遷移深度神經網絡的頁巖總孔隙度預測

汪 敏 ，楊 桃，唐洪明，閆建平，廖紀佳

1.西南石油大學電氣信息學院，四川 成都 610500 2.油氣藏地質及開發工程全國重點實驗室·西南石油大學 四川 成都 610500 3.西南石油大學地球科學與技術學院，四川 成都 610500

引言

頁巖氣的賦存方式與常規天然氣有極大的差異，對于其賦存原理及勘探開發的研究是當下石油天然氣工業的熱點問題?？紫抖茸鳛轫搸r儲層評價的關鍵參數之一，對其定量研究十分必要?？紫抖鹊臏蚀_值只有通過巖芯分析得到，但是，巖芯的獲取成本極高。而且，頁巖孔隙一般以納米為主[1-3]，常規的儲層孔隙研究方法很難應用于頁巖孔隙度的表征預測[4-6]。為了降低取芯的成本，亟需新的方法來達到這一目標。

針對這一問題，國內外眾多學者進行了一系列研究。其中，Luffel 等[7]根據核磁共振測井資料計算得到孔隙度，但是在計算過程中，沒有將儲層含氣狀態考慮在內，含氣飽和度必須以獲得的地層真實孔隙度為基礎計算得到。因此，用單一的核磁共振測井資料計算得到的孔隙度很難保證準確度[8]。鐘光海等[9]直接利用測井曲線表征頁巖孔隙度，通過多次實驗，優選出聲波、密度、鈾含量和巖芯孔隙度，建立了孔隙度預測模型。該方法存在兩方面的不足：一方面，這種方法需要很多數據進行擬合，模型參數與測井數據密切相關；另一方面，模型表征性能隨井深而變化。近些年來，人工智能技術在各方面都取得了令人矚目的成就，將人工智能應用于儲層關鍵參數預測及其評價也已經成為石油和天然氣工業的一大趨勢，已經有諸多應用[10-13]。楊柳青等[14]利用密度、聲波、自然伽馬和泥質含量作為輸入參數，利用深度學習技術訓練卷積神經網絡（Convolutional Neural Network，CNN）對儲層孔隙度進行預測。該方法可以準確地預測儲層孔隙度。但是，卷積神經網絡需要大量的有標簽測井數據，在實際工程中很難在每一口井上都獲得足量可以很好地用于訓練深度學習網絡的測井數據，尤其是巖芯數據。對于地質的非均質性，存在兩個問題：1）還沒有一個定量的指標來對其進行衡量；2）在此情況下，用一口井的測井數據訓練的深度神經網絡模型可能不再適合鄰井的儲層情況。

針對上述的一系列問題，提出一種全新的機器學習理念 深度遷移學習，并基于該理念構建全新的頁巖孔隙度預測模型。首先，使用皮爾遜相關系數法優選出適合深度神經網絡的測井參數作為輸入，訓練得到可以很好地預測該井的深度神經網絡模型。然后，提出最大均值差異（Maximum Mean Difference，MMD）衡量源井（有大量較好測井數據的井）和目標井（只有少量測井數據的井）測井數據分布的相似性，為后續遷移深度神經網絡性能提供依據。最后，以源井的深度神經網絡作為預訓練網絡，在目標井上用少量的數據加以微調，得到預測目標井儲層孔隙度的遷移深度神經網絡（Porosity Transfer Deep Neural Network，PTDNN）模型。通過測試對比，在B2 井上只使用了200 個（為預訓練網絡訓練數據需求量的10%）測井數據和對應的巖芯孔隙度數據就訓練得到了預測性能很好的遷移深度神經網絡。

本文主要貢獻為：1）建立全新孔隙度預測的遷移深度神經網絡模型，充分利用歷史測井數據，使用少量新的測井和巖芯數據實現較高精度的孔隙度預測。該方法克服了一般深度學習網絡需要大量測井數據訓練模型，尤其是對于巖芯數據的依賴。同時，也獲得了深度學習優異的預測性能，達到了極大降低測井解釋成本的效果。2）提出MMD 來定量衡量兩口井之間的差異，為兩井間地質差異提供了一種評價依據。

1 地質概況

長寧國家級頁巖氣開發示范區位于四川盆地南部的宜賓市和瀘州市，東西橫跨90 km，南北達40 km，其區塊面積約為2 050 km2（圖1）。目前，區域內已鉆獲頁巖氣井超過240 口，為國家頁巖氣開發研究提供了基礎條件。

