本發(fā)明涉及數(shù)據(jù)處理，特別涉及一種頁巖類型的識別方法及裝置。

背景技術(shù)：

1、在傳統(tǒng)的油氣勘探中，準(zhǔn)確識別和評價地下巖層的類型和性質(zhì)是實現(xiàn)高效開發(fā)的關(guān)鍵。石墨化低阻頁巖作為一種重要的非常規(guī)油氣資源，具有低電阻率和高有機(jī)質(zhì)含量的特殊地質(zhì)特性，使得其在地質(zhì)勘探和評價中具有顯著的挑戰(zhàn)性?，F(xiàn)有技術(shù)主要依賴于地質(zhì)學(xué)家的經(jīng)驗和簡單的物理參數(shù)分析，對巖層的類型和性質(zhì)進(jìn)行識別和評價，不僅耗時長、成本高，且準(zhǔn)確率低，此外，由于傳統(tǒng)方法難以充分捕捉石墨化低阻頁巖的地質(zhì)特性，導(dǎo)致識別時不確定性增加。因此，開發(fā)一種高效、準(zhǔn)確地識別和評價巖層類型和性質(zhì)的方法是十分必要的，對于提高油氣資源的勘探和開發(fā)效率具有重要意義。

技術(shù)實現(xiàn)思路

1、石墨化低阻頁巖具有特殊的地質(zhì)特性，如低電阻率和高有機(jī)質(zhì)含量，使用傳統(tǒng)的識別方法，無法高效準(zhǔn)確地識別出來，本發(fā)明的發(fā)明人受到機(jī)器學(xué)習(xí)和深度學(xué)習(xí)在圖像識別、語音識別等領(lǐng)域成功應(yīng)用的啟發(fā)，發(fā)現(xiàn)利用測井曲線數(shù)據(jù)的高維特征，結(jié)合先進(jìn)的算法模型，能夠有效提高識別石墨化低阻頁巖的準(zhǔn)確性和效率。

2、鑒于上述問題和發(fā)現(xiàn)，提出了本發(fā)明以便提供一種克服上述問題或者至少部分地解決上述問題的一種頁巖類型的識別方法和裝置。

3、第一方面，本發(fā)明實施例提供一種頁巖類型的識別方法，包括：

4、獲取目標(biāo)巖石的若干種實時測井曲線數(shù)據(jù)；

5、采用預(yù)先訓(xùn)練完成的特征提取模型，對所述若干種實時測井曲線數(shù)據(jù)進(jìn)行特征提取，得到第一特征向量；

6、基于所述第一特征向量，采用預(yù)先訓(xùn)練完成的分類模型，對所述目標(biāo)巖石進(jìn)行識別，確定出所述目標(biāo)巖石的類型。

7、在一個實施例中，所述分類模型包括第一分類模型；

8、基于所述第一特征向量，采用預(yù)先訓(xùn)練完成的分類模型，對所述目標(biāo)巖石進(jìn)行識別，確定出所述目標(biāo)巖石的類型，包括：

9、將所述第一特征向量，輸入至預(yù)先訓(xùn)練完成的第一分類模型中，根據(jù)所述第一分類模型的輸出結(jié)果，確定所述目標(biāo)巖石的類型，所述第一分類模型的輸入維度與所述特征提取模型的輸出維度一致。

10、在一個實施例中，所述第一分類模型通過下述方式訓(xùn)練得到：

11、獲取多個第二特征向量，采用量子編碼技術(shù)，對各第二特征向量進(jìn)行量子編碼；所述第二特征向量的維度與所述第一特征向量的維度一致；

12、將編碼后的各第二特征向量，輸入至預(yù)設(shè)的高階神經(jīng)網(wǎng)絡(luò)模型中，分別對編碼后的各第二特征向量進(jìn)行高階非線性變換處理，并對各高階變換后的各第二特征向量進(jìn)行量子動態(tài)調(diào)整；

13、采用遞歸回聲狀態(tài)網(wǎng)絡(luò)，基于量子動態(tài)調(diào)整反饋的權(quán)重矩陣，對各量子動態(tài)調(diào)整后的各第二特征向量分別進(jìn)行特征融合，得到對應(yīng)的全局特征向量；

