基于LSTM堆叠残差网络的岩相识别方法.pdf

计算机与现代化JISUANJI YU XIANDAIHUA2023年第8期总第336期文章编号：1006-2475（2023）08-0038-06收稿日期：2022-08-23；修回日期：2022-10-13基金项目：河北省自然科学基金面上项目（D2022107001）作者简介：曾丽丽（1980），女，辽宁朝阳人，副教授，博士，研究方向：跨领域数据挖掘，E-mail：；通信作者:汤华贝（1995），男，安徽淮南人，硕士研究生，研究方向:深度学习，油气藏数据挖掘，E-mail：；牛艺晓（1999），女，山东临沂人，硕士研究生，研究方向：深度学习，油气藏数据挖掘，E-mail：；孟凡月（1996），女，河北秦皇岛人，硕士研究生，研究方向：深度学习，油气藏数据挖掘，E-mail：。基于LSTM堆叠残差网络的岩相识别方法曾丽丽，汤华贝，牛艺晓，孟凡月（东北石油大学电气信息工程学院，黑龙江 大庆 163318）摘要：为了提高岩相识别的准确性，本文开发一种基于残差连接长短期记忆网络的非均质储层岩相智能识别模型（LSTM_res）。首先，基于长短期记忆神经网络构建序列特征模块获取测井关键特征，该模块的多层叠加进一步增强了模型对关键特征信息的提取能力；其次，在序列特征模块的基础上引入残差连接技术，实现模型对网络不同层间特征信息的提取和融合，有效解决深度神经网络的退化问题；最后，以挪威附近北海浅海地区的测井数据为研究对象，通过测井参数敏感性分析选取6种测井参数（RMED、RHOB、GR、NPHI、PEF和SP）实现储层岩相智能识别。实验结果表明，在同等条件下与LSTM、CNN_res和CNN模型相比，LSTM_res模型的岩相识别精度分别提高了2、4和6个百分点，为储层建模和地质研究提供了快速有效的数据支撑。关键词：长短期记忆神经网络；残差连接；岩相识别；测井数据；测井参数敏感性分析中图分类号：TP391.9；P588文献标识码：ADOI：10.3969/j.issn.1006-2475.2023.08.007Lithofacies Identification Method Based on LSTM Stacked Residual NetworkZENG Li-li，TANG Hua-bei，NIU Yi-xiao，MENG Fan-yue（School of Electrical and Information Engineering，Northeast Petroleum University，Daqing 163318，China）Abstract:In order to improve the accuracy of lithofacies identification，this paper developed a heterogeneous reservoir lithofacies intelligent identification model based on residual connection long short-term memory network（LSTM_res）.Firstly，a sequence feature module is constructed based on long short-term memory neural network to obtain key logging features.The multi-layer stacking of this module further enhances the model s ability to extract key feature information.Secondly，the residual connection technology is introduced on the basis of the sequence feature module to realize the extraction and fusion of the feature information between different layers of the network，which can effectively solve