image
Home Journals Progress in Geophysics
Progress in Geophysics

Abbreviation (ISO4): Prog Geophy      Editor in chief:

About  /  Aim & scope  /  Editorial board  /  Indexed  /  Contact  / 
Online first  /  Current issue  /  All issues  /  Top access  /  RSS

Progress in Geophysics >

2025 , Vol. 40 >Issue 2: 592 - 604

DOI: https://doi.org/10.6038/pg2025II0114

Density logging curve reconstruction method based on TCN-BiGRU with multi-head attention mechanism

  • HuanHuan WANG , 1, 2 ,
  • Bin ZHAO , 1, 2, * ,
  • JianXin LIU 3 ,
  • LiangQing TAO 4 ,
  • ChuQiao GAO 1, 2 ,
  • WenLong LIAO 1, 2
Expand
  • 1 Colleage of Geophysics and Petroleum Resources, Yangtze University, Wuhan 430100, China
  • 2 Key Laboratory of Oil and Gas Resources and Exploration Technology, Ministry of Education, Wuhan 430100, China
  • 3 CNOOC China Limited, Shanghai Branch, Shanghai 200335, China
  • 4 CNOOC Energy Development Company Limited, Engineering and Technology Branch Company, Tianjin 300450, China

Received date: 2024-06-22

  Online published: 2025-05-09

Copyright

Copyright ©2025 Progress in Geophysics. All rights reserved.
Fold

Abstract

During the well-logging process, factors such as instrument malfunction and borehole collapse often lead to distortion or loss of density curves in certain well intervals, which in turn introduces errors in reservoir evaluation. To enhance the accuracy of reservoir evaluation, the reconstruction of density curves becomes essential. Traditional machine learning methods for curve reconstruction often fail to meet the required precision. To address this limitation, this paper proposes a novel method for density curve reconstruction that integrates Temporal Convolutional Networks (TCN), Bidirectional Gated Recurrent Units (BiGRU), and Multi-Head Attention (MHA) mechanisms. The proposed method utilizes the convolutional characteristics of TCN to capture the long-term dependencies in well-logging data, while the introduction of the MHA mechanism enhances the ability of BiGRU to selectively focus on critical features, thereby achieving precise density curve reconstruction. This method was applied to field data from the study area for reconstruction experiments. Initially, the impact of incorporating lithology indicators on the model's reconstruction capability was evaluated. Subsequently, a comparative analysis was conducted between the proposed network and Gardner's equation, multiple regression, Gated Recurrent Units (GRU), and Bidirectional Gated Recurrent Units (BiGRU). Finally, the generalization ability of the proposed network was validated through core calibration. The results indicate that the proposed density curve reconstruction method not only achieves higher accuracy but also demonstrates excellent generalization capabilities.

Key words： Density logging curve reconstruction; Multi-Head Attention (MHA)mechanisms; Temporal Convolutional Networks (TCN); Bidirectional Gated Recurrent Units (BiGRU); Physical constraints

Cite this article

HuanHuan WANG , Bin ZHAO , JianXin LIU , LiangQing TAO , ChuQiao GAO , WenLong LIAO . Density logging curve reconstruction method based on TCN-BiGRU with multi-head attention mechanism[J]. Progress in Geophysics, 2025 , 40(2) : 592 -604 . DOI: 10.6038/pg2025II0114

