典型文献
基于CNN-LSTM-VAE混合模型的储层参数预测方法
文献摘要：
利用测井资料预测储层参数是油气田开发的重要内容.针对现有储层参数预测模型精度低,不能很好的提取测井曲线和储层参数之间潜在关系的问题,本文将卷积神经网络(CNN)和长短期记忆网络(LSTM)结合,提出基于变分自编码器(VAE)的CNN-LSTM混合模型.首先,提出了测井数据的分析方法,包括参数相关性分析和井间的相似度分析.其次,利用CNN提取每条测井曲线的空间相关特征向量,并使用LSTM网络提取测井曲线相邻深度之间的时间特征.最后,采用VAE结构,根据训练数据的深层特征再次对CNN-LSTM模型生成的泥质含量初步预测值进行修正.以大庆油田地区某井场数据验证该模型.仿真结果表明:与LSTM神经网络模型、CNN-LSTM网络模型相比,本文CNN-LSTM-VAE模型具有更好的时空特征提取能力,能够更准确地预测储层参数,可为储层参数预测提供新思路.
文献关键词：
泥质含量预测;测井曲线LSTM;神经网络;CNN-LSTM模型;变分自编码器
中图分类号：
作者姓名：
李贺男;段中钰;郑桂娟;王云雷
作者机构：
北京信息科技大学信息与通信工程学院,北京 100029;中国石油东方地球物理公司研究院,保定 072751;中国石油集团地球物理勘探有限责任公司,保定 072751
文献出处：
引用格式：
[1]李贺男;段中钰;郑桂娟;王云雷-.基于CNN-LSTM-VAE混合模型的储层参数预测方法)[J].地球物理学进展,2022(05):1969-1976
A类：
泥质含量预测
B类：
VAE,混合模型,储层参数,参数预测方法,测井资料,油气田开发,预测模型精度,测井曲线,潜在关系,长短期记忆网络,变分自编码器,测井数据,参数相关性,相似度分析,空间相关,特征向量,时间特征,训练数据,深层特征,模型生成,大庆油田,田地,井场数据,数据验证,时空特征提取,特征提取能力
AB值：
0.250687
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。