圖1 研究區位圖Fig.1 Research location map

四川盆地位于亞洲大陸東南，盆地呈NE—SW向走勢，是多次構造運動的結果。背斜頂部為寒武系—志留系，其兩翼為二疊系－三疊系。長寧地區繼承了四川盆地地質演化特征，大部分為二疊系—三疊系—侏羅系，總體走向是NW—SE向[15]。該地區在大面積低能、缺氧及欠補償沉積地質環境下形成了大量的低滲透率、低孔隙度及高有機質的頁巖儲層[16]。研究資料顯示，長寧地區的主要儲層為五峰組－龍馬溪組，發育有大量黑色頁巖，厚度為214.5～450.5 m。龍馬溪組儲層分布穩定，埋藏深度淺，一般在1 700～3 500 m，總有機碳含量低。

本文研究的A1、A2、B1、B2 的4 口井均位于長寧中奧頂構造南翼，都為3 500 m 以淺的測試井。其主力儲層——龍馬溪組由龍一段和五峰組組成，龍一段又由4 個小層（龍一1，龍一2，龍一3，龍一4）組成。

測井數據文件包含詳盡的工程數據，例如，聲波時差、井徑、補償中子、自然伽馬、鈾和光電吸收截面指數等眾多的測井數據。并且這4 口井都進行了鉆井取芯工作，由此，可以分析得到準確的頁巖孔隙度值。

2 孔隙度預測的遷移深度神經網絡模型構建

首先，提出遷移深度神經網絡模型的理論基礎；然后，在理論的基礎上，以長寧地區4 口井的測井及巖芯孔隙度數據構建目標井的孔隙度預測遷移深度神經網絡模型。

2.1 遷移深度神經網絡模型理論

遷移深度神經網絡（Transfer Deep Neural Network，TDNN）的構建過程，由初始訓練模型以及在此基礎之上再訓練得到的遷移網絡兩步組成。

2.1.1 初始訓練模型

深度神經網絡（Deep Neural Network，DNN）是由一層層神經元組成的，神經網絡一般包括輸入層、隱藏層和輸出層（圖2）[17]。深度神經網絡是指層數超過3 層的神經網絡，其強大的非線性擬合能力使得其成為解決各種復雜非線性映射問題的首選方法，成為深度學習的基礎。

圖2 神經網絡的結構Fig.2 The structure of the neural network

神經網絡的訓練過程由兩個過程組成，分別為前向傳播和反向傳播。前向傳播過程中，給定權值和偏置矩陣，通過各神經元節點運算處理得到輸出的預測值。在反向傳播過程中，通過損失函數對權重系數ω 和偏置系數b求導而不斷更新這兩者的值，從而使得網絡不斷地減小預測值與實際值的誤差，直至找到最合適的權值和偏置讓損失函數收斂。

1）前向傳播過程

對于第j層第l個神經元節點輸入值

寫為向量形式

式中：ω—權重系數；

b—偏置系數；

k－前一層（j-1）神經元節點數目；

a－輸入向量；

b－偏置系數向量；

z—激活函數ReLU 的輸入向量；

σ()—ReLU 激活函數，其形式為

2）反向傳播過程

反向傳播考察的是權重和偏置如何影響代價函數，其具體的含義為：計算，從而不斷修正權重和偏置使得損失（代價）函數c不斷減小直至收斂。

通過鏈式法則求導，最終得到

優化器決定反向傳播過程中參數更新的方式，對于模型的性能有著決定性影響。在本文中選用RMSprop 作為模型優化器。RMSprop 是一種自適應優化器，它會對累積平方梯度添加一個衰減系數，盡可能地避免梯度陷入局部極小值。

對于回歸（預測）類問題，常選擇均方誤差（Mean Square Error，MSE）作為損失（代價）函數，均方誤差指的是參數估計值與參數真實值yi之差平方的期望值，它的形式為

式中：L1均方誤差；

n－數據個數。

2.1.2 遷移深度神經網絡模型

深度學習有卓越的預測和分類能力。但是，其優異性能基于大量的有標簽數據。然而，現實中難以獲得足量并且高質量標注的數據，例如，巖芯數據。這一瓶頸嚴重制約深度學習的應用[18-20]，遷移學習可以成功地解決這一問題。將遷移學習應用于孔隙度預測構建遷移深度神經網絡就可以用少量數據達到優異的性能。

