CN117172081A - 地质工程经济多因素融合的区域评价方法 - Google Patents

Abstract

本发明提供一种地质工程经济多因素融合的区域评价方法，该多因素融合评价方法包括：步骤1，根据地质、工程及经济属性，计算地质属性、经济参数、工程参数的关联度；步骤2，引入专家经验，考虑专家赋权；步骤3，基于信息熵理论，计算各属性的熵权；步骤4，使用softmax算法将专家赋权、熵权与关联度有机结合，综合考虑优选属性、经济参数、工程参数，实现区域评价。该多因素融合的属性优选与区域评价方法通过softmax算法合理地将各地质、工程、经济参数，及专家赋权、熵权有机结合，实现属性优选与区域评价，评价结果更加精确，相比传统单一的灰度关联方法更全面可靠，评价结果更加科学。

Description

地质工程经济多因素融合的区域评价方法

技术领域

本发明涉及油田开发技术领域，特别是涉及到一种多因素融合的属性优选与区域评价方法。

背景技术

长期以来，我们通过地震属性和地震反演来进行地震解释的工作。近年来地震勘探硬件设备正在逐步发展，地震采集道数已从原来的几百道发展为几千道，甚至上万道。地震解释从薄层解释的工作，然后发展为通过分析反射波振幅的变化特征，也就是所谓的“亮点”、“暗点”，来对含气砂岩进行储层预测。接着出现的AVO分析技术，不仅能进一步推断地层的含油气性和岩性，还能对含气砂岩中饱和液体成分的预测。随后学者们根据不整合面老划分地震相，分析使用三瞬剖面处理技术来确定地震相类型并作岩相转换是地震地层学分析的基本方法。甜点属性渐渐被人熟知并且被应用于油气地球物理勘探中。

人们通常将沉积地层中局部油气有利区称为甜点，将反射强度与瞬时频率平方根的比值称为甜点属性。储层物性好、油气富集、裂缝发育是地质“甜点”发育区的主要判断依据。表征储层物性的主要参数为孔隙度、渗透率、含油饱和度。表征油气富集区的地震、测井、化学属性参数包括振幅、能量、频率、自然电位、电阻率、极化率、重力值、烃值、放射性等数据。表征裂缝发育情况的测录井、地震、岩石力学属性参数包括CT扫描、露头观察、电阻率、成像测井、构造应力场、曲率、相干体、多分量转换波等数据。岩石脆性好、水平应力差小是工程“甜点”发育区的主要判断依据。岩石脆性是工程“甜点”有利区的重要判断依据之一，脆性高的区域有利于形成复杂缝网。反映岩石脆性特征的属性有岩性、地震弹性、岩石力学等数据。

使用经典的灰色关联算法来求取甜点属性，可以改善由于实际环境影响参数稳定性的一些因素从而得到更客观的、更能有效评价储层的甜点属性。灰色关联分析方法目的是寻求系统中各因素间的主要关系,找出影响目标值的重要因素,从而掌握事物的主要特征,促进和引导系统迅速而有效地发展。灰色关联分析法能够处理信息不完全明确的灰色系统，对于小样本无规律指标的评价问题决策准确性较高，因此灰色关联分析法适用于甜点敏感属性的综合决策。

考虑到专家经验在实际应用中的重要性，很多学者提出了加入专家赋权的方式对经典灰度关联算法进行优化与改进。在综合决策指标体系中，由于每个决策指标的作用、地位和影响力不尽相同，必须根据每个指标的重要程度合理的赋予不同的权重，指标的权重直接关系到这一指标对总体的贡献性大小。但是，仅仅依靠专家对指标重要性的判断来定权，受主观因素的影响较大，客观性较差，会导致计算结果过于偏向主观性。为了解决以上问题，很多学者考虑将熵权这种客观的赋权法与灰度关联相结合。熵权法根据指标变异性大小来确定客观权重，某指标的信息熵越小，就表明其指标的变异程度越大，提供的信息量越大，在综合评价中起的作用也越大，则其权重也应越大。但是，熵权法完全根据决策矩阵求出熵权，而最无序的指标并不一定是最影响工程效益的、决策者最重视的指标，因此仅用熵权法求权不一定能得出最合理的结果。那么，如何有效地将专家赋权与熵权进行结合呢？

