[发明专利]一种基于元迁移学习的小样本储层分类方法

权利要求书

1.一种基于元迁移学习的小样本储层分类方法，其特征在于，具体步骤如下：

S1、根据油田实际情况，设计两种案例，分别借助邻近区块和较远区块样本来解决目标区块样本不足的问题；

S2、设计掩码注意力机制，以避免非储层的干扰，同时学习储层与非储层的关系，提高模型的特征提取能力；

S3、设计元迁移学习策略，在迁移学习中借助元学习实现参数快速寻优，提高模型的收敛速度；

S4、在元迁移学习中设计价值感知模块，使模型关注困难任务，以学习有价值的迁移知识，避免因区块间地质差异造成的负向迁移。

2.根据权利要求1所述的一种基于元迁移学习的小样本储层分类方法，其特征在于，步骤S1中，根据油田实际情况，设计两种案例，分别借助邻近区块和较远区块样本来解决目标区块样本不足的问题，主要包括：

S11、由于目标区块储层样本不足，因此考虑通过学习其它某一区块中的分类知识进行迁移学习。邻近区块的地质特征差异较小，因此选择邻近区块样本进行模型预训练，然后迁移至目标区块，此为案例1；

S12、当邻近区块也没有足够的样本来训练模型时，需要选择离目标区块稍远的一个区块作为源区块，进行知识迁移，此为案例2。

3.根据权利要求1所述的一种基于元迁移学习的小样本储层分类方法，其特征在于，步骤S2中，设计掩码注意力机制，以避免非储层的干扰，同时学习储层与非储层的关系，提高模型的特征提取能力，主要包括：

S21、进行特征映射，具体如下：

一个储层样本中存在n条测井曲线，即n个测井特征用于模型训练。一个储层样本X包含多个深度点，对应于一个储层类别Y，如油层、水层等等。储层样本的长度设置为l，将储层样本X输入至模型中进行特征映射，可以表示为：

其中为储层样本的维度，→表示特征映射，在每一轮模型训练有多个储层样本送入模型；

S22、避免非储层的干扰，具体如下：

与传统自注意力类似，掩码注意力为每个深度点构建查询Q、键K、值V三个向量，x₁的Q向量是查询x₁与其它深度点的关系。假设x₁为非储层的深度点，将x₁的Q向量设置为零，从而以这种方式自动屏蔽非储层特征；

S23、学习储层与非储层之间的关系，具体如下：

接下来为深度点x₂创建Q、K、V三个向量，x₂为储层深度点。x₂的Q向量需要查询其他深度点的K向量，当查询深度点x₁时，x₁向量的K设置为极小值，从而考虑到非储层深度点特征x₁和储层深度点x₂之间的关系；

S24、计算掩码注意力分数表征深度点之间关系，实现分类，具体如下：

通过计算掩码注意力分数后，将特征进行残差连接和层归一化，然后送入前馈模块。其中最后一层前馈网络将隐层特征进行映射，神经元个数即为储层类别个数，通过输出储层类别的预测概率p(x)实现储层分类。

4.根据权利要求1所述的一种基于元迁移学习的小样本储层分类方法，其特征在于，步骤S4中，在元迁移学习中设计价值感知模块，使模型关注困难任务，以学习有价值的迁移知识，避免因区块间地质差异造成的负向迁移，主要包括：

元学习在训练中平等对待每个元任务，然而，在实际的储层分类中，学习元任务的难度是不同的。其中准确率或F1分数较低的元任务被定义为困难任务，他们应该收到模型更多地关注。由于准确率和F1分数的值介于0和1之间，因此使用log函数对损失函数进行缩放。

以准确率为例，-log(accuracy)在准确率高的时候是一个很小的值，这将降低相应任务的损失值。相反，-log(accuracy)在准确率较低时会放大损失。因此，将当前任务的准确率Acc_i和F1分数F1_i引入传统的交叉熵损失在价值感知模块中动态调整每个基学习器的损失。通过为困难任务分配更大的梯度信息使模型差异化地关注不同任务，以学习有价值的迁移知识并加速模型收敛，从而提高储层分类效果。价值感知损失VL表示为：

其中μ、ν为权重参数，λ为缩放因子，用于调节模型对困难任务的关注程度。