CN111767674B - 一种基于主动域适应的测井岩性识别方法 - Google Patents

Abstract

本发明公开了一种基于主动域适应的测井岩性识别方法，包括获取待预测井位和已解释井位的数据，处理得到源样例集合和目标样本集合，并设置目标样例集合的初始化值；利用源样例集合训练两个具有差异性的神经网络，并通过两个神经网络对目标样本集合进行预测和处理后得到伪标签样本集合，并更新目标样例集合；对伪标签样本集合和目标样例集合执行反向检测得到可靠目标样例集合；对可靠目标样例集合训练学习模型，并利用训练后的学习模型对源样例集合进行样例重要性加权得到加权源样例集合并判断；使用加权源样例集合训练目标神经网络，预测待预测井位的岩性类别，本发明有效地提高了目标井位的岩性预测精度。

Description

一种基于主动域适应的测井岩性识别方法

技术领域

本发明涉及石油勘探技术领域，特别是一种基于主动域适应的测井岩性识别方法。

背景技术

石油是国家发展的重要战略资源。在石油勘探过程中，最核心的任务是探明地下的储层分布。作为评价储层特性的重要因素，岩性是地质勘查中识别和分析的基本对象。在实际勘探工程中，通常利用已钻好的井位进行岩性辨识。目前岩性识别的方式主要分为基于录井的方法和基于测井的方法。基于录井的方法直接从钻井过程中获取的泥浆或岩心样本中推测岩性的类别，这种方法容易遭受深度测量误差的影响，且取心作业具有很高的成本。基于测井的方法利用岩体的电、声、放射性等物理特性，通过获取不同类型的测井曲线间接识别岩性，这种方法测量精度高、连续性好，是目前应用范围最广的岩性识别方法。

目前使用传统方法进行岩性识别的研究较多，而基于机器学习和深度学习的岩性识别研究处于起步阶段，并且现有的工作没有考虑在新开采的井位上，由于地下沉积环境的区别、温度压力的差异以及测井设备的不同，测井曲线响应与已开采解释井位存在较大的差异的问题，这类问题称之为域适应问题，如果不考虑域适应问题，将已解释井位处训练的模型直接应用在新开采的井上势必会导致分类精度的降低。

发明内容

本发明的目的在于提供一种基于主动域适应的测井岩性识别方法，能够可靠地将已解释测井数据的知识迁移到新开采井位，并具有人机交互功能，能够有效地提高新开采的井位测井岩性识别的准确率。

实现本发明目的技术解决方案为：一种基于主动域适应的测井岩性识别方法，包括如下步骤：

获取待预测井位和已解释井位的数据，处理得到源样例集合和目标样本集合，并设置目标样例集合的初始化值；

利用源样例集合训练两个具有差异性的神经网络，并通过两个神经网络对目标样本集合进行预测和处理后得到伪标签样本集合，并更新目标样例集合；

对伪标签样本集合和目标样例集合执行反向检测得到可靠目标样例集合；

对可靠目标样例集合训练学习模型，并利用训练后的学习模型对源样例集合进行样例重要性加权得到加权源样例集合并判断；

使用加权源样例集合训练目标神经网络，预测待预测井位的岩性类别。

进一步地，所述处理得到源样例集合D^s和目标样本集合D^t的具体方法为：

将已解释井位的一个深度和测井曲线数据组成向量作为源测井特征向量该深度对应的岩性作为该向量对应的岩性标签并记/>其中i＝1,2,…,|D^s|，/>分别表示已解释井位的第i个深度值、声波时差曲线值、自然电位曲线值、补偿中子曲线值、电阻率曲线值、井径曲线值和自然噶玛曲线值，s表示已解释井位。

将待预测井位的一个深度和测井曲线数据组成向量作为目标井特征向量其中/>分别表示待预测井位的第j个深度值、声波时差曲线值、自然电位曲线值、补偿中子曲线值、电阻率曲线值、井径曲线值和自然噶玛曲线值，j＝1,2,…,|D^t|，t表示待预测井位。

