本發(fā)明涉及巖石領(lǐng)域，具體是一種基于先驗(yàn)貝葉斯級(jí)聯(lián)森林的頁巖巖性識(shí)別方法。

背景技術(shù)：

1、陸相頁巖儲(chǔ)層具有巖性種類多樣、縱向巖性變化頻繁、儲(chǔ)層非均質(zhì)性強(qiáng)的特點(diǎn)，準(zhǔn)確識(shí)別頁巖巖性對(duì)于頁巖儲(chǔ)層評(píng)價(jià)和開發(fā)具有重要意義。實(shí)驗(yàn)室?guī)r心分析是最準(zhǔn)確的巖性識(shí)別方法，掃描電鏡、x射線衍射全巖礦物分析（xrd)都是實(shí)驗(yàn)室識(shí)別巖性的手段，巖性鑒定等實(shí)驗(yàn)室?guī)r性識(shí)別方法雖然準(zhǔn)確性高，但是成本高昂且獲取困難，難以全地層應(yīng)用，因此測(cè)井巖性識(shí)別開始嶄露頭角。在測(cè)井巖性識(shí)別領(lǐng)域，交會(huì)圖法是用于識(shí)別巖性的經(jīng)典方法，但是識(shí)別效果不理想；引入機(jī)器學(xué)習(xí)算法之后，人們提出了基于人工神經(jīng)網(wǎng)絡(luò)的識(shí)別模型，bp神經(jīng)網(wǎng)絡(luò)模型等不同方法來識(shí)別頁巖巖性或巖性，但是由于井?dāng)?shù)據(jù)分類時(shí)的類不平衡問題，準(zhǔn)確性較低，最終的識(shí)別效果還有待提高。

2、綜上，現(xiàn)有的頁巖巖性識(shí)別方法中，鮮有存在成本較低、準(zhǔn)確性高的方法，需要改進(jìn)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于先驗(yàn)貝葉斯級(jí)聯(lián)森林的頁巖巖性識(shí)別方法，以解決上述背景技術(shù)中提出的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種基于先驗(yàn)貝葉斯級(jí)聯(lián)森林的頁巖巖性識(shí)別方法，包括以下步驟：

4、步驟1，首先建立陸相頁巖的礦物預(yù)訓(xùn)練模型數(shù)據(jù)集，然后將數(shù)據(jù)集中的測(cè)井?dāng)?shù)據(jù)作為特征，礦物數(shù)據(jù)作為標(biāo)簽，使用貝葉斯極端梯度提升回歸器進(jìn)行訓(xùn)練，并保存礦物預(yù)訓(xùn)練模型；

5、步驟2，建立陸相頁巖的巖性預(yù)測(cè)模型訓(xùn)練數(shù)據(jù)集，并使用自適應(yīng)多目標(biāo)群體融合方法對(duì)巖性預(yù)測(cè)模型訓(xùn)練數(shù)據(jù)集進(jìn)行重采樣；

6、步驟3，以重采樣后的巖性預(yù)測(cè)模型訓(xùn)練數(shù)據(jù)集為基礎(chǔ)，使用貝葉斯極端梯度提升分類器進(jìn)行訓(xùn)練生成巖性預(yù)測(cè)模型，之后將待識(shí)別的數(shù)據(jù)輸入礦物預(yù)訓(xùn)練模型生成礦物特征，隨后輸入預(yù)測(cè)模型得到最終的巖性預(yù)測(cè)結(jié)果。

7、作為本發(fā)明再進(jìn)一步的方案：步驟1包括：

8、步驟11，建立包含測(cè)井?dāng)?shù)據(jù)和礦物數(shù)據(jù)的陸相頁巖礦物預(yù)訓(xùn)練模型數(shù)據(jù)集；其中測(cè)井?dāng)?shù)據(jù)為不同陸相頁巖巖石樣本的測(cè)井?dāng)?shù)據(jù)，礦物數(shù)據(jù)為xrd礦物數(shù)據(jù)；

9、步驟12，將不同陸相頁巖巖石樣本的測(cè)井?dāng)?shù)據(jù)作為特征，xrd礦物數(shù)據(jù)作為標(biāo)簽，使用貝葉斯極端梯度提升回歸器進(jìn)行訓(xùn)練得到礦物預(yù)訓(xùn)練模型并保存。

