本公开涉及，具体涉及到一种地质分层划分方法及装置。
背景技术：
1、地质分层是指对一个地区的地层剖面中的岩层进行划分，是研究地球、岩石、岩性的基础，也是研究岩石、岩性的结果。对地质进行分层可以了解当地、当时的地质作用过程，并指导相应地质找矿工作和社会经济建设。岩性是地质分层的主要依据，然而，考虑到岩性包含了岩石的颜色、成分、结构等多种属性，通过人工判断来确定地质层是十分困难的过程，且会带来大量的时间、经济及人力成本。
2、已有的一种技术方案为：建立了一种改进的双向长短期神经网络(bidirectionallong-short memory neural network，bilstm)的地质片段层位预测方法，利用测井数据快速地预测出地质层位信息。具体做法为：首先，针对地质层位片段式分布的特点，对测井数据进行分段处理，将一定数量的采样点数据归为一个片段；其次，基于bilstm建立层位预测模型，并将模型中的部分长短期记忆网络(long short-term memory，lstm)计算单元合并，合并的计算单元数量与片段中的采样点数量保持一致；最后，对预测结果进行错层消除，使结果更加准确。实验结果表明，该方法在某油田真实井位数据集上的识别准确率达到了93％，相较于其他网络有着显著的提升。
3、相关技术中，地质分层划分技术存在人工经验依赖的问题，主要由现场专家根据以往经验进行人为判断，然而地质分层类别繁多且地质物性和工程条件复杂，导致现场地质分层判断需要付出大量的时间和人力成本，地质分层划分效率底且判别结果存在个体差异，精度无法保障。
4、相关技术在使用bilstm神经网络对地层进行预测后，对预测结果进行了错层消除，准确率达到了93％，这无法说明人工智能技术的预测精度，人为主观因素影响较大，最终导致整套技术对地质分层划分的智能化程度较低，处理流程比较繁琐，同时也没有解决人工依赖问题，地质分层划分成本较高。
技术实现思路
1、本公开的主要目的在于提供一种地质分层划分方法及装置。
2、为了实现上述目的，根据本公开的第一方面，提供了一种地质分层划分方法包括获取钻井数据并对所述钻井数据预处理得到标准数据；将所述标准数据输入至训练完成的地质分层划分模型中，输出地质层位，其中，所述地质分层划分模型在预测地质层位时，所述标准数据基于transformer网络预测后，采用预设机器学习算法模型进行预测，以输出地质层位。
3、可选地，获取钻井数据并对所述钻井数据预处理得到标准数据包括：获取钻井数据后，将钻井数据进行重采样，得到坐标、钻时、地质分层、随钻伽马、岩性，其中，所述坐标包括x、y、z、测深、垂深；对所述数据进行预处理，其中，所述预处理包括补充缺失值、处理异常值。
4、可选地，在对所述地质分层划分模型训练时，方法包括：获取钻井数据样本，对钻井数据样本进行预处理后得到标准数据集；基于标准数据集对至少一个机器学习算法模型训练，并确定出最优机器学习算法模型，其中，将所述最优机器学习算法模型作为所述预设机器学习算法模型；所述标准数据集作为训练样本输入至transformer网络中，以进行训练；其中，将训练完成的transformer模型与所述预设机器学习算法模型连接后作为地质分层划分模型。
5、可选地，基于标准数据集对至少一个机器学习算法模型训练包括：利用k最近邻算法模型对标准数据集进行预测，其中，在预测过程中基于预测结果和标准结果的差别对k值和距离度量方式两参数进行调节；基于决策树算法模型对标准数据集进行预测，以构建出决策树算法模型；基于随机森林对标准数据集进行预测，以构建出随机森林模型；将标准数据集作为多层感知网络输入，标准数据集对应的地质层位作为输出对多层感知网络进行训练，以得到训练后的多层感知网络。
6、可选地，所述确定出最优机器学习算法模型包括，基于各个机器学习算法模型的预测精度确定最优机器学习算法模型。
7、根据本公开的第二方面，提供了一种地址分层划分模型的训练方法，其特征在于，包括：获取钻井数据样本，对钻井数据样本进行预处理后得到标准数据集；基于标准数据集对至少一个机器学习算法模型训练，并确定出最优机器学习算法模型，其中，将所述最优机器学习算法模型作为所述预设机器学习算法模型；所述标准数据集作为训练样本输入至transformer网络中，以进行训练；其中，将训练完成的transformer模型与所述预设机器学习算法模型连接后作为地质分层划分模型。
8、根据本公开的第三方面，一种地质分层划分装置，包括预处理单元，被配置成获取钻井数据并对所述钻井数据预处理得到标准数据；预测单元，被配置成将所述标准数据输入至训练完成的地质分层划分模型中，输出地质层位，其中，所述地质分层划分模型在预测地质层位时，所述标准数据基于transformer网络预测后，将预测得到的地质层位进行小组划分；对划分后的每个小组采用预设机器学习算法模型进行预测，以输出地质层位。
9、可选地，在对所述地质分层划分模型训练时获取钻井数据样本，对钻井数据样本进行预处理后得到标准数据集；基于标准数据集对至少一个机器学习算法模型训练，并确定出最优机器学习算法模型，其中，将所述最优机器学习算法模型作为所述预设机器学习算法模型；所述标准数据集作为训练样本输入至transformer网络中，以进行训练；其中，将训练完成的transformer模型与所述预设机器学习算法模型连接后作为地质分层划分模型。
10、根据本公开的第四方面，提供了一种计算机可读存储介质，存储有计算机指令，所述计算机指令用于使所述计算机执行第一方面任意一项所述的方法。
11、根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行第一方面任意一项实现方式所述的方法。
12、本实施例地质分层划分方法及装置，其中方法包括获取钻井数据并对所述钻井数据预处理得到标准数据；将所述标准数据输入至训练完成的地质分层划分模型中，输出地质层位，其中，所述地质分层划分模型在预测地质层位时，所述标准数据基于transformer网络预测后，采用预设机器学习算法模型进行预测，以输出地质层位。通过将transformer与机器学习算法结合，提高了地质分层的预测精度，解决相关技术中依赖人工经验效率不佳且精度不佳的缺陷。
1.一种地质分层划分方法，其特征在于，包括：
2.根据权利要求1所述的地质分层划分方法，其特征在于，获取钻井数据并对所述钻井数据预处理得到标准数据包括：
3.根据权利要求1所述的地质分层划分方法，其特征在于，在对所述地质分层划分模型训练时，方法包括：
4.根据权利要求3所述的地质分层划分方法，其特征在于，基于标准数据集对至少一个机器学习算法模型训练包括：
5.根据权利要求1所述的基于机器学习的地质分层划分方法，其特征在于，所述确定出最优机器学习算法模型包括，基于各个机器学习算法模型的预测精度确定最优机器学习算法模型。
6.一种地质分层划分模型的训练方法，其特征在于，包括：
7.一种地质分层划分装置，其特征在于，包括：
8.根据权利要求7所述的地质分层划分装置，其特征在于，在对所述地质分层划分模型训练时获取钻井数据样本，对钻井数据样本进行预处理后得到标准数据集；基于标准数据集对至少一个机器学习算法模型训练，并确定出最优机器学习算法模型，其中，将所述最优机器学习算法模型作为所述预设机器学习算法模型；所述标准数据集作为训练样本输入至transformer网络中，以进行训练；其中，将训练完成的transformer模型与所述预设机器学习算法模型连接后作为地质分层划分模型。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-6任意一项所述的方法。
10.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-6任意一项所述的。
