一种基于知识增强的井间小层对比方法

1.本发明涉及地质资源勘探，深度学习，数据挖掘领域，具体涉及到一种基于知识增强的井间小层对比方法。


背景技术：

2.井间小层对比目的是确定岩层垂直序列中地层位置的等同性。将井间储层单元与地质信息相匹配，这对油田注水开发意义重大。传统的井间小层对比方法包括视觉、定性分析和数值模拟，这些方法受人为经验影响容易导致误差积累。由于传统的人工配对相关方法耗时耗力，更多的自动化方法逐渐出现。智能优化算法和小波变换被用于自动井间小层对比以改善模型效果。然而，它们很难描述地质特征的复杂非线性关系。
3.油田数字化使机器学习在石油勘探开发的数据分析中显示出巨大的潜力。由于有效的特征提取能力，机器学习方法在井间小层对比中取得了良好的性能。井间小层对比方法可以分为两类，基于相似性的地层单元匹配和基于分类的井间小层对比。前者计算地层单元与特征向量的相似度。它将具有最高相似性的地层单元进行匹配。在现实中，由于复杂的地质结构，如地层歼灭，使得两口井的某些地层无法匹配。然而，这种方法强行匹配所有的地层，限制了地层匹配的准确性。此外，它还需要设置一个适当的相似度阈值，然而这是很难确定的。基于分类的井间小层对比主要将其视为一项分类任务。有学者提出了量子神经网络来提取特征进行多分类。井中的每一层都被认为是一个类别。然而，它需要在同一层中有大量的标记样本。另一种基于分类的方法将两个井的层单元向量进行拼接，使用二分类模型来确定它们是否属于同一层进行地层匹配。然而，这种方法只有在地层厚度相似且地质数据质量高的情况下才能取得良好的性能。以上方法无法在地层标签不足的情况进行地层匹配。因此，急需设计出一种有效的井间地层对比方法。


