基于MCNN-ABiGRU-AFFMHA模型的储层参数预测研究OA

在油气田勘探开发中,储层参数的精准预测对油气藏评价与开发决策至关重要。现有深度学习方法在时空特征协同建模方面存在局限性:传统卷积神经网络难以有效捕捉测井数据的多尺度空间关联;循环神经网络对长序列时序特征的建模能力不足,导致模型无法充分揭示时空特征与储层参数间的复杂非线性关系。为此,提出了一种基于MCNN-ABiGRU-AFFMHA模型的储层参数预测方法,所提出的模型采用双分支并行架构:一方面通过多尺度卷积(MCNN)提取1×1至4×1核的多层次空间特征,以解决储层非均质性导致的尺度敏感问题;另一方面采用注意力机制增强的双向门控循环单元网络(ABiGRU)强化测井曲线的时序特征提取能力。该模型还设计了自适应特征融合多头注意力模块(AFFMHA)以实现时空特征的动态优化融合。在挪威北海Volve油田A井、B井、C井的应用结果表明:在同井孔预测任务中,该模型在A井和B井均表现出色;消融实验证实MCNN,ABiGRU,AFFMHA模块分别贡献15.74%,9.93%,26.96%的性能提升。跨井测试结果进一步验证了该模型的强泛化能力,为复杂储层参数预测提供了有效的时空特征协同建模方法。