10、作為本發(fā)明再進(jìn)一步的方案：步驟11中，xrd礦物數(shù)據(jù)包括礦物的質(zhì)量含量，礦物包括石英、鉀長石、斜長石、方解石、鐵白云石、白云石、菱鐵礦、黃鐵礦、粘土，不同陸相頁巖巖石樣本的測(cè)井?dāng)?shù)據(jù)包括聲波時(shí)差（ac）、中子測(cè)井（cnl）、密度測(cè)井（den）、自然伽馬測(cè)井（gr）、體積光電截面吸收指數(shù)（pe）、深側(cè)向電阻率（rlld）。

11、作為本發(fā)明再進(jìn)一步的方案：步驟12中，通過貝葉斯極端梯度提升回歸器，使用貝葉斯優(yōu)化尋參過程后的極端梯度提升方法，來應(yīng)對(duì)陸相頁巖的復(fù)雜性；

12、極端梯度提升（xgboost）的目標(biāo)函數(shù)為：

13、（1）；

14、其中，為損失函數(shù)，為總節(jié)點(diǎn)值，為當(dāng)前節(jié)點(diǎn)值，為樣本數(shù)，為迭代次數(shù)，為第次迭代預(yù)測(cè)值的一階導(dǎo)，為第次迭代預(yù)測(cè)值的二階導(dǎo)，表示決策樹中第個(gè)節(jié)點(diǎn)值，為葉子節(jié)點(diǎn)處的樣本集，為葉節(jié)點(diǎn)個(gè)數(shù)，和為用于控制樹復(fù)雜度的剪枝參數(shù)；

15、由于極端梯度提升（xgboost）存在目標(biāo)評(píng)價(jià)指標(biāo)的最大化過程，因此需要用貝葉斯優(yōu)化極端梯度提升（xgboost）尋找最優(yōu)學(xué)習(xí)器參數(shù)的過程，

16、（2）；

17、其中表示參數(shù)向量，pa表示參數(shù)向量的集合；

18、在確定優(yōu)化方向時(shí)，使用預(yù)期改進(jìn)方法（expected?improvement）作為采集方程（acquisition?function），即：

19、（3）；

20、其中表示模型指標(biāo)，表示模型指標(biāo)閾值，表示在參數(shù)向量下，模型指標(biāo)提升的程度，代表根據(jù)已有調(diào)參歷史的概率分布模型；

21、在這時(shí)，下一個(gè)搜索的參數(shù)向量為

22、

23、在這過程中，指標(biāo)閾值通過高斯過程回歸實(shí)現(xiàn)；至此，將礦物預(yù)訓(xùn)練數(shù)據(jù)集投入貝葉斯極端梯度提升回歸器進(jìn)行訓(xùn)練即可得到礦物預(yù)訓(xùn)練模型。

24、作為本發(fā)明再進(jìn)一步的方案：步驟2包括：

25、步驟21，建立包含巖性信息和測(cè)井?dāng)?shù)據(jù)的陸相頁巖的巖性預(yù)測(cè)模型訓(xùn)練數(shù)據(jù)集；

26、步驟22，使用自適應(yīng)多目標(biāo)群體融合方法對(duì)訓(xùn)練集進(jìn)行重采樣，自適應(yīng)多目標(biāo)群體融合方法（amsco）構(gòu)建兩個(gè)子組，其中一個(gè)子組通過群實(shí)例選擇（sis）來優(yōu)化多數(shù)類，另一個(gè)通過合成少數(shù)類實(shí)例的過采樣技術(shù)（osmote）來優(yōu)化少數(shù)類；過采樣技術(shù)（osmote）通過將生成的樣本插入數(shù)據(jù)空間中的任何或k個(gè)少數(shù)類最近鄰的線段（k也稱為kappa值），并通過粒子群優(yōu)化（pso）進(jìn)行優(yōu)化，在粒子的優(yōu)化過程中，需要滿足三個(gè)更新標(biāo)準(zhǔn)：新粒子的準(zhǔn)確性和kappa值都要優(yōu)于現(xiàn)有粒子；新粒子的當(dāng)前kappa閾值必須優(yōu)于舊粒子的kappa值。

