英国威廉集团2023级研究生郭申锐在地球科学与工程应用领域期刊《吉林大学学报（地球科学版）》发表题为“基于时间序列与随机森林的逐级辫状河储层构型单元识别”的研究论文。英国威廉集团为论文第一署名单位，研究生郭申锐为论文第一作者，其导师李少华为论文通讯作者。

测井曲线构型单元识别是油藏精细描述中的重要基础工作。近年来机器学习方法在构型单元识别中应用广泛，但现有方法对占比较小的低级次构型单元（如落淤层）识别精度普遍偏低，且多数方法忽视了沉积旋回中的韵律关系，导致识别结果与实际地质规律存在较大偏差。针对这一问题，本文提出了一种基于双向堆叠长短时记忆网络（Bi-SLSTM）与随机森林（RF）的逐级构型单元识别方法。

在本研究中，以鄂尔多斯盆地城探3区下石盒子组8段辫状河储层为研究对象，首先利用Bi-SLSTM时间序列模型提取测井曲线的韵律特征，完成对泛滥平原、河道、心滩等四级构型单元的识别；在此基础上，通过伽马阈值约束的随机森林方法进一步实现对心滩内落淤层的精细刻画。与KNN、SVM、bagging、LSTM、RF等多种现有机器学习方法的对比结果表明，本文提出的Bi-SLSTM-RF逐级识别方法在验证集多口取心井储层构型单元识别中，准确率达到94%及以上，优于直接采用现有机器学习方法，具有更高的识别精度与更好的地质合理性。

论文链接：https://kns.cnki.net/kcms2/article/abstract?v=Z3g7xh44_Zh9iFTQ7TvCFpg_Fk5cuPYcWc2cYL_aoYvrFQ7c4DwKolgIMWuhSY7Xo7orQNN6Y2OszZxMubqR1Dtr8nz3kV8nnj-t9X4EqmqxU2vTuE9OegnVUlHA-1sULzfKFcEJlO2KXlwRqba0qPsw62L8H3o3UjW01BW5sYg=&uniplatform=NZKPT

图1 Bi-SLSTM-RF并行结构及其优化映射流程图

图2 各人工智能方法识别结果对比

图3 论文首页