【技术实现步骤摘要】
本专利技术涉及一种基于cevae的属性域测井数据缺失值填补方法，属于测井数据缺失填补。
技术介绍
1、测井数据是在铀矿勘查中利用测井技术采集的重要地质资料，主要表现为密度、电阻率、孔隙度、渗透性和自然γ等，这些数据反映了铀矿勘探区地层岩性、含矿性和其他宝贵信息，有助于确定地质结构、地层属性以及铀矿资源分布。
2、完整的测井数据集是确保地质解释准确性和资源评估可靠性的关键因素之一，但是在测井数据采集的过程中，由于测井仪器、地质条件、操作失误、数据传输或记录问题，测井数据可能出现缺失、异常或错误，这些问题会影响测井数据的质量和可靠性，进而影响矿产资源的评价和开发，因此通过合理的方法填补缺失的测井数据，使其尽可能接近真实情况，提高数据的完整性和准确性，是测井数据质量控制的重要环节。
3、随着计算机科学和人工智能技术的迅速发展，更多机器学习方法被用于数据的缺失值填补任务。相较于传统的统计学方法，机器学习模型通过捕捉数据中复杂的关系和模式，能准确、全面地预测缺失值，特别是在数据之间存在非线性、复杂关系的情况下表现更佳。在数据动态学习方面，机器学习模型不依赖先验假设，能根据数据的特点和变化进行自适应捕获特征间的关系，从而更好地填补缺失值，在面对不同类型的数据和缺失模式时提供更灵活、更准确的解决方案。
4、然而，目前将机器学习用于测井数据缺填补的研究较少，一方面归因于地质行业在智能化应用方面起步相对较晚，地质学数据的标注和清洗工作相对复杂，数据质量和标准化程度不高，使得机器学习不能直接应用于测井数据的缺失值
技术实现思路
1、本专利技术为解决上述现有技术中存在的问题，提供了一种基于cevae的属性域测井数据缺失值填补方法，本专利技术能够为测井数据的缺失值填补问题提供一种填补精度更高、更有效的解决方案，为测井数据的完整性与稳定性提供了保障。
2、为实现上述目的，本专利技术提供的技术方案为：一种基于cevae的属性域测井数据缺失值填补方法，按如下步骤进行操作：
3、(1)数据输入：获取同井异属性测井数据，将同井异属性的测井数据以列为单位进行组织，然后将同井异属性进行组织的测井数据输入到cevae模型中作为输入的初始数据；
4、(2)通道扩增层计算：基于测井地质知识将步骤(1)中的单通道测井数据扩增为多通道测井数据，把未直接相邻的特征属性列，进行排列组合形成不同结构的特征图，使不相邻的特征属性列相邻，利用cevae模型学习测井数据不同属性之间的相关关系，作为编码器网络设计的数据基础；
5、(3)编码器网络设计与采样隐变量：根据步骤(2)中多通道测井数据的二维特点，采用卷积神经网络设计编码器的神经网络，并引入通道注意力机制使编码器对扩增后的多通道测井数据有不同的关注，提升编码器神经网络对复杂高纬度测井数据的学习能力，并从编码器输出的潜在空间分布中采样隐变量z0；
6、(4)隐变量表征增强层计算：利用planarflow对cevae模型改进，使采样获得的服从高斯分布的隐变量z0转换为服从概率分布的隐变量z3，增强cevae模型对复杂高纬度测井数据的表征能力；
7、(5)解码器网络设计与输出完整测井数据：根据设计的编码器，选用相对称的转置卷积神经网络来构建解码器的神经网络，转置卷积神经网络包括转置卷积层、激活函数和批量归一化；解码器神经网络对planarflow输出的隐变量z3进行上采样计算，将隐变量z3重构输出为完整测井数据；
8、(6)填补缺失数据：利用步骤(5)中解码器输出的完整测井数据结果对测井数据缺失值进行数据填补。
9、对上述技术方案进一步的改进为：
10、步骤(1)中将同井异属性的测井数据以列为单位进行组织具体包括：根据cevae模型对输入数据的要求，以512的维度对同井异属性测井数据进行数据分割，当剩余的数据不足512维时，用0进行填充至512维，保证数据集的一致性。
11、步骤(2)中形成不同结构的特征图具体包括：
12、1)确定需要填补的测井数据的6个特征属性为密度、自然γ、电阻率、自然电位、三侧向电压和三侧向电流；
13、2)依据6个特征属性所属的测井类型和先验的测井属性相关性知识进行两两组合，得到组合后的特征属性组分别为密度与自然γ、电阻率与自然电位和三侧向电压与三侧向电流；
14、3)将两两组合后的特征属性组再经过特征交叉产生6个不同结构的特征图。
15、步骤(3)具体包括：
16、1)根据测井数据的多属性特点，测井数据表现出的二维特性，选用卷积神经网络构建编码器的神经网络；测井数据表现出的二维特性是横向上为属性维度、纵向上为空间深度维度；编码器的神经网络包括输入层、卷积层、池化层、全连接层和输出层；
17、2)引入eca通道注意力机制，通道注意力机制通过学习计算，赋予每个通道不同的重要性权重，使编码器的神经网络能够自适应地关注输入多通道测井数据中更有用的通道，提高模型的性能和泛化能力；
