一种用于识别页岩层理缝的MS-BFI框架及层理缝识别的方法

本发明涉及测井，尤其涉及一种用于识别页岩层理缝的ms-bfi框架及层理缝识别的方法。

背景技术：

1、层理缝是指在成岩和构造作用过程中形成的、与层理界面平行或近似平行的岩石破裂，是细粒沉积岩中常见的天然裂缝类型。这类裂缝在页岩中广泛分布，属于主要裂缝类型之一，对页岩储层质量、油气富集、单井产能及压裂效果具有关键影响。因此，精确识别层理缝对于页岩储层评价至关重要。

2、随着人工智能技术的发展，机器学习已成为石油行业的重要工具，为利用地球物理测井数据进行裂缝识别提供了全新视角。与传统的裂缝识别方法（如统计分析和交汇图模板法）相比，机器学习凭借其多维数据处理、自动特征学习及非线性建模等优势，能够更有效地捕捉目标特征与隐含特征之间的内在映射关系。作为一种数据驱动技术，机器学习的准确性高度依赖于输入数据的数量和质量。通常，标准机器学习算法假设存在大规模且均衡的训练数据集。然而在实际应用中，所采集的测井数据中代表非裂缝样本的数据占绝大多数，而相应的裂缝样本则极为稀少。这种不平衡性会导致机器学习分类器在训练过程中严重偏向多数类（即非裂缝），从而忽略少数类（即裂缝），并显著降低模型的裂缝识别性能。

3、迄今为止，已有多种方法被提出用于解决类别不平衡问题，这些方法可分为数据层面（如过采样、欠采样）和算法层面（如成本敏感学习、集成学习）两大类。尽管上述方法在解决数据不平衡问题方面做出了重要贡献，但是当应用于极度不平衡的数据时，这些方法各自存在明显的缺陷和局限性。具体而言，数据重采样虽然简单易实施，但可能导致信息丢失、引入噪声并扭曲原始数据结构；成本敏感学习与基础分类器具有高度兼容性且计算效率高，但其效果很大程度上依赖于预设的成本参数--调整这些参数需要丰富的先验知识和经验性调参，在类别不平衡严重时往往难以获得最优结果；集成学习通过整合多个分类器具备强大的鲁棒性和泛化能力，并能降低过拟合风险；但其实现过程复杂、成本高昂且耗时较长，同时多种分类模型的有效组合仍面临显著挑战。

4、生成对抗网络（gan）作为一种基于深度学习算法的生成模型，凭借其强大的数据增强能力，在不平衡分类领域引起了广泛关注。近年来，gan已被引入石油地质行业，为层理缝测井识别中的数据不平衡问题提供了有效解决方案。然而，直接应用原始gan模型进行裂缝识别仍面临诸多挑战：1）标准gan架构属于无监督生成算法，其生成的随机数据缺乏特定含义且无法涵盖真实数据的整体分布特征；这些生成数据仅能代表原始样本数据集的一部分。这可能导致模型生成时多样性不足并产生潜在偏差，即模式坍塌现象。2）生成数据中不可避免地存在低质量样本或异常样本（例如位于决策边界上的某些生成样本容易被误归入其他类别），这些数据会降低生成数据对分类器训练的贡献度；这种影响会随着模型迭代次数增加而逐渐加剧，最终损害模型的性能表现。3）层理缝的形成是一个连续的地质过程，因此裂缝测井响应不仅呈现数值异常特征，还表现出时空相关性。

技术实现思路

1、本发明针对现有技术中存在的技术问题，提供一种用于识别页岩层理缝的ms-bfi框架及层理缝识别的方法，通过综合利用条件生成对抗网络（cgan）的数据增强能力、孤立森林（iforest）的异常数据检测能力、卷积神经网络（cnn）的局部特征提取能力以及双向长短期记忆网络（bilstm）的序列建模能力，实现了在复杂地质条件下层理缝识别准确性与稳定性的双重提升。

2、根据本发明的第一方面，提供了一种用于识别页岩层理缝的ms-bfi框架，包括：条件生成对抗网络、孤立森林模型和混合分类器；

3、所述条件生成对抗网络包括生成器和判别器，所述生成器基于条件信息和随机噪声生成模拟各种测井数据平衡分布的伪样本数据，所述判别器用于对所述伪样本数据的真实概率进行判别；所述条件信息为先验约束信息；

4、所述孤立森林模型用于剔除所述伪样本数据中的异常数据；

5、所述混合分类器基于包含测井数据的样本数据集及所述伪样本数据的混合数据集进行训练，输出所述层理缝的分类结果。

6、在上述技术方案的基础上，本发明还可以作出如下改进。

7、可选的，所述条件生成对抗网络的目标函数为：

8、

9、其中，表示判别器网络，表示生成器网络；表示价值函数；表示真实数据的分布；x表示服从分布的真实数据；表示嵌入所述生成器与判别器的输入端的条件信息；表示随机噪声分布；z表示服从分布的随机噪声；和分别表示条件信息下所述生成器与判别器的输出；表示分布函数的数学期望。

