一种基于多阈值量化输出观测的渐近最优岩性预测方法技术

本发明专利技术提出一种基于多阈值量化输出观测的渐近最优岩性预测方法，包括如下步骤：1、根据测井曲线数据及对应岩性信息，构建模型的输入样本，并将总样本分为训练集和测试集；2、基于训练集中的输入样本及对应岩性类别信息，构造并执行多阈值量化岩性识别模型的渐近最优辨识算法；3、根据基于信息矩阵的加权拟牛顿型算法所给出的参数估计值，利用岩性识别模型对岩性进行预测，判断测试集中某样本属于哪个岩性类别。本发明专利技术首次提出多阈值量化岩性识别模型以实现测井岩性识别的问题，在节省人力物力的基础上，实现了岩性识别模型的可解释性。本发明专利技术提出的基于信息矩阵的加权拟牛顿型算法具有渐近最优性，即其收敛效果优于以往量化辨识算法。识算法。识算法。

【技术实现步骤摘要】
一种基于多阈值量化输出观测的渐近最优岩性预测方法


[0001]本专利技术涉及地球物理勘探中岩性识别的相关问题，具体涉及一种基于多阈值量化输出观测的渐近最优岩性预测方法。

技术介绍

[0002]随着我国经济的飞速发展，石油供需关系持续紧张且新巨型油田发现急剧减少，能否解决能源问题成为国家经济发展的关键因素之一，这对油田地质勘探提出了更高的要求。准确的岩性识别结果可以为油田的勘探和开发提供可靠的依据，在寻找石油天然气资源和评估资源储量等方面发挥着巨大的作用。
[0003]一般情况下，获取地下岩性信息的数据源主要包括两类：岩芯数据和测井曲线。其中，岩芯数据是在钻井过程中直接采集，由地质学专家进行分析并获取较准确的岩性信息，但高昂的成本导致该方法很难在油田的实际开发中得到广泛的应用。测井曲线具有垂向分辨率高、连续性好、数据采集方便等优点，常常被应用于岩性识别的研究。传统的测井岩性识别方法
[1]准确度低、速度慢、人为因素影响大，因此，利用计算机更快速和准确地进行岩性识别成为国内外测井研究工作者研究的热点
[2
‑
3]。然而现有的基于机器学习的岩性识别方法更加追求高识别精度，忽略了对岩性识别模型的可解释性研究，对于风险意识很强的实际工业生产模型来说可解释性是很有必要的。因此，本专利技术基于多阈值量化岩性识别模型来给出岩性预测方法。
[0004]参考文献如下：
[0005][1]Honarkhah M,and Caers J,Direct pattern
‑/>based simulation of non
‑
stationary geostatistical models,Mathematical Geosciences,2012,44(6):651
‑
672。
[0006][2]康乾坤，路来君，随机森林算法在测井岩性分类中的应用，世界地质，2020，39(02):398
‑
405。
[0007][3]马陇飞，萧汉敏，陶敬伟，张帆，罗永成，张海琴，基于深度学习岩性分类的研究与应用，科学技术与工程，2022，22(07):2609
‑
2617。

