[发明专利]一种基于主动域适应的测井岩性识别方法

说明书

本发明公开了一种基于主动域适应的测井岩性识别方法，包括获取待预测井位和已解释井位的数据，处理得到源样例集合和目标样本集合，并设置目标样例集合的初始化值；利用源样例集合训练两个具有差异性的神经网络，并通过两个神经网络对目标样本集合进行预测和处理后得到伪标签样本集合，并更新目标样例集合；对伪标签样本集合和目标样例集合执行反向检测得到可靠目标样例集合；对可靠目标样例集合训练学习模型，并利用训练后的学习模型对源样例集合进行样例重要性加权得到加权源样例集合并判断；使用加权源样例集合训练目标神经网络，预测待预测井位的岩性类别，本发明有效地提高了目标井位的岩性预测精度。

技术领域

本发明涉及石油勘探技术领域，特别是一种基于主动域适应的测井岩性识别方法。

背景技术

石油是国家发展的重要战略资源。在石油勘探过程中，最核心的任务是探明地下的储层分布。作为评价储层特性的重要因素，岩性是地质勘查中识别和分析的基本对象。在实际勘探工程中，通常利用已钻好的井位进行岩性辨识。目前岩性识别的方式主要分为基于录井的方法和基于测井的方法。基于录井的方法直接从钻井过程中获取的泥浆或岩心样本中推测岩性的类别，这种方法容易遭受深度测量误差的影响，且取心作业具有很高的成本。基于测井的方法利用岩体的电、声、放射性等物理特性，通过获取不同类型的测井曲线间接识别岩性，这种方法测量精度高、连续性好，是目前应用范围最广的岩性识别方法。

目前使用传统方法进行岩性识别的研究较多，而基于机器学习和深度学习的岩性识别研究处于起步阶段，并且现有的工作没有考虑在新开采的井位上，由于地下沉积环境的区别、温度压力的差异以及测井设备的不同，测井曲线响应与已开采解释井位存在较大的差异的问题，这类问题称之为域适应问题，如果不考虑域适应问题，将已解释井位处训练的模型直接应用在新开采的井上势必会导致分类精度的降低。

发明内容

本发明的目的在于提供一种基于主动域适应的测井岩性识别方法，能够可靠地将已解释测井数据的知识迁移到新开采井位，并具有人机交互功能，能够有效地提高新开采的井位测井岩性识别的准确率。

实现本发明目的技术解决方案为：一种基于主动域适应的测井岩性识别方法，包括如下步骤：

获取待预测井位和已解释井位的数据，处理得到源样例集合和目标样本集合，并设置目标样例集合的初始化值；

利用源样例集合训练两个具有差异性的神经网络，并通过两个神经网络对目标样本集合进行预测和处理后得到伪标签样本集合，并更新目标样例集合；

对伪标签样本集合和目标样例集合执行反向检测得到可靠目标样例集合；

对可靠目标样例集合训练学习模型，并利用训练后的学习模型对源样例集合进行样例重要性加权得到加权源样例集合并判断；

使用加权源样例集合训练目标神经网络，预测待预测井位的岩性类别。

进一步地，所述处理得到源样例集合D^s和目标样本集合D^t的具体方法为：

将已解释井位的一个深度和测井曲线数据组成向量作为源测井特征向量该深度对应的岩性作为该向量对应的岩性标签并记其中i＝1,2,…,|D^s|，分别表示已解释井位的第i个深度值、声波时差曲线值、自然电位曲线值、补偿中子曲线值、电阻率曲线值、井径曲线值和自然噶玛曲线值，s表示已解释井位。

将待预测井位的一个深度和测井曲线数据组成向量作为目标井特征向量其中分别表示待预测井位的第j个深度值、声波时差曲线值、自然电位曲线值、补偿中子曲线值、电阻率曲线值、井径曲线值和自然噶玛曲线值，j＝1,2,…,|D^t|，t表示待预测井位。

将所有|D^s|个归一化并组成源样例集合，将所有|D^t|个归一化并组成目标样本集合。