非常规储层阵列声波测井的多波慢度精准反演是获取地层弹性参数的核心技术环节，但其面临复杂波场干扰、薄互层分辨率不足及强井眼噪声的三重制约。传统慢度-时间相干（STC）法依赖人工参数调试，抗噪声性能薄弱且易产生物理不一致性结果；现有的深度学习方法多采用逐点处理范式，忽略地层纵向连续性与长程深度依赖关系，难以适配非均质地层的复杂地质条件。为此，本文提出一种融合时空深度特征的CNN-BiConvLSTM-SKAM深度学习框架，实现多波慢度的协同精准提取。该框架通过多尺度扩张残差卷积（MSDR）模块，采用双分支扩张卷积结构编码声波信号的局部时空特征与长程衰减模式，有效捕捉不同波型的相位起跳特征与接收阵列空间相关性；引入双向卷积长短期记忆网络（BiConvLSTM），建模深度方向的双向依赖关系，保障时差曲线的地层物理连续性；集成选择性核注意力机制（SKAM），通过空间注意力聚焦有效波场能量、通道注意力自适应调整多波特征权重，强化特征判别性与噪声鲁棒性。数据预处理阶段采用余弦镶边带通滤波抑制噪声、Z-Score标准化消除幅值偏差，并通过滑动窗口采样构建三维输入张量，充分保留地层纵向关联性。基于5口探井实测数据的实验验证表明，该框架在独立盲测集上表现优异，P 波、S 波和ST波慢度估计的决定系数（R²）分别达到0.854、0.937和0.868，均方根误差（RMSE）低至0.9807，平均绝对百分比误差（MAPE）仅为1.0576%，显著优于单一CNN、BiConvLSTM及传统融合模型。研究结果表明，该方法通过时空深度特征的协同学习，为复杂地层下的声波慢度估计提供了强鲁棒性、高精度和自动化的解决方案。
 

暂无