0 引言

测井资料提供了岩石物理性质和储层流体等方面的关键信息，在油气勘探和开发中有着至关重要的作用.然而，测井数据经常会受到仪器故障或地层因素的影响导致失真或缺失，考虑到重新测井的成本较高，且技术上对已固井的井眼难以实现，该方法并不可行.因此，探索重构缺失或失真测井曲线的方法对测井精细解释有重要的意义(张东晓等，2018；何苗等，2018).
在实际生产中广泛应用的测井曲线重构方法主要有三种：经验公式法、多元拟合法(Multiple Curve Fitting, MCF)和岩石物理建模法.经验公式法适用于井眼垮塌程度较轻的井段，常用Faust公式来重构与电阻率相关性较好的声波曲线，使用Gardner公式重构密度曲线(黄超等，2014；汤小燕和李盼，2016；Yue, 2019)；多元拟合法适用于测井曲线之间具有明显相关性的情况，该方法在曲线之间寻找内在关系，建立线性或非线性模型，以拟合失真或缺失的曲线(王俊瑞等，2016)；而对于井眼垮塌程度较重的井段，岩石物理建模法较为适用.该方法假设地层由岩石骨架、孔隙以及其中的流体等要素构成，从而建立地层岩石物理模型，并通过正演模拟得出关键的测井曲线参数，如纵波速度和密度等(刘爱疆等，2013).然而，复杂的地质结构使地层表现出非线性测井响应特征，导致上述方法重构出的曲线精度不高(Ren et al., 2023).因此，以数据驱动的曲线重构方法成为了备受关注的研究方向.
采用机器学习算法来拟合曲线之间复杂的非线性关系是最简单的数据驱动的方法.但传统机器学习算法结构相对简单，泛化能力有限，难以满足复杂地质情况下的曲线重构，在实际应用方面存在一定的局限性(张家臣等，2022；闫星宇等，2019).而深度学习作为从机器学习发展而来的一种重要方法，展现出自组织、自学习、非线性动态处理的能力.通过简单的数据训练，深度学习能够逐层拟合高维度的映射关系.因此，越来越多的专家学者尝试应用深度学习的技术解决曲线失真或缺失的问题(李宁等，2021).杨志力等(2008)提出基于BP(Back Propagation)神经网络的声波测井曲线重构技术，取得了一定的成果.金永吉等(2021)利用遗传算法(Genetic Algorithm)寻找神经网络最优的网络权值和阈值，有效缓解了传统神经网络易陷入局部最小值的问题，在重构声波、伽马、电阻率曲线时表现出较高的精度.然而，这些网络主要关注曲线之间的函数关系，而未考虑地层上下之间的时序关系，在处理具有强时序依赖的测井数据时效果不佳.因此，有学者提出基于改进循环神经网络(Recurrent Neural Networks, RNN)的更精细曲线重构方法，以提高测井曲线重构精度(Zeng et al., 2022；周欣等，2022；张海涛等，2022；Cheng et al., 2022；王俊等，2020).随着深度学习的不断发展，卷积神经网络(Convolutional Neural Networks, CNN)在图像识别等领域取得了显著成果(Li et al., 2020；Zhang et al., 2018).该方法能够提取相邻参数特征，挖掘出不同数据之间的相关性，许多专家学者积极尝试将其引入曲线重构中，并取得了良好的效果.翟晓岩等(2023)提出了融合注意力机制(Attention Mechanism)的二维卷积神经网络，从提取空间特征和时序特征的两个角度出发，提高了重构声波曲线和密度曲线的精度.段中钰等(2022)采用CNN与GRU(Gated Recurrent Unit)组合的模型，并引入条件生成对抗网络(Generative Adversarial Nets, CGAN)使模型更有效地提取曲线之间的非线性相关性.Wang等(2022)提出将CNN、双向门控循环单元(Bidirectional Gated Recurrent Unit, BiGRU)与注意力机制相结合的模型，通过CNN模块提取局部特征，BiGRU模块提取测井数据随深度的变化趋势，提高了曲线重构的精度.但这些融合的模型容易出现梯度消失和梯度爆炸的问题，且计算效率低、难以捕捉长时间序列数据的依赖关系.
针对上述卷积神经网络和循环神经网络融合模型的问题，本文提出一种融合时间卷积网络(Temporal Convolutional Network, TCN)与双向门控循环单元的测井曲线重构方法，并引入多头注意力机制(Multi-head Attention)建立TCN-BiGRU-MHA测井曲线重构模型.其中TCN的膨胀因果卷积能够保持时间序列数据的因果性，捕捉长期依赖关系.同时，残差模块通过快捷连接使得输入可以直接传递到输出端，有效地稳定了梯度传递.作为前端处理器，TCN已经提取部分时序依赖关系，减少了BiGRU需要处理的序列长度，从而降低了梯度消失和梯度爆炸的风险.最后，通过多头注意力机制对BiGRU的输出进行加权，突出关键特征，提高了重构结果的准确性和可靠性.利用研究区A、B、C、D、E五井实测数据进行重构效果验证，并与Gardner公式、MCF、GRU和BiGRU模型进行对比分析，结果表明，TCN-BiGRU-MHA模型具有较好的重构效果.

1 方法原理

1.1 时间卷积网络

时间卷积网络综合了RNN和CNN的优点，通过引入因果卷积和膨胀卷积并结合残差连接(Residual Network)，弥补了CNN难以捕捉时序数据长期依赖和无法保持因果性的缺陷.TCN有效缓解了梯度消失和梯度爆炸的问题，能够高效地挖掘出数据中的高维特征和时序关系，同时在较低内存的条件下获得更灵活的感受野.因此，TCN在多元时间序列分析方面具有较强的优势(王泽峰等，2022；Hewage et al., 2020；Farha and Gall, 2019).
因果卷积和膨胀卷积是TCN的核心模块.因果卷积确保在当前时间点的计算中，只考虑了该时间点以及之前的信息，实现了时间序列的前向依赖性.而膨胀卷积通过设置膨胀系数对输入进行间隔采样，扩大了神经网络的感受野，使其能够在不增加参数量和计算复杂度的情况下捕获更长距离的数据依赖.其结构如图 1所示，当膨胀率D=4时，表示每4个采样点作为采样间隔进行采样，这样可以保证在扩大感受野的同时，减少了参数的数量.
图1 膨胀因果卷积结构

