文献笔记11

一、文章信息

作者：王锦涛 文晓涛 何易龙 兰昀霖 张超铭

单位：成都理工大学地球物理学院 成都理工大学油气藏地质及开发工程国家重点实验室

期刊：石油物探

题目：基于ＣＮＮ－ＧＲＵ神经网络的测井曲线预测方法

二、背景、目的、结论

背景：近年来，深度学习的快速发展为测井曲线预测提 供了新的研究思路，深度学习方法通过学习可以掌握 预测目标与输 入变量之间隐含的非线性关系。

目的：目前许多测井曲线预测模型存在预测结果不稳定、精度不高的问题。为此，将深度学习中特征表达能力较强的卷积神经网 络（ＣＮＮ）和记忆能力较强的门控循环单元（ＧＲＵ）相结合，设计并实现一种通过卷积门控循环单元（ＣＮＮ－ＧＲＵ）神经网络进行 缺失井曲线预测的方法。

结论：基于 ＣＮＮ－ＧＲＵ 神经网络的测井曲 线预测方法应用效果显著，能有效提取数据特征，为测井曲线预测提供了一种新思路。

三、结果与讨论

利用深度学习模型进行测井曲线预测时，建立的 预测模型大多只选取单一网络，但单一网络模型不能 兼顾测井曲线特征和测井深度域的变化趋势。本文 提出的ＣＮＮ－ＧＲＵ神经网络既能高效地实现输入特征 的提取，又具备长期记忆测井曲线的功能，因 此 利 用 ＣＮＮ－ＧＲＵ神经网络进行测井曲线预测是可行的。

ＣＮＮ－ＧＲＵ神经网络模型的基本结构如下图所示。

ＣＮＮ－ＧＲＵ 神经网络模型 对 测 井 数 据 进行预测的技术流程如下图所示。

１）将 输 入 的 测 井 数 据 集 划 分 为 训 练 集 和 测 试 集，并进行归一化处理； ２）设置 ＣＮＮ－ＧＲＵ 模型的网络参数，选用均方 误差 （ｍｅａｎ－ｓｑｕａｒｅｅｒｒｏｒ，ＭＳＥ）为 损 失 函 数，采 用 Ａｄａｍ 优化算法来进行权重更新； ３）利用训练 集 对 模 型 进 行 训 练，并 检 验 训 练 效 果，若模型对训练集的拟合效果满足要求，则进入下 一步，否则回到第２）步，调整网络参数及优化算法； ４）利用训练 好 的 模 型 对 测 试 集 进 行 测 试，并 将 测试结果反归一化，得到测井曲线的预测值。

通过一系列的预测和对比,最终发现ＣＮＮ－ＧＲＵ 神经网络模型对测井曲线整体 预测效果好，同时对测井曲线局部的突变具有良好的 预测能力，充分表现出其预测测井曲线的优势。

四、文章好在哪里

1. 将预测结果与其它传统深度学习预测模 型的应用结果进行了对比，以验证方法的有效性。

2. 神经网络模型的预测流程可以参考借鉴。

————————————————

版权声明：本文为CSDN博主「szx6984」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/szx6984/article/details/128716386