基于CNN-SVM和集成學習的固井質量評價方法

摘要： 為解決固井質量評價問題， 提出一種基于CNN-SVM和集成學習的固井質量評價方法. 首先， 針對DenseNet模型采取縮減網絡層數、 增加多尺度卷積層、 嵌入卷積注意力模塊等改進措施， 以提高模型的訓練速度和評價準確率; 其次， 利用InceptionV1模塊和擴張卷積構建一個模型復雜度相對較小且評價準確率相對較高的Inception-DCNN模型; 再次， 優選3個經典的卷積神經網絡模型（ResNet50，MobileNetV3-Small，GhostNet）， 利用卷積神經網絡強大的特征提取能力及支持向量機的結構風險最小化能力， 將上述模型分別與支持向量機組合成新的CNN-SVM模型， 以提升模型的泛化能力； 最后， 采用Bagging方式將5個新的CNN-SVM模型集成為一個強學習器， 從而提升評價結果的準確度， 增強模型的抗干擾能力. 實驗結果表明， 該方法對測試集中的3類評價樣本的準確率為97.69%， 與單個模型和其他方法相比提升了1～9個百分點， 驗證了采用基于CNN-SVM和集成學習的方法進行固井質量評價是切實可行的.

關鍵詞： 固井質量評價； 扇區水泥膠結測井； 集成學習； 卷積神經網絡； 支持向量機

中圖分類號： TP391" 文獻標志碼： A" 文章編號： 1671-5489（2024）04-0960-11

Cementing Quality Evaluation Method Based onCNN-SVM and Integrated Learning

XIAO Hong， QIAN Yiming

（School of Computer and Information Technology， Northeast Petroleum University，Daqing 163318， Heilongjiang Province， China）

Abstract： In order to solve the problem of cementing quality evaluation， we proposed a cementing quality evaluation method based on CNN-SVM and integrated learning. Firstly， the method adopted improvement measures such as reducing the number of network layers， adding multi-scale convolutional layers， and embedding convolutional attention modules for the DenseNet model to improve the training speed and evaluation accuracy of the model. Secondly， the InceptionV1 module and dilated convolution were used to construct an Inception-DCNN model with relatively small model complexity and relatively high evaluation accuracy. Thirdly， three classic convolutional neural network models （ResNet50， MobileNetV3-Small and GhostNet） were selected. By utilizing the powerful feature extraction capabilities of convolutional neural networks and the structural risk minimization capabilities of support vector machines， the above" models were combined with a support vector machine to synthesize a new CNN-SVM model to improve the generalization ability of the model. Finally， the Bagging method was used to integrate the five new CNN-SVM models into a strong learner， thereby improving the accuracy of the evaluation results and enhancing the anti-interference ability of the model. The experimental results show that the accuracy of" the method for 3 types of evaluation samples in the test set is 97.69%， which is 1—9 percentage points higher than that of "a single model and other methods， thus verifying" the feasibility of using" methods based on CNN-SVM and ensemble learning for cementing" quality evaluation.

Keywords： cementing quality evaluation; sector cement cement logging; integrated learning; convolutional neural network; support vector machine

固井作業是鉆井工程中不可或缺的一部分， 也是油氣井建設的重要環節之一［1-2］. 固井質量的好壞對油田的經濟效益、 油氣資源的開發進度以及后續的鉆井工程、 完井工程都有重要影響. 因此， 固井質量不僅是鉆井施工的關鍵， 也是油田勘探開發的必要前提， 使得對固井質量資料評價的精度要求逐漸提高［3］.

目前， 評價固井質量的方法主要包括壓力測試、 聲幅變密度測井（CBL/VDL）和扇區水泥膠結測井（sectoral cement cementation logging， SBT）. 壓力測試在經濟可行性方面存在限制， 實踐經驗表明， 過高的壓力可能導致水泥環被破壞， 從而造成經濟損失. 聲幅變密度測井克服了上述缺陷， 但只能通過聲幅和變密度兩條曲線評價固井質量［4］， 無法反映水泥環環向膠結的均勻性. 而扇區水泥膠結測井消除了上述問題的影響， 除具備常規聲幅變密度測井的功能外， 它還能清楚直觀地顯示扇區水泥成像圖［5］. 因此， 扇區水泥膠結測井是目前評價固井質量的主要方法之一. 但SBT評價固井質量是一個復雜的過程， 通常需要石油領域專家根據多年的經驗進行手動評價.

隨著測井資料的不斷增多， 難免會存在主觀性強、 速度慢、 效率低等問題. 因此， 固井質量評價自動化研究備受關注.

