一种小样本驱动的油气多模态语义对齐提示方法及系统

摘要: 本发明涉及油气数字化与人工智能,具体涉及一种小样本驱动的油气多模态语义对齐提示方法及系统。背景技术:1、在油气勘探开发过程中,形成了大量来源多样、结构复杂的多模...
一种小样本驱动的油气多模态语义对齐提示方法及系统

本发明涉及油气数字化与人工智能,具体涉及一种小样本驱动的油气多模态语义对齐提示方法及系统。

背景技术:

1、在油气勘探开发过程中,形成了大量来源多样、结构复杂的多模态数据,包括钻井日报、完井报告等非结构化文本数据,以及测井曲线、钻井参数曲线等时序或图像数据,这些数据普遍存在非标准化程度高、专业术语密集、语义隐含性强等特点,需要进行语义标注后方可支撑智能化应用。

2、目前,油气领域多模态数据的标注与治理主要依赖以下三类技术路径:一是完全依靠人工专家进行逐条判别与标注;二是基于规则引擎或专家系统的自动化标注方法;三是采用传统监督学习或微调预训练模型的深度学习方案,然而,上述现有技术方案在实际应用中存在以下显著不足:

3、(1)现有技术中,完全依赖人工专家的标注方式对人员专业能力要求极高,标注效率低下,难以应对油气田存量与增量数据的持续治理需求;

4、(2)现有技术通常将文本数据与时序曲线数据分开处理,文本模型难以理解曲线图像中的数值变化规律与形态特征,曲线分析模型无法融合业务文本中的工况描述与专家经验,这种割裂的处理方式导致系统无法像人类专家一样同时阅读报表和观察曲线进行综合推理,在需要文本线索与曲线特征交叉验证的复杂场景下标注准确率显著下降。

技术实现思路

1、本发明的目的在于提供一种小样本驱动的油气多模态语义对齐提示方法及系统,以解决现有技术中人工标注成本高且冷启动困难,难以支撑规模化数据治理需求,以及缺乏跨模态的语义对齐与综合判断能力的技术问题。

2、为解决上述技术问题,本发明具体提供下述技术方案:

3、本发明的第一个方面,提供了一种小样本驱动的油气多模态语义对齐提示方法,包括以下步骤:

4、获取油气勘探领域中k个专家标注样本作为核心驱动数据,其中5≤k≤20,每个所述专家标注样本包含油气业务文本及其对应的时序曲线段,所述时序曲线段标注有对应的事件类型标签及曲线段的起始索引位置和终止索引位置;

5、对所述k个专家标注样本进行多模态语义解析,所述多模态语义解析包括对油气业务文本的语义角色标注和对时序曲线段的数值特征提取,基于解析结果,通过多示例比对算法抽取同一事件类型下多个样本中共现的共性语义模式,生成任务定义;根据k个样本的标签分布构建标签体系;从标注为同一事件类型的正例样本中提取曲线特征的数值边界作为边界条件约束;将所述任务定义、标签体系、正反例说明、边界条件约束及输出格式规范组装为结构化提示词;

6、对待标注的时序曲线数据进行曲线语义化转换,所述曲线语义化转换包括:采用滑动窗口对时序曲线进行切片,在每个窗口内计算统计特征向量,根据曲线类型调用对应的特征算子库提取数值特征,通过语义映射表将所述数值特征转换为自然语言描述语句;将所述自然语言描述语句与待标注的油气业务文本拼接,形成多模态输入;

7、将所述结构化提示词与所述多模态输入按照预设模板拼接为统一上下文序列,输入预训练大语言模型;所述大语言模型通过注意力机制计算所述统一上下文序列中油气业务文本对应的第一token集合与时序曲线语义描述对应的第二token集合之间的跨模态注意力权重,基于所述跨模态注意力权重的大小判定文本-曲线关联强度,并在所述关联强度高于预设关联阈值时按照所述输出格式规范生成包含事件类型标注结论及推理依据的结构化输出;

8、将所述结构化输出作为伪标签,与所述k个专家标注样本进行一致性比对,计算每类事件类型的标注准确率;当某一类别的标注准确率低于预设的质量阈值时,从伪标签集中筛选出该类别中所述跨模态注意力权重最高的前m个样本作为增量示例,其中m为正整数且m≤k;将所述增量示例并入所述结构化提示词的正反例说明中,形成更新后的结构化提示词;重复上述步骤直至所有类别的标注准确率均不低于所述质量阈值。