在申请号：CN201710685681.3的中国专利申请中，涉及到一种深度学习模式下的岩石岩性自动识别分类方法，用以分析地质工程中的岩石岩性，包括以下步骤：步骤A，根据所需岩石种类，采集不同类型的岩石图像，并将其分为训练集与测试集；步骤B，采用卷积神经网络Inception-v3模型作为预训练模型，利用其特征提取模型获取图像特征；步骤C，建立Softmax回归模型；步骤D，训练岩石图像自动识别与分类模型；步骤E，测试岩石图像自动识别与分类模型。该发明通过建立岩石图像自动识别与分类模型，可以自动化、智能化地分析工程中的地质状况，大大节省人力物力，减少成本支出。

在申请号：CN201911344097.7的中国专利申请中，涉及到一种基于地质信息库的砂体构型CMM神经网络预测方法，包括以下步骤：步骤S1，建立存储砂体构型的测井特征与地震特征的地质信息资料库；步骤S2，通过对步骤S1所建立的资料库中的测井特征与地震特征进行相关性分析，到敏感属性序列X，同时选用单井构型标签作为监督条件；步骤S3，将敏感属性序列X作为输入数据，在单井构型标签的监督下，利用CMM神经网络训练得到模型参数，再对无井区进行参数的智能预测，并输出预测标签。解决了以往方法在预测三角洲相砂体构型分布特征时所面临的准确度和效率的挑战，满足了油气田开发中日益增长的储层表征的高精度和智能化的需要。

在申请号：CN201810300100.4的中国专利申请中，涉及到一种矿山地质环境综合评价方法及系统，该方法包括建立矿山地质环境评价分层结构模型；该模型包括多个评价指标；构建评价指标判断矩阵，并根据此评价指标判断矩阵，确定有效评价指标；对所有有效评价指标进行无纲量化处理得到无纲量化权值；采用层次分析法计算每个有效评价指标的主观权重；利用信息熵计算每个有效评价指标的熵权值；采用层次分析法对熵权值的一致性关系进行检验确定每个有效评价指标的客观权重；根据每个有效评价指标的主观权重、客观权重以及无纲量化权值，确定矿山地质环境的评价等级。因此，该发明通过将层次分析法和信息熵理论紧密结合，能够使矿山地质环境的评价更加合理化、综合化以及准确化。

以上现有技术均与本发明有较大区别，未能解决我们想要解决的技术问题，为此我们发明了一种新的地质工程经济多因素融合的区域评价方法。

发明内容

本发明的目的是提供一种地质工程经济多因素融合的区域评价方法，使用机器学习中的softmax回归，有效地将地质、工程、经济参数融合，将专家赋权与熵权结合，应用于敏感甜点属性优选与区域评价，使结果更加科学。

本发明的目的可通过如下技术措施来实现：多因素融合评价方法，该多因素融合评价方法包括：

步骤1，根据地质、工程及经济属性，计算地质属性、经济参数、工程参数的关联度；

步骤2，引入专家经验，考虑专家赋权；

步骤3，基于信息熵理论，计算各属性的熵权；

步骤4，使用softmax算法将专家赋权、熵权与关联度有机结合，综合考虑优选属性、经济参数、工程参数，实现区域评价。

本发明的目的还可通过如下技术措施来实现：

在步骤1中，从关联算法实现地质、经济、工程敏感属性优选出发，将井区的产气量作为参考数据列，井区的孔隙度参考属性作为比较数据列，将参考数据列和比较数据列组合成矩阵；确定反映系统行为特征的参考数列和影响系统行为的比较数列，并将所有属性划分为训练集和测试集；对训练集，获得关联度。

步骤1包括：

步骤1a，确定反映系统行为特征的参考数列和影响系统行为的比较数列；

步骤1b，计算关联系数；

步骤1c，计算关联度。

在步骤1a中，设参考数列X′₀为

X′₀＝(x′₀(1),x′₀(2),x′₀(3),…,x′₀(m)) (1)

