使用具有生成对抗机制的长短期记忆网络进行剪切波速度预测

科学领域:

• 地质物理学 地质物理学
• 石化物理学 石化物理学
• 机器学习 机器学习

背景情况:

• 剪切波速度 (Vs) 对于地下表征至关重要,但很难获得.
• 传统的长短期记忆 (LSTM) 网络预测Vs,但与数据集的差异扎.
• 由于域转移问题,现有的方法通常会产生低于最佳的性能.

研究的目的:

• 提出一个增强的LSTM架构与生成对抗机制 (LSTM-GAM) 改进Vs预测.
• 解决传统LSTM在处理训练和预测数据集差异方面的局限性.
• 增强Vs预测模型的跨领域适应性和泛化能力.

主要方法:

• 开发了一个LSTM-GAM框架,结合了LSTM连续数据的骨干和生成对抗模块.
• 生成器最大限度地减少了重建错误,而区分器在数据集中识别了共同的基本特征.
• 雇佣的对抗性特征对齐以提高跨领域的适应性.

主要成果:

• 在南中国海井数据上,LSTM-GAM模型实现了平均绝对误差 (MAE) 59.4 m/s和R2 0.9064.
• 与传统的LSTM网络相比,证明了更高的预测准确性.
• 废除研究证实了持续的性能改善和增强的概括能力.

结论:

• 拟议的LSTM-GAM提供了一种有效的数据驱动解决方案,用于剪切波速度估计.
• 该模型显示了复杂地质环境中应用的巨大潜力.
• 这一进步提高了使用日志记录数据进行石化物理参数估计的可靠性.