基于曲线-深度-边界适配的测井基础模型岩性识别方法

本发明涉及测井资料智能解释，具体涉及一种基于曲线-深度-边界适配的测井基础模型岩性识别方法，适用于利用预训练测井基础模型输出的曲线令牌表征，结合曲线证据选择、局部深度结构聚合和边界门控残差校正，实现连续井深方向岩性类别识别的测井岩性智能解释场景。

背景技术：

1、测井数据是地层岩性识别、储层划分和油气勘探开发中的重要基础资料。相比岩心取样、录井描述和人工地质编录，测井曲线具有连续覆盖井深范围、获取效率高、工程应用广泛等优势，能够从自然伽马、声波时差、密度、中子孔隙度、电阻率等多种物理响应角度反映地层岩性变化。

2、在实际测井岩性解释过程中，不同岩性之间的测井响应常存在重叠。例如，砂岩、泥岩、灰岩、砂泥互层、泥质砂岩、薄层夹层及混合岩性段在自然伽马、声波时差、密度和中子孔隙度等曲线上可能表现出相近响应；同一岩性在不同井、不同地层背景、不同压实程度、不同流体条件或不同测井环境下，也可能表现出差异化测井特征。尤其在薄层、夹层和岩性边界附近，测井响应往往呈现快速变化或混合响应，单一深度点的岩性标签可能只能近似描述局部地质过渡状态，导致岩性识别任务具有较强的不确定性和复杂性。

3、现有基于机器学习的测井岩性识别方法主要包括传统点级分类模型和深度序列模型两类。传统点级分类模型通常将每一个深度采样点视为独立样本，通过随机森林、梯度提升树、支持向量机或浅层神经网络等方法建立测井曲线与岩性类别之间的映射关系。该类方法实现简单，但难以充分利用深度方向上的地层连续性、局部岩性变化特征和边界过渡信息，在薄层、夹层和岩性边界附近容易产生误判。

4、深度序列模型虽然可以通过卷积网络、循环网络、注意力机制或transformer结构引入深度上下文信息，但其岩性判别能力主要依赖目标任务中的有标签井数据。可靠岩性标签通常来源于岩心、录井或专家解释，获取成本高、覆盖范围有限，并且存在类别分布不均衡、稀有岩性样本不足、边界标签不确定等问题。同时，若模型评价采用同井随机样本划分，训练样本和测试样本可能来自相近地层响应状态，容易高估模型的实际应用能力。实际测井解释中更常见的问题是：利用若干已标注井或已解释井段训练模型，并将模型迁移到待解释井或未标注井段中进行岩性识别。因此，跨井泛化能力和井级评价可靠性是测井岩性识别模型能否应用于实际地质解释的重要因素。

5、随着基础模型技术的发展，测井基础模型能够通过大规模无标签或弱标签测井曲线预训练获得通用测井表征，为下游岩性识别任务提供可复用的表征基础。通过预训练获得的测井基础模型可以学习多曲线测井响应中的共性规律，并输出沿深度方向和曲线维度组织的曲线令牌表征，为少标签条件下的岩性识别提供新的技术路径。

6、然而，测井数据并非普通多变量时间序列，而是由多条具有不同测量物理机理、量纲尺度、噪声特征和地质敏感性的曲线共同构成的多曲线物理响应系统。不同测井曲线在不同深度段、不同岩性背景和不同地层条件下对岩性判断的贡献不同；井深方向也不仅是普通序列索引，而是反映地层连续性、薄层变化和岩性边界过渡的地质坐标。因此，若仅将预训练测井基础模型输出的表征作为普通特征向量，并连接简单多层感知机分类头、冻结表征分类头或浅层微调分类头进行岩性识别，虽然能够验证预训练表征具有一定可用性，但仍难以明确接入多曲线证据差异、局部深度结构和岩性边界信息，难以将基础模型的通用测井表征稳定转化为符合地质结构的岩性识别结果。

7、此外，现有测井基础模型下游迁移方法多侧重于特征复用或浅层微调，缺少面向岩性识别任务的结构化适配机制，难以明确控制不同测井曲线在局部岩性判别中的贡献，也难以在稳定岩性层段、薄层夹层和边界过渡层段之间采用差异化的表征修正策略。因此，亟需一种能够保持测井基础模型预训练表征能力，并面向多曲线岩性识别任务进行曲线证据选择、局部深度结构聚合和边界门控残差校正的测井基础模型曲线-深度-边界适配方法。