the degradation problem of the deep neural network.Finally，taking the logging data in the shallow sea area of the North Sea near Norway as the research object，six logging parameters（RMED，RHOB，GR，NPHI，PEF and SP）are selected through sensitivity analysis of logging parameters to realize intelligent identification of reservoir lithofacies.Compared with LSTM，CNN_res and CNN models under the same conditions，theexperimental results show that the lithofacies identification accuracy of LSTM_res model is improved by 2，4 and 6 porcentagepoints，respectively.It provides fast and effective data support for reservoir modeling and geological research.Key words:long short-term memory neural network；residual connection；lithofacies identification；logging data；sensitivityanalysis of logging parameters0引言传统方法获取地层岩相包括交会图技术和成像测井技术等方式1-3，这类方法存在成本高、主观性强等缺点。随着机器学习的发展，一些研究人员开始采用数据驱动的方式解决岩相识别问题4-6。卷积神经网络（CNN）具有权值共享和池化的特点，使构建的模型能够提取测井数据中的关键特征信息7，降低信息冗余及过拟合现象，在岩相识别及储层预测领域得到了广泛的应用。冯雅兴等人8使用孪生卷积神经网络进行岩相识别，其岩相识别精度达到89.4%。Zhu等人9利用卷积神经网络构建岩相识别模型，并将其应用于大庆油田页岩储层，其识别精度达到92.3%。Imamverdiyev等人10使用1D-CNN建立岩相识别模型，并与支持向量机（SVM）模型、K近邻（KNN）算法等进行对比分析，其预测结果更为准确。然而，卷积神经网络忽略了岩相和测井参数在深度上的序列相关性，在岩相识别过程中不能准确捕捉储层垂直方向的地质特征。长短期记忆（LSTM）神经网络能够提取测井数据中的时序信息11-14，已经成为岩相识别的热点技术之一。郑阳15通过地震数据在深度上的相关性，利2023年第8期用LSTM网络对样本数据进行岩相分类，获得了连续的岩相剖面。武中原等人16基于LSTM网络构建岩相识别模型，白云质灰岩和灰质白云岩识别的召回率和准确率超过93.0%。网络叠加使模型能够提取更深层次的关键特征信息，然而，随着网络层数的增加，这类方法容易产生网络退化问题17-18。残差连接技术通过在神经网络中建立多个恒等映射通道19，打破了常规神经网络下一层只能使用上一层的输出信息作为该层输入信息的惯例20-22。Karthik等人23将残差神经网络用于胸部X射线图像的新冠肺炎检测，识别准确率达到96.0%，实验结果表明了方法的有效性。胡启成等人24通过对地质图像的解析，利用ResNet50进行岩相分类，岩相分类准确率达到90.0%。相比于单一神经网络，引入残差连接技术可以降低网络退化问题，提高模型的识别准确率。然而传统残差连接技术通常使用2层跳跃连接的方式，只能将最佳特征输出层信息通过恒等映射通道逐步传递到网络最终层25，不能对不同层次的特征信息进行综合分析和提取。针对上述网络在岩相识别中存在的问题，基于循环神经网络，本文实现一种引入残差连接技术的非均质储层岩相智能识别模型。该模型构建序列特征模块提取测井数据关键特征，在构建残差连接模块解决常规网络退化问题的同时，捕捉堆叠网络中不同层次重要参数特征，获取测井综合特征信息，并将该方法应用于页岩储层，实现非均质储层岩相的自动识别。