基于深度学习的核磁共振回波数据的重构方法及重构装置

本技术涉及核磁共振测井数据处理，具体地涉及一种基于深度学习的核磁共振回波数据的重构方法及重构装置。

背景技术：

1、核磁共振测井技术凭借其对地层孔隙流体信息的直接探测能力，已成为复杂油气藏评价中不可或缺的重要手段。该技术通过测量地层中氢原子核的弛豫信号，获取横向弛豫时间（

t2）分布谱，进而提供孔隙度、渗透率、可动流体饱和度及束缚水饱和度等关键储层参数，在油气勘探与开发领域具有广泛的应用价值。

2、在核磁共振测井数据采集过程中，仪器向地层发射射频脉冲序列，激发地层孔隙流体中的氢原子核产生核磁共振信号，随后采集由氢原子核弛豫过程产生的回波序列数据。该回波序列数据为一组按时间序列排列的多指数衰减信号，其完整长度通常包含数千个回波点。为获取可靠的

t2谱反演结果，测井作业中需要采集完整的回波序列数据，单次测量耗时长、功耗高。

3、然而，无缆化核磁共振测井仪器依赖井下电池供电，能量供给极为有限，若按传统方式采集完整回波序列，不仅会严重制约单次下井的有效测井时长与长井段连续作业覆盖能力，还会因大量数据存储占用井下存储资源而进一步增加系统能耗负担。因此，上述因素已成为制约无缆化核磁共振测井技术规模化应用的关键瓶颈。

4、为此，已有学者提出利用压缩感知技术对核磁共振回波数据进行压缩采集与重构，通过对回波数据进行非均匀采样以降低数据量，再通过优化算法重构完整回波信号。然而，该类方法虽在一定程度上减少了采样点数，但当地层孔隙结构复杂时，重构精度显著下降，难以满足后续

t2谱反演对回波数据精度的要求。因此，现有技术存在根据不完整短回波序列数据重构得到的完整回波序列数据精度较低的问题。

技术实现思路

1、本技术的目的是提供一种基于深度学习的核磁共振回波数据的重构方法、重构装置、存储介质及计算机程序产品，用以解决现有技术中存在的回波数据重构精度较低的问题。

2、为了实现上述目的，本技术第一方面提供一种深度学习的核磁共振回波数据的重构方法，方法包括：

3、获取待重构的原始回波序列数据；

4、从原始回波序列数据中截取满足预设输入长度的目标回波序列数据，目标回波序列数据位于原始回波序列数据的末尾；

5、将目标回波序列数据输入经预训练的回波数据重构模型，以输出预测回波序列数据；

6、将预测回波序列数据拼接至原始回波序列数据的末尾，以得到拼接回波序列数据；

7、根据拼接回波序列数据生成训练样本，并通过训练样本对回波数据重构模型进行重训练，以得到重训练后的回波数据重构模型；

8、将原始回波序列数据更新为拼接回波序列数据，并将预训练的回波数据重构模型更新为重训练后的回波数据重构模型，重复上述步骤，直至拼接回波序列数据达到预设序列长度，以完成原始回波序列数据的重构。

9、在本技术中，根据拼接回波序列数据生成训练样本，包括：获取满足预设重训练长度的第一滑动窗口；从拼接回波序列数据的起始位置开始，基于第一滑动窗口从拼接回波序列数据截取重训练输入样本和重训练输出样本；将第一滑动窗口向后移动第一预设滑动距离，并于新的位置重新截取重训练输入样本和重训练输出样本；重复上述步骤，直至第一滑动窗口移动至拼接回波序列数据的末尾位置，并汇总所有重训练输入样本和重训练输出样本得到训练样本。

10、在本技术中，方法还包括回波数据重构模型的预训练步骤，包括：获取满足预设预训练长度的第二滑动窗口；从原始回波序列数据的起始位置开始，基于第二滑动窗口从原始回波序列数据截取预训练输入样本和预训练输出样本；将第二滑动窗口向后移动第二预设滑动距离，并于新的位置重新截取预训练输入样本和预训练输出样本；重复上述步骤，直至第二滑动窗口移动至原始回波序列数据的末尾位置，汇总所有预训练输入样本和预训练输出样本得到预训练样本，并基于预训练样本对回波数据重构模型进行预训练。

