基于多模态特征扰动分析预测石油采收率的解释方法及解释系统

1.基于多模态特征扰动分析预测石油采收率的解释方法，其特征在于，所述方法包括：S1、数据预处理：清洗和转换原始数据，构建原始特征矩阵 X ，为后续分析提供高质量数据输入，所述原始数据为油田的岩石物理和流体属性数据；所述原始特征矩阵 X 由原始特征值 组成， 表示样本序号， 表示特征序号；S2、对步骤S1预处理后的数据进行扰动处理：根据具体的分析需求，灵活选择扰动类型，并设置特征的组合方式、步长的初始值 及阀值 ，对步骤S1预处理后的数据进行扰动控制，生成带有上述具体参数信息的特征扰动数据；S3、步骤S2生成的带有上述具体参数信息的特征扰动数据通过模型接口层传递至机器学习模型，触发机器学习模型进行预测计算，形成预测结果，同时，模型接口层接收机器学习模型返回的预测结果，即石油采收率；S4、模型接口层将步骤S3返回的预测结果传至步长寻优控制器，步长寻优控制器利用迭代优化的策略来确定针对每个特征的最优特征扰动步长，并将最优特征扰动步长下的扰动影响发送到结果分析器，所述扰动影响根据每次扰动后模型预测结果与原始结果的差异进行计算，原始结果为根据当前油井的各项原始特征值未经扰动处理直接经机器学习模型预测得到的石油采收率；S5、结果分析器根据步骤S4输出的最优步长下的扰动影响进行排序，并根据原始结果及接收的扰动影响计算特征与原始结果之间的相关性；S6、将根据结果分析器生成的分析结果以直观、易懂的方式进行可视化呈现。 2.根据权利要求1所述的基于多模态特征扰动分析预测石油采收率的解释方法，其特征在于，步骤S2所述扰动类型包括：噪声扰动、缩放扰动、位移扰动、随机删除扰动、插值扰动、非线性变换；所述特征的组合方式包括单个特征组合和多个特征组合，对单个特征组合进行扰动称为单特征扰动，对多个特征的组合进行扰动称为组合特征扰动。 3.根据权利要求2所述的基于多模态特征扰动分析预测石油采收率的解释方法，其特征在于，扰动类型的公式具体为：单特征扰动：（1）噪声扰动：对于原始特征矩阵 X 中的元素即原始特征值 ， 表示样本序号， 表示特征序号，从正态分布 中生成噪声 并添加到原始特征值上得到 ，生成噪声的公式（1）为： （1）其中 是第 个特征的标准差， 是步长参数， 是扰动后生成的噪声；扰动后的特征值计算公式为： （2）其中， 是扰动后的特征值， 是原始特征值， 是扰动后生成的噪声；本扰动适用于特征值有随机性或不确定性的数据场景，更适合非线性模型，通常表现最佳；（2）缩放扰动：对于原始特征值 缩放因子为 ，扰动后的特征值 ，生成的公式为： （3）其中， 是扰动后的特征值， 是原始特征值， 是步长参数；本扰动用于考察特征在不同尺度下对模型的影响，适用于有尺度敏感性的特征；（3）位移扰动：给原始特征值 加上步长参数 ，扰动后的特征值 为： （4）其中， 是扰动后的特征值， 是原始特征值， 是步长参数；本扰动用于探究特征在不同位置作用，适用于有位置相关性的特征；（4）随机删除扰动：随机去除部分特征值，本扰动用于评估特征缺失对模型影响，适用于评估特征必要性； （5）其中， 是扰动后的特征值， 是原始特征值， 是步长参数； 为[0,1)区间内的均匀分布的随机数；（5）插值扰动：对于特征矩阵的每一列 ，随机选择两个样本索引 和 ，从均匀分布 中生成插值 ，将 复制给随机选择的一个样本索引 ， 决定插值的次数，即 （6）其中， 是扰动后的特征值， 为从均匀分布 中生成的插值；本扰动用于在特征值间随机插值，创造新数据点，适用于数据分布稀疏情况；（6）非线性变换：对数变换：对于原始特征值 ，为避免对数函数中自变量为零的情况，采用 函数，步长参数 用于控制非线性变换的强度或幅度,扰动后的特征值为： （7）平方根变换：扰动后的特征值 为： （8）指数变换：扰动后的特征值 为： （9）其中， 是扰动后的特征值， 是原始特征值， 是步长参数；本扰动用于处理具有特定分布形态的特征，如偏态分布数据；对于组合特征扰动将公式由原来的单特征变化转变为多特征同步变化，其变化公式与上述单个特征相似以此观察对最终结果产生的影响。 4.根据权利要求1所述的基于多模态特征扰动分析预测石油采收率的解释方法，其特征在于，步骤S3所述机器学习模型为随机森林、决策树、SVM中的一种。 5.