预测碳酸盐岩中P波速度随压力变化的情况：一种结合岩石特性影响的人工神经网络方法

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Predicting Variations in P-Wave Velocity as a Function of Pressure in Carbonates: An Artificial Neural Network Approach Incorporating the Impact of Rock Properties

人工神经网络在预测碳酸盐岩中P波速度随压力变化关系方面优于传统回归模型，通过整合岩石物理性质参数可显著降低预测误差。研究基于363个岩心样本的1624组数据，证实ANN结合初始速度、孔隙率、密度等参数后RMSE降至48m/s，且具有区域适应性优势。

　　

摘要

本研究探讨了使用人工神经网络（ANN）预测碳酸盐岩中P波速度（V_p）随压力（P）变化而变化的适用性。预测这种V_p–P关系对于时序地震解释和地质力学相关应用至关重要。传统的实验室测量方法来确定V_p–P关系耗时较长，而现有的经验回归模型往往忽略了岩石物理性质对V_p–P趋势的影响，并且预测精度不足。本研究通过结合新的实验室实验和已发表的研究，编制了一个包含363个碳酸盐岩岩芯样本的全面数据集（共计1624个数据点，涵盖了不同地质环境和微观结构下的V_p随P变化的数据）。该ANN模型考虑了包括初始速度、孔隙度、体积密度、矿物组成和渗透率在内的岩石物理参数。整个综合数据集的结果表明，与回归方法相比，ANN模型的性能更优，当仅使用初始速度作为输入时，均方根误差（RMSE）降低了多达35%（回归方法的RMSE为158米/秒）。将岩石物理性质纳入ANN模型后，预测精度进一步提高，RMSE降至48米/秒。针对单个数据集训练的ANN模型取得了最低的误差，显示出其在特定区域应用中的稳健性；而留一法测试也验证了该模型对未见数据集的预测可靠性。尽管碳酸盐岩中V_p–P关系的复杂性较高，但本研究表明，在将岩石物理性质作为输入参数时，使用ANN模型可以有效解决这一问题。本研究提供了一种将基于ANN的方法与岩石物理学相结合的工作流程，有望减少实验需求并提升地下特征的表征能力。