比较数列X′₁,X′₂,…,X′_n为

参考数列与n个比较数列形成如下矩阵，每个比较数列对应m项指标；

在步骤1b中，计算关联系数时，令x₀为参考序列，则指标x_i与参考序列对应第k个元素的关联系数ε_i(k)为：

|x₀(k)-x_i(k)|是每个比较序列与参考序列对应元素的绝对差值；minmin|x₀(k)-x_i(k)|是每一个比较序列与该参考序列的各个时刻绝对差的最小值，即两级最小差；maxmax|x₀(k)-x_i(k)|是每一个比较序列与该参考序列的各个时刻绝对差的最大值，即两级最大差；ρ是分辨系数，若ρ越小，关联系数间差异越大，区分能力越强；0<ρ<1。

在步骤1c中，计算关联度时，使用公式(5)求得每个比较序列与参考序列的关联度，每个比较序列都有m项指标，需要累加：

求取各个比较序列{x_i(k)}与参考序列{x₀(k)}的关联度后，使用最大隶属度原则，找出最大关联度，则比较序列{x_i(k)}对参考序列{x₀(k)}的影响最大；也就是说灰关联的目的是通过求取多个比较序列与某一参考序列的关联度，来判断与该参考序列关系最密切或影响最大的比较序列。

在步骤2中，经济参数考虑油价，成本，开发价格；工程参数考虑储层可改造性，上钻条件，应力条件。

在步骤3中，使用softmax算法将专家赋权与熵权进行结合，计算权重和与该权重结合的关联度，排序后确定最优方案，实现属性优选。

在步骤3中，收集原始指标数据即属性数据，并进行数据标准化处理。

在步骤3中，标准化处理分为两种情况：

a、当指标数据即属性数据越大越好，即为正指标时，标准化公式为

b、当指标数据越小越好，即为逆指标时，其标准化公式为

式中：max x_ij表示参数x_ij的最大值；min x_ij表示参数x_ij的最小值。

在步骤3中，假设有m个评价对象、n个评价指标构成的评价矩阵为{x_ij}_m×n,i＝1,…,m,j＝1,…,n，评价指标的熵权计算步骤如下：

(1)对各指标值即属性值进行标准化处理，计算第j个指标下第i个数据(x_ij)的特征比重即每个属性值占本属性数据的比重：

(2)计算第j个指标的熵为：

特别地，当y_ij＝0时，令y_ijln y_ij＝0；

(3)由熵确定第j个指标的熵权

权系数β_j体现了指标的信息量，熵权值越大表示该指标对综合决策的作用越大，直观有效地反映了指标间的差异程度。

在步骤4中，使用softmax算法将专家赋权、熵权与关联度进行结合，求得地质属性、经济参数、工程参数的指标权重和信息熵，排序后确定最优方案，实现区域评价。

使用softmax算法实现多因素融合，实现属性优选；具体包括：

步骤4a，根据重要程度将能够反映甜点发育区特征的属性参数大致分为三类：重要程度高，评分为3分，重要程度一般，评分为2分，其他参数评分为1分；专家分别对这三类属性中的参数给与少量的评分标记；

步骤4b，将专家标记过的属性参数，作为softmax算法的输入，使用该算法计算出每个属性的权重；

步骤4c，通过Softmax得到所有属性参数属于哪一类属性的概率，计算结合熵权的灰色关联度，实现属性优选。

在步骤4b中，softmax回归是机器学习领域的一种分类算法，其损失函数如公式(6)，设有n个对象，每个对象有m项指标，这些对象的评价结果共有t种；通过损失函数求出的θ即为每个属性的权重；

这里的i∈{1,2,…,t},j∈{1,2,…,m}，这里的i表示第i类，j表示第j项指标，共有t＝3个类别，m项指标，1{·}是一个指示性函数，当大括号中的值为真时，结果是1，否则是0；

softmax是在逻辑回归基础上的扩展，处理的是多分类问题；

对于训练集{(x⁽¹⁾,y⁽¹⁾),…,(x^(nl),y^(nl))}，nl表示专家已经标注的属性参数个数，输入类标签y^(j)∈{1,2,…,t}，Softmax的假设函数为：

