一种半监督深度类别自编码岩相识别方法及装置制造方法及图纸

本发明专利技术提供了一种半监督深度类别自编码岩相识别方法、装置、存储介质及电子设备，涉及岩相识别技术领域，所述方法包括：获取待识别岩相的属性；将所述待识别岩相的属性输入已训练的岩相识别模型，以使所述已训练的岩相识别模型输出所述待识别岩相的类别；其中，所述岩相识别模型为自编码网络模型；采用半监督学习算法对所述岩相识别模型进行训练，且进行训练的输入数据为基于预先获取的测井数据和地震数据所得到的岩相属性数据。本发明专利技术提供的技术方案，能够使得岩相识别的结果更加准确。能够使得岩相识别的结果更加准确。能够使得岩相识别的结果更加准确。

【技术实现步骤摘要】
一种半监督深度类别自编码岩相识别方法及装置


[0001]本专利技术涉及岩相识别
，特别地涉及一种半监督深度类别自编码岩相识别方法及装置。

技术介绍

[0002]岩相识别在油气田、煤田勘探与开发、储层表征和建模及储层精细描述方面起着基础和关键支撑作用。
[0003]岩相，是指具有明显不同的岩石物理特征和地震特性的地震尺度沉积单元，可以是岩性的分类，也可以是岩性与孔隙流体集合的分类。例如，将含水砂岩和含油砂岩作为两种不同的岩相进行分类。岩相对岩石的弹性性质起着决定作用，因此岩相识别对于预测储层的孔隙度、渗透率等物性参数具有指导意义。错误的岩相判别结果可能导致储层物性预测的准确性降低，并增加预测结果的不确定性，因此岩相的准确判别和分析对于储层物性参数的预测具有关键作用，并且判别岩相在地层对比、沉积相分析等研究中是一项重要的内容。
[0004]传统的岩石识别方法主要通过岩石物理理论实现，通过模型驱动实现岩相识别。但岩石物理理论建立在诸多假设条件下，识别精度受到较大限制。深度学习可以从数据本身出发，挖掘数据中的特征，通过训练样本和标签已知的数据建立关系，从而以有监督的方式实现岩相识别。现有技术中，有监督深度学习仅利用岩相已知的测井数据(即有标签训练数据)做训练，且要求大量的训练样本，实际数据标签信息有限并依赖于处理人员的经验。通常，训练样本和标签主要来自于测井数据，但测井数据获取成本高，数量有限，较难满足上述要求。在训练样本和标签不足的情况下，岩相识别泛化性和精度受到制约。地震数据中包含诸多的岩相信息，通过无监督深度学习可以实现地震相划分，但其识别尺度较大，不适用于岩相分析和储层预测。并且无监督学习未能利用宝贵的岩相已知的井中标签数据。
[0005]可见，上述深度学习理论所分析的数据来源单一，要么来源于测井数据，要么来源于地震数据，无法多角度地提取数据特征。此外，现有的深度学习方法在训练过程中，仅依靠传统的基本正则化项，缺乏针对性。上述缺陷均导致目前基于深度学习的岩相识别所获得的结果并不准确。

