本技術涉及(ji)數(shu)據處理領(ling)域，具體涉及(ji)一種沉積微相劃分方法、系統、設(she)備及(ji)存儲介(jie)質。

背景技術：

1、沉積(ji)相(xiang)(xiang)研究是(shi)油氣勘探開(kai)發工(gong)作(zuo)(zuo)的(de)(de)(de)(de)(de)基(ji)礎和(he)重點。由(you)于獲取巖(yan)心資料的(de)(de)(de)(de)(de)成(cheng)本高昂且數(shu)(shu)(shu)量有限，測(ce)(ce)(ce)井(jing)曲(qu)(qu)(qu)線(xian)數(shu)(shu)(shu)據(ju)因其豐富的(de)(de)(de)(de)(de)信息含量而被廣泛用(yong)于沉積(ji)微(wei)(wei)(wei)相(xiang)(xiang)的(de)(de)(de)(de)(de)識別和(he)劃分(fen)(fen)。通過建(jian)立測(ce)(ce)(ce)井(jing)曲(qu)(qu)(qu)線(xian)形(xing)態(tai)與(yu)對應沉積(ji)微(wei)(wei)(wei)相(xiang)(xiang)類(lei)型(xing)之間的(de)(de)(de)(de)(de)指示關系，地(di)質(zhi)學家可(ke)以(yi)依據(ju)測(ce)(ce)(ce)井(jing)數(shu)(shu)(shu)據(ju)對井(jing)段的(de)(de)(de)(de)(de)微(wei)(wei)(wei)相(xiang)(xiang)類(lei)型(xing)進行解(jie)(jie)釋(shi)。然(ran)而，現(xian)有的(de)(de)(de)(de)(de)基(ji)于人(ren)工(gong)解(jie)(jie)釋(shi)測(ce)(ce)(ce)井(jing)曲(qu)(qu)(qu)線(xian)進行微(wei)(wei)(wei)相(xiang)(xiang)劃分(fen)(fen)的(de)(de)(de)(de)(de)方法存(cun)在著效率低下(xia)且主觀(guan)性(xing)強的(de)(de)(de)(de)(de)突(tu)出缺(que)陷(xian)。對測(ce)(ce)(ce)井(jing)曲(qu)(qu)(qu)線(xian)數(shu)(shu)(shu)據(ju)進行人(ren)工(gong)解(jie)(jie)釋(shi)是(shi)一(yi)項(xiang)極其耗時(shi)耗力的(de)(de)(de)(de)(de)工(gong)作(zuo)(zuo)，需(xu)要專業人(ren)員長(chang)期鉆研大量數(shu)(shu)(shu)據(ju)。更為(wei)關鍵的(de)(de)(de)(de)(de)是(shi)，由(you)于解(jie)(jie)釋(shi)人(ren)員的(de)(de)(de)(de)(de)經驗水平和(he)主觀(guan)判斷的(de)(de)(de)(de)(de)差異，對同一(yi)測(ce)(ce)(ce)井(jing)曲(qu)(qu)(qu)線(xian)數(shu)(shu)(shu)據(ju)集很容易給出不(bu)同的(de)(de)(de)(de)(de)解(jie)(jie)釋(shi)結果(guo)(guo)，解(jie)(jie)釋(shi)結果(guo)(guo)缺(que)乏一(yi)致性(xing)。這種主觀(guan)性(xing)大大影響了微(wei)(wei)(wei)相(xiang)(xiang)劃分(fen)(fen)的(de)(de)(de)(de)(de)準確性(xing)。

技術實現思路

1、本技術提供(gong)一種沉積(ji)微相(xiang)劃(hua)分方法及系統，用以提高微相(xiang)劃(hua)分的準確性。

2、第一(yi)方面(mian)，本技術提(ti)供了一(yi)種沉積(ji)微相劃分方法(fa)，方法(fa)包括：

3、獲取測(ce)井(jing)曲(qu)線(xian)(xian)數(shu)據和每(mei)個所述測(ce)井(jing)曲(qu)線(xian)(xian)數(shu)據對應(ying)的沉積微相(xiang)標注數(shu)據，并對所述測(ce)井(jing)曲(qu)線(xian)(xian)數(shu)據進行預(yu)處理，得到初步測(ce)井(jing)曲(qu)線(xian)(xian)數(shu)據；

4、將所(suo)述初(chu)步(bu)測井曲(qu)線數據(ju)進行拼接處(chu)理(li)，得(de)到不(bu)同深度段的高維特征向量，并針對(dui)每種沉積微相類(lei)型，使用聚類(lei)算法將對(dui)所(suo)述不(bu)同深度段的高維特征向量進行劃分，得(de)到多個聚類(lei)數據(ju)集；

5、對(dui)將(jiang)多(duo)個(ge)聚類數(shu)據集輸入預(yu)設對(dui)抗網(wang)絡模型(xing)(xing)，輸出多(duo)個(ge)候選(xuan)曲線模板(ban)，并基于多(duo)個(ge)所(suo)述候選(xuan)曲線模板(ban)構建分類融合(he)模型(xing)(xing)；

6、獲得(de)待(dai)(dai)劃(hua)(hua)分(fen)井(jing)(jing)(jing)段的(de)測井(jing)(jing)(jing)曲線(xian)數據，并對(dui)所(suo)述(shu)待(dai)(dai)劃(hua)(hua)分(fen)井(jing)(jing)(jing)段的(de)測井(jing)(jing)(jing)曲線(xian)數據進行特征(zheng)提(ti)取，得(de)到與所(suo)述(shu)待(dai)(dai)劃(hua)(hua)分(fen)井(jing)(jing)(jing)段的(de)測井(jing)(jing)(jing)曲線(xian)數據對(dui)應的(de)待(dai)(dai)分(fen)配高維(wei)特征(zheng)向(xiang)量；

7、將所述(shu)(shu)待分(fen)配高(gao)維(wei)特征(zheng)向量輸(shu)入(ru)所述(shu)(shu)分(fen)類融合模型，輸(shu)出待分(fen)配高(gao)維(wei)特征(zheng)向量對應的(de)沉積(ji)微相類型。

