随着石油工业的发展,可开采油气储量在不断减少。据统计,世界上大约有30%的油气出现在砂泥岩薄互储层中。砂泥岩薄互储层具有明显的各向异性特征(横向各向同性)。电磁波电阻率测井成为表征地球物理勘探层状地层信息的重要测量方法。传统随钻电磁波电阻率仪器的发射和接收线圈都采用轴向线圈,所测结果不具备方位特性。而多分量随钻电磁波测井仪器、含倾斜线圈的随钻电磁波测井仪器以及含横向线圈的随钻电磁波测井仪器的测量结果则会产生方位特性,这一性质大大拓宽了随钻电磁波仪器在地质导向中的应用。研究这些随钻电磁波测井仪器在地层中的电磁响应规律对测井资料的解释和地质评价具有重要的意义。大斜度水平井钻井过程中,通过电磁波测井资料能够获取地层的参数信息,从而可以帮助油田提高钻井投资回报率。为了对储层中的测井资料进行评价,需要建立一种有效的反演模型从随钻电磁波测井仪器在地层中测得的响应中准确地获取地层信息。在实际测井现场要对测井资料进行实时反演,不仅要求反演结果的精度高,而且要求反演速度要快。许多国内外相关学者试图通过提升正演建模及反演方法的效率和速度来提升电磁波测井资料反演的准确度及速度。目前常用反演方法是基于最小二乘理论的最优化反演方法,该方法需要设置初始模型(优先信息),通过反复迭代不断降低输出地层信息与真实地层信息的误差。该方法在迭代过程中需要多次调用正演模型,这个过程需要耗费大量的时间。如果初始模型设置的不合适,有可能会增加反演迭代的时间,甚至无法获得准确的反演结果。此外,反演结果还有可能出现多解性的问题。因此,此类反演方法不能满足测井现场对测井资料实时反演的需要。无法对电磁波测井资料进行快速且准确的处理和解释以实现测井资料的实时反演是目前制约地质勘探技术进一步发展的瓶颈,这极大地限制了储层评价及相关地质研究的发展。因此,迫切需要一种快速且准确的反演方法对随钻电磁波测井资料进行实时反演。虽然目前已经有一些研究使用神经网络对测井资料进行反演,但是由于过去计算能力的限制,大多数的研究均使用浅层神经网络结构来实现各向同性地层中测井资料的反演,反演结果的准确度受到了很大限制。而且没有对各向异性地层中电磁波测井资料的反演进行研究。近些年深度学习的迅猛发展使其受到了广泛的关注。因其独有的学习和非线性逼近能力,已经在计算机视觉、信号处理等领域取得了显著成果,也为地质勘探领域提供了新思路。由于对测井资料的反演本质上也是一个非线性处理的问题,因此本文提出了一种基于深度学习的反演方案,不仅提升了各向同性地层中电磁波测井资料反演的准确度及速度,而且对各向异性地层中电磁波测井资料实现了快速、准确的反演。一旦完成,其效率及速度是传统反演方法无法比拟的。综上所述,本论文着重于解决随钻电磁波测井仪器在层状储层中测井资料反演时存在的耗时、多解性等问题。通过对正演算法的理论分析仿真及迭代反演方法的研究,致力于使用深度学习技术实现随钻电磁波测井仪器在储层中测井资料快速、准确、可靠的反演上。论文的研究工作及创新点包括以下几个方面:(1)在正演建模中,利用连分式求和方法具有的快速收敛优点,使用Gauss-Legendre求积方法与连分式求和相结合计算多分量随钻电磁波测井仪器的在层状各向异性地层中的磁场响应。在不同井斜角度下,对多分量随钻电磁波测井仪器在三层各向异性地层、四层各向异性地层以及五层各向异性地层中的测井响应进行仿真。对含倾斜线圈的随钻电磁波测井仪器在各向异性地层中的响应进行了仿真,分析并讨论了井斜角度以及倾斜线圈倾角对电磁波测井响应的影响规律。最后对含横向线圈的随钻电磁波测井仪器在各向异性地层中的测井响应进行了仿真,分析并讨论了井斜角度对电磁波测井响应的影响规律。分别使用连分式求和及直接求和方法计算随钻电磁波测井仪器中接收线圈在地层中的磁场分量。结果表明使用连分式求和的方法对其进行计算时,累加四个积分区间就能使结果收敛,而使用直接求和的方法对其计算时,需要累加六个积分区间才能使结果收敛。计算中使用连分式求和的方法比直接求和方法能使结果更快地收敛,提高了计算磁场分量时的计算效率。(2)在使用迭代反演方法对测井资料进行反演时,对需要反演的未知参数开根号五次方进行处理,添加约束算法,提出将Levenberg-Marquardt算法结合Armijo准则的线搜索方法,实现随钻电磁波测井仪器在地层中的地质导向。