在我国石油工业降本增效大战略的背景下，我院韩建副院长、曹志民博士团队针对关键测井曲线缺失的问题，以实现缺失密度（DEN）测井曲线估计，即软测量为目的，以人工智能技术为抓手，深入研究了典型机器学习方法的测井曲线估计性能，利用测井曲线预测可信度度量定量且可视化的揭示了不同机器学习方法在不同数值及数值变化范围内具有不同估计性能的现象。针对这一现象，为充分发挥典型机器学习方法在测井曲线复原中的互补性，提出了一种以深度神经网络和典型集成学习方法为基础的多智能单元联合测井曲线复原方法，相关研究成果发表于国际期刊《Flow Measurement and Instrumentation》。

地球物理测井数据是高质量完成油气资源勘探开发的最主要数据源。然而由于人为、仪器故障等原因，实际应用中经常出现部分井段测井数据失真或缺失的情况，甚至出于成本考虑而放弃获取的整套测井数据。重新测井往往需要很高的成本。特别的，面对当前长期处于较低水平的国际油价和不可预测的日趋紧张的国际油气资源供给问题，我国油气资源勘探开发成本压力越来越大，整个油气资源领域都已经进入必须采用高科技技术进行降本增效的大背景。显然，利用信号处理、人工智能技术实现可靠的软测井，能够极大的实现勘探开发成本的降低。该研究成果首次量化分析了多智能单元间在软测井方面具有显著互补性的现象，并通过联合典型智能单元，定量可视化的软测井在推进人工智能技术落地油气资源勘探开发方面做了一定的贡献。

曹志民博士团队近三年来以矿场测井大数据信息挖掘与模式识别方向为攻关重点，针对油田急需的复杂储层（如中浅层薄互层、深度复杂储集层、页岩储层等）精细描述问题，逐步开展了测井曲线复原、目标储层精细表征及岩性识别、大尺度差异测井曲线超分辨等方面的研究工作，并逐步取得了一定的研究成果。

相关论文信息：https://doi.org/10.1016/j.flowmeasinst.2020.101748