基于CNN-GRU神經(jīng)網(wǎng)絡(luò)的測井曲線預(yù)測方法

王錦濤,文曉濤,何易龍,蘭昀霖,張超銘

(1.成都理工大學(xué)地球物理學(xué)院,四川成都610059;2.成都理工大學(xué)油氣藏地質(zhì)及開發(fā)工程國家重點(diǎn)實(shí)驗(yàn)室,四川成都610059)

在儲層評價(jià)中,利用測井資料的分析解釋成果可以對儲層的巖性、物性以及含油氣性做出綜合評價(jià)。為了更好地建立油氣藏模型,降低地質(zhì)解釋的模糊性,需要結(jié)合多種測井曲線與地震資料。但當(dāng)測井儀器工作時(shí)出現(xiàn)故障、井壁遭到破壞并發(fā)生坍塌時(shí),會導(dǎo)致工區(qū)某些層段的測井曲線缺失[1]。因此,利用已知層段的測井曲線補(bǔ)全未知層段的測井曲線,對于后續(xù)的儲層預(yù)測具有非常重要的意義[2-3]。

早期,一些學(xué)者利用傳統(tǒng)的統(tǒng)計(jì)和經(jīng)驗(yàn)?zāi)Ｐ皖A(yù)測缺失的測井?dāng)?shù)據(jù)。SMITH[4]推導(dǎo)了電阻率測井和聲波測井之間的關(guān)系。GARDNER等[5]利用Gardner方程表征巖石中聲波和密度的關(guān)系。CASTAGNA等[6]提出了利用縱波速度計(jì)算橫波速度的經(jīng)驗(yàn)公式。此外,還有一些巖石物理模型也可用于測井曲線預(yù)測[7-9]。因上述傳統(tǒng)方法的預(yù)測效果受地層、巖性的影響,故仍需專業(yè)人員人工干預(yù)其預(yù)測結(jié)果。

近年來,深度學(xué)習(xí)的快速發(fā)展為測井曲線預(yù)測提供了新的研究思路,深度學(xué)習(xí)方法通過學(xué)習(xí)可以掌握預(yù)測目標(biāo)與輸入變量之間隱含的非線性關(guān)系[10]。ROLON等[11]使用全連接神經(jīng)網(wǎng)絡(luò)(fully convolutional neural networks,FCNNs)通過現(xiàn)有的測井?dāng)?shù)據(jù)預(yù)測未知的測井?dāng)?shù)據(jù),但FCNNs生成的是輸入數(shù)據(jù)到輸出數(shù)據(jù)的點(diǎn)對點(diǎn)映射,與測井曲線因不同深度巖層性質(zhì)的差異所表現(xiàn)出的變化趨勢不符。循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)具有一定的記憶功能,對處理測井曲線類的序列數(shù)據(jù)非常有效。張東曉等[12]利用基于RNN改進(jìn)的長短期記憶(long short-term memory,LSTM)網(wǎng)絡(luò)和具有串級系統(tǒng)的長短期記憶(CLSTM)網(wǎng)絡(luò)生成測井曲線,王俊等[13-14]使用長短期記憶網(wǎng)絡(luò)和門控循環(huán)單元(gated recurrent unit,GRU)神經(jīng)網(wǎng)絡(luò)較為準(zhǔn)確地預(yù)測出了測井曲線的變化趨勢。與基于全連接神經(jīng)網(wǎng)絡(luò)的方法相比,基于循環(huán)神經(jīng)網(wǎng)絡(luò)的方法可在一定程度上改善測井曲線預(yù)測的效果,但當(dāng)測井曲線發(fā)生局部突變時(shí),其預(yù)測效果仍有待改進(jìn)。

測井?dāng)?shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)具有序列性、特征性等特點(diǎn),GRU神經(jīng)網(wǎng)絡(luò)能較好地預(yù)測出測井曲線的變化趨勢?？紤]到卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)具有良好的局部特性感知能力,因此我們將CNN和GRU網(wǎng)絡(luò)相結(jié)合,提出基于CNN-GRU的測井曲線預(yù)測方法,該方法在預(yù)測過程中可以兼顧測井?dāng)?shù)據(jù)的序列性與特征性,最后我們將該方法應(yīng)用于四川某地區(qū)A、B兩個(gè)井區(qū)的測井?dāng)?shù)據(jù)進(jìn)行預(yù)測,并將預(yù)測結(jié)果與其它傳統(tǒng)深度學(xué)習(xí)預(yù)測模型的應(yīng)用結(jié)果進(jìn)行對比,以驗(yàn)證方法的有效性。