这一项对概率分布进行归一化，使得所有概率之和为1；其中，p为概率；

因此，计算第j项指标属于某一类重要程度的属性的概率为：

第j项指标的熵为：

特别地，当y_ij＝0时，令y_ijlny_ij＝0；

由熵确定第j项指标的熵权：

权系数β_j体现了指标的信息量，熵权值越大表示该指标对综合决策的作用越大，直观有效地反映了指标间的差异程度；

于是，通过softmax将专家赋权与熵权结合，得到地质属性、经济参数、工程参数的关联度为：

通过softmax得到所有属性参数属于哪一类属性的概率，计算熵权与结合熵权的灰色关联度，实现区域评价。本发明中的一种地质工程经济多因素融合的区域评价方法，是一种使用softmax回归将地质、工程以及经济因素融合，将专家赋权与熵权巧妙结合，计算出综合客观赋权与主观赋权的权重，实现属性优选与区域评价的方法。方法原理上突破了单一赋权，不是简单地将专家赋权与熵权相乘，而是专家首先按指标的重要程度进行简要标注，将标注好的指标作为softmax回归的训练集，通过算法自主学习，得到所有指标的分类概率与信息熵，最后计算与该熵权结合的关联度。该方法既通过了专家的指导，接受了决策者的意见，还通过机器学习算法科学地求出了各个指标的信息熵，利用了熵权法的客观性，提高了评价准确度。

附图说明

图1为本发明的一具体实施例中地质工程经济多因素融合的区域评价方法技术流程图；

图2为本发明的一具体实施例中softmax算法的技术流程图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作和/或它们的组合。

本发明的多因素融合的属性优选与区域评价方法，具体包括了以下几个步骤：

步骤1，给定地质、工程及经济属性，计算地质属性、经济参数、工程参数的关联度；

步骤2，引入专家经验，考虑专家赋权；

步骤3，基于信息熵理论，计算各属性的熵权；

步骤4，使用softmax算法将专家赋权、熵权与关联度有机结合，综合考虑优选属性、经济参数、工程参数，实现区域评价。

本发明的多因素融合的属性优选与区域评价方法通过softmax算法合理地将各地质、工程、经济参数，及专家赋权、熵权有机结合，实现属性优选与区域评价。整体的区域评价可综合考虑地质属性，经济上的油价、成本、开发价格，工程技术上的储层可改造性、上钻条件、应力条件等。基于此获得的区域评价结果更加精确。相比传统单一的灰度关联方法更全面可靠，评价结果更加科学。

以下为应用本发明的几个具体实施例。

实施例1

在应用本发明的一具体实施例1中，如图1所示，图1为本发明的多因素融合的属性优选与区域评价方法的流程图。该多因素融合的属性优选与区域评价方法包括：

步骤101：从关联算法实现地质、经济、工程敏感属性优选出发：将井区的产气量作为参考数据列，井区的孔隙度等参考属性作为比较数据列，将参考数据列和比较数据列组合成矩阵；确定反映系统行为特征的参考数列和影响系统行为的比较数列。并将所有属性划分为训练集和测试集。对训练集，获得关联度。

步骤102：对各类地质、经济和工程参数，获取专家经验赋权重。经济参数考虑油价，成本，开发价格等，工程参数考虑储层可改造性，上钻条件，应力条件等。

步骤103：使用softmax算法将专家赋权与熵权进行结合，计算权重和与该权重结合的关联度，排序后确定最优方案，实现属性优选。具体包括：

(1)收集原始指标数据(属性数据)；

(2)数据标准化处理。

标准化处理分为两种情况：

a、当指标数据(属性数据)越大越好，即为正指标时，标准化公式为

b、当指标数据越小越好，即为逆指标时，其标准化公式为

式中：max x_ij表示参数x_ij的最大值；min x_ij表示参数x_ij的最小值。

假设有m个评价对象、n个评价指标构成的评价矩阵为{x_ij}_m×n,i＝1,…,m,j＝1,…,n，评价指标的熵权计算步骤如下：

(3)对各指标值(属性值)进行标准化处理，计算第j个指标下第i个数据(x_ij)的特征比重(每个属性值占本属性数据的比重)。

(4)计算第j个指标的熵为：

特别地，当y_ij＝0时，令y_ijlny_ij＝0。

(5)由熵确定第j个指标的熵权

权系数β_j体现了指标的信息量，熵权值越大表示该指标对综合决策的作用越大，直观有效地反映了指标间的差异程度。

步骤104：使用softmax算法将专家赋权、熵权与关联度进行结合，求得地质属性、经济参数、工程参数的指标权重和信息熵，排序后确定最优方案，实现区域评价。

实施例2

在应用本发明的一具体实施例2中，使用关联算法对地质、工程、经济属性优选，计算关联度，具体包括了以下步骤：

首先是确定反映系统行为特征的参考数列和影响系统行为的比较数列；

设参考数列X′₀为

X′₀＝(x′₀(1),x′₀(2),x′₀(3),…,x′₀(m)) (1)

