岩相识别是储层评价和油藏描述等勘探开发的基础环节,碳酸盐岩储层具有非均质性强、孔隙结构复杂等特点,各表征间存在较强的非线性关系。传统的岩相识别技术存在精度低、耗时长、成本高等问题,难以对储层进行精准描述。深度学习能够自动挖掘储层信息中的非线性特征,已经成为储层岩相识别的热点技术。然而,单一深度神经网络将测井表征直接输入网络,利用效率低,识别结果存在一定的不确定性。实现高精度、高可靠的储层岩相识别对加速油气藏勘探开发具有一定的现实意义。本文基于卷积神经网络和注意力机制,以碳酸盐岩储层为重点剖析对象,采用多学科交叉方法实现储层岩相分类和岩性定量预测,同时对预测结果进行可靠性分析,具体研究内容如下。针对目前传统岩相分类和单一神经网络存在的问题,研究融合注意力机制与卷积神经网络开发了非线性储层岩相分类网络。首先,构建特征注意力模块为测井表征分配权重实现关键特征提取;其次,构建卷积网络模块提取不同测井序列之间的空间信息,实现碳酸盐岩储层岩相的自动分类;最后,基于碳酸盐岩工区,对该方法从准确率、精确率、召回率等方面进行验证与评估,并与传统的岩相分类方法比较分析。针对储层表征的时序特性,研究融合注意力机制、卷积神经网络和长短期记忆循环神经网络开发了非线性储层岩性预测网络。首先,构建时间注意力模块提取一定深度范围内的测井关键特征,增强网络对序列数据特征提取的能力,实现储层岩性的精准预测;然后,根据工区实际情况,寻求新的评价方法实现预测结果的可靠性分析,提高模型工程应用性;最后,将该方法应用于碳酸盐岩工区,与传统方法相比,该方法在预测精度、模型拟合度和可靠性等方面取得了良好的效果。