14、基于各全局特征向量以及分類激活函數(shù)，得到各第二特征向量對應(yīng)的預(yù)測標(biāo)簽數(shù)據(jù)，比較各第二特征向量對應(yīng)的預(yù)測類型以及對應(yīng)的真實標(biāo)簽數(shù)據(jù)，計算分類損失函數(shù)，反向更新所述高階神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，直至所述分類損失函數(shù)達(dá)到預(yù)設(shè)的收斂條件，停止訓(xùn)練，得到所述第一分類模型。

15、在一個實施例中，所述分類模型包括第二分類模型；

16、基于所述第一特征向量，采用預(yù)先訓(xùn)練完成的分類模型，對所述目標(biāo)巖石進(jìn)行識別，確定出所述目標(biāo)巖石的類型，包括：

17、將所述第一特征向量，輸入至預(yù)先訓(xùn)練完成的特征降維模型，對所述第一特征向量進(jìn)行降維處理，得到降維后的第一特征向量；

18、將降維后的第一特征向量，輸入至預(yù)先訓(xùn)練完成的第二分類模型中，所述第二分類模型的輸入維度與所述特征降維模型的輸出維度一致。

19、在一個實施例中，所述特征降維模型通過下述方式訓(xùn)練得到：

20、獲取多個第三特征向量，所述第三特征向量的維度與所述第一特征向量的維度一致；

21、基于預(yù)設(shè)的目標(biāo)維度，構(gòu)建并初始化非線性潛在映射自編碼器，將多個所述第三特征向量，輸入至初始化后的非線性潛在映射自編碼器中；所述非線性潛在映射自編碼器包括編碼器和解碼器；

22、所述編碼器分別將每個第三特征向量映射到潛在層，得到對應(yīng)的潛在層特征向量，所述解碼器將所述潛在層特征向量進(jìn)行重構(gòu)，得到對應(yīng)的第四特征向量；所述潛在層特征向量的維度與所述目標(biāo)維度一致；所述第四特征向量的維度與所述第三特征向量的維度一致；

23、將所述第三特征向量與對應(yīng)的所述第四特征向量進(jìn)行對比，計算損失函數(shù)，根據(jù)損失函數(shù)的值，梯度反向更新非線性潛在映射自編碼器的參數(shù)，直至損失函數(shù)達(dá)到預(yù)設(shè)的收斂條件，停止迭代，得到訓(xùn)練完成的特征降維模型；所述損失函數(shù)表征第三特征向量與對應(yīng)的第四特征向量之間的均方誤差；

24、所述潛在層特征向量為所述特征降維模型的輸出結(jié)果。

25、在一個實施例中，所述特征提取模型通過下述方式訓(xùn)練得到：

26、獲取數(shù)據(jù)庫中多個巖石的測井曲線數(shù)據(jù)組合以及對應(yīng)的標(biāo)簽數(shù)據(jù)，將每個巖石的測井曲線數(shù)據(jù)組合以及對應(yīng)的標(biāo)簽數(shù)據(jù)作為樣本數(shù)據(jù)，得到樣本數(shù)據(jù)集；所述測井曲線數(shù)據(jù)組合包括巖石的至少一種測井曲線數(shù)據(jù)，所述標(biāo)簽數(shù)據(jù)表征巖石的類型；

27、對所述樣本數(shù)據(jù)集進(jìn)行劃分，得到訓(xùn)練集和驗證集，將所述訓(xùn)練集輸入至預(yù)設(shè)的多層神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，采用生態(tài)系統(tǒng)優(yōu)化算法，優(yōu)化所述多層神經(jīng)網(wǎng)絡(luò)模型的參數(shù)的值，將所述驗證集輸入至訓(xùn)練后的所述多層神經(jīng)網(wǎng)絡(luò)模型中驗證學(xué)習(xí)效果，并根據(jù)驗證結(jié)果反向調(diào)整所述多層神經(jīng)網(wǎng)絡(luò)模型的參數(shù)的值，直至損失函數(shù)達(dá)到預(yù)設(shè)的收斂條件，停止訓(xùn)練，得到訓(xùn)練完成的特征提取模型；

