Modern geosteering is heavily dependent on real-time interpretation of deep electromagnetic (EM) measurements. We have developed a methodology to construct a deep neural network (DNN) model trained to reproduce a full set of extra-deep EM logs consisting of 22 measurements per logging position. The model is trained in a 1D layered environment consisting of up to seven layers with different resistivity values. A commercial simulator provided by a tool vendor is used to generate a training data set. The data set size is limited because the simulator provided by the vendor is optimized for sequential execution. Therefore, we design a training data set that embraces the geologic rules and geosteering specifics supported by the forward model. We use this data set to produce an EM simulator based on a DNN without access to the proprietary information about the EM tool configuration or the original simulator source code. Despite using a relatively small training set size, the resulting DNN forward model is quite accurate for the considered examples: a multilayer synthetic case and a section of a published historical operation from the Goliat field. The observed average evaluation time of 0.15 ms per logging position makes it also suitable for future use as part of evaluation-hungry statistical and/or Monte Carlo inversion algorithms within geosteering workflows.

中文翻译：

---

使用深度神经网络对超深电磁测井进行建模

现代地质导向在很大程度上依赖于对深部电磁 (EM) 测量的实时解释。我们开发了一种方法来构建深度神经网络 (DNN) 模型，该模型经过训练可以重现全套超深 EM 测井，每个测井位置包含 22 个测量值。该模型是在一维分层环境中训练的，该环境由多达七层具有不同电阻率值组成。工具供应商提供的商业模拟器用于生成训练数据集。数据集大小有限，因为供应商提供的模拟器针对顺序执行进行了优化。因此，我们设计了一个包含正向模型支持的地质规则和地质导向细节的训练数据集。我们使用此数据集生成基于 DNN 的 EM 模拟器，而无需访问有关 EM 工具配置或原始模拟器源代码的专有信息。尽管使用相对较小的训练集大小，但所得 DNN 前向模型对于所考虑的示例非常准确：多层合成案例和来自 Goliat 领域的已发布历史操作的一部分。观察到的每个测井位置 0.15 ms 的平均评估时间使其也适合将来用作地质导向工作流程中需要评估的统计和/或蒙特卡罗反演算法的一部分。一个多层合成案例和来自 Goliat 油田的已发表历史作业的一部分。观察到的每个测井位置 0.15 ms 的平均评估时间使其也适合将来用作地质导向工作流程中需要评估的统计和/或蒙特卡罗反演算法的一部分。一个多层合成案例和来自 Goliat 油田的已发表历史作业的一部分。观察到的每个测井位置 0.15 ms 的平均评估时间使其也适合将来用作地质导向工作流程中需要评估的统计和/或蒙特卡罗反演算法的一部分。