Fig 1 Structure of dilated causal convolutional

在滤波器大小k和膨胀因子D不变的情况下，引入残差网络能够拓展网络的感受野并实现更深层次的训练，每一层的卷积操作都采用通用的残差模块来代替，其结构如图 2所示，函数定义为：
$X^{i+1}=\operatorname{Activation}\left(X^i+F\left(X^i\right)\right), $
图2 残差模块结构

Fig 2 Structure of residual module

式中：Xi为输入，Xi+1为输出，Activation为激活函数.

1.2 双向门控循环单元

循环神经网络能够记忆先前输入，适合处理时间序列数据，在提取曲线时序特征方面尤为有效.然而，传统RNN存在梯度消失或爆炸的问题，导致其长期记忆能力受到限制.为了解决RNN长度依赖的问题，Chung等(2014)提出了门控循环单元，该网络在每个循环单元中添加了额外的更新门(Update Gate)和重置门(Rest Gate)对输入进行控制，允许网络保持更长时间段的状态信息.GRU单元结构如图 3所示，其计算公式为：
$ z_t=\sigma\left(\boldsymbol{W}_{i z} x_t+b_{i z}+\boldsymbol{W}_{h z} h_{t-1}+b_{h t}\right), $
$r_t=\sigma\left(\boldsymbol{W}_{i r} x_t+b_{i r}+\boldsymbol{W}_{h r} h_{t-1}+b_{h r}\right), $
$\tilde{h}_t=\tan h\left(\boldsymbol{W}_{i n} x_t+b_{i n}+r_t \odot\left(\boldsymbol{W}_{h n} h_{t-1}+b_{h n}\right)\right), $
$h_t=\left(1-z_t\right) \odot h_{t-1}+z_t \odot \tilde{h}_t, $
图3 GRU单元结构

Fig 3 Structure of GRU unit

式中ht－1为t-1时刻的隐藏状态，xt为t时刻的输入，σ为sigmoid激活函数，rt为重置门，zt为更新门，$\tilde{h}_t $为候选隐藏状态，ht为最终的隐藏状态，W为系数矩阵，⊙为哈达玛积，b为偏置参数.
BiGRU由两个方向的GRU构成，时间序列数据在两层GRU网络中沿相反方向计算，分别负责处理历史信息和未来信息(陈勇刚等，2024)，其结构如图 4所示.双向结构使得BiGRU能够更全面地捕捉数据中的信息，提高模型的学习能力.
图4 BiGRU网络结构

Fig 4 Structure of BiGRU network

1.3 多头注意力机制

注意力机制由Bahdanau等(Bahdanau et al., 2014)首次应用于神经机器翻译领域，通过权重分配提高模型聚焦于关键信息的能力.在测井曲线重构中，不同曲线对同一地层的特征响应存在差异，多头注意力机制能够评估输入特征对重构曲线的影响力，并为各特征赋予相应权重，从而突出对重构曲线影响显著的信息，提高模型的准确性，其结构如图 5所示.该机制通过不同的线性变换分别映射到查询(Query)、键(Key)和值(Value)空间，形成三个参数矩阵Q、K、V，将每个矩阵拆分为h个头，得到Qi、Ki、Vi.其计算公式为：
$A_i=\operatorname{softmax}\left(\frac{Q_i K_i^{\mathrm{T}}}{\sqrt{d_k}}\right) V_i, $
$A(X)=\operatorname{Concat}\left(A_1, A_2, \ldots, A_h\right) \boldsymbol{W}^{\mathrm{o}}, $
图5 多头注意力机制结构

Fig 5 Structure of multi-head attention

式中：i=1, 2, …, h，Ai为第i个头的注意力输出，dk为键向量的维度，softmax用于产生注意力权重，A为h个头的输出注意力输出相加，Wo为权重向量.