但是，遷移學習的性能和源域數據與目標域數據分布的相似性密切相關。源域數據與目標域數據分布越相似，遷移學習所得的模型在目標域上表現越好，相反，源域數據與目標域數據分布差距過大，則會出現負遷移。因此，定量地衡量源域數據與目標域數據間的分布相似性是一項十分必要的工作。

源域有大量有標簽數據Ds={(x1,l1),(x2,l2),···,(xn,ln)}，而目標域上只有少量數據有標簽或者全部無標簽Dt={(xt1,lt1),(xt2,lt2),···,(xt(n-1)),(xtn)}。在本文中，源域就是有大量測井數據的井，而目標域是只有少量測井數據的井。

使用最大均值差異來衡量源域數據與目標域數據分布的相似性。迄今為止，還沒有一個定量的指標衡量井間的非均質性差異，這一概念可以很好地解決這個問題。在統計學中，當兩個數據分布不同時，應該用使兩個分布之間差距最大的那個距離來作為度量兩個分布的衡量。MMD 正是來源于這一思想，假設存在兩個分布p和q，利用核函數將兩分布映射到無窮維的高維空間，然后再求兩者的期望差值，當在某映射關系下兩者期望差值取得最大值時，此時就是最大均值差異，用于衡量兩個分布的相似性。最大均值差異為

式中：D－最大均值差異；

F原始數據映射到再生核希爾伯特空間的函數集合；

f—F中的一個映射函數；

Ep,Eq—求取均值的函數。

在實際應用中，常用最大均值差異的經驗估計值進行計算，設源域和目標域對應p,q，兩數據分布映射到再生核希爾伯特空間為`p,`q，各自含有m和n個數據，則最大均值差異的經驗估計值D′為

最大均值差異衡量源域與目標域分布相似性，可以為遷移學習性能差異提供解釋。同時，最大均值差異可以定量衡量源井和目標井間的非均質性差異大小。在計算源域和目標域間最大均值差異后，就可以在預訓練網絡的基礎上構建遷移深度神經網絡。

深度遷移學習利用源域大量有標簽數據訓練得到預訓練網絡，預訓練網絡獲得的權重和偏置已經很好地適應源域情況。當目標域數據與源域數據的分布相近時，就可以在源域預訓練網絡的基礎上，將預訓練網絡的前層凍結，不參與反向傳播；只是訓練最后的幾層，讓最后的幾層連接參數更新，即微調，就可以達到較好效果。

由此可以看出，遷移學習的主要優點：數據量需求少，源域預訓練模型已經具備了大量的參數，只需要少量的目標數據來訓練最后一層或者幾層網絡，以使模型可以很好地適應目標域的情況。這就很好地契合了在目標井上用少量測井及巖芯數據準確預測孔隙度的需求。

2.2 基于TDNN 孔隙度預測模型的建立

2.2.1 PTDNN 預訓練模型構建

1）實驗數據處理

由于測井工況和儀器工作狀態或者其他因素的影響，測井數據中常常存在缺失值和異常值。這些異常值和缺失值會直接影響孔隙度預測模型的性能。

對于缺失值，有兩種處理策略：1）整個測井屬性值全部缺失或者超過50% 缺失的情形下，刪除整個測井屬性；2）測井屬性缺失少量值，據熊中敏等[21]和陳娟等[22]的方法，采用該屬性的均值填補。對于異常值，直接剔除。

為了使神經網絡的泛化能力提高，可以適應不同地質層參數情況，從而準確預測不同地質層的孔隙度，將用于訓練的測井數據按行隨機打亂，對應深度的巖芯孔隙度作為標簽。初步處理后的部分測井數據及對應孔隙度如表1 所示。

表1 初步處理后的部分A1 井測井數據及對應孔隙度Tab.1 Part of well logging data and corresponding porosity of Well A1 after preliminary processing

經過上述一系列處理后，所得數據已經可以用于初步分析。但對于深度神經網絡的訓練來說，還需要歸一化處理，即把數據歸一化為[0，1]。由于各種測井屬性數據的量綱不同，從而不同屬性數值差距較大，會導致神經網絡在訓練過程中對數值較大的屬性產生嚴重依賴，數值較小的屬性被忽略的現象。進而嚴重影響模型的預測性能。為此，使用式（9）對數據進行歸一化處理

