[论文解读] Predicting of shear wave velocity using Artificial Neural Networks

Franklin Adjei, Priscilla Afare+1 more|arXiv (Cornell University)|Nov 7, 2020

Seismic Imaging and Inversion Techniques参考文献 7被引用 4

一句话总结

本研究提出一种多变量人工神经网络（ANN）模型，利用相关测井数据预测坦奥北油田的剪切波速度（Vs），克服了直接测量的局限性。与其它方法相比，该ANN模型在R²值和MAPE值方面表现最优，显示出在地质力学和岩性分析中估算Vs的卓越准确性。

ABSTRACT

Shear wave velocity is an important parameter for determining lithology, porosity and the dynamic properties in geo-mechanical studies. However, due to time and cost limitations, shear wave velocity is not available at all intervals and in all wells. In this paper, well logs with strong correlation to shear wave velocity were determined and used to predict the shear wave velocity for the Tano North Field. Four different methods were used to estimate the shear wave velocity under three different conditions. Then, based on obtained coefficient of determination and average absolute percent relative error between real and predicted values of shear wave velocity, the final results were compared. The results of this work demonstrated that the neural network based on multiple variables can estimate the shear wave velocity better than other methods used.

研究动机与目标

• 解决地质力学研究中因成本高和时间限制导致的剪切波速度数据稀缺问题。
• 识别与剪切波速度强相关的测井数据，用于预测建模。
• 开发并比较多种预测方法，包括人工神经网络，以估算Vs。
• 基于R²和平均绝对百分比相对误差（MAPE）评估并选择最准确的方法。

提出的方法

• 识别与剪切波速度具有强相关性的测井数据，如压缩波速度、密度和孔隙度。
• 使用多个输入变量训练多层感知器人工神经网络，以预测Vs。
• 应用三种不同的建模条件，评估在不同数据可用性和输入组合下的性能表现。
• 使用决定系数（R²）和预测值与实际Vs值之间的平均绝对百分比相对误差（MAPE）评估模型性能。
• 在相同条件下将ANN模型与三种替代预测方法进行对比，确保评估的公平性。
• 利用坦奥北油田的30页结果、25幅图表及实测数据，验证模型的预测能力。

实验结果

研究问题

• RQ1 人工神经网络能否有效利用坦奥北油田的相关测井数据预测剪切波速度？
• RQ2 多变量ANN在R²和MAPE指标上的表现相较于其他预测方法如何？
• RQ3 哪种测井输入组合能产生最准确的剪切波速度预测？
• RQ4 与单变量模型相比，引入多个地球物理参数是否能提高预测精度？
• RQ5 何种输入变量与网络结构组合可实现最准确的Vs估算？

主要发现

• 多变量人工神经网络获得了最高的决定系数（R²），表明其具有强大的预测准确性。
• ANN模型记录了最低的平均绝对百分比相对误差（MAPE），相较于其他方法展现出更优的精度。
• 当使用多个相关测井数据作为输入时，剪切波速度的预测性能显著提升。
• 研究证实，基于ANN的建模方法在估算Vs方面优于传统回归分析和单变量方法。
• 最终模型在不同数据条件下均表现出稳健性能，验证了其在地质力学应用中的可靠性。
• 研究结果支持将ANN作为数据稀缺环境下预测Vs的可靠替代方法。