典型文献
基于CNN-GRU神经网络的测井曲线预测方法
文献摘要：
目前许多测井曲线预测模型存在预测结果不稳定、精度不高的问题.为此,将深度学习中特征表达能力较强的卷积神经网络(CNN)和记忆能力较强的门控循环单元(GRU)相结合,设计并实现了一种通过卷积门控循环单元(CNN-GRU)神经网络进行缺失井曲线预测的方法.以测井数据序列作为输入,首先通过CNN网络提取测井数据的特征,形成时序序列的特征向量,再利用GRU网络进行训练,最后输出测井曲线预测值.该方法综合了卷积神经网络局部特性感知和门控循环单元网络长期记忆的特性,考虑了测井曲线的深度趋势和局部形状,具有较高的预测精度.将该方法应用于四川某地区A、B两个井区3 口井的测井曲线预测,并将预测结果与其它3种人工智能预测方法的预测结果进行对比分析,结果显示,基于CNN-GRU神经网络的测井曲线预测方法应用效果显著,能有效提取数据特征,为测井曲线预测提供了一种新思路.
文献关键词：
测井曲线预测;卷积门控循环单元网络;深度学习;局部特性;长期记忆
中图分类号：
作者姓名：
王锦涛;文晓涛;何易龙;兰昀霖;张超铭
作者机构：
成都理工大学地球物理学院,四川成都610059;成都理工大学油气藏地质及开发工程国家重点实验室,四川成都610059
文献出处：
引用格式：
[1]王锦涛;文晓涛;何易龙;兰昀霖;张超铭-.基于CNN-GRU神经网络的测井曲线预测方法)[J].石油物探,2022(02):276-285
A类：
测井曲线预测,卷积门控循环单元网络
B类：
GRU,曲线预测方法,特征表达,表达能力,记忆能力,测井数据,数据序列,列作,形成时序,时序序列,特征向量,局部特性,长期记忆,深度趋势,某地区,井区,智能预测,有效提取,提取数据,数据特征
AB值：
0.201497
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。
