MATLAB代做|MATLAB專業代做|基于LSTM循環神經網絡的儲層物性參數預測方法研究
發布時間：2019/3/13 瀏覽數：37189
儲層物性參數是反映儲層油氣儲集能力的重要參數,表征了不同地質時期的沉積特征。地球物理測井參數由深及淺反映了不同地質時期的聲、放、電等沉積特征,因而測井參數和泥質含量(孔隙度)之間有很強非線性映射關系,并具有時間序列特征。充分利用多種測井參數預測儲層泥質含量和孔隙度對于儲層精細描述具有十分重要的意義。深度學習技術具有極強的數據結構挖掘能力,目前,全連接的深度神經網絡已經在泥質含量預測進行了初步嘗試并取得了較好的效果。而長短時記憶(LSTM)循環神經網絡更適合解決序列化的數據問題,因此本文提出基于LSTM循環神經網絡利用多種測井參數進行泥質含量和孔隙度預測的方法,預測結果的均方根誤差比常規全連接深度神經網絡分別下降了42.2%和48.6%,實際應用表明,對于具有序列化特性的泥質含量和孔隙度,LSTM循環神經網絡預測的準確性和穩定性要明顯優于常規全連接深度神經網絡。
