基于多层感知机网络的薄储层预测
【摘要】 题，但模型泛化能力不足常造成井间薄储层预测结果不合理。为此，提出基于多层感知机深度学习网络的多属性回归薄储层预测方法，即以地震数据（提供背景信息）、90°相移数据（提供储层结构近似信息）、储层不连续界限属性（提供储层空间分布信息）为输入，以井点高频自然伽马为期望输出，利用多层感知机深度学习网络训练油田实际资料测试模型，预测井间自然伽马值，利用自然伽马值与砂-泥岩性的高度相关特性刻画薄储层。A表明，自然伽马预测值与真实值平均相关系数达到85.5%（验证集，两口井），明显优于传统多属性回归方法。应用该方法解释重点层段口井实钻砂岩厚度平均相关系数较相移数据提升约套小层，薄储层预测结果与86.4%（训练集，10口井）和156638%，证实该方法应用效果良好。
