[发明专利]一种基于领域知识与深度学习结合的地层岩性预测方法

说明书

本发明公开了一种基于领域知识与深度学习结合的地层岩性预测方法，涉及地质勘探技术领域，主要包括步骤：基于领域知识构建相应测井曲线与地层岩性变化之间关系的表征矩阵；根据循环神经网络中隐含层状态与表征矩阵之间的关系获取上下文向量，并基于上下文向量将表征矩阵与目标模型进行结合；对结合表征矩阵后的目标模型进行训练，并根据训练后的验证集表现进行最优训练方向下的目标模型选取；通过选取的目标模型对目标样本进行地层岩性的预测。本发明让模型不仅仅从样本学习曲线和地层岩性之间的映射关系，还可以基于领域知识学习如何识别地层岩性，在提高了模型预测准确性的同时，也为模型的输出判断给出更为合理的物理解释。

技术领域

本发明涉及地质勘探技术领域，具体涉及一种基于领域知识与深度学习结合的地层岩性预测方法。

背景技术

随着工业化进程的加快以及经济规模的进一步扩大，我国能源需求还会持续增加。水力压裂技术使页岩气得以大规模开发。跟其他化石能源相比，天然气具有低碳环保的特点，大力开发页岩气、煤层气等非常规油气资源是保障清洁能源供应的有效途径之一。

地层岩性是油藏分析的基础，计算油藏参数、搭建地质模型等都需要知道地层岩性信息。传统获取地层岩性信息的方式主要有分析钻井返回的岩屑、分析岩心、分析传统测井曲线。当数据量增大的时候，采用传统方法获取地层岩性信息就会耗时耗力。

发明内容

为了提高地层岩性信息的获取效率，以及提升模型预测精度和可解释性，本发明提出了一种基于领域知识与深度学习结合的地层岩性预测方法，包括步骤：

 S1：基于领域知识构建相应测井曲线与地层岩性变化之间关系的表征矩阵；

 S2：根据循环神经网络中隐含层状态与表征矩阵之间的关系获取上下文向量，并基于上下文向量将表征矩阵与目标模型进行结合；

 S3：对结合表征矩阵后的目标模型进行训练，并根据训练后的验证集表现进行最优训练方向下的目标模型选取；

 S4：通过选取的目标模型对目标样本进行地层岩性的预测。

进一步地，所述S2步骤中，上下文向量的获取具体包括如下步骤：

 S21：通过打分函数获取当前时刻隐含层状态与各表征间的关系得分；

 S22：根据各表征的关系得分以及权重进行上下文向量的获取。

进一步地，所述S21步骤中，打分函数为如下公式：

式中，t为当前时刻，m为表征矩阵的行数编号，为当前时刻第m行表征的关系得分，T为转置操作，为当前时刻的隐含状态，为表征矩阵中的第m行表征，W、U为学习获得的参数矩阵，v为学习获得的参数向量。

进一步地，所述S22步骤中，上下文向量的获取表示为如下公式：

式中，为当前时刻第m行表征的权重，M为表征矩阵的总行数，为当前时刻的上下文向量，为以自然常数e为底的指数函数。

进一步地，所述S2步骤中，目标模型为GRU模型，表征矩阵与目标模型的结合表示为如下公式：

式中，为当前时刻的隐含状态，为目标模型的函数表达，为上一时刻的隐含状态，为当前时刻目标模型的输入，为当前时刻的上下文向量。

进一步地，所述测井曲线为伽马曲线。

进一步地，所述S1步骤中，表征矩阵的构建具体包括如下步骤：

 S11：通过独热编码对各类地层岩性进行编码划分；