技术实现思路

[0008]为解决上述问题，本专利技术提供一种基于多阈值量化输出观测的渐近最优岩性预测方法，能够有效地预测岩性类别。为解决上述问题，本专利技术采用如下技术方案：
[0009]一种基于多阈值量化输出观测的渐近最优岩性预测方法，包括如下步骤：
[0010]步骤1、根据测井曲线数据及对应岩性信息，构建模型的输入样本；具体包括，根据测井曲线数据及对应岩性信息，构建模型输入样本：将深度、声波测井、井径测井、补偿中子测井、伽马测井、自然电位测井、2.5m底梯度电阻率测井和密度测井等数据组成8维样本特征向量，并将总样本分为训练集和测试集。
[0011]步骤2、基于训练集中的输入样本及对应岩性类别信息，构造并执行多阈值量化岩性识别模型的渐近最优辨识算法。具体包括：首先根据训练集中的输入样本及对应岩性信
息构建岩性识别模型，再设计基于信息矩阵的加权拟牛顿型算法来辨识岩性识别模型中的未知参数，并评估算法的收敛特性和最优性。
[0012]步骤3、根据基于信息矩阵的加权拟牛顿型算法所给出的参数估计值，利用岩性识别模型对岩性进行预测，判断测试集中某样本属于哪个岩性类别。
[0013]本专利技术的优点及有益效果：
[0014]1.本专利技术首次提出多阈值量化岩性识别模型以实现测井岩性识别的问题，在节省人力物力的基础上，实现了岩性识别模型的可解释性。
[0015]2.与以往的基于量化输出测量的参数辨识算法相比，本专利技术提出的基于信息矩阵的加权拟牛顿型算法具有渐近最优性，即其收敛效果优于以往量化辨识算法。
附图说明
[0016]图1为本专利技术的方法流程图。
[0017]图2为本专利技术岩性识别模型框图。
[0018]图3是本专利技术中基于信息矩阵的加权拟牛顿型算法的流程图。
[0019]图4是本专利技术岩性预测的模型结构图。
具体实施方式
[0020]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅为本专利技术的一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术的保护范围。
[0021]为使本专利技术提出的一种基于多阈值量化输出观测的渐近最优岩性预测方法的技术方案更加清楚、完整，现将具体步骤(本专利技术的方法流程图如图1所示)详细描述如下：
[0022]步骤1、根据测井曲线数据及对应岩性信息，构建模型的输入样本，并将总样本分为训练集和测试集。
[0023]根据测井曲线数据及对应岩性信息，构建模型输入样本：使用深度(DEPTH)、声波测井(AC)、井径测井(CAL)、补偿中子测井(CNL)、伽马测井(GR)、自然电位测井(SP)、2.5m底梯度电阻率测井(R25)和密度测井(DEN)组成8维样本特征向量，记为其中，n＝8，代表n维实数域。样本标签q∈{0，1，...，m}为岩性类别，包括：泥岩，粗砂岩，细砂岩，砾岩。假设共有总的样本N条，遵循7∶3的准则分开训练集和测试集，记训练集样本数据有N
s
条，测试集样本有N
t
条。
[0024]步骤2、基于训练集中的输入样本及对应岩性类别信息，构造并执行多阈值量化岩性识别模型的渐近最优辨识算法。
[0025]首先，根据训练集中的输入样本及对应岩性信息构建含未知参数的岩性识别模型(本专利技术的岩性识别模型框图如图2所示)，具体如下：
[0026][0027]其中，φ
k
是第k个岩性样本的n维样本特征，T代表向量的转置；θ是岩性识别模型的n维未知定常参数向量；d
k
是第k个岩性样本的白噪声，在数据采集和处理过程中不可避免会出现一些误差，因此随机噪声的加入是必要的，根据中心极限定理，假设噪声服从均值
为0方差为σ2的正态分布，其分布函数和密度函数分别为F(
·
)和f(
·
)；y
k
是岩性识别模型的输出，其仅能根据m个岩性分类阈值划分为m+1个岩性类别，岩性分类阈值分别是C1，C2，
…
，C
m
，且阈值满足
‑
∞＜C1＜C2＜
…
＜C
m
＜∞。此岩性识别模型输出的量化过程可如下表示：
[0028][0029]实际上，q
k
代表第k个岩性样本的岩性类别。
[0030]此岩性识别模型的渐近最优辨识问题需要基于量化模型(1)
‑
(2)，根据训练集中的输入样本及对应岩性类别信息设计渐近最优辨识算法——基于信息矩阵的加权拟本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多阈值量化输出观测的渐近最优岩性预测方法，其特征在于：包括如下步骤：步骤1、根据测井曲线数据及对应岩性信息，构建模型的输入样本；具体包括，根据测井曲线数据及对应岩性信息，构建模型输入样本：将深度、声波测井、井径测井、补偿中子测井、伽马测井、自然电位测井、2.5m底梯度电阻率测井和密度测井组成8维样本特征向量，并将总样本分为训练集和测试集；步骤2、基于训练集中的输入样本及对应岩性类别信息，构造并执行多阈值量化岩性识别模型的渐近最优辨识算法；具体包括：首先根据训练集中的输入样本及对应岩性类别信息构建岩性识别模型，再设计基于信息矩阵的加权拟牛顿型算法来辨识岩性识别模型中的未知参数，并评估算法的收敛特性和最优性；步骤3、根据基于信息矩阵的加权拟牛顿型算法所给出的参数估计值，利用岩性识别模型对岩性进行预测，判断测试集中某样本属于哪个岩性类别；其中，在步骤1中：使用深度DEPTH、声波测井AC、井径测井CAL、补偿中子测井CNL、伽马测井GR、自然电位测井SP、2.5m底梯度电阻率测井R25和密度测井DEN组成8维样本特征向量，记为其中，n＝8，代表n维实数域；样本标签q∈{0，1，...，m}为岩性类别，包括：泥岩，粗砂岩，细砂岩及砾岩；设共有总的样本N条，遵循7∶3的准则分开训练集和测试集，记训练集样本数据有N
s
条，测试集样本有N
t
条；其中，在步骤2中：首先，根据训练集中的输入样本及对应岩性类别信息构建含未知参数的岩性识别模型，具体如下：其中，φ
k
是第k个岩性样本的n维样本特征，T代表向量的转置；θ是岩性识别模型的n维未知定常参数向量；d
k
是第k个岩性样本的白噪声，设噪声服从均值为0方差为σ2的正态分布，其分布函数和密度函数分别为F(
·
)和f(
·
)；y
k
是岩性识别模型的输出，能根据m个岩性分类阈值划分为m+1个岩性类别，岩性分类阈值分别是C1，C2，
…
，C
m
，且阈值满足
‑
∞＜C1＜C2＜
…
＜C
m
＜∞；此岩性识别模型输出的量化过程如下表示：q
k
代表第k个岩性样本的岩性类别。2.根据权利要求1所述的一种基于多阈值量化输出观测的渐近最优岩性预测方法，其特征在于：多阈值量化岩性识别模型的渐近最优辨识算法需要基于公式(1)
‑
(2)，根据训练集中的输入样本及对应岩性类别信息设计渐近最优辨识算法——基于信息矩阵的加权拟牛顿型算法，并评估此算法的收敛特性和最优性；构造基于信息矩阵的加权拟牛顿型算法：对任意的n维参数估计初值和n维正定矩阵第k次迭代如下进行，k≥1：a)根据第k
‑
1次迭代所计算...

【专利技术属性】
技术研发人员：张纪峰，王颖，李婧，康宇，赵延龙，吕文君，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：