基于雙向長短期記憶神經(jīng)網(wǎng)絡(luò)的巖相預(yù)測方法

熊玄辰,曹俊興,周 鵬,許漢卿,程 明

(油氣藏地質(zhì)及開發(fā)工程國家重點實驗室，地球勘探與信息技術(shù)教育部重點實驗室(成都理工大學(xué))，成都 610059)

巖相信息能夠反映巖層發(fā)育情況和儲層特征，是地震儲層預(yù)測的基礎(chǔ)性工作。常規(guī)巖相預(yù)測方法多為基于彈性參數(shù)定性或定量地解釋巖相信息。疊前地震反演技術(shù)作為實際應(yīng)用中獲得彈性參數(shù)的主要方法，難以避免多解性和不穩(wěn)定性。近年來基于貝葉斯理論的巖相反演方法作為一種基于疊前彈性參數(shù)的自動解釋方法也開始用于巖相預(yù)測。基于貝葉斯理論聯(lián)合測井?dāng)?shù)據(jù)與地震數(shù)據(jù)進行基于疊前地震數(shù)據(jù)的反演方法被廣泛認(rèn)為能夠預(yù)測巖相[1-3]。另一類常用的巖相預(yù)測方法是基于地震波形的聚類分析進行復(fù)雜巖相的預(yù)測[4]，這類方法建立在精確時深匹配的基礎(chǔ)之上；可是實際巖相與地震波形間的響應(yīng)機制受構(gòu)造、流體等其他因素影響，很難一一對應(yīng)[5]。

深度學(xué)習(xí)的概念最早由G.E.Hinton等[6]提出，深度學(xué)習(xí)模型是用機器學(xué)習(xí)的思想從樣本數(shù)據(jù)中訓(xùn)練得到的包含多個層級的深度網(wǎng)絡(luò)結(jié)構(gòu)[7-8]。作為最成功的深度學(xué)習(xí)模型之一，循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent neural network,RNN)[9]最大的特點是擁有記憶能力。相較于其他網(wǎng)絡(luò)結(jié)構(gòu)，RNN善于挖掘樣本之間的相互關(guān)系，在處理序列數(shù)據(jù)方面頗具優(yōu)勢。作為改進RNN的一種，長短期記憶神經(jīng)網(wǎng)絡(luò)(Long short term memory neural networks,LSTM)[10]利用門控單元解決了常規(guī) RNN中梯度消失、梯度爆炸等問題[11]，已有學(xué)者運用LSTM網(wǎng)絡(luò)方法進行了孔隙度預(yù)測[12]、測井曲線鉆前預(yù)測[13]等研究并取得了較好效果。雙向長短期記憶神經(jīng)網(wǎng)絡(luò)(Bi-directional long short-term memory,Bi-LSTM)是在普通LSTM的基礎(chǔ)上加入了雙向傳播的思想，讓模型使用2個隱藏層分別處理正反兩向輸入的數(shù)據(jù)，再由2個隱藏層共同作用產(chǎn)生輸出。在Bi-LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，隱藏層神經(jīng)元之間是有連接的，并且隱藏層的輸入同時包含輸入層的輸出和上一時刻隱藏層的輸出，兩者一起決定隱藏層神經(jīng)元狀態(tài)。這與地層整體呈現(xiàn)出的沉積時序特性具有相似性，符合從已知推斷未知的地質(zhì)學(xué)基本研究方法和思想。

基于此，本文針對地震數(shù)據(jù)的非線性、序列性特性進行研究，介紹一種基于Bi-LSTM的巖相預(yù)測方法，將其應(yīng)用于四川某淺層河道砂體勘探區(qū)巖相預(yù)測。結(jié)果表明，Bi-LSTM模型能夠有效學(xué)習(xí)輸入地震數(shù)據(jù)中的巖相特征，實現(xiàn)巖相預(yù)測。

1 方法原理

1.1 RNN

在傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)中，同一個隱藏層的神經(jīng)元是不能交叉連接的，無法全面地連接序列信息，這意味著在訓(xùn)練過程中以前的神經(jīng)元計算結(jié)果不能影響當(dāng)前神經(jīng)元的計算，前后序列信息無法有效結(jié)合。RNN的結(jié)構(gòu)利用先前時間的信息記憶作用于當(dāng)前神經(jīng)元的計算，達(dá)到連接隱藏層中神經(jīng)元的目的。利用典型的RNN單元(圖1)，可以有效地解決序列信息的問題。