式中：

xs—歸一化后標準數據；

x—原始數據；

xmin—某一測井屬性原始值的最小值；

xmax—某一測井屬性原始值的最大值。

2）網絡輸入測井屬性的選擇

測井工程數據包含眾多的測井屬性數據，需要根據不同的目標對其優選。對于本文所研究的孔隙度，根據文獻[23-24]選擇常用的一些測井屬性，如聲波時差（AC）、電阻率（RT）、密度（DEN）、自然伽馬（GR）、光電截面積指數（PE）、井徑（CAL）、補償中子（CNL）、泊松比（POIS）和其他相關的測井屬性。

由于深度神經網絡是反映輸入與輸出之間的非線性關系，因此，必須保證輸入的測井屬性兩兩之間是非線性關系[25]。但是部分測井數據之間可能存在著高度的相關性，需要用一定指標衡量測井屬性之間的相關性加以篩選。

使用皮爾遜相關系數法來計算A1 井、B1 井各測井屬性之間的相關系數。皮爾遜相關系數的計算模型為

式中：

r(X,Y)－兩變量間的相關系數；

Var()－變量的標準差；

cov(X,Y)－兩變量間的協方差。

一般認為，|r(X,Y)| ≥0.8 兩變量間的相關性很高，0.3 ≤|r(X,Y)| ＜0.8 兩變量間的相關性較弱，|r(X,Y)|＜0.3 兩變量間沒有相關性。

計算A1 井和B1 井測井數據間相關系數如表2和表3 所示，據此，優選出A1 井的AC、RT、DEN 及GR 共4 個測井屬性作為深度神經網絡的輸入，B1 井的AC、DEN、DTC、GR 及PE 共5 個測井屬性作為深度神經網絡的輸入。

表2 A1 井各測井屬性的相關系數Tab.2 Correlation coefficients of each logging attribute of Well A1

表3 B1 井各測井屬性的相關系數Tab.3 Correlation coefficients of each logging attribute of Well B1

3）源井預訓練網絡的搭建

用于源井A1 井和B1 井的孔隙度預測網絡訓練和測試數據量的情況如表4 所示。

表4 各井訓練數據情況Tab.4 Training data of each well

A1 井有4 個輸入屬性，因此，輸入層設置節點為4?？紤]到A1 井用于訓練的數據樣本數為2 776，根據張勇等[26]提出的方法，隱藏層節點數目nN等于輸入層節點數目nF2 倍加1（nN=2nF+1），決定設置第一隱藏層神經元節點數目為9。經過多次實驗，對比網絡的預測精度發現，后續的網絡結構設置效果最佳：第一、第二和第三隱藏層神經元節點分別為9、9 及4，輸出層神經元節點數為1。

B1 井有5 個屬性，按照A1 井同樣的方法設置網絡。輸入層節點數為5，第一、第二和第三隱藏層設置節點為11、11 及5，輸出層為1。構建的A1 井和B1 井預訓練深度神經網絡如圖3 所示。

圖3 源井孔隙度預測深度神經網絡的結構Fig.3 The structure of the source well porosity prediction depth neural network

2.2.2 PTDNN 模型構建

在孔隙度預測深度神經網絡初始訓練模型建立好的基礎上，構建目的井的孔隙度預測遷移深度神經網絡。

在測井過程中，由于部分儲層厚度較小或者其他原因，使得某些層組的測井數據稀少，在此情形下，就難以訓練得到性能優異的深度學習模型。再者，巖芯的獲得和完整地開發一口新測試井的成本都極其高昂。深度遷移學習可以充分應用同一區塊相鄰的其他測試井的歷史測井數據，只需要少量新井的測井和巖芯數據，從而可以大大降低勘探成本并且發揮出深度學習高精度的優勢。

1）兩組源井與目標井井間MMD

由2.1.2 節知，遷移學習的性能和源域與目標域數據分布相似性有很大關系，在本文中也就是有大量測井數據的源井與只有少量測井數據的目標井的測井數據分布相似性。因此，需要計算A1 井與A2井和B1 井與B2 井間的最大均值差異，為了計算簡便，使用更為常見的線性核作為最大均值差異的核函數。計算所得最大均值差異如表5 所示。

表5 B1 井與B2 井和A1 井與A2 井間的最大均值差異Tab.5 MMD between Wells B1 and B2 vs Wells A1 and A2

