[PW]Inception–Attention–BiLSTM Hybrid Network: A Novel Approach for Shear Wave Velocity Prediction Utilizing Well Logging

[Lszidv]

摘要要点

• 研究背景

  • 剪切波速度预测在岩石物理与油气工程中作用关键。
  • 传统经验或岩石物理模型受限于地质复杂性、成本与效率。

• 方法贡献

  • 构建 Inception–attention–BiLSTM 混合网络：
    • Inception：多尺度特征提取
    • Attention：动态权重聚焦时序关键特征
    • BiLSTM：捕获长期依赖
  • 数据集：准噶尔盆地侏罗系八道湾组测井曲线。

• 核心结果

  • 新模型 MAE = 0.211，R² = 0.994
  • 明显优于单独 Inception（0.671, 0.981）与 BiLSTM（0.215, 0.991）。

---

2.Methods

Inception 模块要点

• 模块化设计
  • 采用稀疏连接思想，高效处理稠密数据。
• 核心创新
  • 在 $3\times3$、$5\times5$ 卷积前后及最大池化后插入 $1\times1$ 卷积，实现特征图降维。
• 两种结构
  1. 原始版本：直接并联 $1\times1$、$3\times3$、$5\times5$ 卷积与 $3\times3$ 最大池化。
  2. 降维版本：先用 $1\times1$ 卷积进行通道压缩，再接 $3\times3$、$5\times5$ 卷积或池化分支，进一步减少计算量。

• 效率提升
  • $1\times1$ 卷积减少通道维度 → 降低参数量与运算量 → 提升网络整体效率。

时间注意力机制要点

• 应用场景
  • 处理测井序列数据（电阻率、γ 射线、密度等随深度变化）。
• 核心思想
  • 为序列不同位置分配可学习权重，突出关键信息。
• 公式表示
  $$ X = (x_1, x_2, \dots, x_T) \tag{1} $$
  $$ e_t = \text{score}(h_{t-1}, x_t), \quad
  \alpha_t = \frac{\exp(e_t)}{\sum_{k=1}^{T}\exp(e_k)} \tag{2} $$
  $$ c_t = \sum_{k=1}^{T}\alpha_k, x_k \tag{3} $$
• 物理意义
  • 通过 $\alpha_t$ 自适应关注与地层特征、流体含量高度相关的深度位置，提高物性识别精度。

BiLSTM 模块要点

• 解决长依赖
  • 传统 RNN → 梯度消失 → 长程依赖难学习
  • LSTM 通过门控记忆单元缓解梯度消失
• 双向扩展
  • BiLSTM 同时沿正向、反向遍历序列
  • 输出拼接 $[h_t;\tilde{h}_t]$ → 同时编码过去与未来上下文
• 计算流程
  1. 前向： $x_t \rightarrow (h_t,c_t)$
  2. 后向： $x_t \rightarrow (\tilde{h}_t,\tilde{c}_t)$
  3. 拼接： $[h_t;\tilde{h}_t]$ 作为后续输入
• 应用领域
  • NLP、语音识别、Seq2Seq 等
• 工程优化
  • 采用可调 滑动窗口，灵活控制参考深度范围，强化时间趋势捕获

Inception–Attention–BiLSTM混合网络结构要点

• 输入层：读取测井特征向量序列
• Inception模块：
  • 并行使用多尺度卷积核
  • 提取地质数据中的微尺度（如细层变化）与宏尺度特征（如构造层）
• 注意力机制：
  • 分配特征权重
  • 聚焦重要位置或尺度上的特征信息
  • 动态调整关注区域，提升对复杂地质变化的适应性
• BiLSTM模块：
  • 前后向并行学习
  • 捕捉时序演化与地层间的空间相关性
• Dropout层：
  • 提升模型泛化能力
• 全连接层 + 激活函数：
  • 将提取的特征映射至最终剪切波速度预测值
• 输出层：
  • 给出 Vs 预测结果