嵌入注意力機制的時空網(wǎng)絡(luò)設(shè)計及孔隙度可靠性預(yù)測
2025-09-28 00:00:00李艷輝陶悅
石油地球物理勘探 2025年3期
中圖分類號：P631 文獻標(biāo)識碼：A DOI：10. 13810/j. cnki. issn. 1000?7210. 20240201
Design of spatio?temporal network embedded with attention mechanism and prediction of porosity reliability
LI Yanhui1，2，TAO Yue2
（1. Bohai Rim Energy Research Institute，Northeast Petroleum University，Qinhuangdao，Hebei 066004，China； 2. School of Electrical amp; Information Engineering，Northeast Petroleum University，Daqing，Heilongjiang 163318，China）
Abstract：Porosity is an important indicator for evaluating reservoirs and calculating reserves. However，the traditional coring method is costly to obtain porosity，and the porosity prediction method based on regression analysis and a statistical model often has significant errors. Therefore，a reservoir porosity prediction model that combines convolutional neural network （ CNN ）， bidirectional long short ? term memory network （ BiLSTM），and attention mechanism is constructed，and its performance is verified using actual well logging data. Firstly，the complex nonlinear spatio ? temporal relationships of logging data are captured with CNN and BiLSTM. Then，the convolutional self?attention mechanism is embedded，which generates queries and keys by causal convolution and allows better integration of local information into the attention mechanism . Compared with traditional self?attention mechanisms，this approach avoids the influence of abnormal data on the prediction results. Finally，the Monte Carlo dropout approach is used to quantify the uncertainty of the model，providing confidence intervals for reservoir porosity prediction and further assessing prediction credibility. The compari? son experiments among multiple models show that the proposed method has high accuracy in predicting reser? voir porosity. The experiments on two wells with different characteristics show that the method has strong generalization ability.
Keywords：reservoir porosity prediction，convolutional neural network，bidirectional long short ? term memory network，attention mechanism，uncertainty quantification
