基于贝叶斯神经网络的多臂测井套损检测方法

针对传统多臂井径测井套损检测过程中,测井资料人工解释准确性不高,管柱重要信息容易遗漏等问题,结合大庆油田某工区多臂井径测井数据,提出了一种基于贝叶斯神经网络的多臂测井套损检测方法。该方法可在对原始测井曲线方位校正、缺失值填充以及对常见套损类别进行曲线数据截取汇总的基础上,形成多臂井径数据集,同时对数据集进行归一化处理并以此作为训练数据进行套损检测实验。对比发现,在多臂井径测井套损检测问题上,采用的MC Dropout变分推理方法训练的贝叶斯神经网络,相较BP神经网络、随机森林、BayesByBackprop和SGLD变分推理方法训练的贝叶斯神经网络,在性能和鲁棒性方面表现更优异。实验表明:该方法在多臂测井套损检测中有效性更高,平均准确率达到95.67%,较传统人工解释方法提升明显,并能给出可解释性更佳的分类结果不确定性,极大地提升了衡量检测结果的可信程度。