在地球物理測井過程中，鉆井作業引發的巖石機械破碎以及泥漿入侵會致使井壁周圍地層發生蝕變，進而造成地層橫波速度出現徑向變異。精確刻畫地層的非均質特性對于定量評價巖石性質至關重要，并能為儲層開發提供優化策略。
為此，中國科學院聲學研究所超聲學實驗室博士生李嘉誠及其導師何曉研究員等基于偶極導波頻散特征提出了一種使用分層模型評價地層橫波速度徑向變化的新方法，并使用卷積神經網絡長短期記憶（Convolutional Neural Network Long Short-Term Memory, CNN-LSTM）模型加速反演過程。該方法可以準確定量評價由近井壁到遠處地層的橫波速度變化，且有效提高了反演效率。相關研究成果在線發表于學術期刊?IEEE Transactions on Geoscience and Remote Sensing（中國科學院期刊分區地學一區，IF = 8.2）。
圖1 基于CNN-LSTM反演方法的實際數據處理流程（圖/中國科學院聲學研究所）
利用分層模型，CNN-LSTM網絡可以準確建立偶極導波頻散特征和地層徑向橫波速度剖面之間非線性映射關系，從而實現從聲波測井數據中反演地層橫波速度的徑向分布。為了消除井眼直徑變化對頻散數據的影響，科研人員還提出了一種基于頻厚積的井徑校正方法，實現了對井徑任意變化情況下的有效校正。
在實際聲波測井數據處理中，該方法在處理不同類型蝕變層段的聲波測井數據時均表現出較好的反演效果，顯示了該方法在近井壁區域彈性成像方面的巨大潛力。
本研究得到了國家自然科學基金(No. 12174421, No. 52227901, No. 42304142)資助。
圖2 橫波速度層析成像結果（圖/中國科學院聲學研究所）
關鍵詞：聲波測井，信號處理，深度學習，層析成像
參考文獻：Jiacheng Li, Xiao He, Hao Chen, Can Jiang and Wenwen Wang. Inversion of Radial Shear Velocity Profile for Acoustic Logging Using CNN-LSTM Network. IEEE Transactions on Geoscience and Remote Sensing, 2024. DOI: 10.1109/TGRS.2024.3370106.