基于深度混合神经网络的横波速度反演预测方法
摘要
横波速度是最重要的岩石物理参数之一, 在油藏描述、地震叠前反演和地质力学分析中至关重要, 但实测获得不易. 在无实测横波数据可用时, 岩石物理建模计算预测被认为是精度最高的横波速度预测方法. 但因地下地质结构的复杂性与岩石矿物组成的多样性等因素, 岩石物理建模预测结果易受建模者认知、经验等多种因素的影响. 因此, 研究发展新的更稳健简便的横波速度反演预测方法具有重要意义. 受集成学习思想的启发, 文章基于储层地质沉积规律及其在测井响应上的特点, 将深度学习中经典的卷积神经网络(CNN)与长短期记忆网络(LSTM)相结合, 发展了一种基于深度混合神经网络(DHNN)的横波速度反演预测方法. 该方法以常规的声波与密度等常规测井数据为输入, 利用CNN建立输入数据与横波速度的非线性映射关系, 利用LSTM融入地层垂向变化趋势信息, 实现数据驱动的横波速度智能反演预测. 实际数据应用结果表明, 文章发展的方法使用单井数据集进行训练即能获得与岩石物理建模计算相当的预测结果, 且具有较强的泛化适用性. 该方法的实施为横波速度的稳健简便预测提供了新的方法技术, 具有重要的学术价值与很好的应用前景.
引用本文（GB/T 7714）
俊 王, 俊兴 曹, 爽 赵, 等. 基于深度混合神经网络的横波速度反演预测方法[J]. SCIENTIA SINICA Terrae, 2021.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。