CN119415901A 一种基于主动学习技术的地下储层岩性识别方法 （西南石油大学）

一种基于主动学习技术的地下储层岩性识本发明涉及一种基于主动学习技术的地下由于缺乏高效的评估方法导致难以对大规模岩通过对少量岩性数据节点的标注来完成对大规2S6、迭代优化近邻扩散网络关系结构，达2.根据权利要求1所述的一种基于主动学习技术的地下储层岩性识别方法，其特征在3.根据权利要求1所述的一种基于主动学习技术的地下储层岩性识别方法，其特征在4.根据权利要求1所述的一种基于主动学习技术的地下储层岩性识别方法，其特征在5.根据权利要求1所述的一种基于主动学习技术的地下储层岩性识别方法，其特征在S401、定义岩性数据节点邻域集，邻域集用于表6.根据权利要求1所述的一种基于主动学习技术的地下储层岩性识别方法，其特征在如果已经达到指定迭代次数，则直接输出本次岩性识别3结合近邻扩散网络对专家约束的标注扩散，直到所有岩性数据节点的识别结果都被给出；7.根据权利要求3所述的一种基于主动学习技术的地下储层岩性识别方法，其特征在分量中值最大的岩性数据节点将被视为代理8.根据权利要求4所述的一种基于主动学习技术的地下储层岩性识别方法，其特征在在近邻扩散网络的基础上，通过以下方式对岩性数据节点的拓扑结构重要性进行排岩性数据节点被视为拓扑结构重要性最高的岩性数据节点并将其加入到代表性序列中，然后将剩余岩性数据节点中拓扑结构重要性最高的节点依次加入到代表性序列中，直到9.根据权利要求4所述的一种基于主动学习技术的地下储层岩性识别方法，其特征在据节点一共包含了几个类（nEK近邻节点是否归属类别c的关系记为节点对c的归属;4数据节点构成关键节点序列；如果可疑度不为零的岩性节点数量小于序列长度疑度不为零的岩性数据节点按照可疑度降序加入到关键节点序列中；之后x中。迭代过程中，关键节点序列中的首个节点会被视为一个新的邻域子集直接加入到到最后一个邻域子集的扩散结束；扩散将在所有岩性数据节点都被识别出岩性之后停止，567如果已经达到指定迭代次数，则直接输出本次岩性识别结果作为最终的识别结键节点序列，再进一步生成查询序列，然后结合专家给出的判断更个连通分量中值最大的岩性数据节点将被视为代理节的岩性数据节点被视为拓扑结构重要性最高的岩性数据节点并将其加入到代表性序列8中，然后将剩余岩性数据节点中拓扑结构重要性最高的节点依次加入到代表性序列中，直到代表性序列中包含了所有岩性数据节点。岩性数据节点一共包含了几个类近邻节点是否归属类别的关系记为节点对为pf，其值为k个节点对c的归属值之和比上;岩性数据节点数量大于或等于序列长度，那么选择可疑度序列中的前xcl个节点作为关键岩性数据节点构成关键节点序列；如果可疑度不为零的岩性节点数量小于序列长度，代表性序列中选出拓扑结构重要性相对较高地、可疑度为0的岩性数据节点加入到关键节点序列中。对m的查询。[0022]再进一步地，所述在近邻扩散网络上进行基于专家约束的标注扩散包括以下步9所有岩性数据节点与其直接相连的节点都被赋上标签之后，再对第二个邻域子集进行扩如果已经达到指定迭代次数，则直接输出本次岩性识别结果作为最终的识别结首先获取原始测井数据并对数据进行预处理操作,其中,原始测井数据包括井径、伽马射可疑度来衡量岩性数据的关键性，从而生成查询序列(d)ac表示在第n个深度区间下测得的声波时差，(d,)osw表示在第n个深度区间下测得的密[0030]本实施例中，近邻扩散网络的生成包括以下步骤：首先，定义近邻扩散网络邻接边权重之和与其所在连通分量边权之和的比例；每个连通分量中值最大的岩性数据),近邻节点是否归属类别c的关系记为节点3对c的归属值，表示为，若节点属;个拓扑结构重要性最高的节点选择出来；当邻域子集的长束查询，