8、通(tong)過(guo)(guo)采用上述技術(shu)方案，本技術(shu)提(ti)出(chu)(chu)的(de)(de)(de)(de)沉積微(wei)相(xiang)(xiang)(xiang)自(zi)動(dong)劃分(fen)(fen)(fen)(fen)方法首先從(cong)已標(biao)(biao)注的(de)(de)(de)(de)測(ce)(ce)(ce)井(jing)曲(qu)(qu)(qu)(qu)(qu)線(xian)(xian)(xian)數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)和(he)沉積微(wei)相(xiang)(xiang)(xiang)類(lei)(lei)型出(chu)(chu)發(fa)，對(dui)測(ce)(ce)(ce)井(jing)曲(qu)(qu)(qu)(qu)(qu)線(xian)(xian)(xian)數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)進(jin)行(xing)預(yu)(yu)處(chu)理(li)，獲得(de)(de)(de)初(chu)步(bu)測(ce)(ce)(ce)井(jing)曲(qu)(qu)(qu)(qu)(qu)線(xian)(xian)(xian)數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)。通(tong)過(guo)(guo)對(dui)初(chu)步(bu)測(ce)(ce)(ce)井(jing)曲(qu)(qu)(qu)(qu)(qu)線(xian)(xian)(xian)數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)進(jin)行(xing)拼接處(chu)理(li)，可(ke)以得(de)(de)(de)到不(bu)同深(shen)度(du)段(duan)的(de)(de)(de)(de)高(gao)(gao)維(wei)特(te)(te)(te)征(zheng)向(xiang)量(liang)(liang)，充分(fen)(fen)(fen)(fen)利(li)用了(le)測(ce)(ce)(ce)井(jing)曲(qu)(qu)(qu)(qu)(qu)線(xian)(xian)(xian)數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)在(zai)不(bu)同深(shen)度(du)上的(de)(de)(de)(de)相(xiang)(xiang)(xiang)關(guan)性，提(ti)高(gao)(gao)了(le)特(te)(te)(te)征(zheng)向(xiang)量(liang)(liang)的(de)(de)(de)(de)表達能(neng)(neng)(neng)力。接下來(lai)，針對(dui)每種沉積微(wei)相(xiang)(xiang)(xiang)類(lei)(lei)型，使用聚(ju)類(lei)(lei)算(suan)法將對(dui)應的(de)(de)(de)(de)不(bu)同深(shen)度(du)段(duan)高(gao)(gao)維(wei)特(te)(te)(te)征(zheng)向(xiang)量(liang)(liang)進(jin)行(xing)劃分(fen)(fen)(fen)(fen)，得(de)(de)(de)到多(duo)個(ge)聚(ju)類(lei)(lei)數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)集(ji)(ji)。這(zhe)一(yi)步(bu)驟(zou)能(neng)(neng)(neng)夠自(zi)動(dong)發(fa)現(xian)測(ce)(ce)(ce)井(jing)曲(qu)(qu)(qu)(qu)(qu)線(xian)(xian)(xian)數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)內在(zai)的(de)(de)(de)(de)微(wei)觀結構(gou)和(he)模(mo)(mo)(mo)式(shi)，而無需人(ren)工(gong)干預(yu)(yu)。通(tong)過(guo)(guo)聚(ju)類(lei)(lei)，相(xiang)(xiang)(xiang)似的(de)(de)(de)(de)高(gao)(gao)維(wei)特(te)(te)(te)征(zheng)向(xiang)量(liang)(liang)被劃分(fen)(fen)(fen)(fen)到同一(yi)個(ge)聚(ju)類(lei)(lei)中(zhong)，為后續生(sheng)(sheng)成(cheng)候(hou)選(xuan)曲(qu)(qu)(qu)(qu)(qu)線(xian)(xian)(xian)模(mo)(mo)(mo)板(ban)奠定(ding)基(ji)礎。然(ran)后，將多(duo)個(ge)聚(ju)類(lei)(lei)數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)集(ji)(ji)輸(shu)(shu)入預(yu)(yu)設的(de)(de)(de)(de)對(dui)抗生(sheng)(sheng)成(cheng)網(wang)絡模(mo)(mo)(mo)型，輸(shu)(shu)出(chu)(chu)多(duo)個(ge)候(hou)選(xuan)曲(qu)(qu)(qu)(qu)(qu)線(xian)(xian)(xian)模(mo)(mo)(mo)板(ban)。對(dui)抗生(sheng)(sheng)成(cheng)網(wang)絡由生(sheng)(sheng)成(cheng)器和(he)判別器組成(cheng)，能(neng)(neng)(neng)夠自(zi)動(dong)學習數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)的(de)(de)(de)(de)分(fen)(fen)(fen)(fen)布(bu)，生(sheng)(sheng)成(cheng)與真實數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)高(gao)(gao)度(du)相(xiang)(xiang)(xiang)似的(de)(de)(de)(de)合(he)(he)(he)(he)成(cheng)數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)。在(zai)本技術(shu)中(zhong)，利(li)用對(dui)抗生(sheng)(sheng)成(cheng)網(wang)絡從(cong)聚(ju)類(lei)(lei)數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)集(ji)(ji)中(zhong)學習，生(sheng)(sheng)成(cheng)多(duo)個(ge)候(hou)選(xuan)曲(qu)(qu)(qu)(qu)(qu)線(xian)(xian)(xian)模(mo)(mo)(mo)板(ban)，這(zhe)些模(mo)(mo)(mo)板(ban)能(neng)(neng)(neng)夠很(hen)好地概括(kuo)和(he)反映各沉積微(wei)相(xiang)(xiang)(xiang)類(lei)(lei)型的(de)(de)(de)(de)特(te)(te)(te)征(zheng)。基(ji)于上述多(duo)個(ge)候(hou)選(xuan)曲(qu)(qu)(qu)(qu)(qu)線(xian)(xian)(xian)模(mo)(mo)(mo)板(ban)，構(gou)建分(fen)(fen)(fen)(fen)類(lei)(lei)融(rong)(rong)合(he)(he)(he)(he)模(mo)(mo)(mo)型。這(zhe)一(yi)步(bu)驟(zou)包(bao)括(kuo)提(ti)取(qu)每個(ge)模(mo)(mo)(mo)板(ban)的(de)(de)(de)(de)特(te)(te)(te)征(zheng)向(xiang)量(liang)(liang)，選(xuan)擇多(duo)種分(fen)(fen)(fen)(fen)類(lei)(lei)算(suan)法并(bing)基(ji)于特(te)(te)(te)征(zheng)向(xiang)量(liang)(liang)集(ji)(ji)合(he)(he)(he)(he)分(fen)(fen)(fen)(fen)別訓(xun)練得(de)(de)(de)到基(ji)分(fen)(fen)(fen)(fen)類(lei)(lei)器，最(zui)后將多(duo)個(ge)基(ji)分(fen)(fen)(fen)(fen)類(lei)(lei)器融(rong)(rong)合(he)(he)(he)(he)成(cheng)最(zui)終的(de)(de)(de)(de)分(fen)(fen)(fen)(fen)類(lei)(lei)器模(mo)(mo)(mo)型。通(tong)過(guo)(guo)融(rong)(rong)合(he)(he)(he)(he)多(duo)種分(fen)(fen)(fen)(fen)類(lei)(lei)器，能(neng)(neng)(neng)夠有效提(ti)高(gao)(gao)分(fen)(fen)(fen)(fen)類(lei)(lei)的(de)(de)(de)(de)魯(lu)棒性和(he)泛化能(neng)(neng)(neng)力。對(dui)于待劃分(fen)(fen)(fen)(fen)井(jing)段(duan)的(de)(de)(de)(de)測(ce)(ce)(ce)井(jing)曲(qu)(qu)(qu)(qu)(qu)線(xian)(xian)(xian)數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)，先對(dui)其(qi)進(jin)行(xing)特(te)(te)(te)征(zheng)提(ti)取(qu)得(de)(de)(de)到待分(fen)(fen)(fen)(fen)配高(gao)(gao)維(wei)特(te)(te)(te)征(zheng)向(xiang)量(liang)(liang)，然(ran)后將該向(xiang)量(liang)(liang)輸(shu)(shu)入分(fen)(fen)(fen)(fen)類(lei)(lei)融(rong)(rong)合(he)(he)(he)(he)模(mo)(mo)(mo)型，即可(ke)輸(shu)(shu)出(chu)(chu)對(dui)應的(de)(de)(de)(de)沉積微(wei)相(xiang)(xiang)(xiang)類(lei)(lei)型。由于分(fen)(fen)(fen)(fen)類(lei)(lei)融(rong)(rong)合(he)(he)(he)(he)模(mo)(mo)(mo)型是在(zai)大量(liang)(liang)標(biao)(biao)注數(shu)(shu)(shu)據(ju)(ju)(ju)(ju)的(de)(de)(de)(de)基(ji)礎上訓(xun)練得(de)(de)(de)到的(de)(de)(de)(de)，具有很(hen)強的(de)(de)(de)(de)泛化能(neng)(neng)(neng)力，因此能(neng)(neng)(neng)夠給出(chu)(chu)準確可(ke)靠的(de)(de)(de)(de)分(fen)(fen)(fen)(fen)類(lei)(lei)結果(guo)。

9、本技術(shu)方法(fa)將聚類(lei)、對抗生成網絡和分(fen)類(lei)器融合(he)(he)等多種(zhong)技術(shu)巧妙結合(he)(he)，自(zi)動(dong)從測井曲線數據(ju)中挖(wa)掘特征，并(bing)給(gei)出精準的(de)沉積微(wei)相分(fen)類(lei)。

10、可(ke)選的，所述(shu)對所述(shu)測井曲線數(shu)據進行預處理，得到初步測井曲線數(shu)據，包括：

11、對所述(shu)測井曲線數據進(jin)行異(yi)常值(zhi)識別，得到異(yi)常值(zhi)識別結果；

12、根據(ju)所述異(yi)常值識別結果對所述測(ce)(ce)井曲線數(shu)據(ju)中的(de)異(yi)常值進(jin)行處(chu)理，得到處(chu)理后的(de)測(ce)(ce)井曲線數(shu)據(ju)；

13、對(dui)所(suo)述處理后的測(ce)井曲線數據進行(xing)歸一化處理，得到所(suo)述初步測(ce)井曲線數據。

14、通過采用(yong)上述技術方案(an)，在對(dui)測井曲線數據進行預處理(li)得到初步測井曲線數據的過程中，首先對(dui)測井曲線數據進行異(yi)常值(zhi)識(shi)別(bie)，得到異(yi)常值(zhi)識(shi)別(bie)結果。異(yi)常值(zhi)是指與整體數據分布格格不(bu)(bu)入的個別(bie)數據點(dian)，這些(xie)異(yi)常值(zhi)可(ke)能源于儀器(qi)故障(zhang)、環(huan)境干擾(rao)等(deng)多種原因(yin)，如果不(bu)(bu)加處理(li)直(zhi)接使(shi)用(yong)，將(jiang)會嚴重影響(xiang)后續的特征提取和模型訓練(lian)。

15、因此，根據(ju)異(yi)常值識別(bie)結果對(dui)測井曲(qu)線數(shu)據(ju)中的(de)異(yi)常值進(jin)行處(chu)理，得到處(chu)理后的(de)測井曲(qu)線數(shu)據(ju)。異(yi)常值的(de)處(chu)理方式有(you)多種，如刪除、插值等(deng)，可根據(ju)具體情(qing)況選取合適的(de)方法。通(tong)過異(yi)常值處(chu)理，能夠(gou)有(you)效消除測井曲(qu)線數(shu)據(ju)中的(de)噪聲(sheng)和錯誤數(shu)據(ju)，提高數(shu)據(ju)的(de)質量和可靠性。

