用于测井曲线合成的高效选择性注意力 LSTM
机器学习
2024-01-04 v3
摘要
非取心钻探已逐渐成为地质勘探工程中的主要勘探方法，测井曲线作为地质信息的主要载体日益重要。然而，地质环境、测井设备、钻孔质量及意外事件等因素均会影响测井曲线的质量。以往的重新测井或人工校正方法成本高、效率低。本文提出一种利用现有数据预测缺失数据的机器学习方法，并通过现场实验验证了其有效性与可行性。该方法在传统长短期记忆（Long Short-Term Memory, LSTM）神经网络基础上引入自注意力机制以分析数据的序列依赖关系，筛选 LSTM 中的主导计算结果，将计算复杂度从 O(n^2) 降至 O(nlogn)，提升了模型效率。实验结果表明，相较于基于全连接神经网络（Fully Connected Neural Network, FCNN）和原始 LSTM 的传统曲线合成方法，所提方法取得了更高的精度。这种准确、高效且低成本的预测方法在工程应用中具有实用价值。
引用
@article{arxiv.2307.10253,
title = {Efficient selective attention LSTM for well log curve synthesis},
author = {Yuankai Zhou and Huanyu Li},
journal= {arXiv preprint arXiv:2307.10253},
year = {2024}
}