基于改进LSTM神经网络的测井曲线重构方法

摘要：

地球物理测井过程中,由于仪器测量或者井眼原因等经常会造成部分测井曲线失真或缺失的情况,针对失真或缺失部分测井曲线的补全与生成问题,对测井领域知识和长短期记忆神经网络(LSTM)进行了研究,提出联合领域知识与深度学习的测井曲线重构模型(DK-LSTM).利用测井领域知识中的地层岩性特征指数筛选数据得到高质量的训练样本,并将其作为深度学习重构测井曲线的依据;构建并训练带有领域知识约束层的长短期记忆神经网络模型;基于测井曲线间的强依赖关系在重构模型中引入注意力机制,进而生成并补全测井曲线中失真或缺失的信息.实验结果表明DK-LSTM测井曲线重构模型较标准长短期记忆神经网络和串级长短期记忆神经网络具有更准确的预测效果,为测井曲线重构提供了一种新思路.

关键词：测井曲线重构、长短期记忆神经网络、测井领域知识、深度学习、注意力机制

所属期刊栏目：32

分类号：TP301(计算技术、计算机技术)

资助基金：黑龙江省自然科学基金项目LH2019F004

在线出版日期：2022-07-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：198-202