首页 | 本学科首页   官方微博 | 高级检索  
     检索      

基于CNN-LSTM-VAE混合模型的储层参数预测方法
引用本文:李贺男,段中钰,郑桂娟,王云雷.基于CNN-LSTM-VAE混合模型的储层参数预测方法[J].地球物理学进展,2022(5):1969-1976.
作者姓名:李贺男  段中钰  郑桂娟  王云雷
作者单位:1. 北京信息科技大学信息与通信工程学院;2. 中国石油东方地球物理公司研究院;3. 中国石油集团地球物理勘探有限责任公司
基金项目:国家自然科学基金青年基金(41904117)资助;
摘    要: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.

关 键 词:泥质含量预测  测井曲线LSTM  神经网络  CNN-LSTM模型  变分自编码器
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号