根据权利要求1所述的基于多模态特征扰动分析预测石油采收率的解释方法，其特征在于，步骤S4所述迭代优化策略具体为：根据步骤S3返回的预测结果计算特征的扰动影响，并根据特征的扰动影响计算特征的变化幅度，变化幅度不满足终止条件时，根据步长动态调整公式优化步长，并将优化后的步长返回机器学习模型进行迭代计算，直至变化幅度满足终止条件，此时的步长为最优特征扰动步长。 6.根据权利要求5所述的基于多模态特征扰动分析预测石油采收率的解释方法，其特征在于，所述步长动态调整公式如下： （10）其中， 为第 n 次调整后的步长， 为每次调整步长的倍数， 为第 n -1次调整后的步长；所述扰动影响计算公式如下：单特征扰动的扰动影响计算公式为： （11）其中， 为第 j 条样本的 个特征的第 n 次扰动后的预测结果， 为未扰动的原始结果， 为第 个特征的第 n 次扰动后的扰动影响， N 为所有样本条数；组合特征扰动的扰动影响计算公式为： （12）其中， 为组合特征中，第 j 条样本的特征组合 第 n 次联合扰动后的预测结果， 为未扰动的原始结果， 为特征组合 第 n 次联合扰动后的扰动影响， N 为所有样本条数；所述变化幅度计算公式如下：单特征扰动变化幅度计算公式如下： （13）其中， 为第 i 个特征的第 n 次扰动后的扰动影响， 为第 i 个特征的第 n-1 次扰动后的扰动影响， 为第 个特征的第 n 次扰动后的变化幅度；组合特征扰动变化幅度计算公式如下： （14）其中， 为特征组合 第 n 次联合扰动后的扰动影响， 为特征组合 第 n-1 次联合扰动后的扰动影响， 为特征组合 的第 n 次扰动后的变化幅度；所述终止条件为：当连续多次调整步长并进行扰动操作后，满足终止条件时，则停止扰动：单特征扰动： （15）组合特征扰动： （16）其中， 为预先设定的极小阈值， ，且为一个很小的数，例如 ， m 为扰动次数且 ， 为第 个特征的第 n 次扰动后的变化幅度， 为特征组合 的第n次扰动后的变化幅度。 7.根据权利要求1所述的基于多模态特征扰动分析预测石油采收率的解释方法，其特征在于，步骤S5所述结果分析器根据步骤S4输出的最优步长下的扰动影响进行排序具体为：对于单个特征或组合特征在经过扰动后，衡量对模型预测结果产生的影响大小,将获取的最优步长的扰动影响进行排序；单特征扰动： （17）；组合特征重要性计算与单个特征重要性保持一致， （18）。 8.根据权利要求1所述的基于多模态特征扰动分析预测石油采收率的解释方法，其特征在于，步骤S5所述特征与原始结果之间的相关性用于衡量单个特征或组合特征与预测结果之间的线性相关程度，使用皮尔逊相关系数来计算，公式如下： (19)最终对于单个特征与组合进行正负相关性的判断，无论组合的维度是多少，单个特征也同样适用，皮尔逊相关系数 的计算公式形式不变；其中 是第 个样本的组合特征， 是组合特征的均值， 原始特征真实值， 是原始特征真实值的均值；影响的系数排序可获得正负相关性， >0组合特征对于结果变化为正相关， <0则为负相关。 9.根据权利要求1-8任一项所述基于多模态特征扰动分析预测石油采收率解释方法的解释系统，其特征在于，所述解释系统包括：外部数据源模块：用于获取模型训练时所使用的数据集，作为整个特征扰动分析流程的原始数据来源；数据预处理模块：对从外部数据源获取的原始数据进行一系列预处理操作及特征工程相关操作；特征扰动与控制器模块：对处理后的数据特征进行多样化的扰动操作，生成带有具体参数信息的扰动数据；模型接口层：将带有参数的扰动数据准确地传递给机器学习模型，模型进行预测计算和接收机器学习模型返回的预测结果，并将这些结果进一步传递给后续的模块；步长寻优控制器模块：该模块从模型接口层获取预测结果，分析在不同扰动步长下模型预测结果的变化情况，利用迭代优化的策略来确定针对每个特征的最优特征扰动步长，将最优步长下的扰动影响发送到结果分析器；结果分析器模块：结果分析器利用步长寻优器确定的最佳步长下的扰动影响进行排序，以及根据单个特征和组合特征在不同扰动类型下的扰动影响及原始结果进行正负相关性的计算；结果输出模块：根据结果分析器生成的分析结果，该模块负责将其以直观的方式进行可视化。 10.根据权利要求9所述的解释系统，其特征在于，所述结果分析器模块包括组合特征分析模块。