基于CNNGRU混合神经网络的测井曲线预测方法

基于CNNGRU混合神经网络的测井曲线预测方法.pdf
在测井解释中,重要工区的某些井位可能出现部分层段测井曲线缺失,因此需要在已知层段测井曲线基础上对未知层段测井曲线作出预测.近年来,一些学者利用全连接神经网络(FCNN)、长短期记忆网络(LSTM)等深度学习方法为测井曲线预测提供了新思路.提出了利用卷积神经网络(CNN)和门控循环单元网络(GRU)组合而成的CNN-GRU神经网络进行测井曲线预测.CNN能高效地进行局部特征提取,GRU是对LSTM的一种改进模型,在保持了长期记忆功能的基础上,能更加快速地对测井数据进行处理.构建CNN-GRU神经网络模型如图1图中,x表示输入数据,Z1、Z2、Z3为CNN-GRU神经网络单元,O1、O2、O3为反向的GRU输出,O4、O5、O6为全连接神经网络输出,y为理论输出,O为模型输出值.
作者：王锦涛何易龙张超铭兰昀霖
作者单位：成都理工大学油气藏地质及开发工程国家重点实验室,四川成都,610059;成都理工大学地球物理学院,四川成都,610059
母体文献：中国地球物理学会地球物理技术委员会第九届学术会议——全域地球物理探测与智能感知学术研讨会论文集
会议名称：中国地球物理学会地球物理技术委员会第九届学术会议——全域地球物理探测与智能感知学术研讨会  
会议时间：2021年5月21日
会议地点：武汉
主办单位：中国地球物理学会
语种：chi
分类号：U65TP3
关键词：测井曲线  预测模型  卷积神经网络  门控循环单元网络
在线出版日期：2021年8月24日
基金项目：
相似文献
相关博文

2024-12-3 19:45 上传 基于CNNGRU混合神经网络的测井曲线预测方法.pdf

文件大小:

1.74 MB

下载次数:

60

高速下载