基于深度学习的随钻电阻率测量采集系统设计
机器学习
2021-01-15 v1 数值分析
信号处理
数值分析
摘要
利用随钻测井（LWD）仪器记录的井孔电阻率测量被广泛用于表征地球地下属性。它们有助于开采石油和天然气等自然资源。LWD仪器需要对电磁测量进行实时反演，以估计井眼附近地下的电性参数，并可能修正井眼轨迹。基于深度神经网络（DNN）的方法适用于井孔电阻率测量的快速反演，因为它们在训练阶段离线逼近正问题和反问题，且评估（即预测）仅需不到一秒。然而，反问题通常存在多个解。具有基于数据失配的传统损失函数的DNN不适合求解反问题。这可以通过在专为编码器-解码器架构设计的损失函数中添加正则化项来部分克服。但添加正则化严重将可能解的数量限制为一组先验期望的物理解。为避免此问题，我们使用无正则化的两步损失函数。此外，为保证反解，我们需要精心选择的具有足够测量次数的测量采集系统。本工作中，我们提出一种基于DNN的迭代算法来设计此类测量采集系统。我们通过若干合成算例说明了基于DNN的迭代算法。数值结果表明，所获得的测量采集系统足以识别和表征测井仪器上方和下方的电阻层和导电层。数值结果令人鼓舞，尽管还需进一步改进以使我们的方法适用于工业用途。
引用
@article{arxiv.2101.05623,
title = {Design of borehole resistivity measurement acquisition systems using deep learning},
author = {M. Shahriari and A. Hazra and D. Pardo},
journal= {arXiv preprint arXiv:2101.05623},
year = {2021}
}