CN115577569B - 测井解释基准模型构建方法、装置、设备及介质 - Google Patents
测井解释基准模型构建方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115577569B CN115577569B CN202211442855.0A CN202211442855A CN115577569B CN 115577569 B CN115577569 B CN 115577569B CN 202211442855 A CN202211442855 A CN 202211442855A CN 115577569 B CN115577569 B CN 115577569B
- Authority
- CN
- China
- Prior art keywords
- matrix
- logging
- sample
- well
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims abstract description 214
- 238000013507 mapping Methods 0.000 claims abstract description 118
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 101
- 230000009466 transformation Effects 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 10
- 230000006978 adaptation Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims 3
- 238000011156 evaluation Methods 0.000 claims 3
- 230000015572 biosynthetic process Effects 0.000 abstract description 10
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005553 drilling Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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。
Description
技术领域
本申请涉及机器学习技术领域,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。
背景技术
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。
发明内容
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。
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。
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。
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。
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。
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。
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
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。
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。
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。
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
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。
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。
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。
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。
作为一种示例步骤S10至步骤S40包括:获取不同井位的测井样本数据和测井样本标签数据;通过将所述测井样本数据输入原始样本映射模型,将所述测井样本数据由原始特征空间映射至再生核希尔伯特空间,得到测井映射样本数据;通过将测井映射样本数据分别输入领域共有预测模型和领域特有输出预测模型,得到领域共有预测结果以及领域特有预测结果,根据领域共有预测结果、领域特有预测结果、所述测井样本标签数据和目标损失函数共同计算的模型损失,分别迭代更新偏置参数组成、特征变换矩阵和输出权重基础矩阵,直至目标损失函数收敛;将特征变换矩阵和输出权重基础矩阵组成的领域共有输出权重矩阵和原始样本映射模型进行组合,得到测井解释基准模型。
其中,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:
步骤S31,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;
步骤S32,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;
步骤S33,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;
步骤S34,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。
作为一种示例,步骤S31至步骤S34包括:保证所述特征变换矩阵和所述偏置参数不变,通过将测井映射样本数据分别输入领域共有预测模型和领域特有输出预测模型,得到领域共有预测结果以及领域特有预测结果,根据领域共有预测结果、领域特有预测结果、所述测井样本标签数据和目标损失函数共同计算的相对于所述输出权重基础矩阵的模型损失,更新输出权重基础矩阵;保证所述输出权重基础矩阵和所述偏置参数不变,通过将测井映射样本数据分别输入领域共有预测模型和领域特有输出预测模型,得到领域共有预测结果以及领域特有预测结果,根据领域共有预测结果、领域特有预测结果、所述测井样本标签数据和目标损失函数共同计算的相对于所述特征变换矩阵的模型损失,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,通过将测井映射样本数据分别输入领域共有预测模型和领域特有输出预测模型,得到领域共有预测结果以及领域特有预测结果,根据领域共有预测结果、领域特有预测结果、所述测井样本标签数据和目标损失函数共同计算的相对于所述偏置参数的模型损失,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。
其中,所述领域特有输出预测模型至少包括一个领域的领域特有输出权重矩阵,所述测井解释基准模型构建方法还包括:
在本实施例中,需要说明的是,一个领域对应一个井位,将各所述领域特有输出权重矩阵分别与所述原始样本映射模型进行组合,得到各个井位的测井解释特有模型。
作为一种示例,所述目标损失函数的构建过程如下:
