基于卷积神经网络-长短期记忆人工神经网络-自注意力机制的岩性识别方法

高小平; 朱宏博; 赵凯; 胡雷雷; 刘为恺; 方军龄; 杨京华

doi:10.12404/j.issn.1671-1815.2409281

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (2) :544-552 DOI: 10.12404/j.issn.1671-1815.2409281

石油、天然气工业

基于卷积神经网络-长短期记忆人工神经网络-自注意力机制的岩性识别方法

高小平 ¹^,² ,
朱宏博 ²^,³ ,
赵凯 ²^,³ ,
胡雷雷 ²^,³ ,
刘为恺 ²^,³ ,
方军龄 ⁴ ,
杨京华 ⁴^,⁵^,^*

作者信息 +

Rock Identification Method Based on Convolutional Neural Network-long Short Term Memory Artificial Neural Network-self Attention Mechanism

GAO Xiao-ping ¹^,² ,
ZHU Hong-bo ²^,³ ,
ZHAO Kai ²^,³ ,
HU Lei-lei ²^,³ ,
LIU Wei-kai ²^,³ ,
FANG Jun-ling ⁴ ,
YANG Jing-hua ⁴^,⁵^,^*

Author information +

文章历史 +

摘要

岩性识别是油气勘探开发中的重要任务,对储层评价和开发方案优化具有关键作用。然而,传统的测井解释方法在面对复杂储层条件(如低渗透、非均质性强的储层)时,往往难以精准提取关键特征并进行高效分类。针对上述问题,提出了一种结合卷积神经网络(convolutional neural networks,CNN)、长短时记忆网络(long short-term memory,LSTM)和注意力机制(attention)的深度学习模型,通过整合局部特征提取、时序依赖建模以及特征加权处理,实现对复杂储层岩性的精确分类和储层参数的高效预测。以气田2023—2024年已钻井的测井数据为基础,优选了伽马射线(gamma ray,GR)、声波时差(acoustic time difference,DT)和电阻率(resistivity,RT)作为输入特征,经过数据清洗、缺失值补全、小波去噪和标准化处理后形成高质量的数据集,以岩性分类结果作为模型输出,通过模型训练和验证,该方法在岩性分类任务中取得了94.89%的总体准确率,表明该模型不仅能够有效应对复杂储层的非线性特征,还能通过动态储层分析,为储层岩性识别和气藏开发提供科学依据。

Abstract

Rock identification plays a critical role in oil and gas exploration and development, particularly in reservoir evaluation and the optimization of development plans. However, traditional well logging interpretation methods often face challenges in accurately extracting key features and effectively classifying complex reservoir conditions, such as low-permeability and highly heterogeneous reservoirs. To address these challenges, a deep learning model was proposed that integrates CNN(convolutional neural networks), LSTM(long short-term memory) networks, and attention mechanisms. This model combines local feature extraction, temporal dependency modeling, and feature weighting to achieve accurate classification of complex reservoir lithology and efficient prediction of reservoir parameters. The dataset utilized in this study was based on well logging data from gas fields drilled between 2023 and 2024, with GR(gamma ray), DT(acoustic time difference), and RT(resistivity) selected as input features. After performing data cleaning, missing value imputation, wavelet denoising, and standardization, a high-quality dataset was generated. Lithology classification results were used as the output of the model. Through model training and validation, an overall accuracy of 94.89% is achieved for lithology classification tasks, demonstrating that the model is capable of handling the nonlinear characteristics of complex reservoirs. Furthermore, it provides a scientific foundation for reservoir lithology identification and gas reservoir development through dynamic reservoir analysis.

Graphical abstract

关键词

岩性识别 / 卷积神经网络 / 长短期记忆人工神经网络 / 自注意力机制

Key words

rock identification / convolutional neural network / long short-term memory artificial neural network / self attentionmechanism

引用本文

引用格式 ▾

高小平, 朱宏博, 赵凯, 胡雷雷, 刘为恺, 方军龄, 杨京华. 基于卷积神经网络-长短期记忆人工神经网络-自注意力机制的岩性识别方法[J]. 科学技术与工程, 2026, 26(2): 544-552 DOI:10.12404/j.issn.1671-1815.2409281

GAO Xiao-ping, ZHU Hong-bo, ZHAO Kai, HU Lei-lei, LIU Wei-kai, FANG Jun-ling, YANG Jing-hua. Rock Identification Method Based on Convolutional Neural Network-long Short Term Memory Artificial Neural Network-self Attention Mechanism[J]. Science Technology and Engineering, 2026, 26(2): 544-552 DOI:10.12404/j.issn.1671-1815.2409281

