基于循环神经网络的测井曲线重构方法

为了在不增加经济成本的基础上补充缺失的测井信息,提出利用机器学习方法根据已有的部分测井曲线生成人工测井曲线,并进行了实验验证和应用效果分析。考虑到传统全连接神经网络(FCNN)无法描述数据的空间相关性,基于一种循环神经网络(RNN)即长短期记忆神经网络(LSTM)来构建测井曲线生成方法。该方法生成的曲线不仅考虑了不同测井曲线的内在联系,同时兼顾了测井信息随深度的变化趋势和前后关联,更加合理。将标准LSTM与串级系统相结合,提出了一种串级LSTM。采用真实测井数据进行实验后发现:LSTM明显优于传统FCNN,生成的测井数据精度更高;串级LSTM更适用于测井曲线生成这种多序列数据问题;提出的基于机器学习的人工测井曲线生成方法既准确又经济。     

基于循环神经网络的油田特高含水期产量预测方法

根据油田生产历史数据利用深度学习方法预测油田特高含水期产量,并进行了实验验证和应用效果分析。考虑到传统全连接神经网络(FCNN)无法描述时间序列数据的相关性,基于一种循环神经网络(RNN)即长短期记忆神经网络(LSTM)来构建油田产量预测模型。该模型不仅考虑了产量指标与其影响因素之间的联系,还兼顾了产量随时间变化的趋势和前后关联。利用国内某中高渗透砂岩水驱开发油田生产历史数据进行特高含水期产量预测,并与传统水驱曲线方法和FCNN的预测结果比较,发现基于深度学习的LSTM预测精度更高,针对油田生产中复杂时间序列的预测结果更准确。利用LSTM模型预测了另外两个油田的月产油量,预测结果较好,验证了方法的通用性。图3表3参40     

基于LSTM循环神经网络的岩性识别方法

针对复杂碳酸盐岩储层岩石组分复杂、岩性多样,常规测井岩性识别方法受限等问题,提出利用长短期记忆神经网络(LSTM)提高岩性识别效果的方法,并结合实际数据进行验证和应用效果分析.考虑到常规机器学习方法在岩性识别中无法充分利用沉积岩石在深度域序列上的潜在信息,从而基于LSTM方法构建了能够提取和学习岩性沉积序列特征的岩性识...     

基于改进的随机森林算法的井曲线填补研究及应用

测井数据是描述油气藏信息的重要途径,但实际勘探中测井曲线往往失真或缺失,其复原问题一直都是油气勘探领域的研究热点和难点。传统的随机森林算法主要受n＿estimators(决策树的个数)和max＿depth(树的最大埋深)这两个参数控制,在实际填补测井数据中并不能很好地训练出理想的模型。本文基于遗传算法(Genetic Algorithm, GA)提出了一种改进的随机森林算法(IRFA)用于测井曲线复原,即用GA来优化随机森林模型参数,进而提高缺失曲线复原的准确性和稳定性。实验结果表明,与传统的随机森林、BP神经网络以及长短期记忆神经网络(LSTM)相比,本文方法模型适应性及泛化能力更好,复原结果精度高且更为稳定。     

基于长短期记忆循环神经网络的伊拉克H油田碳酸盐岩储层渗透率测井评价

伊拉克H油田碳酸盐岩储层孔隙结构复杂,孔隙类型多样,给渗透率测井评价工作带来了极大困难。针对这一问题,建立了基于测井序列信息的长短期记忆（LSTM）循环神经网络渗透率预测模型。从测井响应差异以及测井序列信息出发,优选敏感测井曲线,搭建LSTM循环神经网络,训练网络并优化网络参数,建立了基于LSTM循环神经网络的伊拉克H油田碳酸盐岩储层渗透率预测模型。应用该模型对伊拉克H油田进行渗透率测井评价,并将预测结果与灰色系统预测模型GM (0,N)进行对比。结果表明：相对于灰色系统预测模型的结果,基于LSTM循环神经网络的渗透率预测模型的均方根误差降低了29.47%,皮尔逊（Pearson）相关系数提高了6.59%,取得了较好的应用效果。该模型能够充分挖掘测井曲线与渗透率之间关系的信息,提升了储层渗透率评价精度。     

