基于CNN-GRU混合神经网络的测井曲线预测方法

摘要

在测井解释中,重要工区的某些井位可能出现部分层段测井曲线缺失,因此需要在已知层段测井曲线基础上对未知层段测井曲线作出预测.近年来,一些学者利用全连接神经网络(FCNN)、长短期记忆网络(LSTM)等深度学习方法为测井曲线预测提供了新思路.提出了利用卷积神经网络(CNN)和门控循环单元网络(GRU)组合而成的CNN-GRU神经网络进行测井曲线预测.CNN能高效地进行局部特征提取,GRU是对LSTM的一种改进模型,在保持了长期记忆功能的基础上,能更加快速地对测井数据进行处理.构建CNN-GRU神经网络模型如图1图中,x表示输入数据,Z1、Z2、Z3为CNN-GRU神经网络单元,O1、O2、O3为反向的GRU输出,O4、O5、O6为全连接神经网络输出,y为理论输出,O为模型输出值.