比较数列X′₁,X′₂,…,X′_n为

参考数列与n个比较数列形成如下矩阵，每个比较数列对应m项指标；

将井区的产气量作为参考数据列，井区的地质、工程、经济等甜点属性作为比较数据列，将参考数据列和比较数据列组合成矩阵；

其次是计算关联系数；

关联程度，实质上是变化曲线几何形状的相似程度；因此曲线间差值大小，可作为关联程度的衡量尺度；关联系数即是比较数列与参考数列在各个时刻(相同列坐标)的关联程度值；

令x₀为参考序列，则指标x_i与参考序列对应第k个元素的关联系数ε_i(k)为：

|x₀(k)-x_i(k)|是每个比较序列与参考序列对应元素的绝对差值；minmin|x₀(k)-x_i(k)|是每一个比较序列与该参考序列的各个时刻绝对差的最小值，即两级最小差；maxmax|x₀(k)-x_i(k)|是每一个比较序列与该参考序列的各个时刻绝对差的最大值，即两级最大差；ρ是分辨系数，若ρ越小，关联系数间差异越大，区分能力越强；一般0<ρ<1，一般情况取0.1～0.5，通常ρ取0.5；

最后是计算关联度；

关联度是通过对关联系数求平均值获得，与参考数列关联度越大的比较数列，其发展方向和速率与参考数列越接近，与参考数列的关系越紧密；

使用公式(5)求得每个比较序列与参考序列的关联度(每个比较序列都有m项指标，需要累加)：

求取各个比较序列{x_i(k)}与参考序列{x₀(k)}的关联度后，使用最大隶属度原则，找出最大关联度，则比较序列{x_i(k)}对参考序列{x₀(k)}的影响最大；也就是说灰关联的目的是通过求取多个比较序列与某一参考序列的关联度，来判断与该参考序列关系最密切或影响最大的比较序列。

实施例3

在应用本发明的一具体实施例3中，本发明的地质工程经济多因素融合的区域评价方法包括了以下步骤：

步骤1，给定地质、工程及经济属性，计算地质属性、经济参数、工程参数的关联度；

步骤2，引入专家经验，考虑专家赋权；

步骤3，使用softmax算法将专家赋权与熵权进行结合，计算权重和与该权重结合的关联度，排序后确定最优方案，实现属性优选。如图2所示，具体包括：

首先，根据重要程度将能够反映甜点发育区特征的属性参数大致分为三类：重要程度高，评分为3分，重要程度一般，评分为2分，其他参数评分为1分；专家分别对这三类属性中的参数给与少量的评分标记；

其次，将专家标记过的属性参数，作为softmax算法的输入，该算法可自动计算出每个属性的权重；

softmax回归是机器学习领域的一种分类算法，其技术流程图如图2所示，其损失函数如公式(6)，设有n个对象，每个对象有m项指标，这些对象的评价结果共有t种。通过损失函数求出的θ即为每个属性的权重；

这里的i∈{1,2,…,t},j∈{1,2,…,m}，这里的i表示第i类，j表示第j项指标，共有t＝3个类别，m项指标，1{·}是一个指示性函数，当大括号中的值为真时，结果是1，否则是0；

最后，通过softmax得到所有属性参数属于哪一类属性的概率，计算结合熵权的灰色关联度，实现属性优选；

具体求解方法：softmax回归；

softmax是在逻辑回归基础上的扩展，处理的是多分类问题；

对于训练集{(x⁽¹⁾,y⁽¹⁾),…,(x^(nl),y^(nl))}，nl表示专家已经标注的属性参数个数，输入类标签y^(j)∈{1,2,…,t}，Softmax的假设函数为：