2）兩目標井的PTDNN 模型

將在B1 井上訓練得到的深度神經網絡作為預訓練模型在B2 井上微調，即以B1 井（源井）為源域，B2 井（目標井）為目標域。將B1 井上訓練得到的神經網絡輸入層，第一和第二隱藏層參數凍結，第三隱藏層和輸出層參數進行訓練，使得其參數更新而適合B2 井的地質情況。

A2 井遷移網絡訓練策略同B2 井一致，將A1井上訓練得到的神經網絡輸入層，第一和第二隱層凍結，第三隱層和輸出層用200 個A2 井測井數據進行再訓練。最終構建的用于A2 井總孔隙度預測PTDNN 如圖4 所示，由于B2 井的遷移網絡結構也類似，故展示出A2 井PTDNN 結構圖（圖4）。

圖4 A2 井PTDNN 結構圖Fig.4 The structure of PTDNN of Well A2

3 PTDNN 孔隙度預測性能分析評價

對使用200 個測井數據（僅為初始訓練模型數據需求量的10%）以及對應的巖芯孔隙度構建的PTDNN 性能進行評價分析。首先，分析輸入數據組成結構對PTDNN 性能的影響，訓練得到孔隙度預測性能最佳的PTDNN 的模型參數，分析PTDNN在兩口目標井上的性能差異及其原因；其次，分析PTDNN 與DNN 和隨機森林回歸（Random Forest Regressor，RFR）的性能對比。

用絕對均值誤差（Mean Absolute Error，MAE）、MSE 和決定系數R2衡量模型在測試數據上的孔隙度預測性能。MAE 反映模型預測整體誤差的大小，R2反映模型預測孔隙度曲線趨勢和巖芯分析孔隙度趨勢的擬合優度。從量和趨勢兩方面可以更為精確地衡量模型的預測性能。其計算模型如式（11）和式（12）所示

式中：L2—絕對均值誤差；

li,—巖芯孔隙度真實值和模型孔隙度預測值；

l—li組成的向量形式。

MAE 越小，R2越大，模型預測孔隙度性能越好。

3.1 輸入數據對PTDNN 孔隙度預測性能的影響

為探究目標井訓練數據的組成情況對于PTDNN 性能的影響，將B1 井（源井）測井數據抽樣加入到B2 井（目標井）共同組成B2 井的訓練集數據，保持其他參數不變。將B1 井和B2 井訓練數據比設置為0：200，1：1 和1：2，即，B1 井和B2 井測井數據集數據量分別為0 和200、100 和100、60和140 共3 種情況。其MAE 如表6 所示。

表6 B2 井訓練集數據組成情況對于網絡性能的影響Tab.6 The impact of the data composition of the B2 training set on the network performance

通過表6 可以看出，在同樣量的訓練數據的情況下，訓練數據的組成情況對于神經網絡的性能會產生影響。遷移深度神經網絡訓練數據全部使用目標井數據相較于目標井和源井各1/2 的情況，MAE低0.054 8。PTDNN 使用目的井的測井和巖芯孔隙度作為訓練數據更好。

對于這一現象可以理解為：在預訓練網絡的再訓練過程中，前面的層已經凍結了，網絡參數不再更新，只是后面的一兩層參與訓練。此時，目的井訓練數據占比越大，所更新的參數，更適合新情況下的屬性與標簽間的映射關系。

3.2 PTDNN 在目標井上的孔隙度預測性能

通過3.1 節可知，全部使用目標井可以使得PTDNN 獲得最佳預測性能。由此，選用200 個目標井的測井及巖芯孔隙度數據，多次調整PTDNN 的超參數訓練過程中的損失變化情況，得到在目標井B2 井和A2 井上的最佳孔隙度預測性能如圖5 和圖6所示。

圖5 PTDNN 在目的井訓練過程中損失曲線Fig.5 PTDNN′s loss cure on target wells

圖6 PTDNN 在目的井上的孔隙度預測效果圖Fig.6 PTDNN′s porosity prediction performance on target wells

計算得到PTDNN 在兩井上的量化指標MAE、MSE 和R2如表7 所示。

表7 PTDNN 在目標井上的孔隙度預測性能指標Tab.7 PTDNN′s porosity prediction performance index on target wells

