基于GRU神经网络的测井曲线重构

发布时间：2021-06-29 01:30

　　通过测井曲线解释可以获得地层岩性、电性以及孔渗饱等地层参数,然而,实际应用中时常出现部分测井数据失真或缺失的情况,而重新测井不仅价格昂贵且实现较困难。目前基于传统的线性假设和统计分析的测井曲线重构方法已不能满足储层特征的精细描述要求。门控循环单元（GRU）神经网络是一种适合于解决非线性和时序性问题的新型深度学习算法。基于深度学习的最新成果,提出使用GRU神经网络进行测井曲线重构。该方法兼顾了测井数据之间的非线性映射关系、数据随储层深度变化的趋势及历史数据之间的关联性。对实际资料进行试算,并与多元回归方法结果对比,表明GRU网络模型取得了良好的重构效果,为测井曲线重构提供了一种新的思路。 

【文章来源】：石油地球物理勘探. 2020,55(03)北大核心EICSCD

【文章页数】：12 页

【部分图文】：

B1井测井曲线重构结果

由于篇幅有限,文中仅以B2井的部分实验结果为例进行分析。实验假设B2井2090～2287m层段的所有测井曲线全部缺失,利用该井中未缺失的层段以及邻井完整的测井曲线重构缺失段的测井数据(图6)。不同方法的曲线重构RMSE见表3。表3 B2井测井曲线重构RMSE 模型 AC SP GR DEN CNL MLR 15.913 7.692 21.153 0.042 4.173 GRU 8.932 4.530 16.605 0.027 3.090

假设B1井中AC以及SP两条测井曲线全部缺失,利用该井其他完整测井曲线以及邻井测井曲线重构缺失的测井曲线(图7)。 B1井测井曲线重构RMSE见表4。表4 实验三B1井测井曲线重构RMSE 模型 AC SP MLR 224.687 66.486 GRU 159.134 37.924

【参考文献】：
期刊论文
[1]综合动量法和可变学习速度的BP神经网络地震初至拾取[J]. 曹晓莉,刘斌,王淑荣,万学娟,张廷廷,张海新.  石油地球物理勘探. 2020(01)
[2]快速结构字典学习三维地震数据重建方法[J]. 兰南英,张繁昌,张益明,秦广胜,丁继才.  石油地球物理勘探. 2020(01)
[3]利用随机森林算法预测裂缝发育带[J]. 何健,文晓涛,聂文亮,李雷豪,杨吉鑫.  石油地球物理勘探. 2020(01)
[4]应用卷积神经网络识别测井相[J]. 何旭,李忠伟,刘昕,张涛.  石油地球物理勘探. 2019(05)
[5]基于深度学习的交通流量预测[J]. 刘明宇,吴建平,王钰博,何磊.  系统仿真学报. 2018(11)
[6]基于时间序列与长短时记忆网络的滑坡位移动态预测模型[J]. 杨背背,殷坤龙,杜娟.  岩石力学与工程学报. 2018(10)
[7]基于循环神经网络的测井曲线生成方法[J]. 张东晓,陈云天,孟晋.  石油勘探与开发. 2018(04)
[8]基于角弹性参数的多波地震储层预测方法[J]. 高建虎,桂金咏,李胜军,刘炳杨,王洪求,陈启艳.  地球物理学报. 2018(06)
[9]改进的神经网络级联相关算法及其在初至拾取中的应用[J]. 宋建国,李赋真,徐维秀,李哲.  石油地球物理勘探. 2018(01)
[10]多元回归方法校正扩径对密度曲线声波曲线的影响[J]. 廖茂辉.  物探与化探. 2014(01)



本文编号：3255441