文献类型：期刊文章

作　　者：武中原[1] 张欣[2] 张春雷[3] 王海英[1]

WU Zhongyuan;ZHANG Xin;ZHANG Chunlei;WANG Haiying(School of Science,China University of Geosciences(Beijing),Beijing 100083,China;School of Statistics,Beijing Normal University,Beijing 100875,China;Beijing Zhongdirunde Petroleum Technology Co.,Ltd.,Beijing 100083,China)

机构地区：[1]中国地质大学(北京)数理学院,北京100083 [2]北京师范大学统计学院,北京100875 [3]北京中地润德石油科技有限公司,北京100083

出　　处：《岩性油气藏》

基　　金：国家科技重大专项“鄂尔多斯盆地大型岩性地层油气藏勘探开发示范工程”(编号:2016ZX05050)资助。

年　　份：2021

卷　　号：33

期　　号：3

起止页码：120-128

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、JST、PA、RCCSE、ZGKJHX、核心刊

摘　　要：针对复杂碳酸盐岩储层岩石组分复杂、岩性多样,常规测井岩性识别方法受限等问题,提出利用长短期记忆神经网络(LSTM)提高岩性识别效果的方法,并结合实际数据进行验证和应用效果分析。考虑到常规机器学习方法在岩性识别中无法充分利用沉积岩石在深度域序列上的潜在信息,从而基于LSTM方法构建了能够提取和学习岩性沉积序列特征的岩性识别手段。以苏里格气田苏东地区下古生界碳酸盐岩储层为例,通过敏感性分析选取自然伽马、光电吸收截面指数、密度、声波时差、补偿中子和电阻率等6种测井参数,构建了基于LSTM的岩性识别模型。结果表明,与朴素贝叶斯,KNN,决策树,SVM和HMM等传统方法相比,LSTM的岩性识别准确率提升幅度介于1.40%~12.25%。高精度的LSTM岩性识别模型为复杂碳酸盐岩储层的表征和评价提供了数据基础。

关 键 词：长短期记忆神经网络  岩性识别 碳酸盐岩储层 机器学习  

分 类 号：P618.13]