人工智能在测井地层评价中的应用现状及前景

测井是求取储层物性参数、发现与评价油气藏、预测油气储量的重要手段。测井技术更新换代、测井技术种类发展多样化、测井数据管理方式多元化等多重因素导致测井信息具有测量种类多、数据量大和多源异构等大数据特征。人工智能技术的快速发展为解决测井地层评价中的多解性、不确定性等难题提供了新的思路和方法,"测井＋人工智能"也是一个亟待探索的新领域。在系统回顾人工智能在测井领域的研究现状和进展基础上,重点讨论了有监督机器学习和半监督机器学习、神经网络和深度学习等人工智能技术在测井曲线重构、岩相预测和物性参数计算等测井地层评价中的应用。受样本数量有限、处理流程不完善和自我调节能力较差等因素制约,人工智能在流体研究、储层综合评价等测井领域具有较大的发展空间和广阔的应用前景。     

小波分析划分层序单元的地质学理论基础、方法与应用

从地质学角度对小波分析的理论基础进行了分析,认为测井曲线是地层中某种特征所反映出的不同周期沉积旋回的相互叠加,而小波分析能够将叠加在测井曲线中的不同频率的旋回识别出来。由此可以看出,对测井曲线的小波分析能够识别出其中所包含的不同周期的沉积旋回,据此可以进行层序地层单元的划分。在进行划分的过程中,小波的选取十分关键,不同的小波类型会对划分的结果产生比较明显的影响。通过对渤海湾盆地东营凹陷两口不同类型的井段进行具体的分析可以发现,该方法不仅能够划分常规的砂、泥岩互层的地层层序,同时也能够通过识别出常规方法不易识别出的一些微小特征变化、并结合Fischer图解来划分出大段单一岩性地层中的层序单元界面。     

地震相智能识别研究进展

地震相是沉积相在地震剖面上的反映,能为地下资源尤其是油气资源的勘探开发提供有效依据。近年来随着人工智能的快速发展和油气人工智能的有力推进,国内外学者提出了多种地震相智能识别的方法。对地震相智能识别方法进行了归纳总结,将其归纳为无监督学习、监督学习和半监督学习3类,并详细介绍了这3类方法的原理、应用现状及其优缺点。无监督学习利用没有标签的地震数据进行学习聚类,从而实现地震相的自动识别,具有简单易操作的特点。监督学习主要利用标签数据反馈学习,通过学习不断接近标签,从而使得该方法在地震相识别中具有更高的精度。半监督学习在地震数据标签不足的情况下,利用合成伪标签等方式进行学习,但伪标签中存在的误差会降低该方法的精度。最后以神经网络地震相识别为例,对地震相智能识别技术进行了展望。     

碳酸盐岩地层划分及类型识别方法

四川盆地普光地区碳酸盐岩储层具有溶蚀孔洞发育、裂缝较发育和常规测井响应特征不明显等特点,目前,利用常规测井资料进行地层划分及地层类型识别存在困难,并且现有方法仅仅只能确定地层界面,并不能有效识别地层类型。为此,文中提出了基于成像测井资料的地层划分及类型识别方法。成像电阻率数据经过处理生成平均电阻率曲线,并与自然伽马曲线进行融合,生成反映地层信息的融合曲线,进行初始地层划分;从电成像测井图像中提取熵、能量等纹理特征,与图片数据库中的电成像测井图像进行欧式距离匹配,微调初始分层界面,并确定地层类型。实例应用表明,该方法融合多种测井信息划分地层,确定地层类型,效果良好。     

基于GRU神经网络的测井曲线重构

通过测井曲线解释可以获得地层岩性、电性以及孔渗饱等地层参数,然而,实际应用中时常出现部分测井数据失真或缺失的情况,而重新测井不仅价格昂贵且实现较困难。目前基于传统的线性假设和统计分析的测井曲线重构方法已不能满足储层特征的精细描述要求。门控循环单元（GRU）神经网络是一种适合于解决非线性和时序性问题的新型深度学习算法。基于深度学习的最新成果,提出使用GRU神经网络进行测井曲线重构。该方法兼顾了测井数据之间的非线性映射关系、数据随储层深度变化的趋势及历史数据之间的关联性。对实际资料进行试算,并与多元回归方法结果对比,表明GRU网络模型取得了良好的重构效果,为测井曲线重构提供了一种新的思路。     

