本发明涉及油气储层物性参数预测，特别涉及一种多模型融合并行化储层参数预测方法、系统、设备及介质。
背景技术：
1、储层评价在油气田开发和管理中至关重要。孔隙度决定储层的储存空间，直接影响油气储量的估算；渗透率则评估流体通过岩石的能力，关系到油气的可采性和生产率。对这些参数的测量和分析有助于全面理解储层特性，制定有效的开发策略，优化生产过程，最终提升油气田的经济效益和开发效率。
2、通过测井曲线预测储层参数在油气勘探和开发中具有重要意义和显著优势。相比钻井取芯和实验分析，测井曲线预测储层参数更为经济高效，能够在短时间内获取大量数据，并减少昂贵且耗时的实验需求。最初，mohaghegh等人(mohaghegh et al.,1996)采用人工神经网络(ann)对储层物性参数进行了预测，证明了神经网络在储层参数预测上的可行性与准确性，为获取储层参数打开了新的思路。随着深度学习的发展，越来越多的学者在储层参数预测上进行了探索。
3、循环神经网络(rnn)的出现为序列数据建模提供了一种有效的工具，但在处理长序列数据时，其表现并不理想，通常只能捕捉短期依赖关系，而无法有效记住较早的输入信息。长短期记忆网络(lstm)的提出很好地解决了这个问题。长短期记忆网络(lstm)引入了门控机制，能够很好地保存和传递长时间步的信息。门控循环单元(gru)是lstm的简化版本，保留了lstm捕捉长时依赖的能力，同时简化了网络结构，减少了计算复杂度，增加了计算效率。然而，尽管lstm和gru通过门控机制改善了对长时依赖的捕捉能力，它们对远距离依赖关系仍然存在一定的局限性。随着序列长度的增加，反向传播过程中梯度可能逐渐变小，导致早期时间步的梯度贡献微乎其微，从而影响模型对长时依赖关系的学习。
4、为了解决这些问题，vaswani等人在《vaswani et al.,2017》提出了一种基于自注意力机制的transformer模型，自注意力机制允许模型在计算每个输入的表示时关注序列中所有其他位置的输入，这使得模型能够捕捉到远距离的依赖关系，而无需逐步处理序列数据。在预测任务中，尽管卷积神经网络(cnn)是一种专门用于处理具有网格结构数据的深度学习模型，它在序列数据预测任务中同样表现出色。cnn的局部感受野、权重共享和长程依赖捕捉能力使其能够高效地处理和分析序列数据。不过，标准cnn在卷积操作时没有时间顺序的约束，可能会导致未来信息泄漏到当前时间步的输出中。为此，后续出现了一种专门为处理序列数据而设计的时间卷积网络(tcn)。通过因果卷积、膨胀卷积和残差连接等设计，tcn能够有效捕捉时间序列中的模式和长程依赖，保持时间顺序，并在训练过程中保持稳定。
5、对于储层物性参数预测任务中，公开号为cn115222019a的专利申请，发明了一种基于测井数据的深度transformer迁移学习储层参数预测方法，该方法在储层预测任务中已经表现出了很好的效果，但该方法只考虑全局数据的提取，对于局部数据的提取上仍然有着不足。
技术实现思路
1、针对现有技术存在的问题，本发明的目的在于提供一种多模型融合并行化储层参数预测方法、系统、设备及介质，构建了一种并行化的bigru-tcn-transformer模型，首先利用双向门控循环单元(bigru)分支处理序列的双向信息，确保时序特征的全面提取，同时，通过时间神经网络(tcn)分支使用膨胀卷积提取局部时序模式，扩展特征感受野；然后将bigru分支与tcn分支的输出结果通过线性变换后进行相加得到多尺度特征，最后利用transformer模块的自注意力机制整合多尺度特征，增强全局依赖捕捉能力，在模型训练过程中，采用了多进程技术实现多参数并行化预测，提高了模型运行效率，此外，为提升最终预测精度，改进了vae模型，将bigru作为编码器和解码器，并引入attention机制动态计算注意力权重，从而更好地捕捉长期变化中的数据分布特征，提升储层参数的预测精度。
2、为了达到上述目的，本发明采用的技术方案如下：
3、多模型融合并行化储层参数预测方法，包括以下步骤：
4、步骤一、bigru-tcn-transformer模型构建与运行：
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，构建bigru-tcn-transformer模型，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；将训练集数据输入模型进行训练，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模型构建与运行：
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：
9、(1.1)、数据标准化与划分
10、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，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:
11、
12、其中，x是原始数据,μ是数据的均值,σ是数据的标准差；
13、将标准化后的数据集按9:1的比例划分为训练集与测试集；
14、(1.2)、bigru-tcn-transformer模型构建
15、bigru-tcn-transformer模型是一个多分支的深度学习框架，模型包括了时间卷积网络tcn、双向gru(bigru)以及transformer模块，用于处理时序数据，并进行预测，通过tcn和bigru分别提取序列的局部和全局特征，然后将这些特征整合，进一步通过transformer块捕捉序列中的长依赖关系，最终输出预测结果；
16、bigru-tcn-transformer模型的建模过程如下：
