岩相预测能够反映储层岩石的发育情况和特征,是地震储层预测的基础性工作。就目前研究而言,岩相预测方法多为对地震反演参数进行定量或定性解释获得岩相信息,由于信息较单一,所以常常存在准确率低,误差大等问题。本文在常规岩相预测的基础上提出一种基于循环神经网络（recurrent neural network,RNN）的岩相预测方法,综合利用测井信息和地震信息进行信息融合和深度挖掘获取岩相信息,解决单一变量的局限性,提高预测准确度。以中江气田研究区为例,该方法综合纵波阻抗、伽马拟声波阻抗、密度和地震高频吸收衰减属性进行岩相预测,预测结果在井上准确率以及剖面、切片岩相指示能力上优于本文使用的其他岩相预测方法。本文主要研究内容及成果如下:1.通过对研究区测井数据分析发现,研究区砂泥岩相测井参数区分不明显,给岩相预测造成一定困难。分别使用基于地震反演的阈值划分方法和基于贝叶斯判别理论的方法对研究区进行岩相预测,预测结果分辨率较低,连续性较差,对砂体河道指示效果有限。使用基于自组织特征映射神经网络（SOM）聚类分析的岩相预测方法对研究区主河道层位进行岩相预测,预测结果仅能对砂体分布做粗略指示。2.针对岩相预测设计了多层循环神经网络模型,利用深度学习提取非线性关系的能力提取输入数据与岩相间的复杂关系。针对常规岩相预测方法无法利用地震信息的问题,引入地震高频吸收衰减属性作为预测输入变量,提高预测准确率和稳定性。采用多点采样的匹配采样方法,有效保留局部地质信息并增加模型抗噪能力。使用RNN、LSTM和Bi-LSTM三种循环神经网络结构进行对比,研究不同网络单元结构和传播算法的优劣,结果表明Bi-LSTM模型预测效果优于RNN和LSTM,“门”控单元结构和双向传播算法能够提升岩相预测的效果。3.实现了全研究区基于Bi-LSTM神经网络的多变量岩相预测。用训练好的Bi-LSTM模型对研究区进行了岩相预测,将预测结果分别与常规岩相预测方法、基于贝叶斯判别的岩相预测方法和基于SOM聚类分析的岩相预测方法进行比较,结果表明基于Bi-LSTM模型的预测结果准确率更高,岩相划分更清晰,噪声更少,更能够有效揭示地下岩层发育情况,是一种有效的新岩相预测方法。