陳向軍等［6］提出了用聲能法評價固井質量， 該方法效率高但精度不夠； 杜冬楠等［7］將影響評價結果的7個固井參數變量作為輸入， 用LM（levenberg-marquardt）優化的BP神經網絡輸出固井質量預測結果， 但存在學習時間長、 識別效率低和隱含層節點數不確定等缺點； Santos等［8］利用測井數據使用高斯過程回歸算法生成新的特征曲線， 并通過新曲線對固井質量進行評價； Liu等［9-10］將同一深度點的4個首波幅度作為固井質量的特征屬性， 用粒子群優化算法（PSO）和遺傳算法（GA）對支持向量機（support vector machine， SVM）的參數進行優化， 提出了基于PSO-SVM和GA-SVM的固井質量評價模型， 但該方法存在耗時過長的問題; 鄭雙進等［11］在對固井質量諸多影響因素分析的基礎上， 采用遺傳算法對與支持向量機思路相反的支持向量回歸（SVR）參數進行優化， 提出了基于GA-SVR的固井質量預測模型， 以影響因素的相關數據作為輸入量對固井質量進行預測. 但SVM依賴于手工特征提取， 通常需要領域專家的知識和經驗進行特征選擇和提取. 尚福華等［12］基于SBT測井， 將同一深度點的首波幅度作為輸入， 采用帶有非線性連接權的神經網絡實現了對固井質量的評價； Voleti等［13］基于CBL/VDL測井， 采用隨機森林和神經網絡實現了對固井質量的自動評價； Fang等［14］基于CBL/VDL測井， 提出了一種具有不同大小內核的多尺度感知卷積神經網絡， 該網絡用于提取和融合變密度波形圖中不同尺度的信息， 通過識別變密度波形圖評價固井質量. 傳統卷積神經網絡（convolutional neural networks， CNN）可自動從輸入數據中提取特征， 避免了手動特征提取的繁瑣過程， 并通過將提取的特征提供給Softmax分類器， 完成分類任務. Softmax分類器與SVM分類器的分類能力相比， 顯然采用核函數實現特征映射的SVM更好. 因此， 研究者們又提出了在構建CNN時用SVM替換Softmax分類器的方法， 該方法目前在故障診斷［15］、 醫學檢測［16］、 人體活動識別［17］等多領域應用廣泛.

基于SBT測井所得的成像圖評價固井質量本質上可歸結為圖像分類問題， 而傳統研究方法大多數只采用某一種網絡模型， 通過改變其中某些參數提升網絡性能. 但單一網絡受其結構的限制， 即使通過參數調整， 性能仍很難超越其自身的極限. 集成學習可綜合各弱學習器的優勢形成一個強學習器， 從而提升學習器的應用效果. 在基于SBT測井成像圖的固井質量評價領域， 基于集成學習的評價方法目前尚未見文獻報道. 基于此， 本文提出一種基于CNN-SVM和集成學習的固井質量自動化評價方法. 該方法利用SBT測井得到的變幅度圖（扇區水泥成像圖）和變密度波形圖作為輸入， 通過CNN自動提取測井成像圖的數據特征， 使用SVM進行分類， 最終將5個訓練好的CNN-SVM模型集合成一個強分類器， 實現固井質量的自動評價.

1 CNN-SVM模型

1.1 CNN模型

1.1.1 改進的DenseNet-121模型

DenseNet模型［18］是稠密連接網絡， 由密集連接塊（dense block）和過渡層（transition layer）組成， 具有高度的參數共享和特征重用［19］.

DenseNet-121模型包含4個密集連接塊和3個過渡層， 并以全局平均池化層和全連接層結尾. 改進后的DenseNet-121網絡模型架構如圖1所示. 經仿真實驗驗證， 改進后的模型有效、 可靠. 改進措施如下：1） 盡管該模型通過特征重用在很大程度上減少了參數量， 但在減少網絡層數的仿真測試中發現， 網絡層數的減少對固井質量的評價結果并沒有較大影響， 證明DenseNet-121網絡存在特征冗余. 因此， 考慮到固井質量的數據特征較簡單， 并不需要更深的網絡獲取特征， 為提升模型訓練效率， 本文將網絡中Dense Block的瓶頸層數目由原來的6，12，21，16縮減為3，6，8，4.2） 考慮到特征提取時， 不僅需要特征數據的小尺度信息（位置和顏色等級）， 還需要大尺度信息（形狀和數目）， 本文在Dense Block結構前添加多尺度卷積層， 通過3個不同大小的卷積核并行操作， 同時檢測成像圖的大小尺度信息.3） 將CBAM（convolutional block attention module）［20］注意力機制模塊嵌入到模型中的每個Dense Block中， 通過賦予固井質量特征圖中重要信息更大的權重， 使DenseNet重視對評價有用的特征， 從而提高固井質量評價的準確性.