1 方法原理與模型構(gòu)建

1.1 卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)可以高效提取數(shù)據(jù)的局部特征,主要由卷積層、池化層與全連接層組成。其中卷積層負(fù)責(zé)從輸入的數(shù)據(jù)中提取特征,并利用不同尺寸的卷積核對數(shù)據(jù)進(jìn)行卷積運(yùn)算,一維卷積公式如下:

(1)

式中:yt為輸出的特征數(shù)據(jù);wk為卷積核;xt-k+1為輸入的數(shù)據(jù);b為偏置;K為數(shù)據(jù)長度。

1.2 GRU循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)能結(jié)合歷史輸入信息對與序列相關(guān)的任務(wù)進(jìn)行處理,其單元結(jié)構(gòu)如圖1所示。

圖1 循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)單元結(jié)構(gòu)

由圖1可知,RNN中隱藏層為循環(huán)體,作用是對不同的輸入數(shù)據(jù)執(zhí)行相同的處理。RNN的不足在于只能記憶短期的歷史輸入信息,當(dāng)網(wǎng)絡(luò)層數(shù)較深時(shí)可能出現(xiàn)梯度消失的現(xiàn)象,導(dǎo)致無法解決輸入信息的長期記憶問題。

長短期記憶網(wǎng)絡(luò)實(shí)現(xiàn)了信息長期記憶的功能,改進(jìn)了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò),適合對數(shù)據(jù)序列進(jìn)行處理和預(yù)測。門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)是對LSTM的改進(jìn),其在保持LSTM長期記憶功能的情況下又簡化了網(wǎng)絡(luò)結(jié)構(gòu),因此能更快地對數(shù)據(jù)序列進(jìn)行處理和預(yù)測[15-17],其結(jié)構(gòu)如圖2所示。

圖2 GRU神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖中,Xt、ht-1、ht、rt、zt、Ht依次為節(jié)點(diǎn)輸入信息、上一時(shí)刻的節(jié)點(diǎn)輸出信息、當(dāng)前時(shí)刻的節(jié)點(diǎn)輸出信息、更新門的狀態(tài)、重置門的狀態(tài)、當(dāng)前節(jié)點(diǎn)的狀態(tài);σ和tanh分別表示不同的激活函數(shù)。

由圖2可知,GRU神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)主要由重置門和更新門組成。重置門zt、更新門rt、節(jié)點(diǎn)狀態(tài)Ht和節(jié)點(diǎn)輸出ht的計(jì)算公式依次如下:

zt=σ(Wz·[ht-1,Xt])

(2)

rt=σ(Wr·[ht-1,Xt])

(3)

Ht=tanh(W·[rt?ht-1,Xt])

(4)

(5)

1.3 CNN-GRU神經(jīng)網(wǎng)絡(luò)模型

利用深度學(xué)習(xí)模型進(jìn)行測井曲線預(yù)測時(shí),建立的預(yù)測模型大多只選取單一網(wǎng)絡(luò),但單一網(wǎng)絡(luò)模型不能兼顧測井曲線特征和測井深度域的變化趨勢。本文提出的CNN-GRU神經(jīng)網(wǎng)絡(luò)既能高效地實(shí)現(xiàn)輸入特征的提取,又具備長期記憶測井曲線的功能,因此利用CNN-GRU神經(jīng)網(wǎng)絡(luò)進(jìn)行測井曲線預(yù)測是可行的。CNN-GRU神經(jīng)網(wǎng)絡(luò)模型的基本結(jié)構(gòu)如圖3所示。

圖3 CNN-GRU神經(jīng)網(wǎng)絡(luò)模型的基本結(jié)構(gòu)

由圖3可知,輸入數(shù)據(jù)在經(jīng)歸一化處理后,先通過CNN網(wǎng)絡(luò)提取數(shù)據(jù)的局部特征信息,構(gòu)建時(shí)序性的特征向量,然后將結(jié)果輸入兩層方向相反的GRU模型中進(jìn)行訓(xùn)練,以提取數(shù)據(jù)在時(shí)間維度上的變化,再通過全連接層網(wǎng)絡(luò)輸出數(shù)據(jù)。將CNN與GRU相結(jié)合可以實(shí)現(xiàn)對測井?dāng)?shù)據(jù)時(shí)空特征的完整學(xué)習(xí)。

