基于CNN-BiLSTM-TPA深度学习模型与物理约束的孔隙度预测研究及其在复杂储层评价中的应用价值

《Journal of Geophysics and Engineering》：The Application of the CNN-BiLSTM-TPA Model Based on Deep Learning in Porosity Prediction

本研究针对传统经验方法难以准确刻画储层参数间复杂非线性关系导致孔隙度预测误差大的问题，开展了基于CNN-BiLSTM-TPA混合深度学习框架的孔隙度预测研究。通过融合CNN的空间特征提取能力、BiLSTM的序列依赖建模优势和TPA注意力的多尺度校正机制，并引入物理一致性约束损失函数，在珠江口盆地和新疆油田实际测井数据验证中显著提升了预测精度（R2达0.90）和跨区域泛化能力，为储层精细评价提供了新方法。

　　

在地球物理勘探和油气藏评价领域，孔隙度作为表征岩石储集空间的核心参数，其预测精度直接关系到油气储量评估和开发方案制定的科学性。传统方法如电阻率法、声波时差法和密度法等基于简化的物理假设，在复杂地质条件下往往难以准确捕捉参数间的非线性关系，导致预测误差较大。随着深度学习技术的发展，机器学习模型在储层预测中展现出强大潜力，但仍存在泛化能力不足、对多尺度地质特征刻画不精细等问题。

针对这些挑战，中国石油大学（北京）克拉玛依校区的研究团队在《Journal of Geophysics and Engineering》发表了一项创新研究，提出了一种名为CNN-BiLSTM-TPA的混合深度学习框架。该研究巧妙融合了卷积神经网络（CNN）的空间特征提取能力、双向长短期记忆网络（BiLSTM）的序列依赖建模优势，以及时序模式注意力（TPA）机制的多尺度校正功能，并创新性地引入了物理一致性约束损失函数，显著提升了孔隙度预测的准确性和鲁棒性。

研究人员采用的关键技术方法主要包括：1）基于相关性分析和非线性自编码器的特征选择策略，从测井曲线和地震属性中筛选出声波阻抗（AI）、剪切波阻抗（SI）等7个关键特征；2）CNN-BiLSTM-TPA混合架构，通过CNN提取空间特征，BiLSTM建模纵向序列依赖，TPA机制捕捉多尺度时序模式；3）物理约束损失函数，将传统密度法计算的孔隙度作为正则化项引导模型学习；4）采用珠江口盆地KP油田A井（5015个数据点）和新疆油田K1井进行跨区域验证。

特征选择与数据预处理

通过三种秩相关方法分析输入特征与孔隙度的线性/非线性关系，最终确定剪切波阻抗（SI）、声波阻抗（AI）、总有机碳含量（TOC）、体积模量（KK）、密度（RHOB）、拉梅阻抗和纵波速度（VP）7个关键特征。使用z-score标准化处理数据，相比min-max标准化更能处理异构物理单位的特征。

超参数优化

通过网格搜索确定了最佳超参数配置：BiLSTM层数3层、隐藏单元数128、训练轮数280轮、学习率0.003。可视化分析显示，超参数设置对预测精度有显著影响，合理配置可使均方根误差（RMSE）降低约30%。

模型性能比较

在A井验证集上，CNN-BiLSTM-TPA模型相比P波阻抗回归、XGBoost、BPNN（反向传播神经网络）、RNN（循环神经网络）、LSTM（长短期记忆网络）和Transformer模型，预测精度分别提升67%、16%、18%、17%、8%和10%，RMSE降至0.48，R2达到0.90，信噪比（SNR）高达10.06dB。该模型在测井曲线突变区域仍保持平滑预测，对薄互层等细微地质特征捕捉能力突出。

物理约束损失函数评估

复合损失函数（MSE+λ·L_phys）在λ=0.001时效果最优，相比单一MSE或MAE损失函数，RMSE进一步降低至0.48。深度方向误差分析表明，物理约束有效减少了大多数深度段的误差波动，提升了纵向预测一致性。

消融实验分析

依次移除CNN、BiLSTM和TPA模块的实验表明，完整模型的预测性能最优（RMSE=0.48，R2=0.90）。单独移除TPA模块使R2降至0.88，移除CNN模块使R2降至0.78，验证了各组件对模型性能的贡献度。

跨区域泛化验证

在新疆油田K1井的独立验证中，模型取得了88%的决定系数，仅存在局部微小预测误差，证明了其在不同地质条件下的强适应能力。

研究结论表明，CNN-BiLSTM-TPA框架通过多模块协同和物理约束，有效解决了孔隙度预测中的非线性、时序滞后和局部周期性等挑战。该模型不仅显著提升了预测精度，还展现出良好的工程适用性和跨区域泛化能力，为复杂储层精细评价提供了可靠技术手段。未来研究将聚焦于轻量化模型架构和多模态地学数据融合策略的优化，以进一步提升模型在多样化地质环境中的部署效率。