首先,测井样本数据来自个具有不同但相似数据分布的井位,即,,但两两之间可能不相等。通过领域泛化,我们需要从中学习一个领域共有模型,使得在这个数据集中抽样的测试集上达到最小的预测误差。同时,对每个井位的测井样本数据,学习一个领域特有模型使得其在上具有最佳性能,帮助预测该井中未解释部分。我们采用了随机傅里叶特征将原始测井样本空间投影到高维空间,也即将测井样本数据由原始特征空间映射至再生核希尔伯特空间,而高维空间的特征是足够丰富的,对于变换后的样本,只要能够找到恰当的输出权重矩阵,采用模型即可实现准确的预测。因此,本申请的目标在于:基于,学习得到每个领域(井位)的输出权重矩阵,其中,为领域共有输出权重矩阵,为第个领域特有输出权重矩阵的偏置部分,同时学习到领域共有输出权重矩阵,这样领域共有模型即可作为测井解释基准模型,领域特有模型即可作为测井解释特有模型。
作为一种示例,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,参照图2,图2为测井解释基准模型的构建过程示意图。
第一步,为了保证领域共有输出权重矩阵在所有井的测井数据上达到较高的预测精度,因此可以定义以下领域共有模型损失函数:
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;和的作用在于降低和的复杂度。
在领域共有模型损失函数中,为全体的测井样本数据经过随机傅里叶特征变换得到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。
第二步,为了保证领域特有输出权重矩阵在单井的测井数据上达到较高的预测精度,因此可以定义以下领域特有模型损失函数:
其中,用于度量领域特有输出权重在各自井位的测井样本数据上的误差,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;用于度量测井解释特有模型的平滑程度,其作用在于使用无标签测井样本提升模型性能,即半监督学习,为第口井从测井样本空间计算得到的图拉普拉斯矩阵,其相似度矩阵计算中采用cosine计算两个样本的相似度;、和的作用在于降低、和的复杂度。
在领域特有损失函数中,考虑到除了相对客观准确的录井分析,已解释井的标签很大一部分来自测井学家的人工解释,存在一定的偏差,因此采用了相关熵来度量训练误差。这里的表示对误差矩阵按行求高斯核函数的输出,即,为的行向量,为高斯核宽。
第三步,为了保证特征变换矩阵能够一定程度上消除跨井测井样本数据的分布差异,因此可以定义以下跨域分布损失函数:
其中,用于度量不同领域之间的分布差异,的作用在于降低的复杂度。在跨域分布损失函数中,表示MMD(Maximum Mean Discrepancy)矩阵,由于已解释的测井数据存在大量标签,因此可以使用条件MMD。对于每口井没有解释的测井样本数据,可以采用标签传播的方式对无标签样本打上伪标签,以方便条件MMD的构建。
第四步,综上损失函数、、,可以将目标损失函数定义如下:
其中,用以平衡不同约束项。目标函数为的优化问题的求解分为以下3步:首先,固定和,通过更新,其中为步长;然后,固定和,通过更新;最后,固定和,通过更新;多次迭代即可直到收敛可实现对的求解。首轮训练开始时令为单位阵,均为零矩阵。
第五步,计算领域共有输出权重矩阵,进而得到测井解释基准模型,计算可以帮助观察每个领域(井位)的独特性,计算领域特征输出权重矩阵,进而得到各个井位的测井解释特有模型。
本申请实施例提供了一种测井解释基准模型构建方法,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,本申请实施例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。
本申请实施例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。
可选地,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,所述迭代训练模块还用于:
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。
可选地,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***衡不同约束项。
可选地,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映射矩阵,为对应到的标签矩阵,为全体测井数据总量,用于平衡不同约束项。
可选地,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,所述目标损失函数还包括跨域分布损失函数,所述跨域分布损失函数如下:
其中,用于度量不同领域之间的分布差异的作用在于降低的复杂度,为特征变换矩阵。在跨域分布损失函数中,表示MMD矩阵,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,用于平衡不同约束项。
可选地,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,所述目标损失函数如下:
其中,用以平衡不同约束项,表示F范数,表示迹范数,上标表示转置,为输出权重矩阵,领域共有输出权重矩阵的为特征变换矩阵,目的是为了引入数据分布自适应,以减少领域之间的数据分布差异,为输出权重基础矩阵,是的基础矩阵;领域特有输出权重矩阵的为第口井特有输出权重矩阵的偏置参数,为适维的全1行向量;为第口井从测井样本空间计算得到的图拉普拉斯矩阵,对应的相似度矩阵计算中采用cosine计算两个样本的相似度;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;表示MMD矩阵,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。
可选地,所述领域特有输出预测模型至少包括一个领域的领域特有输出权重矩阵,所述测井解释基准模型构建装置还用于:
将各所述领域特有输出权重矩阵分别与所述原始样本映射模型进行组合,得到各个领域的测井解释特有模型。
本申请提供的测井解释基准模型构建装置,采用上述实施例中的测井解释基准模型构建方法,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。与现有技术相比,本申请实施例提供的测井解释基准模型构建装置的有益效果与上述实施例提供的测井解释基准模型构建方法的有益效果相同,且该测井解释基准模型构建装置中的其他技术特征与上述实施例方法公开的特征相同,在此不做赘述。
本申请实施例提供一种电子设备,电子设备包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述实施例一中的测井解释基准模型构建方法。
下面参考图3,其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)中的程序或者从存储装置加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此训练。输入/输出(I/O)接口也连接至总线。
通常,以下***可以连接至I/O接口:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置;包括例如磁带、硬盘等的存储装置;以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种***的电子设备,但是应理解的是,并不要求实施或具备所有示出的***。可以替代地实施或具备更多或更少的***。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置从网络上被下载和安装,或者从存储装置被安装,或者从ROM被安装。在该计算机程序被处理装置执行时,执行本公开实施例的方法中限定的上述功能。