对反演参数预处理时,对需要反演的未知参数开根号五次方进行处理,这样能够根据距离参数的正负号来确定储层界面位于仪器上方还是下方。并添加了约束算法,保证反演结果在合理的范围之内。分别对电磁波测井资料进行两参数反演(仪器距上界面距离、下围岩电阻率)与三参数反演(仪器距上界面距离、上围岩及下围岩电阻率)。结果表明该方法可以通过对电磁波测井资料的解释,准确获得仪器与地层的相对位置信息及地层电阻率信息,实现随钻电磁波测井仪器在地层中的地质导向。(3)提出了基于深度学习的反演方案对各向同性地层中的测井资料实现快速且准确的反演。该反演方案采用深度神经网络架构,使用Batch Normalization用来解决深度神经网络结构由于层数加深内部协变量偏移导致收敛变慢的情况。Backpropagation用来更新神经网络内部的参数,使用k折交叉验证(k-fold cross-validation)方法对数据集中的数据进行训练,以防止训练过程中出现过拟合(Over-fitting)的情况。经过训练后,使用训练好的深度神经网络模型对随钻电磁波测井仪器在未知各向同性地层中的测井资料进行解释。比较反演结果中地层参数预测值与地层参数真实值的差距。同时,使用最常用的迭代反演方法与该反演方案实现同等精度下各向同性地层中测井资料的反演,比较所花费的时间。经过一系列仿真实验验证,结果证明使用Batch Normalization加速了神经网络的训练,并且训练过程中不会出现过拟合现象。反演结果表明,地层每个参数预测值与真实值的决定系数R2均在0.99989之上,预测的随钻电磁波测井仪器在地层的相位差曲线与真实相位差曲线也十分吻合。在对各向同性地层中的测井资料进行同等精度的反演时,使用基于深度学习的反演方案比使用迭代反演方法速度快多达两个数量级。这对随钻电磁波测井仪器在各向同性地层中测井资料的实时反演具有重大意义。(4)提出了使用基于深度学习的反演方案对随钻电磁波测井仪器在各向异性地层中的测井资料实现快速且准确的反演。该反演方案采用深度神经网络架构,使用Batch Normalization用来解决深度神经网络结构由于层数加深导致收敛变慢的情况。使用Adaptive Momentum Estimation方法用来更新神经网络内部的参数。经过训练后,使用训练好的深度神经网络模型对随钻电磁波测井仪器在层状各向异性地层中的测井资料进行解释。比较反演结果中地层参数预测值与地层参数真实值的差距。同时,比较使用该反演方案与最常用的迭代反演方法实现同等精度下各向异性地层中电磁波测井资料反演所花费的时间。结果表明,地层每个参数预测值和真实值的决定系数R2均在0.99867以上,预测的随钻电磁波测井仪器在地层中的相位差曲线与真实相位差曲线也十分吻合。在对各向异性地层中的测井资料进行反演时,同等反演精度下使用基于深度学习的反演方案比使用迭代反演方案快多达两个数量级,这对随钻电磁波测井仪器在各向异性地层中测井资料的实时反演意义重大。(5)使用训练好的神经网络模型对随钻电磁波测井仪器在多层各向异性地层中的测井资料进行反演,测试该反演方案的鲁棒性。训练中使用的电磁波测井资料是随钻电磁波测井仪器在三层各向异性地层中的响应,使用已经训练好的神经网络模型对随钻电磁波测井仪器在四层及五层各向异性地层中的测井资料进行反演。结果显示,尽管训练好的神经网络模型输出的是三层各向异性地层模型,但反演结果依然可以捕获四层及五层各向异性地层的特征,最终的解释并没有误导介质的岩性。(6)在随钻电磁波测井仪器在各向异性地层中的测井资料加入噪声以重现真实测井数据的采集,验证该反演方案的鲁棒性。分别向数据集中分别添加2%、5%、10%、15%的相对噪声,观察该反演方案预测结果的准确性。结果表明,当添加2%的相对噪声时,预测结果每个参数的决定系数R2均在0.99622以上。当添加5%的相对噪声时,预测结果每个参数的决定系数R2均在0.97578以上。当添加10%的相对噪声时,预测结果每个参数的决定系数R2均在0.97669以上。当添加15%的相对噪声时,预测结果每个参数的决定系数R2均在0.95910以上。虽然随着添加的噪声越大,反演结果的准确度会随之下降,但是反演出的结果仍然能够准确的反映出地层信息。