技术实现要素：

4.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知识增强的井间小层对比方法；
5.本发明为实现上述的技术目的，采用如下的技术方案：
6.s1、随机切割地层样本实现样本扩充，并统一样本维度；
7.s2、设计知识增强策略，以缓解随着模型训练造成的特征衰减；
8.s3、设计动态平衡边际softmax识别地层样本边缘特征；
9.s4、设计双窗口共同滑动匹配策略，以防止地层交叉匹配，从而实现井间小层对比。
10.上述步骤s1中，通过井随机切割地层样本实现样本扩充，并统一样本维度，具体包括：
11.由于地层厚度不一致，造成输入模型的样本维度不同，为模型训练造成困难。考虑到地层的主要特征集中在地层样本的中间部分，因此采用随机切割策略实现样本扩充。由
于处于同一地层的样本较少，且标注工作较为困难，导致扩充后样本数量仍然有限；
12.将地层对比任务类比为自然语言处理的近义词匹配任务，两口井可视为两句话，每个地层则为对应的词。在近义词匹配中，将两个词的特征向量拼接，判别两个词是否为同一类，拼接向量的首部使用分类符cls标记，中间使用分隔符sep标记以区分两个词。类似的，小层对比任务也被转化为一个二分类任务，由于拼接后的向量长度不一致，因此在向量尾部补充0元素至指定长度l，拼接后的样本x1可表示为：
[0013][0014]
其中为两口井中待匹配的样本，|表示连接操作。
[0015]
上述步骤s2中，设计知识增强策略时，具体包括：
[0016]
考虑到测井曲线噪声较大，有效特征不明显，随着模型训练会出现特征衰减问题，设计一个基于残差连接的知识增强网络。具体而言，构建两个独立的transformer编码器，编码器1的输出与原始特征拼接，作为编码器2的输入，可表示为：
[0017]
output 1＝layernorm(encoder 1(fe))
[0018]
output 2＝encoder 2(output 1||fe)
[0019]
其中fe表示输入的特征，layernorm为层归一化，||表示向量拼接，将output 2中cls位置的特征向量进行分类，即可实现地层匹配。
[0020]
上述步骤s3中，设计动态平衡边际softmax识别地层样本边缘特征，具体包括：
[0021]
在储层识别过程中被识别为同一储层的样本具有相似的特征，然而在井间地层对比过程中他们属于不同的类别。因此，需要细粒度的识别地质特征，本专利设计了一个动态平衡边际softmax以自适应调整类内与类间距离，以识别储层样本边缘特征。公式如下：
[0022][0023]
其中t为真实标签，强化分类条件来更新模型训练损失，可表示为：
[0024][0025]
其中v是模型最后一个线性层的样本分类权重，边缘样本有较小的v值且距离类别中心较远，因此对于边缘样本采用较为宽松的分类条件，以防止设置过小的类间距离判别条件导致分类误差。当然此种分类条件要比原始的分类条件严格。对于中心样本取得较大的v值，其距离类别中心较近，则分类条件更加严格。
[0026]
上述步骤s4中，在设计双窗口共同滑动匹配策略时，具体包括：
[0027]
在双窗口共同滑动匹配策略中，假设有两口井wa，wb，其中wa为基础井，wb为对比井。wa中每个层序单元依次与wb中的进行比较。根据专家经验，与地层深度相近地层附近五个的地层用来进行匹配，即基础井的窗口每次有1个元素，而对比井窗口每次最多包含5个元素。若与匹配为正样本，则两个窗口同
时滑动，继续进行与的匹配。直到一口井的最后一个层序单元都完成匹配测试，匹配结束。该策略有效地避免地层交叉匹配的问题，实现智能地层对比分析。
[0028]
本发明的有益效果在于：一种基于知识增强的井间小层对比方法，考虑地层样本标签不足，难以用于传统机器学习进行井间地层对比，因此借助知识增强方法，通过样本扩充、知识增强、地层边缘样本识别、双窗口共同滑动匹配策略实现基于知识增强的井间小层对比，在地质建模、石油勘探开发方面有重大的应用价值。
附图说明
[0029]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0030]
图1为本发明基于知识增强井间小层对比的流程示意图。
[0031]
图2为本发明基于知识增强井间小层对比的模型结构示意图。
[0032]
图3为本发明双窗口共同滑动匹配策略的示意图
具体实施方式
[0033]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0034]
由于地层样本标签有限，难以借助机器学习方法展开相关研究，本发明针对井间地层对比问题，提出一种基于知识增强的井间小层对比方法：主要步骤包含：随机切割地层样本实现样本扩充，并统一样本维度；设计知识增强策略，以缓解随着模型训练造成的特征衰减；设计动态平衡边际softmax识别地层样本边缘特征；设计双窗口共同滑动匹配策略，以防止地层交叉匹配。本发明针对地层样本标签不足，借助知识增强策略，对小样本学习方法进行优化，实现有效的井间小层对比。
[0035]
一种基于知识增强的井间小层对比方法，具体流程如图1所示，实施步骤如下：
[0036]
s1、随机切割地层样本实现样本扩充，并统一样本维度；
[0037]
s2、设计知识增强策略，以缓解随着模型训练造成的特征衰减；
[0038]
s3、设计动态平衡边际softmax识别地层样本边缘特征；
[0039]
s4、设计双窗口共同滑动匹配策略，以防止地层交叉匹配，从而实现井间小层对比。
[0040]
上述步骤s1中，通过井随机切割地层样本实现样本扩充，并统一样本维度，具体包括：
[0041]
由于地层厚度不一致，造成输入模型的样本维度不同，为模型训练造成困难。考虑到地层的主要特征集中在地层样本的中间部分，因此采用随机切割策略实现样本扩充。由
于处于同一地层的样本较少，且标注工作较为困难，导致扩充后样本数量仍然有限；
[0042]
将地层对比任务类比为自然语言处理的近义词匹配任务，两口井可视为两句话，每个地层则为对应的词。在近义词匹配中，将两个词的特征向量拼接，判别两个词是否为同一类，拼接向量的首部使用分类符cls标记，中间使用分隔符sep标记以区分两个词。类似的，小层对比任务也被转化为一个二分类任务，由于拼接后的向量长度不一致，因此在向量尾部补充0元素至指定长度l，拼接后的样本x1可表示为：
[0043][0044]
其中为两口井中待匹配的样本，|表示连接操作。
[0045]
上述步骤s2中，设计知识增强策略时，模型结构如图2所示，具体包括：
[0046]
考虑到测井曲线噪声较大，有效特征不明显，随着模型训练会出现特征衰减问题，设计一个基于残差连接的知识增强网络。具体而言，构建两个独立的transformer编码器，编码器1的输出与原始特征拼接，作为编码器2的输入，可表示为：
[0047]
output 1＝layernorm(encoder 1(fe))
[0048]
output 2＝encoder 2(output 1||fe)
[0049]
其中fe表示输入的特征，layernorm为层归一化，||表示向量拼接，将output 2中cls位置的特征向量进行分类，即可实现地层匹配。
[0050]
上述步骤s3中，设计动态平衡边际softmax识别地层样本边缘特征，具体包括：
[0051]
在储层识别过程中被识别为同一储层的样本具有相似的特征，然而在井间地层对比过程中他们属于不同的类别。因此，需要细粒度的识别地质特征，本专利设计了一个动态平衡边际softmax以自适应调整类内与类间距离，以识别储层样本边缘特征。公式如下：
[0052][0053]
其中t为真实标签，强化分类条件来更新模型训练损失，可表示为：
[0054][0055]
其中v是模型最后一个线性层的样本分类权重，边缘样本有较小的v值且距离类别中心较远，因此对于边缘样本采用较为宽松的分类条件，以防止设置过小的类间距离判别条件导致分类误差。当然此种分类条件要比原始的分类条件严格。对于中心样本取得较大的v值，其距离类别中心较近，则分类条件更加严格。
[0056]
上述步骤s4中，在设计双窗口共同滑动匹配策略时，匹配策略示意图如图3所示，具体包括：
[0057]
在双窗口共同滑动匹配策略中，假设有两口井wa，wb，其中wa为基础井，wb为对比井。wa中每个层序单元依次与wb中的进行比较。根据专家经验，与地层深度相近地层附近五个的地层用来进行匹配，即基础井的窗口每次有1个元素，而对比井窗口每次最多包含5个元素。若与匹配为正样本，则两个窗口同
时滑动，继续进行与的匹配。直到一口井的最后一个层序单元都完成匹配测试，匹配结束。该策略有效地避免地层交叉匹配的问题，实现智能地层对比分析。
[0058]
本发明考虑地层样本标签不足，难以用于传统机器学习进行井间地层对比，因此借助知识增强方法，通过样本扩充、知识增强、地层边缘样本识别、双窗口共同滑动匹配策略实现基于知识增强的井间小层对比，在地质建模、石油勘探开发方面有重大的应用价值。
[0059]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。