基于PI与DeepFM的机器学习储层渗透率确定方法及装置

本说明书属于石油天然气探勘，尤其涉及一种基于pi与deepfm的机器学习储层渗透率确定方法及装置。

背景技术：

1、在现有技术中，预先基于机器学习算法构建渗透率预测模型，并预先通过特征选择方法从多种渗透率影响因素中筛选出对渗透率预测影响较大的目标影响因素，然后将目标影响因素输入到渗透率预测模型中，得到渗透率。现有的特征选择方法包括pearson算法、spearman算法、主成分分析法等；pearson算法、主成分分析法更适用于线性关系，针对非线性关系优势不显著；spearman算法适用于特征之间的单调关系，对异常值不敏感。因此现有的特征选择方法无法准确和可解释的筛选出对渗透率预测影响较大的目标影响因素，影响后续预测渗透率的准确性。同时，常用的渗透率预测机器学习算法或地质领域经典模型无法同时挖掘目标影响因素之间的线性、低阶和高阶特征交互信息，影响后续预测渗透率的准确性。

2、针对上述技术问题，目前尚未提出有效的解决方案。

技术实现思路

1、本申请提供了一种基于pi与deepfm的机器学习储层渗透率确定方法及装置，能够准确计算储层渗透率。

2、本申请实施例的目的是提供一种基于pi与deepfm的机器学习储层渗透率确定方法，包括：

3、获取目标岩心与样本岩心；

4、基于排列重要性算法对所述样本岩心进行处理，得到所述样本岩心的目标属性；并将所述样本岩心的目标属性作为所述目标岩心的目标属性；

5、确定所述目标岩心的目标属性对应的属性值；

6、将所述目标岩心的目标属性对应的属性值输入到目标预测模型中，得到所述目标岩心的目标渗透率。

7、进一步地，所述方法的另一个实施例中，所述基于排列重要性算法对所述样本岩心进行处理，得到所述样本岩心的目标属性，包括：

8、获取样本岩心的样本数据集；其中，所述样本数据集包括全量属性、全量属性对应的属性值、样本渗透率；

9、利用多个验证模型分别处理所述样本数据集，得到所述样本岩心的多个第一渗透率；

10、基于排列重要性算法，根据所述样本渗透率与所述第一渗透率，确定所述全量属性对应的多组重要性参数；

11、按照多组重要性参数，对所述全量属性分别进行降序排列，得到多个排序结果；

12、从多个排序结果中，筛选出准确度较高的目标排序结果；

13、从所述目标排序结果中，筛选出所述重要性参数大于重要性阈值的多个全量属性，作为目标属性。

14、进一步地，所述方法的另一个实施例中，所述多个验证模型，包括：决策树模型、随机森林模型、极端梯度提升模型、轻量级梯度提升模型。

15、进一步地，所述方法的另一个实施例中，所述利用多个验证模型分别处理所述样本数据集，得到所述样本岩心的多个第一渗透率，包括：

16、对所述全量属性对应的属性值进行随机排列，得到多个随机数据集；

17、将所述多个随机数据集分别输入到多个验证模型中，得到所述样本岩心的多个第一渗透率。

18、进一步地，所述方法的另一个实施例中，所述基于排列重要性算法，根据所述样本渗透率与所述第一渗透率，确定所述全量属性对应的多组重要性参数，包括：

19、根据所述样本渗透率与所述第一渗透率，计算验证模型针对随机数据集的多组性能参数；

20、根据多组性能参数，计算所述全量属性对应的多组重要性参数。

21、进一步地，所述方法的另一个实施例中，所述从所述多个排序结果中，筛选出准确度较高的目标排序结果，包括：

22、从所述多个排序结果中，分别提取出重要性参数大于零的全量属性，构成多个待检测属性集；

23、检测所述待检测属性集中，是否存在参考属性，得到检测结果；

24、根据所述检测结果，将确定存在参考属性的待检测属性集作为目标属性集；

25、将所述目标属性集对应的排序结果作为目标排序结果。

26、进一步地，所述方法的另一个实施例中，所述参考属性包括：分形维数、孔隙度、粘土含量。

27、进一步地，所述方法的另一个实施例中，所述目标预测模型为深度因子分解机模型。

28、本申请实施例的目的是提供一种基于pi与deepfm的机器学习储层渗透率确定装置，包括：

29、获取模块，用于获取目标岩心与样本岩心；

30、处理模块，用于基于排列重要性算法对所述样本岩心进行处理，得到所述样本岩心的目标属性；并将所述样本岩心的目标属性作为所述目标岩心的目标属性；

31、确定模块，用于确定所述目标岩心的目标属性对应的属性值；

32、计算模块，用于将所述目标岩心的目标属性对应的属性值输入到目标预测模型中，得到所述目标岩心的目标渗透率。

33、本申请实施例的目的是提供一种计算机可读存储介质，其上存储有计算机指令，所述计算机可读存储介质被处理器执行所述指令时实现上述基于pi与deepfm的机器学习储层渗透率确定方法。

技术特征：

1.一种基于pi与deepfm的机器学习储层渗透率确定方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，基于排列重要性算法对所述样本岩心进行处理，得到所述样本岩心的目标属性，包括：

3.根据权利要求2所述的方法，其特征在于，所述多个验证模型，包括：决策树模型、随机森林模型、极端梯度提升模型、轻量级梯度提升模型。

4.根据权利要求2所述的方法，其特征在于，利用多个验证模型分别处理所述样本数据集，得到所述样本岩心的多个第一渗透率，包括：

5.根据权利要求2所述的方法，其特征在于，基于排列重要性算法，根据所述样本渗透率与所述第一渗透率，确定所述全量属性对应的多组重要性参数，包括：

6.根据权利要求2所述的方法，其特征在于，从所述多个排序结果中，筛选出准确度较高的目标排序结果，包括：

7.根据权利要求6所述的方法，其特征在于，所述参考属性包括：分形维数、孔隙度、粘土含量。

8.根据权利要求1所述的方法，其特征在于，所述目标预测模型为深度因子分解机模型。

9.一种基于pi与deepfm的机器学习储层渗透率确定装置，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，所述指令被处理器执行时实现权利要求1至8任一项所述方法的步骤。

技术总结
本申请提出一种基于PI与DeepFM的机器学习储层渗透率确定方法及装置。该方法包括：获取目标岩心与样本岩心；基于排列重要性算法对所述样本岩心进行处理，得到所述样本岩心的目标属性；并将所述样本岩心的目标属性作为所述目标岩心的目标属性；确定所述目标岩心的目标属性对应的属性值；将所述目标岩心的目标属性对应的属性值输入到目标预测模型中，得到所述目标岩心的目标渗透率。基于上述方法能够预先对全量属性的重要性进行可信的、可解释性的量化显示，得到对渗透率影响较大的目标属性，并基于目标属性对应的属性值进行渗透率的计算，同时自动挖掘属性值之间的线性、低阶和高阶特征交互信息，提升渗透率计算的准确性。

技术研发人员：姜福杰,曹流,霍利娜,陈迪,陈伟业,郭婧,齐振国,庞雄奇,陈冬霞,陈君青
受保护的技术使用者：中国石油大学（北京）
技术研发日：
技术公布日：2024/4/17