登录浏览全文

4963

注册一个新账户忘记密码

岩性识别是油气勘探开发的重要环节,对储层评价和开发方案设计具有重要意义^[1]。然而,传统的测井解释方法在应对复杂储层和多参数数据时,往往表现出一定的局限性。特别是在低渗透、非均质性强的储层中,传统方法难以有效提取关键特征并准确分类岩性类型。

近年来,深度学习技术在地学领域的应用展现了巨大的潜力,其中卷积神经网络(convolutional neural networks,CNN)和长短时记忆网络(long short-term memory,LSTM)因其强大的特征提取和时序数据建模能力被广泛关注^[2-3]。武中原等^[4]为了弥补常规机器学习方法在岩性识别中无法充分利用沉积岩石在深度域序列上的潜在信息这一缺陷,基于LSTM方法构建了能够提取和学习岩性沉积序列特征的岩性识别手段。并以苏里格气田苏东地区下古生界碳酸盐岩储层为例,通过敏感性分析选取自然伽马、光电吸收截面指数、密度、声波时差、补偿中子和电阻率6种测井参数,构建了基于LSTM的岩性识别模型。与朴素贝叶斯(naive bayes,NB)、K近邻(K-nearest neighbors,KNN)、决策树(decision tree,DT)、支持向量机(support vector machine,SVM)和隐马尔可夫模型(hidden Markov model,HMM)等传统方法相比,LSTM的岩性识别准确率提升幅度介于1.40%~12.25%。高精度的LSTM岩性识别模型为复杂碳酸盐岩储层的表征和评价提供了数据基础。雷明锋等^[5]在对比分析当前盛行的几种目标检测算法适用性的基础上,优选掩码区域卷积神经网络(mask R-CNN)模型并进行针对性改进,提出一种岩石薄片矿物识别与含量量化统计的智能检测方法,并基于采集获得的85块花岗岩薄片共850张原始图像开展模型深度学习训练、实例识别实验和模型参数优化分析。实际应用结果表明构建的Mask R-CNN模型可从像素级别识别出目标物轮廓,并基于像素占比分析实现各矿物成分含量的量化统计,在95%置信度下含量识别误差率仅为6.9%,相对于现有方法具有优越性和可靠性;实际工作中,采用该方法进行岩性智能识别时,交并比(intersection over union,IOU)阈值设置在50%~70%;识别样本取3~5个为1组,并将其平均值作为识别的最终结果可保证智能识别结果的可靠性。该方法可为诸如隧道围岩分级等工作中的岩性智能化判定提供一种有效的技术途径。张晓峰等^[6]针对传统方法识别复杂岩性准确率低、严重制约储层测井解释准确性这一难题,将卷积神经网络与门控循环单元相融合(CNN-GRU),优选声波时差、自然电位、自然伽马、密度及深、浅侧向电阻率6种测井参数,对海拉尔盆地内样本井进行训练,构建了CNN-GRU复杂岩性识别模型。研究结果表明,CNN-GRU模型精确率平均值达92.3%,与单一网络相比,精确率提升5.5%~10.0%。该模型在海拉尔盆地A井应用后,岩性识别符合率达94.8%,可为提高储层测井解释准确性提供可靠的岩性依据。张凤博等^[7]针对用于储层岩性识别的机器学习方法普遍存在参数优化难、训练时间长、容易过拟合等问题,导致测井解释精度低及岩性相近易混淆等,将卷积神经网络(CNN)有利于特征提取的优点与长短期记忆神经网络(LSTM)可考虑测井曲线随深度变化的趋势性信息的优点相结合,提出CNN-LSTM混合神经网络构建测井数据与岩性类别之间的非线性模型,并采用遗传算法(genetic algorithm,GA)优化混合神经网络模型的超参数,提高识别效率。基于4 069组样本数据评估了该混合模型的性能。研究结果表明,与传统的机器学习方法相比,CNN-LSTM-GA混合神经网络优化模型有效地克服了储层岩性识别研究中的问题,取得更好的岩性识别效果,对油藏精细描述和储量评价具有一定的实用价值。

同时,注意力机制(attention mechanism)通过赋予不同特征权重,进一步提高了模型对复杂模式的捕捉能力。王婷婷等^[8]针对现有算法模型在处理测井曲线数据时,无法有效捕获曲线内部深层关联和深度方向关系、拟合能力较弱、难以准确提取关键特征、噪声干扰以及模型超参数调优过程复杂困难等问题,提出了一种通过超参数优化双向门循环单元(Optuna-BiGRU)结合增强多头注意力机制(enhanced multi-head attention mechanism,EMHA)的测井岩性识别模型——Optuna-BiGRU-EMHA模型。该模型引入残差机制和层归一化以改进多头注意力机制模块,并结合双向门循环单元(BiGRU)解决了处理测井数据时的问题,同时使用Optuna超参数优化框架和小波包自适应阈值方法分别解决了超参数调优和噪声干扰问题。

