测井解释基准模型构建方法、装置、设备及介质制造方法及图纸

本申请公开了测井解释基准模型构建方法、装置、设备及介质，所述方法包括：获取不同井位的测井样本数据和测井样本标签数据；基于原始样本映射模型，对所述测井样本数据进行样本映射，得到测井映射样本数据；基于所述测井映射样本数据和所述测井样本标签数据和目标损失函数，迭代训练领域共有预测模型和领域特有输出预测模型，其中，所述目标损失函数由领域共有模型损失函数和领域特有模型损失函数组成；将所述领域共有预测模型的领域共有输出权重矩阵和所述原始样本映射模型进行组合，得到测井解释基准模型。本申请解决了现有技术中由于非地层因素使得原始测井数据的畸变和失真，从而导致测井解释模型准确度低的技术问题。而导致测井解释模型准确度低的技术问题。而导致测井解释模型准确度低的技术问题。

【技术实现步骤摘要】
测井解释基准模型构建方法、装置、设备及介质


[0001]本申请涉及机器学习
，尤其涉及一种测井解释基准模型构建方法、装置、设备及介质。

技术介绍

[0002]研究较为成熟的工区往往已经部署有一定规模的井位，且已经完成了测井和部分井段的录井与解释，因此可以利用这些质量较高且完备的数据构建一个基准模型。测井曲线的质量不可避免地受到井眼、围岩、层厚、钻井液和仪器等多种环境因素的影响。上述这些非地层因素影响往往是随机、交织且复杂的，其直接结果是导致了原始测井数据的畸变和失真，从而影响构建的测井解释模型的准确度。

