本发明涉及油气储层物性参数预测，特别涉及基于改进的变分自编码器的vae-attention模型的油气储层物性参数预测精度提升方法、系统、设备及介质。
背景技术：
1、在油气田开发过程中，储层物性参数是影响油气产量的重要参数之一。高精度的储层物性参数预测不仅能够提高油气采收率，还能优化油田开发方案，降低生产成本。传统的储层物性参数预测方法主要分为两类：基于物理模型的方法和基于数据驱动的方法。基于物理模型的方法依赖于对地质结构和物理属性的详细了解，通常需要大量的实验数据和复杂的计算过程，适用性有限。基于数据驱动的方法则利用机器学习和深度学习技术，通过对历史数据的挖掘和分析，建立储层渗透率的预测模型。
2、随着深度学习技术的深化，众多新型模型涌现，显著推动了序列数据处理能力的发展。其中，循环神经网络(rnn)作为处理时序数据的先驱，凭借递归特性在序列建模上展现出独特优势。然而，rnn在处理长序列时面临的梯度消失与爆炸难题，限制了其应用范围。为解决这一问题，长短期记忆网络(lstm)及其双向变体(bilstm)相继被提出。lstm通过精妙设计的门控机制，有效缓解了梯度问题，并成功捕获了数据中的长期依赖关系。而bilstm则更进一步，兼顾了序列的前后文信息，提升了模型对上下文的全面理解能力。此外，为追求更高的计算效率，门控循环单元(gru)及其双向版本(bigru)也应运而生。gru通过简化lstm的门控结构，实现了更快的训练速度和更高效的计算性能。bigru则继承了bilstm对序列双向依赖的捕捉能力，同时保持了gru的高效性。
3、对于储层物性参数预测任务中，申请号为cn202010197833.7的发明专利申请，提出了一种基于多层长短期记忆神经网络模型的孔隙度预测方法，该方法在储层预测任务中已经表现出了很好的效果，但同其他预测方法一般，该方法只考虑了构建的模型在预测任务中的表现效果，而没有在最后的预测的结果上再进一步提炼，从而使其准确度有更好地提升。现有的利用无监督学习进行数据重构技术包括生成对抗网络(gan)与变分自编码器(vae)等，其中，gan通过对抗性训练生成逼真的数据样本，可以用于提高训练数据集的多样性和质量。但其更多的是对于特征数据质量的一个提升，在后续预测结果的处理上并不理想。vae用于从真实数据分布中提取潜在变量，并生成新的数据点。通过对数据进行重构，vae可以捕获数据的复杂结构，有助于提高预测模型的性能。传统的vae虽然能够提取真实数据的一个分布情况，但其使用简单的编码和解码网络，可能在捕获复杂序列数据的时间依赖特征时存在不足，导致信息丢失。同时，传统vae没有注意力机制，难以关注输入序列中的重要特征，导致生成的样本缺乏全局一致性。
技术实现思路
1、针对上述问题，本发明的目的在于提供油气储层物性参数预测精度提升方法、系统、设备及介质，该方法对传统的变分自编码器进行改进，将vae结构中原有的编码层与解码层替换为更能够更好提取序列特征的bigru层，并增加attention机制关注全局输入，动态计算每个时间步的注意力权重，从而更好地捕捉长期变化下的数据的分布特征，在预测模型本身的预测效果上进行进一步提升精度。
2、为了达到上述目的，本发明采用的技术方案如下：
3、油气储层物性参数预测精度提升方法，包括以下步骤：
4、步骤一、预测模型与运行：
5、将测井曲线数据与实测储层参数数据标准化后，按既定比例划分为训练集与测试集；随后，将训练集数据输入预测模型进行训练，直至模型收敛，得到训练完成的预测模型；最后，利用该模型对测试集数据进行预测，输出最终的预测结果；
6、步骤二、改进的vae-attention模型与运行：
7、构建改进的vae-attention模型，并对实测储层参数数据进行标准化处理，同样按步骤一中的比例划分训练集与测试集；在训练集数据中引入高斯噪声以增强模型鲁棒性，随后利用遗传算法对模型超参数进行优化，确定最优参数组合；将最优参数输入模型进行训练，直至模型稳定，得到最终模型；最后，将步骤一中的预测结果作为输入，通过最终模型进一步处理，输出模型的最终运行结果。
