基于DMC-BiLSTM的沉积微相智能识别方法

• 作者: 罗仁泽 周洋 康丽侠 李兴宇 郭亮 庹娟娟
• 来源期刊: 石油物探
• 学科: 地球科学
• 关键词: 沉积微相 智能识别 双向长短期记忆网络 测井曲线 机器学习 无监督学习
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 人工智能(AI)专题|Artificial Intelligence
• 页码范围: 253-261,338
• 页数: 10页
• 分类号: P631
• 语种: 中文
• DOI: 10.3969/j.issn.1000-1441.2022.02.007

摘要

沉积微相划分是油气藏勘探的研究基础.传统沉积微相划分由地质学家根据自身掌握的知识和经验手工完成,这种地质学家主导的人工解释是主观的、冗长的,可能引入人为偏差.深度学习在解决复杂非线性问题上具有优势,目前尚无有效解决沉积微相划分的深度学习方法.针对测井-沉积微相,提出了基于特征构造(DMC)和双向长短期记忆网络(BiLSTM)的沉积微相智能识别方法.首先,利用趋势分解和中值滤波对原始曲线进行多维重构,并对重构矩阵和原始曲线特征采用kmeans提取时空相关聚类特征;然后,以原始曲线特征、地质趋势特征、中值滤波特征和聚类特征作为输入,基于双向长短期记忆网络得到当前深度沉积微相预测类型.与长短期记忆网络(LSTM)和时间卷积网络(TCN)对比发现,在沉积微相的识别上,沉积微相智能识别方法具有更优异的性能和鲁棒性.实验表明,该方法能有效划分沉积微相,识别准确率达到91.69％.