将所有|D^s|个归一化并组成源样例集合，将所有|D^t|个/>归一化并组成目标样本集合。

进一步地，所述设置目标样例集合的初始化值的具体方法为：设置初始化目标样例集合初始化学习步l＝0，初始化源样例集合中每个样例的权重ω_i＝1。

进一步地，所述利用源样例集合训练两个具有差异性的神经网络具体是通过优化损失函数对神经网络进行训练，其中损失函数为：

Loss₁+Loss₂-λ·Loss_d

式中， λ是平衡参数，由人工设定，/>表示对i的数学期望，C为岩性类别总数，c为求和变量，/>为示性函数，F₁、F₂分别为两个具有差异性的神经网络。

进一步地，所述通过两个神经网络对目标样本集合进行预测和处理后得到伪标签样本集合，并更新目标样例集合的具体方法为：

获取两个神经网络对目标样本集合中每个样本的预测结果，根据预测结果将目标样本集合分为置信样本集合D^p、不确定样本集合D^a和其他样本集合U^t；

获取其中一个神经网络对置信样本集合的预测值并作为伪标签样本集合L^p；

查询不确定样本集合的真实岩性类别并作为不确定样例集合L^a，使用L^t∪L^p∪L^a更新目标样例集合。

进一步地，所述置信样本集合D^p定义为：

式中，p₁表示F₁的输出最大值，p₂表示F₂的输出最大值，c₁表示F₁的输出最大值对应的岩性类别，c₂表示F₂的输出最大值对应的岩性类别，ε_p为置信阈值，由人工设定。

进一步地，所述不确定样本集合D^a定义为：

式中，ε_a为不确定阈值，由人工设定。

进一步地，所述对伪标签样本集合L^p和目标样例集合L^t执行反向检测的具体方法为：

S1、定义不可靠样本x_bd，定义式为：

式中，x^p表示L^p中的一个样本，y^p为x^p的标签，x^u表示U^t中的一个样本，y^u为x^u的预测标签，L^t\(x^p,y^p)表示从L^t中剔除样例(x^p,y^p)，表示使用数据集L^t\(x^p,y^p)训练的模型参数，/>表示以/>为参数的模型预测x^u的标签为y^u的概率；

S2、在伪标签样本集合中筛选出前N_bd不可靠样本后并在目标样例集合中剔除，得到可靠目标样例集合，其中N_bd为不可靠样本数，由人工设定。

进一步地，所述利用训练后的学习模型对源样例集合进行样例重要性加权得到加权源样例集合并判断的具体方法为：

获取训练后的学习模型对源样例集合中每个样本的预测结果；

对预测结果使用样例重要性加权算法为源样例集合中每个样本赋予权重，更新源样例集合中每个样本的权重；

通过赋予权重的源样例集合中每个样本得到加权源样例集合ΩD^s，令D^s＝ΩD^s∪L^t,D^t＝D^t\L^t,l＝l+1，并判断源样例集合是否为空集，如果是，则结束循环；否则重新利用源样例集合训练两个具有差异性的神经网络直到利用学习模型对源样例集合进行样例重要性加权得到加权源样例集合，再进行判断直到l等于L，结束循环，其中L表示累计学习步数，由人工设定。

进一步地，所述样例重要性加权算法的函数式为：

式中，P_s表示训练后学习模型的输出最大值，C_s表示训练后学习模型的输出最大值对应的岩性类别。

进一步地，所述使用加权源样例集合训练目标神经网络，预测待预测井位的岩性类别的具体方法为：

使用加权源样例集合通过优化损失函数训练目标神经网络；

获取目标神经网络预测目标样本集合中每个样例的结果，得出待预测井位的测井曲线数据对应的岩性类别。

进一步地，所述损失函数Loss_t为：

式中，F_t为目标神经网络。

与现有技术相比，本发明的有益效果：

(1)本发明首次考虑了在测井岩性识别领域中，待预测的目标井数据分布与已解释的源测井数据分布之间存在漂移的问题，能够有效地遏制由于数据漂移带来的模型预测性能下降。

(2)相比于已有的测井岩性识别方法，本发明泛化性能更强，能够更好地适应不用的地质环境下的测井数据，并将源测井数据中最为关键的知识迁移到待预测井位。此外，本发明通过结合主动学习和域适应的方法，实现了机器学习模型与领域专家的人机交互，有效地提高了目标井位的岩性预测精度。