1.4 TCN-BiGRU-MHA曲线重构模型

在实际测井中，数据的采样间隔较小，但不同深度地层之间互相影响的范围却可以达到30~50 m.这表明在测井曲线重构过程中，不仅需要提取数据点之间的双向相关性，还需要捕捉长距离序列数据的依赖关系.针对这一问题，TCN-BiGRU展现出显著优越性.TCN的膨胀因果卷积结构通过扩展感受野，能够有效捕捉长距离的序列数据依赖.考虑到测井仪器纵向分辨能力有限，测井得到的信息受到上下围岩的影响，而BiGRU网络能够同步处理正向和反向序列数据，提高模型捕获地层过去以及未来时间序列特征的能力，有效挖掘潜在信息.此外，鉴于不同测井曲线相关性具有明显差异，引入多头注意力机制调整输入曲线数据的权值，弥补BiGRU在测井数据关键信息提取上的不足(周伟等，2022；王婷婷等，2024).
TCN-BiGRU-MHA是结合了多种神经网络技术的深度学习方法，结构如图 6所示.首先，将地层岩性指标和测井曲线数据经过预处理并整合作为模型的输入，经过TCN层捕捉序列数据中的长期依赖关系，并保留时间维度上的信息；接着，BiGRU接收到TCN处理后的数据序列，利用其双向结构深入解析测井数据时序关系，获取地层上下的关联特性；然后，Attention模块量化BiGRU输出数据的特征权重，进一步学习测井数据之间的相关性(张铮等，2023)；最后，将经过Attention模块加权的特征输入全连接层进行特征降维，输出重构的曲线.
图6 TCN-BiGRU-MHA模型结构

Fig 6 Structure of TCN-BiGRU-MHA

1.5 模型评估指标

本文以均方误差(MSE)、均方根误差(RMSE)及平均绝对误差(MAE)作为模型的评估指标，计算公式如下：
$\text { MSE }=\frac{1}{n} \sum\limits_{i=1}^n\left(y_i-\hat{y}_i\right)^2, $
$ \text { RMSE }=\sqrt{\frac{1}{n} \sum\limits_{i=1}^n\left(y_i-\hat{y}_i\right)^2}, $
$\text { MAE }=\frac{1}{n} \sum\limits_{i=1}^n\left|y_i-\hat{y}_i\right|, $
式中，n为样本总数，yi为真实曲线数据，$ \hat{y}_i$为重构曲线数据.在评估模型性能时，MSE越小反映了模型重构精度越高，RMSE越小代表模型具有更强的泛化性和稳定性，而MAE越小说明模型拟合效果越好.

2 案例分析

本文实验数据取自西湖凹陷某勘探开发区域五口井的真实测井数据，五口井数据均包含井径(CAL)、中子(CNCF)、声波时差(DT)、密度(DEN)、自然伽马(GR)、浅电阻率(RS)、光电吸收截面指数(PE)和自然电位(SP)等曲线，探测深度为2400~4200 m，采样间隔0.1 m.五口井中上述测井数据都是完整的，只有部分井段由于扩径影响出现失真，且选取的所有数据集均来源于古近系同一目的层段，以确保数据集在横向特征上的一致性.为了验证模型对测井数据的重构能力，假设DEN曲线出现失真或缺失，利用五口井测井曲线数据完成基于TCN-BiGRU-MHA模型的曲线重构实验，并根据实验结果分析该方法重构测井曲线的能力.

2.1 相关性分析

为确保输入数据的有效性，需要对测井曲线进行相关性分析.本文使用距离相关系数(Distance Correlation)来深入挖掘曲线之间的线性和非线性关系，以两组数据X和Y为例，其计算公式为：
$d {Cor}(X, Y)=\frac{d {Cov}(X, Y)}{\sqrt{d {Var}(X) \cdot d {Var}(Y)}}, $
式中，dCov(X, Y)为距离协方差，dVar(X)和dVar(Y)为X、Y对应的距离方差，dCor(X, Y)为X、Y的距离相关系数.
图 7为A井常规测井九条曲线之间的距离相关性热图，从图中可以看出与DEN曲线相关性大于0.35的有GR，PE，RD，RS和SP，而RD与RS之间的相关性为0.98，两条电阻率曲线提供的特征信息高度重叠，所以选用GR、PE、SP和相关性较高的RS作为输入数据进行实验.
图7 测井曲线相关度热图

Fig 7 Logging correlation heat map

2.2 物理约束分析

前人所提出的基于深度学习的曲线重构方法主要依赖于曲线数据本身，忽略了先验知识的重要性.为了充分利用现有数据资源，该模型在测井曲线资料的基础上，添加了地层岩性指标(STRLIT)作为模型的物理约束.不同岩性具有不同的矿物成分和孔隙结构，在测井曲线上表现为数值的波动.通过数字化标识各种岩性类型进行训练(如表 1所示)，模型能够学习曲线随岩性变化的规律，从而提高模型重构精度.
表1 岩性标签