1.1.2 Inception-DCNN

本文設計的Inception-DCNN模型結構如圖2所示. 網絡中各層的含義解釋如下.

1） 輸入層. 讓輸入層接收SBT測井所得的變幅度圖和變密度波形圖對應的特征向量， 從而進行下一步的特征提取.

2） Block塊. 引入擴張卷積（dilated convolution， DC）、 批量歸一化（batch normalization， BN）和ReLU激活函數提高模型的表達能力. DC通過增加卷積核的感受野， 使其能捕獲更大范圍的上下文信息， 同時保持網絡的計算復雜度相對較低. BN可以利用小批量上的均值和方差調整上一卷積操作的輸出， 通過減少網絡中間層的內部協變量偏移使網絡層之間的分布更穩定［21］， 從而加速訓練過程， 增強模型的泛化能力. ReLU激活函數可以增強網絡的非線性能力， 使其能更好地擬合復雜的數據模式和特征. 最后通過最大池化（MaxPool）降低特征圖的尺寸， 從而減少網絡中的參數量， 減少過擬合的風險.

3） Inception塊. 通過InceptionV1塊提取深層特征圖中的不同尺度信息， 使網絡能更好地捕捉固井質量數據圖的細節和全局信息， 從而增強了網絡的表達能力.

4） 輸出層. 輸出層中不同的神經元對應不同的固井質量類別.

1.1.3 ResNet50

ResNet［22］是一種深度卷積神經網絡， 該網絡打破了傳統的層與層之間的直接連接方式， 通過引入殘差連接解決深層網絡中的梯度消失問題， 同時提高了模型的表達能力和學習能力. 殘差結構如圖3所示.

本文選擇經典卷積神經網絡ResNet50調整優化并進行訓練. ResNet50屬于ResNet系列模型， 共包含16個殘差單元， 由50層組成， 包括49個卷積層和1個全連接層. 引入的殘差結構允許直接將輸入特征映射添加到后續的特征映射中， 使固井質量的數據信息能在網絡中更快地傳遞.

1.1.4 MoblieNetV3-Small

MobileNetV3［23］是一種輕量級卷積神經網絡模型， 它繼承了MobileNetV1的深度可分離卷積和MobileNetV2具有的線性瓶頸的倒殘差結構， 并在此基礎上用Net Adapt算法自動獲取卷積核和通道的最佳數量； 在倒殘差結構引入擠壓和激勵注意力模塊（SE）， 組成bneck結構； 同時使用新的激活函數hard-swish（x）代替ReLU6， 計算公式為

hard|swish（x）=x·ReLU6（x+3）/6，（1）

其中ReLU6（x）函數為將輸入值限制在0～6內的ReLU函數變體. 本文采用bneck和通道數量更少的MobileNetV3-Small作為固井質量評價的訓練模型.

1.1.5 GhostNet

GhostNet［24］是一種輕量級深度卷積神經網絡模型， 旨在保持模型的高效性能和準確性的同時， 減少模型的計算和存儲開銷. GhostNet引入Ghost模塊， 通過少量的計算即可獲得大量特征圖. Ghost模塊結構如圖4所示.

首先將輸入特征圖通過少量卷積得到部分特征圖Y*， 然后將Y*中的每個通道進行簡單的線性操作Φ得到Ghost特征圖y*， 其中線性操作采用計算成本較低的深度可分離卷積操作， 最后將部分特征圖Y*與Ghost特征圖y*進行拼接， 得到最終的輸出特征［25］.

1.2 支持向量機

支持向量機是一種用來解決二分類問題的監督學習算法， 該算法采用結構風險最小化原則， 具有較好的分類性能和泛化能力， 并且在處理復雜問題上取得了顯著成果［26］. 其基本原理是通過尋找最優超平面進行分類， 該超平面不僅能將不同類別的樣本完全分開， 還能使距離超平面最近的訓練樣本點所組成的支持向量與該劃分超平面之間的間隔最大化.在多分類問題中， 常使用多個二分類器的組合方法進行處理. 這些方法包括一對一（one-vs-one， OVO）、 一對多（one-vs-rest， OVR）、 層次支持向量機（H-SVMs）等. 對于K個類別的問題， OVO方法需要構建K（K-1）/2個SVM分類器， 每個分類器專門用于區分其中兩個類別之間的樣本； OVR方法將一個類別作為正類， 其他所有類別作為負類， 只需構建K個SVM分類器即可， 但結果可能產生沖突； H-SVMs首先將所有類別分成兩個子類， 再將子類進一步劃分為兩個次級子類， 如此循環， 直到得到一個單獨的類為止.