10、可选的，所述条件信息的形式包括：类别标签、属性参数或多源模态数据；

11、所述类别标签包括：裂缝密度标签。

12、可选的，所述生成器以拼接向量作为输入数据，输出所述伪样本数据；所述拼接向量由均匀分布随机噪声与所述条件信息组成；

13、所述判别器以所述伪样本数据与真实数据作为输入，输出将所述伪样本数据判别为真实数据的概率的标量预测分数；

14、通过交替执行1步所述生成器的网络优化与k步判别器的网络优化，进行所述条件生成对抗网络的目标函数的最优值求解；k为预设的大于1的正整数。

15、可选的，所述孤立森林模型的训练过程包括：

16、构建孤立树，从样本数据集中随机抽取一批样本子集，送入所述孤立树的根节点；

17、随机选取样本的一个属性，在该属性取值的最大值与最小值区间内选定分裂阈值，依据所述分裂阈值依次将所述样本子集内各样本划分至左子树或右子树，直至每个节点仅包含单个样本点，或是二叉树达到预设高度上限。

18、可选的，构建完成的所述孤立树使用异常分数对所述伪样本数据进行异常检测，剔除所述伪样本数据中的异常数据；

19、所述异常分数的计算公式为：；

20、其中，表示任意第i个输入数据，n表示样本数量；

21、表示路径长度，所述路径长度的定义为从根节点到外部节点在所述孤立树中经过的边数；表示所有孤立树对应的平均路径长度；

22、表示归一化因子；；为调和算子。

23、可选的，所述混合分类器包括：卷积神经网络、双向长短期记忆网络和分类头；

24、所述卷积神经网络基于局部感受野与权值共享机制自动提取所述测井数据中层理缝引发的局部测井特征；

25、所述双向长短期记忆网络通过双向处理输入的序列数据，把局部测井特征和测井特征之间的长期依赖关系进行融合，得到融合后特征向量；

26、所述分类头的输入为所述融合后特征向量，建立所述融合后特征向量到层理缝类别的映射关系，输出所述层理缝的分类概率。

27、根据本发明的第二方面，提供一种基于ms-bfi框架进行层理缝识别的方法，包括：

28、步骤1，获取原始测井数据并根据岩心观测与成像测井解释结果对所述原始测井数据进行标签标记，对标签标记后的所述原始测井数据进行预处理后构建得到样本数据集；

29、步骤2，将所述样本数据集输入所述条件生成对抗网络，所述条件生成对抗网络以不同标签的样本分布均衡为目标生成各个所述伪样本数据；

30、步骤3，基于所述孤立森林模型剔除所述伪样本数据中的异常数据；

31、步骤4，使用所述混合数据集对所述混合分类器进行训练，将待测测井数据输入训练完成的所述混合分类器中，所述混合分类器输出所述层理缝的分类结果。

32、可选的，所述步骤1中对所述测井数据进行预处理的过程包括：

33、异常值剔除；采用最小-最大标准化函数将所述原始测井数据归一化至统一区间；应用滑动窗口法，按照设定窗口高度和滑动步长生成张量样本数据。

34、可选的，所述步骤4之后还包括：

35、步骤5，基于测试数据和盲井数据对所述混合分类器进行测试，结合混淆矩阵对所述混合分类器的性能进行评估。

36、本发明提供的一种用于识别页岩层理缝的ms-bfi框架及层理缝识别的方法，针对常规测井数据存在类别分布不均和非线性特征，提出了一种ms-bfi新型融合框架，该ms-bfi框架整合了条件生成对抗网络（cgan）、孤立森林（iforest）、卷积神经网络（cnn）以及双向长短期记忆网络（bilstm）；cgan负责生成样本，以扩充少数族裔样本、提升生成数据质量，从而解决分布不均与多样性不足的问题；基于iforest算法设计噪声滤波方案，以提高生成样本的可靠性；将cnn与bilstm结合构建混合分类器，以捕捉测井数据的序列特征，并提升模型的准确性和泛化能力；各单元协同工作，使ms-bfi模型能够对分布不平衡的测井数据实现层理缝的多步骤准确预测，通过在真实数据集上进行实验并与多种经典数据增强技术进行比较，所提出的方法展现出优异的性能。针对四川盆地南部志留系海相页岩的常规测井数据集应用表明，所提出的ms-bfi模型在测试数据和盲井数据上的识别准确率分别达到94.59%和94.66%，验证了该方法在识别层理缝的有效性。。该方法为在数据不均衡且地质条件复杂的情况下识别层理缝提供了稳健有效的解决方案，有望在石油工业中得到实际应用。