CN113033637B - 一种基于岩石物理样本增强的集成学习岩相预测方法 - Google Patents

Abstract

本发明公开了一种基于岩石物理样本增强的集成学习岩相预测方法，包括以下步骤：S1、建立岩石物理模型：通过测井数据分析选择岩石物理模型，然后利用少量的孔隙度数据训练岩石物理模型参数；S2、扩展样本集合：根据S1中的岩石物理模型，生成大量的测井数据样本；S3、建立Adaboost岩相分类模型：使用决策树作为基础学习器，将多个决策树集成为一个强分类器；S4、使用Adaboost岩相分类模型对测井数据进行分类。本发明引入岩石物理模型可以在一定程度上扩充样本；对扩充样本的每个参数添加随机噪声，从而使添加样本可以覆盖更大的分布空间；使用简单的决策树模型进行分类，序列化生成多个决策树分类器从而提升分类准确性。

Description

一种基于岩石物理样本增强的集成学习岩相预测方法

技术领域

本发明属于人工智能和地震勘探资料储层孔隙度预测技术领域，特别涉及一种基于岩石物理样本增强的集成学习岩相预测方法。

背景技术

岩相是指在一定沉积环境下形成的一系列具有特殊岩相(如沉积结构，矿物组成等)的岩石或岩石组。对岩相的准确分类可以帮助进行地层特性分析及储层预测等，这对油气勘探开发应有有着相当重要的应用。

准确的岩相获取方式为取心井和薄片观察，通过分析岩心样本的矿物颗粒、特定碎屑等方式确定岩心的岩相属性。该方法虽然能获取准确岩相，但是需要岩心样本和专家识别，受于钻井成本和人力限制，难以大规模开展。

各种测井方法可以获取丰富的测井数据，各种测井数据都不同程度的受岩相及其他地质因素影响，因此使用测井数据对岩相进行分类有着重要的应用，大量机器学习方法在该领域得到应用。常用的机器学习方法有深度神经网络、支持向量机(SVM)等方法。

深度神经网络是一种有多个隐藏层的神经网络，受益于复杂的神经元及网络构成，该类神经网络可以拟合复杂的关系，可以很好的对岩相进行预测。在Adrielle等人的研究中，使用深度神经网络对法国拉希奥塔附近的南省盆地La Ciotat-1号井进行岩相预测得到的预测结果精度达到了85.62％。然而受于样本限制，复杂的深度神经网络模型模型难以得到充分的训练从而容易导致过拟合，使得模型在训练集中正确率较高，而在测试集中正确率较低。

SVM方法是一种基于经验最小化的方法，该方法可以通过核函数将样本特征映射到更为复杂的高维空间，然后在高维空间中寻找最优超平面，并用该超平面将数据进行分类。Anazi等人通过该方法对中东某砂岩储层测井曲线进行岩相分类，结果表明，该方法有着较高的准确率。但是SVM模型面对复杂的数据集，核函数的选择等问题会制约该类机器学习方法的拟合能力和泛化能力，在实际使用中有着较大的限制。

岩石物理在储层特征预测和流体识别中有种重要的应用。岩石是由固体的岩石骨架、流动的孔隙流体等共同组成，岩石的物理性质是由呈现复杂性和多样性的原因在于岩石组成是复杂的，是岩石骨架与孔隙流体相互影响的结果。

发明内容

本发明的目的在于克服现有技术的不足，提供一种引入岩石物理模型，可以在一定程度上扩充样本；对扩充样本的每个参数添加随机噪声，从而使添加样本可以覆盖更大的分布空间；使用简单的决策树模型进行分类的基于岩石物理样本增强的集成学习岩相预测方法。

