买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西南石油大学申请的专利一种基于成本敏感型学习的富水致密砂岩流体判别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117150390B 。

龙图腾网通过国家知识产权局官网在2026-01-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311124905.5，技术领域涉及：G06F18/243；该发明授权一种基于成本敏感型学习的富水致密砂岩流体判别方法是由罗仁泽;雷璨如;武娟;易玺;赵丹;廖波;曹瑞;陈星廷;刘恒;王磊;林虹宇设计研发完成，并于2023-09-02向国家知识产权局提交的专利申请。

本一种基于成本敏感型学习的富水致密砂岩流体判别方法在说明书摘要公布了：一种基于成本敏感型学习的富水致密砂岩流体判别方法，本方法将富水致密砂岩流体识别问题类比为类别不平衡分类问题，根据解决类不平衡分类问题的思路，提出了基于参数构建的成本敏感型梯度提升决策树PC‑SC‑GBDT；首先，在数据层面进行了测井复合参数构建，将测井曲线、复合参数和物性参数同时作为模型的输入特征；其次，在算法层面，优化了梯度提升决策树中样本权重更新的方式，将召回率指标引入权重更新公式中，对于不同类别的训练样本基赋予不同的权重更新方式；最后，通过多种优化算法对模型进行超参数寻优，得到最优超参数下的最佳性能模型。

本发明授权一种基于成本敏感型学习的富水致密砂岩流体判别方法在权利要求书中公布了：1.一种基于成本敏感型学习的富水致密砂岩流体判别方法，其特征在于包括以下步骤： 步骤1、建立适合人工智能模型训练的测井数据集合X： 1从某区块目标层位选取a口井，a为正整数，每口井包含自然伽马、自然电位、补偿中子、补偿密度、声波时差、地层电阻率、冲洗带电阻率7条测井曲线，渗透率、孔隙度、泥质含量、含水饱和度4个物性参数； 2基于测井曲线和物性参数，构建13个复合参数，将测井曲线、物性参数和复合参数共同作为输入特征参数； 其中，ρb为补偿密度测井值，gcm3；ρma为岩石骨架密度，ρma＝2.65gcm3，gcm3；H为储层有效厚度，m；PERM为储层渗透率计算值，mD；Δt为声波时差测井值，μms；Sg为储层含气饱和度，％；Δtma为岩石骨架的声波时差值，μms，取储层岩性较纯时的声波时差值；Δtsh为泥质骨架的声波时差值，μms，取泥质含量极高时的声波时差值；Δtf为流体的声波时差值，μms；为流体的含氢指数，％％；ρf为流体密度，gcm3；RT为地层电阻率，Ω·m；RXO为冲洗带电阻率，Ω·m；Vsh为地层泥质的体积百分含量，％，计算公式如下： Vsh＝22·△GR-122-1 △GR＝GR-GRminGRmax-GRmin 其中，GR为自然伽马测井值，API，GRmin为纯砂岩自然伽马值，GRmax为纯泥岩自然伽马值，根据本工区地质情况，取GRmin＝28API，GRmax＝140API； POR为储层孔隙度计算值，％，计算公式如下： Vma为骨架矿物纯砂岩的体积百分含量，％，计算公式如下： Vma＝1-POR-Vsh 为根据补偿中子测井值求得的去除泥质含量的中子孔隙度，％，其计算公式如下： CNL为补偿中子测井值，vv；为泥质骨架含氢指数；为根据补偿密度测井值求得的去除泥质含量的密度孔隙度，％，其计算公式如下： ρsh为泥质骨架密度，gcm3，根据本工区地质情况取ρsh＝2.6gcm3； 3采用Z-score标准化方法，使其符合正态分布，其中SP曲线采用局部标准化，其他曲线采用全局标准化； 4去除所选曲线中对应的非储层段、泥岩夹层、储层段顶底界面及数据缺失段； 5将每个井段按照固定采样点数Q进行采样，Q为正整数，使得不同厚度的储层井段有着不同的分辨率，作为原始曲线数据集合X； 步骤2、构建成本敏感型梯度提升机，具体步骤如下： 1设训练数据集U:xi,yi|i∈[1,N],定义基础学习器个数为T∈1,+∞，T为正整数，t∈[1,T]为迭代次数，N为样本数量，L为损失函数； 2令t＝1，初始化样本权重初始化基础分类器htDtix；αt， 此时模型的优化目标函数为 Htx＝H0x+htDtix；αt 其中，αt为基础分类器htDtix；αt的模型参数，H0x为模型此时的总输出，ρ为基础分类器的权重参数； 3当t≤T，计算本轮残差，更新样本权重，并构建下一轮的基础分类器来拟合本轮残差： a计算Htx的残差gt； b将当前分类器的输入样本Utrain分为三类，UCorrect为分类正确的样本，Uwrong为分类错误的样本，Upw为最小召回率类别的错误分类的样本，它们满足Utrain＝Ucorrect∪Uwrong； c分别对属于Ucorrect、Uwrong和Upw的样本进行加权： 其中，recall为当前全局召回率，TP是真正例的数量，代表正类被正确分类的情况，FN是假负例的数量，代表正类被分类为负类的情况，b、c均为加权函数的参数，card*表示集合中元素的个数； d使用以下公式保证样本权重有效，不产生零值、空值及无穷大， e生成新的基础分类器htDti；αt拟合上一分类器的残差gt，其中， βt为拟合残差gt时分类器htDtx；αt的权重；Dt为更新后的样本权重； f更新模型： Htx＝Ht-1x+ρthtDtix；αt 其中，ρt为新的基础分类器htDtix；αt的权重； g当t＝T时，输出模型 步骤3、将训练集输入到步骤2中构建的预测模型进行训练，并使用麻雀搜索算法进行超参数寻优，选择在训练寻优过程中精度最高的模型作为最终模型，损失函数L使用交叉熵损失函数，其计算公式如下： 其中，Z为分类数量；G为观测样本数量；yic为符号函数，取值为0或1，若样本i的真实类别为c，则yic取1，否则yic取0；pic为观测样本i属于类别c的概率；麻雀搜索算法具体步骤如下： 1设矩阵为麻雀的位置矩阵，为第i只麻雀在第j个超参数上的位置，为当前位置下的适应度函数，t∈T为算法迭代次数，T为正整数，Q为最佳适应度队列； 2更新生产者的位置： 其中，t为迭代次数，Q为服从正态分布的随机数，α∈0,1为随机数，为元素为1的d维矩阵，W2∈[0,1]为报警值，ST∈[0.5,1]为安全阈值； 3更新探索者的位置： 其中，为t+1次迭代时，生产者所占据的最佳位置，为第t次迭代时的全局最差位置，A1×d为由元素1和-1组成的d维矩阵，A+＝ATAAT-1； 4第t次迭代时的全局最优位置为与此对应的第t次迭代时的全局最优适应度为fbest，将与fbest加入队列Q；当第i只麻雀在第t次迭代时的适应度大于fbest时，第i只麻雀需要向占据全局最优位置的麻雀靠拢；时，第i只麻雀需要向其他麻雀靠近，表现为以下公式： 其中，β作为步长控制参数，是均值为0、方差为1的随机数正态分布；K∈[-1,1]为随机数，ε是最小的常数，以避免零除误差； 5队列Q中的元素方差小于阈值ω时，输出队列Q中最佳适应度所对应的全局最优位置； 6将求得的最优超参数组合代入模型，得到最终模型； 步骤4：将测试集输入训练完成的模型中进行储层流体类型识别，得到预测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西南石油大学，其通讯地址为：610500 四川省成都市新都区新都大道8号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。