本文將需要進(jìn)行預(yù)測的井的已知層段以及從具有完整數(shù)據(jù)的鄰井獲得的測井曲線作為訓(xùn)練集,將其輸入到模型中進(jìn)行訓(xùn)練,然后由鄰井對應(yīng)深度的測井值預(yù)測該井未知層段的測井曲線。模型輸出結(jié)果包括已知層段測井曲線的擬合值以及未知層段測井曲線的預(yù)測值。CNN-GRU神經(jīng)網(wǎng)絡(luò)模型對測井?dāng)?shù)據(jù)進(jìn)行預(yù)測的技術(shù)流程如圖4所示。

圖4 基于CNN-GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測流程

該流程主要可分為以下4步:

1) 將輸入的測井?dāng)?shù)據(jù)集劃分為訓(xùn)練集和測試集,并進(jìn)行歸一化處理;

2) 設(shè)置CNN-GRU模型的網(wǎng)絡(luò)參數(shù),選用均方誤差(mean-square error,MSE)為損失函數(shù),采用Adam優(yōu)化算法來進(jìn)行權(quán)重更新;

3) 利用訓(xùn)練集對模型進(jìn)行訓(xùn)練,并檢驗(yàn)訓(xùn)練效果,若模型對訓(xùn)練集的擬合效果滿足要求,則進(jìn)入下一步,否則回到第2)步,調(diào)整網(wǎng)絡(luò)參數(shù)及優(yōu)化算法;

4) 利用訓(xùn)練好的模型對測試集進(jìn)行測試,并將測試結(jié)果反歸一化,得到測井曲線的預(yù)測值。

1.4 測井?dāng)?shù)據(jù)預(yù)處理與評價(jià)標(biāo)準(zhǔn)

不同的測井曲線數(shù)據(jù)量綱不同且數(shù)值差異較大,不利于模型參數(shù)優(yōu)化。為了加速模型的訓(xùn)練和提高預(yù)測精度,將測井?dāng)?shù)據(jù)進(jìn)行歸一化處理,結(jié)果如下:

(6)

式中:X*為歸一化后的測井?dāng)?shù)據(jù);X為原始測井?dāng)?shù)據(jù);Xmax為訓(xùn)練集各維度中測井?dāng)?shù)據(jù)最大值;Xmin為訓(xùn)練集各維度中測井?dāng)?shù)據(jù)最小值。

為了綜合評價(jià)模型對測井?dāng)?shù)據(jù)集的預(yù)測性能,本文選用相關(guān)系數(shù)(R)、平均絕對誤差(MAE)和均方根誤差(RMSE)作為預(yù)測效果評價(jià)的標(biāo)準(zhǔn),其計(jì)算公式分別如下:

(7)

(8)

(9)

2 實(shí)際應(yīng)用與結(jié)果分析

為了驗(yàn)證CNN-GRU神經(jīng)網(wǎng)絡(luò)模型對測井曲線預(yù)測的有效性,選擇四川某地區(qū)A、B兩個(gè)井區(qū)的測井?dāng)?shù)據(jù)進(jìn)行驗(yàn)證。此外,還采用了單一的GRU神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)(BPNN)和隨機(jī)森林(RF)作為基準(zhǔn)模型與CNN-GRU神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果進(jìn)行對比。

2.1 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)數(shù)據(jù)為A井區(qū)的A1、A2井測井?dāng)?shù)據(jù),每口井的測井?dāng)?shù)據(jù)包括聲波時(shí)差(AC)、自然伽馬(GR)、密度(DEN)、孔隙度(POR)、電阻率(ILD)共5條曲線,以及B井區(qū)的B1、B2、B3井,每口井的測井?dāng)?shù)據(jù)包括聲波時(shí)差(AC)、自然伽馬(GR)、密度(DEN)、孔隙度(POR)、自然電位(SP)共5條曲線。

經(jīng)過多次對比和測試,最終搭建了4種測井曲線預(yù)測模型。CNN-GRU神經(jīng)網(wǎng)絡(luò)模型包括:1層卷積層,其神經(jīng)元為128個(gè),卷積核尺寸為4,序列長度為1;兩層GRU層的神經(jīng)元分別為124和64個(gè);1層Dense層(Dense層的作用是將數(shù)據(jù)轉(zhuǎn)換維度后輸出)。GRU神經(jīng)網(wǎng)絡(luò)模型包括:兩層GRU層,其神經(jīng)元分別為32和12個(gè),序列長度為1;1層Dense層。BPNN模型包括3層Dense層,神經(jīng)元分別為32,12和1個(gè);1層Dropout層(Dropout層作用是防止預(yù)測結(jié)果過擬合)。RF模型中最大決策樹個(gè)數(shù)為10,隨機(jī)種子數(shù)量為72。

