储层分类模型的训练和分类方法、相关设备及存储介质

本技术涉及数据处理，尤其涉及一种储层分类模型的训练和分类方法、相关设备及存储介质。

背景技术：

1、不同类型的储层能够体现出不同储层潜力资源区之间的差异，选择合适的储层是油气资源高效开发的关键。相关技术中，通常依赖人工经验预测储层的类型，进而基于储层类型进行油气资源的开发。但是，通过人工经验预测储层类型的方案准确率低。可见，如何实现对储层类型的自动且准确预测成为亟待解决的技术问题。

技术实现思路

1、本技术提供了一种储层分类模型的训练和分类方法、相关设备及存储介质，以至少解决现有技术中存在的以上技术问题。

2、本技术提供了一种储层分类模型的训练方法，所述方法包括：

3、获取目标储层数据和目标储层数据的储层分类标签；

4、获取待训练的堆栈降噪自编码网络；所述待训练的堆栈降噪自编码网络通过对堆栈降噪自编码网络的第一层和除第一层之外的其余层进行不同的初始化处理得到；

5、将目标储层数据输入待训练的堆栈降噪自编码网络，对待训练的堆栈降噪自编码网络进行训练，得到特征提取网络；

6、基于所述特征提取网络，得到目标储层数据的目标特征；

7、将目标特征和所述目标储层数据的储层分类标签输入至待训练的加权随机森林分类器，对待训练的加权随机森林分类器进行训练，得到目标分类器；

8、基于所述特征提取网络和目标分类器，得到储层分类模型。

9、上述方案中，所述获取目标储层数据和目标储层数据的储层分类标签，包括：

10、获取原始储层数据和原始储层数据的储层分类标签；

11、对属于同一储层分类标签的原始储层数据进行数据增强，得到同一储层分类标签下的增强储层数据；

12、对各储层分类标签下的增强储层数据进行归一化处理，得到归一化储层数据；

13、对归一化储层数据加入噪声，得到目标储层数据；

14、将原始储层数据的储层分类标签作为目标储层数据的储层分类标签。

15、上述方案中，所述堆栈降噪自编码网络的每一层神经元均具有相应的权重参数和偏置参数；所述待训练的堆栈降噪自编码网络通过对堆栈降噪自编码网络的第一层和除第一层之外的其余层进行不同的初始化处理得到，包括：

16、基于第一初始化算法，对堆栈降噪自编码网络的第一层神经元的权重参数和偏置参数进行初始化；

17、基于第二初始化算法，对堆栈降噪自编码网络除第一层之外的其余层的权重参数和偏置参数进行初始化；

18、基于初始化后堆栈降噪自编码网络的第一层和除第一层之外的其余层，得到待训练的堆栈降噪自编码网络。

19、上述方案中，所述对待训练的加权随机森林分类器进行训练，得到目标分类器，包括：

20、对待训练的加权随机森林分类器进行训练，将加权随机森林分类器的训练结果反馈至特征提取网络，以得到特征提取网络的损失函数的损失值；

21、当特征提取网络的损失函数的损失值最小时，将损失值最小时的加权随机森林分类器作为目标分类器。

22、上述方案中，所述方法还包括：

23、获取待分类储层数据；

24、对待分类储层数据进行归一化处理，得到归一化后的待分类储层数据；

25、将归一化后的待分类储层数据输入至储层分类模型，得到对待分类储层数据的分类结果；所述分类结果由储层分类模型对归一化后的待分类储层数据进行特征提取，并基于提取到的特征进行分类而得到；所述分类结果表征待分类储层的所属类别。

26、本技术提供了一种储层分类方法，其特征在于，所述方法包括：

27、获取待分类储层数据；

28、对待分类储层数据进行归一化处理，得到归一化后的待分类储层数据；

29、将归一化后的待分类储层数据输入至储层分类模型，得到对待分类储层数据的分类结果；所述分类结果由储层分类模型中的特征提取网络对归一化后的待分类储层数据进行特征提取，并由储层分类模型中的目标分类器基于提取到的特征进行分类而得到；所述分类结果表征待分类储层的所属类别。

30、上述方案中，还包括：

31、基于待分类储层的所属类别，确定待开发储层；

32、基于所述待开发储层，对油气资源进行开发。

33、本技术提供了一种储层分类模型的训练装置，所述装置包括：

34、第一获取单元，用于获取目标储层数据和目标储层数据的储层分类标签；

35、第二获取单元，用于获取待训练的堆栈降噪自编码网络；所述待训练的堆栈降噪自编码网络通过对堆栈降噪自编码网络的第一层和除第一层之外的其余层进行不同的初始化处理得到；

36、第三获取单元，用于将目标储层数据输入待训练的堆栈降噪自编码网络，对待训练的堆栈降噪自编码网络进行训练，得到特征提取网络；

37、第四获取单元，用于基于所述特征提取网络，得到目标储层数据的目标特征；

38、第五获取单元，用于将目标特征和所述目标储层数据的储层分类标签输入至待训练的加权随机森林分类器，对待训练的加权随机森林分类器进行训练，得到目标分类器；

39、第六获取单元，用于基于所述特征提取网络和目标分类器，得到储层分类模型。

40、本技术提供了一种储层分类装置，所述装置包括：

41、第七获取单元，用于获取待分类储层数据；

42、第八获取单元，用于对待分类储层数据进行归一化处理，得到归一化后的待分类储层数据；

43、分类单元，用于将归一化后的待分类储层数据输入至储层分类模型，得到对待分类储层数据的分类结果；所述分类结果由储层分类模型中的特征提取网络对归一化后的待分类储层数据进行特征提取，并由储层分类模型中的目标分类器基于提取到的特征进行分类而得到；所述分类结果表征待分类储层的所属类别。

44、本技术提供了一种电子设备，包括：

45、至少一个处理器；以及

46、与所述至少一个处理器通信连接的存储器；其中，

47、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本技术所述的方法。

48、本技术提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本技术所述的方法。

49、本技术中，获取目标储层数据、目标储层数据的储层分类标签以及待训练的堆栈降噪自编码网络，待训练的堆栈降噪自编码网络通过对堆栈降噪自编码网络的第一层和除第一层之外的其余层进行不同的初始化处理得到。将目标储层数据输入待训练的堆栈降噪自编码网络，对待训练的堆栈降噪自编码网络进行训练，得到特征提取网络。基于特征提取网络，得到目标储层数据的目标特征，将目标特征和目标储层数据的储层分类标签输入至待训练的加权随机森林分类器，对待训练的加权随机森林分类器进行训练，得到目标分类器。基于特征提取网络和目标分类器，得到储层分类模型。实现了对储层分类模型的准确获取。进而在应用储层分类模型进行储层的分类时，能够降低相关技术中通过人工进行储层分类导致的误判率，实现对储层的准确分类。

50、应当理解，本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征，也不用于限制本技术的范围。本技术的其它特征将通过以下的说明书而变得容易理解。