随着油气资源的深度开发勘探难度持续增加,地层参数作为石油勘探的重要组成部分帮助确定潜在的储油层和储气层,提高勘探成功率。当前地层参数解释一般通过建立线性函数表达式或使用经验公式的方法来生成缺失参数等预测值。这些方法只能解释线性关系,对于复杂地层参数存在一定局限性。因此,提供一个高精度的参数解释模型帮助人们更好地理解地层特性具有一定的现实意义与应用价值。针对上述问题,采用深度学习方法对地层参数预测模型进行研究,主要内容如下: (1)完成数据异常检测处理及相关性分析。对收集到的数据集实现异常检测并采用缺失值填补法和数据归一化进行预处理。利用Copula函数和XGBoost模型进行特征参数的相关性进行分析,筛选出与目标参数相关性最高的特征参数。 (2)完成基于MFS-ATT-LSTM模型的中子孔隙度预测。本研究在LSTM(Long Short-Term Memory,长短期记忆网络)的基础上改进,首先引入了注意力机制为不同时间步动态地分配权重,增强对关键信息的处理,有效避免传统递归型神经网络的信息衰减问题。针对人工鱼群存在的缺陷对鱼群的参数和行为做了改进,最后使用改进的人鱼算法对基准模型的超参数进行寻优,改善了人工调参难以寻到最优解的问题。在处理后的数据集上进行实验测试,结果表明MFS-ATT-LSTM模型在中短跨度的数据场景下具有较好的效果,综合精度较单一的LSTM模型提升了12%。 (3)完成基于1DCNN-Transformer模型的中子孔隙度预测。Transformer架构相较于LSTM模型可以利用序列前后的双向信息并对任意位置依赖关系进行建模,由于自身架构支持并行计算满足在长跨度场景下的参数预测。针对多点关联的复杂特征难以学习,模型引入1DCNN卷积模块,解决了非线性参数局部特征的提取。最后,使用稀疏自注意力机制建模全局输入和输出的依赖关系,减少模型计算量及资源消耗。经实验分析,该模型相较于MFS-ATT-LSTM模型在长跨度场景预测具有更好的适用性,在预测精度和训练速度具有较好的效果。 (4)利用构建的MFS-ATT-LSTM和1DCNN-Transformer模型,设计并实现了地层参数预测系统。后端工程分离模式作为该系统技术路线,前端工程使用Vue,后端工程使用Django,集成了上述两种模型,可通过简单的界面操作完成相关功能。保证了研究成果的实用价值。