杨 静 陈云天 蒋春碧

(1. 唐山职业技术学院 河北唐山 063300； 2. 鹏城实验室 广东深圳 518000； 3. 北京大学 北京 100871)

测井曲线对于油气资源勘探开发研究至关重要，但在一些超深井中获得测井曲线往往非常困难，而且有些测井曲线的测量存在较大风险，比如涉及放射源的密度测井，导致部分测井系列被迫放弃测量。因此，在实际生产与开发过程中，希望能够基于部分已知的测井曲线，直接生成未测量的测井曲线。越来越多的研究者尝试通过机器学习来解决地质学和石油工程中的问题[1-5]。研究表明长短期记忆神经网络(long short-term memory，LSTM)在测井曲线生成问题上具有出色的表现，生成效果优于常规方法或全连接神经网络[6-7],擅长处理序列数据[8-9]，因此适合处理具有空间连续性的测井曲线问题。但是在实际工程应用场景中，测井曲线往往是多源复杂的，简单直接应用机器学习模型的效果并不理想。

本文针对多源复杂测井曲线生成困难的问题，基于机器学习方法提出了一套高效建模范式,该范式将建模过程拆分为数据完整性分析、交叉检验和收敛性分析等3部分，有助于提升数据质量、自动化评估模型性能和预估模型针对具体场景的适用性；并以长宁威远地区7口页岩气井的真实测井数据为例，成功生成了无铀伽马、钾能谱、钍能谱、铀能谱、横波时差和光电吸收截面指数，生成结果与真实值的变化趋势基本一致，验证了基于机器学习算法的多源复杂测井曲线生成方法的有效性，可以作为实际开发的参考。……