摘要
深层页岩气储层的商业化开发主要依赖于水力压裂技术。同时，准确预测岩石力学参数对于做出明智的决策和优化水力压裂参数至关重要。传统开发深层页岩气储层的方法主要依赖于基于压缩波和剪切波速度的经验公式。然而，获取剪切波数据具有挑战性，且这些公式的准确性通常较低。由于岩石力学数据的显著异质性，传统的机器学习算法在预测精度和泛化能力方面存在局限性。为了高效地预测深层页岩地层中的岩石力学参数，并为优化重庆西部深层页岩气储层的水力压裂设计提供更好的指导，本研究将测井数据与实验室岩石力学测试数据相结合。这项研究超越了简单的模型堆叠方法，采用了一种针对重庆西部深层页岩三大核心特征（高压、高有机质含量和高脆性矿物含量）定制的架构设计。具体来说，利用变分模态分解（VMD）技术来分离由高脆性矿物含量引起的复杂波动；卷积神经网络（CNN）作为空间特征提取器，捕捉与高有机质含量相关的复杂空间分布模式；双向长短期记忆网络（BiLSTM）模拟长距离的顺序深度依赖性，反映在高压压实作用下的连续地质力学演变；注意力机制（AT）则动态优先处理在这些复杂地质条件下对岩石力学性质最敏感的测井响应。所提出的VMD-CNN-BiLSTM-AT模型被用于估算重庆西部页岩层的杨氏模量和泊松比。测试结果表明，该模型的预测性能优异，杨氏模量和泊松比的R^2分数分别达到了0.966和0.96，比其他传统模型高出约10%。因此，该模型通过精确预测力学性质，支持在深层页岩地层中的数据驱动压裂优化。