1方法1.1模型结构基于长短期记忆神经网络和残差连接技术，本文构建了非均质储层岩相智能识别模型（LSTM_res），该模型主要由序列特征模块和残差连接模块组成，其网络构架如图1所示。图1非均质储层岩相智能识别模型模型运行方式为：1）序列特征模块对输入的测井数据进行关键参数特征提取；2）残差连接模块在序列特征模块的基础上，通过建立3个恒等映射通道，将序列特征模块中不同层次的关键参数特征进行融合获取综合特征信息；3）经过全连接层和Softmax层之后，实现非均质储层岩相的自动识别。1.2序列特征模块针对传统神经网络难以通过测井参数与岩相在深度上的非线性关系，本文构建了3层LSTM叠加的序列特征模块，图2给出了该模块的首层结构。以测井参数SP（自然电位）为例，下面说明序列特征模块的关键特征提取过程。xtSP=xsp1，xsp2，xspn 为 t时刻输入测井序列，ht-1SP=hsp1，hsp2，hspk为前一时刻输出序列，Ct-1SP=csp1，csp2，cspm 为前一时刻记忆单元序列。图2序列特征模块1）遗忘门对xtSP和ht-1SP中的参数信息进行综合分析，得到遗忘门特征提取概率矩阵ftSP，用来提取前一时刻记忆单元中的关键参数特征，如公式（1）所示。ftSP=11+exp-(wfxtSP+ufht-1SP+bf)（1）其中，wf和uf表示遗忘门权重，bf为遗忘门偏置。2）ftSP与前一时刻记忆单元相乘，提取前一时刻记忆单元中与岩相识别目标相关性高的关键参数特征，得到特征选择记忆单元Ct-1SP，如公式（2）所示。Ct-1SP=ftSP Ct-1SP（2）3）xtSP和 ht-1SP通过 Tanh 函数后生成临时特征记忆单元Ct-1SP。为特征选择记忆单元中添加新的测井参数信息，如公式（3）所示。CtSP=1-exp-2(wcxtsp+ucht-1sp+bc)1+exp-2(wcxtsp+ucht-1sp+bc)（3）4）输入门对xtSP和ht-1SP进行综合处理，生成输入门特征提取概率矩阵itSP，对临时特征记忆单元做进一步关键参数特征提取，如公式（4）所示。itSP=11+exp-(wixtSP+uiht-1SP+bi)（4）其中，wi、ui、wc和uc表示输入门权重，bi和bc为输入门偏置。5）itSP与临时特征记忆单元相乘，提取其中的关键参数特征作为新输入信息融合到特征选择记忆单元中，得到当前时刻特征记忆单元CtSP，如公式（5）所示。CtSP=Ct-1SP+itSP CtSP（5）6）输出门对xtSP和ht-1SP进行综合处理得到输出门特征提取概率矩阵OtSP，用来提取当前时刻记忆单元中的关键参数特征，如公式（6）所示。OtSP=11+exp-(woxtSP+uoht-1SP+bo)（6）其中，wo和uo表示输出门权重，bo为输出门偏置。7）OtSP与当前时刻记忆单元相乘，提取出最符合岩相分类的关键参数特征进行输出，如公式（7）所示。H1feaG3feaH2feaLSTMLSTMLSTMDenseSoftmaxRMEDRHOBPEFSP.txtxtxtxSigmoidSigmoidTanHSigmoid+TanHtftitCtO1th1tCthtCfbibobcbfwfuiwiuowoucwcu 曾丽丽，等：基于LSTM堆叠残差网络的岩相识别方法39计算机与现代化2023年第8期砂岩页岩砂岩/页岩 石灰岩 泥灰岩体积密度/（g/cm3）3.43.23.02.82.62.42.22.01.81.6htsp=OtSP1-exp(-2(Ctsp)1+exp(-2(Ctsp)（7）同理，对测井参数 RMED（中值电阻率）、RHOB（体积密度）、GR（自然伽马）、NPHI（中子密度孔隙度）、PEF（光电吸附截面指数）进行关键特征提取。1.3残差连接模块针对文献 25 构建的残差连接模型难以提取不同层次特征信息的问题，研究构建残差连接模块，在解决网络退化的同时，捕捉堆叠网络中不同层次重要参数特征，获取测井综合特征信息，其结构如图3所示。图3残差连接模块残差连接模块在序列特征模块的基础上，进一步融合不同网络层次的关键特征信息，如公式（8）所示。