基于增强多头注意力机制的Optuna-BiGRU测井岩性识别

• Published in: 地球科学与环境学报 Vol. 46; no. 1; pp. 127 - 142
• Main Authors: 王婷婷, 王振豪, 李方, 赵万春
• Format: Journal Article
• Language: Chinese
• Published: 东北石油大学 电气信息工程学院,黑龙江大庆 163318 2024; 东北石油大学 陆相页岩油气成藏及高效开发教育部重点实验室,黑龙江大庆 163318; 东北石油大学黑龙江省网络化与智能控制重点实验室,黑龙江大庆 163318%东北石油大学 电气信息工程学院,黑龙江大庆 163318%东北石油大学 非常规油气研究院,黑龙江大庆 163318
• Subjects: BiGRU; deep learning; 增强多头注意力机制; 小波包自适应阈值; lithology identification; 深度学习; wavelet packet adaptive threshold; 岩性识别; enhancing multi-head attention mechanism; 超参数优化; hyperparameter optimization
• ISSN: 1672-6561
• DOI: 10.19814/j.jese.2023.07011

P618.13%P631.8+1; 测井岩性识别是油气勘探开发中至关重要的内容.针对现有算法模型在处理测井曲线数据时,无法有效捕获曲线内部深层关联和深度方向关系、拟合能力较弱、难以准确提取关键特征、噪声干扰以及模型超参数调优过程复杂困难等问题,提出了一种通过Optuna超参数优化双向门循环单元(Optuna-BiGRU)结合增强多头注意力机制(EMHA)的测井岩性识别模型——Optuna-BiGRU-EMHA模型.该模型引入残差机制和层归一化以改进多头注意力机制模块,并结合双向门循环单元(BiGRU)解决了处理测井数据时的问题,同时使用Optuna超参数优化框架和小波包自适应阈值方法分别解决了超参数调优和噪声干扰问题.首先通过交会图分析和敏感性箱线图分析选取自然伽马、深感应电阻率、中子-密度孔隙度、平均中子-密度孔隙度和岩性密度5个特征参数的测井数据,通过小波包自适应阈值方法对数据进行去噪,并将测井数据分割成数据块,然后利用Optuna框架优化BiGRU-EMHA模型超参数,最后通过实验对比K-近邻算法(KNN)、随机森林(RF)、极端梯度提升算法(XGBoost)、长短期记忆(LSTM)神经网络、BiGRU、双向长短期记忆(BiLSTM)神经网络、BiGRU-MHA、Optuna-BiGRU-EMHA等8种模型在测井岩性识别中的精度.结果表明:Optuna-BiGRU-EMH A模型识别准确率达到80％,相对于传统机器学习模型和深度学习模型,综合岩性识别准确率分别提高15.94％～23.14％和3.93％～15.94％,该模型为常规测井岩性识别提供了坚实的理论支持.