应用测井技术识别碎屑岩与碳酸盐岩地质事件及其差异

应用测井技术识别地质事件时,对具有隐蔽测井信息结构变化的识别涉及较少,限制了认知地质事件的精度和可靠性。而根据测井记录的地质响应及其相关测井信息组合特征,研究重要地质事件的多样性与测井曲线之间的成因关系,以及测井曲线纵、横向变化与地质演变的成因关系,可以探索性地解决上述问题。运用该方法可识别出碎屑岩和碳酸盐岩地质事件并推断其成因机理。通过对地质事件表现形式多样性的分析,提出了碎屑岩地质事件的识别和论证方法;通过同成因地质界面的识别与追踪,提出了碳酸盐岩“同期异相”地层对比问题的识别方法和依据。地层的岩性成因机制不同,碎屑岩和碳酸盐岩地层的地质事件研究方法也有所不同,二者的识别差别在于地质界面的追踪依据不同、地质界面的测井响应特征不同以及测井信息与地质界面识别的对应关系不同。应用该方法,成功解决了大港油田、普光气田以及澳大利亚等国内外油气探区地质研究中地质界面识别的关键问题。     

人工智能地层对比专家系统原理

将人工智能理论用于井间地层对比,设计开发出基于规则推理的人工智能地层对比专家系统。该系统应用句法分析完成了数字化测井曲线的符号化表示,建立起一套完整的地层划分规则和地层对比规则。文中所述的方法能够很好地解决地层变薄。尖灭和缺失情况下的井间地层对比问题,应用实例说明了该方法的有效性     

基于MRGC聚类方法的测井相分析和岩性识别——以Z油田潜山地层为例

为了解决常规岩性识别方法对于较为精细岩性识别和复杂岩性识别困难的问题,通过论述MRGC聚类方法和KNN算法传播器的基本原理,提出基于MRGC聚类方法的测井相分析和岩性识别方法及其流程.即优选能反映岩性特征的测井曲线,利用MRGC聚类方法进行测井相自动划分,并用录井及岩心等地质资料建立的岩相数据库对所划分的测井相进行标定...     

测井属性在砂砾岩地层评价中应用初探

砂砾岩地层评价中岩性识别、层序划分以及地层对比是亟待解决的难题。在测井曲线中提取有效的地层信息是解决此问题的有效途径。在总结前人研究工作基础上,提出了测井属性的概念,并初步进行了属性分类,目前主要分为曲线多元参数统计属性、小波分析属性、频谱分析属性和积分属性4类。辅以典型实例分析,取得了明显的地质效果,提升了测井地质应用能力:多元参数统计属性能够有效地识别砂砾岩地层的复杂岩性;频谱分析属性对信号突变点具有敏感性,可以反映地层界面;根据小波的多尺度属性实现了由粗到细逐级地划分层序界面;依据测井曲线的积分属性在砂砾岩地区地层对比工作中取得了良好的效果。     

自然伽马能谱测井在东营凹陷北部陡坡带砂砾岩体中的应用

东营凹陷北部陡坡带砂砾岩体广泛发育，该类地层的岩性识别、储层划分、地质参数计算等一直是测井评价所面临的难题。自然伽马能谱测井在砂砾岩体地层具有特殊的规律，其测井数值高低与岩石成分、岩性及岩石成熟度密切相关。文章分析了自然伽马能谱测井资料在砂砾岩体地层中具有的不同响应特征，提出了利用自然伽马能谱测井信息解决砂砾岩体岩性识别、储层划分、地质参数计算等问题的方法。结果表明，应用自然伽马能谱测井评价砂砾岩体地层效果较好。