圖1 RNN單元結(jié)構(gòu)Fig.1 Structure of RNN

在RNN結(jié)構(gòu)中，當(dāng)前時間步的輸出受之前時間步的影響且作用于之后時間步的計算，也就是說RNN的輸出由同一網(wǎng)絡(luò)上的多個時間序列相互影響產(chǎn)生，參數(shù)在不同時間共享。我們設(shè)輸入序列為X={x1,x2,…,xm}，隱藏層序列為S={s1,s2,…,sm}，輸出層序列為Y={y1,y2,…,ym}。則Y的計算過程為

St=σ(WXS+WSS+bS)

(1)

Yt=WSYSt+bY

(2)

式中：t為當(dāng)前序列時間；σ()為Sigmoid函數(shù)；WXS為連接輸入層和隱藏層的權(quán)重系數(shù)矩陣；WSS為隱藏層之間的權(quán)重關(guān)系矩陣；WSY為連接隱藏層與輸出層矩陣的權(quán)重系數(shù)；bS為隱藏層的偏移矢量；bY為輸出層的偏置。t時刻的隱藏層是通過t-1時刻隱藏層神經(jīng)元的輸出和t時刻隱藏層神經(jīng)元的相應(yīng)計算得到的。得益于隱藏層神經(jīng)元在內(nèi)部計算過程中不斷增加數(shù)值的維數(shù)和范圍，模型才能具有更復(fù)雜、更精確的非線性映射能力，并在有限網(wǎng)絡(luò)基礎(chǔ)上展開更精確的預(yù)測。

從理論上講，RNN可以很好地解決序列數(shù)據(jù)的問題，但也存在以下問題[14]：①雖然RNN的設(shè)計結(jié)構(gòu)可以用于預(yù)測整個時間序列，但其傳輸存儲信號總的來說呈現(xiàn)下降趨勢。一些需要處理的復(fù)雜序列數(shù)據(jù)丟失了網(wǎng)絡(luò)的起始序列信息，導(dǎo)致RNN在長期依賴性問題上存在劣勢。②RNN在多層網(wǎng)絡(luò)中訓(xùn)練長序列會產(chǎn)生梯度消失和爆炸。為了克服這些問題，引入了LSTM神經(jīng)網(wǎng)絡(luò)。

1.2 LSTM

標(biāo)準(zhǔn)RNN采用重復(fù)鏈?zhǔn)浇Y(jié)構(gòu)，而LSTM的結(jié)構(gòu)(圖2)與RNN類似，但在重復(fù)單元結(jié)構(gòu)上有所不同。LSTM中引入了“門”的概念來控制隱藏單元間的相互轉(zhuǎn)換計算，對記憶細(xì)胞進行連續(xù)的寫、讀和重置操作[15]。單元狀態(tài)C是隱藏層處理的關(guān)鍵。LSTM從前到后的步驟都是對存儲在單元狀態(tài)C中的信息進行處理。利用交互層的3種“門”結(jié)構(gòu)乘法單元和每個單元的激活函數(shù)，對當(dāng)前時間的輸入和先前隱藏單元的狀態(tài)進行處理，過濾單元狀態(tài)C中的無用信息并增加新的信息。

圖2 LSTM單元結(jié)構(gòu)Fig.2 Structure of LSTM(據(jù)S.Hochreiter等[10])

一個LSTM單元中的第一個交互結(jié)構(gòu)為遺忘門，用來選擇和保留過去狀態(tài)Ct-1和當(dāng)前狀態(tài)Ct中的信息。遺忘門的表達(dá)式為

ft=σ(Wf[st-1,xt]+bf)

(3)

式中：中Wf為遺忘門的權(quán)重系數(shù)矩陣；σ()為Sigmoid函數(shù)；bf為偏置；ft為遺忘門的決策向量。

第二個交互結(jié)構(gòu)為輸入門。輸入門控制前序信息向當(dāng)前單元狀態(tài)C的傳輸，并處理當(dāng)前輸入的序列信息。輸入門有2個模塊，第一個模塊用于確定信息的更新狀態(tài)，第二個模塊利用tanh函數(shù)確定當(dāng)前時刻更新的候選信息。

it=σ(Wi[st-1,xt]+bi)

(4)

(5)

第三個交互結(jié)構(gòu)為當(dāng)前時刻單元狀態(tài)Ct的計算結(jié)構(gòu)，它通過遺忘門和輸入門的決策來決定信息的增加和刪除。

(6)

