多源时空融合与物理约束模型下的纵波速度预测方法研究.pdfVIP

摘要

石油作为当今世界的主要能源和化工原材料，与国家的经济发展和国民的生

产生活密切相关。纵波速度反映了地层的物性和含油气性，能够帮助评估储层条

件和油气资源潜力，在地质勘探和油田开发中发挥着重要作用。然而在实际油气

勘探过程中，由于地质环境、测井仪器和钻井成本等主观或客观条件的限制，钻

井数目有限，且采集的纵波速度数据还伴随着缺失或失真的情况，这为后续的测

井解释工作带来了极大的困难。因此，如何准确且高效的预测纵波速度曲线显然

具有较大的研究价值。

近年来，随着深度学习的飞速发展，利用深度学习算法开展测井曲线预测研

究成为一大热点。调研发现，单一深度学习模型往往难以准确表达测井曲线的时

空特性、测井曲线存在小样本问题且单一数据源的可靠性和精度通常具有一定的

局限性、以及深度学习模型在解决工程问题时缺乏领域知识的引导。针对上述问

题，本文基于信号处理技术、地球物理知识和深度学习算法深入研究纵波速度预

测方法，主要开展了以下几项研究工作：

首先，考虑到单一的深度学习模型在处理复杂问题时可能不够强大，难以准

确捕捉测井曲线的时空特性，提出了一种时空混合模型（CBLSTM）下的纵波速

度预测方法。该方法兼顾了CNN的局部感知能力和BLSTM的双向长短期记忆功

能，使得CBLSTM模型能够充分考虑测井曲线的局部形状和深度趋势特性，从

而更好地利用测井曲线的时空信息。通过与CNN、RNN、LSTM和BLSTM等单

一的深度学习模型以及传统经验模型中较为常用的Gardner模型进行实验对比和

量化分析，证明了CBLSTM模型的预测精度更高，因而将其作为后续研究的基

础模型。

其次，考虑到测井资料存在的小样本问题，以及单一数据源在可靠性和精度

上的局限性，提出了一种多源时空融合模型（MS-CBLSTM）下的纵波速度预测

方法。该方法实现了地震记录和测井信息的综合应用，并采用特征融合技术实现

多源信息融合，最大限度地发挥地球物理勘探数据的优势，提高勘探数据的利用

率和可靠性，为后续开展纵波速度预测研究提供数据支持。通过与单一信息源的

W-CBLSTM和S-CBLSTM模型进行实验对比和量化分析，证明了MS-CBLSTM

模型的预测效果最佳，可有效提高模型的预测精度。

最后，考虑到神经网络在解决实际工程问题时不涉及具体的科学原理或物理

规律，提出了一种多源时空融合与物理约束模型（MS-CBLSTM-PCNN）下的纵

波速度预测方法。该方法实现了神经网络与领域知识的有机融合，通过利用深度

学习模型和地震正演思想进行联合建模，有利于构建出更符合物理机理的预测模

型，为开展纵波速度预测研究提供了理论依据。通过与未加物理约束的MS-

CBLSTM模型进行实验对比和量化分析，证明了MS-CBLSTM-PCNN模型的预测

精度更高，其相关系数和决定系数分别达到了0.9619和0.9234，模型性能得到了

进一步的提升。同时，采用留一法开展井间纵波预测实验，并于传统的经验模型

和回归模型进行对比分析，证明了本文方法的预测性能更优越，具有更高的准确

性和泛化性。

通过理论分析和实验验证，相比于其它的预测方法，本文提出的基于MS-

CBLSTM模型和MS-CBLSTM-PCNN模型的纵波速度预测方法显然具有更突出的

性能，在降低测井成本的同时也有助于得到更加精准的地质信息，为研究人员建

立更准确的地层模型提供技术支持。

关键词：纵波速度预测，深度学习，时空混合模型，多源信息融合，物理约束

Abstract

Asamajorenergysourceandchemicalrawmaterialintodaysworld,petroleumis

closelyrelatedtotheeconomicdevelopmentofthecountryandtheproductionandlife

ofthecitizens.Compressionalwavevelocity(P-wave)reflectsthephysicalproperties

andhydrocarboncontentoftheformation,whichcanhelpassess