李艷輝，陶悅 . 嵌入注意力機制的時空網(wǎng)絡(luò)設(shè)計及孔隙度可靠性預(yù)測［J］. 石油地球物理勘探，2025，60（3）：555?563.LI Yanhui，TAO Yue. Design of spatio?temporal network embedded with attention mechanism and predictionof porosity reliability［J］. Oil Geophysical Prospecting，2025，60（3）：555?563.
0 引言
孔隙度是評估儲層油氣儲存能力的重要物理參數(shù)之一，其準確性對地質(zhì)解釋、油氣勘探與開發(fā)工作至關(guān)重要[1]。盡管通過鉆井巖心取樣并進行巖石物理分析可以直接、準確地獲取孔隙度[2]，但取樣和測試方法成本過高，不適于大規(guī)模應(yīng)用。孔隙度受埋藏深度、構(gòu)造位置、巖性變化等因素的影響，呈現(xiàn)出復(fù)雜的非線性特征[3]。傳統(tǒng)的線性回歸[4]和數(shù)字巖心等效分形介質(zhì)模型預(yù)測[5]等方法難以捕捉孔隙度與測井?dāng)?shù)據(jù)之間復(fù)雜的變化規(guī)律，因而難以實現(xiàn)孔隙度的準確預(yù)測。
近年來，隨著數(shù)字智能化技術(shù)的發(fā)展，深度學(xué)習(xí)技術(shù)以其強大的特征提取和模型預(yù)測能力，為儲層孔隙度的準確預(yù)測提供了新思路。Feng[6]使用一維卷 積 神 經(jīng) 網(wǎng) 絡(luò) （1D Convolutional Neural Network，1DCNN）捕獲測井曲線不同尺度的特征，更好地理解了測井?dāng)?shù)據(jù)的局部結(jié)構(gòu)。相比傳統(tǒng)全連接神經(jīng)網(wǎng)絡(luò)，1DCNN 需要估計的參數(shù)更少。因此，在孔隙度預(yù)測任務(wù)中，將一維卷積層置于網(wǎng)絡(luò)首層可提高網(wǎng)絡(luò)的計算效率。需要注意的是，卷積神經(jīng)網(wǎng)絡(luò)（Con?volutional Neural Network，CNN） 通 常 用 于 生 成 從輸入測井?dāng)?shù)據(jù)到輸出測井?dāng)?shù)據(jù)的點對點映射，而巖石物性通常表現(xiàn)出隨深度變化的趨勢。長短期記憶網(wǎng)絡(luò)（Long Short?Term Memory，LSTM）可以有效地捕捉測井?dāng)?shù)據(jù)中的時間相關(guān)性。Chen 等[7]提出了多層 LSTM，用少量訓(xùn)練樣本去預(yù)測儲層的孔隙度。結(jié)果表明，LSTM 在預(yù)測深度序列的趨勢時，可以更好地預(yù)測深度拐點處的孔隙度，減少數(shù)據(jù)不足且測井深度不同時的孔隙度測量誤差。Wang等[8]提出了基于 CNN 和 LSTM 的時空網(wǎng)絡(luò)（CNN?LSTM），即通過 CNN 提取測井?dāng)?shù)據(jù)的空間特征，再由 LSTM 處理時間維度，充分考慮不同測井序列與孔隙度的相關(guān)性、變化趨勢以及上下文信息與深度的相關(guān)性，從一系列輸入測井?dāng)?shù)據(jù)中預(yù)測孔隙度。然而，LSTM 只能捕獲單向特征，但 CNN 傳遞給LSTM 的特征應(yīng)具備多維屬性。在儲層孔隙度預(yù)測中，深層孔隙度不僅與淺層測井參數(shù)相關(guān)，還與更深層地層數(shù)據(jù)相關(guān)。若僅使用單向 LSTM 進行回歸，將會丟失關(guān)鍵信息。Sun 等[9]使用雙向長短期記憶 網(wǎng) 絡(luò) （Bidirectional Long Short ? Term Memory，
BiLSTM）捕捉地層上下圍巖組合之間的相關(guān)性，充分利用上下文信息，提高了模型的預(yù)測能力和準確性。研究發(fā)現(xiàn)，不同的測井參數(shù)與孔隙度之間的相關(guān)性存在差異[10]，如果在預(yù)測中同等對待這些參數(shù)則會影響孔隙度預(yù)測的準確性。注意力機制的提出解決了時空網(wǎng)絡(luò)[8]未考慮不同特征對預(yù)測結(jié)果影響的問題，它可以根據(jù)輸入的數(shù)據(jù)動態(tài)地分配權(quán)重，使模型更好地關(guān)注重要的部分。Yang 等[11]使用自注意力機制（Self?Attention Mechanism，ATT）預(yù)測滲透率，將模型的計算資源集中在關(guān)鍵信息上，降低了預(yù)測誤差并減少時間成本。
