近日，我校资源学院钟志课题组在地球物理学顶级期刊《Geophysics》发表了题为“A deep-learning framework for borehole formation properties prediction using heterogeneous well-logging data: A case study of a carbonate reservoir in the Gaoshiti-Moxi area, Sichuan Basin, China ”的研究论文，该工作与中国石油测井有限公司、中海油服和中国海洋大学等单位合作，提出了一种多模态人工智能模型用以解决复杂储层地层参数预测精度低的问题。论文第一作者为资源学院2021级博士生林磊，指导老师为钟志教授。

该研究针对碳酸岩盐储层非均质性强和尺度差异性强引起的常规测井算法计算的储层参数准确率低的问题。开创性的提出了一个先进的多模态神经网络框架，该框架结合传统井测数据和动态电阻率成像，以预测关键地层属性，如孔隙度、渗透率和水饱和度。该神经网络以待预测深度为中心，利用1维卷积神经网络提取常规测井序列特征，利用2维卷积神经网络提取动态电阻率成像特征，最后利用全连接神经网络对特征进行融合来预测地层属性。与传统模型不同，新方法允许分析异构测井数据，并通过理解相邻地层之间的关系来提高预测准确性。

图1 多模态异构测井数据储层参数预测网络结构

该方法在我国四川盆地取得了良好的应用效果。并为使用异构测井数据预测地层参数提供了一个全新思路。

Geophysics是由SEG出版商出版的地球物理学领域的顶级期刊之一，中科院分区中为SCI二区TOP期刊，在地球物理领域具有较高影响力。

该研究得到国家自然科学基金、中科院先导项目的联合资助。

论文信息：

Title: A deep-learning framework for borehole formation properties prediction using heterogeneous well-logging data: A case study of a carbonate reservoir in the Gaoshiti-Moxi area, Sichuan Basin, China

Authors: Lei Lin, Hong Huang, Pengyun Zhang, Weichao Yan, Hao Wei, Hang Liu, and Zhi Zhong*

Source: Geophysics

DOI: https://doi.org/10.1190/geo2023-0151.1

论文链接: https://library.seg.org/doi/10.1190/geo2023-0151.1