技术实现思路

1、本发明针对现有测井岩性识别方法存在的有标签岩性样本稀缺、多曲线测井响应物理含义差异明显、深度方向局部地层结构利用不足、岩性边界区间识别不稳定、跨井泛化能力不足，以及测井基础模型下游迁移过程中缺少结构化地质解释适配机制等技术问题，提供一种基于曲线-深度-边界适配的测井基础模型岩性识别方法。该方法以多曲线测井数据为输入，并在训练阶段利用岩性标签提供监督约束，利用预训练测井基础模型提取分曲线、分深度片段的曲线令牌表征，并在该曲线令牌表征基础上依次进行曲线证据选择、局部深度结构聚合和边界门控残差校正，将预训练测井基础模型的通用测井表征转换为适用于逐深度岩性识别的岩性判别表征，最终输出连续井深方向上的岩性类别序列及对应类别概率。

2、为解决上述技术问题，本发明采用如下技术方案：

3、一种基于曲线-深度-边界适配的测井基础模型岩性识别方法，包括：

4、对多曲线测井数据进行统一预处理，获得标准化多曲线测井数据和曲线可用性掩码；

5、对标准化多曲线测井数据沿井深方向划分深度片段，结合测井片段嵌入、曲线类型嵌入、深度位置嵌入和缺失掩码嵌入构建测井令牌序列；

6、将测井令牌序列输入预训练测井基础模型，提取保留曲线维度和深度片段维度的曲线令牌表征；

7、对同一深度片段处各测井曲线的曲线令牌表征分别计算岩性证据评分，结合所述曲线可用性掩码进行归一化，得到按深度片段动态变化的曲线证据权重，并加权融合得到曲线证据融合表征；

8、在当前深度片段的局部深度邻域内，对曲线证据融合表征进行局部带掩码多头自注意力聚合，得到局部深度结构表征；

9、基于当前深度片段与相邻深度片段之间的曲线证据融合表征差异构建边界敏感信号，并输入门控函数得到残差注入门控系数，由残差注入门控系数控制局部深度结构表征对曲线证据融合表征的残差注入强度，获得适配表征；

10、将适配表征输入岩性识别输出头，输出逐深度岩性类别序列及概率。

11、在其中一个实施例中，所述对多曲线测井数据进行统一预处理，获得标准化多曲线测井数据和曲线可用性掩码，具体包括：

12、对多曲线测井数据进行深度对齐，将不同曲线统一重采样至相同深度坐标；

13、对每条测井曲线进行异常值处理，将无效值、空值或超出合理取值范围的值标记为缺失，并构建曲线可用性掩码；其中，表示第个深度采样点处第条测井曲线的可用性标识；对各测井曲线分别进行标准化，标准化后的值为

14、；

15、表示第个深度采样点处第条测井曲线的测井值，表示对应的标准化测井值；表示针对第条测井曲线设置的预处理变换函数；表示第条测井曲线的均值统计量；表示第条测井曲线的标准差统计量；表示用于避免分母为零的数值稳定项；

