典型文献
基于DMC-BiLSTM的沉积微相智能识别方法
文献摘要：
沉积微相划分是油气藏勘探的研究基础.传统沉积微相划分由地质学家根据自身掌握的知识和经验手工完成,这种地质学家主导的人工解释是主观的、冗长的,可能引入人为偏差.深度学习在解决复杂非线性问题上具有优势,目前尚无有效解决沉积微相划分的深度学习方法.针对测井-沉积微相,提出了基于特征构造(DMC)和双向长短期记忆网络(BiLSTM)的沉积微相智能识别方法.首先,利用趋势分解和中值滤波对原始曲线进行多维重构,并对重构矩阵和原始曲线特征采用kmeans提取时空相关聚类特征;然后,以原始曲线特征、地质趋势特征、中值滤波特征和聚类特征作为输入,基于双向长短期记忆网络得到当前深度沉积微相预测类型.与长短期记忆网络(LSTM)和时间卷积网络(TCN)对比发现,在沉积微相的识别上,沉积微相智能识别方法具有更优异的性能和鲁棒性.实验表明,该方法能有效划分沉积微相,识别准确率达到91.69％.
文献关键词：
沉积微相;智能识别;双向长短期记忆网络;测井曲线;机器学习;无监督学习
中图分类号：
作者姓名：
罗仁泽;周洋;康丽侠;李兴宇;郭亮;庹娟娟
作者机构：
西南石油大学油气藏地质及开发工程国家重点实验室,西南石油大学地球科学与技术学院,四川成都610500;中国石油长庆油田分公司,宁夏银川750005
文献出处：
引用格式：
[1]罗仁泽;周洋;康丽侠;李兴宇;郭亮;庹娟娟-.基于DMC-BiLSTM的沉积微相智能识别方法)[J].石油物探,2022(02):253-261,338
A类：
B类：
DMC,BiLSTM,沉积微相,智能识别方法,油气藏,勘探,分由,地质学家,种地,冗长,非线性问题,深度学习方法,特征构造,双向长短期记忆网络,中值滤波,多维重构,矩阵和,曲线特征,kmeans,时空相关,聚类特征,趋势特征,波特征,预测类型,时间卷积网络,TCN,识别准确率,测井曲线,无监督学习
AB值：
0.242545
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
