基于空間近似概率約束的混合密度網絡砂體厚度預測

劉 可,尹 成,趙 虎,張運龍

(1.西南石油大學地球科學與技術學院,四川成都610500;2.中國石油新疆油田分公司勘探開發研究院,新疆克拉瑪依834000)

神經網絡作為一種由數據驅動的非線性算法,因其“端對端”的特點以及強大的學習能力,廣泛應用于圖像處理、語音識別、自然語言處理等領域[1]。根據神經網絡所承擔任務的數學特點可分為:聚類任務、分類任務、回歸任務、重構任務等。

在地球物理領域,聚類任務主要包括地震相劃分[2],常使用自組織映射(SOM)神經網絡;分類任務包括儲層識別[3]、初至波識別[4]、斷層識別[5]等,常使用概率神經網絡(PNN)和具有二維空間適應能力的卷積神經網絡(CNN)等;回歸任務包括巖石物理參數預測[6]、儲層參數預測[7]、測井曲線預測[8]等,往往使用前饋神經網絡(BP)、徑向基神經網絡(RBF)、循環神經網絡(RNN)等;重構任務包括疊前、疊后地震數據插值重構[9]、地震數據去噪[10]等,主要使用卷積神經網絡(CNN)、深度殘差網絡(RESnet)以及U型神經網絡(U-net)等。

在回歸任務中的儲層參數預測研究方面,除神經網絡方法外,樹模型類方法[11]、支持向量機類方法[12]、多元回歸類方法[13]等方法也被廣泛應用。在傳統方法基礎上,近年提出了以深度神經決策森林(DNDF)[14]、自適應神經決策樹(ANT)[15]為代表的多方法融合深度學習模型。雖然這些模型多適用于分類任務,但只須將模型進行少許變形即可適用于回歸任務,如由深度神經決策森林(DNDF)發展而來的深度回歸森林(DRF)[16]。本質而言,這些方法或模型均可視為一個復雜的、非線性的函數,即每個輸入都有確定唯一的輸出與之對應,因此這些方法或模型僅適用于復雜唯一性問題。……