这一项对概率分布进行归一化，使得所有概率之和为1；

因此，计算第j项指标属于某一类重要程度的属性的概率为：

第j项指标的熵为：

特别地，当y_ij＝0时，令y_ijln y_ij＝0；

由熵确定第j项指标的熵权：

权系数β_j体现了指标的信息量，熵权值越大表示该指标对综合决策的作用越大，直观有效地反映了指标间的差异程度；

于是，通过Softmax将专家赋权与熵权结合，得到的灰色关联度为：

步骤4：使用softmax算法将专家赋权、熵权与关联度进行结合，求得地质属性、经济参数、工程参数的关联度，排序后确定最优方案，实现区域评价。

同样的，首先根据重要程度将地质属性、经济参数、工程参数大致分为三类：重要程度高，评分为3分，重要程度一般，评分为2分，其他参数评分为1分；专家分别对这三类属性中的参数给与少量的评分标记；

其次，将专家标记过的属性参数，作为softmax算法的输入，使用该算法计算出每个属性的权重与结合该权重的关联度；具体步骤如步骤3中所述；

最后，通过softmax得到所有属性参数属于哪一类属性的概率，计算熵权与结合熵权的灰色关联度，实现区域评价。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域技术人员来说，其依然可以对前述实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

除说明书所述的技术特征外，均为本专业技术人员的已知技术。

Claims (14)

1.地质工程经济多因素融合的区域评价方法，其特征在于，该多因素融合评价方法包括：

步骤1，根据地质、工程及经济属性，计算地质属性、经济参数、工程参数的关联度；

步骤2，引入专家经验，考虑专家赋权；

步骤3，基于信息熵理论，计算各属性的熵权；

步骤4，使用softmax算法将专家赋权、熵权与关联度有机结合，综合考虑优选属性、经济参数、工程参数，实现区域评价。

2.根据权利要求1所述的地质工程经济多因素融合的区域评价方法，其特征在于，在步骤1中，从关联算法实现地质、经济、工程敏感属性优选出发，将井区的产气量作为参考数据列，井区的孔隙度参考属性作为比较数据列，将参考数据列和比较数据列组合成矩阵；确定反映系统行为特征的参考数列和影响系统行为的比较数列，并将所有属性划分为训练集和测试集；对训练集，获得关联度。

3.根据权利要求2所述的地质工程经济多因素融合的区域评价方法，其特征在于，步骤1包括：

步骤1a，确定反映系统行为特征的参考数列和影响系统行为的比较数列；

步骤1b，计算关联系数；

步骤1c，计算关联度。

4.根据权利要求3所述的地质工程经济多因素融合的区域评价方法，其特征在于，在步骤1a中，设参考数列X′₀为

X′₀＝(x′₀(1),x′₀(2),x′₀(3),…,x′₀(m)) (1)

比较数列X′₁,X′₂,…,X′_n为

参考数列与n个比较数列形成如下矩阵，每个比较数列对应m项指标；

5.根据权利要求4所述的地质工程经济多因素融合的区域评价方法，其特征在于，在步骤1b中，计算关联系数时，令x₀为参考序列，则指标x_i与参考序列对应第k个元素的关联系数ε_i(k)为：

|x₀(k)-x_i(k)|是每个比较序列与参考序列对应元素的绝对差值；minmin|x₀(k)-x_i(k)|是每一个比较序列与该参考序列的各个时刻绝对差的最小值，即两级最小差；maxmax|x₀(k)-x_i(k)|是每一个比较序列与该参考序列的各个时刻绝对差的最大值，即两级最大差；ρ是分辨系数，若ρ越小，关联系数间差异越大，区分能力越强；0<ρ<1。

6.根据权利要求5所述的地质工程经济多因素融合的区域评价方法，其特征在于，在步骤1c中，计算关联度时，使用公式(5)求得每个比较序列与参考序列的关联度，每个比较序列都有m项指标，需要累加：

求取各个比较序列{x_i(k)}与参考序列{x₀(k)}的关联度后，使用最大隶属度原则，找出最大关联度，则比较序列{x_i(k)}对参考序列{x₀(k)}的影响最大；也就是说灰关联的目的是通过求取多个比较序列与某一参考序列的关联度，来判断与该参考序列关系最密切或影响最大的比较序列。

