基于卷積門控循環單元網絡的儲層參數預測方法

宋 輝 ，陳 偉 ，3，李謀杰 ，3，王浩懿

（1.油氣資源與勘探技術教育部重點實驗室長江大學，湖北武漢430100；2.長江大學地球物理與石油資源學院，

湖北武漢430100；3.非常規油氣湖北省協同創新中心長江大學，湖北武漢430100；4.太原理工大學材料科學與工程學院，山西太原030024）

儲層參數通常由測井資料確定，傳統的測井資料解釋基于儲層均質性假設建立測井解釋方程，難以擺脫線性方程的束縛。隨著非常規油氣成為目前勘探開發的主體，儲層預測的目標介質發生了很大變化，具有明顯的非均質、各向異性特征［1］，常規測井儲層預測技術難以滿足勘探領域的要求。如今發展的機器學習技術可以很好地解決測井解釋中的非線性映射問題［2］。

用于儲層預測的機器學習算法主要有支持向量機［3-8］、隨機森林［9］、極端梯度提升［10］和人工神經網絡［11-16］等。深度學習是機器學習的一個分支，其概念源于對人工神經網絡的研究。相對于傳統的淺層學習，深度學習通過構建具有很多隱層的機器模型結構，實現復雜函數逼近和逐層特征變換，從而提升預測或分類的準確性。目前深度學習已廣泛應用于計算機視覺、自然語言處理、語音識別等領域。

深度學習包括很多流行的模型，如卷積神經網絡（CNN）和循環神經網絡（RNN）。段友祥等借鑒CNN在圖像處理上的應用，在卷積模型中將測井參數調整為二維數據，更好地提取了儲層特征［17］。林年添等將CNN應用于地震儲層預測，取得較好的預測結果［18-19］。無論是CNN，還是全連接神經網絡（DNN），其前提假設均為：前一個輸入和后一個輸入是完全沒有關系的。……