储层孔隙度和渗透率是石油勘探和生产的关键参数,它们分别决定油气储存能力和油气生产能力。许多油气勘探工作的成功主要取决于找到具有足够孔隙度和渗透率的储层以支持可行的商业开发。考虑砂体内孔隙度和渗透率如何变化、确定储层岩石物理特性和使用何种分布模型对于储层的预测都十分重要。如今,已经提出了诸如孔隙度-深度或孔隙度-温度曲线、埋藏历史重建等储层预测模型。然而,由于模型中无法考虑到所有控制因素的影响,导致大多数预测模型仍然存在一定局限性。目前,一些常规的机器学习算法已经应用到了孔隙度和渗透率的预测中。其中浅层的机器学习方法往往需要具备专业领域知识的专家进行特征参数的选择和提取。并且由于浅层机器学习在样本较少的情况下学习能力有限,其针对复杂的非线性问题其泛化能力也会受到一定制约。为了解决特征提取以及学习不充分问题深层学习应运而生,虽然深层学习在一定程度上相较于浅层学习能依靠更深层次的训练提取到更多的有用信息且记忆能力有所增强。但是对于海量的测井数据,仍然存在信息存取能力不足,以及层数叠加过多导致梯度爆炸和弥散的问题。为改善上述缺陷,本文改进一种基于测井数据的TCN-Attention网络,并应用到储层孔隙度和渗透率参数的预测中。首先,为解决地层中岩性分布不平均导致神经网络难以训练的问题。通过基于EM算法的多层GMM模型对输入测井数据进行聚类预处理操作。即使在同一区块内,虽然岩性分布差异不大,但同一深度区块的中心井和边缘井分布仍有较大差异。这是因为需要找到相同地层深度的数据点,而不被水平深度的数据点所干扰。多层GMM模型通过对初始化信息的连续平均值操作来过滤掉不在同一地层??深度的数据点,以达到准确预测地层岩性分布的效果。其次,将聚类后的测井数据分别送入TCN-Attention网络,为后续的并行训练做准备。其中TCN的作用是为了压缩信息使得网络对于测井数据的视野域更广,Attention则是对压缩后的信息进行重要性赋值。对于重要的信息赋予高权重,次要信息则赋予低权重。除此之外,在Attention中还加入了可调整的“长度”参数,这可以更加灵活的调节所需要进行重要性赋值的信息的长短。有利于探索部分与整体之间的关系以及降低训练所需的参数量。再次,将改进的基于测井数据的TCN-Attention网络应用至公开测井数据集中。在与其它传统算法(多元线性回归,随机森林)以及LSTM、TCN网络的实验对比中,对比直观预测效果与所得均方误差(MSE)、均方根误差(RMSE)以及平均绝对误差(MAE)的值验证该网络对于储层孔隙度、渗透率具有良好的预测效果;在长序列的测井数据预测过程中TCN-Attention不仅能长时间保留信息,还能对所有信息的重要性进行提取,达到了准确预测的目的。最后,将经过公开数据集验证的TCN-Attention网络应用到实际的低渗油田的孔隙度、渗透率预测中得到预测结果。通过实际预测表现,验证该网络的稳定性以及准确性。