基于深度混合神经网络的横波速度反演预测方法  

作　　者：王俊[1,2] 曹俊兴[1,2] 赵爽[3] 漆乔木[1,2] 

机构地区：[1]成都理工大学油气藏地质及开发工程国家重点实验室,成都610059 [2]成都理工大学地球勘探与信息技术教育部重点实验室,成都610059 [3]中国石化西南油气分公司勘探开发研究院,成都610041

出　　处：《中国科学：地球科学》2022年第6期1151-1169,共19页Scientia Sinica(Terrae)

基　　金：国家自然科学基金项目(批准号:42030812、42042046、41974160);中国石化科技部项目(编号:P20055-6)资助。

摘　　要：横波速度是最重要的岩石物理参数之一,在油藏描述、地震叠前反演和地质力学分析中至关重要,但实测获得不易.在无实测横波数据可用时,岩石物理建模计算预测被认为是精度最高的横波速度预测方法.但因地下地质结构的复杂性与岩石矿物组成的多样性等因素,岩石物理建模预测结果易受建模者认知、经验等多种因素的影响.因此,研究发展新的更稳健简便的横波速度反演预测方法具有重要意义.受集成学习思想的启发,文章基于储层地质沉积规律及其在测井响应上的特点,将深度学习中经典的卷积神经网络(CNN)与长短期记忆网络(LSTM)相结合,发展了一种基于深度混合神经网络(DHNN)的横波速度反演预测方法.该方法以常规的声波与密度等常规测井数据为输入,利用CNN建立输入数据与横波速度的非线性映射关系,利用LSTM融入地层垂向变化趋势信息,实现数据驱动的横波速度智能反演预测.实际数据应用结果表明,文章发展的方法使用单井数据集进行训练即能获得与岩石物理建模计算相当的预测结果,且具有较强的泛化适用性.该方法的实施为横波速度的稳健简便预测提供了新的方法技术,具有重要的学术价值与很好的应用前景.

关 键 词：深度学习 卷积神经网络 长短期记忆网络 混合神经网络 沉积约束 岩石物理反演 横波速度预测 

分 类 号：P631.4[天文地球—地质矿产勘探] P618.13[天文地球—地质学]