在油氣勘探中，儲層孔隙度的預(yù)測結(jié)果可能受到測井?dāng)?shù)據(jù)的固有噪聲和模型不確定性的影響。雖然深度學(xué)習(xí)方法在儲層孔隙度預(yù)測方面取得了顯著的成果[12?15]，但它們通常忽略了不確定性對預(yù)測方法的影響，從而導(dǎo)致預(yù)測結(jié)果的可靠性不足。從安全角度考慮，不確定性量化被視為接受所提出模型的重要前提[16]。傳統(tǒng)隨機失活（dropout）通過減少神經(jīng)元的依賴關(guān)系，提高了模型的泛化能力。蒙特卡洛（MC） dropout[17]將深度神經(jīng)網(wǎng)絡(luò)中的 dropout 訓(xùn)練視為深度高斯過程的近似貝葉斯推理，可用于估計模型不確定性。Bethell 等[18]使用 MC dropout 構(gòu)造預(yù)測區(qū)間，通過考慮隨機性和模型錯誤指定的影響為決策者提供信息。
為了合理、準確地利用測井?dāng)?shù)據(jù)預(yù)測儲層孔隙度，挖掘數(shù)據(jù)中隱藏的關(guān)聯(lián)與規(guī)律，本文在 CNN ?LSTM 時空網(wǎng)絡(luò)的基礎(chǔ)上引入 BiLSTM，更好地利用測井?dāng)?shù)據(jù)的雙向信息，捕捉地層與圍巖的關(guān)系。嵌入注意力機制，捕捉測井?dāng)?shù)據(jù)中不同特征對于孔隙度的依賴關(guān)系，使模型聚焦于與孔隙度相關(guān)的重要信息。在自注意力機制中引入因果卷積，有效避免了異常數(shù)據(jù)對預(yù)測的干擾。運用 MC dropout 的方法對模型不確定性進行量化，可為決策者提供更可靠的預(yù)測結(jié)果及置信區(qū)間，從而提高決策的科學(xué)性和有效性。
1 CNN ? BiLSTM ? CATT 預(yù) 測 模 型構(gòu)建
本文在 CNN?BiLSTM 時空網(wǎng)絡(luò)基礎(chǔ)上嵌入卷積 自 注 意 力 機 制 （Convolutional Self?AttentionMechanism，CATT），構(gòu) 建 CNN ?BiLSTM ?CATT網(wǎng) 絡(luò) 模 型 。 該 模 型 主 要 由 輸 入 層 、CNN 層 、
圖 1 CNN?BiLSTM?CATT 預(yù)測模型架構(gòu)
BiLSTM 層、卷積自注意機制層及輸出層構(gòu)成，結(jié)構(gòu)如圖 1 所示，模型中各層工作原理如下。
（1）輸入層。將經(jīng)過數(shù)據(jù)預(yù)處理的歷史測井?dāng)?shù)據(jù)作為模型的輸入，可表示為 R=[Γr1，Γr2，Γr3，…，Γrn] ，其中 n 為輸入特征的個數(shù)。
（2）卷積層。該層經(jīng)過一維卷積和最大池化處理，將原始測井?dāng)?shù)據(jù)映射到隱藏層的特征空間，從而提取測井?dāng)?shù)據(jù)的空間特征。其運算過程為
式中：下標(biāo) Ψt 為對應(yīng)的某一時刻；在 t 時刻，相應(yīng)地Ct 為卷積層的輸出， Pt 為池化層的輸出， Gt 為最終輸出向量， ωt 與 θι 為權(quán)重， 
與 μt 為偏置； ? 表示卷積運算；ReLU 和 Sigmoid 為非線性激活函數(shù)；
Max （C） 表示數(shù)據(jù)的最大值。
（3）BiLSTM 層。將 CNN 層提取的特征作為輸入，通過 BiLSTM 層進一步提取序列特征。經(jīng)典的 LSTM 通過引入門機制，更好地捕捉、保留長期信息。但其狀態(tài)傳輸為單向，僅與過去的信息有關(guān)，可能造成相關(guān)信息的丟失。
BiLSTM 包含兩個方向的 LSTM 結(jié)構(gòu)（圖 2）。在儲層孔隙度預(yù)測中，BiLSTM 為每個時間步提供更全面的上下儲層信息，有助于減少因地層結(jié)構(gòu)復(fù)雜和數(shù)據(jù)噪聲等因素的影響，提高預(yù)測的準確性和穩(wěn)定性。本文構(gòu)建了兩層 BiLSTM 以充分探究測井?dāng)?shù)據(jù)的變化趨勢并捕獲內(nèi)部時空特征。
經(jīng)過 BiLSTM 層后的輸出 Hι 運算過程為
式中： 
表示前向?qū)拥妮敵觯?
