基于LSTM循环神经网络的储层物性参数预测方法研究

• 作者: 安鹏 张明 曹丹平 杨晓利 赵宝银
• 来源期刊: 地球物理学进展
• 学科: 地球科学
• 关键词: 储层物性参数 泥质含量 孔隙度 LSTM循环神经网络 深度学习
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 应用地球物理学Ⅰ(油气及金属矿产地球物理勘探)
• 页码范围: 1849-1858
• 页数: 10页
• 分类号: P631
• 语种: 中文
• DOI: 10.6038/pg2019CC0366

摘要

储层物性参数是反映储层油气储集能力的重要参数,表征了不同地质时期的沉积特征.地球物理测井参数由深及浅反映了不同地质时期的声、放、电等沉积特征,因而测井参数和泥质含量(孔隙度)之间有很强非线性映射关系,并具有时间序列特征.充分利用多种测井参数预测储层泥质含量和孔隙度对于储层精细描述具有十分重要的意义.深度学习技术具有极强的数据结构挖掘能力,目前,全连接的深度神经网络已经在泥质含量预测进行了初步尝试并取得了较好的效果.而长短时记忆(LSTM)循环神经网络更适合解决序列化的数据问题,因此本文提出基于LSTM循环神经网络利用多种测井参数进行泥质含量和孔隙度预测的方法,预测结果的均方根误差比常规全连接深度神经网络分别下降了42.2％和48.6％,实际应用表明,对于具有序列化特性的泥质含量和孔隙度,LSTM循环神经网络预测的准确性和稳定性要明显优于常规全连接深度神经网络.