[發(fā)明專利]一種基于BPMN的巖性識(shí)別主動(dòng)學(xué)習(xí)方法與系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202211248370.8
• 申請(qǐng)日: 2022-10-12
• 公開(kāi)（公告）號(hào): CN115526110A
• 公開(kāi)（公告）日: 2022-12-27
• 發(fā)明（設(shè)計(jì)）人: 謝云欣;吳思雨;朱晨陽(yáng);金亮鈺
• 申請(qǐng)（專利權(quán)）人: 常州大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06K9/62;G06N20/00
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 田凌濤

本發(fā)明公開(kāi)了一種基于BPMN的巖性識(shí)別主動(dòng)學(xué)習(xí)方法與系統(tǒng)，該系統(tǒng)包括BPMN流程前端模塊、數(shù)據(jù)集標(biāo)注模塊、巖性識(shí)別主動(dòng)學(xué)習(xí)任務(wù)模塊、動(dòng)態(tài)表單模塊、基于camunda流程引擎模塊、模型部署模塊、存儲(chǔ)模塊，本發(fā)明基于BPMN2.0規(guī)范自動(dòng)化在服務(wù)器端訓(xùn)練目標(biāo)進(jìn)行巖性識(shí)別功能，采用基于BPMN的巖性識(shí)別主動(dòng)學(xué)習(xí)方法，在原有機(jī)器學(xué)習(xí)的步驟上增加可信度的計(jì)算、標(biāo)注候選集提取模塊和標(biāo)注模塊，通過(guò)機(jī)器的主動(dòng)學(xué)習(xí)方式提高參數(shù)學(xué)習(xí)、模型訓(xùn)練與復(fù)雜程度，提升模型效果，提高工作效率。

技術(shù)領(lǐng)域

本發(fā)明涉及巖性識(shí)別領(lǐng)域，具體一種基于BPMN的巖性識(shí)別主動(dòng)學(xué)習(xí)方法與系統(tǒng)。

背景技術(shù)

巖性識(shí)別是鉆井過(guò)程中的一項(xiàng)重要地質(zhì)基礎(chǔ)研究?jī)?nèi)容，作為儲(chǔ)層特征研究和地質(zhì)建模的基礎(chǔ)，為礦區(qū)空間分布研究提供可靠依據(jù)，對(duì)地層格架的建立、鉆井工程參數(shù)優(yōu)選和儲(chǔ)層的綜合評(píng)價(jià)等工作具有重要意義。

主動(dòng)學(xué)習(xí)分為學(xué)習(xí)引擎和選擇引擎：學(xué)習(xí)引擎維護(hù)基準(zhǔn)分類器，使用監(jiān)督學(xué)習(xí)對(duì)系統(tǒng)提供的已標(biāo)注樣例進(jìn)行學(xué)習(xí)，提高該分類器性能；選擇引擎負(fù)責(zé)運(yùn)行樣本選擇算法，選擇一個(gè)未標(biāo)注樣例交由專家進(jìn)行標(biāo)注，將標(biāo)注后的樣本加入已標(biāo)注樣例集中，在保證分類精度不降低的前提下有效發(fā)現(xiàn)訓(xùn)練數(shù)據(jù)集中高信息量的樣本。

BPMN是一種標(biāo)準(zhǔn)化的軟件過(guò)程建模標(biāo)記。使用BPMN能清晰地描述一個(gè)軟件過(guò)程中的控制流和數(shù)據(jù)流，促進(jìn)業(yè)務(wù)的流程分析流程改進(jìn)，提高工作效率與理解程度。

發(fā)明內(nèi)容

本發(fā)明目的：在于提供一種基于BPMN的巖性識(shí)別主動(dòng)學(xué)習(xí)方法與系統(tǒng)，基于巖性識(shí)別主動(dòng)學(xué)習(xí)方法，提高巖性識(shí)別的精度和效率。

為實(shí)現(xiàn)以上功能，本發(fā)明設(shè)計(jì)一種基于BPMN的巖性識(shí)別主動(dòng)學(xué)習(xí)方法，針對(duì)各目標(biāo)測(cè)井，執(zhí)行如下步驟S1-步驟S5，構(gòu)建巖性識(shí)別主動(dòng)學(xué)習(xí)模型，并應(yīng)用巖性識(shí)別主動(dòng)學(xué)習(xí)模型，完成對(duì)各目標(biāo)測(cè)井的巖性的識(shí)別：

