测井技术在油气勘探开发中具有重要作用,是获取油藏地下信息的重要手段。但常规测井曲线的分辨率有限,难以捕捉到油藏内部细微的变化和特征,不能满足非常规油气储层精细描述的需求。基于此,本文提出了时频联合的STFTGAN网络模型,可以重构出符合地质特征的高频信息,且模型具有良好鲁棒性。然后构建了集成学习模型,对初始高分辨数据进行再学习,有效获取到更高精度的超分辨数据。上述两阶段模型的实现如下: 第一阶段,提出了基于时频联合的生成对抗网络(STFTGAN)模型,通过学习时频域的非线性映射关系,实现了对测井曲线的超分辨处理。模型融合了生成器和判别器的对抗训练机制,采用最小二乘损失、时频图损失和特征匹配损失函数优化生成器性能。同时,还引入了多级上采样残差模块和多尺度判别器模块,可充分提取低分辨时频数据的关键特征。 第二阶段,构建了地质约束下的Stacking集成学习框架。通过中值滤波、高斯滤波联合去噪,有效平衡了噪声抑制与薄层特征保留的矛盾,并采用GBDT(趋势捕捉)、MLP(细节重构)、RF(泛化增强)的异质基模型组合,结合Ridge回归的物理约束融合机制,实现了测井曲线多尺度特征的协同优化。 介于上阶段的重构精度还可再优化,本文又提出了结合动态滑动窗口时序特征的集成方法。其中增加时序特征并通过降维提取关键特征;再结合XGBoost(局部频谱特征捕捉)、LightGBM(提取长程时序依赖特征)和RF(全局统计特征),提高高频信息的重构精度。无论是从测井曲线图对比、时频图对比还是高频能量对比,修改后集成模型都表现出优秀的性能。最后在跨域井的多条曲线测试中,改进的集成模型对各条曲线的预测都明显优于STFTGAN方法,表明集成模型再学习优化是有必要的,且模型具有良好的鲁棒性和广泛的应用前景。