⊙為求哈達(dá)瑪積。

最后一個交互結(jié)構(gòu)為輸出門。Sigmoid函數(shù)用于確定當(dāng)前狀態(tài)的輸出決策，tanh函數(shù)確定當(dāng)前單元狀態(tài)的輸出信息。輸出決策與輸出信息相乘得出本時刻需要輸出的信息。

Ot=σ(Wo[st-1,xt]+bo)

(7)

St=Ot⊙tanh(Ct)

(8)

式中：St為輸出的隱藏狀態(tài)；σ()為Sigmoid函數(shù)；Wo和bo分別為輸出門的權(quán)重系數(shù)矩陣和偏置。

LSTM訓(xùn)練的主要算法是反向傳播算法，需要注意以下3點：①每個神經(jīng)元在向前傳播時的輸出都是ft、it、Ct、Ot和St；②在LSTM中，誤差項通過反向計算傳播；③每個權(quán)重的梯度用相應(yīng)的誤差項來計算。

LSTM使用“門”結(jié)構(gòu)的概念來控制RNN中每個時刻單元層的狀態(tài)。將這些單元層的特征應(yīng)用到網(wǎng)絡(luò)中，優(yōu)選保留需要長期處理的有效信息，有效地解決了RNN在處理長時間序列中梯度消失和爆炸的問題。

1.3 Bi-LSTM

M.Schuster等[16]提出了雙向 RNN (BRNN) ，采用雙向傳播的方法，讓模型使用2個隱藏層分別處理正反兩向輸入的數(shù)據(jù)，再由2個隱藏層共同作用產(chǎn)生輸出。BRNN的展開形式如圖3所示。

圖3 BRNN結(jié)構(gòu)Fig.3 Structure of BRNN(據(jù)M.Schuster等[16] )

Bi-LSTM將BRNN和LSTM的優(yōu)點結(jié)合，將LSTM門控記憶單元運用到BRNN的雙向傳播模型中。(9)式～(11)式是前后隱藏層、輸出層的具體計算過程。其中：W、V、U為權(quán)重矩陣；b、c為偏置；ht表示t時刻單向隱藏層的輸出；yt表示t時刻隱藏層的輸出[17]。

(9)

(10)

(11)

Bi-LSTM理論上可以讓模型在預(yù)測當(dāng)前巖相的時候能夠同時利用到整個輸入序列的信息。

2 基于Bi-LSTM的預(yù)測方法

本文采用已鉆井地層的測井?dāng)?shù)據(jù)和井旁道地震吸收衰減數(shù)據(jù)訓(xùn)練模型，預(yù)測未鉆井區(qū)域的巖相發(fā)育情況。地震吸收衰減數(shù)據(jù)是伴隨地層的非彈性性質(zhì)產(chǎn)生的現(xiàn)象，不同巖相的地震吸收衰減數(shù)據(jù)效應(yīng)存在差異[18]。為了最大限度利用地震數(shù)據(jù)中的有利信息，對不同角道集疊加后的地震屬性進行分析，發(fā)現(xiàn)遠(yuǎn)道疊加減近道疊加后的地震高頻吸收衰減能夠反映全疊加高頻吸收衰減無法反映的巖相信息。圖4分別為B井附近的全道疊加高頻吸收衰減屬性剖面和遠(yuǎn)道疊加減近道疊加后的地震高頻吸收衰減剖面，紅色箭頭標(biāo)出了吸收衰減屬性對砂巖相的明顯指示區(qū)域，可以看出全道疊加高頻吸收衰減屬性和遠(yuǎn)道疊加減近道疊加后的地震高頻吸收衰減指示不同的砂巖相特征。

圖4 B井不同疊加高頻吸收衰減屬性分析圖Fig.4 Attribute analysis of high frequency absorption with different stacking in Well B

通過巖石物理分析發(fā)現(xiàn)，研究區(qū)的砂巖相和泥巖相無法通過密度、縱波阻抗和伽馬擬聲波阻抗進行有效區(qū)分。將以上3種屬性和地震吸收衰減同時作為變量輸入深度學(xué)習(xí)模型，利用深度學(xué)習(xí)提取非線性關(guān)系的能力找出輸入數(shù)據(jù)與巖相間的復(fù)雜關(guān)系，來達(dá)到預(yù)測巖相的目的。從巖石物理分析可知，輸入變量無法通過簡單的閾值清晰劃分巖相，需要提取不同輸入變量間的復(fù)雜非線性關(guān)系來獲取巖相信息。而處理多變量預(yù)測，挖掘不同變量間的關(guān)系正是Bi-LSTM的強項。對于單獨變量，每一個樣本點的巖相不僅與當(dāng)前時間點的輸入變量值相關(guān)，在縱向上輸入變量的變化趨勢也有反映。與常規(guī)的時間序列數(shù)據(jù)不同，單點的巖相信息不僅與該點上方的地層相關(guān)，也與該點下方的地層相關(guān)。相比單向傳播的方法，Bi-LSTM的雙向傳播方法能綜合利用上下地層的關(guān)系來預(yù)測目標(biāo)巖相，獲得更充分的巖相信息。巖相在每個時間深度都與一定時窗內(nèi)的相鄰地震數(shù)據(jù)相關(guān)，因此選擇“點-窗”的匹配采樣方法(圖5)。通過實驗測試優(yōu)化，最終確定每一個巖相對應(yīng)上下3 ms的測井密度、縱波阻抗和伽馬擬聲波阻抗及上下3 ms、9個井旁道的地震吸收衰減數(shù)據(jù)屬性建立一個樣本。

圖5 樣本構(gòu)建示意圖Fig.5 Sketch showing the sample configuration

本文建立的Bi-LSTM預(yù)測模型為

(12)

本文構(gòu)建的Bi-LSTM模型如圖6所示，包含輸入、隱藏和輸出層。原始輸入數(shù)據(jù)經(jīng)過預(yù)處理后輸入到輸入層，然后傳遞到隱藏層。在輸入層，Relu激活函數(shù)調(diào)整傳入隱藏層的參數(shù)大小，使處理后的數(shù)據(jù)符合神經(jīng)網(wǎng)絡(luò)的輸入維數(shù)要求。隱藏層由3層Bi-LSTM組成，每層Bi-LSTM包含正向和逆向2個LSTM層。隱藏層中上一個輸出序列為當(dāng)前層的輸入。隱藏層正向初始化單元狀態(tài)S1.0和C1.0通過第一個LSTM單元后輸出S1.1.1和C1.1.1給下一個LSTM單元，逆向LSTM以同樣原理反向傳輸，同一位置的正、逆向LSTM單元共同輸出S1到下一個隱藏層作為輸入層。通過這樣的循環(huán)運算輸出最后的隱藏層預(yù)測序列(p1,p2,…,pL)輸出到全連接層得出預(yù)測巖相。預(yù)測采用層數(shù)疊加的模型構(gòu)建方法，相比單層的Bi-LSTM能夠更好地挖掘序列信息的變化趨勢。通過多個“門”結(jié)構(gòu)的控制，有效過濾無用信息，最大限度保留了地震吸收衰減數(shù)據(jù)的特征信息，提高巖相預(yù)測的準(zhǔn)確性。

圖6 Bi-LSTM預(yù)測模型Fig.6 Bi-LSTM prediction model

2.1 數(shù)據(jù)預(yù)處理

本文采用minmax-scale的方法對輸入數(shù)據(jù)做歸一化處理，確保地震吸收衰減數(shù)據(jù)處于合理的分布范圍之內(nèi)。計算公式為

(13)

式中：Xscaled為歸一化后的地震吸收衰減數(shù)據(jù)；X為地震吸收衰減數(shù)據(jù)；a和b分別為給定縮放范圍的上下限，本文中為1和0。經(jīng)過歸一化處理的輸入數(shù)據(jù)保留了原始數(shù)據(jù)中的相關(guān)關(guān)系，且能消除輸入數(shù)據(jù)中異常值的影響。

2.2 優(yōu)化算法

優(yōu)化算法的合理運用能大幅度提高訓(xùn)練的效率。本文選擇了具有自適應(yīng)學(xué)習(xí)率的Adam算法。Adam算法結(jié)合了AdaGrad算法[19]在稀疏梯度處理上的優(yōu)點和RMSprop算法[20]對欠穩(wěn)定目標(biāo)處理的優(yōu)點，確保了算法精度和穩(wěn)定性。具體來說，Adam算法通過對稀疏參數(shù)的更新幅度增大，頻率參數(shù)的更新幅度減少，用最少的訓(xùn)練迭代次數(shù)達(dá)到網(wǎng)絡(luò)的最優(yōu)效果。

2.3 損失函數(shù)確定

本文選取了更適合分類優(yōu)化算法的最小化交叉熵的方法計算損失函數(shù)

(14)

其中：J表示損失函數(shù)；yi是類別i的真實標(biāo)簽；Pi是上面softmax計算出的類別i的概率值；k是類別數(shù)；N是樣本總數(shù)。在此用一個小例子來說明交叉熵計算原理。假設(shè)一個三分類問題，將目標(biāo)樣本分為A、B、C三類，那么一個A的樣本標(biāo)簽應(yīng)該為(1,0,0)。如果經(jīng)過網(wǎng)絡(luò)預(yù)測后得到的輸出為(3,1,-3)。經(jīng)過softmax可以得到對應(yīng)的概率值如圖7所示。

圖7 交叉熵計算原理示意圖Fig.7 Schematic diagram showing cross entropy calculation principle

上例中交叉熵?fù)p失為

J=-(1×lg0.88+0×lg0.11+0×lg0.01)=-lg0.88

綜上，本文通過引入交叉熵?fù)p失函數(shù)，配合Sigmoid激活函數(shù)，可以有效優(yōu)化分類問題的深度學(xué)習(xí)網(wǎng)絡(luò)模型。

2.4 預(yù)測結(jié)果評價

本文采用準(zhǔn)確率(accuracy)評價預(yù)測結(jié)果。準(zhǔn)確率直接反映模型預(yù)測巖相的準(zhǔn)確度。準(zhǔn)確率計算公式如下

(15)

式中：A為準(zhǔn)確率；ST為預(yù)測正確的樣本數(shù)；S為樣本總數(shù)。

3 應(yīng)用與分析

3.1 實驗概述

研究區(qū)為四川某淺層砂泥巖勘探區(qū)，存在A、B、C共3口鉆井。根據(jù)鉆井資料，將研究區(qū)目標(biāo)層位巖相劃分為泥巖相和砂巖相。研究區(qū)目的層河道砂體發(fā)育，巖相預(yù)測對后續(xù)的河道雕刻具有一定指示作用。目的層砂泥巖在縱波阻抗、密度、伽馬值等常規(guī)參數(shù)上無法有效區(qū)分，利用現(xiàn)有鉆井資料難以有效開展巖相預(yù)測。A井上段為中厚層砂巖相與泥巖相互層，下段發(fā)育厚層砂巖相；B井砂巖相發(fā)育良好，有少部分中厚層泥巖相；C井上段和中下段發(fā)育2套厚層砂巖相，其余部分均為砂巖相與泥巖相互層。本文將A、B井作為訓(xùn)練集進行模型訓(xùn)練，C井作為測試集進行模型評估。引入普通RNN和普通LSTM以相同超參數(shù)搭建網(wǎng)絡(luò)模型進行訓(xùn)練預(yù)測，與Bi-LSTM模型進行對比。

本文模型訓(xùn)練采用的計算機配置如下：GPU為Quadro GP100，內(nèi)存為1 TB。網(wǎng)絡(luò)構(gòu)建基于TensorFlow。實驗的超參數(shù)見表1。

表1 實驗的超參數(shù)Table 1 Hyperparameters of the experiment

3.2 應(yīng)用效果

圖8、圖9分別為A井、B井的模型擬合結(jié)果。從訓(xùn)練集擬合的預(yù)測結(jié)果可以看出，訓(xùn)練集的預(yù)測巖相與真實巖相基本對應(yīng)，說明模型已經(jīng)學(xué)習(xí)到了巖相特征。從圖8可以看出，A井在模型擬合階段巖相預(yù)測結(jié)果與真實巖相對應(yīng)良好，模型擬合的預(yù)測誤差主要集中在上段薄層；RNN的擬合結(jié)果丟失了大部分的薄層泥巖相特征，在這一點上LSTM與Bi-LSTM效果更好；在LSTM的基礎(chǔ)上，Bi-LSTM的預(yù)測結(jié)果更精細(xì)，與真實巖相對應(yīng)更好。從圖9可以看出，RNN在B井的擬合同樣丟失了一部分泥巖相的特征(1 400～1 424 ms)；同樣，LSTM與Bi-LSTM效果更好，且Bi-LSTM效果較LSTM更精細(xì)：說明雙向傳播的方法有利于提取輸入數(shù)據(jù)中的巖相信息。

圖8 A井?dāng)M合結(jié)果Fig.8 Fitting results of Well A

圖9 B井?dāng)M合結(jié)果Fig.9 Fitting results of Well B

圖10為C井的預(yù)測結(jié)果，可以看出預(yù)測巖相與真實巖相基本對應(yīng)，預(yù)測誤差集中在薄層砂巖相。從預(yù)測的準(zhǔn)確率(表2)可見Bi-LSTM測試準(zhǔn)確率高于RNN和LSTM；相較于RNN，LSTM和Bi-LSTM能夠選擇性地記憶部分特征，對信息進行判斷和篩選，能夠更高效地提取輸入數(shù)據(jù)中蘊含的巖相特征。在Bi-LSTM網(wǎng)絡(luò)結(jié)構(gòu)中，由于輸入的信息可以在網(wǎng)絡(luò)中正反兩向傳遞，其內(nèi)部的權(quán)重更新更貼合巖相縱向上的動態(tài)變化特征；因此，Bi-LSTM模型能夠充分利用巖相隨地層的變化趨勢，實現(xiàn)比RNN和LSTM更精確更穩(wěn)定的巖相預(yù)測。

表2 實驗準(zhǔn)確率Table 2 Accuracy of the Experiments

圖10 C井測試結(jié)果Fig.10 Test results of Well C

圖11為測試剖面的原始地震剖面，圖12為Bi-LSTM模型預(yù)測的巖相剖面。未鉆井區(qū)預(yù)測使用反演的密度、縱波阻抗和伽馬擬聲波阻抗及地震吸收衰減數(shù)據(jù)作為輸入。根據(jù)工區(qū)相關(guān)資料，已知層3處有一條從A井到B井的河道砂體，與預(yù)測剖面的結(jié)果符合。預(yù)測剖面砂體刻畫清晰，符合砂巖相的地下分布特征。

圖11 原始地震剖面Fig.11 Original seismic profile

圖12 Bi-LSTM預(yù)測巖相剖面Fig.12 Bi-LSTM prediction of lithofacies profile

為了更好地展示模型預(yù)測巖相在橫向上的指示能力，使用沿層切片方法對深度學(xué)習(xí)模型預(yù)測結(jié)果進行分析。圖13為層2底部的深度學(xué)習(xí)模型巖相預(yù)測結(jié)果的沿層切片，從切片結(jié)果可以看出，深度學(xué)習(xí)模型的巖相預(yù)測結(jié)果對砂體的平面展布有良好的指示性，砂體的分布符合研究區(qū)砂體分布地質(zhì)規(guī)律。模型對大面積砂體的刻畫較好，從結(jié)果中能夠清晰展現(xiàn)砂體的邊界。同時，模型也具有對小塊砂體的識別能力，小塊砂體的形態(tài)刻畫明確，結(jié)合其他屬性進行分析對后續(xù)的勘探工作具有良好的參考性。

圖13 層2底部巖相預(yù)測結(jié)果切片圖Fig.13 Slice diagram of lithofacies prediction results at the bottom of layer 2

圖14為層3底部的深度學(xué)習(xí)模型巖相預(yù)測結(jié)果的沿層切片，從切片結(jié)果可以明顯看出兩條砂體河道，河道形態(tài)明顯，連續(xù)性好。此結(jié)果證明該方法對于河道砂體有較好的識別能力，能夠有效揭示地下河道砂體的發(fā)育形態(tài)。

圖14 層3底部巖相預(yù)測結(jié)果切片圖Fig.14 Slice diagram of lithofacies prediction results at the bottom of layer 3

4 結(jié) 論

a.基于地震的巖相預(yù)測是油氣地震勘探的基礎(chǔ)性工作。本文基于Bi-LSTM的巖相預(yù)測方法，得益于Bi-LSTM雙向傳播的優(yōu)勢，充分利用輸入數(shù)據(jù)隨深度的變化趨勢和前后關(guān)聯(lián)，提取巖相與輸入數(shù)據(jù)的非線性映射關(guān)系。訓(xùn)練好的Bi-LSTM模型在實際數(shù)據(jù)測試中取得了較好結(jié)果，能有效揭示地下巖層發(fā)育情況，有利于地層分析和儲層預(yù)測。

b.雖然基于Bi-LSTM的巖相預(yù)測取得了一定效果，但仍存在識別分辨率低、部分預(yù)測巖相不準(zhǔn)確的缺陷。本文采用的深度學(xué)習(xí)模型較單一，多模型混合運用能否提升模型預(yù)測效果有待進一步研究。