因此,结合复杂地层局部特征,考虑地层时序影响,现提出一种基于CNN-LSTM-Attention的岩性识别方法,充分利用测井数据中的时空相关性和物理意义,精准高效识别复杂地层岩性;介绍岩性识别数据样本的构建及预处理方法;阐述CNN-LSTM-Attention模型的设计及训练过程;分析模型在实际气田岩性识别任务中的应用效果;以期为气藏储层评价提供更加精确的解决方案。

1 岩性识别数据样本构建

在本次研究中,数据集是基于石油行业岩性识别的时间序列格式,数据来源于测井设备安装在井壁或井底的多个传感器^[9]。井下传感器用于实时记录地层的各种物理特性,帮助分析地下岩性结构和储层特性。这些传感器通过钻井设备与地面测井系统相连,能够采集电阻率、伽马射线、声波时差等关键测井数据。传感器安装在测井工具上,工具通常包含多个模块,确保能够采集全面、准确的地层信息。为了减少噪声对数据的干扰,所有传感器均经过校准并配置抗噪技术,同时在井下钻进过程中,测井设备会动态调整采集参数以适应不同地层条件。凭借Spearman秩相关性分析^[10]方法,对采集到的基础和工程参数与岩性的相关性进行分析,筛选出对岩性识别影响最大的参数,构成岩性识别数据样本,分析结果如图1所示。

由图1可知,与岩性(Lithology)相关性系数按高低顺序排列结果为:电阻率(RT)、测深(Depth)、测井伽马(GR)、声波时差(DT)、岩石密度(Density)、测井解释结果(Zone)、井位坐标Y、井位坐标X。一般来说,斯皮尔曼秩相关性系数大于0.3被视为对结果具有影响。因此,最终选用了电阻率(RT)、测深(Depth)、测井伽马(GR)、声波时差(DT)、岩石密度(Density)5个特征数据作为模型的输入,以岩性(Lithology)最为模型输出,结合CNN-LSTM-Attention算法训练并构建岩性识别模型。

1.1 数据采集及预处理

研究数据来自中国鄂尔多斯盆地大吉区块煤层气气田的测录井系统,涵盖了2023—2024年的7 675条数据记录。选用的关键测井参数包括电阻率(RT)、测深(Depth)、测井伽马(GR)、声波时差(DT)、岩石密度(Density),这些参数对岩性变化具有较强的敏感性。通过高频传感器实时采集数据,能够反映地层的物理特性变化,为岩性识别提供基础。在原始数据中,部分井段因设备异常导致数据缺失,同时存在噪声干扰和异常值现象。因此,采取异常值处理、缺失值补全以及噪声过滤3种数据清洗方法提高数据质量。其中,异常值处理主要是结合上下文曲线的变化趋势,采用插值法修正异常点。缺失值补全通过使用K近邻插值法(KNN)补充缺失段,确保数据完整性。噪声过滤则是利用小波去噪方法对测井曲线进行平滑处理,消除随机噪声对后续分析的影响。数据清洗的效果通过表格对比分析(表1),显示处理前后关键参数的统计变化,进一步验证了数据质量提升的有效性。

1.2 数据标准化

数据标准化通过均衡特征尺度、加速模型收敛、提升算法稳定性和数据可比性,避免特征间量纲差异对模型的影响,从而提高模型性能和泛化能力。为确保不同量纲参数对模型训练的贡献均衡,采用Z-score标准化方法^[11]处理数据。

(1)

$Z=\frac{X-\mu }{\sigma }$

式(1)中:X为原始值;μ和σ分别为均值和标准差。

标准化后的数据分布更集中,模型收敛速度显著提升。

由于泥质层中富含放射性矿物,导致其具有GR高、RT低、DT稳定的特征,表现为导电性高且均匀性好;而砂质层中因为其颗粒分选好、孔隙度高且流体性质多样,呈现出GR低、RT和DT波动大的特征^[12]。储层区间展现出显著的多样性,反映了复杂的地质特性。这些分布特征为模型输入层提供了物理指导,有助于CNN捕捉关键局部特征。