16、對(dui)處(chu)理后的(de)(de)測井曲線(xian)(xian)數(shu)(shu)(shu)(shu)據(ju)進行歸一(yi)(yi)(yi)化(hua)處(chu)理，得到(dao)初步測井曲線(xian)(xian)數(shu)(shu)(shu)(shu)據(ju)。歸一(yi)(yi)(yi)化(hua)是(shi)指將測井曲線(xian)(xian)數(shu)(shu)(shu)(shu)據(ju)的(de)(de)值域映射到(dao)一(yi)(yi)(yi)個(ge)統(tong)一(yi)(yi)(yi)的(de)(de)數(shu)(shu)(shu)(shu)值區間，如[0，1]或[-1，1]等。不(bu)同測井曲線(xian)(xian)數(shu)(shu)(shu)(shu)據(ju)由于(yu)(yu)測量(liang)方式(shi)和(he)量(liang)綱的(de)(de)差(cha)(cha)異，其(qi)值域可能(neng)相差(cha)(cha)很大，直(zhi)接使(shi)用原始數(shu)(shu)(shu)(shu)據(ju)進行特(te)(te)征提取和(he)模型(xing)訓練會導致(zhi)某些特(te)(te)征過(guo)于(yu)(yu)顯著(zhu)而掩蓋其(qi)他特(te)(te)征，影響算(suan)法(fa)的(de)(de)性(xing)能(neng)。通(tong)過(guo)歸一(yi)(yi)(yi)化(hua)處(chu)理，可以消除(chu)不(bu)同數(shu)(shu)(shu)(shu)據(ju)之間的(de)(de)量(liang)綱影響，使(shi)各個(ge)特(te)(te)征處(chu)于(yu)(yu)相對(dui)平等的(de)(de)地位，有(you)利于(yu)(yu)后續(xu)的(de)(de)運(yun)算(suan)。

17、綜上所述(shu)，測井(jing)曲線數(shu)據預(yu)處理環節包括異(yi)常值(zhi)識(shi)別與處理、歸一化處理等步(bu)驟，能夠有(you)效提(ti)高(gao)測井(jing)數(shu)據的質(zhi)量(liang)和(he)一致性(xing)(xing)，為后(hou)續的特(te)征提(ti)取和(he)模(mo)型訓練奠定堅(jian)實基礎(chu)，從(cong)而(er)提(ti)高(gao)最終的沉積微(wei)相分類精度和(he)魯棒性(xing)(xing)，具(ju)有(you)重要的理論意義和(he)應用(yong)價值(zhi)。

18、可(ke)選的，所(suo)述(shu)將所(suo)述(shu)初步測井曲線(xian)數據進行拼接處理(li)，得到不同深度段的高維特征(zheng)向量，包括：

19、將(jiang)所述(shu)初步(bu)測井(jing)(jing)曲(qu)(qu)線(xian)數據中同一深度段內n種不同測井(jing)(jing)曲(qu)(qu)線(xian)數據進(jin)行拼接，得到多個長度為n*m的(de)一維向(xiang)量；

20、將多個所述(shu)(shu)一維(wei)向(xiang)量(liang)作(zuo)為(wei)所述(shu)(shu)不同深(shen)度段的(de)高維(wei)特征向(xiang)量(liang)。

21、通(tong)過采(cai)用上述技術方案，在(zai)獲得初步(bu)測井曲線(xian)數據(ju)后(hou)，需(xu)要進(jin)一步(bu)對其進(jin)行特征提取，以獲取更加富含信息的(de)高維(wei)特征向量，為后(hou)續(xu)的(de)模(mo)型訓練奠定(ding)基礎。

22、首先，將初步測(ce)(ce)(ce)井(jing)(jing)曲(qu)(qu)線(xian)數(shu)據中同一深(shen)度(du)(du)段(duan)內n種(zhong)(zhong)不(bu)同測(ce)(ce)(ce)井(jing)(jing)曲(qu)(qu)線(xian)數(shu)據進(jin)行(xing)拼接，得到多個長(chang)度(du)(du)為n*m的(de)(de)(de)一維向(xiang)(xiang)量(liang)。其中，n表(biao)示(shi)不(bu)同測(ce)(ce)(ce)井(jing)(jing)曲(qu)(qu)線(xian)的(de)(de)(de)種(zhong)(zhong)類數(shu)，m表(biao)示(shi)每種(zhong)(zhong)測(ce)(ce)(ce)井(jing)(jing)曲(qu)(qu)線(xian)在(zai)該(gai)深(shen)度(du)(du)段(duan)采樣(yang)的(de)(de)(de)點數(shu)。通過將不(bu)同測(ce)(ce)(ce)井(jing)(jing)曲(qu)(qu)線(xian)數(shu)據進(jin)行(xing)拼接，能(neng)夠融(rong)合各個曲(qu)(qu)線(xian)所(suo)蘊含的(de)(de)(de)地(di)質信(xin)息，充分挖掘它們之間的(de)(de)(de)內在(zai)關聯，從(cong)而提(ti)(ti)高特征向(xiang)(xiang)量(liang)的(de)(de)(de)表(biao)達能(neng)力。接著，將多個長(chang)度(du)(du)為n*m的(de)(de)(de)一維向(xiang)(xiang)量(liang)作為不(bu)同深(shen)度(du)(du)段(duan)的(de)(de)(de)高維特征向(xiang)(xiang)量(liang)。由于每個一維向(xiang)(xiang)量(liang)包含了該(gai)深(shen)度(du)(du)段(duan)內所(suo)有測(ce)(ce)(ce)井(jing)(jing)曲(qu)(qu)線(xian)的(de)(de)(de)采樣(yang)數(shu)據，維度(du)(du)較高，因此可以視為高維特征向(xiang)(xiang)量(liang)。與(yu)單一測(ce)(ce)(ce)井(jing)(jing)曲(qu)(qu)線(xian)相比，這種(zhong)(zhong)高維特征向(xiang)(xiang)量(liang)能(neng)夠更加全面地(di)刻畫地(di)層的(de)(de)(de)各種(zhong)(zhong)物理(li)和化(hua)學性質，提(ti)(ti)供更加豐富(fu)的(de)(de)(de)信(xin)息，為后(hou)續的(de)(de)(de)聚類和模型訓練提(ti)(ti)供了堅實(shi)基(ji)礎(chu)。

23、綜上所述，通(tong)過拼接不同測井(jing)曲(qu)線數據形成高(gao)(gao)維(wei)特征向(xiang)量，能(neng)夠很(hen)好(hao)地保留原始數據中隱含的(de)復雜(za)模式和內在(zai)聯系，避免了信息的(de)丟(diu)失(shi)。同時，高(gao)(gao)維(wei)特征向(xiang)量還具(ju)有(you)噪聲抵(di)抗能(neng)力較強、表達(da)能(neng)力較強等優點，有(you)助于(yu)提高(gao)(gao)后續(xu)聚(ju)類和分類的(de)精確(que)性(xing)和穩健性(xing)，最終獲得(de)更加(jia)準確(que)的(de)沉積微相劃分結(jie)果(guo)，具(ju)有(you)重要的(de)理論(lun)價值和實際應用意義。

24、可選的(de)，所述(shu)針對每種(zhong)沉(chen)積微相類型，使用聚(ju)(ju)類算法將對所述(shu)不(bu)同深度段的(de)高維特征向量進(jin)行(xing)劃分，得到多個聚(ju)(ju)類數據(ju)集(ji)，包(bao)括：

25、對(dui)于每種所(suo)述沉(chen)積微(wei)(wei)(wei)相類(lei)型(xing)，將所(suo)述沉(chen)積微(wei)(wei)(wei)相類(lei)型(xing)對(dui)應的所(suo)有深度段的高維特征向(xiang)量(liang)進行拼接，構建(jian)所(suo)述沉(chen)積微(wei)(wei)(wei)相類(lei)型(xing)對(dui)應的特征矩陣；

26、基于所述(shu)(shu)聚類算法對(dui)所述(shu)(shu)特征(zheng)矩陣進行劃分，得到(dao)多(duo)個(ge)所述(shu)(shu)聚類數據集。