Rfea=H1fea+H2fea+G3fea（8）其中，H1fea=ht11feaht12feaht1Tfea为第1层输出特征矩阵，H2fea=ht21feaht22feaht2Tfea为第 2 层输出特征矩阵,G3fea=gt31feagt32feagt3Tfea为初始输入测井数据通过LSTM叠加层后的输出特征矩阵。序列特征提取模块在进行关键参数特征提取时，H2fea输出的参数特征最符合岩相分类，此时H2fea被称为最优输出参数特征，模型的性能在H2fea处达到最佳。由于网络模型由非线性层叠加构成，H2fea在经过剩余非线性网络层时不能进行恒等映射，模型获取参数特征性能逐步下降。残差连接模块通过建立恒等映射通道将H2fea直接映射到Dense层，模型始终可以获取最优输出特征，能够有效解决冗余的非线性网络层不能进行恒等映射造成的网络退化问题。与此同时，构建的残差连接模块通过建立额外的恒等映射通道，将H1fea、G3fea与H2fea进行融合，使模型在获取最优输出参数特征H2fea的同时，进一步增强模型融合不同层间关键参数特征的能力，提高模型的岩相识别精度。此外，残差连接反向梯度计算如公式（9）所示。lossxlfea=lossxLfeaxLfeaxlfea=lossxLfea()1+xlfeai=lL-1G(xifea，wi)=lossxLfea+lossxLfeaxlfeai=lL-1G(xifea，wi)（9）式中lossxLfeaxlfeai=lL-1G(xifea，wi)表示损失函数到达第 l层的残差梯度，lossxLfea表示引入残差连接后反向传播时，错误信号可以不经过任何中间权重矩阵变换直接传播到第l层，可以看出，引入残差连接更有利于多层网络模型训练。2数据集分析及预处理2.1数据集分析实验数据来自挪威附近北海浅海地区实际油田，该区域油田多集中分布在沿盆地轴线80100 km范围内26-27。油田中主要岩石类型以页岩为主，具有低孔、低渗等特点，储层属性之间多呈现高程度非线性关系。实验选取研究工区4口井（1#-4#）共13159个测井数据作为训练集，井深为15002000 m，以井5#共 6082 个测井数据作为测试集，井深为 18002724 m，采样间隔为0.152 m。本文以测试集为例，对数据中包含的砂岩、页岩、砂岩/页岩、石灰岩和泥灰岩5种岩相,进行测井参数敏感性分析，图4直观呈现了不同测井属性的岩相响应特征。由图可看出，砂岩的中值电阻率、体积密度以及光电吸附截面指数整体较低，自然电位整体较高。页岩、砂岩/页岩、石灰岩和泥灰岩的中值电阻率、体积密度以及光电吸附截面指数整体较高，自然电位整体较低且多数部分重合在一起，通过其中一种参数可以区分出砂岩和其他岩相。同时，页岩的中子密度孔隙度整体较高，由中子密度孔隙度可以进一步+LSTMLSTMLSTM+LSTMLSTMLSTM.11tfeah1Ttfeah2Ttfeah21tfeah1tfeaxTtfeax31tfeag3TtfeagDen se砂岩页岩砂岩/页岩 石灰岩泥灰岩中间电阻率/m876543210（a）中值电阻率（b）体积密度402023年第8期将页岩和砂岩/页岩、石灰岩以及泥灰岩区分开。同理，通过自然伽马可以区分出砂岩/页岩和石灰岩。单一的测井参数只能对少数岩相进行粗略的划分，只有综合考虑岩相对不同测井参数的响应特征，才能对岩相进行准确的划分。因此，通过测井参数敏感性分析，实验选取中值电阻率、体积密度、自然伽马、中子密度孔隙度、光电吸附截面指数、自然电位这6种能够表现岩相变化的常规测井参数，实现页岩储层岩相识别。2.2数据归一化不同测井属性之间单位不同，往往量纲差异较大，影响数据分析的结果。本文通过MinMaxScaler函数对量纲范围不同的测井数据进行归一化处理，将数据统一转换到 0，1 的范围内，提高模型训练的速度和精度，如公式（10）所示。xt=xt-xminxmax-xmin（10）xt为原始数据，x*t为归一化后的数据，xmax和xmin分别为原始数据中的最大值和最小值。3实验分析本次实验使用的CPU为Intel Core i5-4210H，显卡为 NVIDIA GeForce GTX960M，采用 Python3.7 作为实验的编程环境，基于 Keras框架使用 TensorFlow后台进行网络模型搭建。