基于KNN-Transformer算法的密度测井曲线重构方法

密度测井是计算储层物性参数、识别岩性及评价油气储量的关键技术.受井眼环境、仪器贴壁状况等因素影响,密度曲线常出现局部缺失、数据失真或噪声干扰等问题.为此,提出一种融合 K 近邻(K-Nearest Neighbors,KNN)算法与Transformer算法的密度测井曲线重构方法KNN-Transformer.该方法首先利用KNN在多元测井特征空间中检索与目标段时间序列沉积特征相似的样本,通过计算目标段与历史样本在声波时差、自然伽马、电阻率等多维特征上的欧氏距离,筛选出最相似的K个邻域样本,构建增强的地质先验输入集,增强输入数据的地质代表性,进而采用 Transformer 算法的多头自注意力机制,建立深度序列间任意位置的长程依赖关系,有效融合局部相似性约束与全局序列模式,实现局部特征与全局结构的协同表达.实验结果表明,KNN-Transformer算法密度测井曲线重构的结果平均绝对误差为 0.017 0,决定系数R2达 0.953 3,其与支持向量回归、线性回归及长短期记忆(Long Short-Term Memory,LSTM)网络等典型算法相比,平均绝对误差降低30%～60%,对密度测井曲线总体趋势与局部细节均具有更高的重构精度,并在岩性界面及复杂层段表现出更好的稳定性与正确性.该方法有效修复了密度曲线的局部缺失,校正了数据失真并抑制了噪声干扰,显著提升了重构曲线的数值精度与地质合理性,为复杂储层条件下的测井数据高质量重建提供了可靠的技术途径.