2 岩性识别模型研究方法

通过整合CNN算法、LSTM算法和Attention算法3种算法,构建岩性识别模型,实现对复杂储层岩性的精准分类与储层参数的高效预测,体现了多模态深度学习技术在岩性识别中的协同作用。

2.1 模型结构设计

结合测井数据的高维性、非线性和时序相关性特点,提出了一个基于卷积神经网络(CNN)、长短时记忆网络(LSTM)和注意力机制(Attention)的端到端岩性识别模型。测井数据通常包含的物理参数如电阻率(RT)、测深(Depth)、测井伽马(GR)、声波时差(DT)、岩石密度(Density)等,具有显著的空间局部特征和随深度变化的时序依赖关系^[13]。针对这些特点,利用CNN对测井数据中的局部特征进行提取,从而捕捉岩性变化的显著模式;通过LSTM对深度变化的时序特性进行建模,有效表征测井数据随深度变化的动态依赖关系;同时,引入Attention机制对关键特征赋予更高权重,增强模型对重要信息的敏感性。该模型可以自动完成测井数据从特征提取到岩性分类的完整流程,避免了传统方法中对特征选择和工程经验的依赖,提高了复杂储层岩性识别的精度与效率。

2.1.1 卷积神经网络

卷积神经网络(CNN)是一种强大的特征提取工具,能够高效捕捉测井曲线中的局部特征与变化模式^[14],其算法计算过程如图2所示。结合卷积层与池化层构建了适用于测井数据的多尺度特征提取结构。卷积层采用大小为 3×1 的卷积核在测井序列上滑动,自动学习岩性边界和层内特征等局部模式,借助局部感受野^[15]机制捕捉显著变化区域,并具备一定的抗噪能力。随后通过最大池化^[16]操作(常用窗口大小为 2×1 或 3×1),进一步压缩特征图,保留关键信息的同时降低计算复杂度并增强泛化能力。最终输出的特征图有效表征了测井数据的多尺度局部变化,为后续的时序建模和注意力机制打下基础。

2.1.2 长短时记忆网络

长短时记忆网络^[17](LSTM)是一种改进的循环神经网络(RNN),其算法结构如图3所示。通过引入输入门、遗忘门和输出门等“门控机制”^[18]有效缓解传统RNN在处理长序列时的梯度消失问题。该机制使LSTM能够在序列中选择性保留关键信息、忽略无关内容,从而更适合处理具有时序依赖的数据。相比传统RNN,LSTM在模拟测井数据中岩性变化的时序特征方面更具优势,能更精准地捕捉储层特征的演化趋势。

2.1.3 注意力机制(Attention)

注意力机制^[19]是一种有效的特征加权方法,能够根据输入的时序特征分配不同权重,从而突出关键信息,抑制次要干扰。在处理测井等时序数据时,注意力机制可自动学习各时间步的相对重要性,提高模型的表示能力。该机制通过查询向量(Q)、键向量(K)和值向量(V)三者的交互计算,对序列特征进行加权聚合,其中Q代表当前关注信息, K和V分别代表历史信息及其值。常用的点积计算方式为

(2)

$\mathrm{A}\mathrm{t}\mathrm{t}\mathrm{e}\mathrm{n}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}(Q,K,V)=\mathrm{s}\mathrm{o}\mathrm{f}\mathrm{t}\mathrm{m}\mathrm{a}\mathrm{x}\left(\frac{Q{K}^{\mathrm{T}}}{\sqrt{{d}_{\mathrm{k}}}}\right)V$

式(2)中:d_k为维度缩放因子。

通过这种计算方式,得到的得分可以表示为查询向量Q与所有键向量K之间的相关性。通过动态聚焦关键时间步,注意力机制可提升模型对储层岩性变化趋势的感知能力,增强分类性能。

2.1.4 结合CNN-LSTM-Attention的气藏测井预测模型

所构建的岩性识别模型融合了CNN、LSTM与Attention机制,实现测井数据的多维建模与精准分类。首先,标准化后的测井数据作为输入,有效消除量纲差异,保证各特征的均衡参与。接着,CNN模块提取测井曲线中的局部变化特征,通过3×1卷积核扫描窗口,生成多尺度特征图,捕捉岩性突变信息。

在此基础上,LSTM模块建模特征随时间的演化关系,挖掘序列中的长期依赖,提升模型对复杂地质结构的理解能力。随后,Attention机制对不同时序特征分配权重,突出关键点信息,增强模型对有效特征的关注,抑制冗余干扰。