基于串级双向长短时记忆神经网络的测井数据重构

测井数据是油气田开发和评价的基础，对于确定地下油气层位置、计算及评价油气储量等具有重要意义。然而，实际开采过程中井壁垮塌、仪器故障等因素往往导致部分深度的多条测井数据失真或缺失，而重新测井的成本高昂，施工难度大。为此，提出一种基于串级双向长短时记忆神经网络(CBi-LSTM)的测井数据重构方法，在不增加额外测量成本的情况下，充分考虑缺失数据点的前趋与后继之间的双向关联性及测井曲线之间的相关性，利用串级系统将所获估计值与已知测井曲线合并为新的输入，采用迭代更新策略完成对缺失数据块的重构。对苏里格气田4口井的测井数据进行补全重构实验，所得结果表明：文中测井数据重构方法具有较高精度，同时所用模型具有更强的鲁棒性和泛化能力。     

基于XGBoost的测井曲线重构方法

测井数据在地层评价中具有十分重要的作用,但是实际应用中由于地质、工程等因素的影响,经常出现部分测井数据缺失甚至漏测的情况。基于传统的经验模型和多元回归分析的测井曲线重构方法精度不够,因此提出利用机器学习方法进行测井曲线的重构;考虑到神经网络的局限性,基于XGBoost构建了测井曲线重构模型。以渤海湾盆地定向井为例验证重构模型的效果：首先进行了测井曲线补全和生成实验,并通过K折交叉验证将XGBoost模型性能与梯度提升决策树（GBDT）、随机森林（RF）和全连接神经网络（FNN）三种方法进行对比,然后结合地质背景分析预测效果。验证结果表明,基于XGBoost的测井曲线重构方法在准确性和稳定性方面都取得了更好的效果,并且表现出较强的泛化能力。     

基于门控循环单元神经网络的测井曲线预测方法

为了减少泥浆侵入对测井曲线的影响，许多油田采用随钻测井技术，需先预测未钻地层测井曲线，这对随钻测井具有非常重要的指导作用。为此，提出一种基于门控循环单元神经网络（GRU）预测未钻地层测井曲线的方法，该模型将长短期记忆神经网络（LSTM）的输入门和遗忘门合并成更新门，输出门变成重置门，使模型结构简单，不易出现过拟合现象，保留LSTM模型的长时记忆功能，且能有效缓解梯度消失或梯度爆炸问题。以新疆油田直井和南海西部油田随钻测井的实际测井数据为例，选取已钻地层以及邻井的自然伽马、深感应电阻率、声波时差、密度和井径5条测井曲线数据作为训练样本输入到LSTM和GRU模型中进行学习训练，将训练好的模型用于预测未钻地层的测井曲线。应用结果表明，GRU比LSTM模型在新疆油田和南海西部油田预测测井曲线的平均相关系数分别提高13.78%和12.13%，平均均方根误差分别下降27.08%和42.17%，GRU模型能够准确地预测未钻地层测井曲线的变化趋势。     

基于LSTM循环神经网络的横波预测方法

针对碳酸盐岩储层岩性多样、孔隙结构复杂导致传统横波预测方法受限的问题,文中提出利用长短时记忆神经网络(LSTM)预测复杂碳酸盐岩储层的横波时差.相对于传统的简单点对点学习模式,LSTM通过复用神经元结构,有效学习测井参数的序列信息.以苏里格气田苏东地区碳酸盐岩储层为例,选择声波时差、密度、自然伽马等16个对横波速度较为...     