1.3 CNN與SVM級聯模型

傳統卷積神經網絡采用的經驗風險最小化原則為

Remp（f）=1N∑Ni=1L（yi，f（xi）），（2）

其中yi表示樣本真實值， f（xi）表示樣本預測值， L（yi，f（xi））表示損失函數［27］. 根據大數定律， 只有當樣本容量N接近無窮大時， 經驗風險Remp（f）才接近理想值. 但現實中的樣本數據通常有限， 經驗風險最小化原則很容易出現過擬合問題. SVM采用的結構風險最小化原則可在一定程度上解決過擬合問題， 用公式表示為

Rsvm（f）=Remp（f）+λJ（f），（3）

其中J（f）為模型的復雜度， λ為用于權衡經驗風險和模型復雜度的系數. 因此， 本文基于CNN強大的特征提取能力及SVM結構風險最小化能力， 構建CNN-SVM的級聯模型處理固井質量的評價問題， 其結構如圖5所示.

首先利用CNN中的卷積和下采樣等操作從SBT測井成像圖中自動提取對評價任務有用的信息， 然后用SVM取代CNN的輸出層， 將自動提取的特征向量作為SVM的輸入， 采用OVO方法對其進行訓練， SVM的輸出即為固井質量的三類評價類別. 因此， 將上述改進的DenseNet，Inctption-DCNN，Resnet50，MobileNetV3-Small和GhostNet模型分別與SVM組合， 得到改進的DenseNet-SVM，Inception-DCNN-SVM，ResNet50-SVM，MobileNetV3-Small-SVM和GhostNet-SVM模型.

2 基于CNN-SVM的集成學習模型

2.1 集成學習

集成學習的主要思想是將多個網絡模型組合形成一個更強大的模型， 以提高模型的分類準確性及泛化能力. 集成學習的方法主要有Bagging，Boosting和Stacking三類［28］. Bagging方法利用自助采樣法為每個模型抽取不同的訓練集， 然后對這些模型的訓練結果進行綜合； Boosting方法將網絡模型串聯， 使每個模型的訓練均依賴于前一個模型的訓練結果； Stacking方法通過將多個模型的訓練結果作為新的訓練數據， 再訓練一個元學習器進行集成.

2.2 CNN-SVM集成學習模型構建

本文采用Bagging方法， 將改進的DenseNet-SVM，Inception-DCNN-SVM，ResNet50-SVM，MobileNetV3-Small-SVM和GhostNet-SVM模型進行集成， 從而得到一個評價準確率更高、 泛化性能更強的強學習器， 其結構如圖6所示.

模型構建過程如下：

1） 對原始固井質量數據集進行多次有放回的隨機抽樣， 得到5個訓練樣本集；

2） 將抽取到的5個訓練樣本集作為上述各CNN-SVM模型的輸入并分別進行訓練， 從而得到5個訓練好的模型；

3） 將訓練好的模型采用投票的方式集成為一個強學習器， 對每個模型的固井質量評價結果進行投票， 最終取票數最高的類別為固井質量評價類別.