9、进一步地,获取专家标注样本的方法包括:

10、由领域专家对每个样本标注以下内容:

11、业务文本中描述的关键事件类型标签;

12、时序曲线中与该关键事件对应的曲线段起始索引位置和终止索引位置;

13、以及该事件类型与曲线特征之间的因果关联描述文本;

14、将每个样本组织为三元组结构{文本内容,曲线段数值序列,标注结论},其中所述标注结论包含事件类型标签和因果关联描述。

15、进一步地,所述对油气业务文本进行语义角色标注的方法包括:

16、对所述k个专家标注样本中的每个样本的因果关联描述文本进行分词和词性标注;

17、采用基于规则匹配的方法,通过预定义的语义角色标注规则集提取每个样本中的主体、事件、属性及结论要素;

18、所述语义角色标注规则集至少包括:用于匹配物理量名称的主体规则、用于匹配变化趋势的动词的事件规则、用于匹配数值及单位的属性规则、以及用于匹配判定性表述的结论规则。

19、进一步地,所述通过多示例比对算法抽取共性语义模式的方法包括:

20、将所述k个专家标注样本按事件类型标签进行分组,对同一分组内的多个样本,提取各样本因果关联描述中经语义角色标注后的事件要素词序列;

21、采用最长公共子序列算法计算同一分组内各样本的事件要素词序列之间的公共子序列;

22、统计所有公共子序列的出现频次,将频次不低于2的公共子序列作为该事件类型的共性语义模式;

23、将所有事件类型的共性语义模式按照“当[条件]时,判定为[事件类型]”的模板格式拼接,形成所述任务定义。

24、进一步地,所述曲线类型识别的方法包括

25、计算待标注时序曲线全序列的一阶差分绝对值的平均值和一阶差分绝对值的标准差;

26、计算比值;

27、当时判定为时间域曲线类型,当时判定为深度域曲线类型;

28、所述时间域曲线类型指横坐标为时间轴的曲线数据,所述深度域曲线类型指横坐标为深度轴的曲线数据。

29、进一步地,当判定为时间域曲线类型时,所述曲线语义化转换的方法包括

30、对每个滑动窗口,计算窗口内序列的一阶差分序列,提取最大正差分作为突增特征、最大负差分作为突降特征;

31、计算窗口内序列的方差值,当所述方差值大于预设的波动阈值时生成“曲线震荡”状态描述,当所述方差值不大于所述波动阈值时生成“曲线平稳”状态描述;

32、通过所述语义映射表将所述突增特征的具体数值映射为工况突增描述语句,将所述突降特征的具体数值映射为工况突降描述语句;

33、将所述工况突增描述语句或工况突降描述语句与所述曲线状态描述语句拼接,生成格式化的时间域曲线自然语言描述。

34、进一步地,当判定为深度域曲线类型时,所述曲线语义化转换的方法包括:

35、对每个滑动窗口,对窗口内序列进行z-score归一化处理,计算归一化后序列的趋势角度序列,所述趋势角度为各采样点相对于窗口首点的连线与水平方向的夹角;

36、统计所述趋势角度序列中大于10°的占比作为递增特征、小于10°的占比作为递减特征、绝对值不大于10°的占比作为平直特征;

37、当所述递增特征占比大于60%时判定为钟状形态,当所述递减特征占比大于60%时判定为漏斗状形态,当所述平直特征占比大于60%时判定为箱状形态,以上均不满足时判定为平滑形态;

38、计算窗口内曲线幅值变化率,当时生成“幅值变化显著”描述,否则生成“幅值变化平缓”描述,其中,为滑动窗口内的曲线数值序列,w为窗口大小,、分别为窗口内最大值和最小值,为窗口内均值;

39、计算窗口内曲线齿化度参数,其表达式为:

40、

41、其中,为滑动窗口内第个曲线数值序列,为滑动窗口内第个曲线数值序列,当时生成“齿化发育”描述,否则生成“齿化不发育”描述,其中w为窗口大小;

42、将形态类型描述、幅值变化描述与齿化度描述拼接为格式化的深度域曲线自然语言描述。

43、进一步地,所述跨模态注意力权重的计算方法包括:

44、提取所述预训练大语言模型最后一个transformer层的多头自注意力权重矩阵;

