摘要/Abstract

摘要： 在测井资料与岩心数据较少,储层参数在地质综合解释方面又非常重要的情况下,如何提高储层参数的预测精准度显得尤为关键.本文提出使用深度学习方法根据已有的测井数据预测岩心孔隙度,构建出基于Adam优化算法、dropout技术、ReLU激励函数等技术融合的卷积神经网络模型.首先,分析选定测井参数与孔隙度的相关性.然后,通过交叉验证实验优选模型参数,如学习率、网络深度等.最后,运用卷积神经网络建立自然伽马等四种测井参数与孔隙度的非线性映射关系.通过对实际资料的训练测试,结果显示,基于测井资料的卷积神经网络模型相对于深度神经网络等模型而言,总样本预测数值相关性提高了2%左右,模型预测数值偏差下降了1.5%,通过实验验证卷积神经网络模型具有预测优越性与鲁棒性,在储层参数预测方向有良好的应用前景.


PDF全文下载地址:

http://www.progeophys.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=9194