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。
![](https://i-blog.csdnimg.cn/blog_migrate/941c3875be402460f41fbf5d0d761b51.png)
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。
![](https://i-blog.csdnimg.cn/blog_migrate/84a5a3ed0f7b55643e72bb57c683a2cd.png)
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
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。
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