一种提升模型性能的方法、地层岩性预测方法及相关设备与流程

技术特征：
1.一种提升模型性能的方法，其特征在于，包括：基于岩层的地球物理特性，确定各目标测井曲线之间的逻辑关系集；基于所述逻辑关系集及训练样本所在地层的岩性，对训练样本进行标注，得到样本标签，所述训练样本为地层的各目标测井曲线的值；结合基于概率分布度量的损失函数以及所述逻辑关系集，构建目标损失函数；基于所述训练样本、所述样本标签及所述目标损失函数，对预设的地层岩性预测模型进行训练，得到目标地层岩性预测模型。2.根据权利要求1所述的方法，其特征在于，基于岩层的地球物理特性，确定各目标测井曲线之间的逻辑关系集的过程，包括：基于煤的物理特性，得到第一逻辑关系：如果，那么地层岩性为煤；基于硬石膏的物理特性，得到第二逻辑关系：如果，或，那么地层岩性为硬石膏；基于页岩的物理特性，得到第三逻辑关系：如果，那么地层岩性为页岩；其中，及为预设的密度值，为预设的中子孔隙度，为预设的伽马曲线读数。3.根据权利要求2所述的方法，其特征在于，基于所述逻辑关系集及训练样本所在地层的岩性，对训练样本进行标注，得到样本标签的过程，包括：基于所述逻辑关系集，得到第一扩展标签项：、第二扩展标签项：、第三扩展标签项：以及第四扩展标签项：；若训练样本所在地层的岩性为页岩，将所述训练样本的岩性标记为页岩，将所述训练样本的第一扩展标签项标记为1，将所述训练样本的第二扩展标签项标记为0，将所述训练样本的第三扩展标签项标记为0，将所述训练样本的第四扩展标签项标记为0；若训练样本所在地层的岩性为煤，将所述训练样本的岩性标记为煤，将所述训练样本的第一扩展标签项标记为0，将所述训练样本的第二扩展标签项标记为1，将所述训练样本的第三扩展标签项标记为0，将所述训练样本的第四扩展标签项标记为0；若训练样本所在地层的岩性为硬石膏，将所述训练样本的岩性标记为硬石膏，将所述训练样本的第一扩展标签项标记为0，将所述训练样本的第二扩展标签项标记为0，将所述训练样本的第三扩展标签项标记为1，将所述训练样本的第四扩展标签项标记为1；若训练样本所在地层的岩性为除了煤、硬石膏以及页岩以外的其他岩性，将所述训练样本的岩性标记为相应的岩性，将所述训练样本的第一扩展标签项标记为0，将所述训练样本的第二扩展标签项标记为0，将所述训练样本的第三扩展标签项标记为0，将所述训练样本的第四扩展标签项标记为0；其中，由训练样本的岩性及各扩展标签项构成样本标签。4.根据权利要求2所述的方法，其特征在于，所述基于概率分布度量的损失函数为二值交叉熵函数；结合基于概率分布度量的损失函数以及所述逻辑关系集，构建目标损失函数的过程，包括：基于所述逻辑关系集，构建多个约束项，所述约束项用于约束训练样本的岩性及各目标测井曲线的值；
利用乘积三角范数product t-norm将每一约束项转化为损失函数项；结合二值交叉熵函数及各损失函数项，构建目标损失函数。5.根据权利要求4所述的方法，其特征在于，所述多个约束项包括：第一约束项：；第二约束项：；第三约束项：；第四约束项：以及第五约束项：；其中，、和分别表示岩性为煤、硬石膏和页岩的概率，、和分别表示密度小于或等于、密度大于或等于、中子孔隙度小于或等于的概率，表示岩性为第i类岩性的概率。6.根据权利要求5所述的方法，其特征在于，利用乘积三角范数product t-norm将每一约束项转化为损失函数项的过程，包括：将所述第一约束项转换为第一损失函数项：；将所述第二约束项转换为第二损失函数项：；将所述第三约束项转换为第三损失函数项：；将所述第四约束项转换为第四损失函数项：；将所述第五约束项转换为第五损失函数项：。7.根据权利要求6所述的方法，其特征在于，结合二值交叉熵函数及各损失函数项，构建目标损失函数的过程，包括：将下述方程式确定为目标损失函数：
其中，为二值交叉熵函数，为激活函数的输出，、、、和分别为每一损失函数项的权重。8.根据权利要求1所述的方法，其特征在于，基于所述训练样本、所述样本标签及所述目标损失函数，对预设的地层岩性预测模型进行训练的过程，包括：将训练样本输入至地层岩性预测模型中，得到所述地层岩性预测模型的输出；基于训练样本的样本标签以及所述目标损失函数，计算得到所述输出的损失值，并以所述损失值趋近于预设的损失阈值为目标，更新所述地层岩性预测模型的可学习参数。9.一种提升模型性能的装置，其特征在于，包括：逻辑关系确定单元，用于基于岩层的地球物理特性，确定各目标测井曲线之间的逻辑关系集；样本标签确定单元，用于基于所述逻辑关系集及训练样本所在地层的岩性，对训练样本进行标注，得到样本标签，所述训练样本为地层的各目标测井曲线的值；损失函数构建单元，用于结合基于概率分布度量的损失函数以及所述逻辑关系集，构建目标损失函数；预测模型训练单元，用于基于所述训练样本、所述样本标签及所述目标损失函数，对预设的地层岩性预测模型进行训练，得到目标地层岩性预测模型。10.一种提升模型性能的设备，其特征在于，包括：存储器和处理器；所述存储器，用于存储程序；所述处理器，用于执行所述程序，实现如权利要求1~8中任一项所述的提升模型性能的方法的各个步骤。11.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1~8中任一项所述的提升模型性能的方法的各个步骤。12.一种地层岩性预测方法，其特征在于，包括：将对应于一地层的各目标测井曲线的值输入目标地层岩性预测模型，得到所述地层的岩性预测结果；其中，所述目标地层岩性预测模型为采用如权利要求1~8中任一项所述的提升模型性能的方法来构建的目标地层岩性预测模型。

技术总结
本申请公开了一种提升模型性能的方法、地层岩性预测方法及相关设备，所述提升模型性能的方法包括：基于岩层的地球物理特性，确定各目标测井曲线之间的逻辑关系集；基于所述逻辑关系集及训练样本所在地层的岩性，对训练样本进行标注，得到样本标签，所述训练样本为地层的各目标测井曲线的值；结合基于概率分布度量的损失函数以及所述逻辑关系集，构建目标损失函数；基于所述训练样本、所述样本标签及所述目标损失函数，对预设的地层岩性预测模型进行训练，得到目标地层岩性预测模型。本申请可以降低样本不均衡性对所述地层岩性预测模型性能的影响，提高了所述地层岩性预测模型预测的准确性，并且提高了所述地层岩性预测模型的可解释性。解释性。解释性。


技术研发人员：ꢀ(74)专利代理机构
受保护的技术使用者：深圳市峰和数智科技有限公司
技术研发日：2022.11.30
技术公布日：2022/12/30