[发明专利]一种基于BPMN的岩性识别主动学习方法与系统

说明书

本发明公开了一种基于BPMN的岩性识别主动学习方法与系统，该系统包括BPMN流程前端模块、数据集标注模块、岩性识别主动学习任务模块、动态表单模块、基于camunda流程引擎模块、模型部署模块、存储模块，本发明基于BPMN2.0规范自动化在服务器端训练目标进行岩性识别功能，采用基于BPMN的岩性识别主动学习方法，在原有机器学习的步骤上增加可信度的计算、标注候选集提取模块和标注模块，通过机器的主动学习方式提高参数学习、模型训练与复杂程度，提升模型效果，提高工作效率。

技术领域

本发明涉及岩性识别领域，具体一种基于BPMN的岩性识别主动学习方法与系统。

背景技术

岩性识别是钻井过程中的一项重要地质基础研究内容，作为储层特征研究和地质建模的基础，为矿区空间分布研究提供可靠依据，对地层格架的建立、钻井工程参数优选和储层的综合评价等工作具有重要意义。

主动学习分为学习引擎和选择引擎：学习引擎维护基准分类器，使用监督学习对系统提供的已标注样例进行学习，提高该分类器性能；选择引擎负责运行样本选择算法，选择一个未标注样例交由专家进行标注，将标注后的样本加入已标注样例集中，在保证分类精度不降低的前提下有效发现训练数据集中高信息量的样本。

BPMN是一种标准化的软件过程建模标记。使用BPMN能清晰地描述一个软件过程中的控制流和数据流，促进业务的流程分析流程改进，提高工作效率与理解程度。

发明内容

本发明目的：在于提供一种基于BPMN的岩性识别主动学习方法与系统，基于岩性识别主动学习方法，提高岩性识别的精度和效率。

为实现以上功能，本发明设计一种基于BPMN的岩性识别主动学习方法，针对各目标测井，执行如下步骤S1-步骤S5，构建岩性识别主动学习模型，并应用岩性识别主动学习模型，完成对各目标测井的岩性的识别：

步骤S1：基于预设测井方法，采集各目标测井的测井数据，分别对各目标测井的测井数据进行归一化处理，获得各测井数据样本，并构建由各测井数据样本构成的特征数据集x；结合预设种类岩性类别所对应的预设各岩性标签，构建由各岩性标签构成的岩性标签集y；

步骤S2：从特征数据集x中随机选取n个测井数据样本，并基于岩性标签集y中的各岩性标签，对各测井数据样本一一对应标注，将标注后的各测井数据样本构建样本数据集D；

步骤S3：基于CART决策树算法，根据岩性分类划分决策树，构建岩性识别主动学习初模型；以步骤S2所构建的样本数据集D为输入，以各测井数据样本所对应的岩性标签为输出，对岩性识别主动学习初模型进行预设次数的训练；

步骤S4：从特征数据集x中随机选取n个测井数据样本，将各测井数据样本输入步骤S3所获得的岩性识别主动学习初模型，以岩性识别主动学习初模型输出的各测井数据样本所对应的岩性标签为伪标签，将各伪标签一一对应赋予各测井数据样本，并构建未标记数据集U；

针对未标记数据集U，基于查询函数和预设可信度阈值，以伪标签可信度低于预设可信度阈值的测井数据样本构建候选样本数据集L，基于预设映射规则，对候选样本数据集L中的各测井数据样本一一对应进行岩性标签的标注，并构建标注数据集E；

以伪标签可信度不低于预设可信度阈值的测井数据样本构建伪标签数据集P；

步骤S5：以步骤S2所获得的样本数据集D、步骤S4所获得的标注数据集E、伪标签数据集P输入岩性识别主动学习初模型，对其进行更新，获得岩性识别主动学习模型，并应用岩性识别主动学习模型，完成对各目标测井的岩性的识别。

作为本发明的一种优选技术方案：步骤S1中预设测井方法包括伽马射线测井、声波测井、密度测井、补偿中子测井、深侧向测井、浅侧向测井、井径测井中的一种或多种；岩性标签包括酸盐岩、煤、含砂砾岩、粗砂岩、中砂岩、细砂岩、粉砂岩、泥岩。