[发明专利]用于油气智能检测的机器学习训练样本扩充及评价方法

说明书

本发明提供一种用于油气智能检测的机器学习训练样本扩充及评价方法，包括：对工区数据进行分类，明确储层类型；探究目的层储层段的声速主控因素，并基于此建立岩石物理模型；明确储层的地质特征，确定模型的扰动参数，并确定扰动参数的扰动范围；确定模型扰动参数的取值范围，合理选取取值步长，生成所需要的油气样本数据；将扩充样本与实际油气样本数据分别放入神经网络中进行训练测试，给出数据驱动测试准确率和模型驱动的测试准确率；构建样本可靠性函数。该用于油气智能检测的机器学习训练样本扩充及评价方法解决了油气智能检测中，油气训练样本不足问题，通过合理扩充油气训练样本，进而获得置信度更高的油气智能检测结果。

技术领域

本发明涉及地球物理勘探地震解释及综合研究技术领域，特别是涉及到一种用于油气智能检测的机器学习训练样本扩充及评价方法。

背景技术

油气智能检测是依托于机器学习发展起来的新型技术。油气检测的传统方法是结合数据、物理规律和经验认识来判断油气属性，而油气智能检测是结合数据和已知钻探结果，让机器学习数据和钻探结果之间的映射关系，再利用该映射关系进行判断分类，以达到油气智能检测的目的。油气智能检测的优势体现在不需要考虑复杂多变的地下地质构造以及复杂的物理规律，并且该方法能够将油气检测任务自动化。

然而，应用机器学习的前提是有足够多的训练样本供机器进行训练，在实际应用中，往往存在油气样本不足的问题，导致机器无法学习到油气样本对应的规律以及分类规则，进而导致油气智能检测失效。因此，有必要合理扩充油气样本，使机器有足够的样本进行学习，进而获得置信度更高的油气智能检测结果。

在申请号：CN201810198302.2的中国专利申请中，涉及到一种面向地震油气储层分布的卷积神经网络学习与预测方法。该方法首先以原始地震数据为基础，提取能够表征油气特征的地震属性；然后设计卷积神经网络模型，将优选的几种地震属性作为网络的输入层，提取井位处的地震属性值，以井位处的孔隙度、渗透率、含油性作为训练样本，通过BP神经网络反向传播不断修改网络结构中的卷积核、权值W和偏置b等参数，直到模型训练完成。随后对无井区的数据进行测试，实现由有井区到无井区储层的横向预测。

在申请号：CN201810096911.7的中国专利申请中，涉及到了一种油气甜点预测方法及存储介质，涉及油气勘探领域。该方法包括：获取油气甜点区域的测井数据和多种地震属性；根据测井数据得到油气甜点区域的指示曲线，将指示曲线和各种地震属性作为机器学习的学习样本；对学习样本进行特征优选；根据优选后的学习样本进行机器学习，得到预测模型；根据预测模型对任意目标区域的油气甜点进行预测。

在申请号：CN201910331691.6的中国专利申请中，涉及到一种用于油气生产的多井数据采集与智能监控方法及系统，在每个油气井口区域布置数据采集终端，用于采集生产数据，生产数据包括功图、电流、电压、压力、温度；在油气生产现场布置边缘计算平台，该边缘计算平台为具有计算能力和加速硬件的智能监控网关，智能监控网关通过LoRa网络与若干个数据采集终端通讯连接组成星型网络，接收数据采集终端采集到的数据，并对数据进行分析处理；机器学习训练平台，与边缘计算平台网络通讯，用于接收边缘计算平台分析处理后的数据，训练得到学习模型，将该学习模型推送加载到边缘计算平台，边缘计算平台利用该学习模型对接收到的数据进行学习推理，实现在线监控和响应。

以上现有技术均与本发明有较大区别，未能解决我们想要解决的技术问题，为此我们发明了一种新的用于油气智能检测的机器学习训练样本扩充及评价方法。

发明内容

本发明的目的是提供一种用于油气智能检测的样本扩充技术及评价，为机器学习训练提供样本扩充及配套的样本评价的用于油气智能检测的机器学习训练样本扩充及评价方法。

本发明的目的可通过如下技术措施来实现：用于油气智能检测的机器学习训练样本扩充及评价方法，该用于油气智能检测的机器学习训练样本扩充及评价方法包括：

步骤1：对工区数据进行分类，明确储层类型；