18、3)编码器输出256维的均值向量μ和256维的标准差向量σ，cevae模型从编码器输出的潜在空间分布中采样隐变量，即z0＝μ+σ⊙ε，ε是从先验分布中采样的噪声，⊙表示逐元素相乘。
19、步骤(4)中planarflow的数学表现式具体为：
20、f(z)＝z+u·tanh(wtz+b)
21、式中，u是平面的法向量，w是缩放参数向量，b是偏置项，tanh是激活函数。该变换函数f是一个可逆的，即存在一个函数f-1，使得f-1(f(z))＝z，对于任意的z成立，这样能保证变换后的概率密度q(z)与变换前的概率密度p(z)有一致的信息量，没有信息的损失或增益。
22、步骤(4)中对隐变量表征增强层计算具体包括：在cevae模型中设置三层planarflow，将从编码器输出的潜在空间分布中采样的隐变量z0输入到三层planarflow中，从编码器输出的潜在空间分布中采样的隐变量z0经过三层planarflow标准化流计算后，输出隐变量定义为z3。
23、步骤(5)中转置卷积层中首先对原始特征图采用零值进行填充，扩展特征图的尺寸；在解码器神经网络的每一个转置卷积层加入归一化层，加速训练过程，降低填充零值导致的数据内部协变量偏移，并提高模型的泛化能力；解码器神经网络中的激活函数采用tanh函数；解码器神经网络中加入eca通道注意力机制，增强解码器神经网络对于更有价值的通道测井数据的关注，提升解码器输出填补数据的精度。
24、步骤(5)中将隐变量z3重构输出为完整测井数据具体包括：
25、对经过三层planarflow标准化流计算后输出的隐变量z3经过多层转置卷积生成一本文档来自技高网...
【技术保护点】
1.一种基于CEVAE的属性域测井数据缺失值填补方法，其特征在于按如下步骤进行操作：
2.根据权利要求1所述的基于CEVAE的属性域测井数据缺失值填补方法，其特征在于，步骤(1)中将同井异属性的测井数据以列为单位进行组织具体包括：根据CEVAE模型对输入数据的要求，以512的维度对同井异属性测井数据进行数据分割，当剩余的数据不足512维时，用0进行填充至512维，保证数据集的一致性。
3.根据权利要求1所述的基于CEVAE的属性域测井数据缺失值填补方法，其特征在于，步骤(2)中形成不同结构的特征图具体包括：
4.根据权利要求1所述的基于CEVAE的属性域测井数据缺失值填补方法，其特征在于，步骤(3)具体包括：
5.根据权利要求1所述的基于CEVAE的属性域测井数据缺失值填补方法，其特征在于，步骤(4)中PlanarFlow的数学表现式具体为：
6.根据权利要求1所述的基于CEVAE的属性域测井数据缺失值填补方法，其特征在于，步骤(4)中对隐变量表征增强层计算具体包括：在CEVAE模型中设置三层PlanarFlow，将从编
7.根据权利要求1所述的基于CEVAE的属性域测井数据缺失值填补方法，其特征在于：步骤(5)中转置卷积层中首先对原始特征图采用零值进行填充，扩展特征图的尺寸；在解码器神经网络的每一个转置卷积层加入归一化层，加速训练过程，降低填充零值导致的数据内部协变量偏移，并提高模型的泛化能力；解码器神经网络中的激活函数采用Tanh函数；解码器神经网络中加入ECA通道注意力机制，增强解码器神经网络对于更有价值的通道测井数据的关注，提升解码器输出填补数据的精度。
8.根据权利要求1所述的基于CEVAE的属性域测井数据缺失值填补方法，其特征在于，步骤(5)中将隐变量z3重构输出为完整测井数据具体包括：
...【技术特征摘要】
1.一种基于cevae的属性域测井数据缺失值填补方法，其特征在于按如下步骤进行操作：
2.根据权利要求1所述的基于cevae的属性域测井数据缺失值填补方法，其特征在于，步骤(1)中将同井异属性的测井数据以列为单位进行组织具体包括：根据cevae模型对输入数据的要求，以512的维度对同井异属性测井数据进行数据分割，当剩余的数据不足512维时，用0进行填充至512维，保证数据集的一致性。
3.根据权利要求1所述的基于cevae的属性域测井数据缺失值填补方法，其特征在于，步骤(2)中形成不同结构的特征图具体包括：
4.根据权利要求1所述的基于cevae的属性域测井数据缺失值填补方法，其特征在于，步骤(3)具体包括：
5.根据权利要求1所述的基于cevae的属性域测井数据缺失值填补方法，其特征在于，步骤(4)中planarflow的数学表现式具体为：
6.根据权利要求1所述的基于cevae的属性域测井数据缺失值填补方法，其特征在于，...
【专利技术属性】
技术研发人员：张夏林，王震江，张明林，周琦，袁良军，李章林，刘洋，张遂，翁正平，蔡国荣，吴冲龙，田宜平，徐凯，
申请(专利权)人：武汉地大坤迪科技有限公司，
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。