邻域信息增强的MLSTM在储层参数预测中的应用研究——以非均质性碳酸盐岩为例

摘要

储层参数——孔隙度、渗透率及含水饱和度的准确预测是储层精细评价和油气勘探的重要基础.传统的储层参数预测技术主要依托由测井资料建立的经验公式或简化的地质模型,未充分考虑测井曲线间的非线性关系,在复杂储层上的泛化能力弱.考虑到碳酸盐岩储层的强非均质性以及测井数据的地层深度序列特点,本文提出一种融合邻域信息的多层长短期记忆神经网络(FN-MLSTM),解决碳酸盐岩储层参数预测问题.首先采用主成分分析法(PCA)对测井数据提取独立特征;利用K-Means算法及其优化技术进行无监督聚类,实现井群的优化划分;融合划分产生的邻域信息,搭建多层长短期记忆神经网络(MLSTM),实现对储层参数的准确预测.实验表明,本文提出的预测模型在某地区22口井测试集上的均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)均优于长短期记忆网络(LSTM)、深度神经网络(DNN)、极限梯度提升树(XGBoost)和随机森林(RF),展现了在储层参数预测任务上的优异性能.此外,消融实验结果表明邻域信息的融入有效地提升了模型的预测精度.