[發明專利]一種基于BPMN的巖性識別主動學習方法與系統

在審

• 申請號: 202211248370.8
• 申請日: 2022-10-12
• 公開（公告）號: CN115526110A
• 公開（公告）日: 2022-12-27
• 發明（設計）人: 謝云欣;吳思雨;朱晨陽;金亮鈺
• 申請（專利權）人: 常州大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06N20/00
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 田凌濤

1.一種基于BPMN的巖性識別主動學習方法，其特征在于，針對各目標測井，執行如下步驟S1-步驟S5，構建巖性識別主動學習模型，并應用巖性識別主動學習模型，完成對各目標測井的巖性的識別：

步驟S1：基于預設測井方法，采集各目標測井的測井數據，分別對各目標測井的測井數據進行歸一化處理，獲得各測井數據樣本，并構建由各測井數據樣本構成的特征數據集x；結合預設種類巖性類別所對應的預設各巖性標簽，構建由各巖性標簽構成的巖性標簽集y；

步驟S2：從特征數據集x中隨機選取n個測井數據樣本，并基于巖性標簽集y中的各巖性標簽，對各測井數據樣本一一對應標注，將標注后的各測井數據樣本構建樣本數據集D；

步驟S3：基于CART決策樹算法，根據巖性分類劃分決策樹，構建巖性識別主動學習初模型；以步驟S2所構建的樣本數據集D為輸入，以各測井數據樣本所對應的巖性標簽為輸出，對巖性識別主動學習初模型進行預設次數的訓練；

步驟S4：從特征數據集x中隨機選取n個測井數據樣本，將各測井數據樣本輸入步驟S3所獲得的巖性識別主動學習初模型，以巖性識別主動學習初模型輸出的各測井數據樣本所對應的巖性標簽為偽標簽，將各偽標簽一一對應賦予各測井數據樣本，并構建未標記數據集U；

針對未標記數據集U，基于查詢函數和預設可信度閾值，以偽標簽可信度低于預設可信度閾值的測井數據樣本構建候選樣本數據集L，基于預設映射規則，對候選樣本數據集L中的各測井數據樣本一一對應進行巖性標簽的標注，并構建標注數據集E；

以偽標簽可信度不低于預設可信度閾值的測井數據樣本構建偽標簽數據集P；

步驟S5：以步驟S2所獲得的樣本數據集D、步驟S4所獲得的標注數據集E、偽標簽數據集P輸入巖性識別主動學習初模型，對其進行更新，獲得巖性識別主動學習模型，并應用巖性識別主動學習模型，完成對各目標測井的巖性的識別。

2.根據權利要求1所述的一種基于BPMN的巖性識別主動學習方法，其特征在于，步驟S1中預設測井方法包括伽馬射線測井、聲波測井、密度測井、補償中子測井、深側向測井、淺側向測井、井徑測井中的一種或多種；巖性標簽包括酸鹽巖、煤、含砂礫巖、粗砂巖、中砂巖、細砂巖、粉砂巖、泥巖。

3.根據權利要求1所述的一種基于BPMN的巖性識別主動學習方法，其特征在于，步驟S3的具體步驟如下：

步驟S31：步驟S2所構建的樣本數據集D如下式：

D＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}

式中，x_m、y_m分別表示第m個測井數據樣本及其所對應的巖性標簽，m∈{1,2,…,n}；

基于CART決策樹算法，構造節點N，設置閾值式中：

式中，V為樣本數據集D中巖性類別的數量，Gini(D)表示基尼指數，即樣本數據集D中任意兩測井數據樣本所屬巖性類別不相同的概率，p_k為樣本數據集D中屬于第k類巖性類別的測井數據樣本所占比例，p_k′為樣本數據集D中屬于第k′類巖性類別的測井數據樣本所占比例,且k′≠k；

步驟S32：根據Gini(D)，以最小的基尼指數設定為CART決策樹算法的節點劃分屬性，其中最小的基尼指數a^*如下式：

式中，a為樣本數據集D的離散屬性；

步驟S33：設置終止條件如下式：

若樣本數據集D滿足終止條件，則將節點N標記為葉節點，否則以a^*為分裂標準生成下一個分支節點，以各節點對應測井數據樣本。