最终,模型输出岩性分类结果,实现从原始数据到预测结果的端到端识别流程,具备良好的适应性与鲁棒性,为地质工程师提供可靠辅助判断。

2.2 模型训练及结果分析

为了确保模型的训练效果和公平性,同时遵循地质连续性和类别均衡性原则,避免将同一区块的数据分割到多个集合以及消除类别偏倚对模型训练的影响,数据集被分割为3个部分:训练集、验证集和测试集,比例分别为70%、15%和15%。

根据实验经验和数据特点,初始模型超参数设置如下。

(1)CNN层:卷积核大小为3×1,核数量为64,激活函数为ReLU。该设置能提取局部特征。

(2)LSTM层:隐藏单元数为128,时间步长为10,能够捕捉特征的时序依赖性。

(3)Attention层:查询向量和键向量的维度均为64,帮助模型关注关键时间点的特征。

(4)优化器:采用Adam优化器,学习率为0.001,有助于加速收敛。

(5)损失函数:使用交叉熵损失函数,适用于多分类任务。

所提出的岩性识别模型训练过程包括以下4步:①进行预训练检查,在训练前,通过小规模数据子集进行模型参数调试,以验证基本功能;②选择训练策略:每次迭代处理一个批次,批量大小设置为128;③使用早停策略,在验证集损失连续5轮不再下降时,停止训练,从而防止过拟合;④同时使用数据增强在训练集数据中随机引入±5%的噪声,模拟测井数据中常见的实际干扰。并且对测井曲线进行随机平移和缩放,提高模型对输入变化的鲁棒性。模型训练损失变化曲线如图4所示。

由图4可知:在第25轮迭代后,训练集损失稳定,验证集损失逐渐趋于平缓,表明模型达到了最优性能。验证集损失略高于训练集损失,表明模型未发生过拟合,训练和验证集之间的损失差异是正常的。

2.3 模型性能评估

为了全面评估模型性能,在测试集上计算了准确率(A_ccuracy)、精确率(P_recision)、召回率(R_ecall)和F₁分数(F₁-score)。准确率^[20]衡量整体预测正确率,但在类别不平衡情况下可能失真。精确率^[21]表示预测为正类中实际为正的比例,反映假正例的控制能力;召回率^[22]表示实际正类中被正确识别的比例,体现模型对正类的识别能力。F₁分数^[23]是精确率与召回率的调和平均,适用于需兼顾查准与查全的任务,尤其在样本分布不均衡时更具参考价值。各指标定义为

(3)

${A}_{\mathrm{c}\mathrm{c}\mathrm{u}\mathrm{r}\mathrm{a}\mathrm{c}\mathrm{y}}=\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{P}+\mathrm{F}\mathrm{N}}\times 100\mathrm{\%}$

(4)

${P}_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}\times 100\mathrm{\%}$

(5)

${R}_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}\times 100\mathrm{\%}$

(6)

${F}_{1}-\mathrm{s}\mathrm{c}\mathrm{o}\mathrm{r}\mathrm{e}=2\frac{{P}_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}+{R}_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}}{{P}_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}{R}_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}}\times 100\mathrm{\%}$

式中:TP为真正例,表示模型正确预测为正类的样本;TN为真反例,表示模型正确预测为负类的样本;FP为假正例,表示模型错误地预测为正类的样本;FN为假反例,表示模型错误地预测为负类的样本。

对传统神经网络、单独使用CNN、结合CNN-LSTM以及所提出的结合CNN-LSTM-Attention 4种模型进行了评价,计算了准确率、精确率、召回率和F₁分数4个模型性能评价指标,结果如表2所示。

从传统神经网络到单独使用CNN、再到结合CNN-LSTM和CNN-LSTM-Attention,模型的准确率、精确率、召回率和F₁分数呈现逐步提升趋势,显示结构优化对性能的显著促进。CNN引入后,准确率由82.5%提升至85.2%,有效增强了局部特征提取能力。结合LSTM后,准确率升至89.4%,说明其在建模时序依赖方面具备优势。最终加入Attention机制后,模型准确率达92.6%,F₁分数为91.1%,进一步证明注意力机制在强化关键特征表达、提升预测准确性方面的有效性。

综上,引入LSTM和Attention机制能显著提升模型的性能,尤其是在处理时序数据和需要突出重要特征的任务中。Attention机制通过为关键特征赋予更高的权重,有效提升了模型在岩性识别任务中的分类效果。结合CNN、LSTM和Attention的模型相比其他模型,无论是在准确率、精确率、召回率还是F₁分数上,都表现出了最好的性能,表明该模型在岩性识别任务中具有较强的优势。

