韩 建 路成辉 曹志民,2,3* 马 跃

1(东北石油大学电子科学学院 黑龙江 大庆 163318) 2(大庆油田博士后工作站 黑龙江 大庆 163318) 3(东北石油大学博士后流动站 黑龙江 大庆 163318)

0 引 言

测井数据在油气储存和油气资源评价中具有十分重要的作用。然而由于人为、仪器故障等原因，实际应用中经常出现部分井段测井数据失真或缺失的情况，甚至出于成本考虑而放弃获取整套测井数据。因为重新测井往往需要很高的成本，所以采用一种稳定的数据合成方法变得尤为重要[1]。

近年来，随着机器学习和深度学习方法在工业和科学工程领域广泛应用，不少研究者提出采用机器学习和深度学习方法来实现测井曲线复原。例如，利用线性回归、支持向量机、模糊逻辑模型和人工神经网络等方法来估计地质参数[2-3]、判别岩性[4-5]、确定地层界线[6-7]和复原地质数据[8-11]等。传统线性模型简单易理解并且容易扩展，但是表达能力有限，对模型表达能力有巨大作用的组合特征通常需要人工不断地探索。传统的一些人工神经网络构造的是一种点对点的映射关系，忽略测井曲线特征之间的反演特性，即某些特征可由其他某个特征或某几个特征推演得到。深度神经网络在给定足够多隐藏层或者隐藏单元的情况下，同时凭借Embedding向量以及非线性激活函数，能够学习高阶的特征组合，能在特定平滑假设下以有限的精度逼近任意函数，故在许多领域获得较大成功[12-14]。但受限于地质储层结构复杂和非均质性较强，单一模型无法同时满足有限度的特征交叉和高度的非线性表征能力，在测井数据复原方面表现不佳。……