為便于理解， 下面對投票法給出解釋. 設固井質量等級為c1，c2，…，cK， 對某個測試圖像， 令第i個CNN-SVM模型的預測結果為

pi=（0，…，0k-1，1，0，…，0K-k），" i=1，2，…，5，（4）

5個CNN-SVM模型的綜合預測結果為

P=（pT1，pT2，pT3，pT4，pT5），（5）

最終投票結果為

C=max1≤i≤K∑5j=1pij.（6）

3 實驗結果及分析

3.1 礦場資料數據

本文數據集來自于大慶油田某采油廠12口井SBT測井所得數據的成像圖. SBT以環繞方式在包含整個井眼內的6個角度區塊定量測量水泥膠結質量， 最后將6個角度測量所得數據展開進行成像即可得到本文數據： 扇區水泥膠結成像圖與變密度波形圖. 結合專家經驗和固井質量評價領域的相關知識， 扇區水泥膠結成像圖形象直觀地展現了水泥環的膠結填充情況以及膠結的均勻程度； 變密度波形圖是黑白相間的條帶， 通過對圖中顯示的套管波以及地層波的強弱程度確定水泥的膠結情況； 將二者相結合即可對固井質量進行準確評價， 并確定了固井質量的3種評價類型（優，合格，不合格）， 如圖7所示. 其中： 固井質量評價為優的井段對應變密度波形圖有地層波顯示， 對應扇區水泥膠結成像圖有黑塊及灰黑塊顯示； 固井質量評價為合格的井段對應變密度波形圖有套管波顯示， 對應扇區水泥膠結成像圖有灰白塊、 灰塊顯示； 固井質量評價為不合格的井段對應變密度波形圖有較強套管波顯示， 對應扇區水泥膠結成像圖有白塊、 灰白塊顯示.

本文收集12口井的采樣間隔為0.076 2 m， 按對應類別及預設厚度值分別對扇區水泥膠結成像圖和變密度波形圖進行切分， 最終得到12 222個樣本層張量（優4 417個， 合格2 937個， 不合格4 868個）. 將整個數據集按7∶1.5∶1.5劃分為3個相互獨立且互不交叉的訓練集、 驗證集、 測試集， 最終得到8 721個訓練集樣本、 1 649個驗證集樣本和1 646個測試集樣本. 將數據集中的扇區水泥膠結成像圖和變密度波形圖分別調整到150×150像素后按通道方向進行拼接得到模型的輸入特征圖.

3.2 實驗評估指標

本文采用以下實驗評估指標： 混淆矩陣、 精確率（P）、 召回率（R）、 F1分數和準確率（ACC）. 其中混淆矩陣用于比較評價結果與實際標簽的信息， 如表1所示， 表1中TP，FP，FN，TN分別表示真正類、 假正類、 假負類和真負類樣本的數量. 雖然表1顯示的為二分類， 但將正例視為評價結果（優，合格，不合格）中的某一類， 將負例視為評價結果的其他兩類， 即可將二分類問題轉化為本文的三分類問題. 根據這些值即可計算精確率、 召回率、 F1分數和準確率：

P=TPTP+FP，（7）

R=TPTP+FN，（8）

F1=2·PRP+R，（9）

ACC=TP+TNTP+FP+TN+FN.（10）

3.3 實驗平臺及參數設置

本文實驗的硬件條件為英特爾第八代i5 CPU， 頻率為2.80 GHz， 內存為16 GB， 所用GPU的規格為NVIDIA GeForce RTX 2070， 內存為8 GB. 實驗軟件平臺為PyCharm， 采用Python3.8編程語言實現， 在Windows10操作系統下運行， 使用的深度學習框架為Pytorch.本文網絡模型參數設置如下： batch_size=32， 采用Adam優化器， 初始學習率設為0.001， 初始學習率衰減系數為0.005， 隨迭代次數的不同而減小； 權重衰減率為0.000 1； SVM采用高斯核函數， 系數為0.001， 錯誤項的懲罰系數為1.

3.4 CNN-SVM級聯模型實驗驗證

為驗證使用SVM替換CNN輸出層的改進效果， 針對上述改進的DenseNet，Inception-DCNN，ResNet50，MobileNetV3-Small和GhostNet 5個模型進行消融實驗， 以考察CNN-SVM級聯模型的準確率、 精確率、 召回率和F1分數的變化情況. 首先， 將上述5個模型在多次有放回的隨機抽樣所得的數據集上進行訓練， 實驗結果列于表2. 由表2可見， 針對固井質量評價問題， 采用改進的DenseNet模型準確率和F1分數最高， 分別為95.86%和93.80%.

CNN-SVM級聯模型的固井質量評價效果列于表3. 由表3可見： 改進的DenseNet-SVM模型性能最好， 準確率為96.41%， F1分數為95.45%， 與表2中的改進DenseNet模型相比， 準確率提升了0.55個百分點， F1分數提升了1.65個百分點； 表3中其他模型與表2中對應的模型相比， 準確率均約提高了1.4個百分點， F1分數提高了1.8個百分點. 實驗結果表明， 使用SVM代替CNN的輸出層是切實有效的.

圖8和圖9分別給出了改進DenseNet和改進DenseNet-SVM模型在測試集上的混淆矩陣， 其中橫坐標對應模型的預測類別， 縱坐標對應真實類別.

由圖8和圖9可見， 3類結果均有誤差， 且類別為優和不合格的樣本更多被模型誤判為合格.

