基于循环神经网络的测井曲线生成方法

张东晓，陈云天，孟晋

（北京大学工学院，北京 100871）

0 引言

测井数据在储集层描述和油气资源评估中具有十分重要的作用。地质学家和工程师通过对测井曲线进行分析可以极大地加深对地下储集层情况的认知，并在测井数据的支持下建立较为精确的地质模型。然而由于井径扩大、仪器故障等原因，实际应用中经常出现部分井段测井数据失真或缺失的情况，甚至出于成本考虑而放弃获取整套测井数据。重新测井往往需要很高的成本，对于已经实现完井操作的井眼，重新测井难以实现。为了节约成本，研究者们提出可以采用多种方法直接利用已有测井数据人工生成测井曲线，从而补全缺失井段信息。例如，可以根据地质信息使用某些物理模型直接反演测井曲线[1-2]。然而这些物理模型通常有很多假设，极大简化了真实地层情况，挑选模型时也掺杂着研究者的主观经验，因此生成的测井曲线的质量难以保证。另外，还可以根据各种测井数据间的内在联系生成测井曲线，一些传统的分析手段和方法（交会图、多元回归等）可以用来完成这一任务[3-4]。但是由于地下情况复杂和非均质性较强，测井数据之间经常呈现极强的非线性关系，数据间的映射关系也极为复杂，应用传统方法的效果较差。

近年来随着机器学习方法在科学和工程领域的广泛应用，很多研究者也建议使用数据驱动方法来解决地质问题，例如利用支持向量机（SVM）、模糊逻辑模型（FLM）和人工神经网络（ANN）等方法来估计地质参数[5-6]、判别岩性[7-8]、确定地层界线[9-10]等。……