附图说明

图1为本发明方法流程示意图。

具体实施方式

下面结合附图对本发明的一种优选实施方式作详细的说明。

如图1所示，一种基于主动域适应的测井岩性识别方法，包括：

步骤一、收集待预测井位的测井曲线数据，以及以待预测井位为中心、2千米为半径的区域内的所有已解释井位的测井曲线数据和与测井曲线数据各深度对应的岩性数据，这里的测井曲线包括深度、声波时差曲线、自然电位曲线、补偿中子曲线、电阻率曲线、井径曲线和自然噶玛曲线；

将每个已解释井位的一个深度及其对应的各个测井曲线数据值组成向量作为源测井特征向量该深度对应的岩性作为该向量对应的岩性标签/>并记/>将待预测井位的一个深度及其对应的各个测井曲线数据值组成向量作为目标测井特征向量/>其中，s表示已解释井位，t表示待预测井位/>分别表示已解释井位的第i个深度值、声波时差曲线值、自然电位曲线值、补偿中子曲线值、电阻率曲线值、井径曲线值和自然噶玛曲线值，/>分别表示待预测井位的第j个深度值、声波时差曲线值、自然电位曲线值、补偿中子曲线值、电阻率曲线值、井径曲线值和自然噶玛曲线值。将所有|D^s|个/>归一化并组成源样例集合D^s，将所有|D^t|个/>归一化并组成目标样本集合D^t。

设置初始化值：初始化目标样例集合初始化学习步l＝0，初始化D^s中每个样例的权重ω_i＝1。

步骤二、令l＝l+1。基于深度学习的方法，对D^s训练两个具有差异性的神经网络F₁,F₂。F₁,F₂均由输入层I、全连接层FC₁、全连接层FC₂、全连接层FC₃、输出层O构成，输入层I导入D^s，FC₁对数据进行特征提取，FC₂对提取的特征进行组合，FC₃实现数据分类，最后由O输出结果，优化损失函数，并通过损失函数对F₁,F₂进行训练，损失函数为Loss₁+Loss₂-λ·Loss_d，其中

式中，λ是平衡参数，由人工设定，表示对i的数学期望，C为岩性类别总数，c为求和变量，/>为示性函数；

根据F₁,F₂对D^t中的每个样本的预测结果，将D^t分为置信样本集合D^p、不确定样本集合D^a和其他样本集合U^t，其中D^p,D^a和U^t满足D^p∪D^a∪U^t＝D^t。这里，置信样本集合D^p定义为：

其中，p₁表示F₁的输出最大值，p₂表示F₂的输出最大值，c₁表示F₁的输出最大值对应的岩性类别，c₂表示F₂的输出最大值对应的岩性类别，ε_p为置信阈值，由人工设定；不确定样本集合D^a定义为：

其中，ε_a为不确定阈值，由人工设定。

获取F₁对置信样本集合D^p的预测值并作为伪标签样本集合L^p；

查询不确定样本集合D^a的真实岩性类别并作为不确定样例集合L^a，使用L^t∪L^p∪L^a更新目标样例集合。

步骤三、对步骤二得到的赋予伪标签的样本集合L^p和目标样例集合L^t，执行反向检测策略。这里，反向检测策略为：首先定义不可靠样本x_bd，定义式为：

其中，x^p表示L^p中的一个样本，y^p为的x^p标签，x^u表示U^t中的一个样本，y^u为x^u的预测标签，L^t\(x^p,y^p)表示从L^t中剔除样例(x^p,y^p)，表示使用数据集L^t\(x^p,y^p)训练的模型参数，/>表示以/>为参数的模型预测x^u的标签为y^u的概率。

然后，筛选出L^p中前N_bd个不可靠的样本，将这些样本从L^t中剔除，得到可靠的目标样例集合L^t，其中N_bd为不可靠样本数，由人工设定。

步骤四、对步骤三得到的L^t使用支持向量机训练一个机器学习模型F_S，根据F_s对D^s中每个样本的预测结果使用样例重要性加权算法为D^s中每个样本赋予权重。这里，样例重要性加权算法为：更新D^s中每个样本的权重