17、若有测井曲线数据x，其形状为(b,t,d)，其中b表示批量大小，t处理时间步，d表示测井曲线的数量；
18、首先，对于bigru分支，其由双向gru单元构成，每个gru单元包含一个更新门和一个重置门，单向gru的公式如下：
19、更新门zt：
20、zt＝σ(wz·[ht-1,xt])
21、重置门rt：
22、rt＝σ(wr·[ht-1,xt])
23、候选隐藏状态
24、
25、更新隐藏状态ht：
26、
27、其中，xt表示输入序列的第t个时间步的测井曲线数据，ht-1表示上一个时间步的隐藏状态，wr、wz和wh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；其双向结构为：
28、
29、
30、
31、其中，表示为前向的隐藏状态，为后向隐藏状态，其输出形状为(b,t,2h)，其中h是gru的隐藏状态维度；
32、tcn分支由一系列的一维卷积层构成，每一层的计算过程如下:
33、首先，对测井数据进行因果卷积与扩展卷积，其对应的卷积公式如下：
34、因果卷积公式：
35、
36、扩展卷积公式：
37、
38、其中，wi表示卷积核参数，k表示卷积核的大小，xt表示经过bigru处理后的隐藏状态，d表示扩展卷积的扩展率，yt为tcn层的输出；
39、tcn在每个层之间使用了残差连接，其对应公式为：
40、yt＝xt+conv1d(xt)
41、其中，conv1d表示为一维卷积操作，即因果卷积；其输出形状为(b,t,c)，其中c是最后一个tcn模块的输出通道数；
42、对bigru分支与tcn分支的输出数据进行线性变换后相加，转换为符合transformer输入结构的形状的特征表示，其转换公式为：
43、
44、其中，wtcn、wbigru为tcn与bigru线性变换的权重矩阵，yt为bigru分支与tcn分支的输出结果，y的输出形状为(b,t,dmodel)，dmodel为transformer的隐藏维度；
45、对线性变换后的输出添加位置编码，使模型能够利用序列的位置信息：
46、
47、
48、其中，pos表示用于生成位置编码的位置索引，其位置编码后的输出形状为(b,t,dmodel)；
49、将位置编码后的数据作为transformer层的输入，每一层transformer包含多头注意力机制和前馈神经网络，并通过自注意力机制和前馈神经网络捕获序列中的全局依赖关系，自注意力机制公式为：
50、
51、其中q,k,v分别表示为用于自注意力机制的查询、键、值矩阵，softmax为归一化操作，dk为键的维度；
52、多头注意力机制公式为：
53、multihead(q,k,v)＝concat(head1,head2,…,headh)wo
54、
55、其中，wo表示为多头注意力机制的权重矩阵；
56、其前馈神经网络的公式为：
57、ffn(x)＝max(0,xw1+b1)w2+b2
58、其中，w1,w2,b1,b2表示为前馈神经网络的权重矩阵和偏置向量
59、transformer层的完整流程为：
60、output1＝multiheadattention(layernorm(z))+z
61、output2＝ffn(layernorm(output1))+output1
62、其中，z表示经过位置编码后的输入数据，layernorm表示归一化操作；
63、最后，transformer最后一层的输出经过线性层得到最终预测结果：
64、yout＝linear(output2)；
65、(1.3)bigru-tcn-transformer模型超参数调优
66、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，其调优范围如表1所示：
67、表1神经网络超参数选择情况
68、 超参数 实验设置 tcn渠道数 [16,32,64]-[80,160,320] 批次 64-256 学习率 <![cdata[10<sup>-4</sup>-10<sup>-1</sup>]]> transformer层维度 64-512 前馈层维度 64-512 tcn层的dropout率 0-0.5 transformer的dropout率 0-0.5 transformer层 1-10 bigru层 1-10 多头数 1-10 迭代次数 10-200
69、(1.4)并行化框架构建
70、搭建一个基于multiprocessing模块的多进程并行框架，该框架通过创建多个独立的进程来实现并行处理，每个进程都有自己的python解释器和独立的内存空间，在储层参数预测任务中，为每个参数分配了单独的进程，从而实现了任务的并行化处理。
71、所述步骤二详细步骤如下：
72、(2.1)模型构建
73、vae-attention模型包括编码器和解码器；
74、(2.1.1)编码器：
75、所述编码器(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：
76、重置门rt：
77、rt＝σ(wr·[ht-1,xt])
78、候选隐藏状态
79、
80、更新门zt：
81、zt＝σ(wz·[ht-1,xt])
82、更新隐藏状态ht：
83、
84、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；
85、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：
86、q(z|x)＝n(z；μ(x),σ2(x))
87、其中，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：
88、z＝μ(x)+σ(x)⊙∈
