CN114996625A - 一种基于贝叶斯优化及自编码器的测井数据补全方法 - Google Patents

Abstract

本发明提出了一种基于贝叶斯优化及自编码器的测井数据补全方法，涉及测井技术领域，包括：获取原始测井数据，所述原始测井数据包括缺失测井数据和未缺失测井数据；对缺失的原始测井数据进行数据预处理；基于数据预处理后的未缺失测井数据进行训练以得到自编码器；对数据预处理后的缺失测井数据进行数据填充以得到多个完整的数据集；将数据集中的填充数据输入自编码器计算重构损失以构成样本点；基于样本点建立高斯过程模型；根据高斯过程模型计算采集函数极值点；基于采集函数极值点更新样本空间；基于更新后的样本空间填充最优缺失值并输出完整测井数据；本发明通过贝叶斯优化调整缺失值，可以动态更新并获取最佳填充的缺失值来补全测井数据。

Description

一种基于贝叶斯优化及自编码器的测井数据补全方法

技术领域

本发明涉及测井技术领域，具体而言，涉及一种基于贝叶斯优化及自编码器的测井数据补全方法。

背景技术

测井，也称地球物理测井，即测量地球物理参数的方法。测井利用岩层的电化学特性、导电特性、声学特性、放射性等地球物理特性，来测量地球物理参数，是石油开采过程中，地质勘探的一种重要手段。随着近年来国家对石油勘探的大力发展，测井技术也相应的得到提升。测井曲线的绘制能帮助地质勘探人员了解地层结构，有利于后期的油气藏开发。

但是，在实际的测井曲线测量过程中，地层下的情况十分复杂且存在仪器故障等因素，从而导致测井数据的缺失。当地质勘探人员利用测井数据对地下情况进行分析评估时，缺失的测井数据将会对工作带来极大的挑战。基于此，提出一种基于贝叶斯优化及自编码器的测井数据补全方法来解决上述问题。

发明内容

本发明的目的在于提供一种基于贝叶斯优化及自编码器的测井数据补全方法，其能够通过同一口井完整部分的数据填补缺失值，并能通过贝叶斯优化对缺失值进行调整。

本发明的技术方案为：

本申请提供一种基于贝叶斯优化及自编码器的测井数据补全方法，其包括以下步骤：

S1、获取原始测井数据，上述原始测井数据包括缺失测井数据和未缺失测井数据；

S2、对原始测井数据进行数据预处理；

S3、基于数据预处理后的未缺失测井数据进行训练以得到自编码器；

S4、对数据预处理后的缺失测井数据进行数据填充以得到多个完整的数据集；

S5、将数据集中的填充数据输入自编码器计算重构损失以构成样本点；

S6、基于样本点建立高斯过程模型；

S7、根据高斯过程模型计算采集函数极值点；

S8、基于采集函数极值点更新样本空间；

S9、基于更新后的样本空间填充最优缺失值并输出完整测井数据。

进一步地，上述数据预处理包括将缺失的原始测井数据进行数据归一化处理，其处理公式为：

其中，x^*表示归一化值，x表示样本数据，x_min表示样本最小值，x_max表示样本最大值。

进一步地，步骤S4中上述数据填充包括：对数据预处理后的原始测井数据的缺失值的缺失位置在定义域取值范围内随机填充多个插值，以得到对应数量的多个完整的数据集。

进一步地，步骤S5中上述填充数据包括长度为一个步长，且末尾包含填充值的数据。

进一步地，步骤S5中上述计算重构损失的公式包括：

其中，RMSE表示均方根误差，x_ij表示原数据，y_ij表示经过自编码器后输出对应位置的数据，t表示输入的步长，n表示测井数据特征个数。

进一步地，步骤S7中上述计算采集函数极值点的公式包括：

α(x|D)＝μ(x)+βσ(x)

x^*＝argmin(α(x|D))

其中，α(x|D)表示采集函数，x表示样本数据，μ(x)表示样本数据的均值，σ(x)表示样本数据的方差，β表示作为调节参数的一个常数，x^*表示采集函数极值点。

进一步地，上述步骤S8包括：

将采集函数极值点插入缺失的原始测井数据，并输入自编码器以得到最新重构损失；

根据最新重构损失更新样本空间。

进一步地，步骤S9中上述填充最优缺失值的步骤包括：

设定更新样本空间的迭代次数的最大次数，在迭代次数达到最大次数时终止迭代，选取该次的采集函数极值点作为最优缺失值，将该最优缺失值进行填充，对填充后的数据反归一化后输出完整测井数据。

