基于深度學習的最新成果,提出了一種基于長短期記憶（long short-term memory）循環(huán)神經(jīng)網(wǎng)絡(luò)的鉆前測井曲線預測方法,使用該方法能從已鉆地層段及鄰域內(nèi)獲得的測井數(shù)據(jù)預測鉆前的測井曲線,進而獲得鉆前的地層巖石信息,解決油氣鉆探過程中測井曲線只能在鉆后獲得的滯后性,以提高鉆前地層構(gòu)造及壓力預測的準確性。將其與普通循環(huán)神經(jīng)網(wǎng)絡(luò)的預測結(jié)果進行對比分析,結(jié)果表明,長短時記憶網(wǎng)絡(luò)建模預測效果良好,能比較準確地預測鉆前測井曲線的變化趨勢,是一種有效且預測精度較高的鉆前測井曲線預測方法。 

【文章來源】：成都理工大學學報(自然科學版). 2020,47(02)北大核心CSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

圖６Ａ１井擬合預測結(jié)果Ｆｉｇ．６ＭｏｄｅｌｆｉｔｔｉｎｇａｎｄｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆＡ１ｌｏｇ

圖７Ｂ１井擬合預測結(jié)果Ｆｉｇ．７ＭｏｄｅｌｆｉｔｔｉｎｇａｎｄｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆＢ１ｌｏｇ圖８Ａ１井預測結(jié)果Ｆｉｇ．８ＭｏｄｅｌｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆＡ１ｌｏｇ圖９Ｂ１井預測結(jié)果Ｆｉｇ．９ＭｏｄｅｌｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆＢ１ｌｏｇ（圖中紅色虛線之前），ＬＳＴＭ模型和普通ＲＮＮ模型的預測值均基本與實測值重合，且ＬＳＴＭ模型較普通ＲＮＮ模型重合度更高，說明模型已基本訓練好。在模型預測階段（圖中紅色虛線之后），采用ＬＳＴＭ模型和普通ＲＮＮ模型進行鉆前測井曲線預測均取得了比較好的效果，雖然存在一定的誤差，但整體趨勢變化一致，能夠基本反映測井曲線的實際變化趨勢，尤其是在待鉆遇地層段測井數(shù)據(jù)沒有突變的情況下，預測結(jié)果與實測值的對應(yīng)性更好。說明循環(huán)神經(jīng)網(wǎng)絡(luò)及其改進模型在測井曲線預測方面的有效性和實用性。仔細觀察圖８和圖９的中ＬＳＴＭ和普通ＲＮＮ的預測結(jié)果可看出，ＬＳＴＭ的整體預測效果要優(yōu)于普通ＲＮＮ模型，預測值更接近實測值。在圖８中測深２２７０ｍ附近自然伽馬、聲波時差、自然電位和測深２０００～２２７０ｍ層段密度以及測深２２００ｍ附近的補償中子等測井曲線出現(xiàn)整體的突變，兩種模型均預測到了密度、補償中子、聲波時差以及自然電位的這一突變趨勢，且ＬＳＴＭ的預測結(jié)果較普通ＲＮＮ更接近實測值，預測準確性更高。但兩種模型均未能很好地預測到自然伽馬的這一突變趨勢，這主要是因為密度、第２期王俊，等：基

圖８Ａ１井預測結(jié)果Ｆｉｇ．８ＭｏｄｅｌｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆＡ１ｌｏｇ

【參考文獻】：
期刊論文
[1]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的儲層物性參數(shù)預測方法研究[J]. 安鵬,曹丹平,趙寶銀,楊曉利,張明.  地球物理學進展. 2019(05)
[2]基于循環(huán)神經(jīng)網(wǎng)絡(luò)的測井曲線生成方法[J]. 張東曉,陳云天,孟晉.  石油勘探與開發(fā). 2018(04)
[3]基于LSTM-RNN模型的鐵水硅含量預測[J]. 李澤龍,楊春節(jié),劉文輝,周恒,李宇軒.  化工學報. 2018(03)
[4]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的故障時間序列預測[J]. 王鑫,吳際,劉超,楊海燕,杜艷麗,牛文生.  北京航空航天大學學報. 2018(04)
[5]基于深度學習的短時交通流預測[J]. 羅向龍,焦琴琴,牛力瑤,孫壯文.  計算機應(yīng)用研究. 2017(01)
[6]神經(jīng)網(wǎng)絡(luò)技術(shù)在測井曲線重構(gòu)中的應(yīng)用[J]. 張亞斌,瞿亦斌,陳忠云.  石油天然氣學報. 2011(03)
[7]BP神經(jīng)網(wǎng)絡(luò)技術(shù)在聲波測井曲線重構(gòu)中的運用[J]. 楊志力,周路,彭文利,鄭金云.  西南石油大學學報(自然科學版). 2008(01)



本文編號：3315465