平行和分布式的黑猩猩优化LSTM用于中国的油井日志重建
Zisong Wang1, Zhiliang Cheng2, Wenxiang Wang2
1School of Civil Engineering and Transportation, Weifang University, Weifang, 261061, Shandong, China. wangzisong0033@gmail.com.
Scientific reports
|July 17, 2025
概括
本研究介绍了一种新的深度学习模型,使用并行和分布式黑猩猩优化算法 (PDCOA) 来重建丢失的井日志数据. 该方法提高了石油和天然气勘探的准确性和效率.
科学领域:
- 地质科学和石油工程 石油科学和石油工程
- 人工智能和机器学习
背景情况:
- 井日志分析对于石油和天然气开采至关重要.
- 不一致或缺失的井日志数据阻碍了地质解释和资源估计.
研究的目的:
- 开发一个可扩展和高效的深度学习模型,用于重建丢失的井日志数据.
- 提高地质分析和碳化合物资源估计的准确性.
主要方法:
- 使用了深度长期短期记忆 (LSTM) 模型.
- 并行和分布式黑猩猩优化算法 (PDCOA) 用于加速的超参数调整.
- 为了多样性和可靠性,PDCOA能够在多台计算机上进行并行处理,并定期进行通信.
主要成果:
- 与现有方法相比,拟议的方法显示出卓越的可扩展性,效率和预测准确性.
- 成功重建了缺失的井日志数据.
- 该模型在处理井日志分析中的数据不一致方面被证明是有效的.
结论:
- 经PDCOA增强的LSTM模型为井日志数据重建提供了强大的解决方案.
- 这一进步有助于地质解释和碳化合物资源评估.
- 该方法为石油和天然气行业提供了有价值的工具.