相对于现有技术，本发明的至少具有如下优点或有益效果：

本申请一种基于贝叶斯优化及自编码器的测井数据补全方法，通过利用同一口井的完整部分的数据来填补缺失值，并通过贝叶斯优化对缺失值进行调整来动态更新缺失值，从而可以得到最佳填充的缺失值来补全测井数据，利于地质勘探人员用测井数据对地下情况进行分析评估。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例1的一种基于贝叶斯优化及自编码器的测井数据补全方法的示意性结构框图；

图2为自编码器的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

需要说明的是，在本文中，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。

实施例

请参阅图1，图1所示为本申请实施例提供的一种基于贝叶斯优化及自编码器的测井数据补全方法的示意性结构框图。

本申请实施例提供一种基于贝叶斯优化及自编码器的测井数据补全方法，包括以下步骤：

S1、获取原始测井数据，原始测井数据包括缺失测井数据和未缺失测井数据；

S2、对原始测井数据进行数据预处理；

S3、基于数据预处理后的未缺失测井数据进行训练以得到自编码器；

S4、对数据预处理后的缺失测井数据进行数据填充以得到多个完整的数据集；

S5、将数据集中的填充数据输入自编码器计算重构损失以构成样本点；

S6、基于样本点建立高斯过程模型；

S7、根据高斯过程模型计算采集函数极值点；

S8、基于采集函数极值点更新样本空间；

S9、基于更新后的样本空间填充最优缺失值并输出完整测井数据。

本申请提供的一种基于贝叶斯优化及自编码器的测井数据补全方法，首先获取缺失的原始测井数据以及未缺失的测井数据，然后对缺失的原始测井数据进行数据预处理，根据未缺失数据训练自编码器，得到测井数据的正常分布，然后利用贝叶斯优化(步骤S4-S9)对缺失值不断估计以动态更新缺失值，输出最优填充的缺失值对测井数据进行补全。

请参照图2，如图2所示为步骤S3中基于未缺失的测井数据训练以得到自编码器的结构示意图。

其中，输入数据为{X₁，X₂，X₃，...，X_t}，t为输入的步长。一个步长内同一个时刻数据包含伽马值(GR)、声波时差(AC)、含水饱和度(SW)和泥质含量(VSH)等测井特征，即X_i＝{x_i1，x_i2，x_i3，...，x_in}，由于测井数据包含一定的时序特征，因此，输入层采用GRU层可进行时序特征提取。

作为一种优选的实施方式，数据预处理包括将缺失的原始测井数据进行数据归一化处理，其处理公式为：

其中，x^*表示归一化值，x表示样本数据，x_min表示样本最小值，x_max表示样本最大值。

由此，通过数据归一化可简化计算过程。

作为一种优选的实施方式，步骤S4中数据填充包括：对数据预处理后的原始测井数据的缺失值的缺失位置在定义域取值范围内随机填充多个插值，以得到对应数量的多个完整的数据集。

作为一种优选的实施方式，步骤S5中填充数据包括长度为一个步长，且末尾包含填充值的数据。

作为一种优选的实施方式，步骤S5中计算重构损失的公式包括：

其中，RMSE表示均方根误差，x_ij表示原数据，y_ij表示经过自编码器后输出对应位置的数据，t表示输入的步长，n表示测井数据特征个数。

作为一种优选的实施方式，步骤S6中基于样本点建立高斯过程模型的过程包括：

定义已有的样本点D＝{(x_1：m，r_1：m)}服从高斯模型f(x_1：m)～GP(μ_1：m，K)，使用均值函数与核函数求得均值向量与协方差矩阵，完成高斯过程构建。

其中，D表示样本点，x_1：m表示某一缺失位置填补的m个缺失测井数据值，r_1：m代表对应的损失函数值，f(x_1：m)表示重构损失模型，GP(μ_1：m，K)表示高斯过程，μ_1：m表示均值向量，K表示协方差矩阵；其使用的核函数公式包括：

其中，k(x₁，x₂)表示样本间的距离，x₁、x₂表示核函数的样本，α₀与σ均表示常数项参数，在本实施例1中取值为1。

作为一种优选的实施方式，步骤S7中计算采集函数极值点的公式包括：

α(x|D)＝μ(x)+βσ(x)

x^*＝argmin(α(x|D))