3 岩性识别模型应用结果及分析

基于CNN-LSTM-Attention算法构建了岩性识别模型,并将其应用于鄂尔多斯盆地东缘DJ区块(图5),以评估模型的实际效果。

3.1 区块概况

研究区块的主要目标地层为二叠系太原组和山西组,顶部由灰岩覆盖,底部为泥岩,煤层内夹有夹矸。主要煤层包括太原组的8号煤层和山西组的5号煤层,其中8号煤层的平均埋深为2 152 m,厚度约为7.8 m,而5号煤层的平均埋深为2 073 m,厚度为4 m,煤层整体分布稳定且连续。区块整体呈现宽缓的西倾单斜构造,局部区域存在低幅度鼻状构造特征,2 000 m以下的煤层构造较为简单,断层较少发育,地层倾角一般为1°~3°。此外,主力地层上部覆盖着三叠系和二叠系的其他地层,如刘家沟组、石千峰组和石盒子组等,复杂的地层展布特征给该区块的岩性识别工作带来了较大的挑战^[24]。

3.2 预测结果分析

为了提高DJ区块岩性识别效率,采用构建的岩性识别模型对其中的正钻井DJ4-10P05井进行岩性预测分析,并且结合已有的岩性综合解释结果,对比分析得到模型的实际应用效果,其结果如图6和图7所示。

预测精度图展示了模型对真实值与预测值之间的关系,从图6中可以看出,大多数数据点分布在理想的对角线附近,表明模型对岩性的预测具有较高的准确性。通过Python代码计算预测准确样本占整体数据样本的比例,模型的总体预测精度达到了94.89%,表明其具备较强的泛化能力和鲁棒性。同时,点的分布密集程度也反映出模型在大部分岩性类别上的预测误差较小,尤其是在主要岩性分布区域,模型能够较好地识别出目标特征。此外,点的离散性较小,也表明模型预测值与真实值之间的偏差较低,进一步验证了模型的可靠性。由图7可知,模型在多个岩性类别上具有较高的预测正确率,尤其是在数据量较大的深度目的地层类别(如类别27和类别28),模型预测的正确样本数量远高于错误样本数量,表明模型在主力煤层岩性识别中具有显著优势。矩阵中对角线的数值较大,显示模型对于各类别的预测具有较强的精确性。然而,部分岩性类别中也存在一定的误差,例如,少数类别之间发生了混淆。这可能是由于不同类别的岩性特征相似度较高或测井数据本身存在噪声引起的。此外,靠近边界的少数类别误差可能源于样本数量不均衡导致的模型学习不足。模型的预测精度图和混淆矩阵表明基于CNN-LSTM-Attention的深度学习模型在岩性识别任务中表现出色,能够较为精准地预测地层岩性类别。

4 结论

提出了一种结合卷积神经网络(CNN)、长短时记忆网络(LSTM)和注意力机制(Attention)的深度学习模型,用于复杂储层岩性的精确识别和分类。其中,利用CNN提取测井数据中的局部特征,结合LSTM捕捉随深度变化的动态依赖关系,使得模型能够充分利用测井曲线的空间与时间信息。通过引入注意力机制对关键特征赋予更高权重,模型能够更加精准地识别储层岩性的显著变化,提高分类性能和鲁棒性。通过数据清洗、缺失值补全和标准化处理,提高了输入数据的质量,同时进一步验证了关键测井参数对岩性识别的有效性,为模型提供了可靠的输入基础。该模型的实际岩性识别精度达到了94.89%,显著优于传统方法和单一深度学习模型,验证了其对复杂储层的非线性特征建模和高效分类能力,为钻井过程岩性识别提供了高效的处理方法,保证了储层钻遇率,避免了错失目的层带来的成本增加和资源损害等风险。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	闫彦芳, 邵燕林, 王庆, 等. 基于数据融合的无人机影像碎屑岩岩性识别[J]. 科学技术与工程, 2024, 24(12): 4869-4875.

[2]	Yan Yanfang, Shao Yanlin, Wang Qing, et al. Lithology identification of clastic rocks based on UAV images based on data fusion[J]. Science Technology and Engineering, 2024, 24(12): 4869-4875.

[3]	李博志, 杨明合, 许楷, 等. 基于注意力机制的卷积神经网络机械钻速预测方法[J]. 科学技术与工程, 2024, 24(21): 8910-8916.

[4]	Li Bozhi, Yang Minghe, Xu Kai, et al. Mechanical drilling rate prediction method based on convolutional neural network with attention mechanism[J]. Science Technology and Engineering, 2024, 24(21): 8910-8916.