16、经上述处理得到标准化多曲线测井数据和对应的曲线可用性掩码。

17、在其中一个实施例中，所述对标准化多曲线测井数据沿井深方向划分深度片段，具体包括：

18、设深度片段长度为，则第个深度片段对应的深度采样点范围为：

19、；

20、为第个深度片段的起始采样点索引，表示第个深度片段对应的深度采样点集合，

21、当采用滑动窗口方式构建深度片段时，片段起始位置满足：

22、；

23、表示滑动步长，当时，相邻深度片段之间存在重叠；当时，相邻深度片段之间不重叠；

24、划分得到的深度片段数量为：

25、；

26、表示向下取整；

27、将第条测井曲线、第个深度片段的测井片段表示为：

28、；

29、表示第条测井曲线在第个深度片段内的标准化测井片段；表示第个深度采样点处第条测井曲线的标准化测井值；表示转置；

30、深度片段通过片段中心位置、片段起始位置或片段覆盖范围映射回原始井深坐标。

31、在其中一个实施例中，所述结合测井片段嵌入、曲线类型嵌入、深度位置嵌入和缺失掩码嵌入构建测井令牌序列，具体包括：

32、第条测井曲线的第个深度片段的片段可用性标识定义为：

33、；

34、其中，表示第条测井曲线在第个深度片段处的片段可用性标识；表示曲线可用性掩码中的第个深度采样点处第条测井曲线的可用性标识；表示片段有效比例阈值；

35、对深度片段中的测井片段进行片段嵌入编码，得到测井片段嵌入：

36、；

37、其中，表示第条测井曲线在第个深度片段处的测井片段嵌入；表示测井片段嵌入函数；表示测井片段嵌入函数的参数；

38、为每一条测井曲线构建曲线类型嵌入：

39、；

40、表示第条测井曲线对应的曲线类型嵌入；表示曲线类型嵌入函数；

41、为每一个深度片段位置构建深度位置嵌入：

42、；

43、其中，表示第个深度片段对应的深度位置嵌入；表示深度位置嵌入函数；

44、对于缺失、无效或有效比例不足的测井片段，采用缺失掩码嵌入代替真实测井片段嵌入；

45、将测井片段嵌入、曲线类型嵌入、深度位置嵌入和缺失掩码嵌入进行组合，得到第条测井曲线、第个深度片段对应的测井令牌：

46、；

47、其中，表示第条测井曲线、第个深度片段对应的测井令牌；

48、由所有测井曲线和所有深度片段对应的测井令牌构成测井令牌序列：

49、；

50、表示测井曲线数量；表示深度片段数量。

51、在其中一个实施例中，所述将测井令牌序列输入预训练测井基础模型，提取保留曲线维度和深度片段维度的曲线令牌表征，具体包括：

52、将测井令牌序列输入预训练测井基础模型：

53、；

54、表示预训练测井基础模型；表示预训练测井基础模型参数；表示预训练测井基础模型输出的曲线令牌表征集合；表示将模型输出整理为保留曲线维度和深度片段维度张量形式的操作；，表示批量样本数量，表示测井曲线数量；表示深度片段数量，表示第个样本、第条测井曲线、第个深度片段对应的曲线令牌表征。

55、在其中一个实施例中，所述对同一深度片段处各测井曲线的曲线令牌表征分别计算岩性证据评分，具体包括：

56、通过曲线证据评分函数计算曲线令牌表征在当前深度片段处的岩性证据评分：

57、；

58、其中，表示第个样本中第条测井曲线在第个深度片段处的岩性证据评分；表示曲线证据评分函数；表示曲线证据评分函数的可训练参数，表示第个样本、第条测井曲线、第个深度片段对应的曲线令牌表征。

59、在其中一个实施例中，所述结合所述曲线可用性掩码进行归一化，得到按深度片段动态变化的曲线证据权重，并加权融合得到曲线证据融合表征，具体包括：

60、对岩性证据评分进行掩码处理：

61、；

62、其中，表示经过曲线可用性掩码处理后的岩性证据评分，表示第个样本中第条测井曲线在第个深度片段处的可用性标识；当时，表示该测井片段有效；当时，表示该测井片段缺失、无效或不可用；

63、对同一深度片段处的岩性证据评分进行归一化，得到曲线证据权重：

64、；

65、其中，表示第个样本中第条测井曲线在第个深度片段处的曲线证据权重；表示数值稳定项；表示测井曲线数量，表示第个样本中第条测井曲线在第个深度片段处的岩性证据评分；

66、根据曲线证据权重，对同一深度片段处不同测井曲线的曲线令牌表征进行加权融合，得到曲线证据融合表征：

67、；

68、其中，表示第个样本在第个深度片段处的曲线证据融合表征；表示曲线证据权重；

69、由所有深度片段对应的曲线证据融合表征构成曲线证据融合表征序列：

70、；

71、表示第个样本对应的曲线证据融合表征序列。

72、在其中一个实施例中，所述在当前深度片段的局部深度邻域内，对曲线证据融合表征进行局部带掩码多头自注意力聚合，得到局部深度结构表征，具体包括：

73、第个深度片段的局部深度邻域为：

74、；

75、其中，表示邻域内的深度片段位置，表示局部深度邻域半径；

76、对曲线证据融合表征的序列进行层归一化处理：

77、；

78、其中，表示层归一化后的曲线证据融合表征；表示层归一化操作；

79、构建查询向量、键向量和值向量：

80、；；；

81、表示第个深度片段的查询向量；表示邻域内第个深度片段的键向量；表示邻域内第个深度片段的值向量；、、分别表示查询、键和值的线性映射参数；

82、在局部深度邻域内计算注意力权重：

83、；

84、其中，表示第个深度片段对邻域内第个深度片段的注意力权重；表示注意力计算维度；表示数值稳定项；

85、不属于局部深度邻域的深度片段的注意力权重设置为；

86、局部深度结构表征表示为：

87、；

88、其中，表示第个样本在第个深度片段处的局部深度结构表征。

89、在其中一个实施例中，所述基于当前深度片段与相邻深度片段之间的曲线证据融合表征差异构建边界敏感信号，并输入门控函数得到残差注入门控系数，由残差注入门控系数控制局部深度结构表征对曲线证据融合表征的残差注入强度，获得适配表征，具体包括：

90、基于当前深度片段与相邻深度片段之间的曲线证据融合表征差异构建边界敏感信号：

91、；

92、其中，表示第个样本在第个深度片段处的边界敏感信号；表示前一深度片段的曲线证据融合表征；表示后一深度片段的曲线证据融合表征；表示逐元素绝对值差异；和为指示函数，分别用于判断当前深度片段是否存在前一相邻片段和后一相邻片段；表示深度片段数量；