本申请提供的电子设备,采用上述实施例中的测井解释基准模型构建方法,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。与现有技术相比,本申请实施例提供的电子设备的有益效果与上述实施例提供的测井解释基准模型构建方法的有益效果相同,且该电子设备中的其他技术特征与上述实施例方法公开的特征相同,在此不做赘述。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
本实施例提供一种计算机可读存储介质,具有存储在其上的计算机可读程序指令,计算机可读程序指令用于执行上述实施例一中的基于多模态极限学习的预测的方法。
本申请实施例提供的计算机可读存储介质例如可以是U盘,但不限于电、磁、光、电磁、红外线、或半导体的***、***或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、***或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的;也可以是单独存在,而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被电子设备执行时,使得电子设备: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。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该单元本身的限定。
本申请提供的计算机可读存储介质,存储有用于执行上述测井解释基准模型构建方法的计算机可读程序指令,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。与现有技术相比,本申请实施例提供的计算机可读存储介质的有益效果与上述实施例提供的测井解释基准模型构建方法的有益效果相同,在此不做赘述。
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。
本申请提供的计算机程序产品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。与现有技术相比,本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的测井解释基准模型构建方法的有益效果相同,在此不做赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围。
Claims (10)
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,所述领域共有预测模型为领域共有权重输出权重矩阵,所述领域特有输出预测模型为领域特有输出权重矩阵,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,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***衡不同约束项,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矩阵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映射矩阵,为对应到的标签矩阵,为全体测井数据总量,用于平衡不同约束项。
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。
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。
5.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,所述目标损失函数还包括跨域分布损失函数,所述跨域分布损失函数如下:
其中,用于度量不同领域之间的分布差异,的作用在于降低的复杂度,为特征变换矩阵,在跨域分布损失函数中,表示MMD矩阵,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,用于平衡不同约束项。
6.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,所述目标损失函数如下:
其中,用以平衡不同约束项,表示F范数,表示迹范数,上标表示转置,为输出权重矩阵,领域共有输出权重矩阵的为特征变换矩阵,目的是为了引入数据分布自适应,以减少领域之间的数据分布差异,为输出权重基础矩阵,是的基础矩阵;领域特有输出权重矩阵的为第i口井特有输出权重矩阵的偏置参数,为适维的全1行向量;为第口井从测井样本空间计算得到的图拉普拉斯矩阵,对应的相似度矩阵计算中采用cosine计算两个样本的相似度;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;表示MMD矩阵,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。
7.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至少包括一个领域的领域特有输出权重矩阵,所述测井解释基准模型构建方法还包括:
将各所述领域特有输出权重矩阵分别与所述原始样本映射模型进行组合,得到各个领域的测井解释特有模型。
8.一种测井解释基准模型构建装置,其特征在于,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,其中,所述领域共有预测模型为领域共有权重输出权重矩阵,所述领域特有输出预测模型为领域特有输出权重矩阵,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,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***衡不同约束项,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矩阵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映射矩阵,为对应到的标签矩阵,为全体测井数据总量,用于平衡不同约束项;
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。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一项所述的测井解释基准模型构建方法的步骤。
10.一种计算机可读存储介质,其特征在于,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,所述实现测井解释基准模型构建方法的程序被处理器执行以实现如权利要求1至7中任一项所述测井解释基准模型构建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211442855.0A CN115577569B (zh) | 2022-11-18 | 2022-11-18 | 测井解释基准模型构建方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211442855.0A CN115577569B (zh) | 2022-11-18 | 2022-11-18 | 测井解释基准模型构建方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115577569A CN115577569A (zh) | 2023-01-06 |