Table 1 Lithology labels

岩性 矿物 标签
细砂岩 石英、暗色矿物 1
粉砂岩 石英 2
泥质粉砂岩 石英、黏土 3
泥岩 黏土 4
粉砂质泥岩 黏土、石英 5
为验证物理约束能够增强模型重构测井曲线的能力，建立了两种模型进行比较实验：一是加入物理约束的C-TCN-BiGRU-MHA模型，二是未加入物理约束的U-TCN-BiGRU-MHA模型，以A井2530~2930 m层段作为训练数据，2930~2980 m层段作为测试集，模型重构结果及误差如图 8和表 2所示.在图 8中第五道DEN-CTBM是加入物理约束的模型重构曲线，DEN为真实曲线，第六道DEN-UTBM是未加入物理约束的模型重构曲线.观察图 8和表 2可知，CTBM模型与UTBM模型重构测井曲线都取得了良好的效果，整体变化趋势与原始曲线一致，但CTBM模型重构曲线与原始曲线误差更小，其MSE、RMSE和MAE与UTBM相比分别减少47.2%、26.9%和35.1%, 表明CTBM模型的重构精度以及稳定性更好，证明了在模型中加入物理约束的合理性.
图8 物理约束影响对比图

Fig 8 Physical constraints affect comparative diagram

表2 物理约束影响误差分析

Table 2 The impact of physical constraints on the analysis of errors

模型 MSE RMSE MAE
CTBM 0.001431 0.037829 0.027368
UTBM 0.002678 0.051749 0.042165

2.3 实验对比分析

为了评估TCN-BiGRU-MHA模型重构测井曲线的性能，本研究选取曲线质量较好的B井2900~3300 m制作训练数据，根据相关性分析以GR、CAL、DT、CNCF四种曲线作为输入，对B、C两口井进行曲线重构实验.在进行密度曲线重构实验前，所有数据均经过归一化和标准化处理，并融入了地层岩性指标，以确保实验条件的一致性.随后，将TCN-BiGRU-MHA模型与Gardner、MCF、GRU和BiGRU模型的重构结果进行对比.其中GRU由一个GRU层(隐藏节点数128)和两个全连接层(神经元节点数分别为64和32，使用LeakyReLU激活函数)组成；BiGRU由一个双向循环GRU层(隐藏节点数64)和两个全连接层(神经元节点数同样为64和32，使用LeakyReLU激活函数)组成.且所有模型均采用Adam优化算法和层归一化技术.Adam算法结合动量和RMSProp的优势，提供自适应学习率，以加快训练的速度和提高优化效率，而层归一化则通过减少不同层输入分布的变化来稳定训练过程.
图 9为GRU、BiGRU以及CTBM模型的测井曲线重构模型训练过程.从图中可以看出，在10次迭代之前，每种模型的训练损失快速下降，超过30次迭代之后，下降趋于平稳，且CTBM的训练损失明显低于GRU与BiGRU，表明该模型可以更好地捕捉数据之间的模式和关系，其结构复杂度与研究问题的需求相匹配.五种方法对缺失DEN曲线的重构结果及误差如图 10、11和表 3、4所示，图中DEN-Gardner为使用Gardner公式的密度曲线重构结果；DEN-MCF为使用多元拟合的密度曲线重构结果；DEN-GRU为使用门控循环单元的密度曲线重构结果；DEN-BiGRU为使用双向门控循环单元的密度曲线重构结果；DEN-CTBM为使用本文模型的密度曲线重构结果.从图中可以看出，在B井2760~2775 m、2800~2820 m层段，测井曲线未出现突变，五种方法均表现出良好的重构效果，重构结果与真实曲线的变化趋势较为一致. 然而，在B井2775~2800 m、2820~2850 m层段和C井2755~2782 m层段(绿色虚线框所示)，密度曲线与声波曲线的变化趋势不一致，导致依据声波数据计算密度曲线的Gardner公式重构误差较大；MCF和GRU的重构密度曲线与原始曲线趋势相近，但在密度发生明显突变的尖峰段(如B井2790~2798 m、2823~2829 m和C井2763~2770 m)，重构精度显著下降.这是由于MCF和GRU的单向性限制了其捕捉未来信息的能力，导致模型在这些突变段难以做出准确的预测.相比之下，BiGRU和CTBM模型能够更全面地捕捉测井数据的历史和未来信息，因此它们的曲线重构结果能够较为准确地反映失真或缺失曲线的变化趋势.从表 3、4的结果可以看出，CTBM模型的重构误差明显小于BiGRU模型，这表明CTBM模型通过结合时间卷积网络和注意力机制的优势，有效地弥补了BiGRU模型在测井曲线重构精度上的不足，实现了更高的精度和稳定性.
图9 模型损失函数曲线对比

