基于LSTM循环神经网络的横波预测方法

针对碳酸盐岩储层岩性多样、孔隙结构复杂导致传统横波预测方法受限的问题,文中提出利用长短时记忆神经网络(LSTM)预测复杂碳酸盐岩储层的横波时差。相对于传统的简单点对点学习模式,LSTM通过复用神经元结构,有效学习测井参数的序列信息。以苏里格气田苏东地区碳酸盐岩储层为例,选择声波时差、密度、自然伽马等16个对横波速度较为敏感的测井参数,构建了基于LSTM的横波预测模型。和机器学习方法(Bayes,BP,DT,KNN,LR,SVM)以及Xu-Payne岩石物理模型方法相比,基于LSTM的预测模型均方根误差仅为3.36μs/m,决定系数达到0.967,表明基于LSTM的横波预测模型更加符合实际地质情况,在复杂碳酸盐岩储层的研究中具有广阔的应用前景。

资料为PDF文档格式.

本文档关键词:预测,循环,神经网络,LSTM