2.2 實(shí)驗(yàn)結(jié)果及分析

利用CNN-GRU神經(jīng)網(wǎng)絡(luò)、GRU神經(jīng)網(wǎng)絡(luò)、BPNN和RF 4種模型對B1井中AC曲線數(shù)據(jù)進(jìn)行預(yù)測,并將預(yù)測結(jié)果用于第一步驗(yàn)證。假設(shè)B1井2306～2356m的AC曲線缺失,B3井具有完整的AC曲線,利用B1井2106～2306m的AC曲線以及B3井2106～2356m的AC曲線作為訓(xùn)練集,對B1井缺失的AC曲線進(jìn)行預(yù)測,其中B1井訓(xùn)練集和測試集數(shù)據(jù)所在的層段為同一巖性。

利用CNN-GRU神經(jīng)網(wǎng)絡(luò)、GRU神經(jīng)網(wǎng)絡(luò)、BPNN和RF 4種模型對B1井AC曲線進(jìn)行預(yù)測,結(jié)果如圖5所示。黑色曲線為實(shí)測AC值,紅色曲線為CNN-GRU神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果,藍(lán)色曲線為GRU神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果,紫色曲線為BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果,綠色曲線為RF模型預(yù)測結(jié)果。4種模型的預(yù)測值與實(shí)測值的交會結(jié)果如圖6所示,精度評價(jià)參數(shù)如表1所示。

圖6 4種模型預(yù)測值與實(shí)測值的交會結(jié)果

從圖5可以看出,4種模型對測井曲線的預(yù)測效果較好,能夠精確地預(yù)測出AC曲線隨深度變化的趨勢,說明人工智能模型能有效地提取測井?dāng)?shù)據(jù)的時(shí)序性和非線性特征。通過觀察可知,模型預(yù)測結(jié)果與實(shí)測曲線存在微小的深度差,這是因?yàn)樵紲y井?dāng)?shù)據(jù)包含噪聲,在預(yù)測過程中模型將包含噪聲的真實(shí)數(shù)據(jù)視作異常數(shù)據(jù),導(dǎo)致輸出的預(yù)測值相較于真實(shí)值在深度序列上存在一定的延后,如果要消除這種誤差,就需要對原始數(shù)據(jù)進(jìn)行去噪處理。

圖5 利用4種模型對B1井AC曲線進(jìn)行預(yù)測的結(jié)果(1ft≈30.48cm)

對比4種模型的預(yù)測效果,發(fā)現(xiàn)BPNN模型預(yù)測結(jié)果較為平滑,未能反應(yīng)真實(shí)測井曲線的局部突變等細(xì)節(jié)。RF模型預(yù)測結(jié)果的精確度明顯低于其它3種模型的預(yù)測結(jié)果。不難發(fā)現(xiàn),CNN-GRU神經(jīng)網(wǎng)絡(luò)以及GRU神經(jīng)網(wǎng)絡(luò)模型可以精確地對測井曲線進(jìn)行預(yù)測,預(yù)測值的大小也與真實(shí)值更接近。

由圖6的交會結(jié)果可知,根據(jù)CNN-GRU神經(jīng)網(wǎng)絡(luò)和GRU神經(jīng)網(wǎng)絡(luò)模型預(yù)測得到的聲波時(shí)差值與真實(shí)的聲波時(shí)差值具有較高的相關(guān)性。由表1可知,CNN-GRU神經(jīng)網(wǎng)絡(luò)模型和GRU神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果的平均絕對誤差和均方根誤差均較低,而相關(guān)系數(shù)較高。由以上的分析可以證明,相較于普通的機(jī)器學(xué)習(xí)模型,具有長期記憶功能的CNN-GRU神經(jīng)網(wǎng)絡(luò)模型和GRU神經(jīng)網(wǎng)絡(luò)模型更適于對測井曲線進(jìn)行預(yù)測。

表1 4種模型的預(yù)測精度評價(jià)參數(shù)

將CNN-GRU神經(jīng)網(wǎng)絡(luò)模型和GRU神經(jīng)網(wǎng)絡(luò)模型用于A1、B2井中多條測井曲線的預(yù)測,并將預(yù)測結(jié)果用來進(jìn)一步驗(yàn)證模型效果。