Fig 9 Comparison of model loss function curves

图10 B井密度曲线重构结果对比图

Fig 10 Comparison of density profile reconstruction results for well B

图11 C井密度曲线重构结果对比图

Fig 11 Comparison of density profile reconstruction results for well C

表3 B井不同模型重构误差

Table 3 Reconstruction errors of various models for well B

模型 MSE RMSE MAE
Gardner 0.014679 0.121155 0.08839
MCF 0.003985 0.063127 0.044
GRU 0.003152 0.056143 0.040319
BiGRU 0.002515 0.050149 0.038565
CTBM 0.001309 0.036187 0.027607
表4 C井不同模型重构误差

Table 4 Reconstruction errors of various models for well C

模型 MSE RMSE MAE
Gardner 0.011408 0.106808 0.091846
MCF 0.003513 0.059271 0.046669
GRU 0.003252 0.057026 0.043394
BiGRU 0.003087 0.055561 0.04176
CTBM 0.001776 0.042143 0.030275

2.4 岩心标定实验

为了进一步测试CTBM网络模型在实际应用中的泛化性，将完成训练的模型应用于D、E两口测试井进行密度曲线重构，并使用D井和E井的岩心密度对重构结果进行岩心标定，结果如图 12和图 13所示.在图 12和图 13第五道中，Core-DEN代表岩心密度，DEN-CTBM代表重构密度，DEN代表补偿密度.从结果可以看出，两口井重构得到的密度曲线与岩心密度高度吻合，且在E井3690~3707 m扩径段依旧显示出良好的一致性.这表明CTBM模型通过学习测井曲线数据，能够提取出具有普适性的地层特征信息，并有效降低数据失真的影响.因此，在不同的地层条件下，CTBM模型都能够得到准确且符合地质实际的曲线重构结果，证明了TCN-BiGRU-MHA模型在密度曲线重构上具有较好的泛化性.
图12 D井重构曲线岩心标定

Fig 12 Calibration of reconstructed curves for core from well D

图13 E井重构曲线岩心标定

Fig 13 Calibration of reconstructed curves for core from well E

3 结论

(1) 本文提出了一种基于TCN-BiGRU-MHA网络的测井曲线重构方法.该方法通过TCN的卷积特性捕捉测井数据的长期依赖关系，并引入多头注意力机制增强BiGRU对重要特征的选择能力，从而实现对密度曲线的精准重构.
(2) 将地层岩性指标作为物理约束融入常规测井曲线数据中，提高数据的一致性和互补性，增强了模型对复杂地层变化的适应能力.物理约束分析实验结果表明，融入地层岩性指标提高了测井曲线重构的精度和稳定性.
(3) 通过对比实验以及岩心标定实验的结果可以看出，TCN-BiGRU-MHA模型不仅在密度曲线重构方面表现出色，而且在不同井的密度曲线重构中也展示出良好的泛化能力.

感谢审稿专家提出的修改意见和编辑部的大力支持！

References

Publishing order | Descend order by publishing year | Descend order by cited within
Bahdanau D, Cho K, Bengio Y. 2014. Neural machine translation by jointly learning to align and translate. arXiv preprint arXiv: 1409.0473. http://arxiv.org/abs/1409.0473.

Chen Y G , Liu K N , Wang S . Fault knowledge graph construction for aviation equipment based on BiGRU-Attention improvement. Acta Aeronautica et Astronautica Sinica, 2024, 45 (18): 168- 181.

DOI

Cheng C , Gao Y , Chen Y , et al. Reconstruction method of old well logging curves based on BI-LSTM model—taking Feixianguan formation in east Sichuan as an example. Coatings, 2022, 12 (2): 113

DOI

Chung J, Gulcehre C, Cho K H, et al. 2014. Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv: 1412.3555. http://arxiv.org/abs/1412.3555.

Duan Z Y , Wu Y , Xiao Y , et al. Density logging curve reconstruction method based on CGAN and CNN-GRU combined model. Progress in Geophysics, 2022, 37 (5): 1941- 1945.

DOI

Farha Y A, Gall J. 2019. MS-TCN: multi-stage temporal convolutional network for action segmentation. //Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach: IEEE, 3570-3579, doi: 10.1109/CVPR.2019.00369.

He M , Yu H F , Tian Z Y , et al. Automatic recognition and reconstruction of abnormal density and acoustic log curves: a case study from B basin, Chad. Progress in Geophysics, 2018, 33 (5): 1911- 1918.

DOI

Hewage P , Behera A , Trovati M , et al. Temporal convolutional neural (TCN) network for an effective weather forecasting using time-series data from the local weather station. Soft Computing, 2020, 24 (21): 16453- 16482.

