近日，地科学院硕士生王云娟在导师王喜鑫副教授的指导下，在地球物理学领域国际期刊《Journal of Applied Geophysics》上发表题为“Lithology recognition and porosity prediction from well logs based on Convolutional Neural Networks and sliding window”的研究论文。该研究提出了一种结合滑动窗口与卷积神经网络（CNN）的测井解释新方法，实现了钻井岩性识别与孔隙度预测的高精度与高效率。

岩性识别和孔隙度预测是油气勘探开发及储层评价中的关键环节，对油气储量评估、储层建模以及地下资源开发具有重要意义。传统方法通常依赖测井曲线交会图、经验公式或统计学习方法，但这些方法往往仅利用单个深度点的测井信息，难以充分挖掘测井曲线在垂向邻域中的地质信息，因此在复杂储层条件下预测精度仍然有限。针对这一问题，该研究提出了一种基于深度滑动窗口和卷积神经网络的联合预测方法。该方法通过构建滑动窗口提取目标深度上下范围内的多种测井曲线信息，并将其转换为二维数据结构作为输入，利用卷积神经网络自动提取特征并预测窗口中心位置的岩性类型与孔隙度。当滑动窗口沿井筒垂向移动时，模型即可快速完成整个井段的连续预测，实现高效、自动化的测井解释。研究团队利用中国东部某油田289口井的测井数据对方法进行了验证，数据包含伽马（GR）、自然电位（SP）、深电阻率（RLLD）、声波时差（AC）、井径（CAL）等8类测井曲线。实验结果表明，当滑动窗口长度为1.125 m时模型表现最佳，其中，岩性识别准确率可达到94.4%，孔隙度预测准确率达到94.9%。研究结果表明，该方法不仅预测精度高，而且计算效率快，可在油气田新井和老井资料解释中快速推广应用，为智能测井解释和油气储层评价提供了一种新的技术思路。该研究得到了yl7703永利集团油气资源勘探技术教育部重点实验室开放基金以及中国石油天然气集团公司创新基金等项目的资助。

《Journal of Applied Geophysics》是地球物理勘探领域的重要国际学术期刊，主要发表地球物理方法在资源勘探、工程地质及环境地球物理等方面的研究成果，在地球物理与地学工程领域具有较高的学术影响力。

论文链接：

https://www.sciencedirect.com/science/article/pii/S0926985125002861

图1 本研究用于井筒岩性识别与孔隙度预测的深度学习模型结构设计

图2 两口测试井岩性与孔隙度真实值和预测结果对比