3.5 基于集成學習的實際應用效果對比

圖10為集成了改進DenseNet-SVM，Inception-DCNN-SVM，ResNet50-SVM，MobileNetV3- Small-SVM和GhostNet-SVM 5個模型的強學習器在測試集上的混淆矩陣， 評價結果為優的準確率為98.47%， 合格的準確率為97%， 不合格的準確率為97.23%.

為驗證本文方法的有效性， 將其與表2中性能最好的CNN模型、 表3中性能最好的CNN-SVM模型、 支持向量機以及文獻［14］使用的具有不同大小內核的多尺度感知卷積神經網絡模型進行對比， 結果列于表4. 由表4可見， 本文方法在精確率、 召回率、 F1分數和準確率等指標上均高于其他方法， 本文方法得到的評價準確率達97.69%， F1分數為97.08%， 且準確率和F1分數相比于以上4種方法分別提高了約4.5個百分點和5.7個百分點. 實驗結果表明， 本文方法對固井質量評價效果良好.

在測井解釋過程中， 生成的測井成像圖可能會受干擾和失真的影響. 因此， 為評估本文方法在這種情況下的評價能力， 通過在扇區水泥膠結成像圖與變密度波形圖中添加10%的高斯噪聲， 驗證模型的穩定性和泛化能力， 實驗結果列于表5. 由表5可見， 本文提出的基于CNN-SVM和集成學習的方法具有更強的抗干擾能力， 即使測井成像圖失真并有噪聲， 仍可以準確地評價固井質量.

3.6 實驗結果分析

由表2和表3可見， 基于CNN-SVM級聯模型的評價效果最好， 這是因為傳統CNN具有強大的特征提取能力， 能自動學習和提取輸入數據中的高級特征， 從而捕捉到測井成像圖的空間局部性和層次結構， 使模型能更好地理解和表示固井質量的數據圖像， 但在數據樣本容量有限時， 傳統CNN易出現過擬合現象， 導致模型在訓練集上表現良好， 在測試集上表現較差. 而SVM可有效地處理小樣本數據集， 通過間隔最大化的原則， 能在訓練過程中有效控制模型的復雜度， 從而降低過擬合的風險， 因此使用SVM代替CNN中輸出層的CNN-SVM模型能在固井質量評價方面性能更優. 由圖8～圖10的混淆矩陣可見， 測試集中固井質量評價的誤差主要出現在類別優與合格、 合格與不合格之間， 原因在于類別為合格的數據特征與其他兩類特征較相似， 會使模型產生一定的混淆. 表4中SVM的評價效果最差， 原因是SVM是一種基于特征的分類器， 它依賴于事先提取的手工設計特征， 且對空間特征的捕捉能力相對較弱， 導致對測井成像圖的空間特征利用不充分. 結合表4和表5的結果可見， 本文方法在原數據集和添加了噪聲的數據集上都表現較好， 這是因為本文方法利用了5種CNN-SVM模型的不同優點， 可減少單個模型的偏差和方差， 從而提高了整體的評價準確性； 通過多個模型的集體決策， 減少了對噪聲的敏感性， 且SVM通過最大化支持向量到分類超平面的間隔， 同樣可減少對噪聲數據的敏感性， 使其擁有強大的魯棒性和泛化能力， 從而提高了網絡的評價能力.

綜上所述， 為解決固井質量的評價問題， 本文提出了一種基于CNN-SVM和集成學習的固井質量評價方法， 將改進DenseNet，Inception-DCNN，ResNet50，MobileNetV3-Small和GhostNet 5個模型的輸出層替換為SVM， 組合成5個新的CNN-SVM模型， 既有效利用了CNN對扇區水泥膠結成像圖與變密度波形圖的特征提取能力， 又結合了SVM控制模型復雜度、 減少過擬合風險的能力； 最終通過充分利用5個CNN-SVM模型各自的優點， 集成了一個具有更高評價準確率和更強抗干擾能力的強學習器. 該學習器既可避免人工評價帶來的主觀性， 又能顯著提升評價效率， 從而為固井質量評價開辟了一條新途徑.