[5]	赵岩龙, 方正魁, 邱子瑶, 等. 基于长短时记忆网络的腐蚀工况下抽油杆剩余使用寿命预测[J]. 科学技术与工程, 2022, 21(36): 15429-15433.

[6]	Zhao Yanlong, Fang Zhengkui, Qiu Ziyao, et al. Prediction of remaining service life of sucker rod under corrosion conditions based on long short-term memory network[J]. Science Technology and Engineering, 2022, 21(36): 15429-15433.

[7]	武中原, 张欣, 张春雷, 等. 基于LSTM循环神经网络的岩性识别方法[J]. 岩性油气藏, 2021, 33(3): 120-128.

[8]	Wu Zhongyuan, Zhang Xin, Zhang Chunlei, et al. Lithology identification method based on LSTM recurrent neural network[J]. Lithological Reservoirs, 2021, 33(3): 120-128.

[9]	雷明锋, 张运波, 王卫东, 等. 岩石岩性Mask R-CNN智能识别方法与应用研究[J]. 铁道科学与工程学报, 2022, 19(11): 3372-3382.

[10]	Lei Mingfeng, Zhang Yunbo, Wang Weidong, et al. Research on intelligent identification method and application of rock lithology Mask R-CNN[J]. Journal of Railway Science and Engineering, 2022, 19(11): 3372-3382.

[11]	张晓峰, 庞春阳, 胡锐, 等. 基于CNN-GRU的复杂岩性识别方法研究与应用[J]. 测井技术, 2023, 47(6): 662-670.

[12]	Zhang Xiaofeng, Pang Chunyang, Hu Rui, et al. Research and application of complex lithology identification method based on CNN-GRU[J]. Well Logging Technology, 2023, 47(6): 662-670.

[13]	张凤博, 马雪玲, 董珍珍, 等. 基于CNN和LSTM的机器学习模型在测井岩性识别的应用[J]. 西安石油大学学报(自然科学版), 2024, 39(5): 96-103, 133.

[14]	Zhang Fengbo, Ma Xueling, Dong Zhenzhen, et al. Application of machine learning model based on CNN and LSTM in well logging lithology identification[J]. Journal of Xi’an Shiyou University(Natural Science Edition), 2024, 39(5): 96-103, 133.

[15]	王婷婷, 王振豪, 李方, 等. 基于增强多头注意力机制的Optuna-BiGRU测井岩性识别[J]. 地球科学与环境学报, 2024, 46(1): 127-142.

[16]	Wang Tingting, Wang Zhenhao, Li Fang, et al. Optuna-BiGRU well logging lithology identification based on enhanced multi-head attention mechanism[J]. Journal of Earth Sciences and Environment, 2024, 46(1): 127-142.

[17]	张建伟, 杨卓静, 王新杰, 等. 地热深孔声波测井传感器的热设计[J]. 科学技术与工程, 2023, 23(1): 165-172.

[18]	Zhang Jianwei, Yang Zhuojing, Wang Xinjie, et al. Thermal design of geothermal deep hole acoustic logging sensor[J]. Science Technology and Engineering, 2023, 23(1): 165-172.

[19]	何静, 李卫平, 张代尧, 等. 基于Spearman相关系数的接地电阻与土壤体积含水量相关性分析[J]. 山地气象学报, 2024, 48(3): 86-90.

[20]	He Jing, Li Weiping, Zhang Daiyao, et al. Correlation analysis between ground resistance and soil volume water content based on Spearman correlation coefficient[J]. Journal of Mountain Meteo-rology, 2024, 48(3): 86-90.

[21]	李冬妮, 张海燕, 温昱晖. 人工智能数据集标准化与共享机制的探索[J]. 金融电子化, 2021(7): 75-77.

[22]	Li Dongni, Zhang Haiyan, Wen Yuhui. Exploration of standardization and sharing mechanism of artificial intelligence dataset[J]. Financial Electronicization, 2021(7): 75-77.

[23]	黄守准. 放射性测量在宁国—绩溪一带碳硅泥岩型铀矿勘查中的应用[J]. 西部资源, 2023(2): 140-142.

[24]	Huang Shouzhun. Application of radioactivity measurement in exploration of carbon aceoussiliceous mudstone-type uranium deposits in Ningguo-Jixi Area[J]. Western Resources, 2023(2): 140-142.

[25]	韩鸿来, 刘之的, 张志强, 等. 基于测井曲线包络面积预测油气藏产能[J]. 科学技术与工程, 2024, 24(15): 6254-6262.

