计算机技术与发展2023，Vol.33Issue(10) ：28-34.DOI:10.3969/j.issn.1673-629X.2023.10.005

基于CNN-BiLSTM-AM的储层岩石脆性指数预测

Prediction of Reservoir Rock Brittleness Index Based on CNN-BiLSTM-AM

杜睿山 李宏杰 孟令东
计算机技术与发展2023，Vol.33Issue(10) ：28-34.DOI:10.3969/j.issn.1673-629X.2023.10.005
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于CNN-BiLSTM-AM的储层岩石脆性指数预测

Prediction of Reservoir Rock Brittleness Index Based on CNN-BiLSTM-AM

杜睿山 1李宏杰 2孟令东3
扫码查看

作者信息

  • 1. 东北石油大学 计算机与信息技术学院,黑龙江 大庆 163318;油气藏及地下储库完整性评价黑龙江省重点实验室,黑龙江 大庆 163318
  • 2. 东北石油大学 计算机与信息技术学院,黑龙江 大庆 163318
  • 3. 油气藏及地下储库完整性评价黑龙江省重点实验室,黑龙江 大庆 163318
  • 折叠

摘要

脆性指数是储层岩石的重要地质力学性质之一,但对于脆性指数至今为止都没有一个明确的定义,许多学者提出了不同的方法来测量该参数,一些方法如矿物分析等成本较高,然而机器学习和深度学习可以有效融合多元数据,充分利用数据去挖掘自变量与因变量之间的关系,且成本较低.因此,该文使用深度学习方法来构建测井曲线数据与储层岩石脆性之间的关系模型.因测井曲线是特殊的时序曲线,该文采用可以综合考虑过去和未来信息的BiLSTM(双向长短期记忆)模型,同时为了进一步的优化,在模型中添加1DCNN(一维卷积)用来提取特征,且引入了AM(注意力机制).同时利用Pearson系数和XGBoost(极限梯度提升树)进行分析,研究了各测井曲线对脆性的敏感性等级以及重要性程度,最终选取的输入参数有AC(声波时差)、DEN(密度)、CAL(井径)、GR(伽马射线)和SP(自然电位).与其它机器学习方法相比,该方法的MSE和RMSE最小,分别为0.003 5 和0.059 16,表明CNN-BiLSTM-AM是一种预测精度更高、效果更好的方法.

关键词

测井曲线/脆性指数/深度学习/Pearson系数/BiLSTM/一维卷积/注意力机制

Key words

logging curve/brittleness index/deep learning/Pearson coefficient/BiLSTM/one dimensional convolution/attention mecha-nism

引用本文复制引用

基金项目

国家自然科学基金青年科学基金(41702156)

东北石油大学引导性创新基金(2020YDL-04)

出版年

2023
计算机技术与发展
陕西省计算机学会

计算机技术与发展

CSTPCD
影响因子：0.621
ISSN：1673-629X
被引量1
参考文献量4
段落导航相关论文