28、所述訓(xùn)練完成的特征提取模型輸出與樣本數(shù)據(jù)對應(yīng)的特征向量，所述與樣本數(shù)據(jù)對應(yīng)的特征向量表征巖石的測井曲線數(shù)據(jù)組合。

29、在一個實施例中，所述多層神經(jīng)網(wǎng)絡(luò)模型的參數(shù)包括權(quán)重和偏置；所述采用生態(tài)系統(tǒng)優(yōu)化算法，優(yōu)化所述多層神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，包括：

30、初始化生態(tài)系統(tǒng)，所述生態(tài)系統(tǒng)包括多個種群，所述種群包括多個個體，所述個體包括權(quán)重和偏置；

31、對于每個個體，根據(jù)個體的權(quán)重和偏置以及預(yù)先構(gòu)建的所述個體所在種群的遺傳因素函數(shù)、環(huán)境變量，計算所述個體的適應(yīng)度；

32、根據(jù)所述個體的適應(yīng)度，以及所述個體與所述個體所在種群中除所述個體外的其他個體之間的相互作用強(qiáng)度，計算生態(tài)作用后所述個體的適應(yīng)度；

33、在每個種群中，基于生態(tài)作用后各個體的適應(yīng)度，分別計算每個個體的存留概率，選擇存留概率值大于等于概率閾值的個體并保留，作為種群中的父代個體；

34、根據(jù)各種群中的各父代個體的權(quán)重和偏置、預(yù)設(shè)的隨機(jī)擾動值和預(yù)設(shè)的變異率，采用交叉變異算法，分別得到每個種群中的多個子代個體，計算每個子代個體的存留概率，選擇存留概率值大于等于概率閾值的子代個體并保留，作為新的父代個體；

35、對于各種群，重復(fù)執(zhí)行根據(jù)各種群中的各父代個體的權(quán)重和偏置、預(yù)設(shè)的隨機(jī)擾動值和預(yù)設(shè)的變異率，采用交叉變異算法，分別得到每個種群中的多個子代個體，計算每個子代個體的存留概率，選擇存留概率值大于等于概率閾值的子代個體并保留，作為新的父代個體的步驟，迭代預(yù)設(shè)的次數(shù)，得到更新后的生態(tài)系統(tǒng)，更新后生態(tài)系統(tǒng)的個體表征優(yōu)化后所述多層神經(jīng)網(wǎng)絡(luò)模型的一組參數(shù)。

36、在一個實施例中，得到樣本數(shù)據(jù)集之后，所述方法還包括：

37、按照相同的標(biāo)簽數(shù)據(jù)對所述樣本數(shù)據(jù)集進(jìn)行分組；

38、將至少一個分組下的樣本數(shù)據(jù)，輸入至訓(xùn)練完成的數(shù)據(jù)擴(kuò)充模型中，生成同一分組下的擴(kuò)充樣本數(shù)據(jù)；同一分組下的樣本數(shù)據(jù)與擴(kuò)充樣本數(shù)據(jù)的標(biāo)簽數(shù)據(jù)一致；

39、將個分組下的所述多個擴(kuò)充樣本數(shù)據(jù)添加至所述樣本數(shù)據(jù)集中，得到擴(kuò)充后的樣本數(shù)據(jù)集；

40、相應(yīng)地，對所述樣本數(shù)據(jù)集進(jìn)行劃分，得到訓(xùn)練集和驗證集，包括：

41、對所述擴(kuò)充后的樣本數(shù)據(jù)集進(jìn)行劃分，得到訓(xùn)練集和驗證集。

42、在一個實施例中，所述數(shù)據(jù)擴(kuò)充模型通過下述方式訓(xùn)練得到：

43、初始化生成器和判別器；所述生成器用于生成擴(kuò)充的樣本數(shù)據(jù)，所述判別器用于判斷數(shù)據(jù)是否為擴(kuò)充的樣本數(shù)據(jù)；

44、獲取相同標(biāo)簽數(shù)據(jù)的多個測井曲線數(shù)據(jù)組合，將每個測井曲線數(shù)據(jù)組合即所述標(biāo)簽數(shù)據(jù)，作為真實樣本數(shù)據(jù)；