[26]	Han Honglai, Liu Zhidi, Zhang Zhiqiang, et al. Prediction of oil and gas reservoir productivity based on logging curve envelope area[J]. Science Technology and Engineering, 2024, 24(15): 6254-6262.

[27]	陈钢花, 梁莎莎, 王军, 等. 卷积神经网络在岩性识别中的应用[J]. 测井技术, 2019, 43(2): 129-134.

[28]	Chen Ganghua, Liang Shasha, Wang Jun, et al. Application of convolutional neural network in lithology identification[J]. Well Logging Technology, 2019, 43(2): 129-134.

[29]	吴洪伍, 盖绍彦, 达飞鹏. 基于感受野优化与渐进特征融合的图像超分辨率算法[J]. 西安交通大学学报, 2025(1): 1-11.

[30]	Wu Hongwu, Gai Shaoyan, Da Feipeng. Image super-resolution algorithm based on receptive field optimization and progressive feature fusion[J]. Journal of Xi’an Jiaotong University, 2025(1): 1-11.

[31]	李荣. 利用卷积神经网络的显著性区域预测方法[J]. 重庆邮电大学学报(自然科学版), 2019, 31(1): 37-43.

[32]	Li Rong. Significant region prediction method using convolutional neural network[J]. Journal of Chongqing University of Posts and Telecommunications(Natural Science Edition), 2019, 31(1): 37-43.

[33]	陈钢花, 张寓侠, 王军, 等. 双向长短时记忆神经网络在滩坝砂储层岩性识别中的应用[J]. 测井技术, 2023, 47(3): 319-325.

[34]	Chen Ganghua, Zhang Yuxia, Wang Jun, et al. Application of bidirectional long short-term memory neural network in lithology identification of beach-bar sand reservoirs[J]. Well Logging Technology, 2023, 47(3): 319-325.

[35]	姜苏城, 王红林. 结合门控机制与多尺度ViT的细粒度图像分类[J]. 计算机仿真, 2024, 41(9): 139-145.

[36]	Jiang Sucheng, Wang Honglin. Fine-grained image classification combining gating mechanism and multi-scale ViT[J]. Computer Simulation, 2024, 41(9): 139-145.

[37]	马明刚, 潘月梁, 彭泽豹, 等. 融合注意力的自适应元学习岩性分类研究[J]. 水力发电, 2022, 48(11): 50-54, 101.

[38]	Ma Minggang, Pan Yueliang, Peng Zebao, et al. Research on lithology classification based on adaptive meta-learning fusion attention[J]. Hydropower, 2022, 48(11): 50-54, 101.

[39]	卢才云, 朱文, 张海天, 等. 新能源发电功率预测准确率计算策略优化研究与应用[J]. 电气应用, 2024, 43(6): 54-59.

[40]	Lu Caiyun, Zhu Wen, Zhang Haitian, et al. Research and application of optimization strategy for calculation of power prediction accuracy of renewable energy power generation[J]. Electrical Applications, 2024, 43(6): 54-59.

[41]	周圣凯, 富丽贞, 宋文爱. 基于深度学习的短文本语义相似度计算模型[J]. 广西师范大学学报(自然科学版), 2022, 40(3): 49-56.

[42]	Zhou Shengkai, Fu Lizhen, Song Wen’ai. Short text semantic similarity calculation model based on deep learning[J]. Journal of Guangxi Normal University(Natural Science Edition), 2022, 40(3): 49-56.

[43]	赵静, 孔陶茹. 基于决策树分类算法的计算机大数据分析研究[J]. 自动化与仪器仪表, 2024(10): 154-158.

[44]	Zhao Jing, Kong Taoru. Research on computer big data analysis based on decision tree classification algorithm[J]. Automation and Instrumentation, 2024(10): 154-158.

[45]	程翔, 蔡俊. 基于LightGBM的滚动轴承故障诊断研究[J]. 兰州文理学院学报(自然科学版), 2024, 38(1): 59-65.

[46]	Cheng Xiang, Cai Jun. Research on rolling bearing fault diagnosis based on LightGBM[J]. Journal of Lanzhou University of Arts and Sciences(Natural Science Edition), 2024, 38(1): 59-65.

[47]	宋伟, 孙雄伟, 王红娜, 等. 基于大数据分析算法的深部煤层气地质-工程一体化智能决策技术[J]. 石油学报, 2023, 44(11): 1949-1958.

[48]	Song Wei, Sun Xiongwei, Wang Hongna, et al. Deep coalbed methane geology-engineering integrated intelligent decision-making technology based on big data analysis algorithm[J]. Acta Petrolei Sinica, 2023, 44(11): 1949-1958.