表示后向?qū)拥妮敵觯?σ 為求和函數(shù)，用于耦合兩個 
和 
序列。
圖 2 BiLSTM 網(wǎng)絡(luò)架構(gòu)Ωa 和 h 分別為輸入和輸出。
（4）卷積自注意力機制層。該層對 CNN?BiLSTM提取的時空特征進行加權(quán)，劃分不同測井因素在孔隙度預(yù)測中的重要程度，突出關(guān)鍵信息的影響。傳統(tǒng)自注意力機制通過點積計算 Q 與 K 之間的相似度，再除以縮放因子 
，其中 Q 和 K 分別為查詢向量和鍵向量， dk 為 Q 和 K 的維度；然后通過Softmax 函數(shù)歸一化，得到注意力權(quán)重；最后將注意力權(quán)重與值向量 V 進行加權(quán)求和，實現(xiàn)每個輸入元素的新表示。具體計算公式為
卷積自注意力機制通過內(nèi)核尺寸為 s 、步長為 1的因果卷積生成 Q 和 K （圖 3a），使注意力機制更好地感知局部上下文信息。相比傳統(tǒng)自注意力機制的逐點計算（圖 3b 紅虛線標(biāo)記點），卷積自注意力機制的切片輸入（圖 3a 紅框部分）可避免因局部上下文的 Q 與 K 匹配不可知而導(dǎo)致的異常數(shù)據(jù)對預(yù)測結(jié)果的影響。
圖3 卷積自注意力機制與傳統(tǒng)自注意力機制對比
Conv，s 表示內(nèi)核尺寸為 s. 、步長為1 的因果卷積。
（5）輸出層。將卷積自注意力機制層 Ψt 時刻的輸出 Ot 作為輸入，得到 Ψt 時刻的儲層孔隙度預(yù)測值 Yt ，即
Yt=ωtOt+bt
本文構(gòu)建的預(yù)測模型結(jié)合了 CNN 高效的特征提取能力與 BiLSTM 處理長時間序列的能力。通過卷積自注意力機制，模型突出關(guān)鍵信息的同時，還可以更好地適應(yīng)復(fù)雜的井下環(huán)境，避免異常數(shù)據(jù)干擾時間序列，從而提高儲層孔隙度預(yù)測結(jié)果的準確性。
2 孔隙度預(yù)測可靠性評估
在實際的勘探過程中存在多種不確定性因素，如復(fù)雜的測井環(huán)境導(dǎo)致的測井?dāng)?shù)據(jù)異常、缺失、噪聲等偶然的不確定性，以及在模型訓(xùn)練過程中由于測試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)的差異引起的模型認知不確定性。這些不確定性因素可能對儲層孔隙度的預(yù)測結(jié)果產(chǎn)生影響。本文選用 MC dropout[17]的方法對模型不確定性進行量化，構(gòu)造明確的置信區(qū)間，評估模型預(yù)測結(jié)果的可信度，提高預(yù)測結(jié)果的可靠性。
將函數(shù) fw（?） 表示神經(jīng)網(wǎng)絡(luò)算法，其中 ρw 是模型參數(shù)的集合。給定一組 N 個觀測值 {X，y} ，貝葉斯推理是找到模型參數(shù) ?（w|X，y） 的后驗分布。對于新的數(shù)據(jù)點 x* ，通過邊緣化后驗分布來獲取預(yù)測分布，即
式中：假設(shè)高斯先驗為 w～N（0，I）;y* 是數(shù)據(jù)點 x* 對應(yīng)模型的輸出。
MC dropout 的方法是將深度神經(jīng)網(wǎng)絡(luò)中的dropout 訓(xùn)練視為深度高斯過程的近似貝葉斯推理，可用于推測深度學(xué)習(xí)模型預(yù)測 y*=fw（x*） 的不確定性。該算法運算如下。
首先，在每個隱藏層后執(zhí)行 dropout 操作，以一定的概率 p 隨機丟棄每個隱藏單元。此時，模型輸出可以近似視為從后驗預(yù)測分布生成的隨機樣本。
其 次 ，將 這 個 隨 機 前 饋 重 復(fù) ?m 次 ，得 到{y1*，…，ym*} 。則模型不確定性可以近似為樣本方差，即
情況的頻率，評估模型預(yù)測結(jié)果的可信度，計算公式為
式中： yj 為真實值； }α（x?） 為模型對輸入 xj* 所構(gòu)建的預(yù)測區(qū)間。
