基于改进长短记忆神经网络的深层致密储层裂缝测井识别

摘要

辽河坳陷中央凸起深层致密基岩潜山发育裂缝性油气储层，资源潜力巨大，但埋深大、岩性多样，裂缝与测井参数间映射关系复杂，裂缝测井识别多解性强，准确率低。针对以上问题，本文对长短记忆神经网络算法(LSTM)进行改进用于深层潜山地层裂缝测井识别，在双层LSTM之间增加Dropout层，通过正则化防止过拟合，引入采用高斯核函数的最小二乘支持向量机(LSSVM)将LSTM中的Dense层和用于分类的Softmax函数进行替换，直接对LSTM层所提取的特征成分进行分类预测，在保留了长短记忆神经网络算法对测井曲线的序列性学习优势基础上，有效提升了分类预测效率和准确性，避免了裂缝特征信息的丢失以及对小样本训练数据的过度拟合，增强了算法的快速收敛能力。结果显示，测试集准确率达91.56%,识别准确率高于支持向量机和标准长短记忆神经网络模型，为深层复杂岩性基岩潜山储层裂缝识别提供了高效解决方案。

关键词

深层 / 基岩潜山 / 改进长短记忆神经网络 / 裂缝识别