排序方式: 共有1条查询结果,搜索用时 0 毫秒
1
1.
地层纵横向非均质性强, 工区间数据分布存在差异.这导致基于已有工区数据构建的机器学习储层参数预测模型, 推广到新工区会存在较大预测误差.常规地质方法是在岩心与测井响应特征分析基础上建模, 利用测井资料计算储层参数, 流程复杂.该方法需要岩心校准模型, 同样难以快速推广到新的工区.考虑地层纵横向非均质性, 本文设计了一种深度Transformer迁移学习网络, 通过已有工区的测井与岩心资料构建预测模型, 实现未取心新工区储层参数快速准确预测.首先利用无监督学习算法-孤立森林剔除测井数据中存在的异常噪声数据.然后设计Transformer特征提取网络, 提高网络特征提取能力, 以此深入挖掘测井数据与储层参数的内在联系.最后设计深度迁移学习网络, 构建网络损失函数, 利用随机梯度下降算法优化网络参数, 实现储层参数准确预测.本方案应用于四川南部地区五峰组—龙马溪组页岩储层参数孔隙度、总有机碳含量和总含气量预测.实验结果与工区校正后计算结果、主流机器学习模型预测结果对比, 本方案结果与岩心数据具有更高的一致性.应用结果表明: 本文方案具有实用性、有效性和可推广性.
相似文献
1