45、确定所述统一上下文序列中属于油气业务文本的token位置集合和属于时序曲线语义描述的token位置集合;

46、对每个注意力头h,计算跨模态注意力权重均值,其表达式为:

47、

48、其中,为文本token的数量,为曲线描述token的数量,第h个注意力头中,第i个token对第j个token的注意力权重;

49、对所有注意力头的跨模态注意力权重均值取平均,其表达式为:

50、

51、其中,为多头自注意力机制中的注意力头总数,

52、将跨模态注意力权重均值取平均作为最终的文本-曲线关联强度;

53、所述预设关联阈值为0.15;当时生成结构化输出;当时,将所述多模态输入标记为待人工复核,不生成自动标注结果。

54、本发明的第二个方面,一种小样本驱动的油气多模态语义对齐提示系统,用于实现权利要求1-8所述的方法,包括:

55、小样本获取模块,用于获取油气领域中k个专家标注样本,每个样本包含油气业务文本及对应的时序曲线段的事件类型标签和曲线段起止索引位置;

56、结构化提示生成模块,用于对所述k个专家标注样本进行语义角色标注和多示例比对,自动生成包含任务定义、标签体系、正反例说明、边界条件约束和输出格式规范的结构化提示词;

57、曲线语义化模块,用于对待标注的时序曲线数据进行滑动窗口切片和统计特征提取,根据曲线类型调用对应特征算子库,通过语义映射表将数值特征转换为自然语言描述;

58、无参数推理模块,用于将结构化提示词与多模态输入拼接为统一上下文序列后输入预训练大语言模型,通过上下文学习生成语义标注结果,不更新所述大语言模型的参数;

59、迭代优化模块,用于将语义标注结果作为伪标签与专家标注样本进行一致性比对,识别准确率低于质量阈值的标签类别,从伪标签集中筛选高置信度样本作为增量示例并入结构化提示词,迭代直至所有类别达到质量阈值。

60、进一步地,包括:

61、所述结构化提示生成模块包括语义模式抽取单元、冲突反例构造单元和边界条件量化单元;

62、所述语义模式抽取单元采用最长公共子序列算法,对同一事件类型分组内的多个专家标注样本的因果关联描述文本提取共现词序列作为该事件类型的共性语义模式;

63、所述冲突反例构造单元从标注为不同事件类型的样本中提取特征相近但标签不同的样本对,将所述样本对作为反例说明,所述反例说明用于在所述结构化提示词中标注区分不同事件类型的关键判据;

64、所述边界条件量化单元对于同一事件类型下的p个正例样本的曲线特征向量,计算均值和标准差,设定边界为,并将所述边界转换为自然语言约束描述;

65、所述无参数推理模块内置有跨模态注意力计算单元,所述跨模态注意力计算单元提取所述预训练大语言模型最后一个transformer层的多头自注意力权重矩阵,计算油气业务文本token与曲线语义描述token之间的跨模态注意力权重均值,当所述均值低于0.15时自动将当前样本标记为待人工复核;

66、所述无参数推理模块与所述曲线语义化模块之间不包含模型训练单元和参数微调单元。

67、本发明与现有技术相比较具有如下有益效果:

68、本发明仅需5-20个专家标注样本即可通过结构化提示词的自动生成启动自动化标注流程,无需大规模训练数据集,从根本上解决了传统监督学习方法的冷启动难题,减少90%以上的人工标注成本,通过曲线语义化技术将时序数值信号转换为自然语言描述,结合上下文学习机制实现文本与曲线在统一语义空间内的隐式交叉验证,避免了将曲线作为图像输入所导致的精度丢失、视觉幻觉和算力冗余问题,显著提升了多模态对齐的准确性和鲁棒性,整个标注过程不更新预训练大语言模型的任何参数,无需梯度回传和模型微调,大幅降低了算力需求与部署周期,可在边缘端设备上快速落地;通过伪标签反馈与逐项一致性比对,自动识别问题标签类别并针对性扩充增量示例,实现结构化提示词的迭代优化,形成“越用越准”的数据飞轮效应;系统内置多维置信度评估机制,通过注意力权重分布量化交叉验证强度,将低置信度结果自动分流至人工复核,有效防止错误数据入库,满足工业级应用的安全性要,在油气勘探开发数字化领域实现了低成本、高精度、零训练、可进化、安全可控的多模态语义自动标注与治理。