基于多参数融合的致密储层有效性综合评价方法研究

准确确定致密储层有效性下限和建立有效性标准对于致密油有效储量估算及增产有着重要意义。基于卷积神经网络、多元统计分析等方法建立致密储层岩性识别及岩石物理相解释模型;在储层特征描述的基础上结合岩石物理相分类建模与孔隙结构评价,建立多参数融合的致密储层有效性评价方法。实际资料处理结果表明,建立的岩性识别方法预测结果准确率较高,有效性综合评价结论与试油试采资料相吻合。该文综合考虑影响致密储层有效性的主要因素,结合致密储层岩性、物性与孔隙结构类型等建立的综合评定方法,能有效应用于致密储层有效性综合评价。     

基于岩控的人工神经网络在渗透率预测中的应用

渗透率是储层评价中的重要参数,与传统的经验模型或统计模型计算的结果相比,BP神经网络由于高强度非线性映射能力及较强的自适应和自学能力,可以更精确地预测储层渗透率。通过对常规BP网络模型的改进,即在模型中加入定量化的岩性评价参数作为一个学习样本,建立了储层参数与测井响应及岩性之间的非线性模型。应用该方法对北部湾盆地涠西南凹陷涠洲某油田流一段的渗透率进行预测,取得了较好的效果。该方法计算的渗透率与实测渗透率吻合度很好,而且比用常规的、没有岩性控制的BP网络模型计算的渗透率精度更高。除了在储层参数预测方面进行应用,该方法还在储层沉积微相和岩性预测方面有着广泛的应用前景。     

裂缝性储层分级评价中的卷积神经网络算法研究与应用

裂缝识别和评价是裂缝性储层测井解释的核心任务。总结了利用常规测井资料对裂缝性储层进行分级评价的基本方法,为提高效率并减少各种影响因素的干扰,引入卷积神经网络这种深度学习算法进行裂缝识别和储层等级评价。理论分析认为,凭借局部权值共享的特殊结构,卷积神经网络比现有其他算法在提取数据特征时具有更显著的优越性。将裂缝性储层的常规测井数据和储层已知信息作为标准样本输入卷积神经网络进行学习,然后对塔里木盆地北部某含油气构造单元其它井的有关层段进行裂缝识别和储层评价,结果表明,卷积神经网络的评价结果比传统方法更高效、准确,可以根据测井数据直接输出裂缝的发育等级。     

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。     

基于深度学习的地震岩相反演方法

复杂岩性预测是地震储层预测的难题,基于机器学习的非线性反演是识别岩性的有效手段。常规方法多以测井特征曲线(伽马曲线等)为学习目标,利用BP神经网络建立非线性映射预测岩性体,但这种方法存在两个问题,一是井震分辨率不匹配,二是BP神经网络在反演过程中存在局部收敛、效果不稳定以及非线性表征能力弱的问题。为解决这些问题,一是通过引入地震岩相概念解决井震分辨率不匹配问题,二是将深度学习引入到地震岩相反演中,经过优化样本采样、抽取相控伪井解决大样本集的构建问题,采用增量学习的策略进一步提高预测模型的精度和稳定性。以分频地震数据作为预测模型的输入,井岩相曲线为反演目标,实现了基于深度学习的地震岩相反演,有效解决了复杂岩性预测的难题。将该方法应用于海上某深水陆坡水道沉积研究区(该区发育灰岩、钙质砂岩、砂岩和泥岩4种岩相,岩石物理规律复杂,区分困难)岩性预测,结果表明,基于深度学习的地震岩相反演结果与井资料吻合,与地质认识相符。与叠前反演方法和BP神经网络学习岩相反演方法相比,基于深度学习的地震岩相反演方法准确度和分辨率更高,证明该方法是复杂岩性预测的有效手段。     

基于卷积门控循环单元网络的储层参数预测方法

储层参数是储层评价的一项重要内容。针对传统储层预测方法难以摆脱线性方程的束缚及预测精度不高的问题,将卷积神经网络与门控循环单元网络相结合,提出了卷积门控循环单元网络模型。该模型不仅具备卷积神经网络局部感知的特性,还具备门控循环单元网络长期记忆的功能,从而具有表达数据时空特征的能力。基于某井区A井已知井段测井资料建立卷积门控循环单元网络孔隙度预测模型,预测该井区未知深度段的孔隙度,并提出变学习率训练方法。实验证明,与单一的卷积神经网络模型、门控循环单元网络模型相比,卷积门控循环单元网络模型能够更有效地提取数据特征,预测精度更高,可为储层参数的预测提供新的思路。     

应用时域卷积神经网络的地震波阻抗反演方法

地震波阻抗反演是储层预测研究的一种重要手段,线性地震波阻抗反演方法求解精度依赖于初始地质模型,而完全非线性方法可望得到高精度求解结果。有鉴于此,首先利用全卷积神经网络、因果卷积、膨胀卷积和残差块构建一个时域卷积神经网络(TCN),以建立地震数据与波阻抗之间的非线性映射关系;然后通过该网络对样本进行训练得到反演映射模型,进一步将地震数据输入该模型得到地震波阻抗。正演数据及实际数据测试结果表明,所提方法实现了地震数据到地震波阻抗间的映射,为地震波阻抗反演提供了具有并行计算能力和自适应结构的智能化方法,并在港2025区块砂泥岩储层预测中得到成功应用。     

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...     

