| 基于CGAN与CNN-GRU组合模型的密度测井曲线重构方法 |
| |
| 引用本文： | 段中钰,吴俣,肖勇,李宸泷.基于CGAN与CNN-GRU组合模型的密度测井曲线重构方法[J].地球物理学进展,2022(5):1941-1945. |
| |
| 作者姓名： | 段中钰 吴俣 肖勇 李宸泷 |
| |
| 作者单位： | 北京信息科技大学信息与通信工程学院 |
| |
| 基金项目： | 国家自然科学基金青年基金项目“双相薄(互)层介质背景上发育定向裂隙的OA介质视各向异性适用性和波场特征分析”(41904117)；;北京市教委科技一般项目“基于人工智能的天然气水合物多源探测信号去噪与识别算法研究”(KM202111232012)联合资助； |
| |
| 摘 要： | 密度测井曲线作为常规测井曲线中的一种，有着丰富的地质信息，通过对其进行分析解释，可以获得地层岩性、岩石密度和岩层孔隙度等参数.然而，在实际获取密度测井曲线的过程中，由于仪器故障、人为因素等原因，不可避免的会出现部分密度测井数据失真甚至缺失的情况.针对这一问题，本文提出一种基于条件生成对抗网络(CGAN)的密度测井曲线重构技术解决上述问题，其中条件生成对抗网络的生成器和鉴别器主要由一维卷积网络(1D-CNN)和门控循环单元网络(GRU)构成.通过条件生成对抗网络(CGAN)的对抗式训练方法可以使网络具有更强的学习能力，更加有效的挖掘出测井序列的长期非线性相关性、历史数据之间的关联性等关系.将该方法应用于实际的测井数据中，并与传统的神经网络方法相对比，结果表明本文提出的方法优于传统的神经网络方法，能够生成更加符合实际情况的曲线.
|
| 关 键 词： | 密度测井曲线重构 卷积网络 门控循环单元网络 条件生成对抗网络 |
|