技术实现思路

[0003]本申请的主要目的在于提供一种测井解释基准模型构建方法、装置、设备及介质，旨在解决由于非地层因素使得原始测井数据的畸变和失真，从而导致测井解释模型准确度低的技术问题。
[0004]为实现上述目的，本申请提供一种测井解释基准模型构建方法，所述测井解释基准模型构建方法包括：获取不同井位的测井样本数据和测井样本标签数据；基于原始样本映射模型，对所述测井样本数据进行样本映射，得到测井映射样本数据；基于所述测井映射样本数据和所述测井样本标签数据和目标损失函数，迭代训练领域共有预测模型和领域特有输出预测模型，其中，所述目标损失函数由领域共有模型损失函数和领域特有模型损失函数组成；将所述领域共有预测模型的领域共有输出权重矩阵和所述原始样本映射模型进行组合，得到测井解释基准模型。
[0005]本申请还提供一种测井解释基准模型构建装置，所述测井解释基准模型构建装置包括：样本获取模块，用于获取不同井位的测井样本数据和测井样本标签数据；样本映射模块，用于基于原始样本映射模型，对所述测井样本数据进行样本映射，得到测井映射样本数据；迭代训练模块，用于基于所述测井映射样本数据和所述测井样本标签数据和目标损失函数，迭代训练领域共有预测模型和领域特有输出预测模型，其中，所述目标损失函数由领域共有模型损失函数和领域特有模型损失函数组成；基准模型获取模块，用于将所述领域共有预测模型的领域共有输出权重矩阵和所述原始样本映射模型进行组合，得到测井解释基准模型。
[0006]本申请还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述
存储器上并可在所述处理器上运行的所述测井解释基准模型构建方法的程序，所述测井解释基准模型构建方法的程序被处理器执行时可实现如上述的测井解释基准模型构建方法的步骤。
[0007]本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现测井解释基准模型构建方法的程序，所述测井解释基准模型构建方法的程序被处理器执行时实现如上述的测井解释基准模型构建方法的步骤。
[0008]本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的测井解释基准模型构建方法的步骤。
[0009]本申请提供了一种测井解释基准模型构建方法、装置、设备及介质，具体获取不同井位的测井样本数据和测井样本标签数据；基于原始样本映射模型，对所述测井样本数据进行样本映射，得到测井映射样本数据；基于所述测井映射样本数据和所述测井样本标签数据和目标损失函数，迭代训练领域共有预测模型和领域特有输出预测模型，其中，所述目标损失函数由领域共有模型损失函数和领域特有模型损失函数组成；将所述领域共有预测模型的领域共有输出权重矩阵和所述原始样本映射模型进行组合，得到测井解释基准模型。这样，本申请将地层因素作为领域共有部分，将非底层因素作为领域特有部分，从而相应地设置领域共有预测模型和领域特有预测模型，以及相应地设置领域共有模型损失函数和领域特有模型损失函数，从而根据所述测井映射样本数据和所述测井样本标签数据和目标损失函数，同时迭代训练领域共有预测模型和领域特有输出预测模型，保证领域共有预测模型在不同井位的测井样本数据上收敛，且领域特有输出预测模型在对应井位的测井样本数据上收敛，从而将领域共有预测模型的领域共有输出权重矩阵和所述原始样本映射模型进行组合，可实现从含有非地层因素响应的测井样本数据中构建一个仅受控于地层因素的基准模型，也即为测井解释基准模型，所以解决了由于非地层因素使得原始测井数据的畸变和失真，从而导致测井解释模型准确度低的技术问题。
附图说明
[0010]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0011]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0012]图1为本申请测井解释基准模型构建方法第一实施例的流程示意图；图2为本申请测井解释基准模型构建方法中测井解释基准模型的构建过程示意图；图3为本申请实施例中测井解释基准模型构建方法涉及的硬件运行环境的设备结构示意图。
[0013]本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0014]为使本申请的上述目的、特征和优点能够更加明显易懂，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，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。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的前提下所获得的所有其它实施例，均属于本申请保护的范围。
[0015]本申请实施例提供一种测井解释基准模型构建方法，在本申请测井解释基准模型构建方法的第一实施例中，参照图1，所述测井解释基准模型构建方法包括：步骤S10，获取不同井位的测井样本数据和测井样本标签数据；步骤S20，基于原始样本映射模型，对所述测井样本数据进行样本映射，得到测井映射样本数据；步骤S30，基于所述测井映射样本数据和所述测井样本标签数据和目标损失函数，迭代训练领域共有预测模型和领域特有输出预测模型，其中，所述目标损失函数由领域共有模型损失函数和领域特有模型损失函数组成；步骤S40，将所述领域共有预测模型的领域共有输出权重矩阵和所述原始样本映射模型进行组合，得到测井解释基准模型。
[0016]在本实施例中，需要说明的是，测井样本数据通常同时受地层因素和非地层因素影响，地层因素通常是所有井位共有的样本特征，非地层因素通常是各个井位各自特有的样本特征，例如井眼、围岩、层厚、钻井液和仪器等多各种环境因素，这些非地层因素影响往往是随机、交织且复杂的，其直接结果是导致了原始测井数据的畸变和失真，因此不同井位的原始测井数据可以认为是不同分布或者不同领域的测井样本数据。
[0017]另外，所述领域共有预测模型可以为领域共有输出权重矩阵，所述领域特有输出预测模型可以为领域特有输出权重矩阵，所述领域特有输出权重矩阵由领域共有输出权重矩阵和偏置参数组成，所述领域特有输出权重矩阵由特征变换矩阵和输出权重基础矩阵组成。
[0018]作为一种示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种测井解释基准模型构建方法，其特征在于，所述测井解释基准模型构建方法包括：获取不同井位的测井样本数据和测井样本标签数据；基于原始样本映射模型，对所述测井样本数据进行样本映射，得到测井映射样本数据；基于所述测井映射样本数据和所述测井样本标签数据和目标损失函数，迭代训练领域共有预测模型和领域特有输出预测模型，其中，所述目标损失函数由领域共有模型损失函数和领域特有模型损失函数组成；将所述领域共有预测模型的领域共有输出权重矩阵和所述原始样本映射模型进行组合，得到测井解释基准模型。2.如权利要求1所述测井解释基准模型构建方法，其特征在于，所述领域特有输出预测模型的领域特有输出权重矩阵由领域共有输出权重矩阵和偏置参数组成，所述领域共有预测模型的领域共有输出权重矩阵由特征变换矩阵和输出权重基础矩阵组成，所述基于所述测井映射样本数据和所述测井样本标签数据和目标损失函数，迭代训练领域共有预测模型和领域特有输出预测模型的步骤包括：保证所述特征变换矩阵和所述偏置参数不变，基于所述测井映射样本数据和所述测井样本标签数据和目标损失函数，通过训练领域共有预测模型和领域特有输出预测模型，更新所述输出权重基础矩阵；保证所述输出权重基础矩阵和所述偏置参数不变，基于所述测井映射样本数据和所述测井样本标签数据和目标损失函数，通过训练领域共有预测模型和领域特有输出预测模型，更新所述特征变换矩阵；保证所述输出权重基础矩阵和所述特征变换矩阵不变，基于所述测井映射样本数据和所述测井样本标签数据和目标损失函数，通过训练领域共有预测模型和领域特有输出预测模型，更新偏置参数；返回执行步骤：获取不同井位的测井样本数据和测井样本标签数据，直至所述目标损失函数收敛。3.如权利要求2所述测井解释基准模型构建方法，其特征在于，所述测井样本数据至少包括一测井样本矩阵，所述测井映射样本数据至少包括一测井样本矩阵对应的测井样本映射矩阵，所述测井样本标签数据至少包括一标签矩阵，所述领域共有模型损失函数如下：其中，用于度量领域共有输出权重矩阵在所有测井样本数据上的预测误差，这里将领域共有输出权重矩阵分解为，其中为特征变换矩阵目的是为了引入数据分布自适应，以显式或者隐式地减少若干领域之间的数据分布差异，同时辅助的学习，为输出权重基础矩阵；在中，为全体井位的测井样本映射矩阵，为第口井的测井样本映射矩阵，为对应到的标签矩阵，为全体测井数据总量，和的作用在于降低和的复杂度，和用以平衡不同约束项。4.如权利要求2所述测井解释基准模型构建方法，其特征在于，所述测井样本数据至少
包括一测井样本矩阵，所述测井映射样本数据至少包括一测井样本矩阵对应的测井样本映射矩阵，所述测井样本标签数据至少包括一标签矩阵，所述领域特有模型损失函数如下：其中，用于度量领域特有输出权重在各自训练数据上的误差，为适维的全1行向量，、、分别是第口井的样本加权矩阵、测井样本映射矩阵、标签矩阵；用于度量领域特有预测模型的平滑程度，为第口井从测井样本空间计算得到的图拉普拉斯矩阵，为特征变换矩阵，为偏置参数，为输出权重基础矩阵；、和的作用在于降低、和的复杂度，在领域特有模型损失函数中，表示对误差矩阵按行求高斯核函数的输出，，为的行向量，为高斯核宽，为全体井位的测井样本映射矩阵，为第口井的测井样本...

【专利技术属性】
技术研发人员：吕文君，康宇，李鲲，
申请(专利权)人：中国科学技术大学先进技术研究院，
类型：发明
国别省市：