超深井储层潜在敏感性预测

从现有储层岩性、物性资料以及前期积累的试验数据中,找出了造成超深井储层敏感性损害的各种潜在因素,并进行了归一化和定量化处理。利用Matlab数学计算软件的神经网络工具,建立了各种潜在损害因素与储层敏感性伤害之间的神经网络模型,并利用各种潜在损害因素归一化和定量化处理的结果,对网络进行了训练,利用返回检验法验证了该神经网络模型预测储层敏感性损害的准确率,准确率在85%以上。最后利用该神经网络模型对胜科1井深部储层敏感性进行了预测。     

BP神经网络在致密砂岩储层识别中的应用

川西须家河组地层岩性复杂,属于超致密低孔渗储层,所以储层识别是该地层天然气勘探中所面临的关键问题和难点之一。针对常规储层识别准确率不高的状况,提出利用BP神经网络进行储层的气水干层识别,利用模糊聚类和产层测试结果标定建模样本,采取随机抽样形成建模集与测试集,建立BP神经网络模型对23口井的储层进行气水干层预测,正确率达77.9%以上,明显提高了该地区的测井解释精度,并提供了一种准确率较高的储层预测方法。     

岩性-物性高分辨率非线性联合反演技术及其应用

在沉积环境复杂和钻井资料少的勘探地区,有效地进行地震反演和储层预测是油气勘探和开发中的关键。针对我国近海岩性和物性高度非均质复杂隐蔽岩性储层的勘探实际,提出了基于非线性统计地震褶积模型和非线性储层岩性物性统计褶积模型的联合反演技术,实现了确定性反演、统计性反演和非线性理论三者的有机结合。南黄海盆地北部坳陷北凹陷A构造、辽东湾渤中251勘探区和旅大勘探区的目的层是以曲流河与辫状河为主的河流相沉积和以三角洲前缘与浅湖为主的湖泊相沉积,储层的岩性和物性高度非均质,岩石物理关系复杂。将岩性—物性高分辨率非线性联合反演技术应用于这些地区,反演结果刻画了储层岩性和物性的横向变化细节。     

基于岩性识别的BP神经网络孔隙度预测

研究区目的层有效储层岩性包括细砂岩和粉砂岩两种,目前依赖于常规线性拟合方程在该区的孔隙度等参数预测中存在着较大的误差。为实现对储层参数的准确预测,结合了多种测井信息,在利用Fisher判别法对岩性进行识别的基础上,分别建立了细砂岩和粉砂岩的神经网络孔隙度预测模型。实际应用表明,分岩性所建立的非线性人工神经网络模型比常规线性模型具有更高的预测精度,能为该区后续的储层综合评价提供可靠的数据基础。     

储层敏感性预测模型中BP网络隐层数的优选及应用

储层敏感性预测是多变量的非线性系统,而神经网络解决非线性问题有其独特的优势,是目前用于储层敏感性预测是较好的方法。在建立预测方法过程中,BP网络隐层结点数的确定直接影响到网络的学习效率。通过对目前四种隐层结点数确定方法进行探讨,优选出储层敏感性预测中BP神经网络合理的隐层结点数,并在实际预测中进行应用,从而使预测结果更客观和符合实际。应用情况表明,该方法可大大缩短网络学习时间,从而提高学习效率,使网络以最快的速率达到收敛。     

基于测井参数的遗传BP神经网络识别火山岩岩性——以准噶尔盆地西北缘中拐凸起石炭系火山岩为例

准噶尔盆地西北缘中拐凸起石炭系火山岩储层岩石类型复杂多样,既有火山熔岩、火山碎屑岩,又有侵入岩,造成该区岩性识别难度较大。为此,引入了遗传算法的BP神经网络,遗传BP神经网络是以自身特有的样本学习能力获得识别模式,识别结果客观可靠。利用测井参数对中拐凸起石炭系火山岩储集层的岩性进行识别研究,选取典型井的测井参数训练遗传BP神经网络,以获得网络神经元的连接权值。获得满意的权值后,通过输入其他已知井的测井数据对其进行检验,检验结果表明,该方法识别火山岩岩性的可信度高,具有较强的可行性。     

人工神经网络技术在油田储层物性预测中的应用――以西峰油田为例

与传统的测井资料解释和信息处理技术相比较,在对非均质性较强、物性参数级差较大的储集层物性预测中,人工神经网络技术具有极强的自适应和自学习能力,其通过很强的非线性映射,能够精确地建立储集层参数与测井响应之间的非线性模型。在论述神经网络技术基本原理的基础上,对西峰油田延安组和延长组储层的物性参数(孔隙度和渗透率等)进行了预测,取得了较理想的结果。预测结果表明:渗透率参数级差不大(<102)时,预测精度高;渗透率的变化范围较大(>103)时,对具有高渗透率储层的预测精度高,而对具有低渗透率储层的预测值相对误差较大。     

储层预测中的非线性反演方法(为《岩性油气藏》创刊而作)

储层预测中非线性反演方法的研究是地球物理学中一个非常重要的研究领域。在对人工神经网络、分形分维等非线性方法研究的基础上,阐述了Seimpar测井参数反演技术,它是一种非线性反演方法,既可以避开褶积公式进行波阻抗反演,又可以在井约束下用地震记录反演测井参数曲线。能够解决常规地震反演难以解决的复杂地质问题,实际应用中取得了较好的地质效果。