在地球物理测井过程中，钻井作业引发的岩石机械破碎以及泥浆入侵会致使井壁周围地层发生蚀变，进而造成地层横波速度出现径向变异。精确刻画地层的非均质特性对于定量评价岩石性质至关重要，并能为储层开发提供优化策略。
为此，中国科学院声学研究所超声学实验室博士生李嘉诚及其导师何晓研究员等基于偶极导波频散特征提出了一种使用分层模型评价地层横波速度径向变化的新方法，并使用卷积神经网络长短期记忆（Convolutional Neural Network Long Short-Term Memory, CNN-LSTM）模型加速反演过程。该方法可以准确定量评价由近井壁到远处地层的横波速度变化，且有效提高了反演效率。相关研究成果在线发表于学术期刊 IEEE Transactions on Geoscience and Remote Sensing（中国科学院期刊分区地学一区，IF = 8.2）。
图1 基于CNN-LSTM反演方法的实际数据处理流程（图/中国科学院声学研究所）
利用分层模型，CNN-LSTM网络可以准确建立偶极导波频散特征和地层径向横波速度剖面之间非线性映射关系，从而实现从声波测井数据中反演地层横波速度的径向分布。为了消除井眼直径变化对频散数据的影响，科研人员还提出了一种基于频厚积的井径校正方法，实现了对井径任意变化情况下的有效校正。
在实际声波测井数据处理中，该方法在处理不同类型蚀变层段的声波测井数据时均表现出较好的反演效果，显示了该方法在近井壁区域弹性成像方面的巨大潜力。
本研究得到了国家自然科学基金(No. 12174421, No. 52227901, No. 42304142)资助。
图2 横波速度层析成像结果（图/中国科学院声学研究所）
关键词：声波测井，信号处理，深度学习，层析成像
参考文献：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.