1.一种基于深度学习的致密砂岩储层流体识别方法，包括以下步骤：

步骤S1：选取研究区域的测井数据构成数据集，并对测井数据进行分层，按层内各点的特征进行拼接，合成样本；

步骤S2：由于存在样本深度不同的问题，不符合输入网络的要求，针对深度不同的样本进行深度统一化操作，对比实验多种输入样本大小，确定输入网络的样本大小为12×12，通过双线性插值方法将样本宽高统一到12×12的大小；

步骤S3：将样本输入卷积神经网络，提取高维非线性测井特征；

步骤S4：采用自相关分析方法进行分析，对各层之间在不同深度下的关联度进行分析，找出内在联系，根据提取的高维特征以及储层数据的相关性；利用双向长短期记忆神经网络进一步学习测井数据的多尺度特征，建立储层识别模型，卷积层与双向长短期记忆神经网络层之间采取全连接层来调整提取的特征向量大小，设全连接层有256个节点，双向长短期记忆神经网络有128个节点，模型输出大小为6，分别对应各个储层类别的概率；学习率设置为0.001，同时为避免过拟合，在全连接层设置了0.5的dropout随机失活率，最后输出识别结果。

2.根据权利要求1所述一种基于深度学习的致密砂岩储层流体识别方法，其特征在于：所述步骤S1包括以下步骤：

步骤S1.1：选取了研究区域中35口井中的测井数据，测井数据中每隔0.125m取1个数据点，共得3636个点；

步骤S1.2：根据特征相关性分析以及专业知识的指导，筛选出储层识别敏感的特征，最终选取了如下12个特征：PE、SP、CAL、GR、U、TH、K、AC、CNL、DEN、RLLS、RLLD；

步骤S1.3：根据井号层号的不同，将属于同一层的数据点的特征按行进行拼接，共得

131个样本。

3.根据权利要求1所述一种基于深度学习的致密砂岩储层流体识别方法，其特征在于：所述步骤S2包括以下步骤：

步骤S2.1：经过查阅相关文献以及实验证明，对比实验多种输入样本大小，确定输入网络的样本大小为12×12，在进行样本合成后，所得样本深度并不一致，因此在输入网络前需要对样本深度进行统一化操作；

步骤S2.2：通过双线性插值方法将样本宽高统一到12×12的大小；设P点为待求特征，Q11、Q12、Q21、Q22为四邻近特征，通过Q12，Q22线性插值得到R1，通过Q11，Q21线性插值得到R2，再通过R1，R2线性插值得到P点特征值；

4.根据权利要求1所述一种基于深度学习的致密砂岩储层流体识别方法，其特征在于：所述步骤S3包括以下步骤：

步骤S3.1：根据步骤S2得到的样本，使用了两对卷积层和池化层进行特征提取，第1个卷积层上使用较大的卷积核以获取更多视野，卷积核大小设置为5，步长为1，使用了32个卷积核；池化层对第1个卷积进行池化，尺寸为3×3，步长为2；

步骤S3.2：进行第2次卷积池化，卷积核大小设置为3，步长为1，使用了64个卷积核；池化层对第2个卷积进行池化，尺寸为3×3，步长为2；通过两次卷积池化得到测井数据的高维非线性特征；

5.根据权利要求1所述一种基于深度学习的致密砂岩储层流体识别方法，其特征在于：所述步骤S4包括以下步骤：

步骤S4.1：测井数据中的各层并不相互独立，在深度关系上存在相互依存关系，为对各层之间在不同深度下的关联度进行分析，找出内在联系，采用自相关分析方法进行分析；设有序列Xt,t＝1,2,3,...，则在时刻t和滞后n阶t+n之间的相关即为n阶自相关，其定义为：acfn表示自相关系数，f(Xt,Xt+n)

表示时刻t输入和滞后n阶输入的自相关分析函数， 表示时刻t输入和滞后n阶输入的自相关系数；

步骤S4.2：通过分析得到测井数据在深度上存在着向前以及向后的相关性，根据提取的高维特征建立双向长短期记忆神经网络；

步骤S4.3：卷积层与双向长短期记忆神经网络层之间采取全连接层来调整提取的特征向量大小，设全连接层有256个节点，双向长短期记忆神经网络有128个节点，模型输出大小为6，分别对应各个储层类别的概率；学习率设置为0.001，同时为避免过拟合，在全连接层设置了0.5的dropout随机失活率。