27、通(tong)過采用上述技術方案，在獲得(de)不同(tong)深度段的(de)(de)(de)(de)(de)高(gao)維(wei)(wei)特(te)(te)征(zheng)(zheng)(zheng)向(xiang)(xiang)量(liang)后(hou)(hou)，需要針對(dui)每種(zhong)沉(chen)積(ji)(ji)(ji)微(wei)相(xiang)(xiang)(xiang)(xiang)類(lei)(lei)(lei)型(xing)，使(shi)用聚(ju)類(lei)(lei)(lei)算法(fa)將(jiang)這(zhe)些高(gao)維(wei)(wei)特(te)(te)征(zheng)(zheng)(zheng)向(xiang)(xiang)量(liang)進(jin)(jin)(jin)行合理劃分(fen)，得(de)到(dao)多個(ge)聚(ju)類(lei)(lei)(lei)數據(ju)(ju)集。具體(ti)來(lai)說，對(dui)于(yu)每種(zhong)沉(chen)積(ji)(ji)(ji)微(wei)相(xiang)(xiang)(xiang)(xiang)類(lei)(lei)(lei)型(xing)，首先將(jiang)該類(lei)(lei)(lei)型(xing)對(dui)應(ying)的(de)(de)(de)(de)(de)所(suo)有(you)(you)深度段的(de)(de)(de)(de)(de)高(gao)維(wei)(wei)特(te)(te)征(zheng)(zheng)(zheng)向(xiang)(xiang)量(liang)進(jin)(jin)(jin)行拼接，構(gou)建該沉(chen)積(ji)(ji)(ji)微(wei)相(xiang)(xiang)(xiang)(xiang)類(lei)(lei)(lei)型(xing)對(dui)應(ying)的(de)(de)(de)(de)(de)特(te)(te)征(zheng)(zheng)(zheng)矩(ju)陣。通(tong)過這(zhe)一步驟，能夠將(jiang)同(tong)一類(lei)(lei)(lei)型(xing)的(de)(de)(de)(de)(de)所(suo)有(you)(you)高(gao)維(wei)(wei)特(te)(te)征(zheng)(zheng)(zheng)向(xiang)(xiang)量(liang)集中(zhong)起來(lai)，為后(hou)(hou)續(xu)的(de)(de)(de)(de)(de)聚(ju)類(lei)(lei)(lei)分(fen)析做(zuo)好準(zhun)備。然后(hou)(hou)，基于(yu)選定的(de)(de)(de)(de)(de)聚(ju)類(lei)(lei)(lei)算法(fa)對(dui)該特(te)(te)征(zheng)(zheng)(zheng)矩(ju)陣進(jin)(jin)(jin)行劃分(fen)，得(de)到(dao)多個(ge)聚(ju)類(lei)(lei)(lei)數據(ju)(ju)集。聚(ju)類(lei)(lei)(lei)算法(fa)能夠根(gen)據(ju)(ju)樣本之間的(de)(de)(de)(de)(de)相(xiang)(xiang)(xiang)(xiang)似(si)度將(jiang)它們劃分(fen)到(dao)不同(tong)的(de)(de)(de)(de)(de)簇(cu)或(huo)組中(zhong)，每個(ge)簇(cu)由相(xiang)(xiang)(xiang)(xiang)似(si)的(de)(de)(de)(de)(de)樣本構(gou)成(cheng)。在本技術中(zhong)，聚(ju)類(lei)(lei)(lei)算法(fa)將(jiang)特(te)(te)征(zheng)(zheng)(zheng)矩(ju)陣中(zhong)的(de)(de)(de)(de)(de)高(gao)維(wei)(wei)特(te)(te)征(zheng)(zheng)(zheng)向(xiang)(xiang)量(liang)劃分(fen)到(dao)不同(tong)的(de)(de)(de)(de)(de)簇(cu)或(huo)聚(ju)類(lei)(lei)(lei)數據(ju)(ju)集中(zhong)，使(shi)得(de)同(tong)一聚(ju)類(lei)(lei)(lei)數據(ju)(ju)集內的(de)(de)(de)(de)(de)高(gao)維(wei)(wei)特(te)(te)征(zheng)(zheng)(zheng)向(xiang)(xiang)量(liang)具有(you)(you)較高(gao)的(de)(de)(de)(de)(de)相(xiang)(xiang)(xiang)(xiang)似(si)性，而(er)不同(tong)聚(ju)類(lei)(lei)(lei)數據(ju)(ju)集之間的(de)(de)(de)(de)(de)高(gao)維(wei)(wei)特(te)(te)征(zheng)(zheng)(zheng)向(xiang)(xiang)量(liang)則存在明顯差(cha)異。

28、通過(guo)上(shang)述(shu)聚類(lei)(lei)(lei)過(guo)程，能(neng)夠自(zi)動(dong)發現和(he)(he)挖(wa)掘(jue)隱藏在(zai)測(ce)井曲(qu)線(xian)數(shu)(shu)據(ju)中的(de)(de)內在(zai)模(mo)式和(he)(he)規律，而無需人工(gong)干預和(he)(he)主觀(guan)假設(she)。同(tong)(tong)一聚類(lei)(lei)(lei)數(shu)(shu)據(ju)集內的(de)(de)高(gao)(gao)維(wei)特(te)(te)征向(xiang)(xiang)量具有相(xiang)(xiang)(xiang)似的(de)(de)曲(qu)線(xian)形態和(he)(he)趨勢，可(ke)能(neng)對(dui)應于同(tong)(tong)一種(zhong)沉積微相(xiang)(xiang)(xiang)。不(bu)同(tong)(tong)聚類(lei)(lei)(lei)數(shu)(shu)據(ju)集則可(ke)能(neng)對(dui)應于不(bu)同(tong)(tong)的(de)(de)沉積微相(xiang)(xiang)(xiang)類(lei)(lei)(lei)型(xing)(xing)。值(zhi)得(de)注意(yi)的(de)(de)是，由于聚類(lei)(lei)(lei)算法的(de)(de)無監督性質(zhi)(zhi)，聚類(lei)(lei)(lei)數(shu)(shu)據(ju)集的(de)(de)數(shu)(shu)量未必(bi)與(yu)已(yi)知的(de)(de)沉積微相(xiang)(xiang)(xiang)類(lei)(lei)(lei)型(xing)(xing)數(shu)(shu)量完全一致，可(ke)能(neng)會存在(zai)分(fen)類(lei)(lei)(lei)過(guo)細或分(fen)類(lei)(lei)(lei)不(bu)足的(de)(de)情況。因(yin)此，后續(xu)還需要結合對(dui)抗生(sheng)成網絡和(he)(he)分(fen)類(lei)(lei)(lei)融(rong)合模(mo)型(xing)(xing)，進(jin)一步(bu)優化和(he)(he)調整分(fen)類(lei)(lei)(lei)結果。總的(de)(de)來說，通過(guo)聚類(lei)(lei)(lei)將高(gao)(gao)維(wei)特(te)(te)征向(xiang)(xiang)量劃分(fen)到不(bu)同(tong)(tong)的(de)(de)聚類(lei)(lei)(lei)數(shu)(shu)據(ju)集，能(neng)夠充分(fen)挖(wa)掘(jue)測(ce)井曲(qu)線(xian)數(shu)(shu)據(ju)中隱含的(de)(de)特(te)(te)征模(mo)式，為構建高(gao)(gao)質(zhi)(zhi)量的(de)(de)模(mo)板和(he)(he)分(fen)類(lei)(lei)(lei)器(qi)奠定(ding)基礎，最(zui)終獲得(de)準(zhun)確的(de)(de)沉積微相(xiang)(xiang)(xiang)劃分(fen)結果，具有重要的(de)(de)應用價值(zhi)。

29、可選的，在(zai)所述對將多個聚類數據集輸(shu)入(ru)預設對抗網絡(luo)模型，輸(shu)出(chu)多個候(hou)選曲線模板之前，還包括：

30、獲取測井曲線樣(yang)(yang)本(ben)數(shu)據(ju)，并對所(suo)述(shu)測井曲線樣(yang)(yang)本(ben)數(shu)據(ju)進行預處理得到(dao)目標(biao)測井曲線樣(yang)(yang)本(ben)數(shu)據(ju)；

31、定(ding)義生成器(qi)g和(he)判別(bie)器(qi)d，并將所述生成器(qi)g和(he)所述判別(bie)器(qi)d組裝到(dao)一個(ge)端到(dao)端的對抗網絡(luo)框架(jia)，得到(dao)初始對抗網絡(luo)模型；

32、基于所述目標測井曲線樣本(ben)數(shu)據(ju)對所述初始對抗(kang)網(wang)絡(luo)模型進(jin)行對抗(kang)訓練得(de)到所述預設對抗(kang)網(wang)絡(luo)模型。