45、在一個迭代周期中，將所述真實樣本數(shù)據(jù)，輸入至初始化的生成器中，生成對應(yīng)的擴(kuò)充樣本數(shù)據(jù)；將所述真實樣本數(shù)據(jù)與對應(yīng)的擴(kuò)充樣本數(shù)據(jù)進(jìn)行比較，計算生成器損失函數(shù)，梯度反向傳播更新生成器的參數(shù)；通過判別器區(qū)分真實樣本數(shù)據(jù)與擴(kuò)充樣本數(shù)據(jù)，計算判別器損失函數(shù)，梯度反向傳播更新判別器的參數(shù)；所述真實樣本數(shù)據(jù)與生成的擴(kuò)充樣本數(shù)據(jù)標(biāo)簽數(shù)據(jù)所對應(yīng)的標(biāo)簽數(shù)據(jù)一致；

46、反復(fù)迭代更新直至生成器與判別器均達(dá)到收斂為止。

47、第二方面，本發(fā)明實施例提供一種頁巖類型的識別裝置，包括：

48、獲取模塊，用于獲取目標(biāo)巖石的若干種實時測井曲線數(shù)據(jù)；

49、特征提取模塊，用于采用預(yù)先訓(xùn)練完成的特征提取模型，對所述若干種實時測井曲線數(shù)據(jù)進(jìn)行特征提取，得到第一特征向量；

50、分類模塊，用于基于所述第一特征向量，采用預(yù)先訓(xùn)練完成的分類模型，對所述目標(biāo)巖石進(jìn)行識別，確定出所述目標(biāo)巖石的類型。

51、第三方面，本發(fā)明實施例提供一種計算機(jī)存儲介質(zhì)，所述計算機(jī)存儲介質(zhì)中存儲有計算機(jī)可執(zhí)行指令，所述計算機(jī)可執(zhí)行指令被處理器執(zhí)行時實現(xiàn)前述的頁巖類型的識別方法。

52、第四方面，本發(fā)明實施例提供一種終端設(shè)備，包括：存儲器、處理器及存儲于存儲器上并可在處理器上運行的計算機(jī)程序，所述處理器執(zhí)行所述程序時實現(xiàn)前述的頁巖類型的識別方法。

53、本發(fā)明實施例提供的上述技術(shù)方案的有益效果至少包括：

54、本發(fā)明實施例提供的頁巖類型的識別方法，基于測井曲線形態(tài)實現(xiàn)識別頁巖類別，通過預(yù)先訓(xùn)練完成的特征提取模型，對實時獲取的待識別巖石的多種測井曲線數(shù)據(jù)進(jìn)行特征提取，得到目標(biāo)巖石對應(yīng)的第一特征向量，基于得到的第一特征向量，使用預(yù)先訓(xùn)練完成的分類模型進(jìn)行分類，根據(jù)輸出結(jié)果，確定目標(biāo)巖石的類型，基于巖石的測井曲線數(shù)據(jù)，使用深度學(xué)習(xí)模型，得到目標(biāo)巖石的類型，擺脫了現(xiàn)有技術(shù)對專家經(jīng)驗、簡單的物理參數(shù)分析的依賴，縮短了識別時間，縮減了成本，提高了識別結(jié)果的準(zhǔn)確性，同時克服了現(xiàn)有技術(shù)中存在的難以充分捕捉石墨化低阻頁巖等復(fù)雜性巖石的地質(zhì)特性，而導(dǎo)致的資源評估不確定性的問題，進(jìn)一步提高了識別結(jié)果的準(zhǔn)確性。

55、此外，在特征提取模型的訓(xùn)練過程中，本發(fā)明實施例通過模擬生態(tài)系統(tǒng)中的自然選擇、遺傳變異和生態(tài)位理論，優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)，即基于生態(tài)系統(tǒng)優(yōu)化的神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化方法訓(xùn)練得到特征提取模型，生態(tài)系統(tǒng)優(yōu)化算法改進(jìn)了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，具體地，神經(jīng)網(wǎng)絡(luò)的參數(shù)被視作生態(tài)系統(tǒng)中的個體，其生存和繁衍能力由其適應(yīng)度決定，通過模擬生態(tài)系統(tǒng)中的自然選擇和遺傳變異過程來優(yōu)化這些參數(shù)，從而改進(jìn)神經(jīng)網(wǎng)絡(luò)的性能，相比于現(xiàn)有技術(shù)中，采用梯度下降的方式優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)，導(dǎo)致在參數(shù)優(yōu)化過程中陷入局部最優(yōu)情況，同時還導(dǎo)致梯度消失和梯度爆炸現(xiàn)象，生態(tài)系統(tǒng)優(yōu)化算法通過自然選擇和遺傳變異機(jī)制優(yōu)化參數(shù)，有效避免了局部最優(yōu)和梯度消失問題，提高了模型的穩(wěn)定性和準(zhǔn)確性，另外，生態(tài)系統(tǒng)優(yōu)化算法還引入了多樣性保持機(jī)制和自適應(yīng)調(diào)整機(jī)制，有效防止過早收斂和局部最優(yōu)，通過保持參數(shù)種群的多樣性來探索更廣闊的解空間。