8、所述步骤一中详细步骤如下：对收集的测井曲线数据与实测储层参数数据进行标准化，在数据标准化方法中选择z-score标准化，所述z-score标准化，它是基于每个特征的均值和标准差进行数据的标准化处理，对于每个特征，计算该特征所有样本的均值和标准差，然后对该特征进行标准化，使得每个特征的均值为0，标准差为1，即转换后的特征符合标准正态分布，其表达式为：
9、
10、其中，x是原始数据，μ是数据的均值,σ是数据的标准差；
11、将标准化后的数据集划分为训练集与测试集，随后，分别将训练集数据输入到bigru、lstm、bilstm和rnn四种预测模型中进行训练；每种模型训练完成后，利用测试集数据评估其性能，保存各自的最终预测结果；为量化预测精度，采用均方误差(mse)作为误差统计指标，其表达式为：
12、
13、其中，n是样本数量，yi是真实值，是模型的预测值。
14、所述步骤二详细步骤如下：
15、(2.1)、构建vae-attention模型，所述的vae-attention模型包括编码器和解码器；
16、(2.1.1)、所述的编码器(q(z|x))将储层参数输入数据映射到潜在空间，输出潜在变量z的均值μ(x)和方差σ2(x)，编码器采用bigru结构，其中每个gru单元包含一个更新门和一个重置门，其对应的数学表达式如下：
17、重置门rt：
18、rt＝σ(wr·[ht-1,xt])
19、候选隐藏状态
20、
21、更新门zt：
22、zt＝σ(wz·[ht-1,xt])
23、更新隐藏状态ht：
24、
25、其中，xt表示输入序列的第t个时间步的储层渗透率数据，ht-1表示上一个时间步的隐藏状态，wr、wz和w分别表示重置门、更新门和候选隐藏状态的权重参数，σ为sigmoid函数，⊙表示逐元素乘法；
26、在利用bigru结构提取渗透率数据的特征后通过线性层将其分布到对应的潜在空间，即：
27、q(z|x)＝n(z；μ(x),σ2(x))；
28、在输出潜在变量z的均值μ(x)和方差σ2(x)时，为了使梯度能够通过随机变量传递，使用重参数化技巧将编码器的编码数据表示为均值和方差的函数，即：
29、z＝μ(x)+σ(x)⊙∈
30、其中，∈～n(0,1)，表示标准正态分布的噪声，⊙表示逐元素乘法；
31、(2.1.2)、所述的解码器将低维的潜在表示映射回到原始数据空间，从而实现数据的重构；解码层同样采用bigru结构，并通过bigru与attention机制将重参数化后的潜在变量z重构回原始数据，具体为：
32、首先将重参数化后潜在变量z映射到初始隐状态h0：
33、h0＝fc(z)
34、再使用gru生成数据序列：
35、ot,ht＝gru(o{t-1},h{t-1})
36、其中ot,ht分别表示t时间步下的输出和隐状态；
37、将解码器的当前输出ot和隐藏状态ht与注意力权重的计算相关联，然后使用一个注意力层，将当前解码器输出ot和上一个隐藏状态ht-1连接起来：
38、score(ot,ht-1)＝attention(ot,ht-1)
39、再将注意力分数通过softmax函数进行归一化，得到注意力权重at：
40、
41、随后使用注意力权重at编码器的输出进行加权求和，得到上下文向量ct：
42、
43、其中，oi是编码器的输出序列，at,i是注意力权重；
44、最后重构输出，使用上下文向量ct结合解码器当前隐藏状态ht，通过一个全连接层f生成最终的重构输出
45、
46、vae模型的目标是最大化数据的边缘似然p(x)，即：
47、logp(x)＝log(x|z)p(z)dz
48、采用变分推断的方法，引入一个近似后验分布q(z|x)，通过jensen's不等式，得到以下证据下界：
49、
50、其中，dkl是kl散度，用于衡量两个分布之间的差异；