基于DMC-BiLSTM的沉积微相智能识别方法

沉积微相划分是油气藏勘探的研究基础。传统沉积微相划分由地质学家根据自身掌握的知识和经验手工完成,这种地质学家主导的人工解释是主观的、冗长的,可能引入人为偏差。深度学习在解决复杂非线性问题上具有优势,目前尚无有效解决沉积微相划分的深度学习方法。针对测井-沉积微相,提出了基于特征构造(DMC)和双向长短期记忆网络(BiLSTM)的沉积微相智能识别方法。首先,利用趋势分解和中值滤波对原始曲线进行多维重构,并对重构矩阵和原始曲线特征采用kmeans提取时空相关聚类特征;然后,以原始曲线特征、地质趋势特征、中值滤波特征和聚类特征作为输入,基于双向长短期记忆网络得到当前深度沉积微相预测类型。与长短期记忆网络(LSTM)和时间卷积网络(TCN)对比发现,在沉积微相的识别上,沉积微相智能识别方法具有更优异的性能和鲁棒性。实验表明,该方法能有效划分沉积微相,识别准确率达到91.69%。     

测井曲线生成问题的机器学习建模范式——以长宁威远地区页岩井为例

为了解决多源复杂测井曲线难以获得且生成困难这一难题,本文提出了一套高效的机器学习建模范式,即以长短期记忆神经网络为基础,通过数据完整性分析、交叉检验和收敛性分析进行建模.该建模范式主要有3个优点:可以提升训练数据的数量和质量、对模型性能进行评估并针对应用场景对模型的适用性进行预估.为了验证本文提出的建模范式的效果,以长...     

基于CNN-GRU神经网络的测井曲线预测方法

目前许多测井曲线预测模型存在预测结果不稳定、精度不高的问题.为此,将深度学习中特征表达能力较强的卷积神经网络(CNN)和记忆能力较强的门控循环单元(GRU)相结合,设计并实现了一种通过卷积门控循环单元(CNN-GRU)神经网络进行缺失井曲线预测的方法.以测井数据序列作为输入,首先通过CNN网络提取测井数据的特征,形成时...     

基于长短期记忆神经网络的油田新井产油量预测方法

针对油田常用人工智能产油量预测方法无法考虑数据在时间上相关性的问题,提出了采用基于长短期记忆(简称LSTM)神经网络的油田新井产油量预测方法。在分别介绍反向传播(简称BP)神经网络、循环神经网络(简称RNN)、LSTM神经网络原理以及建模步骤的基础上,以某油田新井单井年产油量预测为例,对影响新井单井年产油量的开发指标进行了筛选,对相应LSTM神经网络进行了训练,并对新井单井年产油量进行了预测。将预测结果与支持向量回归模型和BP神经网络进行了对比,结果表明,该预测模型拟合效果更好,预测精度更高。基于LSTM神经网络的预测方法可以作为一种新的人工智能方法用于油田新井产油量的预测,为准确预测油田新井产量,指导油田开发决策提供了一种新的方法。     

基于机器学习的孔隙度预测方法研究

介绍并比较了两种有监督的机器学习方法:BP神经网络和决策树。用两种方法分别论证了如何利用测井信息非线性地表示孔隙度。与传统的线性回归方法相比,机器学习效果更好,准确性更高。BP神经网络和决策树的应用效果表明,机器学习可以有效预测孔隙度,也可以应用于储层孔隙度预测中。相比之下,神经网络具有更高的准确性和更广阔的前景。     

自组织神经网络在火成岩岩性识别中的应用

火成岩储层岩性复杂,识别难度大,当已知地层信息较少时,传统的交会图和有监督神经网络(如BP神经网络)等方法在识别岩性时会受到一定限制.为此,基于自组织神经网络(SOM网络)的结构和原理,在松辽盆地南部利用实际测井资料建立了火成岩样本数据集;利用SOM网络对样本数据集进行了训练,得到了数据集的聚类结果;讨论了SOM网络的标准化方式、结构参数和测井曲线对聚类结果的影响,认为利用正态标准化方法、选择合适的结构参数和测井曲线,以样本数据集的聚类结果作为分类基础,对火成岩井段测井资料进行了岩性识别,获得了较好的效果.     

