基于卷积门控循环单元网络的储层参数预测方法

摘要：

储层参数是储层评价的一项重要内容.针对传统储层预测方法难以摆脱线性方程的束缚及预测精度不高的问题,将卷积神经网络与门控循环单元网络相结合,提出了卷积门控循环单元网络模型.该模型不仅具备卷积神经网络局部感知的特性,还具备门控循环单元网络长期记忆的功能,从而具有表达数据时空特征的能力.基于某井区A井已知井段测井资料建立卷积门控循环单元网络孔隙度预测模型,预测该井区未知深度段的孔隙度,并提出变学习率训练方法.实验证明,与单一的卷积神经网络模型、门控循环单元网络模型相比,卷积门控循环单元网络模型能够更有效地提取数据特征,预测精度更高,可为储层参数的预测提供新的思路.

关键词：储层参数预测、孔隙度、深度学习、卷积神经网络、循环神经网络、门控循环单元网络

所属期刊栏目：26

分类号：TE122.2(石油、天然气地质与勘探)

资助基金：国家自然科学基金项目"基于经验模态分解的自由表面多次波衰减方法研究"41804140;湖北省教育厅指导性项目"基于地震数据结构的高分辨率油藏识别方法研究"B2018556;油气资源与勘探技术教育部重点实验室长江大学"地球物理信息探测方法与技术"PI2018-02

在线出版日期：2019-10-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：73-78