[发明专利]测井数据异常检测方法

说明书

本发明提供一种测井数据异常检测方法，该测井数据异常检测方法包括：步骤1、构造测井数据样本集合；步骤2、进行系统初始化；步骤3、进行特征提取层训练；步骤4、输出分类层训练；步骤5、进行异常值识别。该测井数据异常检测方法引入了多层特征提取层，并在特征提取层构造的时候引入了类内散度矩阵，能够得到具有分辨力的抽象特征；在训练输出分类层的时候引入了风险加权矩阵，提升了训练结果对噪声的鲁棒性。

技术领域

本发明涉及构造地质学及石油地质学技术领域，特别是涉及到一种测井数据异常检测方法。

背景技术

在数据挖掘中，异常检测(anomaly detection)对不匹配预期模式或数据集中其他项目的项目、事件或观测值的识别。通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题。异常也被称为离群值、新奇、噪声、偏差和例外。常见的异常检测方法有：基于密度的方法、基于子空间与相关性的高维数据的孤立点检测、一类支持向量机等。在收集测井数据时，由于测井液、岩屑的影响，可能导致某些深度的测井值异常，这就需要我们研究测井数据的异常检测。

在申请号：CN201910308560.6的中国专利申请中，涉及到一种时间序列异常值检测方法及装置，该方法包括：获取待检测时刻前预设时长内、属于同一时间序列的历史数据；对所述历史数据进行标准化处理；根据标准化处理后的历史数据和预先训练的计算模型，确定所述待检测时刻的数据是否为异常值。这种方法本质上利用了时间相关性，具有较强的假设前提条件。

在申请号：CN201610970187.7的中国专利申请中，涉及到一种LTE网络中的异常值检测方法及系统，通过将实测数据划分为训练集和测试集，在训练集中定义集群和参数，由聚类算法找到各数据点所属的集群，根据参数值和聚类的结果，计算每个数据点的似然值，依据设定的预警阈值、报警阈值将似然值分成异常区域、中间区域和正常区域；将已经计算出的模型应用在测试集中，每个数据点的似然值均被计算出来，并分到各区域中，从而找到测试集中的异常值。该方法虽然采用了机器学习的手段，但是本质上是一种无监督的方法，具有较大的不确定性。另外，关于测井数据的异常检测也鲜见报道。测井数据具有明显得物理意义，其可以用于进行岩性识别，因此可以采用监督学习方法；同时测井数据往往存在一定的噪声，也对异常检测带来较大困难。

在申请号：CN201611123548.0的中国专利申请中，涉及到一种微电阻率扫描成像测井数据异常校正方法及装置，属于石油工程测井技术领域。本发明首先采集测井数据，判断测井数据是否异常以及异常类型；然后根据异常类型选取异常数据相邻的正常数据计算平均值；再利用异常数据与相邻正常数据的相似性计算异常数据的可信度，并根据可信度判断异常数据是否可信；最后在异常数据不可信时，利用平均值代替异常数据作为校正值；在异常数据可信时，则提取异常数据的变化特征，并将变化特征加上其对应的平均值作为异常数据的校正值。该发明的校正方法能在整体上使校正后的异常数据与相邻正常数据大小相吻合，同时在局部上又保留了自身的变化特征，经过可视化成像后，取得较好的成图效果。

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测井数据异常检测方法。

发明内容

本发明的目的是提供一种能够得到具有分辨力的抽象特征，提升了训练结果对噪声的鲁棒性的测井数据异常检测方法。

本发明的目的可通过如下技术措施来实现：测井数据异常检测方法，该测井数据异常检测方法包

本发明的目的还可通过如下技术措施来实现：

该测井数据异常检测方法包括：

步骤1、构造测井数据样本集合；

步骤2、进行系统初始化；

步骤3、进行特征提取层训练；

步骤4、输出分类层训练；