基于多元统计回归与人工神经网络预测伊朗萨瓦克组剪切波速度分量的对比研究

《Scientific Reports》：Prediction of fast, slow, and average shear-wave velocities from well logs using artificial neural networks and statistical regression

　　

摘要

准确估算快、慢和平均剪切波速度（Vs_Fast、Vs_Slow 和 Vs_Average）对于评估储层各向异性、裂缝网络和应力状态至关重要。本研究开发并比较了多元统计回归和人工神经网络（ANN）模型，以预测伊朗扎格罗斯盆地萨瓦克组一口井中的这些速度分量。初始数据集包含 3,234 个深度点，经过数据预处理和归一化后，保留了 2,264 个有效点。压缩波速度（Vp）、中子孔隙度（NPHI）和体积密度（RHOB）被用作输入变量。对于统计模型，70% 的数据用于标定，30% 用于测试；而 ANN 采用前馈反向传播架构，使用 Levenberg-Marquardt 算法进行训练，数据分别按 70%、15% 和 15% 分配给训练、验证和测试。统计模型针对 Vs_fast、Vs_slow 和 Vs_Average 的测试集 R2 值分别为 0.769129、0.616225 和 0.725904，而相应的 ANN 模型达到的 R2 值分别为 0.786769、0.641601 和 0.727609。因此，ANN 相较于统计回归提供了适度的改进，其中 Vs_Fast 和 Vs_slow 的改进最为明显。在低速范围内的微小偏差可能反映了局部地质复杂性，包括强烈的裂隙化。总体而言，所提出的方法，特别是 ANN 模型，提供了一种从常规测井中估算剪切波速度分量的实用间接方法，并可能在无法进行直接偶极剪切测量的情况下支持储层表征。