速度-孔隙度超模型：一种基于深度神经网络的概念
计算工程、金融与科学
2018-04-20 v1 地球物理
摘要
岩石物理模型（RPMs）用于从岩石属性（如孔隙度、岩性、流体饱和度）估算弹性属性（如速度、模量）。然而，岩石属性在不同地质条件下差异显著，难以找到一个适用于所有情景的模型。存在若干经验速度-孔隙度变换以及基于第一性原理的模型，但各自均有局限。正确选择RPM并不直观，现有模板与测井数据叠加以决定正确模型。本工作中，我们使用深度机器学习并探索设计一种超模型的概念，该超模型可在多种不同岩性条件下使用而无需参数调优。本文中该测试仅限于经验速度-孔隙度变换，但未来目标是设计可用于多种岩石属性的岩石物理超模型。本文旨在将若干现有经验速度-孔隙度变换的优势统一于单一框架之下，并基于人工神经网络（ANN）深度学习设计速度-孔隙度超模型（VPS）。使用了两个测试用例，基于本文呈现的结果，显然深度神经网络可成为开发岩性建模与表征超模型的潜在工具。
引用
@article{arxiv.1804.07112,
title = {Velocity-Porosity Supermodel: A Deep Neural Networks based concept},
author = {Debjani Bhowmick and Deepak K. Gupta and Saumen Maiti and Uma Shankar},
journal= {arXiv preprint arXiv:1804.07112},
year = {2018}
}
备注
6 pages