文档名：基于模态分解与LSTM注意表征的测井曲线重构研究
摘要：测井曲线记录着地层物理性质随深度变化的幅值范围,是测井与地震资料之间的纽带,对储层岩性分析与识别和后续的油气勘探工程十分重要.然而,在实际的测井过程中仪器故障等原因会造成测井曲线缺失的问题,重新测井不仅价格昂贵而且难以实现.针对地质勘探时测井数据时常缺失的问题,本文提出了一种LSTM(LongShort-TermMemory)注意力表征的测井曲线重构方法.同时,对原始测井信号进行两种模态分解,计算分解后得到模态分量与原始信号之间的相关性,去除冗余分量,实现对缺失的测井曲线高效、高精度的人工补全.将该方法用于声波(ACoustic,AC)与密度(DENsity,DEN)曲线重构实验,并将实验结果与LSTM网络和BP(BackPropagation)神经网络预测的结果进行对比分析.结果表明,LSTM-Attention模型有着更为优异的预测效果,重构后的AC和DEN与原始曲线之间的相关性分别达到了86.8％和74.8％,高于传统LSTM和BP神经网络预测方法.在去除冗余的信号分量后,相关系数分别提高了1.4％和4.0％.同时,本文所提方法预测出的测井曲线具有最低的预测误差.因此,基于LSTM注意表征的网络结构对测井曲线重构具有较好的预测精度.
Abstract：Thewellloggingcurverecordstheamplituderangeofgeophysicalpropertieschangingwithdepthandisthebondbetweenwelllogandseismicdata.Itisalsosignificantforreservoirlithologyanalysisandsubsequentoilandgasexplorationprojects.However,instrumentfailureandotherreasonswillcausewell-loggingcurvestobemissingintheactu-alloggingprocess.Re-loggingisnotonlyexpensivebutalsodifficulttoachieve.Aimingattheproblemthatloggingdataisoftenmissingduringgeologicalexploration,thispaperproposesaloggingcurvereconstructionmethodbasedontheLSTM(LongShort-TermMemory)-attentionmodel.Atthesametime,EMD-VMD(EmpiricalModeDecomposition-VariationalModeDecomposition)decompositionisperformedontheoriginalloggingsignalandthenthecorrelationbetweenthecom-ponentsandtheoriginalcurveiscalculated.Someexcrescentcomponentsaredeletedtopromoteefficientandhigh-preci-sionmanualcompletion.Thisproposedmethodisappliedtoreconstructmissinglogsacoustic(AC)anddensity(DEN),andthepredictionresultsarecomparedwiththosepredictedbyLSTMandBP(BackPropagation)neuralnetwork.TheresultsshowthattheLSTM-attentionmodelhasabetterpredictionperformance,andthecorrelationsbetweenpredictiveandtheoriginalcurvescanreach86.8％(AC)and74.8％(DEN),higherthanthetraditionalLSTMandBPneuralnetwork.Afterre-movingredundantsignalcomponents,thecorrelationcoefficientsincreasedby1.4％(AC)and4.0％(DEN).Atthesametime,theloggingcurvepredictedbytheproposedmethodhasthelowestpredictionerror.Therefore,therepresentationlearningbasedonLSTMwithanattentionmechanismhasbetterpredictionaccuracyforwell-loggingcurvereconstruction.
作者：刘梦 韩建 曹志民 刘兴斌 Author：LIUMeng HANJian CAOZhi-min LIUXing-bin
作者单位：东北石油大学物理与电子工程学院,黑龙江大庆163319;东北石油大学黑龙江省高校共建测试计量技术及仪器仪表研发中心,黑龙江大庆163319东北石油大学物理与电子工程学院,黑龙江大庆163319
刊名：电子学报 ISTICEIPKU
Journal：ActaElectronicaSinica
年，卷(期)：2024, 52(4)
分类号：TN911.7TP391
关键词：长短期记忆人工神经网络 注意力机制 测井曲线重构 VMD EMD
Keywords：longshort-termmemory attention logcurvesreconstruction VMD EMD
机标分类号：TP391.41TN711-34TB535
在线出版日期：2024年6月26日
基金项目：基于模态分解与LSTM注意表征的测井曲线重构研究[
期刊论文] 电子学报--2024, 52(4)刘梦 韩建 曹志民 刘兴斌测井曲线记录着地层物理性质随深度变化的幅值范围,是测井与地震资料之间的纽带,对储层岩性分析与识别和后续的油气勘探工程十分重要.然而,在实际的测井过程中仪器故障等原因会造成测井曲线缺失的问题,重新测井不仅价格...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于模态分解与LSTM注意表征的测井曲线重构研究 Logging Curves Reconstruction Based on Mode Decomposition and LSTM-Attention Model
基于模态分解与LSTM注意表征的测井曲线重构研究.pdf
- 文件大小:
- 7.49 MB
- 下载次数:
- 60
-
高速下载
|
|
