【技术实现步骤摘要】
本方法涉及测井解释领域，尤其涉及一种基于动态分类器选择的测井岩性智能识别方法。
技术介绍
1、基于测井数据开展的测井解释研究以物理学、数学、地质学等为理论基础，对测井探测仪器沿钻井剖面获得的地球物理观测数据进行分析和研究，以获取钻井位置处地层的岩石物理性质，进而辅助地下资源，尤其是油气资源的开采，是油气田勘探与开发的重要方法与技术。基于测井数据开展储层岩性研究是测井解释中的重要内容，能为储层圈定、井位布设等油气作业提供指导依据。
2、传统的测井解释以人工解释为主，随着解释数据的增加以及储层异质性的增强，人工测井解释工作变得繁琐费时、效率低下且符合率无法满足实际勘探开发需求。统计类方法，如贝叶斯方法、神经网络及支持向量机等最早用于辅助传统测井解释，这些方法能自动建立测井响应与地层岩性之间的映射关系，然后可将其用于无井区或非取心层段的岩性识别。随着人工智能技术的发展，更多前沿的计算智能方法被很好地应用于测井解释，甚至整个储层预测及解释领域，使得该领域的智能化程度和效率不断提高。
3、但是，由于各种方法的泛化性有限且适用性缺乏理论，加之学习样本的数量或质量的增加无法跟上智能方法推陈出新的速度，导致在解决具体的测井岩性识别问题时，方法的选择因缺少依据存在很大的盲目性。结果就是测井岩性识别的智能化实现需要以极大的算力成本为代价，出现了智能化实现效率低下且泛化性无法保证的情况。
技术实现思路
1、本专利技术的目的提供一种基于动态分类器选择的测井岩性智能识别方法，以至少解
2、本专利技术提供一种基于动态分类器选择的测井岩性智能识别方法，包括如下步骤：
3、s1，建立用于测井岩性智能识别建模的学习样本；
4、s2，基于相同的学习样本，建立学习算法不同的多个分类模型，构成模型池；
5、s3，根据未知数据t中每个样例的特点对模型池中的分类模型执行动态选择，并将选择的分类模型用于具体样例的识别。
6、进一步的，所述s1具体包括以下步骤：
7、s11，搜集同一工区内各取心井的测井观测数据，并对各测井响应进行异常值及正态标准化等预处理；
8、s12，对岩心数据及测井数据进行深度匹配，并根据岩心厚度求取所述各岩心深度范围内测井响应的均值x；
9、s13，充分考虑各取心井测井响应的一致性，并优选对岩性敏感的测井响应构建特征向量x＝(x1,x2,…,xn)，n表示所述特征向量的维度；
10、s14，将所述特征向量x与对应深度的岩心的岩性解释y构成一个形如(x,y)的学习样本，所述的样本组成一个学习样本集用于后续智能方法建模。
11、进一步的，所述s11中所述数据预处理时包括但不限于所述数据处理方法都可用于学习样本建立前的数据处理，其中正态标准化针对的是分布呈偏态的数据，并非必须过程。
12、进一步的，所述s12，岩心数据和测井数据在实现配对以构建学习样本之前，需要统一二者的分辨率，实现数据匹配的方法包括对测井数据求均值，或对岩心数据做插值拟合等。
13、进一步的，所述s2具体包括以下步骤：
14、s21，按一定比例对所述学习样本s进行分层划分，得到训练集d和验证集v，其中且二者中各类的占比近似；
15、s22，依据算法多样性，从现有的众多机器学习算法中选取一种典型的算法，然后将所述训练集数据d供其学习，并基于验证集v对所建模型实现调参，以防止模型过拟合，最终得到分类器h；
16、s23，将所述训练所得的分类器加入模型池中，然后重复s22过程得到新的分类器hi(i表示第i个分类器)，再次将新的分类器加入模型池中，直到模型池达到指定规模，模型池的集合形式表示为：
17、
18、其中，hi表示第i个分类器，p为模型池规模，指示模型池中分类器有p个。
19、进一步的，所述s22中所述学习算法包括：神经网络、支持向量机、决策树和k近邻算法中的一种或多种。
20、进一步的，所述s22中在基于验证集v对所建模型实现调参时，采用随机搜索算法，其中神经网络优化的超参数为隐藏层神经元个数，支持向量机优化的超参数为惩罚系数，决策树优化的超参数为树的最大深度，k近邻优化的超参数为k值。
21、进一步的，所述s3具体包括以下步骤：
22、s31，对未知数据执行如学习样本一致的预处理；
23、s32，针对未知数据中的样例x,x∈t，在学习样本s的特征空间中找到其k个邻近点，用uk(x)表示；