11、在本技术中，回波数据重构模型，包括：输入层，用于接收预训练样本；卷积特征提取模块，连接于输入层之后，包括依次连接的第一卷积层、第一激活函数、第二卷积层和第二激活函数；第一卷积层用于对预训练样本进行卷积处理，输出第一卷积特征；第一激活函数用于对第一卷积特征进行非线性变换，输出第一非线性特征；第二卷积层用于对第一非线性特征进行卷积处理，输出第二卷积特征；第二激活函数用于对第二卷积特征进行非线性变换，输出卷积输出特征；注意力机制模块，连接于卷积特征提取模块之后，包括全局平均池化层、第一全连接层、第三激活函数、第二全连接层、第四激活函数以及加权单元；全局平均池化层用于对卷积输出特征沿序列维度进行全局平均池化，生成通道描述向量；第一全连接层和第三激活函数用于对通道描述向量进行降维和非线性变换，生成中间特征；第二全连接层和第四激活函数用于对中间特征进行升维和归一化处理，生成注意力权重；加权单元用于将注意力权重与卷积输出特征进行逐通道点乘，输出增强后的特征图；长短期记忆网络层，连接于注意力机制模块之后，用于对增强后的特征图沿序列方向进行时序特征提取，生成时序特征向量；输出层，连接于长短期记忆网络层之后，用于根据时序特征向量生成预测回波序列。

12、在本技术中，第一卷积层采用5×1卷积核及16路通道，第二卷积层采用3×1卷积核及64路通道；长短期记忆网络层包含隐含节点数为200的长短期记忆网络单元；输出层包含丢弃率为0.2的丢弃层及神经元数量等于预测回波序列的长度的全连接层。

13、在本技术中，在从原始回波序列数据中截取满足预设输入长度的目标回波序列数据之前，还包括：对原始回波序列数据进行归一化处理。

14、在本技术中，在从原始回波序列数据中截取满足预设输入长度的目标回波序列数据之前，还包括：在原始回波序列数据的信噪比小于预设阈值的情况下，对待重构的原始回波序列数据进行去噪处理。

15、本技术第二方面提供一种基于深度学习的核磁共振回波数据的重构装置，包括：存储器，被配置成存储指令；以及处理器，被配置成从存储器调用指令以及在执行指令时能够实现上述的基于深度学习的核磁共振回波数据的重构方法。

16、本技术第三方面提供一种机器可读存储介质，机器可读存储介质上存储有指令，指令用于使得机器执行上述的基于深度学习的核磁共振回波数据的重构方法。

17、本技术第四方面提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述的基于深度学习的核磁共振回波数据的重构方法。

18、上述技术方案，首先获取待重构的原始回波序列数据；从原始回波序列数据中截取满足预设输入长度且位于原始回波序列数据的末尾的目标回波序列数据。随后，将目标回波序列数据输入经预训练的回波数据重构模型，以输出预测回波序列数据；将预测回波序列数据拼接至原始回波序列数据的末尾，以得到拼接回波序列数据，进而根据拼接回波序列数据生成训练样本，并通过训练样本对回波数据重构模型进行重训练，以得到重训练后的回波数据重构模型，此时的回波数据重构模型学习到的回波序列数据的内容更多。由此可见，由于用于重新训练回波数据重构模型的样本数据包括新预测的回波序列数据，因此根据包含新预测的回波序列数据在内的拼接回波数据对回波数据重构模型重新训练可以得到更加精准的回波数据重构模型。最后，将原始回波序列数据更新为拼接回波序列数据，并将预训练的回波数据重构模型更新为重训练后的回波数据重构模型，重复上述步骤，直至拼接回波序列数据达到预设序列长度，以完成原始回波序列数据的重构。由此可见，通过不断对拼接回波序列数据进行更新，并将重训练的回波数据重构模型更新为更精准的回波数据重构模型，可以实现“预测-训练-再预测”的循环架构。通过不断增加回波数据重构模型所学习的样本的数量，可以不断调整回波数据重构模型的精确度，最终使得原始回波序列数据的重构整体精度更高。

19、本技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。