本申请涉及一种上述测井曲线异常值标注方法、装置、计算机设备和存储介质，其中，方法包括：读取预设的已训练机器学习模型集合，从该集合中选取在当前调优标准下最优的已训练机器学习模型，将待标注测井曲线输入至选取的已训练机器学习模型，得到测井曲线异常值标注结果。整个过程中，选择当前调优标准下最优的已训练机器学习模型，通过选择的已训练机器学习模型完成对待标注测井曲线的异常值标注，无需依赖人工异常值标注，可以高效且准确实现测井曲线异常值标注。井曲线异常值标注。井曲线异常值标注。
【技术实现步骤摘要】
测井曲线异常值标注方法、装置、计算机设备和存储介质
[0001]本申请涉及自动化
，特别是涉及一种测井曲线异常值标注方法、装置、计算机设备和存储介质。
技术介绍
[0002]测井是地球物理勘探的一个分支，是钻孔中使用的地球物理勘探方法的通称。根据所利用的岩石物理性质不同，可分为电测井、放射性测井、磁测井、声波测井、热测井和重力测井等。通过测井曲线可以获知地层的参数情况，从而有利于进行石油的探勘开发。但是测井曲线在测量过程中受环境等各种因素影响，会产生一些异常值。这些值不是地层属性的真实反映，如果不在曲线早期预处理阶段对这些异常值进行处理，则会严重影响最终测井解释的结果。因此，测井曲线异常值的识别尤为重要。
[0003]传统的测井曲线异常值标注方式主要是计算机运行一些测井解释软件，可视化的形式呈现测井曲线，有经验的解释人员从顶到底逐条曲线查看，找出其中的异常值，人员在计算机上操作将找出的异常值输入至计算机，计算机将输入的数据与原始的测井曲线整合得到最终携带有异常值的测井曲线。
[0004]虽然上述方式可以实现测井曲线异常值标注，但是由于测井的深度都很大，有大量的数据需要进行处理，依赖人工完成这部分数据处理和识别需要耗费大量的时间，并且处理过程中不同的人认知和经验存在偏差，导致部分异常值标注不准确。
技术实现思路
[0005]基于此，有必要针对上述技术问题，提供一种高效且准确标注的测井曲线异常值标注方法、装置、计算机设备和存储介质。
[0006]一种测井曲线异常值标注方法，所述方法包括：
[0007]获取待标注测井曲线以及调优标准；
[0008]读取预设的已训练机器学习模型集合，所述已训练机器学习模型集合中包括有多个已训练机器学习模型，所述已训练机器学习模型由携带异常值标注的样本测井曲线训练得到；
[0009]在所述已训练机器学习模型集合中选取所述调优标准下最优的已训练机器学习模型；
[0010]将所述待标注测井曲线输入至选取的已训练机器学习模型，得到测井曲线异常值标注结果。
[0011]在其中一个实施例中，所述读取预设的已训练机器学习模型集合之前，还包括：
[0012]获取携带异常值标注的样本测井曲线；
[0013]将所述样本数据随机划分为训练样本数据和测试样本数据；
[0014]根据所述训练样本数据分别对多个初始机器学习模型进行训练，得到多个已训练机器学习模型；
[0015]根据所述测试样本数据对所述多个已训练机器学习模型分别进行测试，得到模型测试结果；
[0016]根据所述模型测试结果，获取在不同调优标准下的最优已训练机器学习模型，构建预设的已训练机器学习模型集合。
[0017]在其中一个实施例中，所述获取携带异常值标注的样本测井曲线包括：
[0018]获取原始测井曲线；
[0019]对所述原始测井曲线进行深度校正，得到深度校正后的原始测井曲线；
[0020]获取由第三方对所述深度校正后的原始测井曲线进行异常值标注，得到携带异常值标注的样本测井曲线。
[0021]在其中一个实施例中，所述对所述原始测井曲线进行深度校正，得到深度校正后的原始测井曲线包括：
[0022]随机选取所述原始测井曲线中任意一根曲线作为基准曲线；
[0023]将所述原始测井曲线中其他曲线与所述基准曲线进行对比，获取所述原始测井曲线中其他曲线与所述基准曲线的深度误差；
[0024]根据所述深度误差对所述原始测井曲线中其他曲线进行校深，得到深度校正后的原始测井曲线。
[0025]在其中一个实施例中，所述根据所述模型测试结果，获取在不同调优标准下的最优已训练机器学习模型，构建预设的已训练机器学习模型集合包括：
[0026]根据所述模型测试结果，分别在不同调优标准下对已训练机器学习模型进行模型优劣排序，分别得到多个排序序列并记录对应的调优标准；
[0027]选择所述多个排序序列中最优的已训练机器学习模型与对应的调优标准匹配，构建预设的已训练机器学习模型集合。
[0028]在其中一个实施例中，所述将所述待标注测井曲线输入至选取的已训练机器学习模型，得到测井曲线异常值标注结果包括：
[0029]将所述待标注测井曲线输入至选取的已训练机器学习模型；
