页岩气核心参数预测的异构异质数据多模态融合算法.pdfVIP

ISSN1004‑9037，CODENSCYCE4http：//sjcj.nuaa.edu.cn

JournalofDataAcquisitionandProcessingVol.40，No.3，May2025，pp.793-806E‑mail：sjcjnuaa.edu.cn

DOI：10.16337/j.1004‑9037.2025.03.018Tel/Fax：+86‑025

页岩气核心参数预测的异构异质数据多模态融合算法

1142131

罗浚七，汪敏，乔豁通，邱毅，张浩洋，孙活，谢浩宇

（1.西南石油大学电气信息学院，成都610500；2.西南石油大学理学院，成都610500；3.四川铁道职业学院机车车

辆学院，成都610074；4.中国石油集团川庆钻探工程有限公司工程技术部，成都610056）

摘要：不同于以图像为主导的传统多模态融合方法，工业生产中生产数据常以结构化数据为主，辅以

少量的图像数据，但这两种异构数据都反映了页岩气核心参数特征，因其在数据维度存在巨大差异，导

致异构数据难以实现特征融合。地层纵向结构化数据间存在异质性，运用常规深度学习方法预测核心

参数存在较大误差。针对以上问题，提出一种异构异质数据多模态融合算法（Multi‑modalfusion

algorithmforheterogeneousdata，MFH）。首先，设计了异构数据多模态融合策略，实现同一深度标签

下的扫描电镜和测井参数数据特征对齐、提取和融合；其次，构建了异质数据特征拉近机制，通过构建

正样本对使模型学习到同工区地层间的强异质性以及横向的非线性关系；最后，提出了异构数据特征

交换方法，解决了丰富的测井数据与稀少的电镜图片的匹配问题，实现对核心参数精确连续预测。实

验结果与主流深度模型预测结果对比，证明了本文方法具有实用性、有效性和可推广性。

关键词：多模态融合；特征拉近机制；异构数据；异质性；注意力机制

中图分类号：TP183文献标志码：A

Multi⁃modalFusionAlgorithmforHeterogeneousDataofShaleGasCoreParame⁃

tersPrediction

114213

LUOJunqi，WANGMin，QIAOHuotong，QIUYi，ZHANGHaoyang，SUNHuo，

XIEHaoyu1

(1.SchoolofElectricalEngineeringandInformation,SouthwestPetroleumUniversity,Chengdu610500,China;2.Schoolof

SciencesofSWPU,SouthwestPetroleumUniversity,Chengdu610500,China;3.CollegeofRailwayVehicleEngineering,Sichuan

RailwayCollege,Chengdu610074,China;4.CNPCChuanqingDrillingEngineeringCompanyLimited,Chengdu610056,China)

Abstract：Unliketraditionalmulti‑modalfusionmethodsthatarepredominantlyimage-based，production

data