[发明专利]一种基于分歧的半监督学习的地震岩性预测方法

说明书

本发明涉及一种基于分歧的半监督学习的地震岩性预测方法，包括以下步骤：S1：建立有标签学习样本，所述的有标签学习样本包含井位处的岩性标签以及对应的叠前、叠后地震记录数据、通过叠前反演获取的反演数据、叠后提取属性获取的地震信息；S2：建立无标签学习样本；S3：构建三个基分类器，基于有标签学习样本对三个基分类器进行训练；S4：利用无标签学习样本更新三个基分类器，直到三个基分类器都收敛；S5：利用训练完成的三个基分类器进行集成预测。与现有技术相比，本发明利用无标签数据采用基于分歧的半监督学习方法，有效对地震岩性进行预测，达到提升模型泛化能力的目的。

技术领域

本发明涉及地震岩性预测领域，尤其是涉及一种基于分歧的半监督学习的地震岩性预测方法。

背景技术

地震储层预测中钻井、测井数据往往很有限，相比无标签数据而言，有标签数据量很少，根据有标签数据构建的机器学习模型泛化能力有限。地震岩性预测需要建立钻井、测井的岩性资料与地震记录及其提取属性之间的映射关系，但由于往往只能获得很少量的钻井资料，所建立的映射关系不具有很好的泛化能力，对地震岩性的预测准确性差。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于分歧的半监督学习的地震岩性预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于分歧的半监督学习的地震岩性预测方法，包括以下步骤：

S1：建立有标签学习样本，所述的有标签学习样本包含井位处的岩性标签以及对应的叠前、叠后地震记录数据、通过叠前反演获取的反演数据、叠后提取属性获取的地震信息；

S2：建立无标签学习样本，所述的无标签学习样本包含井位周围的地震道对应的叠前、叠后地震记录数据和通过叠前反演、叠后提取属性获取的地震信息；

S3：构建三个基分类器，基于有标签学习样本对三个基分类器进行训练；

S4：利用无标签学习样本更新三个基分类器，直到三个基分类器都收敛；

S5：利用训练完成的三个基分类器进行集成预测。

优选地，所述的步骤S4具体包括：

S41：选定一个基分类器，利用另外两个基分类器对给定的无标签学习样本进行预测，将另外两个基分类器预测结果一致的无标签学习样本赋予假标签，将带有假标签的无标签学习样本与有标签学习样本结合作为被选定的基分类器的训练数据，更新被选定的基分类器，重复上述步骤对三个基分类器进行更新，完成一轮基分类器的更新；

S42：重复步骤S41，直到所有基分类器收敛。

优选地，所述的步骤S42中收敛的标准为所有无标签学习样本无法满足当前轮次再加入网络训练的条件。

优选地，所述的当前轮次再加入网络训练的条件为：

且，对进行降采样后新的样本量s_i需要满足并同时要求

其中，为当前轮次t基分类器i的假标签样本，为第t轮添加至基分类器i的假标签样本量，为第t-1轮添加至基分类器i的假标签样本量，表示t轮假标签样本的噪音标签比例，表示t-1轮“假标签”样本的噪音标签比例。

优选地，所述的假标签包括泥岩、砂岩和煤层。

优选地，所述的S2中选取每个井位周围的多个地震道的地震数据作为无标签学习样本。

优选地，所述的S2中选取每个井位周围的两个地震道的地震数据作为无标签学习样本。

优选地，所述的岩性标签包括泥岩、砂岩和煤层。