一種應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)對地質(zhì)儲層參數(shù)預(yù)測

　　地質(zhì)儲層參數(shù)（孔滲飽等參數(shù)）在地質(zhì)建模中起著至關(guān)重要的作用，儲層參數(shù)往往是通過井資料來獲得。然而在很多情況下，鉆井取心僅限于某些層段，不能獲取整個(gè)工區(qū)內(nèi)的儲層參數(shù)。因此，地質(zhì)學(xué)家通常通過建立經(jīng)驗(yàn)公式的方法來預(yù)測未知地區(qū)的儲層參數(shù)。常規(guī)的通過經(jīng)驗(yàn)公式或簡化地質(zhì)條件建立模型計(jì)算儲層參數(shù)，對于解決一般地質(zhì)儲層問題往往能取得較好的結(jié)果，而對于解決復(fù)雜地質(zhì)問題，二者都有很大的局限和缺陷。人工智能特別是人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展為地質(zhì)儲層參數(shù)預(yù)測帶來了新的途徑。

　　人工神經(jīng)網(wǎng)絡(luò)作為人工智能的分支，在模式識別、分類預(yù)測等方面己成功地解決了許多現(xiàn)代計(jì)算機(jī)難以解決的實(shí)際問題。然而隨著人工智能的發(fā)展，神經(jīng)網(wǎng)絡(luò)的自主性特征學(xué)習(xí)功能越來越重要，人工神經(jīng)網(wǎng)絡(luò)雖然表現(xiàn)出了良好的智能特性，但不能自主地學(xué)習(xí)特征。近年來，深度學(xué)習(xí)逐漸崛起，圍繞深度神經(jīng)網(wǎng)絡(luò)的研究也越來越多，但其在地質(zhì)儲層參數(shù)預(yù)測領(lǐng)域的研究還很少。提出了一種應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)對地質(zhì)儲層參數(shù)進(jìn)行預(yù)測的方法，該方法不僅能對儲層參數(shù)進(jìn)行精確預(yù)測，而且可以得到儲層特征集。實(shí)驗(yàn)證明，卷積神經(jīng)網(wǎng)絡(luò)可以應(yīng)用于地質(zhì)儲層參數(shù)預(yù)測，且預(yù)測精度較高，同時(shí)卷積神經(jīng)網(wǎng)絡(luò)的卷積特征為儲層地質(zhì)建模與測井資料解釋提供了重要的支持。