融合迁移学习的孔隙结构分析方法技术

本发明专利技术公开了融合迁移学习的孔隙结构分析方法，属于人工智能领域，本发明专利技术的有益效果：本发明专利技术根据理论分析和相关实验结果，说明了通过迁移学习思想，与生成对抗网络思想结合，进行深度对抗网络迁移，对孔隙结构分析是有效的。本发明专利技术结合生成对抗思想，使得模型在能够对样本准确分类的基础上，无法区分样本来自源域还是目标域，步骤交替进行，直至网络收敛。模型能够有效解决预测油田测井参数稀少的问题，提高了预测的精度。提高了预测的精度。提高了预测的精度。

【技术实现步骤摘要】
融合迁移学习的孔隙结构分析方法


[0001]本专利技术属于人工智能领域,尤其融合迁移学习的孔隙结构分析方法。

技术介绍

[0002]机器学习是人工智能领域的重要分支。近年来，随着互联网技术和数据存储技术的迅速发展快速兴起，并被广泛应用于生产。迁移学习是机器学习的一个重要分支在科研及实际生产领域备受关注，指的是，将一个已经在旧问题、旧领域中训练好的模型，应用到一个全新的领域中的过程。
[0003]现有的将迁移学习思想应用于地质方面的方法中，多以参数迁移为主，将一个训练好的网络的参数，迁移到另一个网络，以完成新任务。纵观测井领域的实际情况，其中一个重要的问题就是数据集过少，而如何解决就成了其中必须要面对的问题。于是如何有效地利用已有数据集的信息进行迁移学习，具有重要的研究价值和现实意义。
[0004]受到自博弈论中二人零和博弈思想的启发，GAN(生成对抗网络)备受关注，它包括两部分，一部分是生成网络，这部分负责生成尽可能以假乱真的样本；另一部分是判别网络，此部分负责判别样本是真实样本，还是由生成器生成的。由于在迁移学习中，天然地存在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.融合迁移学习的孔隙结构分析方法，具体如下：1：通过嫁接的思想，对源域数据进行扩增，将其他井的数据进行嫁接，将嫁接后得到的数据作为源域。实验中，将本模型用于预测泸州区块L206号井的孔隙结构，带标签数据为泸州区块黄203井数据。预测分为宏观孔隙结构及微观孔隙结构。宏观孔隙结构包括对孔隙度、总含气性、有机碳含量的预测。微观孔隙结构包含对总比表面积，以及宏孔、介孔、微孔的孔径预测。对于宏观孔隙结构，由于数据量相对可观，但仅仅只用泸州区块黄203井作为源域数据，从预测结果来说依旧不理想，说明泸州区块黄203井数据依旧不够满足网络训练要求。由此，将同一区块的L205井、L207井同样作为源域，取相同特征，通过嫁接学习的思想，达到扩增源域数据的目的。对于微观孔隙结构，由于数据量过少，无法通过嫁接，达到扩增源域样本的目的，所以在已有的泸州区块黄203井数据的基础上，以深度为基准，0.15m为差值，每个深度的样本点上下扩增，扩增后的数据，通过网络输出其特征，岩心值在已有样本的基础上波动不超过0.5。2：最小化分类器与特征提取器损失，来优化特征提取器与分类器参数。表示为：W，V：特征提取网络参数b，c：分类网络参数m：样本个数损失定义1
‑
散度：给定上的源域和目标域两个分布，以及一个假设类两个分布，以及一个假设类和之间的
‑
散度为：散度为：输入样本空间η(
·
)：分类器Pr：概率分布对于对称假设类可以通过计算下式，来计算两个样本和之间的经验
‑
散度：
S：带标签源域样本T：不带标签目标域样本m：源域样本个数m`：目标域样本个数其中I[a]是指示函数，如果a为真，则为1，否则为0。将源域样本表示为h(
·
)表示隐藏层，以及来自目标域)表示隐藏层，以及来自目标域的未标记样本，其表示为的未标记样本，其表示为
‑
散度为：对于每个输入x，预测其标签以及域标签d∈{0,1}。假设输入x由特征提取器G
f
映射到D维特征向量将特征映射中所有层的参数向量表示为θ
f
，即f＝G
f
(x；θ
f
)。然后，将特征向量f通过映射(标签预测器)映射到标签用表示该映射的参数。3：最大化域判别器损失，优...

【专利技术属性】
技术研发人员：王月，汪敏，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：