qammod中symbolorder 为无法识别的参数。_基于LSTM循环神经网络的岩性识别方法

或添加管理员微信进群：mysega2012

研究背景：复杂碳酸盐岩储层岩石组分复杂、岩性多样，常规测井岩性识别方法受限。数学理论和计算机算法在岩性识别方面，存在识别结果常出现深度序列上无法精确表征岩石地质特征的情况或出现地层中不存在的岩石序列组合等现象。 研究结论： 1、LSTM模型有效地反映了岩性序列的时序空间特征，有助于岩性识别效果的提升。相对于传统方法无序点集的学习识别，LSTM算法的岩性识别模型从测井数据的序列出发，有效捕捉到了岩性沉积模式和测井参数承载尺度信息，实现了测井序列和岩性序列的整体匹配； 2、 与决策树、朴素贝叶斯、 KNN 、 SVM 、 BP 神经网络等方法对比显示，基于 LSTM 模型的岩性识别更加精确，准确率可提高 1.40%~12.25% ，对白云岩及其过渡岩性识别效果更好，对主要含气储层灰质白云岩和白云质灰岩的召回率和准确率均达到 93.00% 以上，解决了实际生产需求； 3、LSTM 模型