其中，α(X|D)表示采集函数，x表示样本数据，μ(x)表示样本数据的均值，σ(x)表示样本数据的方差，β表示作为调节参数的一个常数，z^*表示采集函数极值点。

作为一种优选的实施方式，步骤S8包括：

将采集函数极值点插入缺失的原始测井数据，并输入自编码器以得到最新重构损失；

根据最新重构损失更新样本空间。

作为一种优选的实施方式，步骤S9中填充最优缺失值的步骤包括：

设定更新样本空间的迭代次数的最大次数，在迭代次数达到最大次数时终止迭代，选取该次的采集函数极值点作为最优缺失值，将该最优缺失值进行填充，对填充后的数据反归一化后输出完整测井数据。

可以理解，图中所示的结构仅为示意，一种基于贝叶斯优化及自编码器的测井数据补全方法还可包括比图中所示更多或者更少的组件，或者具有与图中所示不同的配置。图中所示的各组件可以采用硬件、软件或其组合实现。

在本申请所提供的实施例中，应该理解到，所揭露的系统或方法，也可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

综上所述，本申请实施例提供的一种基于贝叶斯优化及自编码器的测井数据补全方法，通过获取缺失的原始测井数据以及未缺失的测井数据，然后对缺失的原始测井数据进行数据预处理，根据未缺失数据训练自编码器，得到测井数据的正常分布，然后利用贝叶斯优化对缺失值不断估计以动态更新缺失值，输出最优填充的缺失值对测井数据进行补全，从而可以得到最佳填充的缺失值来补全测井数据，利于地质勘探人员用测井数据对地下情况进行分析评估。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (8)

1.一种基于贝叶斯优化及自编码器的测井数据补全方法，其特征在于，包括以下步骤：

S1、获取原始测井数据，所述原始测井数据包括缺失测井数据和未缺失测井数据；

S2、对原始测井数据进行数据预处理；

S3、基于数据预处理后的未缺失测井数据进行训练以得到自编码器；

S4、对数据预处理后的缺失测井数据进行数据填充以得到多个完整的数据集；

S5、将数据集中的填充数据输入自编码器计算重构损失以构成样本点；

S6、基于样本点建立高斯过程模型；

S7、根据高斯过程模型计算采集函数极值点；

S8、基于采集函数极值点更新样本空间；

S9、基于更新后的样本空间填充最优缺失值并输出完整测井数据。

2.如权利要求1所述的一种基于贝叶斯优化及自编码器的测井数据补全方法，其特征在于，所述数据预处理包括将缺失的原始测井数据进行数据归一化处理，其处理公式为：

其中，x^*表示归一化值，x表示样本数据，x_min表示样本最小值，x_max表示样本最大值。

3.如权利要求1所述的一种基于贝叶斯优化及自编码器的测井数据补全方法，其特征在于，步骤S4中所述数据填充包括：对数据预处理后的原始测井数据的缺失值的缺失位置在定义域取值范围内随机填充多个插值，以得到对应数量的多个完整的数据集。

4.如权利要求1所述的一种基于贝叶斯优化及自编码器的测井数据补全方法，其特征在于，步骤S5中所述填充数据包括长度为一个步长，且末尾包含填充值的数据。

5.如权利要求1所述的一种基于贝叶斯优化及自编码器的测井数据补全方法，其特征在于，步骤S5中所述计算重构损失的公式包括：

其中，RMSE表示均方根误差，x_ij表示原数据，y_ij表示经过自编码器后输出对应位置的数据，t表示输入的步长，n表示测井数据特征个数。

6.如权利要求1所述的一种基于贝叶斯优化及自编码器的测井数据补全方法，其特征在于，步骤S7中所述计算采集函数极值点的公式包括：

α(x|D)＝μ(x)+βσ(x)

x^*＝argmin(α(x|D))

其中，α(X|D)表示采集函数，x表示样本数据，μ(x)表示样本数据的均值，σ(x)表示样本数据的方差，β表示作为调节参数的一个常数，X^*表示采集函数极值点。

7.如权利要求1所述的一种基于贝叶斯优化及自编码器的测井数据补全方法，其特征在于，所述步骤S8包括：

将采集函数极值点插入缺失的原始测井数据，并输入自编码器以得到最新重构损失；

根据最新重构损失更新样本空间。

8.如权利要求1所述的一种基于贝叶斯优化及自编码器的测井数据补全方法，其特征在于，步骤S9中所述填充最优缺失值的步骤包括：

设定更新样本空间的迭代次数的最大次数，在迭代次数达到最大次数时终止迭代，选取该次的采集函数极值点作为最优缺失值，将该最优缺失值进行填充，对填充后的数据反归一化后输出完整测井数据。

Images