3.1对比模型为了评估LSTM_res模型的有效性，在同样的实验参数下对比LSTM模型和CNN模型非均质储层岩相识别。其中，CNN模型为3层叠加的一维卷积神经网络；LSTM模型与CNN模型的网络叠加层数相同。CNN_res模型在CNN模型的基础上引入残差连接且残差连接位置与LSTM_res模型一致。3.2损失函数和评价指标由于岩相识别是多分类问题，本文使用多分类交叉熵（categorical_crossentropy）作为文中提出模型和对比模型的损失函数，如公式（11）所示。Loss=-i=1myi logyi（11）其中，yi表示第i个样本的真实标签，yi表示第i个样本的预测类别。m表示样本个数。本文采用准确率（P）、召回率（R）、F1分数以及正确率（A）作为检验模型分类效果的评判指标，如公式（12）公式（15）所示。P=TPTP+FP（12）R=TPTP+FN（13）F1=2 P RP+R（14）A=TP+TNTP+TN+FP+FN（15）式中，TP表示准确识别C类岩相的数量；TN表示准确识别D类岩相的数量；FP表示将D类岩相错误识别成C类岩相的数量；FN表示将C类岩相错误识别为D类岩相的数量。3.3实验结果表 1 详 细 列 出 了 CNN、CNN_res、LSTM 和LSTM_res模型的单一岩相识别准确率、召回率、F1分数和综合岩相识别正确率。此外，本文采用决策树和（c）自然伽马（d）中子密度孔隙度（e）光电吸附截面指数（f）自然电位图4测试集岩相及其测井参数箱线图砂岩页岩砂岩/页岩 石灰岩泥灰岩自然电位/mV200190180170160150140130砂岩页岩砂岩/页岩 石灰岩泥灰岩光电吸附截面指数/（b/e）10987654321砂岩页岩砂岩/页岩 石灰岩泥灰岩中子密度孔隙度/%0.60.50.40.30.20.10.0砂岩页岩砂岩/页岩 石灰岩泥灰岩砂岩页岩砂岩/页岩 石灰岩泥灰岩自然伽马/API5004003002001000曾丽丽，等：基于LSTM堆叠残差网络的岩相识别方法41计算机与现代化2023年第8期SVM做了对比试验，实验表明该类方法不能从测井数据和岩相的非线性关系中提取有效信息，岩相预测结果与实际勘探相差较大，故在后续的实验对比中将决策树和SVM的对比结果排除在外。表1岩相识别准确率、召回率、F1分数和正确率模型名称CNNCNN_resLSTMLSTM_res岩相砂岩页岩砂岩/页岩石灰岩泥灰岩砂岩页岩砂岩/页岩石灰岩泥灰岩砂岩页岩砂岩/页岩石灰岩泥灰岩砂岩页岩砂岩/页岩石灰岩泥灰岩准确率/%909940587295998464749999967489100100989593召回率/%10095868863100978287711009985888510099969597F1分数/%959754706797988374729999908087100100979595正确率/%93959799从单一岩相识别准确率来看，采用CNN模型对各类岩相的识别效果最差，特别是砂岩/页岩和石灰岩的岩相识别准确率低于60%；CNN_res模型准确率低于90%。相比于CNN和CNN_res模型，LSTM模型有了一定的改善，然而对于石灰岩的岩相识别效果仍然低于80%。LSTM_res的单一岩相识别准确率均在93%以上，岩相分类准确率显著提高。从单一岩相召回率来看，CNN和CNN_res模型对各类岩相的召回率最低，其中对于泥灰岩的召回率均低于 80%，LSTM 模型对于泥灰岩的召回率为 85%。而LSTM_res模型通过在LSTM中引入残差连接技术，对于泥灰岩的召回率达到了97%，极大地提高了模型的识别能力。从单一岩相F1分数评价指标来看，CNN模型各类岩相的F1分数波动范围为54%97%，CNN_res模型各类岩相的 F1 分数波动范围为 72%97%，LSTM模型各类岩相的 F1 分数波动范围为 80%99%，LSTM_res模型各类岩相的F1分数波动范围为95%100%。通过单一岩相 F1 分数波动范围可以看出，LSTM_res模型有着更高的识别效果和更好的稳定性。从综合岩相识别正确率来看，CNN模型的综合岩相识别正确率为93%。相比于CNN模型，CNN_res模型综合岩相识别正确率提高了2百分点，LSTM模型综合岩相识别正确率提高了4百分点。