科研之友
微信
新浪微博
Facebook
分享链接
摘要
岩石孔隙度是表征储层的重要参数之一，对孔隙度进行高精度预测有利于更精细地刻画高孔高渗储层位置，然而地震弹性参数与孔隙度之间的关系比较复杂，为储层孔隙度的准确预测带来一定困难。深度学习为孔隙度高精度地震预测提供了新思路。针对以上现状，提出了一种基于双向门控循环单元神经网络和注意力机制（BiGRU-Attention）的叠前地震孔隙度预测方法。本文方法利用双向GRU实现信息的双向传播并加入Attention机制放大关键信息，将叠前同时反演得到的纵波速度和密度信息作为输入，以测井孔隙度值作为标签来训练和测试BiGRU-Attention网络，建立起地震弹性参数与孔隙度之间的复杂映射关系，从而实现孔隙度高精度预测。实际数据测试结果表明，相比于常规多元线性回归方法（MLR）、密集神经网络（DNN）和门控循环单元神经网络（GRU），所提出的BiGRU-Attention网络在盲井测试中预测精度更高。将该方法应用到某实际三维工区地震数据中，所预测孔隙度值与测井孔隙度值匹配良好，说明该方法具有较好的实用价值。
- 出版日期2023
- 单位中国石油大学（北京）; 物理学院; 太原理工大学