技术实现思路

[0006]针对上述现有技术中的问题，本申请提出了一种半监督深度类别自编码岩相识别方法及装置，能够使得岩相识别的结果更加准确。
[0007]为达到上述目的，本专利技术的技术方案是这样实现的：
[0008]第一方面，本专利技术实施例提供了一种半监督深度类别自编码岩相识别方法，所述方法包括：
[0009]获取待识别岩相的属性；
[0010]将所述待识别岩相的属性输入已训练的岩相识别模型，以使所述已训练的岩相识
别模型输出所述待识别岩相的类别；其中，所述岩相识别模型为自编码网络模型；采用半监督学习算法对所述岩相识别模型进行训练，且进行训练的输入数据为基于预先获取的测井数据和地震数据所得到的岩相属性数据。
[0011]优选地，所述岩相识别模型采用以下方式建立：
[0012]建立自编码器；
[0013]基于预先获取的有标签训练数据，建立类别正则化项；其中，所述有标签训练数据为由岩相属性和岩相类别所组成的数据对集；
[0014]基于所述类别正则化项，约束所述自编码器的网络训练，获得已训练的自编码器；
[0015]基于所述已训练的自编码器，采用逐层贪婪学习算法形成深层自编码网络模型作为所述岩相识别模型。
[0016]优选地，所述自编码器包括依次连接的编码器和解码器，所述自编码器采用以下表达式表达：
[0017][0018]其中，x
(n)
为所述编码器的输入；X
(n)
为所述编码器的输出；为所述解码器的输出；σ为所述自编码器的激活函数；b
e
、b
d
、W
e
、W
d
均为所述自编码器的网格参数；n为一个岩相类别中的样本序号。
[0019]优选地，所述类别正则化项采用以下表达式表达：
[0020][0021]其中，R
c
为所述类别正则化项；F为岩相类别的数量；f为岩相类别的代码；N
f
为属于岩相类别f的样本数量；为针对岩相类别f的所述解码器的输出；为属于岩相类别f的数据特征均值；为属于岩相类别f的第n个样本的数值；为针对岩相类别f所预测出的数据特征均值。
[0022]优选地，基于所述测井数据和所述地震数据得到所述岩相属性数据，包括：
[0023]基于所述测井数据得到测井曲线；
[0024]基于所述测井曲线，计算获得第一岩相属性参数和与所述第一岩相属性参数对应的岩相类别作为有标签训练数据；
[0025]对所述地震数据进行叠前反演，获得第二岩相属性参数作为无标签训练数据；
[0026]基于预先建立的岩石物理模型，采用预先建立的生成对抗网络对所述有标签训练数据进行扩展，获得扩展后的有标签训练数据；
[0027]将所述第二岩相属性参数和所述扩展后的有标签训练数据中的第一岩相属性参数作为所述岩相属性数据。
[0028]进一步地，在所述基于预先建立的岩石物理模型，采用预先建立的生成对抗网络对所述有标签训练数据进行扩展，获得扩展后的有标签训练数据之后，所述方法还包括：
[0029]采用Backus等效平均法，对所述第二岩相属性参数和所述扩展后的有标签训练数
据中的第一岩相属性参数的尺度进行匹配，获得匹配后的第二岩相属性参数和匹配后的第一岩相属性参数；
[0030]从所述匹配后的第二岩相属性参数和所述匹配后的第一岩相属性参数中选择对岩相识别的贡献率超过预设阈值的参数，获得优选参数；
[0031]所述将所述第二岩相属性参数和所述扩展后的有标签训练数据中的第一岩相属性参数作为所述岩相属性数据，替换为：
[0032]将所述优选参数作为所述岩相属性数据。
[0033]优选地，所述岩相识别模型包括自编码器，所述自编码器用于从所述岩相属性数据中提取数据特征；所述采用半监督学习算法对所述岩相识别模型进行训练，包括：
[0034]基于所述岩相属性数据和与所述岩相属性数据对应的岩相类别，采用半监督学习算法对所述岩相识别模型进行训练，且在训练过程中，采用梯度下降算法最小化损失函数，求解并优化所述损失函数的网格参数；
[0035]所述损失函数为：
[0036][0037]其中，Θ为所述损失函数的网格参数，所述损失函数的网格参数为所述自编码器的网格参数；N为总样本数量；m为样本序号；x为所述岩相属性数据；为所述自编码器的输出；R
b
和R
c
为与所述损失函数的网格参数相关的约束项；λ1为约束项R
b
的权重；λ2为约束项R
c
的权重。
[0038]优选地，所述待识别岩相的属性包括以下项目中的一个或多个：纵波波阻抗、横波波阻抗、弹性阻抗、纵波速度、横波速度、岩性密度、弹性模量和拉梅常数。
[0039]第二方面，本专利技术实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种半监督深度类别自编码岩相识别方法，其特征在于，所述方法包括：获取待识别岩相的属性；将所述待识别岩相的属性输入已训练的岩相识别模型，以使所述已训练的岩相识别模型输出所述待识别岩相的类别；其中，所述岩相识别模型为自编码网络模型；采用半监督学习算法对所述岩相识别模型进行训练，且进行训练的输入数据为基于预先获取的测井数据和地震数据所得到的岩相属性数据。2.根据权利要求1所述的半监督深度类别自编码岩相识别方法，其特征在于，所述岩相识别模型采用以下方式建立：建立自编码器；基于预先获取的有标签训练数据，建立类别正则化项；其中，所述有标签训练数据为由岩相属性和岩相类别所组成的数据对集；基于所述类别正则化项，约束所述自编码器的网络训练，获得已训练的自编码器；基于所述已训练的自编码器，采用逐层贪婪学习算法形成深层自编码网络模型作为所述岩相识别模型。3.根据权利要求2所述的半监督深度类别自编码岩相识别方法，其特征在于，所述自编码器包括依次连接的编码器和解码器，所述自编码器采用以下表达式表达：其中，x
(n)
为所述编码器的输入；X
(n)
为所述编码器的输出；为所述解码器的输出；σ为所述自编码器的激活函数；b
e
、b
d
、W
e
、W
d
均为所述自编码器的网格参数；n为一个岩相类别中的样本序号。4.根据权利要求3所述的半监督深度类别自编码岩相识别方法，其特征在于，所述类别正则化项采用以下表达式表达：其中，R
c
为所述类别正则化项；F为岩相类别的数量；f为岩相类别的代码；N
f
为属于岩相类别f的样本数量；为针对岩相类别f的所述解码器的输出；为属于岩相类别f的数据特征均值；为属于岩相类别f的第n个样本的数值；为针对岩相类别f所预测出的数据特征均值。5.根据权利要求1所述的半监督深度类别自编码岩相识别方法，其特征在于，基于所述测井数据和所述地震数据得到所述岩相属性数据，包括：基于所述测井数据得到测井曲线；基于所述测井曲线，计算获得第一岩相属性参数和与所述第一岩相属性参数对应的岩相类别作为有标签训练数据；对所述地震数据进行叠前反演，获得第二岩相属性参数作为无标签训练数据；基于预先建立的岩石物理模型，采用预先建立的生成对抗网络对所述有标签训练数据
进行扩展，获得扩展后的有标签训练数据；将所述第二岩相属性参数和所述扩展后的有标签训练数据中的第一岩相属性参数作为所述岩相属性数据。6.根据权利要求5所述的半监督深度类别自编码岩相识别方法，其特征在于，在所述基于预先建立的岩石物理模型，采...

【专利技术属性】
技术研发人员：刘宇巍，刘喜武，张金强，刘炯，
申请(专利权)人：中国石油化工股份有限公司石油勘探开发研究院，
类型：发明
国别省市：