基于机器学习方法的多采样点储层粒度剖面预测

地层砂的粒度特征值d50(筛析曲线累计质量分数50%对应的粒径值,μm)是防砂设计中的关键参数,为获得粒度纵向分布剖面,开展了基于机器学习方法的储层粒度与测井曲线响应关系研究。经典机器学习往往缺少模型内部的特征提取过程,而且采用单一采样点作为输入,缺失相邻数据关联关系反映层位信息。考虑到储层的地质连续性,利用测井曲线趋势和背景信息,将深度相邻数据点作为机器学习特征值,提出了一种基于多采样点的粒度剖面预测方法,构造和训练了基于随机森林(Random Forest)、支持向量机(Support Vector Machine)、Xtreme Gradient Boosting Tree(XGBoost)、人工神经网络(Artificial Neural Network)的预测模型。研究结果表明,与单点映射模型相比,考虑储层纵向地质连续性的各模型预测精度均高于单点预测,其中五点映射的ANN模型(ANN-5)预测效果最好,测试集d50预测相关系数最高为0.819,误差MAE最小为9.59,证实了多个采样点作为输入隐含利用了部分地层信息,有效地提高了预测精度。研究了特征点密度对模型准确率的影响,对...     

基于LSTM神经网络的随钻方位电磁波测井数据反演

随钻方位电磁波测井仪器在地质导向和储层评价等方面具有重要作用,但其测量响应不具有直观性,需要用反演方法获得地层信息,高斯–牛顿法、随机反演算法等传统反演方法计算速度较慢,难以满足实时反演的要求。为此,提出了一种基于长短期记忆人工神经网络（LSTM）的新反演方法,用于求取地层电阻率。首先,基于广义反射系数法建立正演算法,完成样本集的制作;然后,搭建LSTM神经网络模型,基于样本集进行训练和测试,通过遍历的方法优选出合适的网络参数;最后,在测试集上完成电阻率的反演,将反演电阻率与正演电阻率进行对比,对比反演所需时间和相对误差,并在测试集中加入白噪声验证了模型的抗噪能力。研究结果表明,模型能够准确快速地反演地层电阻率信息,能够满足对含有噪声数据的反演需要,具有较好的鲁棒性。此反演方法为测井资料处理提供了新的思路和方向。     

基于神经网络的测井曲线砂体解释与应用研究

为解决测井曲线人工砂体解释工作的繁琐性与主观性影响,提出一种基于测井曲线中砂体统计参数的自动解释方法,用于测井曲线的砂体分类工作。以工区内已解释砂体的统计参数作为神经网络训练数据,选择孔隙度、渗透率、含气饱和度、泥质含量、砂厚和深度作为输入,输出是对应砂体的解释结果。使用鄂尔多斯盆地某区块1 000余组测井曲线砂体样本数据对神经网络进行训练,选择2组不同的砂体数据测试神经网络的自动解释及其应用效果,结果表明该方法对测井曲线砂体自动分类的正确率分别为92.4%和89.8%。实验数据测试证明,该方法能够自动、快速地实现测井曲线砂体解释,从而协助工程人员进行可靠、高效的砂体识别与分类工作。     

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。     

基于LSTM-BP神经网络的地层孔隙压力计算方法

地层孔隙压力是油气井从设计到完钻过程中重要的基础数据,准确计算地层孔隙压力是保障钻井安全、提高钻井效率的重要前提。为了克服传统地层孔隙压力计算方法精度不足、计算效率不高的问题,本文考虑到钻井与地层沉积均为序列性和非线性过程,提出了将长短期记忆神经网络(LSTM)和误差反向传播神经网络(BP)相结合计算地层孔隙压力的方法,利用LSTM层提取钻-测-录多源数据中的序列性特征信息,经过BP层构建特征信息与地层孔隙压力之间的非线性映射关系。通过对油田现场钻测录数据进行清洗并综合相关性分析和钻井经验知识优选了18种输入参数,对LSTM-BP地层孔隙压力计算模型进行训练和测试,并采用网格搜索法对LSTM-BP神经网络模型的5种模型超参数进行了优选,效果最优的单井计算模型和邻井计算模型的平均绝对误差分别为4.92 MPa和2.34 Mpa,均方根误差分别为6.65 Mpa和3.03 Mpa,平均相对误差分别为4.36%和8.31%。最后与传统BP模型、LSTM模型和支持向量机(SVM)模型的最优结果进行对比,结果显示,本文所建立的LSTM-BP神经网络模型精度均高于BP模型、LSTM模型和SVM模型...