LSTM_res模型的岩相识别正确率达到99%，识别效果最佳。图 5 和图 6 为 LSTM、LSTM_res、CNN 和 CNN_res模型在验证集上的损失函数值（loss）以及识别正确率（accuracy）随着迭代次数（epoch）的变化情况。从图中可以看到，CNN模型具有较高的损失函数值和较低的识别正确率。LSTM模型相较于CNN模型识别效果有所提升，主要原因归于序列特征模块能够有效捕捉测井数据与岩相识别目标在储层垂向的非线性信息。CNN_res模型在CNN的基础上加入残差连接，增强了层间关键特征信息的提取能力，其识别效果介于CNN和LSTM模型之间。图5 损失值变化曲线图6 识别正确率变化曲线LSTM_res模型的识别效果最佳，可以看到在迭代次数为150时，损失函数值降至5%，在迭代次数为130时，正确率高达98.5%。实验表明，该模型的序列特征模块和残差连接模块，能够从测井属性之间的非线性关系中有效提取关键特征信息，增强了堆叠网络层间特征提取能力，解决了堆叠网络的层间退化问题，有效提高了模型的岩相识别正确率。图7为实际岩相与4种模型的岩相识别结果分布情况，数字15分别表示砂岩、页岩、砂岩/页岩、石灰岩、泥灰岩。图中可以看出，在井深20302060 m处，中值电阻率和中子密度孔隙度变化异常，说明岩相发生变化，CNN模型、CNN_res模型以及LSTM模型均将部分石灰岩误分为泥灰岩，只有LSTM_res模型准确地识别出真实岩相。在井深2320 m附近，中子密度孔隙度突然降低，说明岩相发生变化，CNN 模型和CNN_res模型将石灰岩误分为页岩，LSTM模型将石灰岩误分为泥灰岩，只有LSTM_res模型准确识别出020406080100120140LSTM_res_lossLSTM_lossCNN_lossONN_res_loss0.300.250.200.150.100.050204060801001201400.9850.9800.9750.9700.9650.9600.9550.9500.945LSTM_res_accLSTM_accCNN_accONN_res_acc422023年第8期真实岩相。实验结果表明，本文构建的LSTM_res模型具有更好的岩相识别效果。图7测试集测井曲线及不同模型中的识别岩相与实际岩相对比4结束语本文基于长短期记忆神经网络和残差连接技术构建了非均质储层岩相智能识别模型，利用邻近井测井属性与识别目标之间的相关性实现了多种岩相的智能识别。实验通过北海盆地页岩储层数据集，验证表明LSTM_res模型能够充分提取测井数据中的垂向参数特征，增强了深度神经网络层间特征提取能力。相较于 CNN、CNN_res 和 LSTM 模型，LSTM_res 模型综合岩相识别准确率分别提高了6个百分点、4个百分点和2个百分点，为储层建模和地质研究提供了快速有效的数据支撑。参考文献：1 石平舟.FMI电成像测井技术在中古43井区鹰山组岩性岩相研究中的应用 D.成都:西南石油大学，2016.2 冉冶，王贵文，赖锦，等.利用测井交会图法定量表征致密油储层成岩相以鄂尔多斯盆地华池地区长7致密油储层为例 J.沉积学报，2016，34(4）:694-706.3 王春燕.火山岩岩相测井响应机理及识别方法 J.大庆石油地质与开发，2013，32(3）:135-139.4 王泽华，朱筱敏，孙中春，等.测井资料用于盆地中火成岩岩相识别及岩相划分:以准噶尔盆地为例 J.地学前缘，2015，22(3）:254-268.5 梁旺东，王子龙.基于灰色关联选取特征向量的BP神经网络岩相识别以X油田A区部分井为例 J.北京石油化工学院学报，2022，30(2）:24-29.6 陈玉林，李戈理，杨智新，等.基于KNN算法识别合水地区长7储层岩性岩相 J.测井技术，2020，44(2）:182-185.7 HOWARD A G，ZHU M，CHEN B，et al.MobileNets:Efficient convolutional neural networks for mobile vision applications J.arXiv preprint arXiv:1704.04861，2017.8 冯雅兴，龚希，徐永洋，等.基于岩石新鲜面图像与孪生卷积神经网络的岩性识别方法研究 J.