本发明的目的是通过以下技术方案来实现的：一种基于岩石物理样本增强的集成学习岩相预测方法，包括以下步骤：

S1、建立岩石物理模型：通过测井数据分析选择岩石物理模型，然后利用少量的孔隙度数据训练岩石物理模型参数；

S2、扩展样本集合：根据S1中的岩石物理模型，生成大量的测井数据样本；

S3、建立Adaboost岩相分类模型：使用决策树作为基础学习器，将多个决策树集成为一个强分类器；

S4、使用Adaboost岩相分类模型对测井数据进行分类。

进一步地，所述步骤S1中的岩石物理模型为球形孔隙模型。

进一步地，所述步骤S2中生成测井样本数据后，使用高斯噪声对数据进行增强。

进一步地，所述步骤S3中Adaboost岩相分类模型的基础分类器为决策树，并指定树的最大深度为3，最大叶子节点数量为5。

进一步地，所述步骤S3中构建Adaboost岩相分类模型的流程如下：

S31、初始化样本权重，每个样本初始权重方法如式(1)：

S32、在初始化样本权重后开始进行迭代训练：记第k轮迭代得到的权重为D_k，D_k＝(d_k1,d_k2,...,d_kn)，d_ki为第k轮迭代中第i个样本的权重，i＝1,2,…,n，k＝1,2,…,K，n为样本数量，K为最大迭代次数；在第k轮迭代中，使用带权重D_k的样本X训练第k轮迭代中的个体分类模型C_k，并用C_k(x)表示该个体分类器对样本x的预测结果；

S33、根据第k轮的个体分类器C_k对样本的预测结果计算第k轮迭代中的误差率e_k：

其中，P()表示误差计算函数；C_k(x_i)表示第k轮迭代的分类器的判断函数，即输入样本x_i时得到的分类结果；d_ki表示第k轮迭代中第i个样本x_i的权重；y_i表示样本x_i的标签；I()为01函数，若参数条件为真，则函数值为1，否则为0；

S34、计算C_k的权重系数α_k：

S35、更新k+1轮迭代中的样本权重，使得被错误分类的样本权重增加，而正确分类样本的权重减少，具体更新公式如式(4)：

S36、达到最大迭代次数K后，将K个个体分类器进行结合，得到Adaboost岩相分类模型：

本发明的有益效果是：并使用扩展样本对模型进行训练。

与现有技术相比，本发明引入岩石物理模型，可以在一定程度上扩充样本；为了增强扩充样本的分布空间，本发明对扩充样本的每个参数添加随机噪声，从而使添加样本可以覆盖更大的分布空间；引入集成学习增强简单模型的分类效果。本发明受于训练样本限制，放弃复杂的深度神经网络模型，使用简单的决策树模型进行分类，为了使最终分类效果提升引入集成学习，序列化生成多个决策树分类器从而提升分类准确性。

附图说明

图1为本发明实施例提供的集成学习框架图；

图2为本发明实施例提供的并行集成策略(Bagging)框架图；

图3为序列集成策略(boosting)框架图；

图4为发明方案流程图；

图5为正态分布示意图；

图6为本发明实施例提供的扩展样本分布图；

图7为本发明实施例提供的数据增强后的扩展样本分布图；

图8为本发明实施例提供的神经网络预测岩相结果；

图9为本发明实施例提供的决策树预测岩相结果；

图10为本发明实施例提供的数据增强后的集成学习模型预测岩相结果。

具体实施方式

本发明采用集成学习(Ensemble Learning)方法预测岩相，该方法是一种典型的有监督算法，集成学习框架如图1所示。集成学习可以分为两大类：并行集成方法(Bagging)和序列集成方法(Boosting)。并行集成策略(Bagging)中，参与训练的个体学习器并行生成，如随机森林等算法。并行方法的原理是利用基础学习器之间的独立性，通过平均可以显著降低错误，其框架如图2所示。具体而言，并行集成策略在于通过随机抽取的方式选择部分样本的部分特征形成数据集的子集，然后用该子集训练个体学习器，然后对学习器进行集成。随机抽样环节使用自助法(bootstrap)思想，使用有放回的抽样方法，即有些样本可能被多次选中，而有些样本可能一次都没有选中。如图3所示，该集成策略的算法流程如下：

1)指定所需的个体学习器数量k；

2)随机从数据集中选择部分样本以及部分特征形成k个子集；

3)利用k个子集训练k个个体学习器；

4)对所有个体学习器进行结合。

本发明已知少量井数据及其岩相标签，使用岩石物理模型建立井数据中不同井曲线之间的回归关系；随机生成井曲线中的某个属性，利用岩石物理模型可以获得其他井曲线的值，从而扩展样本；为保证扩展样本与真实样本分布接近，对扩展的样本加入随机高斯噪声；最后，建立Adaboost分类模型。下面结合附图和具体实施例进一步说明本发明的技术方案。