以密度測井曲線為例,假設(shè)A1井3640～3690m的密度測井曲線缺失,并且A2井具有完整的密度測井曲線,將A1井3440～3640m的密度測井曲線以及A2井3440～3690m的密度測井曲線作為訓(xùn)練集,對A1井缺失的密度測井曲線進(jìn)行預(yù)測,其中A1井訓(xùn)練集和測試集數(shù)據(jù)所在的層段為同一巖性。

以聲波時(shí)差測井曲線為例,假設(shè)B2井1357～1407m的聲波時(shí)差測井?dāng)?shù)據(jù)缺失,并且B3井具有完整的聲波時(shí)差測井?dāng)?shù)據(jù),將B2井1257～1357m、1407～1507m的聲波時(shí)差測井?dāng)?shù)據(jù)以及B3井1257～1507m的聲波時(shí)差測井?dāng)?shù)據(jù)作為訓(xùn)練集,對B2井缺失的聲波時(shí)差測井?dāng)?shù)據(jù)進(jìn)行預(yù)測,其中B2井訓(xùn)練集和測試集數(shù)據(jù)所在的層段為同一巖性。

利用CNN-GRU神經(jīng)網(wǎng)絡(luò)模型和GRU神經(jīng)網(wǎng)絡(luò)模型對A1井的測井曲線進(jìn)行預(yù)測的結(jié)果如圖7所示,黃色虛線以上是對訓(xùn)練集的擬合結(jié)果,以下是對測試集的預(yù)測結(jié)果,圖8是對圖7測試集預(yù)測結(jié)果的局部放大顯示。B2井的測井曲線預(yù)測結(jié)果如圖9所示,兩條黃色虛線的中間部分代表測試集的預(yù)測結(jié)果,其余部分代表訓(xùn)練集的擬合結(jié)果,圖10是對圖9測試集預(yù)測結(jié)果的局部放大顯示。表2和表3分別為利用CNN-GRU神經(jīng)網(wǎng)絡(luò)模型和GRU神經(jīng)網(wǎng)絡(luò)模型對A1井和B2井的預(yù)測精度評價(jià)參數(shù)。圖7至圖10中,黑色曲線為各條測井曲線對應(yīng)的實(shí)測值,黃色為CNN-GRU神經(jīng)網(wǎng)絡(luò)模型對訓(xùn)練集的擬合值,紫色為GRU神經(jīng)網(wǎng)絡(luò)模型對訓(xùn)練集的擬合值,紅色為CNN-GRU神經(jīng)網(wǎng)絡(luò)模型對測試集的預(yù)測值,藍(lán)色為GRU神經(jīng)網(wǎng)絡(luò)模型對測試集的預(yù)測值。

圖7 A1井的測井曲線擬合與預(yù)測結(jié)果

圖8 A1井測井曲線預(yù)測結(jié)果的局部放大顯示

圖9 B2井測井曲線擬合與預(yù)測結(jié)果

表3 利用CNN-GRU神經(jīng)網(wǎng)絡(luò)模型與GRU神經(jīng)網(wǎng)絡(luò)模型得到的B2井預(yù)測精度評價(jià)參數(shù)

從圖7至圖10可以看出,在訓(xùn)練集的擬合階段,利用CNN-GRU神經(jīng)網(wǎng)絡(luò)模型與GRU神經(jīng)網(wǎng)絡(luò)模型得到的擬合值與真實(shí)值基本重合,證明模型訓(xùn)練效果較好。在測試集的預(yù)測階段,兩種模型對各條測井曲線均取得較好的預(yù)測結(jié)果,從整體上預(yù)測出了測井曲線的變化趨勢。不難發(fā)現(xiàn),CNN-GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度高于GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度。

圖10 B2井測井曲線預(yù)測結(jié)果的局部放大顯示

從全段預(yù)測范圍對比CNN-GRU神經(jīng)網(wǎng)絡(luò)模型和GRU神經(jīng)網(wǎng)絡(luò)模型在局部細(xì)節(jié)的預(yù)測結(jié)果,將B2井中聲波時(shí)差和密度的模型預(yù)測值與實(shí)測值進(jìn)行交會,交會結(jié)果如圖11所示。

