（通讯员 陈晓珂）近日，我院智能地球探测系在智能储层参数预测研究领域取得重要进展。相关研究成果发表于国际SCI期刊《Journal of Applied Geophysics》2026年9月刊（第252卷），论文题为《Porosity prediction based on deep decorrelated sampling and spatio-temporal hybrid network》。该论文第一作者为硕士研究生陈晓珂，指导教师为陈伟教授。
|
深度学习凭借强大的数据挖掘能力，已经广泛应用于测井储层参数预测当中，为刻画复杂地质条件下测井响应与储层物性之间的非线性关系提供了有效手段。但常规滑动窗口采样模式容易带来样本深度自相关问题，模型容易学习到单井的深度变化规律，在跨井预测场景中泛化效果并不理想。为此，陈伟教授团队提出一套结合深度去相关采样与时序混合网络的孔隙度预测方案，通过无重叠窗口切片打乱采样降低样本间的深度依赖，再依托融合注意力与时序特征的网络开展预测，并配套超参寻优与不确定性评估提升结果可靠性。多井测试结果表明，该方法相较于传统方案预测误差大幅下降，具备更高的预测精度与更好的跨井推广潜力。
论文全文链接：https://www.sciencedirect.com/science/article/pii/S092698512600337X?dgcid=coauthor
《Journal of Applied Geophysics》是Elsevier出版的地球物理领域国际SCI期刊，主要刊载应用地球物理方向高质量原创研究成果，聚焦油气勘探、工程物探等领域的新技术、新方法，在石油地球物理行业内具有广泛的学术影响力。
深度学习凭借强大的数据挖掘能力，已经广泛应用于测井储层参数预测当中，为刻画复杂地质条件下测井响应与储层物性之间的非线性关系提供了有效手段。但常规滑动窗口采样模式容易带来样本深度自相关问题，模型容易学习到单井的深度变化规律，在跨井预测场景中泛化效果并不理想。为此，陈伟教授团队提出一套结合深度去相关采样与时序混合网络的孔隙度预测方案，通过无重叠窗口切片打乱采样降低样本间的深度依赖，再依托融合注意力与时序特征的网络开展预测，并配套超参寻优与不确定性评估提升结果可靠性。多井测试结果表明，该方法相较于传统方案预测误差大幅下降，具备更高的预测精度与更好的跨井推广潜力。
论文全文链接：https://www.sciencedirect.com/science/article/pii/S092698512600337X?dgcid=coauthor
《Journal of Applied Geophysics》是Elsevier出版的地球物理领域国际SCI期刊，主要刊载应用地球物理方向高质量原创研究成果，聚焦油气勘探、工程物探等领域的新技术、新方法，在石油地球物理行业内具有广泛的学术影响力。
(审核 盛广龙 编辑 余为）