27、作為本發(fā)明再進(jìn)一步的方案：步驟21中，陸相頁巖的巖性預(yù)測(cè)模型訓(xùn)練數(shù)據(jù)集包含不同陸相頁巖巖石樣本的巖性信息和測(cè)井?dāng)?shù)據(jù)，不同陸相頁巖巖石樣本的巖性信息來源于巖石樣本的薄片鑒定結(jié)果；不同陸相頁巖巖石樣本的測(cè)井?dāng)?shù)據(jù)包括聲波時(shí)差（ac）、中子測(cè)井（cnl）、密度測(cè)井（den）、自然伽馬測(cè)井（gr）、體積光電截面吸收指數(shù)（pe）、深側(cè)向電阻率（rlld）。

28、作為本發(fā)明再進(jìn)一步的方案：步驟22中，新粒子的準(zhǔn)確性和kappa值都要優(yōu)于現(xiàn)有粒子可替換為新粒子的準(zhǔn)確性和kappa值中的一個(gè)優(yōu)于現(xiàn)有粒子。

29、作為本發(fā)明再進(jìn)一步的方案：步驟3包括：

30、步驟31，將重采樣后的巖性預(yù)測(cè)模型訓(xùn)練數(shù)據(jù)集投入步驟1所得的礦物預(yù)訓(xùn)練模型中，生成新的陸相頁巖礦物結(jié)果；之后，將重采樣后的巖性預(yù)測(cè)模型訓(xùn)練數(shù)據(jù)集中的測(cè)井?dāng)?shù)據(jù)和新生成的礦物結(jié)果作為特征，巖性作為標(biāo)簽，再次使用貝葉斯極端梯度提升分類器進(jìn)行訓(xùn)練，生成巖性預(yù)測(cè)模型；

31、步驟32，將待識(shí)別的數(shù)據(jù)輸入步驟1所得的陸相頁巖礦物預(yù)訓(xùn)練模型生成新的礦物結(jié)果，隨后將新的礦物結(jié)果和待識(shí)別的測(cè)井?dāng)?shù)據(jù)輸入巖性預(yù)測(cè)模型，即可得到最終的巖性預(yù)測(cè)結(jié)果。

32、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明考慮了測(cè)井?dāng)?shù)據(jù)的類不平衡問題，使用自適應(yīng)多目標(biāo)群體融合（amsco）對(duì)數(shù)據(jù)集進(jìn)行重采樣，使用x射線衍射全巖礦物分析（xrd）數(shù)據(jù)，借助貝葉斯梯度提升回歸器進(jìn)行了特征生成，然后使用貝葉斯梯度提升分類器進(jìn)行頁巖巖性識(shí)別，在準(zhǔn)確性高的情況下成本低，為頁巖巖性識(shí)別提供了可靠方案；

33、本發(fā)明中礦物預(yù)訓(xùn)練模型將離散的實(shí)驗(yàn)室礦物含量測(cè)量數(shù)據(jù)與連續(xù)的井中數(shù)據(jù)通過貝葉斯極端梯度提升方法建立映射，這種關(guān)聯(lián)為井中數(shù)據(jù)增添了新的維度，形成了連續(xù)的井中礦物含量數(shù)據(jù)，增加了數(shù)據(jù)集的信息；

34、本發(fā)明使用的貝葉斯極端梯度提升是基于梯度提升框架的樹集成算法，其使用決策樹作為弱學(xué)習(xí)器，與神經(jīng)網(wǎng)絡(luò)等其他機(jī)器學(xué)習(xí)方法相比，結(jié)構(gòu)更加簡單，模型的可解釋性更強(qiáng)；

35、本發(fā)明使用的貝葉斯極端梯度提升方法，用基于殘差學(xué)習(xí)思想的梯度提升框架搭配先驗(yàn)約束后驗(yàn)的貝葉斯優(yōu)化理論，具有自適應(yīng)調(diào)整超參數(shù)的特點(diǎn)，更加易于應(yīng)用，可在固定時(shí)間成本內(nèi)達(dá)到最優(yōu)化效果；

36、本發(fā)明使用自適應(yīng)多目標(biāo)群體融合可以自適應(yīng)的改善陸相頁巖井中數(shù)據(jù)的不平衡問題，提高頁巖巖性識(shí)別的精度。