其中P_s表示F_s的输出最大值，C_s表示F_s的输出最大值对应的岩性类别。

通过对D^s中每个样本赋予权重，得到加权源样例集合ΩD^s，令D^s＝ΩD^s∪L^t,D^t＝D^t\L^t，l＝l+1。判断D^t是否为空集，如果是，则结束循环；否则回到步骤二直到l等于L，结束循环，其中L表示累计学习步数，由人工设定。这里，样本权重的具体实现方式为在训练过程中对每个样例的基于其权重的采样；

步骤五、对步骤四得到的加权源样例集合，通过优化损失函数训练目标神经网络F_t。F_t具有和F₁同样的网络结构，F_t训练的损失函数Loss_t为

式中，F_t为目标神经网络。

则使用F_t预测D^t的每个样例的结果即为待预测井位的测井曲线数据对应的岩性类别。

实验：

选取某油田一块区域的12口井作为源样例集合，其附近的一口井作为目标样本集合。源样例集合中包含5种岩性，分别为泥岩(11825条数据)、粉砂岩(6208条数据)、细砂岩(5078条数据)、油页岩(4494条数据)、白云岩(2079条数据)；目标样本集合中包含5种岩性，分别为泥岩(890条数据)、粉砂岩(510条数据)、细砂岩(369条数据)、油页岩(355条数据)、白云岩(503条数据)。本发明的参数设置为：λ＝1,ε_p＝0.9,ε_a＝0.85,N_bd＝5,L＝4，此外，I,FC₁,FC₂,FC₃,O分别包含7,128,64,64,5个节点，FC₁,FC₂使用的激活函数均为ReLU，F₁,F₂,F_t训练的学习率均为0.001。本发明方法训练的结果如下表所示：

从表中可以看出，分类器在源样例集合上的验证平均准确率为84.5％。如果将该分类器直接应用在目标样本集合上，预测的平均准确率降到了57.3％。本发明在2个学习步之后(l＝2)，对目标样本集合预测的平均准确率提高到了82.5％，在3、4个学习步之后(l＝3,l＝4)，预测的平均准确率分别提高到了84.7％和85.4％。相比于直接预测，本发明最终能够将平均准确率提高28.1％，显著地改善了岩性预测的性能。

以上实例仅仅是为了详细描述本发明，但本发明的保护范围并不局限于此，任何熟悉本领域的人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于主动域适应的测井岩性识别方法，其特征在于，包括如下步骤：

获取待预测井位和已解释井位的数据，处理得到源样例集合和目标样本集合，并设置目标样例集合的初始化值；

利用源样例集合训练两个具有差异性的神经网络，并通过两个神经网络对目标样本集合进行预测和处理后得到伪标签样本集合，并更新目标样例集合；

对伪标签样本集合和目标样例集合执行反向检测得到可靠目标样例集合；

对可靠目标样例集合训练学习模型，并利用训练后的学习模型对源样例集合进行样例重要性加权得到加权源样例集合并判断；

使用加权源样例集合训练目标神经网络，预测待预测井位的岩性类别；

所述处理得到源样例集合和目标样本集合的具体方法为：

将已解释井位的一个深度和测井曲线数据组成向量作为源测井特征向量该深度对应的岩性作为该向量对应的岩性标签并记/>其中i＝1,2,…,|D^s|，/>分别表示已解释井位的第o个深度值、声波时差曲线值、自然电位曲线值、补偿中子曲线值、电阻率曲线值、井径曲线值和自然噶玛曲线值，s表示已解释井位；

将待预测井位的一个深度和测井曲线数据组成向量作为目标井特征向量其中/>分别表示待预测井位的第j个深度值、声波时差曲线值、自然电位曲线值、补偿中子曲线值、电阻率曲线值、井径曲线值和自然噶玛曲线值，j＝1,2,…,|D^t|，t表示待预测井位；