步驟S1：基于預(yù)設(shè)測(cè)井方法，采集各目標(biāo)測(cè)井的測(cè)井?dāng)?shù)據(jù)，分別對(duì)各目標(biāo)測(cè)井的測(cè)井?dāng)?shù)據(jù)進(jìn)行歸一化處理，獲得各測(cè)井?dāng)?shù)據(jù)樣本，并構(gòu)建由各測(cè)井?dāng)?shù)據(jù)樣本構(gòu)成的特征數(shù)據(jù)集x；結(jié)合預(yù)設(shè)種類巖性類別所對(duì)應(yīng)的預(yù)設(shè)各巖性標(biāo)簽，構(gòu)建由各巖性標(biāo)簽構(gòu)成的巖性標(biāo)簽集y；

步驟S2：從特征數(shù)據(jù)集x中隨機(jī)選取n個(gè)測(cè)井?dāng)?shù)據(jù)樣本，并基于巖性標(biāo)簽集y中的各巖性標(biāo)簽，對(duì)各測(cè)井?dāng)?shù)據(jù)樣本一一對(duì)應(yīng)標(biāo)注，將標(biāo)注后的各測(cè)井?dāng)?shù)據(jù)樣本構(gòu)建樣本數(shù)據(jù)集D；

步驟S3：基于CART決策樹(shù)算法，根據(jù)巖性分類劃分決策樹(shù)，構(gòu)建巖性識(shí)別主動(dòng)學(xué)習(xí)初模型；以步驟S2所構(gòu)建的樣本數(shù)據(jù)集D為輸入，以各測(cè)井?dāng)?shù)據(jù)樣本所對(duì)應(yīng)的巖性標(biāo)簽為輸出，對(duì)巖性識(shí)別主動(dòng)學(xué)習(xí)初模型進(jìn)行預(yù)設(shè)次數(shù)的訓(xùn)練；

步驟S4：從特征數(shù)據(jù)集x中隨機(jī)選取n個(gè)測(cè)井?dāng)?shù)據(jù)樣本，將各測(cè)井?dāng)?shù)據(jù)樣本輸入步驟S3所獲得的巖性識(shí)別主動(dòng)學(xué)習(xí)初模型，以巖性識(shí)別主動(dòng)學(xué)習(xí)初模型輸出的各測(cè)井?dāng)?shù)據(jù)樣本所對(duì)應(yīng)的巖性標(biāo)簽為偽標(biāo)簽，將各偽標(biāo)簽一一對(duì)應(yīng)賦予各測(cè)井?dāng)?shù)據(jù)樣本，并構(gòu)建未標(biāo)記數(shù)據(jù)集U；

針對(duì)未標(biāo)記數(shù)據(jù)集U，基于查詢函數(shù)和預(yù)設(shè)可信度閾值，以偽標(biāo)簽可信度低于預(yù)設(shè)可信度閾值的測(cè)井?dāng)?shù)據(jù)樣本構(gòu)建候選樣本數(shù)據(jù)集L，基于預(yù)設(shè)映射規(guī)則，對(duì)候選樣本數(shù)據(jù)集L中的各測(cè)井?dāng)?shù)據(jù)樣本一一對(duì)應(yīng)進(jìn)行巖性標(biāo)簽的標(biāo)注，并構(gòu)建標(biāo)注數(shù)據(jù)集E；

以偽標(biāo)簽可信度不低于預(yù)設(shè)可信度閾值的測(cè)井?dāng)?shù)據(jù)樣本構(gòu)建偽標(biāo)簽數(shù)據(jù)集P；

步驟S5：以步驟S2所獲得的樣本數(shù)據(jù)集D、步驟S4所獲得的標(biāo)注數(shù)據(jù)集E、偽標(biāo)簽數(shù)據(jù)集P輸入巖性識(shí)別主動(dòng)學(xué)習(xí)初模型，對(duì)其進(jìn)行更新，獲得巖性識(shí)別主動(dòng)學(xué)習(xí)模型，并應(yīng)用巖性識(shí)別主動(dòng)學(xué)習(xí)模型，完成對(duì)各目標(biāo)測(cè)井的巖性的識(shí)別。

作為本發(fā)明的一種優(yōu)選技術(shù)方案：步驟S1中預(yù)設(shè)測(cè)井方法包括伽馬射線測(cè)井、聲波測(cè)井、密度測(cè)井、補(bǔ)償中子測(cè)井、深側(cè)向測(cè)井、淺側(cè)向測(cè)井、井徑測(cè)井中的一種或多種；巖性標(biāo)簽包括酸鹽巖、煤、含砂礫巖、粗砂巖、中砂巖、細(xì)砂巖、粉砂巖、泥巖。