33、通(tong)過采用上述技(ji)術手段，在(zai)將多個(ge)聚類數(shu)(shu)據集(ji)輸(shu)入(ru)對(dui)(dui)(dui)(dui)抗(kang)(kang)(kang)網(wang)絡(luo)(luo)(luo)模(mo)型之前，需(xu)要先獲(huo)取測(ce)井曲(qu)(qu)線(xian)樣本(ben)(ben)數(shu)(shu)據，并對(dui)(dui)(dui)(dui)其進行預處理得到目(mu)(mu)(mu)標測(ce)井曲(qu)(qu)線(xian)樣本(ben)(ben)數(shu)(shu)據。這(zhe)一步驟的(de)(de)目(mu)(mu)(mu)的(de)(de)是(shi)為對(dui)(dui)(dui)(dui)抗(kang)(kang)(kang)網(wang)絡(luo)(luo)(luo)模(mo)型的(de)(de)訓練(lian)提供高質(zhi)量(liang)的(de)(de)原始數(shu)(shu)據，確保訓練(lian)出的(de)(de)模(mo)型具有很好的(de)(de)泛化能力(li)(li)。接下來，需(xu)要定義生(sheng)(sheng)成(cheng)(cheng)(cheng)(cheng)(cheng)(cheng)器(qi)(qi)(qi)(qi)g和(he)(he)(he)判(pan)別器(qi)(qi)(qi)(qi)d，并將它(ta)們組裝(zhuang)到一個(ge)端到端的(de)(de)對(dui)(dui)(dui)(dui)抗(kang)(kang)(kang)網(wang)絡(luo)(luo)(luo)框架，得到初始對(dui)(dui)(dui)(dui)抗(kang)(kang)(kang)網(wang)絡(luo)(luo)(luo)模(mo)型。對(dui)(dui)(dui)(dui)抗(kang)(kang)(kang)網(wang)絡(luo)(luo)(luo)由生(sheng)(sheng)成(cheng)(cheng)(cheng)(cheng)(cheng)(cheng)器(qi)(qi)(qi)(qi)和(he)(he)(he)判(pan)別器(qi)(qi)(qi)(qi)兩(liang)部分(fen)組成(cheng)(cheng)(cheng)(cheng)(cheng)(cheng)，它(ta)們相互(hu)對(dui)(dui)(dui)(dui)抗(kang)(kang)(kang)、相互(hu)促進。生(sheng)(sheng)成(cheng)(cheng)(cheng)(cheng)(cheng)(cheng)器(qi)(qi)(qi)(qi)的(de)(de)目(mu)(mu)(mu)標是(shi)生(sheng)(sheng)成(cheng)(cheng)(cheng)(cheng)(cheng)(cheng)盡(jin)可能逼(bi)真的(de)(de)合成(cheng)(cheng)(cheng)(cheng)(cheng)(cheng)數(shu)(shu)據，以(yi)欺騙判(pan)別器(qi)(qi)(qi)(qi)；而判(pan)別器(qi)(qi)(qi)(qi)的(de)(de)目(mu)(mu)(mu)標是(shi)準確識別真實(shi)數(shu)(shu)據和(he)(he)(he)生(sheng)(sheng)成(cheng)(cheng)(cheng)(cheng)(cheng)(cheng)數(shu)(shu)據。生(sheng)(sheng)成(cheng)(cheng)(cheng)(cheng)(cheng)(cheng)器(qi)(qi)(qi)(qi)和(he)(he)(he)判(pan)別器(qi)(qi)(qi)(qi)通(tong)過這(zhe)種對(dui)(dui)(dui)(dui)抗(kang)(kang)(kang)博弈的(de)(de)方式，不斷優(you)化自身(shen)，最終(zhong)達到生(sheng)(sheng)成(cheng)(cheng)(cheng)(cheng)(cheng)(cheng)高質(zhi)量(liang)合成(cheng)(cheng)(cheng)(cheng)(cheng)(cheng)數(shu)(shu)據的(de)(de)目(mu)(mu)(mu)的(de)(de)。然后，基于目(mu)(mu)(mu)標測(ce)井曲(qu)(qu)線(xian)樣本(ben)(ben)數(shu)(shu)據對(dui)(dui)(dui)(dui)初始對(dui)(dui)(dui)(dui)抗(kang)(kang)(kang)網(wang)絡(luo)(luo)(luo)模(mo)型進行對(dui)(dui)(dui)(dui)抗(kang)(kang)(kang)訓練(lian)，得到預設對(dui)(dui)(dui)(dui)抗(kang)(kang)(kang)網(wang)絡(luo)(luo)(luo)模(mo)型。在(zai)訓練(lian)過程(cheng)中(zhong)，生(sheng)(sheng)成(cheng)(cheng)(cheng)(cheng)(cheng)(cheng)器(qi)(qi)(qi)(qi)試圖生(sheng)(sheng)成(cheng)(cheng)(cheng)(cheng)(cheng)(cheng)與(yu)目(mu)(mu)(mu)標數(shu)(shu)據高度(du)相似的(de)(de)曲(qu)(qu)線(xian)模(mo)板(ban)，而判(pan)別器(qi)(qi)(qi)(qi)則努力(li)(li)區分(fen)生(sheng)(sheng)成(cheng)(cheng)(cheng)(cheng)(cheng)(cheng)的(de)(de)模(mo)板(ban)和(he)(he)(he)真實(shi)數(shu)(shu)據。通(tong)過大量(liang)迭代，生(sheng)(sheng)成(cheng)(cheng)(cheng)(cheng)(cheng)(cheng)器(qi)(qi)(qi)(qi)和(he)(he)(he)判(pan)別器(qi)(qi)(qi)(qi)會(hui)不斷提高能力(li)(li)，最終(zhong)使生(sheng)(sheng)成(cheng)(cheng)(cheng)(cheng)(cheng)(cheng)器(qi)(qi)(qi)(qi)能夠(gou)生(sheng)(sheng)成(cheng)(cheng)(cheng)(cheng)(cheng)(cheng)接近真實(shi)數(shu)(shu)據分(fen)布的(de)(de)高質(zhi)量(liang)候選曲(qu)(qu)線(xian)模(mo)板(ban)。

34、上述實施方(fang)式的(de)(de)優勢在(zai)于(yu)，對(dui)抗網絡能夠(gou)自(zi)主學習數據分布，無需人工設(she)(she)計(ji)特征，從而避免了人為偏差和先驗假設(she)(she)的(de)(de)影響。同時，由于(yu)對(dui)抗訓練的(de)(de)博弈機制，生(sheng)成器(qi)能夠(gou)不斷改進以欺騙判別器(qi)，最終生(sheng)成的(de)(de)候選模(mo)板質(zhi)量會越來(lai)越高。這些候選模(mo)板能夠(gou)很(hen)好(hao)地概括和反映各沉積微相類型(xing)的(de)(de)典(dian)型(xing)特征，為后續的(de)(de)分類器(qi)訓練提供有(you)力支撐。

35、綜上所述，通過獲取目標樣本數據、定義對(dui)(dui)抗(kang)網絡(luo)框架、進行(xing)對(dui)(dui)抗(kang)訓練等步驟，能(neng)夠得到高(gao)質(zhi)量的預設對(dui)(dui)抗(kang)網絡(luo)模(mo)型(xing)，為輸出候(hou)選(xuan)曲線模(mo)板奠定基礎。與傳統方法相比，這種基于對(dui)(dui)抗(kang)生成網絡(luo)的方式更加(jia)自動化(hua)、智能(neng)化(hua)，不僅可以(yi)提高(gao)曲線模(mo)板的質(zhi)量，還能(neng)夠大(da)幅減輕(qing)工作(zuo)人員的工作(zuo)量，具有廣闊的應用前景。

36、可選(xuan)的，所(suo)述(shu)基于所(suo)述(shu)聚類算(suan)法(fa)對所(suo)述(shu)特征矩陣進行(xing)劃分，得到多個所(suo)述(shu)聚類數(shu)據集，包括(kuo)：

37、初始化k個(ge)聚類中心(xin)點，并計算所述特征矩陣中每(mei)個(ge)樣本點到聚類中心(xin)的距離；

38、基于所述特征矩陣(zhen)中每(mei)個(ge)樣本點(dian)到(dao)聚(ju)類中心的距離，將每(mei)個(ge)所述樣本點(dian)劃分到(dao)最近(jin)的聚(ju)類中，得到(dao)多個(ge)所述聚(ju)類數據(ju)集。