圖6 和表7 展示了PTDNN 在兩目標井的孔隙度預測性能。在B2 井上，其MAE 僅為0.032 9，R2達到了0.814 6。PTDNN 預測值與巖芯分析孔隙度誤差很小，并且預測曲線與孔隙度實際值曲線相關性很高。在B2 井上訓練得到的PTDNN 可以有效地預測儲層孔隙度，可以從圖6a 中得到直觀的體現。

同時，表7 和圖6 也表明，PTDNN 在B2 井和A2 井上預測性能存在較大差異，在A2 井上的MAE高于B2 井0.265 0，R2比B2 井低0.803 2，其性能遠低于B2 井。從圖6b 也可以看出，在A2 井上PTDNN 預測值都不能跟蹤巖芯孔隙度。

造成這一現象的原因是：B1 井與B2 井和A1井與A2 井間的MMD 存在較大的差異，表5 的計算結果顯示：A1 井與A2 井間MMD 是B1 井與B2井的4 倍，也就是說，B1 與B2 井間非均質性差異遠小于A1 井與A2 井。

3.3 PTDNN 與DNN 和RFR 孔隙度預測性能對比

為比較PTDNN 與其他模型的孔隙度預測性能，用同等數據量訓練了DNN 和RFR 模型作為對比。

隨機森林回歸是一種非深度學習的機器學習算法，由多個不同的回歸決策樹組成。多個回歸決策樹作為基回歸器，增強了模型的魯棒性及準確率。

通過多次訓練兩模型的參數，得到DNN 和RFR 最佳孔隙度預測性能如圖7 所示。

圖7 DNN 和RFR 在B2 井上的孔隙度預測性能Fig.7 DNN and RFR′s porosity prediction performance on Well B2

計算得到不同模型在B2 井上的量化指標MSE、MAE 和R2如表8 所示。

表8 不同模型在B2 井上的孔隙度預測性能指標Tab.8 Porosity prediction performance indexes of different models on Well B2 MAE,MSE,R2

圖7 及表8 表明，在預測誤差方面，DNN 和RFR 都大于PTDNN，RFR 的孔隙度預測誤差甚至接近PTDNN 的4 倍；在預測曲線和巖芯孔隙度曲線相關性方面，DNN 的R2為0.516 7，DNN 預測值還可以跟蹤巖芯孔隙度變化的趨勢。但是，RFR 的R2為-1.103 0，基本上不存在相關性了，已經不能跟蹤巖芯孔隙度變化的趨勢。

以上兩種模型與PTDNN 的對比表明，深度學習網絡比非深度的機器學習方法，其預測孔隙度的性能更好；PTDNN 由于有了預訓練的過程，使用少量新井的測井及巖芯數據訓練PTDNN 就可以比其他方法更準確地預測儲層的孔隙度。B2 井的PTDNN 相較于預訓練模型，數據需求量降低了90%。

因此，只要找到與待確定參數的目標井測井數據分布相似的有大量測井數據的其他井，就可以應用深度遷移學習的方法來很好地預測目標井的其他關鍵儲層參數，例如，滲透率和含氣量等。

4 結論

1）針對頁巖孔隙度難以用常規油氣儲層的規律進行表征預測的問題，創新性地提出遷移深度神經網絡模型用于孔隙度預測，用少量數據實現頁巖孔隙度的準確預測。借助于神經網絡強大的非線性擬合能力，有效地避免了復雜的物理數學建模過程，從而極大減小孔隙度預測誤差。

2）實驗證明，提出的MMD 衡量兩井地質差異性的有效性。并且，遷移深度神經網絡PTDNN 的性能與源井和目標井的測井數據分布相似性密切相關，只要相似性在一定的閾值之內，就能實現有效的遷移。通過實驗的對比，做到了井間的有效遷移學習，達到了充分利用歷史測井數據來預測新井的目的；在同樣大小測井數據量作為訓練數據的情況下，PTDNN 的孔隙度預測性能優于DNN 和RFR，都充分表明了提出的遷移學習方法的優勢。降低了新井對于大量測井數據，尤其是成本高昂的巖芯數據依賴，可以極大地降低企業的勘探成本。

3）當下，深層頁巖氣的開發也已成為石油天然氣工業的緊要任務，但是其地質工程參數與淺層頁巖存在著較大差異，遷移學習方法充分利用相似的歷史測井數據這一特性，同樣也可以為深層頁巖氣的重要地質參數的預測提供一種重要手段。