從圖11的交會結(jié)果可知,CNN-GRU模型要比GRU模型更接近實(shí)測值,并且CNN-GRU模型預(yù)測結(jié)果的R2值大于GRU模型的R2值,說明CNN-GRU神經(jīng)網(wǎng)絡(luò)模型對測井?dāng)?shù)據(jù)多個(gè)局部細(xì)節(jié)的擬合結(jié)果均優(yōu)于GRU神經(jīng)網(wǎng)絡(luò)模型。此外,由表2和表3 的評價(jià)參數(shù)可知,CNN-GRU神經(jīng)網(wǎng)絡(luò)模型相較于GRU神經(jīng)網(wǎng)絡(luò)模型的均方根誤差較低,而相關(guān)系數(shù)較高,這也證明了CNN-GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度高于GRU神經(jīng)網(wǎng)絡(luò)模型。

圖11 利用兩種模型得到的預(yù)測值與實(shí)測值交會結(jié)果

為了比較CNN-GRU神經(jīng)網(wǎng)絡(luò)模型和GRU神經(jīng)網(wǎng)絡(luò)模型在測井曲線局部發(fā)生突變時(shí)的預(yù)測能力,對A1、B2井預(yù)測結(jié)果進(jìn)行局部放大分析,結(jié)果如圖12所示,黑色曲線為實(shí)測值,紅色曲線為CNN-GRU神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果,藍(lán)色曲線為GRU神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果。

圖12 A1、B2井測井曲線預(yù)測結(jié)果局部放大顯示

觀察圖12可知,當(dāng)測井曲線變化較平穩(wěn)時(shí),CNN-GRU神經(jīng)網(wǎng)絡(luò)模型輸出結(jié)果和GRU神經(jīng)網(wǎng)絡(luò)模型輸出結(jié)果差別不大,這是因?yàn)樽兓椒€(wěn)時(shí)測井曲線沒有明顯的局部形狀;當(dāng)測井曲線發(fā)生局部突變時(shí)(紅色橢圓區(qū)域),CNN-GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果比GRU神經(jīng)網(wǎng)絡(luò)模型更接近實(shí)測值(如圖12中孔隙度曲線3675m處、電阻率曲線3663m處,聲波時(shí)差曲線1390m處);就曲線局部特征的重構(gòu)結(jié)果而言,CNN-GRU神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果也優(yōu)于普通的GRU神經(jīng)網(wǎng)絡(luò)模型(如圖12中聲波時(shí)差曲線1362m處、密度曲線1391m處),原因在于CNN-GRU神經(jīng)網(wǎng)絡(luò)模型中加入了卷積層,可以充分提取測井曲線的空間特征。

由上述分析結(jié)果可知,CNN-GRU神經(jīng)網(wǎng)絡(luò)模型比單一的GRU神經(jīng)網(wǎng)絡(luò)模型對測井曲線的預(yù)測結(jié)果更優(yōu)。CNN-GRU神經(jīng)網(wǎng)絡(luò)模型對測井曲線整體預(yù)測效果好,同時(shí)對測井曲線局部的突變具有良好的預(yù)測能力,充分表現(xiàn)出其預(yù)測測井曲線的優(yōu)勢。

3 結(jié)論

本文將深度學(xué)習(xí)中特征表達(dá)能力較強(qiáng)的CNN和記憶能力較強(qiáng)的GRU神經(jīng)網(wǎng)絡(luò)相結(jié)合,考慮到測井曲線的深度趨勢和局部形態(tài),提出了針對測井?dāng)?shù)據(jù)的CNN-GRU神經(jīng)網(wǎng)絡(luò)預(yù)測模型。以四川某地區(qū)A、B兩個(gè)井區(qū)的測井?dāng)?shù)據(jù)為樣本,將CNN-GRU神經(jīng)網(wǎng)絡(luò)模型與其它常用預(yù)測模型的預(yù)測結(jié)果進(jìn)行對比,得到了以下認(rèn)識。

1) 本文方法的預(yù)測結(jié)果具有較高的精度,更適合于測井曲線預(yù)測,且對不同類型測井曲線均有較高的準(zhǔn)確性,適應(yīng)性強(qiáng)。

2) 當(dāng)測井曲線發(fā)生局部突變時(shí),本文方法對測井曲線多個(gè)局部細(xì)節(jié)的擬合結(jié)果要優(yōu)于單一的模型,對測井曲線的局部特征具有較強(qiáng)的重構(gòu)能力。

需要指出的是,本文方法雖取得了較好的效果,但輸入模型的特征集未考慮地層結(jié)構(gòu)等因素,不能完全反映真實(shí)的地下信息。下一步的研究會將地質(zhì)背景輸入到網(wǎng)絡(luò)模型中,進(jìn)一步提高預(yù)測精度。