CN119538076A 面向不平衡测井数据的岩性识别方法及装置 (中国石油天然气集团有限公司)_第1页
CN119538076A 面向不平衡测井数据的岩性识别方法及装置 (中国石油天然气集团有限公司)_第2页
CN119538076A 面向不平衡测井数据的岩性识别方法及装置 (中国石油天然气集团有限公司)_第3页
CN119538076A 面向不平衡测井数据的岩性识别方法及装置 (中国石油天然气集团有限公司)_第4页
CN119538076A 面向不平衡测井数据的岩性识别方法及装置 (中国石油天然气集团有限公司)_第5页
已阅读5页,还剩36页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

号面向不平衡测井数据的岩性识别方法及装置本发明公开了一种面向不平衡测井数据的于多粒度扫描模块的级联ELM模型进行训练得到2将待识别的岩性类别和所述测井数据输入到训练好的岩性识其中,所述训练好的岩性识别模型是通过ADA将测井样本数据及其相对应的岩性类别按照预定的比例划分为训练集和采用所述ADASYN算法对所述训练集中的测井样本数据进将预处理后的测井样本数据输入基于多粒度扫描模块的级联ELM模型,得到岩性的表将所述岩性的表征向量输入参数寻优模块,采用PSO算法确定岩性识别模型的最优参根据少数类的样本合成方法、所述待合成的样本数量得到每个所述根据少数类的样本合成方法、所述待合成的样本数量得到每个根据欧几里得距离分别提取每个少数类样本分别确定每个少数类样本的K个近邻中每个多根据所述样本权重值计算每个少数类样本待合成所述将预处理后的测井样本数据输入基于多粒度扫描模块的级联ELM模型,得到岩性3将每个特征向量分别输入到相对应的第一学习器和第二学习器中,生将所述第一类概率分布向量和所述第二类概率分布向量拼接成将所述转换特征向量和所述第一层相对应的三维矢量拼接后输入到第二层级联的ELM直到将所述转换特征向量和第N_1层相对应的三维矢量拼接后输入到第N层级联的ELM所述岩性识别模型的最优参数,包括:基模型数量、隐藏层神经元数4数据处理程序被处理器执行权利要求1_10任一项所述的面向不平衡测井数据的岩性识别5[0003]传统的岩性识别方法包括岩屑录井和钻井取心,但由于外部干扰和繁重的工作[0006](2)不同传感器采集的测井曲线之间存在着互补的测井信息,而基于机器学习的[0008]本申请提供了一种面向不平衡测井数据的岩性识别方法及装置,该方法通过ADASYN算法对训练集数据进行预处理,并基于多粒度扫描模块的级联ELM模型进行训练得[0012]其中,所述训练好的岩性识别模型是通过ADASYN算法对[0016]将预处理后的测井样本数据输入基于多粒度扫描模块的级联ELM模型,得到岩性6[0017]将所述岩性的表征向量输入参数寻优模块,采用PSO算法确定岩性识别模型的最[0028]从少数类样本的K个近邻中,随机选择少数类样本合成该少数类样本的新样本数[0033]针对所述预处理后的测井样本数据利用滑动窗口,生成不同大小的多个特征向[0035]将所述第一类概率分布向量和所述第二类概率分布向量拼接成转换特征向量7]T;]T;[0047]将所述转换特征向量和所述第一层相对应的三维矢量拼接后输入到第二层级联[0048]直到将所述转换特征向量和第N_1层相对应的三维矢量拼接后输入到第N层级联[0053]与相关技术相比,本申请提供一种面向不平衡测井数据申请通过ADASYN算法对训练集数据进行预处理,并基于多粒度扫描模块的级联ELM模型进89[0075]步骤1.将测井数据及其相对应的岩性类别按照预定的比例划分为训练集和测试[0077]步骤3.将预处理后的测井样本数据输[0078]步骤4.将所述岩性的表征向量输入参数寻ii[0095]将每个特征向量fvi分别输入到相对应的第一学习器和第二学习器中,生成第一类概率分布向量lf1i和第二类概率分布[0096]将所述第一类概率分布向量和所述第二类概率分布向量拼接成转换特征向量]T;]T;[0107]将所述转换特征向量tfi和所述第一层相对应的三维矢量拼接后输入到第二层级[0108]直到将所述转换特征向量tfi和第N_1层相对应的三维矢量拼接后输入到第N层级[0130]对S332步骤中所确定的多数类岩性类别的比例进行归一化处理,得到样本权重侧向电阻率测井(DeepLateralResistivityLog,LLD)和浅侧向电阻率测井(Shallows[0162]g,=×G[0168]ELM模型是单隐层前馈神经网络,由L个隐藏层神经元和N个输出层神经元组成,]T;]T;[0198]具体地,指标评价模块采用两种指标(准确率与F1分数)评估岩性识别模型的性深侧向电阻率测井(DeepLateralResistivityLog,LLD)和浅侧向电阻率测井(Shallow[0207](1)不同数据平衡方法具体验证了不同数据平衡方法、不同分类模型对分类结果数据进行归一化以加快训练速度。对训练数据过采样后,采用深度ELM模型对岩性进行识ADASYN算法仍然提高了岩性识别的准确率(从98.543%提高到98.621%),这表明使用ADASYN合成的样本训练的模型具有最[0214]为了验证深度ELM模型的岩性识别效果,本实施例与RF模型、XGBoost模型、[0220]为了验证所提模型的改进效果,对模型的各个部分进行了消融实验。将没有[0224](2)本发明提出的面向低质量不平衡测井数据的岩性识别方法及系统,设计了一种由多粒度扫描模块与级联ELM模块构建的岩性识别模型,有效解决了传统机器学习模型[0225](3)本发明提出的面向低质量不平衡测井数据的岩性识别方法及系统,设计了一种基于PSO算法+深度ELM模型的岩性识别算法,有效解决了传统岩性识别方法构建模型耗

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论