7.根据权利要求1所述的地质工程经济多因素融合的区域评价方法，其特征在于，在步骤2中，经济参数考虑油价，成本，开发价格；工程参数考虑储层可改造性，上钻条件，应力条件。

8.根据权利要求1所述的地质工程经济多因素融合的区域评价方法，其特征在于，在步骤3中，使用softmax算法将专家赋权与熵权进行结合，计算权重和与该权重结合的关联度，排序后确定最优方案，实现属性优选。

9.根据权利要求8所述的地质工程经济多因素融合的区域评价方法，其特征在于，在步骤3中，收集原始指标数据即属性数据，并进行数据标准化处理。

10.根据权利要求9所述的地质工程经济多因素融合的区域评价方法，其特征在于，在步骤3中，标准化处理分为两种情况：

a、当指标数据即属性数据越大越好，即为正指标时，标准化公式为

b、当指标数据越小越好，即为逆指标时，其标准化公式为

式中：maxx_ij表示参数x_ij的最大值；minx_ij表示参数x_ij的最小值。

11.根据权利要求10所述的地质工程经济多因素融合的区域评价方法，其特征在于，在步骤3中，假设有m个评价对象、n个评价指标构成的评价矩阵为{x_ij}_m×n,i＝1,…,m,j＝1,…,n，评价指标的熵权计算步骤如下：

(1)对各指标值即属性值进行标准化处理，计算第j个指标下第i个数据(x_ij)的特征比重即每个属性值占本属性数据的比重：

(2)计算第j个指标的熵为：

特别地，当y_ij＝0时，令y_ijlny_ij＝0；

(3)由熵确定第j个指标的熵权

权系数β_j体现了指标的信息量，熵权值越大表示该指标对综合决策的作用越大，直观有效地反映了指标间的差异程度。

12.根据权利要求1所述的地质工程经济多因素融合的区域评价方法，其特征在于，在步骤4中，使用softmax算法将专家赋权、熵权与关联度进行结合，求得地质属性、经济参数、工程参数的指标权重和信息熵，排序后确定最优方案，实现区域评价。

13.根据权利要求12所述的地质工程经济多因素融合的区域评价方法，其特征在于，使用softmax算法实现多因素融合，实现属性优选；具体包括：

步骤4a，根据重要程度将能够反映甜点发育区特征的属性参数大致分为三类：重要程度高，评分为3分，重要程度一般，评分为2分，其他参数评分为1分；专家分别对这三类属性中的参数给与少量的评分标记；

步骤4b，将专家标记过的属性参数，作为softmax算法的输入，使用该算法计算出每个属性的权重；

步骤4c，通过Softmax得到所有属性参数属于哪一类属性的概率，计算结合熵权的灰色关联度，实现属性优选。

14.根据权利要求13所述的地质工程经济多因素融合的区域评价方法，其特征在于，在步骤4b中，softmax回归是机器学习领域的一种分类算法，其损失函数如公式(6)，设有n个对象，每个对象有m项指标，这些对象的评价结果共有t种；通过损失函数求出的θ即为每个属性的权重；

这里的i∈{1,2,…,t},j∈{1,2,…,m}，这里的i表示第i类，j表示第j项指标，共有t＝3个类别，m项指标，1{·}是一个指示性函数，当大括号中的值为真时，结果是1，否则是0；

softmax是在逻辑回归基础上的扩展，处理的是多分类问题；

对于训练集{(x⁽¹⁾,y⁽¹⁾),…,(x^(nl),y^(nl))}，nl表示专家已经标注的属性参数个数，输入类标签y^(j)∈{1,2,…,t}，Softmax的假设函数为：

这一项对概率分布进行归一化，使得所有概率之和为1；其中，p为概率；

因此，计算第j项指标属于某一类重要程度的属性的概率为：

第j项指标的熵为：

特别地，当y_ij＝0时，令y_ijlny_ij＝0；

由熵确定第j项指标的熵权：

权系数β_j体现了指标的信息量，熵权值越大表示该指标对综合决策的作用越大，直观有效地反映了指标间的差异程度；

于是，通过softmax将专家赋权与熵权结合，得到地质属性、经济参数、工程参数的关联度为：

通过softmax得到所有属性参数属于哪一类属性的概率，计算熵权与结合熵权的灰色关联度，实现区域评价。