欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025111729600
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于半监督对抗学习的核磁测井数据反演系统,其特征在于,该系统包括:

数据处理模块,用于将正演生成的自旋回波信号与自旋回波信号对应的谱组成有标签测井数据集、将实际自旋回波信号组成无标签测井数据集;

谱重构器,采用标签测井数据集训练,得到自旋回波信号与初步谱的非线性映射关系,根据非线性映射关系处理无标签测井数据集生成预测谱;

伪标签选取器,用于根据实际自旋回波信号与预测谱匹配得到的伪匹配数据集与有标签测井数据集生成预测谱的置信度,按照置信度选取预测谱作为伪标签,将伪标签与预测谱混合后与标签测井数据集和无标签测井数据集作为谱重构器的训练集;

所述谱重构器经过训练集训练后得到实际自旋回波信号与预测谱的非线性映射关系。

2.根据权利要求1所述的基于半监督对抗学习的核磁测井数据反演系统,其特征在于,所述谱重构器包含一个特征学习模块和一个细节补充模块,采用跳跃连接将特征学习模块提取的不同尺度特征直接传递给细节补充模块,所述特征学习模块提取有标签测井数据集中的谱的初始特征信息,所述初始特征信息经过特征融合输入至细节补充模块用于恢复特征细节信息后得到初步谱,建立自旋回波信号与初步谱的非线性映射关系。

3.根据权利要求2所述的基于半监督对抗学习的核磁测井数据反演系统,其特征在于,所述特征学习模块包括依次设置的卷积层、ReLU激活层以及多个特征融合块,其中特征融合块包含依次设置的卷积层、批量归一化层、ReLU激活层以及并行的第一分支和第二分支,第一分支包含依次设置的卷积层、空洞卷积层、批量归一化层和ReLU激活层,第二分支包含依次设置的卷积层、批量归一化层和ReLU激活层,两个分支融合后作为输出。

4.根据权利要求1所述的基于半监督对抗学习的核磁测井数据反演系统,其特征在于,谱重构器的反演损失函数包括交叉熵损失、伪匹配损失和伪标签损失;

所述交叉熵损失用于采用有标签测井数据集训练谱重构器时,评估自旋回波信号经谱重构器处理后得到的初步谱与谱的相似程度;

所述伪匹配损失用于同时采用有标签测井数据集和无标签测井数据集训练谱重构器时,评估预测谱与谱的差异;

所述伪标签损失用于采用无标签测井数据集训练谱重构器时,评估实际自旋回波信号的预测谱与伪标签的相似程度。

5.根据权利要求1所述的基于半监督对抗学习的核磁测井数据反演系统,其特征在于,所述伪标签选取器通过判断有标签测井数据集对应的谱和伪匹配数据集对应的预测谱的相似度得到置信度。

6.一种基于半监督对抗学习的核磁测井数据反演方法,其特征在于,包括:

将正演生成的自旋回波信号与自旋回波信号对应的谱组成有标签测井数据集、将实际自旋回波信号组成无标签测井数据集;

采用标签测井数据集训练,得到自旋回波信号与初步谱的非线性映射关系,根据非线性映射关系处理无标签测井数据集生成预测谱;

根据实际自旋回波信号与预测谱匹配得到的伪匹配数据集与有标签测井数据集生成预测谱的置信度,按照置信度选取预测谱作为伪标签;

将伪标签与预测谱混合后与标签测井数据集和无标签测井数据集作为谱重构器的训练集;

采用训练集训练谱重构器后得到实际自旋回波信号与预测谱的非线性映射关系;

根据实际自旋回波信号与预测谱的非线性映射关系处理实时采集的实际自旋回波信号,得到预测谱。

7.根据权利要求6所述的一种基于半监督对抗学习的核磁测井数据反演方法,其特征在于,通过最小化反演损失函数迭代优化谱重构器的预测效果,所述反演损失函数包括:交叉熵损失、伪匹配损失和伪标签损失;

所述交叉熵损失用于采用有标签测井数据集训练谱重构器时,评估自旋回波信号经谱重构器处理后得到的初步谱与谱的相似程度;

所述伪匹配损失用于同时采用有标签测井数据集和无标签测井数据集训练谱重构器时,评估预测谱与谱的差异;

所述伪标签损失用于采用无标签测井数据集训练谱重构器时,评估实际自旋回波信号的预测谱与伪标签的相似程度。

8.根据权利要求6所述的一种基于半监督对抗学习的核磁测井数据反演方法,其特征在于,所述谱重构器包含一个特征学习模块和一个细节补充模块,采用跳跃连接将特征学习模块提取的不同尺度特征直接传递给细节补充模块,所述特征学习模块提取有标签测井数据集中的谱的初始特征信息,所述初始特征信息经过特征融合输入至细节补充模块用于恢复特征细节信息后得到初步谱,建立自旋回波信号与初步谱的非线性映射关系。

9.根据权利要求8所述的基于半监督对抗学习的核磁测井数据反演方法,其特征在于,所述特征学习模块包括依次设置的卷积层、ReLU激活层以及多个特征融合块,其中特征融合块包含依次设置的卷积层、批量归一化层、ReLU激活层以及并行的第一分支和第二分支,第一分支包含依次设置的卷积层、空洞卷积层、批量归一化层和ReLU激活层,第二分支包含依次设置的卷积层、批量归一化层和ReLU激活层,两个分支融合后作为输出。

10.根据权利要求6所述的基于半监督对抗学习的核磁测井数据反演方法,其特征在于,通过伪标签选取器判断有标签测井数据集对应的谱和伪匹配数据集对应的预测谱的相似度得到置信度。