參考文獻

［1］ 胡洪瑾， 李登華， 趙凱， 等. 我國油氣資源量|儲量|產量關系解析： 兼評全國油氣資源評價發展方向 ［J］. 石油實驗地質， 2023， 45（2）： 222-228. （HU H J， LI D H， ZHAO K， et al. Relationship among Oil and Gas Resources， Reserves and Production in China and Suggestions for the Development Direction of National Oil and Gas Resource Assessment ［J］. Petroleum Geology amp; Experiment， 2023， 45（2）： 222-228.）

［2］ 周龍， 謝銀濤， 徐景林， 等. 提高固井質量的措施 ［J］. 石化技術， 2022， 29（12）： 25-27. （ZHOU L， XIE Y T， XU J L， et al. Measures to Improve Cementing Quality ［J］. Petrochemical Industry Technology， 2022， 29（12）： 25-27.）

［3］ 吳天乾， 宋文宇， 譚凌方， 等. 超低密度水泥固井質量評價方法 ［J］. 石油鉆探技術， 2022， 50（1）： 65-70. （WU T Q， SONG W Y， TAN L F， et al. Evaluation Method for Cementing Quality of Ultra-Low-Density Cement ［J］. Petroleum Drilling Techniques， 2022， 50（1）： 65-70.）

［4］ 張永超. 低密度水泥膠結質量CBL/VDL測井評價研究 ［D］. 大慶： 東北石油大學， 2022. （ZHANG Y C. CBL/VDL Logging Evaluation on Bonding Quality of the Low Density Slurry ［D］. Daqing： Northeast Petroleum University， 2022.）

［5］ 陳金宏， 王靜， 劉江偉， 等. 八扇區水泥膠結測井儀刻度及測井數據處理 ［J］. 中國煤層氣， 2021， 18（5）： 33-37. （CHEN J H， WANG J， LIU J W， et al. Calibration Method and Data Procession of SBT Logging ［J］. China Coalbed Methane， 2021， 18（5）： 33-37.）

［6］ 陳向軍， 李維彥， 楊順輝. 固井質量評價面臨的新問題及思路 ［J］. 測井技術， 2015， 39（1）： 1-5. （CHEN X J， LI W Y， YANG S H. New Problems amp; Measures in Interpreting Cement Sheath Evaluation ［J］. Well Logging Technology， 2015， 39（1）： 1-5.）

［7］ 杜冬楠， 鄭雙進， 赫英狀， 等. 基于LM優化神經網絡的固井質量預測方法——以順北油田X區塊為例 ［J］. 石油地質與工程， 2021， 35（3）： 123-126. （DU D N， ZHENG S J， HE Y Z， et al. Cementing Quality Prediction Method Based on LM Optimization Neural Network： By Taking X Block of Shunbei Oilfield as an Example ［J］. Petroleum Geology and Engineering， 2021， 35（3）： 123-126.）

［8］ SANTOS L， DAHI T A. Machine Learning Framework to Generate Synthetic Cement Evaluation Logs for Wellbore Integrity Analysis ［C］//ARMA US Rock Mechanics/Geomechanics Symposium. ［S.l.］： ARMA， 2021： 2543-2549.

［9］ LIU J C， WANG H T， ZENG P S， et al. Intelligent Evaluation Model for Cementing Quality Based on PSO-SVM and Application ［J］. Applied Mechanics and Matetials， 2011， 1366： 4293-4299.

［10］ LIU J C， ZENG P S， YUAN Z G， et al. Intelligent Evaluation Model for Cementing Quality Based on GA-SVM and Application ［J］. Applied Mechanics and Materials， 2011， 121126： 2730-2734.

［11］ 鄭雙進， 程霖， 龍震宇， 等. 基于GA-SVR算法的順北區塊固井質量預測 ［J］. 石油鉆采工藝， 2021， 43（4）： 467-473. （ZHENG S J， CHENG L， LONG Z Y， et al. Predicting the Cementing Quality in Shunbei Block Based on GA-SVR Algorithm ［J］. Oil Drilling amp; Production Technology， 2021， 43（4）： 467-473.）

［12］ 尚福華， 于志東， 曹茂俊. 前饋神經網絡在水泥膠結識別中的應用 ［J］. 計算機技術與發展， 2013， 23（9）： 223-226. （SHANG F H， YU Z D， CAO M J， et al. Application of Feedforward Neural Network in Cement Bond Identification ［J］. Computer Technology and Development， 2013， 23（9）： 223-226.）

［13］ VOLETI D K， REDDICHARLA N， GUNTUPALLI S， et al. Smart Way for Consistent Cement Bond Evaluation and Reducing Human Bias Using Machine Learning ［C］//Abu Dhabi International Petroleum Exhibition and Conference. ［S.l.］： SPE， 2020： 202742-1-202742-12.

［14］ FANG C F， WANG Z， SONG X Z， et al. A Novel Cementing Quality Evaluation Method Based on Convolutional Neural Network ［J］. Applied Sciences， 2022， 12（21）： 10997-1-10997-15.