DOI

Huang C , Lan M J , Qin Z C . The application of several logging curve correction methods to well Shun-9block of Tazhong area in Tarim Basin. Chinese Journal of Engineering Geophysics, 2014, 11 (4): 493- 497.

DOI

Jin Y J , Zhang Q , Wang M M . Well logging curve reconstruction based on genetic neural network. Progress in Geophysics, 2021, 36 (3): 1082- 1087.

DOI

Li G Q , Chen W H , Mu C . Residual-wider convolutional neural network for image recognition. IET Image Processing, 2020, 14 (16): 4385- 4391.

DOI

Li N , Xu B S , Wu H L , et al. Application status and prospects of artificial intelligence in well logging and formation evaluation. Acta Petrolei Sinica, 2021, 42 (4): 508- 522.

DOI

Liu A J , Zhang W , Li Q . Correction method of logging curves based on rock physics model. China Measurement & Test, 2013, 39 (5): 20- 23.

Ren Q , Zhang H B , Azevedo L , et al. Reconstruction of missing well-logs using facies-informed discrete wavelet transform and time series regression. SPE Journal, 2023, 28 (6): 2946- 2963.

DOI

Tang X Y , Li P . Analyzing on applicability of expanding influence correction method of acoustic logging in the coalbed methane reservoir. Progress in Geophysics, 2016, 31 (5): 2145- 2149.

DOI

Wang J , Cao J X , You J C . Reconstruction of logging traces based on GRU neural network. Oil Geophysical Prospecting, 2020, 55 (3): 510- 520.

DOI

Wang J , Cao J X , Fu J C , et al. Missing well logs prediction using deep learning integrated neural network with the self-attention mechanism. Energy, 2022, 261: 125270

DOI

Wang J R , Liang L W , Deng Q , et al. Research and application of log reconstruction based on multiple regression model. Lithologic Reservoirs, 2016, 28 (3): 113- 120.

DOI

Wang T T , Wang Z H , Li F , et al. Lithology identification in Optuna-BiGRU logging based on enhanced multi-head attention mechanism. Journal of Earth Sciences and Environment, 2024, 46 (1): 127- 142.

DOI

Wang Z F , Xu H Q , Yang M Q , et al. Seismic impedance inversion method based on temporal convolutional neural network. Oil Geophysical Prospecting, 2022, 57 (2): 279- 286. 279-286, 296

DOI

Yan X Y , Gu H M , Xiao Y F , et al. XGBoost algorithm applied in the interpretation of tight-sand gas reservoir on well logging data. Oil Geophysical Prospecting, 2019, 54 (2): 447- 455.

DOI

Yang Z L , Zhou L , Peng W L , et al. Application of BP neural network technology in sonic log data rebuilding. Journal of Southwest Petroleum University (Science & Technology Edition), 2008, 30 (1): 63- 66.

DOI

Yue G. 2019. Application of density curve reconstruction technology in seismic inversion. //IOP Conference Series: Earth and Environmental Science. IOP Publishing, 022084, doi: 10.1088/1755-1315/300/2/022084.

Zeng L L , Ren W J , Shan L Q , et al. Well logging prediction and uncertainty analysis based on recurrent neural network with attention mechanism and Bayesian theory. Journal of Petroleum Science and Engineering, 2022, 208: 109458

DOI

Zhai X Y , Gao G , Li Y G , et al. Reconstruction method of logging curves by 2D convolutional neural network integrating attention mechanism. Oil Geophysical Prospecting, 2023, 58 (5): 1031- 1041.

DOI

Zhang D X , Chen Y T , Meng J . Synthetic well logs generation via recurrent neural networks. Petroleum Exploration and Development, 2018, 45 (4): 598- 607.

DOI

Zhang H T , Yang X M , Chen Z , et al. Log data reconstruction method based on enhanced bidirectional long short-term memory neural network. Progress in Geophysics, 2022, 37 (3): 1214- 1222.

DOI

Zhang J C , Deng J G , Tan Q , et al. Reconstruction of well logs based on XGBoost. Oil Geophysical Prospecting, 2022, 57 (3): 697- 705.

DOI

Zhang J J , Shao K , Luo X . Small sample image recognition using improved Convolutional Neural Network. Journal of Visual Communication and Image Representation, 2018, 55: 640- 647.

DOI

Zhang Z , Gao S , Zhang Z Y . Prediction model of dissolved oxygen in pond based on feature construction pretreatment and TCN-BiGRU. Journal of Shanghai Ocean University, 2023, 32 (5): 943- 952.

DOI

Zhou W , Zhao H H , Jiang F Y , et al. Logging data reconstruction based on cascade bidirectional long short-term memory neural network. Oil Geophysical Prospecting, 2022, 57 (6): 1473- 1480.