39、通(tong)過采用上(shang)述技(ji)術(shu)方(fang)案(an)，在對特征(zheng)矩陣(zhen)進(jin)行(xing)劃分(fen)(fen)得到多個(ge)聚(ju)(ju)(ju)類數據(ju)(ju)(ju)(ju)集的(de)(de)過程中(zhong)(zhong)，首先需要(yao)(yao)初(chu)始化k個(ge)聚(ju)(ju)(ju)類中(zhong)(zhong)心(xin)(xin)點(dian)(dian)。聚(ju)(ju)(ju)類中(zhong)(zhong)心(xin)(xin)點(dian)(dian)的(de)(de)選擇對最(zui)(zui)終的(de)(de)聚(ju)(ju)(ju)類結(jie)果有很大(da)影響，一(yi)(yi)般可以基于先驗知識或隨機方(fang)式進(jin)行(xing)初(chu)始化。接(jie)下來，計算(suan)(suan)特征(zheng)矩陣(zhen)中(zhong)(zhong)每(mei)個(ge)樣(yang)本(ben)點(dian)(dian)到這k個(ge)聚(ju)(ju)(ju)類中(zhong)(zhong)心(xin)(xin)的(de)(de)距(ju)(ju)離(li)。距(ju)(ju)離(li)的(de)(de)計算(suan)(suan)方(fang)法(fa)有多種，如歐氏距(ju)(ju)離(li)、曼哈頓(dun)距(ju)(ju)離(li)等，需要(yao)(yao)根(gen)據(ju)(ju)(ju)(ju)具(ju)體數據(ju)(ju)(ju)(ju)分(fen)(fen)布情(qing)況(kuang)選取合適的(de)(de)距(ju)(ju)離(li)度量。通(tong)過計算(suan)(suan)距(ju)(ju)離(li)，能夠(gou)量化樣(yang)本(ben)點(dian)(dian)與各個(ge)聚(ju)(ju)(ju)類中(zhong)(zhong)心(xin)(xin)之(zhi)間的(de)(de)相似程度。然后，基于每(mei)個(ge)樣(yang)本(ben)點(dian)(dian)到聚(ju)(ju)(ju)類中(zhong)(zhong)心(xin)(xin)的(de)(de)距(ju)(ju)離(li)，將每(mei)個(ge)樣(yang)本(ben)點(dian)(dian)劃分(fen)(fen)到最(zui)(zui)近的(de)(de)聚(ju)(ju)(ju)類中(zhong)(zhong)，得到多個(ge)聚(ju)(ju)(ju)類數據(ju)(ju)(ju)(ju)集。具(ju)體來說，對于每(mei)個(ge)樣(yang)本(ben)點(dian)(dian)，計算(suan)(suan)它(ta)與k個(ge)聚(ju)(ju)(ju)類中(zhong)(zhong)心(xin)(xin)的(de)(de)距(ju)(ju)離(li)，將其劃分(fen)(fen)到距(ju)(ju)離(li)最(zui)(zui)近的(de)(de)那(nei)一(yi)(yi)個(ge)聚(ju)(ju)(ju)類中(zhong)(zhong)。通(tong)過這種方(fang)式，相似的(de)(de)樣(yang)本(ben)點(dian)(dian)會(hui)聚(ju)(ju)(ju)集到同一(yi)(yi)個(ge)聚(ju)(ju)(ju)類，而不同聚(ju)(ju)(ju)類之(zhi)間的(de)(de)樣(yang)本(ben)點(dian)(dian)則存(cun)在較(jiao)大(da)差異。該(gai)實(shi)施方(fang)式基于距(ju)(ju)離(li)最(zui)(zui)小(xiao)化的(de)(de)原則，能夠(gou)較(jiao)好地發現數據(ju)(ju)(ju)(ju)內在的(de)(de)聚(ju)(ju)(ju)類結(jie)構。同時(shi)，它(ta)具(ju)有計算(suan)(suan)簡單、收(shou)斂速度快等優點(dian)(dian)，適用于高(gao)維數據(ju)(ju)(ju)(ju)的(de)(de)聚(ju)(ju)(ju)類任務。通(tong)過聚(ju)(ju)(ju)類，能夠(gou)自動挖(wa)掘測井曲線數據(ju)(ju)(ju)(ju)中(zhong)(zhong)隱含(han)的(de)(de)模(mo)式和規律，而無需人工(gong)干預，從而大(da)大(da)提高(gao)了分(fen)(fen)析效率。值得注意的(de)(de)是，由于初(chu)始聚(ju)(ju)(ju)類中(zhong)(zhong)心(xin)(xin)的(de)(de)選擇會(hui)影響最(zui)(zui)終的(de)(de)聚(ju)(ju)(ju)類質量，因此(ci)可以采用多次隨機初(chu)始化的(de)(de)策略(lve)，選取聚(ju)(ju)(ju)類效果最(zui)(zui)優的(de)(de)結(jie)果作為(wei)輸出。此(ci)外，還(huan)可以根(gen)據(ju)(ju)(ju)(ju)實(shi)際需求調(diao)整(zheng)聚(ju)(ju)(ju)類數k，以獲得更(geng)加合理的(de)(de)聚(ju)(ju)(ju)類劃分(fen)(fen)。

40、綜(zong)上(shang)所述，基于距離最小化原(yuan)則的聚類劃分方法能夠(gou)自動發現(xian)測井曲線數(shu)據(ju)內在的模(mo)式(shi)和結構，為(wei)后續的候選曲線模(mo)板生成和分類器訓練奠定(ding)堅實基礎(chu)，具有(you)重要的理論意義(yi)和應用價值。

41、可選(xuan)的，所述基于多個所述候選(xuan)曲線模(mo)(mo)板構建(jian)分類融合模(mo)(mo)型，包括：

42、對每(mei)(mei)個(ge)所述(shu)候選曲線模(mo)板(ban)(ban)提取相應的(de)特征向量，得到每(mei)(mei)個(ge)模(mo)板(ban)(ban)對應的(de)特征向量集合；

43、選擇多種(zhong)不同的分(fen)類(lei)(lei)算(suan)法(fa)，并將(jiang)特征向量集合(he)輸入到每種(zhong)分(fen)類(lei)(lei)算(suan)法(fa)，分(fen)別進行訓練得到對(dui)應(ying)的基(ji)分(fen)類(lei)(lei)器；

44、將多個所(suo)述基分類器(qi)模型組成的(de)基分類器(qi)集(ji)合，并基于選定的(de)融合策略和所(suo)述基分類器(qi)集(ji)合，構建融合分類器(qi)模型。

45、通(tong)過采用上述技術(shu)方案，在獲得多個候(hou)選(xuan)曲線(xian)模(mo)板之后，需要(yao)基于這(zhe)些(xie)模(mo)板構(gou)建分(fen)類融合模(mo)型(xing)，以便對待劃分(fen)井段的測井曲線(xian)數據進(jin)行(xing)準確分(fen)類。

46、首先，對每(mei)(mei)個(ge)候選曲線(xian)模板提取相應(ying)的(de)(de)(de)特(te)征(zheng)向(xiang)量(liang)(liang)(liang)，得(de)到(dao)每(mei)(mei)個(ge)模板對應(ying)的(de)(de)(de)特(te)征(zheng)向(xiang)量(liang)(liang)(liang)集合。這(zhe)些(xie)特(te)征(zheng)向(xiang)量(liang)(liang)(liang)能(neng)夠很好地刻(ke)畫各個(ge)模板的(de)(de)(de)固有特(te)征(zheng)，為后續的(de)(de)(de)分(fen)(fen)(fen)類(lei)(lei)器(qi)(qi)訓練(lian)提供(gong)基(ji)礎數據支持(chi)。接下來，選擇多種(zhong)不(bu)(bu)(bu)同(tong)的(de)(de)(de)分(fen)(fen)(fen)類(lei)(lei)算(suan)法，并將(jiang)特(te)征(zheng)向(xiang)量(liang)(liang)(liang)集合輸(shu)入到(dao)每(mei)(mei)種(zhong)分(fen)(fen)(fen)類(lei)(lei)算(suan)法中，分(fen)(fen)(fen)別(bie)進行訓練(lian)得(de)到(dao)對應(ying)的(de)(de)(de)基(ji)分(fen)(fen)(fen)類(lei)(lei)器(qi)(qi)。不(bu)(bu)(bu)同(tong)的(de)(de)(de)分(fen)(fen)(fen)類(lei)(lei)算(suan)法具有不(bu)(bu)(bu)同(tong)的(de)(de)(de)原理(li)和(he)優缺點，通過融合多種(zhong)算(suan)法能(neng)夠發揮(hui)各自的(de)(de)(de)長(chang)處，提高整(zheng)體(ti)的(de)(de)(de)分(fen)(fen)(fen)類(lei)(lei)性能(neng)。每(mei)(mei)種(zhong)分(fen)(fen)(fen)類(lei)(lei)算(suan)法在訓練(lian)時，都會根據輸(shu)入的(de)(de)(de)特(te)征(zheng)向(xiang)量(liang)(liang)(liang)集合自動學習模式，得(de)到(dao)相應(ying)的(de)(de)(de)基(ji)分(fen)(fen)(fen)類(lei)(lei)器(qi)(qi)模型。

47、最(zui)后，將(jiang)多(duo)(duo)個基分(fen)(fen)類(lei)器(qi)(qi)模(mo)型(xing)(xing)組成基分(fen)(fen)類(lei)器(qi)(qi)集合(he)(he)，并基于選定的(de)(de)(de)融合(he)(he)策略(lve)對這(zhe)些基分(fen)(fen)類(lei)器(qi)(qi)進行融合(he)(he)，構建(jian)出融合(he)(he)分(fen)(fen)類(lei)器(qi)(qi)模(mo)型(xing)(xing)。可根據具(ju)體情(qing)況選擇合(he)(he)適的(de)(de)(de)策略(lve)。通過融合(he)(he)多(duo)(duo)個基分(fen)(fen)類(lei)器(qi)(qi)，能夠有效(xiao)提(ti)高(gao)分(fen)(fen)類(lei)的(de)(de)(de)準(zhun)確性和魯棒性。

