研究背景：有些老井测井曲线种类较少，有必要构建完整的测井曲线集，用于老井的解释处理。 研究结论：1)全连接方式的深度神经网络模型(DNN)具有很强的非线性映射能力和较快的学习速度，比传统的BP神经网络更加适合于测井曲线生成问题；
2)基于批处理方式的深度神经网络学习算法，ReLU激活函数的使用及Dropout正则化方法的应用，保证了网络参数更新的平稳性，提升了网络模型的泛化能力，解决了网络的梯度弥散问题；
3)缺失测井曲线的生成有效弥补了老井复查工作中测井曲线不全的缺陷，使老井复查工作在油田的勘探开发中发挥更加重要的作用。
研究流程：全连接深度神经网络模型：
网络模型结构(图1)；
激活函数(图2-3)；
网络模型优化算法；
网络正则化方法(图4-5)。
DNN在缺失测井曲线生成中的应用：
数据集引入及数据预处理(公式1)；
深度神经网络训练(图6)；
结果分析(公式2-3、图7-8)。
图文说明
采用ReLU激活函数和Dropout正则化方法，将网络隐含层设为５层，在提升非线性数据处理能力的同时，扩展网络的泛化能力，防止过拟合(图1)。
传统的BP神经网络通常使用Sigmoid函数作为网络的激活函数，但Sigmoid函数的缺陷极大限制了BP神经网络的实际应用(图2)。
为避免梯度饱和效应和梯度弥散问题的发生，修正线性单元ReLU被引入深度神经网络。ReLU函数能够有效的缓解过拟合问题，其计算简单，能够降低计算负荷，加速网络收敛速度(图3)。
本文采用Dropout(随机失活)网络正则化方法，在一定程度上缓解了神经元之间复杂的协同适应，降低了神经元间依赖，避免了网络过拟合问题的发生。Dropout正则化修改本身的深度网络结构，而不是修改损失函数(图4-5)。
采用Z分数归一化方法，将数据投影到标准正态分布空间(公式1)。
深度神经网络算法根据损失函数的下降趋势，判断算法是否获得了理想的深度神经网络模型(图
6
)
。
由深度神经网络生成的SP曲线与实测曲线对应较好，表明了深度学习策略在曲线生成中的有效性(图7-8)。
计算均方根差(
RMSE
)，用于测量观测值与真实值之间的偏差(公式
2
)
。
计算了生成曲线与实测曲线之间的相关系数，作为两者间的相似性度量(公式
3
)
。
本文方法生成的自然电位曲线与实测曲线的相关系数大于BP神经网络方法，本文方法生成的SP曲线与实测曲线高度相关，比BP神经网络方法更加符合实测曲线，而本文方法的均方根差也低于BP神经网络方法，说明BP神经网络预测误差较大，拟合能力具有一定的局限性，而本文方法具有较高的预测精度和更好的泛化能力(表1)。
