基于双向长短期记忆神经网络的储层孔隙度预测方法研究

孔隙度作为重要的储层物性参数之一，在储层评价中发挥着重要作用，因此，寻找一种低成本、高效的方法获取高精度的孔隙度成为了储层评价的重要课题.由于测井参数和孔隙度之间复杂的非线性映射关系和时序性特点，本文提出了一种基于双向长短期记忆(BiLSTM)神经网络的储层孔隙度预测方法，通过建立BiLSTM孔隙度预测模型，并在模型中使用Nadam自适应优化算法提高模型训练效率和准确率，引入Dropout正则化技术防止训练过程中发生过拟合，采用ReLU激励函数提高网络的鲁棒性和稳定性，最后利用实际测井数据验证其性能.研究结果表明，相较于长短期记忆循环神经网络(LSTM)、常规循环神经网络(RNN)和全连接深度神经网络(DNN),BiLSTM模型具有更高的预测精度，在储层参数预测方向具有广阔的应用前景.