[发明专利]一种半监督学习方法、岩性预测方法及存储介质

说明书

本发明公开了一种半监督学习方法、岩性预测方法及存储介质，包括S1构建有标签数据集和无标签数据集；S2根据有标签数据集中的有标签样本数量，计算有标签样本的权重；S3设定模型参数值及最大迭代次数T_iter，计算特征图拉普拉斯矩阵及模型隐藏层的输出；S4初始化模型输出层的权重为零，设定当前的迭代次数ξ＝1；S5判断当前的迭代次数ξ是否小于最大迭代次数T_iter，若否执行S8，若是执行S6；S6利用有标签数据集中的样本数据、特征图拉普拉斯矩阵及隐藏层的输出，基于目标函数最小化得到当前迭代次数下模型的输出层权重；S7判断是否满足若是ξ自增1，并执行S5，否则执行S8；S8输出当前迭代次数下的模型；S9利用模型对实时采集的数据进行预测。

技术领域

本发明涉及计算机技术领域，特别涉及一种半监督学习方法、岩性预测方法及存储介质。

背景技术

机器学习方法试图利用任务的历史数据来改善任务的性能，为了得到好的学习性能，机器学习方法例如监督学习方法，通常要求有大量的有标记数据。如何利用大量未标记数据来辅助提高仅利用少量有标记数据得到的性能已成为机器学习方法的一个重要课题，而半监督学习方法是该方面的主流技术之一。半监督学习的思路是在拥有少量有标记数据的条件下，通过引入无标记数据来进行模型训练，从而解决仅使用有标记数据进行训练的有监督学习方法中因训练数据稀缺而导致的模型泛化能力差的问题，相比于无监督学习方法而言，半监督学习方法可改善模型准确率不理想的问题。通常来讲，无标记样本的数据规模很大，而且被引入的无标记样本数据通常与原有的有标记样本数据出自于相同的数据源而采样获得，因此无标记的样本数据可为模型训练提供丰富的具有重要意义的数据分布信息。在2000年以后，半监督学习作为一个全新的概念体系明确出现，此后涌现出了一系列具有代表性的半监督学习方法，例如图论半监督学习方法、自训练方法、流形半监督学习方法等。

随着在很多领域中人们逐渐意识到有标记数据稀缺的情况，半监督学习方法显示出其广泛的应用潜力，诸如地下岩性识别、医学图像分类等，其中地下岩性识别是地质学中的一个重要问题，更是储层预测的基础，准确的岩性识别可为油气勘探与开发提供可靠依据。测井数据具有连续、分辨率高的特点，利用测井资料进行岩性识别是测井解释的主要内容。传统的测井解释是由人工综合分析测井曲线特征，根据解释专家的专业知识和对工区地质情况的了解，得出解释结果，这种方法需要大量的人力物力，且对解释人员有较高的专业和经验要求。

近年来，机器学习的方法被应用于地下岩性识别中，可实现根据已有的测井解释资料对未解释的深度段或井位的自动解释，从而很大程度上提升解释人员的工作效率。这方面的研究中，绝大多数研究采用有监督学习方法，例如：文献《人工神经网络岩性识别在地质建模中的应用》中，作者用神经网络方法预测岩性，选择POR和GR作为输入项,将岩性分为砂泥两类；针对传统深度神经网络复杂的网络模型和学习性能严重依赖对超参数调节的问题，文献《基于改进多粒度级联森林的测井岩性识别方法研究与应用》引入余弦相似度对多粒度级联森林方法进行改进，在大庆油田实际测井数据上使用该方法，综合自然伽马(GR)、声波时差(AC)、密度(DEN)、微梯度电阻率(RMN)、深侧向电阻率(PHIND)和浅侧向电阻率(RLLS)六种测井参数，对页岩、粉砂岩和砂岩进行识别，取得了较好的识别效果；文献《基于LSTM循环神经网络的岩性识别方法》考虑到常规机器学习方法在岩性识别中无法充分利用沉积岩石在深度域序列上的潜在信息，提出利用长短期记忆神经网络(LSTM)提高岩性识别效果的方法，以苏里格气田苏东地区下古生界碳酸盐岩储层为例，选取自然伽马、光电吸收截面指数、密度、声波时差、补偿中子和电阻率6种测井参数，构建了基于LSTM的岩性预测模型，与朴素贝叶斯、KNN、决策树、SVM和HMM等传统方法相比，LSTM的岩性识别准确率提升幅度介于1.40％～12.25％。