基于长短期记忆网络的钻前测井曲线预测方法

发布时间：2021-08-01 11:44

　　基于深度学习的最新成果,提出了一种基于长短期记忆（long short-term memory）循环神经网络的钻前测井曲线预测方法,使用该方法能从已钻地层段及邻域内获得的测井数据预测钻前的测井曲线,进而获得钻前的地层岩石信息,解决油气钻探过程中测井曲线只能在钻后获得的滞后性,以提高钻前地层构造及压力预测的准确性。将其与普通循环神经网络的预测结果进行对比分析,结果表明,长短时记忆网络建模预测效果良好,能比较准确地预测钻前测井曲线的变化趋势,是一种有效且预测精度较高的钻前测井曲线预测方法。 

【文章来源】：成都理工大学学报(自然科学版). 2020,47(02)北大核心CSCD

【文章页数】：10 页

【部分图文】：

图６Ａ１井拟合预测结果Ｆｉｇ．６ＭｏｄｅｌｆｉｔｔｉｎｇａｎｄｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆＡ１ｌｏｇ

图７Ｂ１井拟合预测结果Ｆｉｇ．７ＭｏｄｅｌｆｉｔｔｉｎｇａｎｄｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆＢ１ｌｏｇ图８Ａ１井预测结果Ｆｉｇ．８ＭｏｄｅｌｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆＡ１ｌｏｇ图９Ｂ１井预测结果Ｆｉｇ．９ＭｏｄｅｌｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆＢ１ｌｏｇ（图中红色虚线之前），ＬＳＴＭ模型和普通ＲＮＮ模型的预测值均基本与实测值重合，且ＬＳＴＭ模型较普通ＲＮＮ模型重合度更高，说明模型已基本训练好。在模型预测阶段（图中红色虚线之后），采用ＬＳＴＭ模型和普通ＲＮＮ模型进行钻前测井曲线预测均取得了比较好的效果，虽然存在一定的误差，但整体趋势变化一致，能够基本反映测井曲线的实际变化趋势，尤其是在待钻遇地层段测井数据没有突变的情况下，预测结果与实测值的对应性更好。说明循环神经网络及其改进模型在测井曲线预测方面的有效性和实用性。仔细观察图８和图９的中ＬＳＴＭ和普通ＲＮＮ的预测结果可看出，ＬＳＴＭ的整体预测效果要优于普通ＲＮＮ模型，预测值更接近实测值。在图８中测深２２７０ｍ附近自然伽马、声波时差、自然电位和测深２０００～２２７０ｍ层段密度以及测深２２００ｍ附近的补偿中子等测井曲线出现整体的突变，两种模型均预测到了密度、补偿中子、声波时差以及自然电位的这一突变趋势，且ＬＳＴＭ的预测结果较普通ＲＮＮ更接近实测值，预测准确性更高。但两种模型均未能很好地预测到自然伽马的这一突变趋势，这主要是因为密度、第２期王俊，等：基

图８Ａ１井预测结果Ｆｉｇ．８ＭｏｄｅｌｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆＡ１ｌｏｇ

【参考文献】：
期刊论文
[1]基于LSTM循环神经网络的储层物性参数预测方法研究[J]. 安鹏,曹丹平,赵宝银,杨晓利,张明.  地球物理学进展. 2019(05)
[2]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)
[3]基于LSTM-RNN模型的铁水硅含量预测[J]. 李泽龙,杨春节,刘文辉,周恒,李宇轩.  化工学报. 2018(03)
[4]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生.  北京航空航天大学学报. 2018(04)
[5]基于深度学习的短时交通流预测[J]. 罗向龙,焦琴琴,牛力瑶,孙壮文.  计算机应用研究. 2017(01)
[6]神经网络技术在测井曲线重构中的应用[J]. 张亚斌,瞿亦斌,陈忠云.  石油天然气学报. 2011(03)
[7]BP神经网络技术在声波测井曲线重构中的运用[J]. 杨志力,周路,彭文利,郑金云.  西南石油大学学报(自然科学版). 2008(01)



本文编号：3315465