DOI

Zhou X , Cao J X , Wang X J , et al. Acoustic log reconstruction based on bidirectional Gated Recurrent Unit (GRU) neural network. Progress in Geophysics, 2022, 37 (1): 357- 366.

DOI

陈 勇刚 , 刘 康妮 , 王 帅 . 基于BiGRU-Attention改进的航空设备故障知识图谱构建. 航空学报, 2024, 45 (18): 168- 181.

DOI

段 中钰 , 吴 俣 , 肖 勇 , 等. 基于CGAN与CNN-GRU组合模型的密度测井曲线重构方法. 地球物理学进展, 2022, 37 (5): 1941- 1945.

DOI

何 苗 , 于 海峰 , 田 中元 , 等. 乍得B盆地密度和声波时差曲线异常自动识别与重构. 地球物理学进展, 2018, 33 (5): 1911- 1918.

DOI

黄 超 , 兰 明杰 , 秦 贞超 . 多种测井曲线校正方法在塔中顺9井区的应用. 工程地球物理学报, 2014, 11 (4): 493- 497.

DOI

金 永吉 , 张 强 , 王 毛毛 . 基于遗传神经网络算法的测井曲线重构技术. 地球物理学进展, 2021, 36 (3): 1082- 1087.

DOI

李 宁 , 徐 彬森 , 武 宏亮 , 等. 人工智能在测井地层评价中的应用现状及前景. 石油学报, 2021, 42 (4): 508- 522.

DOI

刘 爱疆 , 张 玮 , 李 卿 . 基于岩石物理测试模型的测井曲线校正方法. 中国测试, 2013, 39 (5): 20- 23.

汤 小燕 , 李 盼 . 声波时差测井扩径影响校正方法在煤层气储层中的适用性分析. 地球物理学进展, 2016, 31 (5): 2145- 2149.

DOI

王 俊 , 曹 俊兴 , 尤 加春 . 基于GRU神经网络的测井曲线重构. 石油地球物理勘探, 2020, 55 (3): 510- 520.

DOI

王 俊瑞 , 梁 力文 , 邓 强 , 等. 基于多元回归模型重构测井曲线的方法研究及应用. 岩性油气藏, 2016, 28 (3): 113- 120.

DOI

王 婷婷 , 王 振豪 , 李 方 , 等. 基于增强多头注意力机制的Optuna-BiGRU测井岩性识别. 地球科学与环境学报, 2024, 46 (1): 127- 142.

DOI

王 泽峰 , 许 辉群 , 杨 梦琼 , 等. 应用时域卷积神经网络的地震波阻抗反演方法. 石油地球物理勘探, 2022, 57 (2): 279- 286. 279-286, 296

DOI

闫 星宇 , 顾 汉明 , 肖 逸飞 , 等. XGBoost算法在致密砂岩气储层测井解释中的应用. 石油地球物理勘探, 2019, 54 (2): 447- 455.

DOI

杨 志力 , 周 路 , 彭 文利 , 等. BP神经网络技术在声波测井曲线重构中的运用. 西南石油大学学报(自然科学版), 2008, 30 (1): 63- 66.

DOI

翟 晓岩 , 高 刚 , 李 勇根 , 等. 融合注意力机制的二维卷积神经网络测井曲线重构方法. 石油地球物理勘探, 2023, 58 (5): 1031- 1041.

DOI

张 东晓 , 陈 云天 , 孟 晋 . 基于循环神经网络的测井曲线生成方法. 石油勘探与开发, 2018, 45 (4): 598- 607.

DOI

张 海涛 , 杨 小明 , 陈 阵 , 等. 基于增强双向长短时记忆神经网络的测井数据重构. 地球物理学进展, 2022, 37 (3): 1214- 1222.

DOI

张 家臣 , 邓 金根 , 谭 强 , 等. 基于XGBoost的测井曲线重构方法. 石油地球物理勘探, 2022, 57 (3): 697- 705.

DOI

张 铮 , 高 森 , 张 泽扬 . 基于特征构造预处理与TCN-BiGRU的池塘溶解氧预测模型. 上海海洋大学学报, 2023, 32 (5): 943- 952.

DOI

周 伟 , 赵 海航 , 蒋 云凤 , 等. 基于串级双向长短时记忆神经网络的测井数据重构. 石油地球物理勘探, 2022, 57 (6): 1473- 1480.

DOI

周 欣 , 曹 俊兴 , 王 兴建 , 等. 基于双向门控循环单元神经网络的声波测井曲线重构技术. 地球物理学进展, 2022, 37 (1): 357- 366.

DOI

Options
Outlines

/

〈 〉