在油氣勘探與開發(fā)中，決策往往伴隨著風(fēng)險。通過量化儲層孔隙度預(yù)測結(jié)果的不確定性，可以幫助決策者更好地評估決策的風(fēng)險，并采取相應(yīng)的措施降低風(fēng)險。同時，評估算法的可靠性，有助于優(yōu)化資源的配置，提高勘探開發(fā)項目的效率和經(jīng)濟性，從而最大程度地利用有限的資源。
然后，量化預(yù)測的標(biāo)準誤差 η ，構(gòu)建近似 α 水平的置信區(qū)間 
，其中 zα/2 是標(biāo)準正態(tài)分布上的 α/2 分位數(shù)。
最后，通過覆蓋率指標(biāo)，度量預(yù)測區(qū)間包含真實
3 儲層孔隙度預(yù)測
本文選用堪薩斯州 A 探區(qū)的 W1、W2 兩口井的真實測井?dāng)?shù)據(jù)驗證 CNN ?BiLSTM ?CATT 儲層孔隙度預(yù)測模型的可行性和優(yōu)越性。W1 井測深為195.0～2993.5m ，W2 井深為 4153.0～4605.0m 。選取自然電位（SP）、井徑（CAL）、補償中子（CNL）、自然伽馬（GR）共 4 種測井曲線（圖 4）。將 W1 井按
照訓(xùn)練集︰驗證集︰測試集以 6︰2︰2 進行數(shù)據(jù)劃分，W2 井作為測試集與 W1 井對比以驗證泛化性。
3. 1 數(shù)據(jù)歸一化
為了消除不同量綱對儲層孔隙度預(yù)測結(jié)果的影響，提高模型的訓(xùn)練速度和預(yù)測精度，本文將測井?dāng)?shù)據(jù)歸一化到 0 和 1 之間，計算公式為
式中： Max（x） 和 Min（x） 為樣本數(shù)據(jù)的最大值和最小值； x 為樣本的值； x′ 為數(shù)據(jù)歸一化后的值。
3. 2 實驗評價指標(biāo)
本文選用平均絕對誤差（Mean Absolute Error，MAE）、均 方 根 誤 差 （Root Mean Square Error，RMSE）、平 均 絕 對 百 分 誤 差 （Mean Absolute Per?centage Error，MAPE）三個評價指標(biāo)評估模型的預(yù)測性能。計算公式分別為
式中 yi 和 
分別為儲層孔隙度的實際值和預(yù)測值。
MAE 和 RMSE 反映預(yù)測孔隙度與真實數(shù)據(jù)之間的偏離程度；MAPE 用于衡量相對偏差大小。以上三種指標(biāo)值越小，表示模型的預(yù)測效果越好。
3. 3 模型預(yù)測性能驗證
為驗證本文構(gòu)建的 CNN ?BiLSTM ?CATT 模型 的 預(yù) 測 性 能 ，將 其 與 LSTM[19]、CNN ?LSTM[8]、CNN?BiLSTM[20]、CNN?BiLSTM?ATT[21]四種模型的預(yù)測結(jié)果進行比較。通過比較模型的損失函數(shù)變化曲線（圖 5）可以看出，本文提出的預(yù)測模型損失函數(shù)迅速下降并趨于穩(wěn)定，展現(xiàn)出了良好的收斂效果。這表明 CNN?BiLSTM ?CATT 模型可以較好地用于儲層孔隙度的預(yù)測。
圖5 不同模型的損失函數(shù)變化曲線
圖 6 展示了五種預(yù)測模型在兩口井中的擬合效果。由圖可見，本文提出的 CNN?BiLSTM?CATT模型的預(yù)測值與真實值基本一致，表明本文模型可以準確地預(yù)測儲層孔隙度。通過 BiLSTM 充分利用測井曲線的雙向特征，卷積自注意力機制更好地感知局部上下文信息，有助于提取測井曲線的重要特征，增強模型對細節(jié)信息處理的能力。從紅框位置放大圖（箭頭所指處）可知，相較于其他方法，本文所提出的方法在提取拐點附近的關(guān)鍵信息方面更加準確。
五種模型的性能評價指標(biāo)結(jié)果（表 1）表明，LSTM 模型的預(yù)測精度最低，各種評價指標(biāo)值均最高。與傳統(tǒng) CNN?LSTM 時空網(wǎng)絡(luò)相比，由于 Bi?LSTM 網(wǎng)絡(luò)能夠有效提取測井?dāng)?shù)據(jù)的雙向序列特征，CNN?BiLSTM 在處理復(fù)雜的時空數(shù)據(jù)時表現(xiàn)
表1 測試集模型預(yù)測結(jié)果評價指標(biāo)對比