48、上(shang)述實施方式的優(you)勢在于，通過(guo)(guo)特征提取(qu)和多(duo)算法融合，能(neng)夠(gou)充(chong)分(fen)挖掘候(hou)選(xuan)曲線(xian)模(mo)板中蘊含(han)的豐富信息(xi)，克服單一(yi)分(fen)類(lei)算法的局限性(xing)。同時，融合分(fen)類(lei)器能(neng)夠(gou)整合多(duo)個基分(fen)類(lei)器的優(you)點(dian)，提高了分(fen)類(lei)的穩定性(xing)和泛(fan)化能(neng)力。值得(de)一(yi)提的是(shi)，在融合分(fen)類(lei)器模(mo)型的構建過(guo)(guo)程(cheng)中，還可以引入一(yi)些優(you)化策略，如特征選(xuan)擇、超參數調優(you)等，進一(yi)步提升模(mo)型的性(xing)能(neng)。

49、在本技術的第二(er)方面(mian)提供(gong)了一種沉積微相劃分方法系統，包(bao)括：

50、數(shu)(shu)據獲(huo)取模塊，用于獲(huo)取測(ce)井曲(qu)線(xian)數(shu)(shu)據和每個所述測(ce)井曲(qu)線(xian)數(shu)(shu)據對應的(de)沉積(ji)微相標注數(shu)(shu)據，并(bing)對所述測(ce)井曲(qu)線(xian)數(shu)(shu)據進行預處理，得到初(chu)步(bu)測(ce)井曲(qu)線(xian)數(shu)(shu)據；

51、初(chu)步處理模塊，用于將(jiang)所述(shu)(shu)初(chu)步測井曲線數據進(jin)行(xing)拼(pin)接處理，得到(dao)不(bu)同深度段(duan)(duan)的高(gao)維特(te)征(zheng)向量(liang)，并針(zhen)對(dui)每種沉積微相類型，使用聚類算法(fa)將(jiang)對(dui)所述(shu)(shu)不(bu)同深度段(duan)(duan)的高(gao)維特(te)征(zheng)向量(liang)進(jin)行(xing)劃分(fen)，得到(dao)多個聚類數據集；

52、模(mo)型(xing)構建模(mo)塊，用于對將(jiang)多個(ge)聚類(lei)(lei)數據集輸(shu)入(ru)預設對抗網(wang)絡模(mo)型(xing)，輸(shu)出多個(ge)候(hou)選曲線(xian)模(mo)板(ban)，并基(ji)于多個(ge)所述候(hou)選曲線(xian)模(mo)板(ban)構建分類(lei)(lei)融合模(mo)型(xing)；

53、劃(hua)分模塊，用于獲得待(dai)劃(hua)分井(jing)(jing)段(duan)的測(ce)井(jing)(jing)曲線數據(ju)(ju)，并對所(suo)述(shu)(shu)待(dai)劃(hua)分井(jing)(jing)段(duan)的測(ce)井(jing)(jing)曲線數據(ju)(ju)進(jin)行(xing)特征提取，得到與所(suo)述(shu)(shu)待(dai)劃(hua)分井(jing)(jing)段(duan)的測(ce)井(jing)(jing)曲線數據(ju)(ju)對應(ying)的待(dai)分配高(gao)維特征向(xiang)量；

54、分(fen)類(lei)融合模(mo)塊(kuai)，用(yong)于將所述待(dai)分(fen)配(pei)高維特(te)(te)征向量輸入所述分(fen)類(lei)融合模(mo)型，輸出待(dai)分(fen)配(pei)高維特(te)(te)征向量對應的沉積微相類(lei)型。

55、在本技術的(de)第四方面(mian)提供了一種電(dian)子設(she)備(bei)，包括處理器、存(cun)儲器、用戶接(jie)口(kou)及網絡(luo)接(jie)口(kou)，存(cun)儲器用于(yu)存(cun)儲指令，用戶接(jie)口(kou)和(he)網絡(luo)接(jie)口(kou)用于(yu)給其(qi)他設(she)備(bei)通(tong)信，處理器用于(yu)執行存(cun)儲器中存(cun)儲的(de)指令，以使電(dian)子設(she)備(bei)執行上述的(de)方法。

56、綜上，本技(ji)術實施例(li)中(zhong)提供(gong)的一個或多個技(ji)術方案，至少具有如下技(ji)術效果或優點：

57、1、本(ben)技術(shu)提出(chu)的(de)(de)(de)(de)(de)沉(chen)(chen)(chen)積(ji)微相(xiang)(xiang)自動劃分(fen)(fen)(fen)(fen)方法首先從已標注的(de)(de)(de)(de)(de)測(ce)(ce)井曲(qu)(qu)(qu)(qu)線(xian)數據和(he)沉(chen)(chen)(chen)積(ji)微相(xiang)(xiang)類(lei)型(xing)(xing)(xing)出(chu)發，對(dui)測(ce)(ce)井曲(qu)(qu)(qu)(qu)線(xian)數據進行預(yu)處理(li)，獲(huo)得(de)初步(bu)測(ce)(ce)井曲(qu)(qu)(qu)(qu)線(xian)數據。通過(guo)對(dui)初步(bu)測(ce)(ce)井曲(qu)(qu)(qu)(qu)線(xian)數據進行拼接(jie)處理(li)，可(ke)(ke)以得(de)到不(bu)同(tong)深(shen)(shen)度(du)段的(de)(de)(de)(de)(de)高維(wei)(wei)特(te)(te)(te)征向(xiang)(xiang)(xiang)量(liang)(liang)，充(chong)分(fen)(fen)(fen)(fen)利用了測(ce)(ce)井曲(qu)(qu)(qu)(qu)線(xian)數據在(zai)不(bu)同(tong)深(shen)(shen)度(du)上(shang)的(de)(de)(de)(de)(de)相(xiang)(xiang)關性(xing)，提高了特(te)(te)(te)征向(xiang)(xiang)(xiang)量(liang)(liang)的(de)(de)(de)(de)(de)表達能(neng)(neng)力。接(jie)下來，針(zhen)對(dui)每(mei)種(zhong)沉(chen)(chen)(chen)積(ji)微相(xiang)(xiang)類(lei)型(xing)(xing)(xing)，使(shi)用聚(ju)類(lei)算法將對(dui)應的(de)(de)(de)(de)(de)不(bu)同(tong)深(shen)(shen)度(du)段高維(wei)(wei)特(te)(te)(te)征向(xiang)(xiang)(xiang)量(liang)(liang)進行劃分(fen)(fen)(fen)(fen)，得(de)到多(duo)(duo)(duo)個(ge)(ge)聚(ju)類(lei)數據集(ji)。這一(yi)步(bu)驟(zou)能(neng)(neng)夠(gou)(gou)自動發現(xian)測(ce)(ce)井曲(qu)(qu)(qu)(qu)線(xian)數據內在(zai)的(de)(de)(de)(de)(de)微觀結構和(he)模(mo)(mo)(mo)(mo)式(shi)，而無需人工干(gan)預(yu)。通過(guo)聚(ju)類(lei)，相(xiang)(xiang)似(si)的(de)(de)(de)(de)(de)高維(wei)(wei)特(te)(te)(te)征向(xiang)(xiang)(xiang)量(liang)(liang)被(bei)劃分(fen)(fen)(fen)(fen)到同(tong)一(yi)個(ge)(ge)聚(ju)類(lei)中，為后續生(sheng)(sheng)成(cheng)(cheng)候(hou)(hou)選曲(qu)(qu)(qu)(qu)線(xian)模(mo)(mo)(mo)(mo)板(ban)奠定(ding)基礎。然后，將多(duo)(duo)(duo)個(ge)(ge)聚(ju)類(lei)數據集(ji)輸(shu)入預(yu)設的(de)(de)(de)(de)(de)對(dui)抗生(sheng)(sheng)成(cheng)(cheng)網(wang)絡模(mo)(mo)(mo)(mo)型(xing)(xing)(xing)，輸(shu)出(chu)多(duo)(duo)(duo)個(ge)(ge)候(hou)(hou)選曲(qu)(qu)(qu)(qu)線(xian)模(mo)(mo)(mo)(mo)板(ban)。對(dui)抗生(sheng)(sheng)成(cheng)(cheng)網(wang)絡由生(sheng)(sheng)成(cheng)(cheng)器(qi)和(he)判別器(qi)組成(cheng)(cheng)，能(neng)(neng)夠(gou)(gou)自動學習(xi)(xi)數據的(de)(de)(de)(de)(de)分(fen)(fen)(fen)(fen)布，生(sheng)(sheng)成(cheng)(cheng)與真實(shi)數據高度(du)相(xiang)(xiang)似(si)的(de)(de)(de)(de)(de)合(he)成(cheng)(cheng)數據。在(zai)本(ben)技術(shu)中，利用對(dui)抗生(sheng)(sheng)成(cheng)(cheng)網(wang)絡從聚(ju)類(lei)數據集(ji)中學習(xi)(xi)，生(sheng)(sheng)成(cheng)(cheng)多(duo)(duo)(duo)個(ge)(ge)候(hou)(hou)選曲(qu)(qu)(qu)(qu)線(xian)模(mo)(mo)(mo)(mo)板(ban)，這些(xie)模(mo)(mo)(mo)(mo)板(ban)能(neng)(neng)夠(gou)(gou)很好地概括和(he)反映各沉(chen)(chen)(chen)積(ji)微相(xiang)(xiang)類(lei)型(xing)(xing)(xing)的(de)(de)(de)(de)(de)特(te)(te)(te)征。基于(yu)上(shang)述(shu)多(duo)(duo)(duo)個(ge)(ge)候(hou)(hou)選曲(qu)(qu)(qu)(qu)線(xian)模(mo)(mo)(mo)(mo)板(ban)，構建分(fen)(fen)(fen)(fen)類(lei)融(rong)(rong)合(he)模(mo)(mo)(mo)(mo)型(xing)(xing)(xing)。這一(yi)步(bu)驟(zou)包括提取每(mei)個(ge)(ge)模(mo)(mo)(mo)(mo)板(ban)的(de)(de)(de)(de)(de)特(te)(te)(te)征向(xiang)(xiang)(xiang)量(liang)(liang)，選擇多(duo)(duo)(duo)種(zhong)分(fen)(fen)(fen)(fen)類(lei)算法并基于(yu)特(te)(te)(te)征向(xiang)(xiang)(xiang)量(liang)(liang)集(ji)合(he)分(fen)(fen)(fen)(fen)別訓練(lian)得(de)到基分(fen)(fen)(fen)(fen)類(lei)器(qi)，最后將多(duo)(duo)(duo)個(ge)(ge)基分(fen)(fen)(fen)(fen)類(lei)器(qi)融(rong)(rong)合(he)成(cheng)(cheng)最終的(de)(de)(de)(de)(de)分(fen)(fen)(fen)(fen)類(lei)器(qi)模(mo)(mo)(mo)(mo)型(xing)(xing)(xing)。通過(guo)融(rong)(rong)合(he)多(duo)(duo)(duo)種(zhong)分(fen)(fen)(fen)(fen)類(lei)器(qi)，能(neng)(neng)夠(gou)(gou)有效提高分(fen)(fen)(fen)(fen)類(lei)的(de)(de)(de)(de)(de)魯(lu)棒性(xing)和(he)泛(fan)化能(neng)(neng)力。對(dui)于(yu)待劃分(fen)(fen)(fen)(fen)井段的(de)(de)(de)(de)(de)測(ce)(ce)井曲(qu)(qu)(qu)(qu)線(xian)數據，先對(dui)其進行特(te)(te)(te)征提取得(de)到待分(fen)(fen)(fen)(fen)配(pei)高維(wei)(wei)特(te)(te)(te)征向(xiang)(xiang)(xiang)量(liang)(liang)，然后將該向(xiang)(xiang)(xiang)量(liang)(liang)輸(shu)入分(fen)(fen)(fen)(fen)類(lei)融(rong)(rong)合(he)模(mo)(mo)(mo)(mo)型(xing)(xing)(xing)，即可(ke)(ke)輸(shu)出(chu)對(dui)應的(de)(de)(de)(de)(de)沉(chen)(chen)(chen)積(ji)微相(xiang)(xiang)類(lei)型(xing)(xing)(xing)。由于(yu)分(fen)(fen)(fen)(fen)類(lei)融(rong)(rong)合(he)模(mo)(mo)(mo)(mo)型(xing)(xing)(xing)是在(zai)大量(liang)(liang)標注數據的(de)(de)(de)(de)(de)基礎上(shang)訓練(lian)得(de)到的(de)(de)(de)(de)(de)，具有很強的(de)(de)(de)(de)(de)泛(fan)化能(neng)(neng)力，因此(ci)能(neng)(neng)夠(gou)(gou)給出(chu)準確可(ke)(ke)靠的(de)(de)(de)(de)(de)分(fen)(fen)(fen)(fen)類(lei)結果。