地理与地理信息科学，2019，35(5）:89-94.9 ZHU L P，LI H Q，YANG Z G，et al.Intelligent logginglithological interpretation with convolution neural networksJ.Petrophysics，2018，59(6）:799-810.10 IMAMVERDIYEV Y，SUKHOSTAT L.Lithological faciesclassification using deep convolutional neural networkJ.Journal of Petroleum Science and Engineering，2019，174:216-228.11 HUANG Z H，XU W，YU K.Bidirectional LSTM-CRFmodels for sequence taggingJ.arXiv preprint arXiv:1508.01991，2015.12 张泽亚，黄丽明，陈翀，等.基于新闻特征抽取和循环神经网络的股票预测方法 J.文献与数据学报，2020，2(1）:45-56.13 朱俊鹏，赵洪利，杜鑫，等.长短时记忆神经网络在卫星轨道预报中的研究 J.兵器装备工程学报，2017，38(10）:127-132.14 HOCHREITER S，SCHMIDHUBER J.Long short-termmemory J.Neural Computation，1997，9(8）:1735-1780.15 郑阳.基于深度学习的岩相识别研究 D.北京:中国石油大学，2017.16 武中原，张欣，张春雷，等.基于LSTM循环神经网络的岩性识别方法 J.岩性油气藏，2021，33(3）:120-128.17 成一铭.胶囊网络的研究及在图像分类中的应用 D.长春:吉林大学，2021.18 周建文.基于深度学习的产品表面质量检测研究 D.太原:太原理工大学，2020.19张云佐，李文博，郑婷婷.基于LGC的反残差目标检测算法 J.北京航空航天大学学报，2021.DOI:10.13700/j.bh.1001-5965.2021.0452.20 段友祥，常城，孙歧峰，等.基于示功图大数据的立式抽油机故障分析 J.计算机与数字工程，2021，49(10）:2155-2160.21 周涛，霍兵强，陆惠玲，等.残差神经网络及其在医学图像处理中的应用研究 J.电子学报，2020，48(7）:1436-1447.22 杜进，陈云华，张灵，等.基于改进深度残差网络的低功耗表情识别 J.计算机科学，2018，45(9）:303-307.23 KARTHIK R，MENAKA R，HARIHARAN.Learning distinctive filters for COVID-19 detection from chest X-rayusing shuffled residual CNN J.Applied Soft Computing，2021，99.DOI:10.1016/j.asoc.2020.106744.24 胡启成，叶为民，王琼，等.基于地质图像大数据的岩性识别研究 J.工程地质学报，2020，28(6）:1433-1440.25 JI D J，PARK J，CHO D H.ConvAE:A new channel autoencoder based on convolutional layers and residual connectionsJ.IEEE Communications Letters，2019，23(10）:1769-1772.26张志宇.北海盆地中央地堑碳酸盐岩石油地质特征研究D.北京:中国石油大学，2018.27 PREISS A D，ADAM J.Basement fault trends in the southern north sea basinJ.Journal of Structural Geology，2021，153.DOI:10.1016/j.jsg.2021.104449.12345Well Depth/m2000220024002600曾丽丽，等：基于LSTM堆叠残差网络的岩相识别方法43