基于稀疏自编码的岩性识别方法

在勘探初期测井数据较少,不足以支持有监督学习。采用深度学习中的稀疏自编码方法对地震数据进行无监督学习,通过逻辑回归,利用少量的岩性解释资料做有监督微调,以达到对工区中的地震数据进行岩性体识别。识别结果表明,该方法优于传统的波阻抗识别方法,能有效识别储层中的有利岩性。     

分频段PCA-RGB融合技术在溶洞型碳酸盐岩储层烃类检测中的应用

塔河油田奥陶系发育古岩溶型碳酸盐岩储层,在振幅剖面上呈肉眼可视的"串珠状",因此溶洞位置的寻找较为容易,储层预测的关键则在于识别缝洞体内的填充物到底是油、水还是干层。本文提出了一种分频段PCA-RGB融合技术,首先利用广义S变化对地震数据分频,再对高、中、低瞬时谱数据分别做主成分分析,依次选取第一主成分映射到RGB三原色上做融合显示。实际资料应用表明,该法较分频段升余弦窗RGB融合和PCA-RGB融合效果更明显,可以更有效的区分干层、水层和油层,同时也实现了谱分解数据的快速解释。     

基于动态时间规整ICA算法地震随机噪声压制

噪声压制是地震数据处理流程中的基本环节之一。传统的独立分量分析(ICA)算法仅适用于平缓地层同相轴的地震资料噪声压制,对非平缓地层同相轴地震资料去噪效果较差,且算法不够稳定,容易出现解混失败现象,导致去噪结果中产生坏道。针对这些问题,提出了将ICA算法与动态时间规整(DTW)算法相结合的噪声压制方法。首先使用DTW算法将倾斜地层同相轴校正为水平同相轴,利用ICA算法提取拉平后含噪地震数据的独立分量,实现拉平地震道的信噪分离。然后利用由DTW算法所提取的道间时差将同相轴还原为倾斜地层同相轴,从而实现复杂地震资料的随机噪声压制。理论模型和叠前叠后实际地震资料测试结果表明,该方法可以有效地压制地震数据中的随机噪声,且对非平缓地层也有较好的去噪效果,具有一定的实用价值。     

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。     

基于支持向量回归的页岩TOC含量预测

页岩储层中的总有机碳含量(TOC)是页岩气储层评价的重要参数之一。目前,TOC含量大多由实验室环境中的岩心样品确定。引入支持向量机进行预测,采用主成分分析(PCA)提取目标特征,利用支持向量机在特征数据上进行回归预测。预测结果与实测岩心之间的相关系数达到93.25%。基于同样的特征数据,支持向量机方法比BP方法能够更快、更准确地预测TOC含量。     

波形分类技术在缝洞型储层流体识别中的应用

塔里木盆地塔河地区奥陶系碳酸盐岩缝洞型储层的缝洞空间分布散乱,缝洞的规模、形态和内部结构等特征差异明显,导致缝洞型储层的流体难以识别。缝洞型储层内部地震波形的微弱差异在一定程度上能够表征其内部流体特征。传统上沿层段提取地震波形的波形分类技术无法准确地定位缝洞型储层。应用波形分类与三维缝洞体雕刻相结合的新技术识别缝洞流体,可为降低勘探风险、提高钻井成功率提供一种新的思路。首先利用瞬时振幅属性建立缝洞体三维空间模型,确定缝洞储层的空间位置,从而获得缝洞储层内部的地震波形;使用特征加权K近邻法,结合油气井资料,对缝洞型储层进行波形分类,建立储层内流体类型与地震波形之间的网络关系,并将其应用于未知区域的储层流体识别;最终得到缝洞型储层的流体类型。理论模型和实际地震资料测试结果表明该方法具有一定的实用价值。