[0030]获取选取的已训练机器学习模型输出数据，得到异常值及异常值对应的深度；
[0031]根据所述异常值对应的深度，将所述异常值标注至所述待标注测井曲线中，得到测井曲线异常值标注结果。
[0032]在其中一个实施例中，所述将所述待标注测井曲线输入至选取的已训练机器学习模型包括：
[0033]对所述待标注测井曲线进行深度校正；
[0034]将深度校正后的所述待标注测井曲线输入至选取的已训练机器学习模型。
[0035]一种测井曲线异常值标注装置，所述装置包括：
[0036]数据获取模块，用于获取待标注测井曲线以及调优标准；
[0037]读取模块，用于读取预设的已训练机器学习模型集合，所述已训练机器学习模型集合中包括有多个已训练机器学习模型，所述已训练机器学习模型由携带异常值标注的样本测井曲线训练得到；
[0038]模型选择模块，用于在所述已训练机器学习模型集合中选取所述调优标准下最优的已训练机器学习模型；
[0039]异常值标注模块，用于将所述待标注测井曲线输入至选取的已训练机器学习模型，得到测井曲线异常值标注结果。
[0040]另，本申请还提供一种电子设备，设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如上述的测井曲线异常值标注方法。
[0041]另，本申请还提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行时实现如上述的测井曲线异常值标注方法。
[0042]上述测井曲线异常值标注方法、装置、计算机设备和存储介质，读取预设的已训练机器学习模型集合，从该集合中选取在当前调优标准下最优的已训练机器学习模型，将待标注测井曲线输入至选取的已训练机器学习模型，得到测井曲线异常值标注结果。整个过程中，选择当前调优标准下最优的已训练机器学习模型，通过选择的已训练机器学习模型完成对待标注测井曲线的异常值标注，无需依赖人工异常值标注，可以高效且准确实现测井曲线异常值标注。
附图说明
[0043]图1为一个实施例中测井曲线异常值标注方法的应用环境图；
[0044]图2为一个实施例中测井曲线异常值标注方法的流程示意图；
[0045]图3为另一个实施例中测井曲线异常值标注方法的流程示意图；
[0046]图4为测井曲线深度校正示意图；
[0047]图5为一个实施例中测井曲线异常值标注装置的结构框图；
[0048]图6为本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种测井曲线异常值标注方法，所述方法包括：获取待标注测井曲线以及调优标准；读取预设的已训练机器学习模型集合，所述已训练机器学习模型集合中包括有多个已训练机器学习模型，所述已训练机器学习模型由携带异常值标注的样本测井曲线训练得到；在所述已训练机器学习模型集合中选取所述调优标准下最优的已训练机器学习模型；将所述待标注测井曲线输入至选取的已训练机器学习模型，得到测井曲线异常值标注结果。2.根据权利要求1所述的方法，其特征在于，所述读取预设的已训练机器学习模型集合之前，还包括：获取携带异常值标注的样本测井曲线；将所述样本数据随机划分为训练样本数据和测试样本数据；根据所述训练样本数据分别对多个初始机器学习模型进行训练，得到多个已训练机器学习模型；根据所述测试样本数据对所述多个已训练机器学习模型分别进行测试，得到模型测试结果；根据所述模型测试结果，获取在不同调优标准下的最优已训练机器学习模型，构建预设的已训练机器学习模型集合。3.根据权利要求2所述的方法，其特征在于，所述获取携带异常值标注的样本测井曲线包括：获取原始测井曲线；对所述原始测井曲线进行深度校正，得到深度校正后的原始测井曲线；获取由第三方对所述深度校正后的原始测井曲线进行异常值标注，得到携带异常值标注的样本测井曲线。4.根据权利要求3所述的方法，其特征在于，所述对所述原始测井曲线进行深度校正，得到深度校正后的原始测井曲线包括：随机选取所述原始测井曲线中任意一根曲线作为基准曲线；将所述原始测井曲线中其他曲线与所述基准曲线进行对比，获取所述原始测井曲线中其他曲线与所述基准曲线的深度误差；根据所述深度误差对所述原始测井曲线中其他曲线进行校深，得到深度校正后的原始测井曲线。5.根据权利要求2所述的方法，其特征在于，所述根据所述模型测试结果，获取在不同调优标准下的最优已训练机器学习模型，构建预设的已训练机器学习模型集合包括：根据所述模型测试结果，分别在不同调优标准...
【专利技术属性】
技术研发人员：刘福生，李丙龙，
申请(专利权)人：北京国双科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。