页岩特殊的层理结构致使页岩气井钻井过程中容易发生井壁垮塌、井况复杂,常常造成密度测井曲线等关键测井数据的缺失,因而在复杂井况地区或测井质量不够好的情况下,准确预测页岩气井测井曲线便成为提高页岩气储层预测精度的手段之一。为了补全页岩气井测井数据,基于长短期记忆神经网络模型(LSTM),利用四川盆地某页岩气区块评价井测井数据得到高质量的训练样本,将已有密度曲线作为深度学习的标签样本,构建并训练了基于注意力机制的双向长短期记忆神经网络模型(Attention+Bi-LSTM),然后优选与密度曲线相关性较好的非放射源的常规测井曲线,并在模型中引入注意力机制,以强化特征学习。研究结果表明:利用声波时差、自然伽马射线、无铀伽马、电阻率、铀元素含量预测密度数据,预测结果与真实值相关系数平均达到了0.94,较改进前提升13.6%。结论认为:基于Attention机制的Bi-LSTM模型在页岩气区块测井曲线预测中的适用性较好,既可有效补全测井资料,又可在必要时降低放射源对环境的风险、节约时间及成本,具有较高的推广应用价值。