistivity measurements[j].computational geosciences, 2020, 24: 971-994.该方法将深层神经网络应用于井眼电阻率反演，着重于损失函数和误差控制的选择，证明了使用该方法进行电阻率反演的可行性。
5、例如文献2：fan j, zhang w, chen w, et al. inversion based ondeeplearning of logging-while-drilling directional resistivity measurements[j].journal of petroleum science and engineering, 2022, 208: 109677.研究了一种基于bilstm的深度学习反演方法，在反演地层参数的同时还可以对反演参数进行不确定性进行评估。
6、例如文献3：朱高阳. 基于深度学习的层状储层中随钻电磁波测井资料的正反演研究[d]. 山东大学, 2020.提出了一种基于深度学习dl的方法用于解决分层各向异性地层中感应测井数据反演的耗时问题。并且在模拟数据中取得了不错的效果。
7、申请号202410187481.5的基于深度学习的随钻方位电磁波电阻率反演方法，设定地层模型为三层地层模型，根据反演参数设定正演过程中所需参数，采用一维正演算法获取随钻电磁波电阻率数据；三层地层模型包括上界面、间层和下界面，随钻方位电磁波电阻率仪器置于间层；通过基于多层各向异性介质电磁场全张量一维正演方法得到的响应数据作为随钻电磁波电阻率数据，再将随钻电磁波电阻率数据与真实数据一起训练用于随钻方位电磁波电阻率反演的深度学习模型，使得经过训练与选取的最佳深度学习模型能够利用接收到电磁波信号输出三层地层的电阻率数据，最终得到三层地层模型的电阻率成像，为随钻探测提供了可靠的数值计算基础。其中，一维正演算法为多层介质中的随钻方位电磁波仪器响应的正演计算，具体为在针对各向异性介质中的麦克斯韦方程组求解问题，基于赫兹势函数，引入界面波幅，使得电磁波传播的推导过程完全收敛，加强了反演神经网络的准确度和可解释性。
技术实现思路
1、本发明所要解决的技术问题是，为了进一步提高反演精度，提供一种让反演神经网络在训练过程中也符合正演过程中满足的物理规律限制的地层参数反演方法。
2、本发明为解决上述问题所采用的技术方案是，一种基于物理驱动神经网络的地层参数反演方法，包括步骤：
3、一维正演算法计算步骤：构建地层模型，放置随钻测井仪器置于地层中，将真实的地层参数输入一维正演算法，一维正演算法输出测井响应值；
4、正演神经网络训练步骤：正演神经网络基于深度神经网络，以真实的地层参数值作为训练集，一维正演算法输出的测井响应值作为第一次正演标签，输出预测的地层参数作为第一次正演结果；以第一次正演标签与第一次正演结果之间的误差为参考来约束训练过程；
5、反演神经网络训练步骤：反演神经网络基于深度神经网络，以一维正演算法计算的测井响应值作为训练集，在训练正演神经网络时作为训练集的真实的地层参数作为反演标签，输出预测的地层参数作为反演结果；以反演标签与反演结果之间的误差作为反演误差；再调用完成训练的正演神经网络，将反演结果作为训练集，一维正演算法输出的测井响应值作为第二次正演标签，输出预测的测井响应值作为第二次正演结果；以第二次正演标签与第二次正演结果之间的误差作为第二次正演误差；将反演误差与第二次正演误差结合计算总误差，使用总误差对反演神经网络的训练过程进行约束；
6、地层参数反演步骤：将随钻的测井响应值输入完成训练的反演神经网络，反演神经网络输出预测的地层参数完成反演。
7、本发明首先通过将一维正演算法得到的测井响应数据用于随钻方位电磁波地层参数反演的深度学习模型训练，使得经过训练与调试的最佳深度学习模型能够利用接收到的电磁波测井数据反演出当前地层的电阻率及地层边界位置信息，从而得到地层的电阻率成像，为测井提供可靠的地质导向决策指导。本发明可不依赖于初始地层模型的先验信息，且反演速度能够满足实时作业需求。
8、特别的，在反演神经网络训练过程中，除了使用正演计算的测井响应作为训练集之外，还加入训练好的正演神经网络模型再对反演预测值再进行第二次正演，利用第二次正演输出的误差与反演误差一起得到总误差来加强反演训练，将第二次正演加入反演的训练中，而正演过程满足确定的物理规律，这让反演网络在训练过程中也符合了一定物理规律的限制，而不是单纯的对数据的拟合，加强了反演神经网络的准确度和可解释性。
9、并且，对神经网络预测出的地层参数进行第二次正演时，调用正演神经网络代替了一维正演算法，即使用正演神经网络代替物理驱动，这一过程加快了训练速度，且引入了一定误差，增强了反演神经网络的抗噪声性能。
10、本发明的有益效果是，通过基于物理驱动神经网络的地层参数反演方法，实现了随钻方位电磁波测井响应的快速高精度反演。
1.一种基于物理驱动神经网络的地层参数反演方法，其特征在于，包括以下步骤：
2.如权利要求1所述方法，其特征在于，所述地层参数包括地层电阻率值和地层厚度。
3.如权利要求2所述方法，其特征在于，一维正演算法计算步骤中的真实的地层参数和测井响应值在用于后续步骤之前均需要进行预处理；具体的预处理为：
4.如权利要求3所述方法，其特征在于，构建的地层模型为三层地层模型包括上层、中间层和下层，随钻测井仪器置于中间层。
5.如权利要求3所述方法，其特征在于，当有相邻两层地层电阻率相同时构建的地层模型视为二层地层模型，包括上层和下层，随钻测井仪器置于上层或下层均可。
6.如权利要求1所述方法，其特征在于，以反演标签与反演结果之间的均方误差作为反演误差；以第二次正演标签与第二次正演结果之间的均方误差作为第二次正演误差。
7.如权利要求1所述方法，其特征在于，正演神经网络模型包括输入层、第一全连接层以及与其连接的第一批归一化层、第二全连接层以及与其连接的第二批归一化层、第三全连接层以及与其连接的第三批归一化层、第四全连接层以及与其连接的第四批归一化层、第五全连接层以及与其连接的第五批归一化层、第六全连接层以及与其连接的第六批归一化层和输出层；
8.如权利要求1所述方法，其特征在于，反演神经网络模型包括输入层、第一全连接层以及与其连接的第一批归一化层、第二全连接层以及与其连接的第二批归一化层、第三全连接层以及与其连接的第三批归一化层、第四全连接层以及与其连接的第四批归一化层、第五全连接层以及与其连接的第五批归一化层、第六全连接层以及与其连接的第六批归一化层和输出层；