如图4所示，本发明的一种基于岩石物理样本增强的集成学习岩相预测方法，包括以下步骤：

S1、建立岩石物理模型：通过测井数据分析，选择合适的岩石物理模型(根据所在工区得实际情况(岩相、孔隙结构分布、流体情况等)确定)，然后利用少量的孔隙度数据训练岩石物理模型参数；岩石物理模型为球形孔隙模型，使用该模型可以建立不同储层弹性参数之间的回归关系。

不同岩相中的储层参数可以用过岩石物理模型建立相关关系，因此可以依据岩石物理模型扩充样本。本发明中假定训练样本中的孔隙度服从正态分布N(μ,σ²)，其中μ为训练样本孔隙度的均值，σ为样本标准差，该分布可以用图5表示。依据该分布，可以随机生成孔隙度样本，然后依据就岩石物理模型，可以求得该孔隙度条件下的纵波速度、密度等参数，从而获得扩展后的新样本。通过该方法扩展得到的新样本分布如图6所示，其中，(a)为密度-纵波速度散点图，(b)为纵波速度-孔隙度散点图，(c)为横波速度-孔隙度散点图，(d)为横波速度-纵波速度散点图。

S2、扩展样本集合：根据S1中的岩石物理模型，生成大量的测井数据样本，并使用高斯噪声对数据进行增强；用岩石物理模型得到的样本有较强的规律性，为了使扩展样本能更好的覆盖样本分布空间，本发明引入了机器学习中的数据增强方法。在机器学习的图像处理中，可以使用一些数据增强方法扩展图像数据，常用的数据增强方法有：镜像翻转、旋转、裁剪、缩放、添加噪声等方法。本发明中借鉴数据增强思想，对扩展样本中样本加入均值为0，方差为该样本方差的1/2的噪声，从而实现样本增强，使样本可以覆盖更大的分布空间。最终扩充样本的散点图如图7所示，其中，(a)为密度-纵波速度散点图，(b)为纵波速度-孔隙度散点图，(c)为横波速度-孔隙度散点图，(d)为横波速度-纵波速度散点图。

S3、建立Adaboost岩相分类模型：Adaboost岩相分类模型为一种集成学习模型，需要指定基础分类器，本发明Adaboost岩相分类模型的使用决策树作为基础学习器，将多个决策树集成为一个强分类器，并指定树的最大深度为3，最大叶子节点数量为5。

Adaboost算法是集成学习框架的具体实现，Adaboost主要解决了boost集成学习框架中的4个问题：1.如何初始化和更新权重系数α；2.如何更新个体分类器权重D；3.如何更新误差率e；4，如何将个体分类器进行结合。具体而言，设训练样本为X＝(x₁,x₂,...,x_n)，其对应分类标签为Y＝(y₁,y₂,...,y_n),y∈{-1,1}，共有n个样本，个体学习器为C_i，算法最大迭代次数为K，第k轮迭代中的第i个样本权重为d_ki。构建Adaboost岩相分类模型的流程如下：

S31、初始化样本权重，每个样本初始权重方法如式(1)：

S32、在初始化样本权重后开始进行迭代训练：记第k轮迭代得到的权重为D_k，D_k＝(d_k1,d_k2,...,d_kn)，d_ki为第k轮迭代中第i个样本的权重，i＝1,2,…,n，k＝1,2,…,K，n为样本数量，K为最大迭代次数；在第k轮迭代中，使用带权重D_k的样本X训练第k轮迭代中的个体分类模型C_k，并用C_k(x)表示该个体分类器对样本x的预测结果；

S33、根据第k轮的个体分类器C_k对样本的预测结果计算第k轮迭代中的误差率e_k：

其中，P()表示误差计算函数；C_k(x_i)表示第k轮迭代的分类器的判断函数，即输入样本x_i时得到的分类结果；d_ki表示第k轮迭代中第i个样本x_i的权重；y_i表示样本x_i的标签；I()为01函数，若参数条件为真，则函数值为1，否则为0；