51、改进的vae-attention模型的损失函数由重构损失和kl散度损失组成：
52、
53、其中，重构损失为衡量重构数据与原始数据x之间的差异，通常使用均方误差(mse)；kl散度损失是衡量编码器输出的近似后验分布与先验分布之间的差异，先验分布通常是标准正态分布；
54、(2.2)、模型训练
55、(2.2.1)数据标准化与划分
56、对收集的实测储层参数数据进行标准化，在数据标准化方法中选择z-score标准化，将标准化的数据进行划分，其中训练数据与测试数据占比为9：1；
57、(2.2.2)引入噪声
58、所引入的噪声为高斯噪声，则其表达式为：
59、xnoisy＝x+∈,
60、其中，x为储层渗透率数据，∈是服从n(0,σ2)的随机变量；
61、(2.2.3)超参数调优
62、选择遗传算法进行超参数调优，构建遗传算法框架，并对模型中的超参数进行调优，其调优范围如下表所示：
63、 超参数 实验设置 隐藏层维数 32-512 潜在空间向量维数 16-256 学习率 0.001-0.01 批次大小 32-512 噪声方差大小 0.0-0.1 迭代次数 50-200
64、(2.2.4)模型训练与应用
65、将最优参数输入模型进行训练，直至模型稳定，得到最终模型；最后，将步骤一中的预测结果作为输入，通过最终模型进一步处理，输出模型的最终运行结果。
66、油气储层物性参数预测的精度提升系统，应用油气田开发过程中，实现上述油气储层物性参数预测的精度提升方法，包括用于执行所述方法中各个步骤的处理指令模块。
67、油气储层物性参数预测的精度提升设备，包括：
68、存储器：存储所述的油气储层物性参数预测精度提升方法的计算机程序，为计算机可读取的设备；
69、处理器：用于执行所述计算机程序时实现所述油气储层物性参数预测精度提升方法。
70、计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现所述的油气储层物性参数预测精度提升方法。
71、本发明采用上述技术方案，具有如下有益效果：
72、(1)本发明步骤二结合了bigru模型较好的序列数据特征提取能力，以及attention机制全局关注特点，在原有的vae模型的结构上进行了更改，利用其无监督学习的特点，同时利用了其数据重构的特点，达到提升预测精度的效果。
73、(2))本发明在模型超参数调优方法中选择中遗传算法，对模型的超参数进行了综合的筛选，从而获得了最优参数下的模型运行效果。
74、综上所述，本发明不同于主要关注异常识别的传统vae模型，而是基于改进的变分自编码的vae-attention模型，利用其无监督学习的特点，学习数据内部的分布特征，从而更好的提高原有模型的预测精度。
1.油气储层物性参数预测精度提升方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的油气储层物性参数预测精度提升方法，其特征在于，所述步骤一中详细步骤如下：对收集的测井曲线数据与实测储层参数数据进行标准化，在数据标准化方法中选择z-score标准化，所述z-score标准化，它是基于每个特征的均值和标准差进行数据的标准化处理，对于每个特征，计算该特征所有样本的均值和标准差，然后对该特征进行标准化，使得每个特征的均值为0，标准差为1，即转换后的特征符合标准正态分布，其表达式为:
3.根据权利要求1所述的油气储层物性参数预测精度提升方法，其特征在于，所述步骤二详细步骤如下：
4.一种油气储层物性参数预测的精度提升系统，其特征在于，应用油气田开发过程中，实现权利要求1-3任意一项所述的气储层物性参数预测的精度提升方法，包括用于执行所述方法中各个步骤的处理指令模块。
5.一种油气储层物性参数预测的精度提升设备，其特征在于，包括：
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现权利要求1-3任意一项所述的的油气储层物性参数预测精度提升方法。