将所有|D^s|个归一化并组成源样例集合D^s，将所有|D^t|个/>归一化并组成目标样本集合D^t；

所述通过两个神经网络对目标样本集合进行预测和处理后得到伪标签样本集合，并更新目标样例集合的具体方法为：

获取两个神经网络对目标样本集合中每个样本的预测结果，根据预测结果将目标样本集合分为置信样本集合D^p、不确定样本集合D^a和其他样本集合U^t；

获取其中一个神经网络对置信样本集合的预测值并作为伪标签样本集合L^p；

查询不确定样本集合的真实岩性类别并作为不确定样例集合L^a，使用L^t∪L^p∪L^a更新目标样例集合；

所述利用训练后的学习模型对源样例集合进行样例重要性加权得到加权源样例集合并判断的具体方法为：

获取训练后的学习模型对源样例集合中每个样本的预测结果；

对预测结果使用样例重要性加权算法为源样例集合中每个样本赋予权重，更新源样例集合中每个样本的权重；

通过赋予权重的源样例集合中每个样本得到加权源样例集合ΩD^s，令D^s＝ΩD^s∪L^t,D^t＝D^t\L^t,l＝l+1，并判断源样例集合是否为空集，如果是，则结束循环；否则重新利用源样例集合训练两个具有差异性的神经网络直到利用学习模型对源样例集合进行样例重要性加权得到加权源样例集合，再进行判断直到l等于L，结束循环，其中L表示累计学习步数，由人工设定。

2.根据权利要求1所述的基于主动域适应的测井岩性识别方法，其特征在于，所述设置目标样例集合的初始化值的具体方法为：设置初始化目标样例集合初始化学习步l＝0，初始化源样例集合中每个样例的权重ω_i＝1。

3.根据权利要求1所述的基于主动域适应的测井岩性识别方法，其特征在于，所述利用源样例集合训练两个具有差异性的神经网络具体是通过优化损失函数对神经网络进行训练，其中损失函数为：

Loss₁+Loss₂-λ·Loss_d

式中， λ是平衡参数，由人工设定，/>表示对i的数学期望，C为岩性类别总数，c为求和变量，/>为示性函数，F₁、F₂分别为两个具有差异性的神经网络。

4.根据权利要求1所述的基于主动域适应的测井岩性识别方法，其特征在于，所述置信样本集合D^p定义为：

式中，p₁表示F₁的输出最大值，p₂表示F₂的输出最大值，c₁表示F₁的输出最大值对应的岩性类别，c₂表示F₂的输出最大值对应的岩性类别，ε_p为置信阈值，由人工设定。

5.根据权利要求1所述的基于主动域适应的测井岩性识别方法，其特征在于，所述不确定样本集合D^a定义为：

式中，ε_a为不确定阈值，由人工设定。

6.根据权利要求1所述的基于主动域适应的测井岩性识别方法，其特征在于，所述对伪标签样本集合L^p和目标样例集合L^t执行反向检测的具体方法为：

S1、定义不可靠样本x_bd，定义式为：

式中，x^p表示L^p中的一个样本，y^p为x^p的标签，x^u表示U^t中的一个样本，y^u为x^u的预测标签，L^t\(x^p,y^p)表示从L^t中剔除样例(x^p,y^p)，表示使用数据集L^t\(x^p,y^p)训练的模型参数，/>表示以/>为参数的模型预测x^u的标签为y^u的概率；

S2、在伪标签样本集合中筛选出前N_bd不可靠样本后并在目标样例集合中剔除，得到可靠目标样例集合，其中N_bd为不可靠样本数，由人工设定。

7.根据权利要求1所述的基于主动域适应的测井岩性识别方法，其特征在于，所述样例重要性加权算法的函数式为：

式中，P_s表示训练后学习模型的输出最大值，C_s表示训练后学习模型的输出最大值对应的岩性类别。

8.根据权利要求1所述的基于主动域适应的测井岩性识别方法，其特征在于，所述使用加权源样例集合训练目标神经网络，预测待预测井位的岩性类别的具体方法为：

使用加权源样例集合通过优化损失函数训练目标神经网络；

获取目标神经网络预测目标样本集合中每个样例的结果，得出待预测井位的测井曲线数据对应的岩性类别。

9.根据权利要求8所述的基于主动域适应的测井岩性识别方法，其特征在于，所述损失函数Loss_t为：

式中，F_t为目标神经网络。