利用GRU神经网络预测横波速度

发布时间：2021-10-30 21:30

　　储层参数与横波速度之间存在一定的相关关系,但是这种复杂关系很难得到解析解。为此,构建了GRU（gated recurrent unit）神经网络方法,主要包括神经网络构建、数据预处理、样本训练和数据预测四个部分,通过训练神经网络逼近横波速度与储层参数之间的关系,利用纵波速度、密度和自然伽马等储层参数直接预测横波速度。采用D区的30口井的测井数据训练和测试神经网络,结果表明:①纵波速度、密度和电阻率对数与横波速度呈较好的正相关关系,自然伽马值、孔隙度与横波速度呈负相关关系。②对于多数井训练、少数井验证,训练数据预测的横波速度与真实值的相对误差和相关系数分别约为3.00%和0.9837,测试数据预测的横波速度与真实值的相对误差和相关系数分别约3.19%和0.9805;对于少数井训练、多数井验证,训练数据预测的横波速度与真实值的相对误差和相关系数分别约为2.49%和0.9867,测试数据预测的横波速度与真实值的相对误差和相关系数分别约3.92%和0.9686。因此所提方法具有较高预测精度和较强泛化能力。 

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

【文章页数】：11 页

【部分图文】：

RNN结构示意图[17]

图4为GRU神经网络的隐藏层结构示意图。由图可见:更新门控制前一时刻的信息对当前时刻的影响程度,更新门的值越大,前一时刻的信息对当前时刻的影响越小;重置门控制对前一时刻信息的接收百分比,重置门的值越大,对前一时刻的信息接收的越多。图4 GRU神经网络隐藏层结构示意图[20]

GRU神经网络隐藏层结构示意图[20]

【参考文献】：
期刊论文
[1]采用CNN和Bidirectional GRU的时间序列分类研究[J]. 张国豪,刘波.  计算机科学与探索. 2019(06)
[2]基于最小平方的横波速度拟合及应用[J]. 王维红,包培楠,陈国飞,林弘喆.  地球物理学进展. 2019(05)
[3]泥岩基质弹性参数对Xu-White模型横波速度估算的影响[J]. 郑旭桢,王涛,刘钊,安泰霖.  石油地球物理勘探. 2017(05)
[4]基于岩石物理诊断的横波速度估算方法[J]. 唐杰,王浩,姚振岸,李晶晶,赵爱国.  石油地球物理勘探. 2016(03)
[5]基于变形P-L模型的矩阵方程迭代精细横波预测[J]. 罗水亮,杨培杰,胡光明,刘书会.  地球物理学报. 2016(05)
[6]横波预测技术在YB地区的应用[J]. 李文成,彭嫦姿,杨鸿飞.  地球物理学进展. 2014(04)
[7]一种碳酸盐岩储层横波速度估算方法[J]. 刘欣欣,印兴耀,张峰.  中国石油大学学报(自然科学版). 2013(01)
[8]基于等效弹性模量反演的横波速度预测方法[J]. 熊晓军,林凯,贺振华.  石油地球物理勘探. 2012(05)



本文编号：3467463