24、s33，计算模型池中各分类器在uk(x)上的识别正确率，并将准确率最高的分类器用于对x的识别，
25、s34，重复s32-s33过程，直到对整个未知数据t实现了识别为止。
26、进一步的，所述s32中被选择的分类器表示为：
27、
28、且
29、
30、其中，lcai表示第i个分类器在uk(x)上的识别正确率，其含义是uk(x)中被分类器hi识别为cj的样本中被正确识别的样本所占的百分比，p(·)表示概率，c表示类别，p(cj|x(k)∈cj,hi)表示第k个属于cj类的样例被分类器hi正确识别的概率。
31、本专利技术的另一目的，提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求19任一项所述的基于动态分类器选择的测井岩性智能识别方法的步骤。
32、本专利技术基于各种分类器各具识别特长的现实并针对现有测井岩性智能识别在方法选择上的难处，提出根据待识别样例的特点来动态选择分类器的测井岩性智能识别方法，该方法能根据样本特点动态选择合适的分类器用于测井岩性识别，从而具备更高的准确率，而且方法整体也展现出更好的泛化性，进而保障具体科研问题智能化实现的效率。
本文档来自技高网...【技术保护点】
1.一种基于动态分类器选择的测井岩性智能识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述一种基于动态分类器选择的测井岩性智能识别方法，其特征在于，所述S1具体包括以下步骤：
3.根据权利要求2所述一种基于动态分类器选择的测井岩性智能识别方法，其特征在于，所述S11中所述数据预处理时包括但不限于所述数据处理方法都可用于学习样本建立前的数据处理，其中正态标准化针对的是分布呈偏态的数据，并非必须过程。
4.根据权利要求2所述一种基于动态分类器选择的测井岩性智能识别方法，其特征在于，所述S12，岩心数据和测井数据在实现配对以构建学习样本之前，需要统一二者的分辨率，实现数据匹配的方法包括对测井数据求均值，或对岩心数据做插值拟合等。
5.根据权利要求1所述一种基于动态分类器选择的测井岩性智能识别方法，其特征在于，所述S2具体包括以下步骤：
6.根据权利要求5所述一种基于动态分类器选择的测井岩性智能识别方法，其特征在于，所述S22中所述学习算法包括：神经网络、支持向量机、决策树和k近邻算法中的一种或多种。
7.
8.根据权利要求1所述一种基于动态分类器选择的测井岩性智能识别方法，其特征在于，所述S3具体包括以下步骤：
9.根据权利要求8所述一种基于动态分类器选择的测井岩性智能识别方法，其特征在于，所述S32中被选择的分类器表示为：
10.一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求19任一项所述的基于动态分类器选择的测井岩性智能识别方法的步骤。
...【技术特征摘要】
1.一种基于动态分类器选择的测井岩性智能识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述一种基于动态分类器选择的测井岩性智能识别方法，其特征在于，所述s1具体包括以下步骤：
3.根据权利要求2所述一种基于动态分类器选择的测井岩性智能识别方法，其特征在于，所述s11中所述数据预处理时包括但不限于所述数据处理方法都可用于学习样本建立前的数据处理，其中正态标准化针对的是分布呈偏态的数据，并非必须过程。
4.根据权利要求2所述一种基于动态分类器选择的测井岩性智能识别方法，其特征在于，所述s12，岩心数据和测井数据在实现配对以构建学习样本之前，需要统一二者的分辨率，实现数据匹配的方法包括对测井数据求均值，或对岩心数据做插值拟合等。
5.根据权利要求1所述一种基于动态分类器选择的测井岩性智能识别方法，其特征在于，所述s2具体包括以下步骤：
6.根据权利要求5所述一种基于动态分类器选择的测井岩性智能识...
【专利技术属性】
技术研发人员：贺梅，徐天吉，李皓，
申请(专利权)人：电子科技大学长三角研究院湖州，
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。