基于机器学习算法预测核磁共振T2谱

近年来,深度学习算法被广泛应用于生成各种类型的数据.通过分析测井数据与核磁共振T2 谱之间的映射关系,利用随机森林与长短期记忆(long short-term memory,LSTM)神经网络模型实现了对核磁共振T2谱的重构.核磁共振测井在每个深度获得的T2谱是在不同的时间序列中通过不同的布点数来显示形态上的变化的,随机森林算法能够处理高维度的核磁共振T2谱数据且不需要做特征选择,而LSTM可以很好地控制不同深度神经元对T2谱各分布点的影响,将这两种网络模型进行参数优化后,对同一口井的预测结果进行对比分析.选取了中国海上A油田的测井数据作为例子进行方法测试.首先,利用灰色关联度算法分析T2几何均值与测井曲线的相关性.选取相关性高于设定值的测井曲线,将测井曲线标准化缩放在 0～1后作为随机森林与LSTM模型的输入,预测同一地层T2谱形态分布规律并比较算法的优劣.在比较软件处理得到的核磁共振T2谱和预测结果后,分析它们之间产生差异的原因.结果显示通过LSTM神经网络模型预测的数据与地层真实数据的符合度比随机森林算法更高,符合度可达90%以上.