[发明专利]一种基于元迁移学习的小样本储层分类方法

说明书

本发明提出一种基于元迁移学习的小样本储层分类方法，主要涉及人工智能、机器学习，石油勘探领域。主要步骤包含：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；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；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；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。本发明针对目标区块数据量有限，难以支持模型训练，借助元迁移学习，评估两种实际案例下的储层分类效果，并对元迁移学习方法进行优化，有效的解决了储层分类中的小样本问题。

技术领域

本发明涉及数据挖掘、深度学习、石油勘探领域，具体涉及到一种基于元迁移学习的小样本储层分类方法。

背景技术

储层分类主要目的为判别地层流体性质，对改善储集层评价及优化生产策略具有重要意义。传统方法通过拟合孔隙度、渗透率等测井数据来建立经验公式进行储层分类，主要包括数据反演与数值模拟方法。然而，这些方法在储层分类过程中往往对数学参数进行假设，极大简化了地层的真实情况，同时，传统方法通常需要较大的人力、时间成本，且识别效果往往受人为经验的限制。因此，基于数据驱动的储层智能识别方法备受关注。

油井的广泛部署产生了大量的地球观测数据，这为进一步了解地质构造提供了可能。传统的机器学习方法已经在石油领域得到了广泛的应用。测井数据由于其连续性和高分辨率，能够有效地反映地下地质信息，一些研究人员使用基于数据驱动的方法进行储层及岩性识如随机森林算法、XGBoost算法、朴素贝叶斯方法等等。然而，这些传统的机器学习方法难以表征地质特征的复杂非线性关系。

由于深度学习方法可以有效提取样本地质特征，其已经广泛地用于储层分类等相关研究。相关研究人员结合多层感知机和超量采样来改善岩性及流体识别。然而，该方法往往会陷入局部最小值，同时其泛化能力很弱。也有学者提出了一个加模糊过程神经网络模型来对测井数据进行分类以识别水淹层。基于递归神经网络的方法由于能够捕捉测井数据的纵深时序特征而广泛用于测井曲线分类。有人提出使用双向长短期记忆网络来学习测井序列信息以进行储层分类，然而，上述机器学习方法均使用专家标注的数据进行模型监督学习，这仍然会导致误差积累，目标区块中经过油田实际开发验证的井较少，即有真实标签的井有限，这是石油人工智能中一个典型的小样本问题。

部分研究人员提出迁移学习来解决石油研究中样本不足的问题，将一个具有足够样本来支持模型训练的域定义为源域用于预训练模型，然后使用目标域数据对该预训练模型微调实现知识迁移。然而，断层将油田分为多个区块，区块之间存在显著的地质差异，把在源区块学到的所有知识迁移到目标区块并不总是有效的，其中与目标域不同的知识不可避免地会导致负向迁移。因此，急需设计出一种有效的方法来克服储层分类中的小样本问题。

发明内容

为解决现有技术中的缺点和不足，本发明目的为提出了一种基于元迁移学习的小样本储层分类方法；

本发明为实现上述的技术目的，采用如下的技术方案：

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。

上述步骤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，具体包括：