多尺度特征融合的岩性识别模型

摘要

针对现有岩性识别方法中存在的特征表达能力不足、模型泛化性能受限以及识别精度偏低等问题，提出了一种基于多尺度特征融合的岩性识别模型MSFR-Net。基于原始测井曲线，设计了一种特征提取模块FEM，通过双向门控循环单元BiGRU与奇偶序列交互机制相结合，实现测井曲线的多尺度特征深度挖掘;构建了一种随机卷积模块，采用动态卷积核参数优化策略，有效提取地层特征间的空间关联关系;基于包含6个基分类器的决策模块，通过多分类器协同决策机制，提升模型分类性能并完成岩性识别任务。结果表明:基于真实测井数据的测试中，与SVM、GRU等10种常用的岩性识别模型相比，MSFR-Net在准确率、精确率、召回率以及F1分数等关键指标上表现更优;在D井试验中，MSFR-Net在大类别岩性的预测精确率达95.1%，在小类别岩性上的预测准确率达到72.7%,MSFR-Net相较于SVM提高了13.27%，相较于LSTM提高了12.61%。MSFR-Net通过多尺度特征融合与集成学习策略的协同优化，有效提升了关键地质特征的提取能力与模型泛化性能，为岩性识别提供了一种新的技术路径。

关键词

测井曲线 / 岩性识别 / 特征融合 / Rocket网络 / 多分类器