58、2、本(ben)(ben)技術在對特(te)征矩陣(zhen)進(jin)(jin)行(xing)劃分得(de)到(dao)多個(ge)(ge)(ge)(ge)(ge)聚類(lei)(lei)(lei)數據集的(de)(de)過(guo)程(cheng)中(zhong)，首先需(xu)要初始(shi)化(hua)k個(ge)(ge)(ge)(ge)(ge)聚類(lei)(lei)(lei)中(zhong)心(xin)點。聚類(lei)(lei)(lei)中(zhong)心(xin)點的(de)(de)選(xuan)擇對最(zui)終的(de)(de)聚類(lei)(lei)(lei)結果(guo)有很(hen)大影響，一般可以基(ji)于(yu)先驗知識或(huo)隨機方(fang)式進(jin)(jin)行(xing)初始(shi)化(hua)。接下來，計(ji)算(suan)(suan)特(te)征矩陣(zhen)中(zhong)每個(ge)(ge)(ge)(ge)(ge)樣本(ben)(ben)點到(dao)這k個(ge)(ge)(ge)(ge)(ge)聚類(lei)(lei)(lei)中(zhong)心(xin)的(de)(de)距(ju)離(li)。距(ju)離(li)的(de)(de)計(ji)算(suan)(suan)方(fang)法(fa)有多種，如(ru)歐氏距(ju)離(li)、曼(man)哈頓距(ju)離(li)等，需(xu)要根據具(ju)體數據分布情況(kuang)選(xuan)取合適的(de)(de)距(ju)離(li)度量。通(tong)過(guo)計(ji)算(suan)(suan)距(ju)離(li)，能夠量化(hua)樣本(ben)(ben)點與各個(ge)(ge)(ge)(ge)(ge)聚類(lei)(lei)(lei)中(zhong)心(xin)之間(jian)的(de)(de)相似程(cheng)度。然(ran)后，基(ji)于(yu)每個(ge)(ge)(ge)(ge)(ge)樣本(ben)(ben)點到(dao)聚類(lei)(lei)(lei)中(zhong)心(xin)的(de)(de)距(ju)離(li)，將每個(ge)(ge)(ge)(ge)(ge)樣本(ben)(ben)點劃分到(dao)最(zui)近的(de)(de)聚類(lei)(lei)(lei)中(zhong)，得(de)到(dao)多個(ge)(ge)(ge)(ge)(ge)聚類(lei)(lei)(lei)數據集。具(ju)體來說，對于(yu)每個(ge)(ge)(ge)(ge)(ge)樣本(ben)(ben)點，計(ji)算(suan)(suan)它(ta)與k個(ge)(ge)(ge)(ge)(ge)聚類(lei)(lei)(lei)中(zhong)心(xin)的(de)(de)距(ju)離(li)，將其劃分到(dao)距(ju)離(li)最(zui)近的(de)(de)那一個(ge)(ge)(ge)(ge)(ge)聚類(lei)(lei)(lei)中(zhong)。

59、3、本技術在獲(huo)得多個(ge)候(hou)選曲線模(mo)板(ban)之后，需(xu)要基(ji)于(yu)(yu)這些(xie)模(mo)板(ban)構(gou)建分(fen)(fen)類(lei)(lei)融(rong)合(he)模(mo)型(xing)，以(yi)便對待劃(hua)分(fen)(fen)井段的測井曲線數(shu)據進行(xing)準確(que)分(fen)(fen)類(lei)(lei)。上(shang)述實施方式的優勢在于(yu)(yu)，通過(guo)特(te)征提(ti)(ti)取(qu)和多算法(fa)融(rong)合(he)，能(neng)夠充分(fen)(fen)挖掘候(hou)選曲線模(mo)板(ban)中蘊(yun)含的豐(feng)富信(xin)息，克服單一(yi)(yi)分(fen)(fen)類(lei)(lei)算法(fa)的局限(xian)性。同時，融(rong)合(he)分(fen)(fen)類(lei)(lei)器能(neng)夠整合(he)多個(ge)基(ji)分(fen)(fen)類(lei)(lei)器的優點，提(ti)(ti)高了分(fen)(fen)類(lei)(lei)的穩(wen)定(ding)性和泛化能(neng)力(li)。值得一(yi)(yi)提(ti)(ti)的是，在融(rong)合(he)分(fen)(fen)類(lei)(lei)器模(mo)型(xing)的構(gou)建過(guo)程中，還可以(yi)引入一(yi)(yi)些(xie)優化策略，如(ru)特(te)征選擇、超參數(shu)調優等(deng)，進一(yi)(yi)步提(ti)(ti)升模(mo)型(xing)的性能(neng)。