[发明专利]融合迁移学习的孔隙结构分析方法

权利要求书

1.融合迁移学习的孔隙结构分析方法，其特征在于，包括以下步骤：

(1)通过嫁接的思想，对源域数据进行扩增，将其他井的数据进行嫁接，将嫁接后得到的数据作为源域；

实验中，将本模型用于预测泸州区块L206号井的孔隙结构，带标签数据为泸州区块黄203井数据；预测分为宏观孔隙结构及微观孔隙结构；宏观孔隙结构包括对孔隙度、总含气性、有机碳含量的预测；微观孔隙结构包含对总比表面积，以及宏孔、介孔、微孔的孔径预测；

对于宏观孔隙结构，由于数据量相对可观，但仅仅只用泸州区块黄203井作为源域数据，从预测结果来说依旧不理想，说明泸州区块黄203井数据依旧不够满足网络训练要求；由此，将同一区块的L205井、L207井同样作为源域，取相同特征，通过嫁接学习的思想，达到扩增源域数据的目的；

对于微观孔隙结构，由于数据量过少，无法通过嫁接，达到扩增源域样本的目的，所以在已有的泸州区块黄203井数据的基础上，以深度为基准，0.15m为差值，每个深度的样本点上下扩增，扩增后的数据，通过网络输出其特征，岩心值在已有样本的基础上波动不超过0.5；

(2)最小化分类器与特征提取器损失，来优化特征提取器与分类器参数；

表示为：

W，V：特征提取网络参数

b，c：分类网络参数

m：源域样本个数

损失

定义1-散度：给定上的源域和目标域两个分布，以及一个假设类和之间的-散度为：

输入样本空间

η(·)：分类器

Pr：概率分布

对于假设类可以通过计算下式，来计算两个样本和之间的经验-散度：

S：带标签源域样本

T：不带标签目标域样本

m：源域样本个数

m`：目标域样本个数

其中I[a]是指示函数，如果a为真，则为1，否则为0；

将源域样本表示为h(·)表示隐藏层，以及来自目标域的未标记样本，其表示为-散度为：

对于每个输入x，预测其标签以及域标签d∈{0,1}；假设输入x由特征提取器G_f映射到D维特征向量将特征映射中所有层的参数向量表示为θ_f，即f＝G_f(x；θ_f)；然后，将D维特征向量f通过标签预测器映射到标签用表示该映射的参数；

(3)最大化域判别器损失，优化域判别器参数；

表示为：

分类器分类损失

域判别器分类损失

u：域判别器网络参数

d：域标签

o(·)：域回归因子

λ:超参数，λ0，对域自适应正则化项赋予权重；

定理1：设是VC维数k的一个假设类，对于样本和的选择，概率为1-δ，对于每个有：

目标风险

R_S(η)：经验源风险

其中

只有当β项较小时，即当只存在一个分类器时，才能达到低风险；同时说明，为了在给定的固定VC维数类中找到一个具有小的分类器，学习算法应该最小化经验源风险R_S(η)和经验-散度间的差值；控制-散度的一个策略是找到一个对源域和目标域都尽可能难以区分的例子的表示；根据定理1，在这种表示方式下，具有低源风险的假设将在目标数据上表现良好；

将相同的D维特征向量f通过域分类器G_d映射到域标签d，参数为θ_d，

(4)通过反向传播进行优化；

μ：学习率；

标签预测损失；

L_d：域分类损失；

定义2特殊梯度反转层GRL：在反向传播过程中，GRL从后续层获取梯度，将其乘以-λ，并传递到前一层；

将GRL插入到特征提取器和域分类器之间，当反向传播过程通过GRL时，位于GRL，即L_d下游的损失的偏导数在GRL，即θ_f上游的层参数乘以-λ，即变为-可将梯度反转层视为一个伪函数R_λ(x)，描述其正向、反向传播的两个方程为：

R_λ(x)＝x             (14)

I：单位矩阵；

通过随机梯度下降进行优化：

实验中，针对宏观孔隙结构参数，源域由泸州区块黄203井、L205井、L207井通过嫁接得到，目标域为泸州区块L206井，最后输出得到泸州区块L206井的宏观孔隙结构参数；针对微观孔隙结构参数，源域为泸州区块黄203井，目标域为泸州区块L206井，最后输出得到泸州区块L206井的微观孔隙结构参数。