93、将当前深度片段的曲线证据融合表征与边界敏感信号进行拼接，并输入门控函数，得到残差注入门控系数：

94、；

95、其中，表示第个样本在第个深度片段处的残差注入门控系数；表示sigmoid激活函数；表示门控评分函数；表示门控评分函数的可训练参数；表示向量拼接；

96、将局部深度结构表征作为残差信息注入当前曲线证据融合表征，得到边界门控校正后的适配表征：

97、；

98、其中，表示第个样本在第个深度片段处经边界门控残差校正后的适配表征；表示曲线证据融合表征；表示残差缩放系数；表示残差注入门控系数；表示训练阶段的随机失活操作；表示第个样本在第个深度片段处的局部深度结构表征。

99、在其中一个实施例中，所述将适配表征输入岩性识别输出头，输出逐深度岩性类别序列及概率，具体包括：

100、将第个深度片段的适配表征输入岩性识别输出头，得到该深度片段内各深度采样点的岩性类别逻辑值，经softmax归一化得到岩性类别概率：

101、；

102、其中，表示第个样本、第个深度片段内第个位置属于第类岩性的预测概率；表示数值稳定项；为片段内位置索引，为岩性类别数；片段内位置与第t个深度采样点之间满足：；为第个深度片段的起始采样点索引；

103、当采用重叠深度片段时，对覆盖同一深度采样点的多个深度片段的预测概率进行加权融合，得最终类别概率：

104、；

105、其中，表示第个样本在第t个深度采样点处属于第类岩性的最终预测概率；表示第个深度片段对第t个深度采样点的融合权重；表示第t个深度采样点在第个深度片段内对应的位置索引；表示覆盖第t个深度采样点的深度片段集合；

106、第个样本中的第t个深度采样点的最终预测岩性类别为：

107、；

108、其中，表示第个样本在第个深度采样点处的预测岩性类别；

109、由所有深度采样点的最终预测岩性类别构成连续井深方向上的岩性类别序列：

110、；

111、其中，表示第个样本对应的岩性类别序列。

112、与现有技术相比，本发明的有益技术效果是：

113、1、本发明在预训练测井基础模型输出的曲线令牌表征基础上进行下游岩性识别适配，能够复用基础模型从大规模测井数据中学习到的通用测井响应规律，降低岩性识别任务对大量有标签井数据的依赖。在一种具体实施例中，基于force2020井级评价数据集，本发明方法取得accuracy为0.7394、mcc为0.5312、macro-f1为0.4442、weighted-f1为0.7090的岩性识别结果，相较于浅层测井基础模型迁移基线分别提高1.54、2.79、1.48和1.67个百分点。

114、2、本发明保留测井基础模型输出表征中的曲线维度，并通过曲线证据选择机制为不同深度片段处的不同测井曲线动态分配岩性判别权重，能够区分自然伽马、声波时差、密度、中子孔隙度、电阻率等测井曲线在不同深度段、不同岩性背景下的贡献差异，避免简单拼接、平均融合或固定权重融合导致的曲线证据混淆问题。

115、3、本发明引入局部深度结构聚合机制，仅在当前深度片段附近的局部深度邻域内聚合相邻测井响应信息，能够利用岩性沿井深方向的局部连续性和地层结构特征，同时避免全局平滑造成薄层、夹层和岩性边界被过度模糊。

116、4、本发明构建边界门控残差校正机制，根据相邻深度片段之间的表征差异生成边界敏感信号，并利用门控系数控制局部深度结构信息注入强度，使模型在训练约束下可学习稳定厚层段与薄层、混合岩性段和岩性边界附近不同的残差修正倾向，从而降低均匀上下文融合导致的边界模糊风险。

117、5、本发明将测井基础模型表征提取、曲线证据选择、局部深度结构聚合和边界门控残差校正形成统一的岩性识别适配流程，能够将通用测井表征进一步转换为具有曲线证据、局部深度结构和边界敏感性的岩性识别结果，提高多曲线测井岩性识别的准确性、稳定性和地质合理性。

118、6、在一种具体实施例中，采用本发明方法在force2020公开井级评价数据、geolink宽类岩性外部验证数据以及jiyang lith4id工业验证数据上进行岩性识别测试。测试结果表明，本发明方法在不同数据来源、不同岩性体系和工业受限数据条件下，均表现出相较浅层测井基础模型迁移对比方法的提升趋势。上述结果说明，本发明的曲线-深度-边界适配结构能够将预训练测井基础模型表征进一步转化为岩性解释任务中的结构化判别能力，而不是仅进行普通分类头替换。