56、另外，在第一分類模型的訓(xùn)練過程中，本發(fā)明實施例采用改進(jìn)的量子編碼和高階神經(jīng)網(wǎng)絡(luò)分類器算法，得到基于改進(jìn)量子編碼的高階神經(jīng)網(wǎng)絡(luò)，改進(jìn)的量子編碼可以捕捉和表示數(shù)據(jù)中的復(fù)雜關(guān)系，高階神經(jīng)網(wǎng)絡(luò)通過對輸入數(shù)據(jù)進(jìn)行高次非線性映射，增強(qiáng)了模型的表達(dá)能力；再將基于改進(jìn)量子編碼的高階神經(jīng)網(wǎng)絡(luò)與回聲狀態(tài)網(wǎng)絡(luò)結(jié)合，構(gòu)建第一分類模型來識別頁巖類型，通過回聲狀態(tài)網(wǎng)絡(luò)處理時間序列的特性，增強(qiáng)了分類模型對時間序列數(shù)據(jù)特性的捕捉能力，進(jìn)而增強(qiáng)了分類模型對測井曲線數(shù)據(jù)時間依賴特性的學(xué)習(xí)能力，進(jìn)而提高了第一分類模型的準(zhǔn)確性和魯棒性，克服了現(xiàn)有的分類器在處理具有復(fù)雜內(nèi)在關(guān)系的數(shù)據(jù)時，表達(dá)能力有限，影響分類結(jié)果準(zhǔn)確性和泛化能力的缺點，同時也解決了現(xiàn)有技術(shù)在處理測井曲線數(shù)據(jù)這類時間序列數(shù)據(jù)時，無法充分利用數(shù)據(jù)的時間依賴特性的問題。

57、除此之外，現(xiàn)有技術(shù)在測井曲線數(shù)據(jù)的生成方面，缺乏針對性的解決方案，導(dǎo)致生成的樣本數(shù)據(jù)質(zhì)量和適用性不足，進(jìn)而影響模型精度，為了解決這一問題，本發(fā)明實施例采用基于曲線形態(tài)相似性的生成對抗網(wǎng)絡(luò)算法，擴(kuò)充用于訓(xùn)練特征提取模型的樣本數(shù)據(jù)，傳統(tǒng)的生成對抗網(wǎng)絡(luò)一般用于生成圖片或文本數(shù)據(jù)，而本發(fā)明實施例中的基于曲線形態(tài)相似性的生成對抗網(wǎng)絡(luò)算法，引入了曲線形態(tài)相似性評價指標(biāo)，確保生成的測井曲線數(shù)據(jù)與真實測井?dāng)?shù)據(jù)在形態(tài)上高度相似，有效解決了訓(xùn)練數(shù)據(jù)不足的問題，實現(xiàn)專門針對測井曲線數(shù)據(jù)進(jìn)行優(yōu)化，提高后續(xù)特征提取模型和分類模型的適用性和生成數(shù)據(jù)的逼真度和相關(guān)性，另外，根據(jù)生成曲線與真實曲線在形態(tài)相似度上的差異，對損失函數(shù)進(jìn)行了自適應(yīng)調(diào)整，加速模型的收斂，并進(jìn)一步提高生成數(shù)據(jù)的準(zhǔn)確性。

58、本發(fā)明的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在所寫的說明書、權(quán)利要求書、以及附圖中所特別指出的結(jié)構(gòu)來實現(xiàn)和獲得。

59、下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。