基于CNN-LSTM-VAE混合模型的储层参数预测方法

利用测井资料预测储层参数是油气田开发的重要内容.针对现有储层参数预测模型精度低，不能很好的提取测井曲线和储层参数之间潜在关系的问题，本文将卷积神经网络(CNN)和长短期记忆网络(LSTM)结合，提出基于变分自编码器(VAE)的CNN-LSTM混合模型.首先，提出了测井数据的分析方法，包括参数相关性分析和井间的相似度分析.其次，利用CNN提取每条测井曲线的空间相关特征向量，并使用LSTM网络提取测井曲线相邻深度之间的时间特征.最后，采用VAE结构，根据训练数据的深层特征再次对CNN-LSTM模型生成的泥质含量初步预测值进行修正.以大庆油田地区某井场数据验证该模型.仿真结果表明：与LSTM神经网络模型、CNN-LSTM网络模型相比，本文CNN-LSTM-VAE模型具有更好的时空特征提取能力，能够更准确地预测储层参数，可为储层参数预测提供新思路.