基于双向长短期记忆神经网络的三维地应力场模拟

摘要

准确预测地应力场对于设计水力压裂作业至关重要，因为它直接影响裂缝扩展和总体产能效率。传统的协克里金建模方法在捕捉多种岩石力学参数与地震属性之间复杂的非线性关系时常存在不足，尤其当这些参数受到沉积环境或岩性差异的影响时，预测精度会降低。为了解决这些问题，本研究提出了一种基于双向长短期记忆（Bi-LSTM）神经网络的三维地应力场预测新方法。该方法通过构建三维岩石力学约束模型，并将其与有限元方法结合进行地应力场预测。对测井数据、岩石力学参数和地震属性进行预处理，并训练Bi-LSTM模型，以更好地捕捉这些参数之间的复杂空间相关性。由Bi-LSTM模型生成的三维约束体作为协克里金方法.中的次级变量，构建综合岩石力学模型，然后在有限元框架下进行三维地应力场模拟。结果显示，与传统循环神经网络方法相比，该方法在预测精度和可靠性方面有显著提高，平均绝对误差减少超过80%，拟合精度提高了7%以上。最大水平应力、最小水平应力和应力方向的平均预测误差分别为2.29%,2.19%和7.97%。结果表明，本研究所提出的方法不仅提高了地应力场预测的准确性，还为机器学习方法在地应力场模拟中的应用提供了新的参考，有望更有效地推动水力压裂设计的发展。

关键词

现今地应力场模拟 / 测井解释 / 双向长短期记忆神经网络 / 协克里金方法 / 机器学习