[发明专利]一种综合地质钻孔测井岩性识别方法

权利要求书

1.一种综合地质钻孔测井岩性识别方法，其特征在于该方法至少包括以下步骤：

1.获取钻孔测井数据；

2.对钻孔测井数据进行精化处理，得到精化数据集，精化处理步骤如下；

2.1判断钻孔测井数据数据特征类型列表是否存在空缺，若出现空缺，则选用均值填补、中值填补、众数填补、任意值填补任一方式填补数据至该空缺部分；

2.2根据钻孔测井数据中各个岩性类别下的数据量与标准钻孔测井数据中各个岩性类别下的数据量进行比对，若岩性分类的数据量不相等，则存在数据不均衡情况，利用SMOTE过采样算法对钻孔测井数据集进行均衡处理；

2.3采用线性函数法对钻孔测井数据进行归一化处理，得到精化数据集；

3.根据t-SNE算法对精化数据集进行降维处理，降维处理步骤如下：

3.1设定好降至的维数；

3.2为体现数据相似度，采用条件概率表达选出的数据样本在空间中的投射距离，其中高维空间数据样本用高斯分布来表达样本在空间中的投射距离，低维数据用t分布来表达特性相近样本在空间中的投射距离，其中高维空间数据样本的条件概率P_ij通过如下公式获得：

式中，x_i和x_j为数据样本中表示同一岩性的数据在高维空间的数据点，σ_i为以x_i为中心点的高斯分布方差；x_k和x_l为数据集中的数据映射在高维空间中的数据点，其中低维空间数据样本的条件概率q_ij通过如下公式获得：

式中，y_i和y_j分别为高维数据点x_i和x_j映射于低维的数据点；y_k和y_l为高维空间数据点x_k和x_l映射与低维空间的数据点；

其中离群点X’_i的条件概率p’_ij通过如下公式获得：

式中，P_j|i为以x_i为中心的x_j与x_i之间的条件概率，P_i|j为以x_j为中心的x_i与x_j之间的条件概率；

3.3将转换后的低维数据用Kullback-Leibler散度进行表达，具体的代价函数如下：

式中，P_ij为高维空间数据样本的条件概率，q_ij为低维空间数据样本的条件概率，C和KL(P||Q)为条件概率P_ij与条件概率q_ij的信息熵的差值；对代价函数进行梯度求解的公式如下：

式中，C为条件概率P_ij与条件概率q_ij的信息熵的差值，y_i和y_j分别为高维数据点x_i和x_j映射于低维的数据点，P_ij为高维空间数据样本的条件概率，q_ij为低维空间数据样本的条件概率；

4.根据PSO算法对BP神经网络进行改进、优化，得到网络最优初始化权值和阈值，建立网络模型，具体步骤如下；

4.1设定最小误差值和迭代次数阈值；

4.2设定BP神经网络的初始值参数，再进行迭代运算，具体为：利用适应度函数进行计算粒子适应度值，再根据个体极值和全局极值将粒子的速度以及种群的位置不断进行更新，判断当前粒子新适应度值是否低于最小误差值，若低于则输出目前适应度值，若高于则进一步判断迭代次数的数值是否符合迭代次数阈值，若符合则输出目前适应度值，若不符合则继续进行迭代运算，且迭代次数数值加1，当迭代的次数达到迭代次数阈值则停止迭代运算；

4.3根据输出的多个适应度值确定个体极值，其中个体极值为当前适应度值所对应粒子的目标函数值，再选取所有粒子的个体极值中最大目标函数值为群体极值，将输出当前群体极值所对应的粒子的速度以及向量作为BP神经网络初始权值与阈值，建立网络模型；

5.利用建立的网络模型对降维数据集进行训练学习得到最终的岩性识别率。