更好。以 W1 井為例，其 MAE、RMSE、MAPE 值分別下降了 6.42%.7.15% 和 0.608% 。
CNN?BiLSTM ?ATT 可以提取長數(shù)據(jù)的序列特征，并且不存在梯度消耗的問題，因此可以更有效地 挖 掘 測 井 數(shù) 據(jù) 的 長 期 相 關(guān) 信 息 。 與 CNN ?BiLSTM 模型的比較表明，CNN?BiLSTM?ATT 模型不僅可以提取長序列的序列特征以及捕獲序列的雙向特征，還能計算不同地層測井?dāng)?shù)據(jù)特征的重要性。這些特點使模型更加關(guān)注重要測井?dāng)?shù)據(jù)特征，從而提高孔隙度預(yù)測效果。
將 CNN ?BiLSTM ?CATT 模型與傳統(tǒng)的自注意力機制模型 CNN ?BiLSTM ?ATT 進行比較，其MAE、RMSE 和 MAPE 在 W1、W2 井中分別下降了 15.32%.6.5%.0.74% 和 18.99% 、 12.83% 、0.684% 。相較于自注意力機制中的點積運算，卷積注意力機制中的卷積操作能夠更好地將局部上下文信息融入到注意力機制中，從而更有效地處理測井?dāng)?shù)據(jù)中的噪聲和異常值，提高模型的泛化能力。
本文提出的 CNN?BiLSTM ?CATT 預(yù)測方法預(yù)測結(jié)果的 MAE、RMSE 和 MAPE 在兩口井中均為最低，表明其預(yù)測效果在五種模型中最好。
3. 4 模型的可靠性估計
在本次實驗中，通過在訓(xùn)練和測試時引入 drop?out，模型模擬了隨機采樣的過程，從而產(chǎn)生不同的預(yù)測結(jié)果，這有助于估計目標(biāo)數(shù)值的潛在分布，實現(xiàn)對模型不確定性的準確估計。其中 dropout 的概率p 設(shè)為 0. 5，重復(fù)的次數(shù)為 1000 次，得到 95% 置信度的預(yù)測區(qū)間（圖 7）。區(qū)間越大，表明模型對其預(yù)測的不確定性越高。從圖中可看出，在連續(xù)拐點處（圖中綠框部分），模型預(yù)測的不確定性較大，這在決策中應(yīng)重點關(guān)注，提前預(yù)警可能發(fā)生的情況，及時采取相應(yīng)措施進行風(fēng)險管控，降低油氣勘探與開發(fā)的風(fēng)險。根據(jù)測試集數(shù)據(jù)進行評估，其 95% 預(yù)測區(qū)間的覆蓋率分別為 86.93% 和 80.86% 。
4 結(jié)論
本文將深度學(xué)習(xí)方法應(yīng)用于實際儲層參數(shù)預(yù)測中，提出了一種基于 CNN?BiLSTM?CATT 的儲層孔隙度預(yù)測方法，主要結(jié)論如下。
（1）在 CNN?BiLSTM 時空網(wǎng)絡(luò)中嵌入卷積自注意力機制，關(guān)注重要信息的同時，避免了由傳感器故障、存儲錯誤等外部因素引起的異常數(shù)據(jù)對預(yù)測結(jié)果的影響。
（2）對幾種預(yù)測方法進行對比實驗，相比單一預(yù)測模型 LSTM，本文提出的 CNN?BiLSTM?CATT模型具有更高的準確度和更強的泛化能力，從而為儲層選擇和油氣開發(fā)方案設(shè)計提供理論依據(jù)。
（3）使用 MC dropout 的方法量化模型不確定性，構(gòu)造置信區(qū)間，精確預(yù)測結(jié)果。幫助決策者更好地理解預(yù)測結(jié)果的可靠程度，從而在決策過程中優(yōu)化資源配置，規(guī)避不確定性帶來的風(fēng)險。
研究結(jié)果表明，CNN?BiLSTM?CATT 模型在儲層孔隙度預(yù)測方面具有較高的準確性和可行性。
參 考 文 獻
［1］ 郭奇， 莊天琳， 何書梅， 等. 基于時移地震資料的儲層滲透率時變性研究[J]. 石油地球物理勘探， 2022，57（1）： 176?183.GUO Qi， ZHUANG Tianlin， HE Shumei， et al.Study of time ? varying reservoir permeability based ontime ? lapse seismic data[J]. Oil Geophysical Pros?
