基于LSTM循环神经网络的储层物性参数预测方法研究

论文摘要

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.

论文目录

• 0 引 言
• 1 深度学习
• 2 全连接深度神经网络
• 3 LSTM循环神经网络
•   3.1 LSTM循环神经网络原理
•   3.2 LSTM循环神经网络的预测框架
•   3.3 LSTM神经网络的训练
• 4 应用效果分析
•   4.1 数据准备
•   4.2 网络训练和应用
•   4.3 应用效果分析
• 5 结 论

文章来源

类型: 期刊论文

作者: 安鹏,曹丹平,赵宝银,杨晓利,张明

关键词: 储层物性参数,泥质含量,孔隙度,循环神经网络,深度学习

来源: 地球物理学进展 2019年05期

年度: 2019

分类: 基础科学,工程科技Ⅰ辑

专业: 地质学,石油天然气工业

单位: 中国石油大学(华东)地球科学与技术学院,中国石油冀东油田分公司勘探开发研究院

基金: 国家自然科学基金(41774137),高等学校学科创新引智计划(111计划)(B18055),国家重大科技专项(2016ZX05006-006)联合资助

分类号: P618.13;P631.81

页码: 1849-1858

总页数: 10

文件大小: 7121K

下载量: 842