基于注意力机制卷积神经网络（ATT-CNN）与子波预处理融合的岩性智能识别方法及其在油气勘探中的应用

本文提出一种创新性的注意力机制卷积神经网络（ATT-CNN）模型，通过结合子波预处理技术有效消除压实作用导致的数据漂移，显著提升测井曲线岩性识别的精度与泛化能力。该模型融合1D-CNN高维特征提取与双维度注意力机制（ATT），在浅层段和盲井测试中均优于双向门控循环单元（BiGRU）和传统机器学习集成模型（En-ML），为沉积相分析、物源追踪及储层预测提供了关键技术支撑。

　　

Highlight

本研究创新性地提出基于注意力机制的卷积神经网络（ATT-CNN），通过1D-CNN将六种测井曲线转换为高维特征空间，并在深度与特征双维度施加注意力机制（ATT），模拟人类岩性识知的曲线组合、阈值判定与局部模式识别过程。结合子波预处理消除压实作用导致的数据漂移，显著提升模型泛化能力。

Metrics-based model evaluation

本研究系统评估了输入序列长度和压实导致的数据漂移对模型性能的影响。在不同序列长度及是否采用子波预处理的条件下，对比分析了ATT-CNN、双向门控循环单元（BiGRU）和机器学习集成模型（En-ML）的表现。采用子波预处理的数据集训练模型以“_r”后缀标识。

Conclusions

为建立测井曲线与岩芯岩性的稳健关联，本研究提出序列输入式ATT-CNN模型，通过在高维特征空间中整合曲线组合、阈值判定与局部模式识别实现岩性识别。模型有效性体现于以下三方面：

（1）序列信息显著提升ATT-CNN与BiGRU性能。集成五类机器学习模型的En-ML最高准确率达——（具体数值原文未提供）；

（2）子波预处理通过消除压实效应引起的曲线漂移（如AC和CNL），增强模型泛化能力；

（3）ATT-CNN在盲井预测中展现优异精度与细节捕捉能力，即使面对低幅曲线偏差仍能有效识别岩性变化。