89、其中，∈～n(0,1)，表示标准正态分布的噪声，⊙表示逐元素乘法；
90、(2.1.2)解码器
91、所述解码器将低维的潜在表示映射回到原始数据空间，解码层也替换为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，所述attention机制作用于解码器的过程，用于增强模型在生成数据时的准确性和表达能力，在解码器中，attention机制有助于解码器根据潜在变量z和当前的输出状态，动态地调整对输入序列的关注度，从而生成更精确的输出；
92、首先将重参数化后潜在变量z映射到初始隐状态h0：
93、h0＝fc(z)
94、再使用gru生成数据序列：
95、ot,ht＝gru(o{t-1},h{t-1})
96、其中，ot,ht分别表示t时间步下的输出和隐状态；
97、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：
98、score(ot,ht-1)＝attention(ot,ht-1)
99、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：
100、
101、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：
102、
103、其中，oi是编码器的输出序列，at,i是注意力权重；
104、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
105、
106、需要注意的是，vae模型的目标是最大化数据的边缘似然p(x)，即：
107、log p(x)＝log(x|z)p(z)dz
108、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：
109、
110、其中，dkl是kl散度，用于衡量两个分布之间的差异；
111、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：
112、
113、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；
114、(2.2)模型训练
115、(2.2.1)数据标准化与划分
116、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；
117、(2.2.2)引入噪声
118、为了增加模型的泛化能力，引入的噪声为高斯噪声，则其表达式为：
119、xnoisy＝x+∈,
120、其中，x为储层渗透率数据，∈是服从n(0,σ2)的随机变量；
121、(2.2.3)超参数调优
122、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，其调优范围如表2所示，
123、表2神经网络超参数选择情况
124、 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
125、(2.2.3)模型训练与应用
126、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。
127、多模型融合并行化储层参数预测系统，应用油气田储层评价过程中，实现上述多模型融合并行化储层参数预测方法，包括用于执行所述方法中各个步骤的处理指令模块。
128、多模型融合并行化储层参数预测设备，包括：
129、存储器：存储所述的多模型融合并行化储层参数预测方法的计算机程序，为计算机可读取的设备；
130、处理器：用于执行所述计算机程序时实现所述多模型融合并行化储层参数预测方法。
131、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多模型融合并行化储层参数预测方法。
132、与现有技术相比，本发明具有如下有益效果：
133、(1)本发明步骤一结合了bigru、tcn和transformer的优势，具备强大的序列数据处理能力，bigru捕捉序列数据的双向依赖，tcn通过扩展卷积和大感受野高效捕捉长程依赖，transformer通过自注意力机制和位置编码实现全局特征提取，达到提升预测精度的效果。
134、(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。
135、(3)本发明还利用改进的vae-attention模型对预测结果进行了重构，增加的最终预测结果的准确性和鲁棒性。
136、综上所述，本发明在处理序列数据时既具有高效并行计算的优势，又能充分理解和利用数据的时间和全局特征，从而提升预测性能和稳定性；改进的vae-attention模型用于重构bigru-tcn-transformer的预测结果，进一步提高了准确性和鲁棒性。
1.多模型融合并行化储层参数预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多模型融合并行化储层参数预测方法，其特征在于，所述步骤一中详细步骤如下：
3.根据权利要求1所述的多模型融合并行化储层参数预测方法，其特征在于，所述步骤二详细步骤如下：
4.多模型融合并行化储层参数预测系统，其特征在于，应用油气田储层评价过程中，实现权利要求1-3任意所述的多模型融合并行化储层参数预测方法，包括用于执行所述方法中各个步骤的处理指令模块。
5.多模型融合并行化储层参数预测设备，其特征在于，包括：
6.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任意所述的多模型融合并行化储层参数预测方法。
