文献类型：期刊文章

作　　者：安鹏[1] 曹丹平[1] 赵宝银[2] 杨晓利[2] 张明[2]

AN Peng;CAO Dan-ping;ZHAO Bao-yin;YANG Xiao-li;ZHANG Ming(School of Geosciences,China University of Petroleum,Shandong Qingdao 266580,China;Research Institute of Exploration and Development,PetroChina Jidong Oilfield Company,Hebei Tangshan 063004,China)

机构地区：[1]中国石油大学(华东)地球科学与技术学院,山东青岛266580 [2]中国石油冀东油田分公司勘探开发研究院,河北唐山063004

出　　处：《地球物理学进展》

基　　金：国家自然科学基金(41774137);高等学校学科创新引智计划(111计划)(B18055);国家重大科技专项(2016ZX05006-006)联合资助

年　　份：2019

卷　　号：34

期　　号：5

起止页码：1849-1858

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：储层物性参数是反映储层油气储集能力的重要参数,表征了不同地质时期的沉积特征.地球物理测井参数由深及浅反映了不同地质时期的声、放、电等沉积特征,因而测井参数和泥质含量(孔隙度)之间有很强非线性映射关系,并具有时间序列特征.充分利用多种测井参数预测储层泥质含量和孔隙度对于储层精细描述具有十分重要的意义.深度学习技术具有极强的数据结构挖掘能力,目前,全连接的深度神经网络已经在泥质含量预测进行了初步尝试并取得了较好的效果.而长短时记忆(LSTM)循环神经网络更适合解决序列化的数据问题,因此本文提出基于LSTM循环神经网络利用多种测井参数进行泥质含量和孔隙度预测的方法,预测结果的均方根误差比常规全连接深度神经网络分别下降了42.2%和48.6%,实际应用表明,对于具有序列化特性的泥质含量和孔隙度,LSTM循环神经网络预测的准确性和稳定性要明显优于常规全连接深度神经网络.

关 键 词：储层物性参数 泥质含量 孔隙度 LSTM循环神经网络  深度学习  

分 类 号：P631]