pecting， 2022， 57（1）： 176?183.
［2］ SICK B， GUGGENMOS M， JOSWIG M. Chances and limits of single ? station seismic event clustering by unsupervised pattern recognition[J]. Geophysical Jour? nal International， 2015， 201（3）： 1801?1813.
［3］ GHOLAMI A， AMIRPOUR M， ANSARI H R， et al. Porosity prediction from pre ? stack seismic data via committee machine with optimized parameters[J]. Journal of Petroleum Science and Engineering， 2022， 210： 110067.
［4］ 代仕明， 李敏， 唐金良， 等. 基于粒子群優(yōu)化的相關(guān) 向量機算法的井震聯(lián)合儲層參數(shù)預(yù)測與不確定性評 估[J]. 石油地球物理勘探， 2023， 58（6）：1436?1445. DAI Shiming， LI Min， TANG Jinliang， et al. Seis? mic and well logs integration for reservoir parameter prediction and uncertainty evaluation based on relevance vector machine optimized by particle swarm optimization[J]. Oil Geophysical Prospecting， 2023， 58（6）： 1436?1445.
［5］ 駱迪， 王宏斌， 蔡峰， 等. 深度學(xué)習(xí)技術(shù)在地震儲層 預(yù)測中的應(yīng)用及挑戰(zhàn)[J]. 石油地球物理勘探， 2024， 59（3）： 640?651. LUO Di， WANG Hongbin， CAI Feng， et al. Appli? cation and challenges of deep learning technology in seismic data?based reservoir prediction[J]. Oil Geo? physical Prospecting， 2024， 59（3）： 640?651.
［6］ FENG R H. Estimation of reservoir porosity based on seismic inversion results using deep learning methods [J]. Journal of Natural Gas Science and Engineering， 2020， 77： 103270.
［7］ CHEN W， YANG L Q， ZHA B， et al. Deep lear? ning reservoir porosity prediction based on multilayer long short?term memory network[J]. Geophysics， 2020， 85（4）： WA213?WA225.
［8］ WANG J， CAO J X. Deep learning reservoir porosity prediction using integrated neural network[J]. Arabian Journal for Science and Engineering， 2022， 47（9）： 11313?11327.
［ 9 ］ SUN Y Z， ZHANG J H， YU Z J， et al. Bidirectional long short ? term neural network based on the attention mechanism of the residual neural network （ResNet– BiLSTM?attention） predicts porosity through well log? ging parameters[J]. ACS Omega， 2023， 8（26）： 24083? 24092.
［10］ HADJI M， BOUHADRA A， MAMEN B， et al. Combined influence of porosity and elastic foundation parameters on the bending behavior of advanced sand? wich structures[J]. Steel and Composite Structures， An International Journal， 2023， 46（1）： 1?13.
［11］ YANG L Q， WANG S D， CHEN X H， et al. High? fidelity permeability and porosity prediction using deep learning with the self ? attention mechanism[J]. IEEE Transactions on Neural Networks and Learning Sys? tems， 2023， 34（7）： 3429?3443.
