一种用于地层电阻率预测的鲁棒噪声多头注意力机制：频率感知LSTM
机器学习
2024-06-07 v1 应用统计
机器学习
摘要
地层电阻率预测在油气储层评价、地热能源资源识别与评估、地下水探测与监测以及碳捕集与封存中起着关键作用。然而，传统测井技术无法在套管井中测量准确的电阻率，而用于套管井电阻率测井的瞬变电磁法面临高频灾难（神经网络在高频特征中学习不足的问题）和噪声干扰的挑战，严重影响精度。为解决这些问题，提出了频率感知框架和时间抗噪模块，以构建频率感知LSTM（FAL）。频率感知框架通过小波变换实现双流结构，使神经网络能够同时处理时间序列数据的高频和低频流，从而避免高频灾难。时间抗噪模块集成了多种注意力机制和软阈值注意力机制，使模型能够更好地区分噪声和冗余特征。消融实验表明，频率感知框架和时间抗噪模块对性能提升有显著贡献。FAL的R2比LSTM提高了24.3%，在所有模型中达到最高值0.91。在鲁棒性实验中，噪声对FAL的影响约为基线的1/8，证实了FAL的抗噪能力。所提出的FAL有效减少了从套管瞬变电磁测井曲线预测地层电阻率时的噪声干扰，更好地学习了高频特征，从而提高了神经网络模型的预测精度和抗噪能力。
引用
@article{arxiv.2406.03849,
title = {A Noise-robust Multi-head Attention Mechanism for Formation Resistivity Prediction: Frequency Aware LSTM},
author = {Yongan Zhang and Junfeng Zhao and Jian Li and Xuanran Wang and Youzhuang Sun and Yuntian Chen and Dongxiao Zhang},
journal= {arXiv preprint arXiv:2406.03849},
year = {2024}
}