S34、计算C_k的权重系数α_k：

S35、更新k+1轮迭代中的样本权重，使得被错误分类的样本权重增加，而正确分类样本的权重减少，具体更新公式如式(4)：

S36、达到最大迭代次数K后，将K个个体分类器进行结合，得到Adaboost岩相分类模型：

S4、使用Adaboost岩相分类模型对测井数据进行分类。

本发明可以有效提升小样本条件下的岩相分类问题。为了验证该点，本发明使用准噶尔盆地中央坳陷带东部的阜东斜坡研究区井A进行实验验证，井A有效样本个数为294个，包含属性有纵波速度、横波速度、密度等。本发明使用井A的纵波速度、横波速度、密度三个属性进行测试，其中70％的数据用于训练，30％的数据用于验证。三种方法对井A岩相进行分类预测，所用方法如下：

1)深度全连接神经网络

2)决策树

3)本发明所提出的方法

在深度全连接神经网络中，我们使用网络架构共有3个隐藏层，每个隐藏层有20个神经元。利用训练数据进行训练后，得到的模型在训练数据中正确率可以达到100％，而在测试数据中正确率仅为80.5％，出现了较明显的过拟合现象。其分类结果如图8所示。

而在决策树中，我们定义最大决策树深度为3，最大叶子节点数量为5，使用与以上方法相同的训练数据和测试数据，最终得到的结果中训练集岩相预测正确率仅有79.0％，而测试集中表现更差，正确率为66.3％，其预测结果图9所示。

使用本发明所提出方案对孔隙度进行预测，指定最大迭代次数为50次，个体学习器使用决策树模型，最终得到的模型在训练集中正确率为87.0％，而在测试集中正确率为85.1％，其预测结果如图10所示。本发明所提出的方法优于深度全连接神经网络模型和决策树模型的预测结果，避免了过拟合现象，有效地提升了模型的正确率和泛化能力。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (3)

1.一种基于岩石物理样本增强的集成学习岩相预测方法，其特征在于，包括以下步骤：

S1、建立岩石物理模型：通过测井数据分析选择岩石物理模型，然后利用少量的孔隙度数据训练岩石物理模型参数；岩石物理模型为球形孔隙模型；

S2、扩展样本集合：根据S1中的岩石物理模型，生成大量的测井数据样本；依据岩石物理模型扩充样本，假定训练样本中的孔隙度服从正态分布N(μ,σ²)，其中μ为训练样本孔隙度的均值，σ为样本标准差，依据该分布随机生成孔隙度样本，然后依据岩石物理模型，求得该孔隙度条件下的纵波速度、密度参数，从而获得扩展后的新样本；

使用高斯噪声对数据进行增强：对扩展样本中样本加入均值为0，方差为该样本方差的1/2的噪声；

S3、建立Adaboost岩相分类模型：使用决策树作为基础学习器，将多个决策树集成为一个强分类器；

S4、使用Adaboost岩相分类模型对测井数据进行分类。

2.根据权利要求1所述的一种基于岩石物理样本增强的集成学习岩相预测方法，其特征在于，所述步骤S3中Adaboost岩相分类模型的基础分类器为决策树，并指定树的最大深度为3，最大叶子节点数量为5。

3.根据权利要求2所述的一种基于岩石物理样本增强的集成学习岩相预测方法，其特征在于，所述步骤S3中构建Adaboost岩相分类模型的流程如下：

S31、初始化样本权重，每个样本初始权重方法如式(1)：

S32、在初始化样本权重后开始进行迭代训练：记第k轮迭代得到的权重为D_k，D_k＝(d_k1,d_k2,...,d_kn)，d_ki为第k轮迭代中第i个样本的权重，i＝1,2,…,n，k＝1,2,…,K，n为样本数量，K为最大迭代次数；在第k轮迭代中，使用带权重D_k的样本X训练第k轮迭代中的个体分类模型C_k，并用C_k(x)表示该个体分类器对样本x的预测结果；

S33、根据第k轮的个体分类器C_k对样本的预测结果计算第k轮迭代中的误差率e_k：

其中，P()表示误差计算函数；C_k(x_i)表示第k轮迭代的分类器的判断函数，即输入样本x_i时得到的分类结果；d_ki表示第k轮迭代中第i个样本x_i的权重；y_i表示样本x_i的标签；I()为01函数，若参数条件为真，则函数值为1，否则为0；

S34、计算C_k的权重系数α_k：

S35、更新k+1轮迭代中的样本权重，使得被错误分类的样本权重增加，而正确分类样本的权重减少，具体更新公式如式(4)：

S36、达到最大迭代次数K后，将K个个体分类器进行结合，得到Adaboost岩相分类模型：

Images