［15］ FAN H W， XUE C Y， MA J T， et al. A Novel Intelligent Diagnosis Method of Rolling Bearing and Rotor Composite Faults Based on Vibration Signal-to-Image Mapping and CNN-SVM ［J］. Measurement Science and Technology， 2023， 34（4）： 044008-1-044008-15.

［16］ SIDDIQUI S S S A， HYDER R T S H， MANJARAMKAR A， et al. Automatic Detection of Lung Diseases Using CNN and SVM ［C］//2023 3rd International Conference on Intelligent Technologies （CONIT）. Piscataway， NJ： IEEE， 2023： 1-5.

［17］ CHOUDHARY P， PATHAK P， CHAUBEY A. Activity Recognition System via Unification of CNN and SVM in Complex Domain ［C］//2023 6th International Conference on Information Systems and Computer Networks （ISCON）. Piscataway， NJ： IEEE， 2023： 1-6.

［18］ LIAO T T， LI L， OUYANG R S， et al. Classification of Asymmetry in Mammography via the DenseNet Convolutional Neural Network ［J］. European Journal of Radiology Open， 2023， 11： 100502-1-100502-7.

［19］ 劉想德， 王蕓秋， 蔣勤， 等. 語音識別中的DenseNet模型研究 . 重慶郵電大學學報（自然科學版），" 2022， 34（4）： 604|611. （LIU X D， WANG Y Q， JIANG Q， et al. Research on the DenseNet Model for Speech Recognition . Journal of Chongqing University of Posts and Telecommunications （Natural Science Edition）， 2022， 34（4）： 604|611.）

［20］ WANG W， TAN X A， ZHANG P， et al. A CBAM Based Multiscale Transformer Fusion Approach for Remote Sensing Image Change Detection ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2022， 15： 6817-6825.

［21］ 劉霞， 孫英杰. 基于融合殘差注意力機制的卷積神經網絡地震信號去噪 . 吉林大學學報（地球科學版）， 2023， 53（2）： 609|621. （LIU X， SUN Y J. Seismic Signal Denoising Based on Convolutional Neural Network with Residual and Attention Mechanism . Journal of Jilin University （Earth Science Edition）， 2023， 53（2）： 609|621.）

［22］ FAN Z， LIN H B， LI C， et al. Use of Parallel ResNet for High-Performance Pavement Crack Detection and Measurement ［J］. Sustainability， 2022， 14（3）： 1825-1-1825-21.

［23］ BI C G， XU S Z， HU N， et al. Identification Method of Corn Leaf Disease Based on Improved Mobilenetv3 Model ［J］. Agronomy， 2023， 13（2）： 300-1-300-17.

［24］ LANG X M， HAN F C. MFL Image Recognition Method of Pipeline Corrosion Defects Based on Multilayer Feature Fusion Multiscale GhostNet ［J］. IEEE Transactions on Instrumentation and Measurement， 2022， 71： 1-8.

［25］ 曹遠杰，" 高瑜翔. 基于GhostNet殘差結構的輕量化飲料識別網絡 . 計算機工程， 2022， 48（3）： 310|314. （CAO Y J， GAO Y X. Lightweight Beverage Recognition Network Based on GhostNet Residual Structure . Computer Engineering， 2022， 48（3）： 310|314.）

［26］ 李廣， 丁迪， 石福升， 等. 基于支持向量機的可控源電磁數據智能識別方法 . 吉林大學學報（地球科學版）， 2022， 52（3）： 725|736. （LI G， DING D， SHI F S， et al. Intelligent Recognition of Controlled|Source Electromagnetic Data by Support Vector Machine . Journal of Jilin University （Earth Science Edition）， 2022， 52（3）： 725|736.）

［27］ 李尤慧子， 俞海濤， 殷昱煜， 等. 基于超級賬本的集群聯邦優化模型 . 計算機工程， 2023， 49（1）： 22|30. （LI Y H Z， YU H T， YIN Y Y， et al. Cluster Federated Optimization Model Based on Hyperledger Fabric . Computer Engineering， 2023， 49（1）： 22|30.）

［28］ 艾成豪， 高建華， 黃子杰. 混合特征選擇和集成學習驅動的代碼異味檢測 . 計算機工程， 2022， 48（7）： 168|176. （AI C H， GAO J H， HUANG Z J. Code Smell Detection Driven by Hybrid Feature Selection and Ensemble Learning . Computer Engineering， 2022， 48（7）： 168|176.）

（責任編輯： 韓 嘯）