CN115577569B true CN115577569B (zh) | 2023-04-07 |
Family
ID=84588550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211442855.0A Active CN115577569B (zh) | 2022-11-18 | 2022-11-18 | 测井解释基准模型构建方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115577569B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492757A (zh) * | 2022-01-29 | 2022-05-13 | 中国石油化工股份有限公司 | 模型训练方法、测井信息预测方法、装置和设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985081B (zh) * | 2020-07-15 | 2023-08-01 | 北京金阳普泰石油技术股份有限公司 | 一种测井曲线构建方法、***、设备及可读存储介质 |
CN114444393A (zh) * | 2022-01-26 | 2022-05-06 | 北京科技大学 | 基于时间卷积神经网络的测井曲线构建方法及装置 |
-
2022
- 2022-11-18 CN CN202211442855.0A patent/CN115577569B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492757A (zh) * | 2022-01-29 | 2022-05-13 | 中国石油化工股份有限公司 | 模型训练方法、测井信息预测方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115577569A (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Meyer et al. | A variational toolbox for quantum multi-parameter estimation | |
US9910941B2 (en) | Test case generation | |
Hatfield et al. | Building tangent‐linear and adjoint models for data assimilation with neural networks | |
CN112819169B (zh) | 量子控制脉冲生成方法、装置、设备及存储介质 | |
AU2013388670B2 (en) | Determining a health condition of a structure | |
Nelson et al. | An error budget for different sources of error in digital soil mapping | |
CN110659433B (zh) | Poi价值评估的方法、装置、设备和计算机存储介质 | |
Arétouyap et al. | Lessening the adverse effect of the semivariogram model selection on an interpolative survey using kriging technique | |
CN113176529B (zh) | 一种磁梯度仪校正方法、磁梯度仪校正装置及存储介质 | |
Ming et al. | An advanced estimation algorithm for ground‐motion models with spatial correlation | |
CN114579933B (zh) | 误差测量优化方法、装置、电子设备及可读存储介质 | |
Vaes et al. | On pole position: causes of dispersion of the paleomagnetic poles behind apparent polar wander paths | |
Jayalakshmi et al. | Dynamic force reconstruction techniques from incomplete measurements | |
Retsch et al. | Identifying relations between deep convection and the large‐scale atmosphere using explainable artificial intelligence | |
CN114638411A (zh) | 二氧化碳浓度预测方法、装置、设备及介质 | |
Yu et al. | An effective in-field calibration method for triaxial magnetometers based on local magnetic inclination | |
Rammay et al. | Probabilistic model-error assessment of deep learning proxies: an application to real-time inversion of borehole electromagnetic measurements | |
Tasič et al. | Determination of a seismometer’s generator constant, azimuth, and orthogonality in three-dimensional space using a reference seismometer | |
CN115577569B (zh) | 测井解释基准模型构建方法、装置、设备及介质 | |
Risaliti et al. | A state-input estimation approach for force identification on an automotive suspension component | |
Nyrnes et al. | Minimum Requirements for Multi-Station Analysis of MWD Magnetic Directional Surveys | |
Guillaumin et al. | Analysis of non‐stationary modulated time series with applications to oceanographic surface flow measurements | |
Mignan et al. | The spatial scale of detected seismicity | |
Han et al. | New first-order approximate precision estimation method for parameters in an errors-in-variables model | |
CN114842303A (zh) | 自训练优化方法、装置、电子设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |