序列和当前序列隐层节点输出为当前序列隐层节点输入表示过程量表示非线性激活函数表示双曲正切函数神经网络神经网络是与功能几乎样的网络，其内部结构单元与很相似，本质上也是使用门结构实现对长短期信息的选择性记忆功能，有效地解决了时间递归过程中的梯度消失梯度爆炸等问题。不仅保持了的重构效果，且训练参数较少。探讨测井曲线重构与神经网络的结合地球物理学论文。在的基础上，改良了门的设整网络参数，直到模型满足重构精度为止。网络是专门处理序列和变长数据的深度学习模型，虽然链式结构的对数据具有记忆功能，在定的上下文环境中，可根据输入序列得出输出序列，但是其可以获取的上下文信息有限。因为在使用过程中，普通的早期输入信号对隐藏层是有影响的。首先，随着时间的推移对输入的敏感性逐渐下降，甚至忘记之前的输入，这时就与传统神经网络区别不大其次，与多层神经网络类似，随着神经元数量的增加，在反向传播过程中，也会出现梯度爆炸和梯度消失等问题。神经网络为解决传统中存在探讨测井曲线重构与神经网络的结合地球物理学论文多个记忆细胞和个乘法单元输入门输出门和遗忘门，可以对记忆细胞进行连续的写读和重臵操作，。单元结构如图所示。因具备长期学习的能力，有效地解决了梯度爆炸梯度消散以及长期依赖问题，在各类问题中应用效果良好，已在些领域得到了广泛应用，但由于神经网络模型的形式较复杂，因此也存在着训练预测时间较长等问题。图单元结构图和为隐层节点状态和分别表示前序列和当前序列隐层节点输出为当前序列隐层节点输入表示过程量表示非线性激活函数当前神经元要保留的信息越多，则上个神经元要保留的信息越少，反之亦然。式中表示更新门的权重。重臵门状态可用，求得。当取值为时，表示只需将当前神经元的输入作为输入，抛弃上个神经元传来的信息如果不为通常不为就表示之前的输入信息会被传递过来。式中表示重臵门的权重。当前神经元的特定输出值为˜，网络的输出值为式中表示哈达玛积。网络是专门处理序列和变长数据的深度学习模型，虽然链式结构的对数据具有记忆功能，在定的附近的曲线，图中测深附近的曲线以及测深附近的曲线，图中测深以及附近的以及曲线，图中测深附近曲线，测深以及附近的以及曲线，待重构的测井曲线在此附近阶跃式增加，并没有明显的变化，使模型未能成功估计出目标测井曲线中的这阶跃变化，生成了具有较大偏差的测井曲线。而网络模型能够综合分析重构点前的输入数据对重构点处输入的影响，准确地预测到了待重构测井曲线的趋势性变化，重构效果明显优于模型。在的基础上，改良了门假设井井段的和测井数据井段的和数据缺失，利用该井中数据完整的其他测井曲线估计缺失的测井数据图。假设探区井井段的和测井数据井段的测井数据缺失，利用该井中数据完整的其他测井曲线估计缺失的测井数据图。井测井曲线重构分别见表表。图井测井曲线重构结果图井测井曲线重构结果实验由于篇幅有限，文中仅以井的部分实验结果为例进行分析。实验假设井层段的所有测井曲线全部缺失，利用该井中未缺失的层段以及邻井完整的测井曲线重构缺失段的测井数据图。验结果评价网络根据不完整测井曲线自身的信息自动重构缺失段测井数据，评价网络基于待重构井未缺失或失真层段测井曲线以及邻井信息重构测井曲线的能力，并将其与方法进行分析比较。实验准备实验平台为深度学习框架和等，编程语言使用。实测数据均来源于川盆地的两个探区。井位于探区，测井数据为自然伽马密度补偿中子声波时差以及泥质含量条曲线。口钻井位于探区，测井资料包括以及自然电位条曲线。实验搭建的网络模型包含层层，神经法，实现测井曲线重构，但因地下地质情况的复杂性很难用确定性的函数表达，故基于统计分析的测井曲线重构通常精度较低，难以满足测井数据精确解释和储层精细描述的需求。近些年发展的机器学习技术理论上可以刻画输入与输出数据之间的强非线性映射关系，已被广泛应用于初至拾取地震数据重建等为测井曲线的重构提供了新的手段。很多研究者尝试使用传统的全连接神经网络方法生成测井曲线，。该方法能够较好地挖掘测井数据之间的复杂非线性映射关系，但这些传统神经网络方法与统计分析类似，构造的是种点对点的映射，重构得到的测井数据只解释可以获得地层岩性电性以及孔渗饱等地层参数，然而，实际应用中时常出现部分测井数据失真或缺失的情况，而重新测井不仅价格昂贵且实现较困难。目前基于传统的线性假设和统计分析的测井曲线重构方法已不能满足储层特征的精细描述要求。门控循环单元神经网络是种适合于解决非线性和时序性问题的新型深度学习算法。基于深度学习的最新成果，提出使用神经网络进行测井曲线重构。该方法兼顾了测井数据之间的非线性映射关系数据随储层深度变化的趋势及历史数据之间的关联性。对实际资料进行试算，并与多元回归方法结果对比，表明网络基于待重构井未缺失或失真层段测井曲线以及邻井信息重构测井曲线的能力，并将其与方法进行分析比较。实验准备实验平台为深度学习框架和等，编程语言使用。实测数据均来源于川盆地的两个探区。井位于探区，测井数据为自然伽马密度补偿中子声波时差以及泥质含量条曲线。口钻井位于探区，测井资料包括以及自然电位条曲线。实验搭建的网络模型包含层层，神经元个数分别为和批量大小为，即每次训练随机抽取组数据进行网络训练时间步长为探讨测井曲线重构与神经网络的结合地球物理学论文个数分别为和批量大小为，即每次训练随机抽取组数据进行网络训练时间步长为学习率为，学习率是网络设臵的关键超参数，在最小化训练网络的损失函数时，学习率缩放了权重更新的幅度。学习率太低，训练速度会很慢学习率太高，可能在梯度下降过程中直接跳过最低点，使网络训练发散。实验曲线不是原始的测井曲线，故只是把它作为假设缺失的待重构目标曲线进行重构，即对探区井缺失的和进行重构时并未把曲线作为重构的原始母曲线参与重构。由于篇幅有限，文中仅对探区井，探区井的部分实验结果进行展示分早由等提出，是目前机器学习学科发展最蓬勃的分支。深度学习通过构建具有多个隐藏层的深度神经网络模型，利用大量数据训练学习数据间的复杂有效信息。它能够从简单特征中自动提取复杂特征，且逐层越来越抽象，从而建立高维映射关系，以解决复杂的非线性问题。目前，深度学习主要有常规的全连接解决序列化问题的解决空间结构问题的卷积神经网络及可用于数据生成的生成式对抗神经网络等。深度学习已在机器翻译自然语言处理，等领域成功应用。近年来，很多研究者将深度学习技术应用于测井解释与地质储层预测，。根据重构结果实验假设井中以及两条测井曲线全部缺失，利用该井其他完整测井曲线以及邻井测井曲线重构缺失的测井曲线图。井测井曲线重构见表。图井缺失曲线重构结果结果分析从图图可以看出，采用网络和模型进行测井曲线重构都取得了好的效果，整体趋势变化致，基本能够反映失真或缺失层段测井曲线的变化趋势，在没有突变层段的情况下重构效果更好。但从图中不难看出，模型的整体重构结果优于模型，特别是在测井数据发生突变的层段如图中测深附近的曲线，图中测深附近的曲线处于同深度的其他测井信息有关，而忽略了待重构测井曲线随储层深度变化的趋势及历史数据之间关联性。由于地层的沉积作用是时序渐变的，而测井曲线是地层沉积特征的响应，具有定的时序特征。循环神经网络是种典型的深度神经网络结构，相比于全连接神经网络，其最大的区别在于各隐藏层单元之间相互并不独立，各个隐藏层神经元之间不仅相互联系，而且当前隐藏层单元的状态还受历史输入数据的影响，这个特性使其能够很好地提取数据结构的时序关系。已有学者初步运用其进行了测井曲线的人工合成，取得了比传统方法更好的效果。深度学习的概念最网络模型取得了良好的重构效果，为测井曲线重构提供了种新的思路。关键词地球物理学多元回归分析测井曲线重构深度学习门控循环单元神经网络测井资料作为连接地震与地质的桥梁和纽带，在油气勘探中发挥着至关重要的作用。实际应用中，由于井壁垮塌仪器故障等因素，经常会造成部分测井数据失真或缺失，为后续解释工作带来定困难。而重新测井不仅价格昂贵，且对于已经完井的井眼甚至不可能实现。为此，探索测井曲线重构方法，对失真或缺失井段的测井数据进行校正或重构以增加测井解释的准确性具有重要的意义。理论上可用多元回归分析等学习率为，学习率是网络设臵的关键超参数，在最小化训练网络的损失函数时，学习率缩放了权重更新的幅度。学习率太低，训练速度会很慢学习率太高，可能在梯度下降过程中直接跳过最低点，使网络训练发散。实验曲线不是原始的测井曲线，故只是把它作为假设缺失的待重构目标曲线进行重构，即对探区井缺失的和进行重构时并未把曲线作为重构的原始母曲线参与重构。由于篇幅有限，文中仅对探区井，探区井的部分实验结果进行展示分析。探讨测井曲线重构与神经网络的结合地球物理学论文。摘要通过测井曲及测深附近的曲线，图中测深以及附近的以及曲线，图中测深附近曲线，测深以及附近的以及曲线，待重构的测井曲线在此附近阶跃式增加，并没有明显的变化，使模型未能成功估计出目标测井曲线中的这阶跃变化，生成了具有较大偏差的测井曲线。而网络模型能够综合分析重构点前的输入数据对重构点处输入的影响，准确地预测到了待重构测井曲线的趋势性变化，重构效果明显优于模型。根据实验结果评价网络根据不完整测井曲线自身的信息自动重构缺失段测井数据，评价探讨测井曲线重构与神经网络的结合地球物理学论文段的和数据缺失，利用该井中数据完整的其他测井曲线估计缺失的测井数据图。假设探区井井段的和测井数据井段的测井数据缺失，利