［12］ 魏國華， 韓宏偉， 劉浩杰， 等. 基于半監(jiān)督高斯混合 模型與梯度提升樹的砂巖儲層相控孔隙度預(yù)測[J]. 石油地球物理勘探， 2023， 58（1）： 46?55. WEI Guohua， HAN Hongwei， LIU Haojie， et al， Fa? cies ? controled porosity prediction of sandstone reser? voirs based on semi?supervised Gaussian mixture model and gradient boosting tree[J]. Oil Geophysical Prospecting， 2023， 58（1）： 46?55.
［13］ MA D Y， JIANG P， SHU L S， et al. Online po? rosity prediction in laser welding of aluminum alloys based on a multi ? fidelity deep learning framework[J]. Journal of Intelligent Manufacturing， 2024， 35（1）： 55? 73.
［14］ 王迪， 張益明， 張繁昌， 等. 利用先驗信息約束的深 度學(xué)習(xí)方法定量預(yù)測致密砂巖“甜點”[J]. 石油地球 物理勘探，20 23， 58（1）： 65?74. WANG Di， ZHANG Yiming， ZHANG Fanchang， et al. Quantitative prediction of tight sandstone sweet spots based on deep learning method with prior infor? mation constraints[J]. Oil Geophysical Prospecting， 2023， 58（1）： 65?74.
［15］ 楊菲， 劉洋， 常鎖亮， 等. 基于雙向GRU 和注意力機 制的疊前地震孔隙度預(yù)測方法[J]. 石油物探， 2024， 63（3）： 598?609. YANG Fei， LIU Yang， CHANG Suoliang， et al. Prestack seismic porosity prediction method based on bidirectional GRU and attention mechanism[J]. Geo? physical Prospecting for Petroleum， 2024， 63（3）： 598? 609.
［16］ LIU G W， JIN H L， LI J Z， et al. A Bayesian deep learning method for freeway incident detection with un? certainty quantification[J]. Accident Analysis amp; Pre? vention， 2022， 176： 106796.
［17］ GAL Y， GHAHRAMANI Z. Dropout as a Bayesian approximation： Representing model uncertainty in deep learning[C]//Proceedings of the 33rd Interna? tional Conference on Machine Learning， 2016. https： //arxiv. org/pdf/1506. 02142.
［18］ BETHELL D， GERASIMOU S， CALINESCU R. Robust uncertainty quantification using conformalised Monte Carlo prediction[C]//Proceedings of the AAAI Conference on Artificial Intelligence， 2024. https：// doi. org/10. 48550/arXiv. 2308. 09647.
［19］ HOCHREITER S， SCHMIDHUBER J. Long short? term memory[J]. Neural Computation， 1997， 9（8）： 1735?1780.
［20］ WANG J， CAO J X， YUAN S. Deep learning reser? voir porosity prediction method based on a spatiotem ? poral convolution bi ? directional long short ? term memory neural network model[J]. Geomechanics for Energy and the Environment， 2022， 32： 100282.
［21］ 李艷輝， 王衍萌 . 基于數(shù)據(jù)增強技術(shù)與 CNN?Bi? LSTM?Attention 的油田注水流量預(yù)測及效果[J]. 科 學(xué)技術(shù)與工程， 2023， 3（32）： 13896?13902. LI Yanhui， WANG Yanmeng. Oilfield water injec? tion rate prediction and effect based on CNN?Bi? LSTM ? Attention and data enhancement technologies [J]. Science Technology and Engineering， 2023， 3（32）： 13896?13902.
（本文編輯：謝結(jié)來）
作 者 簡 介
李艷輝 教授，博士，博士生導(dǎo)師，1970 年生；1992 年獲大慶石油學(xué)院自動化專業(yè)工學(xué)學(xué)士學(xué)位，1995 年獲大慶石油學(xué)院控制理論與控制工程專業(yè)工學(xué)碩士學(xué)位，2004 年獲哈爾濱工業(yè)大學(xué)航天學(xué)院控制理論與控制工程專業(yè)工學(xué)博士學(xué)位；現(xiàn)就職于，主要從事智能控制、深度學(xué)習(xí)、油氣田井下智能一體化測調(diào)、魯棒控制及濾波等領(lǐng)域的研究。
