基于迁移学习的地球物理测井储层参数预测方法研究

随着大数据和机器学习的成熟和推广应用,人工神经网络在地球物理测井预测储层参数中得到重视.本文引入迁移学习进行测井储层参数预测,以孔隙度预测神经网络模型和孔隙度含水饱和度联合预测神经网络模型为基础模型,分别以渗透率及含水饱和度预测作为目标任务进行迁移学习,以提升储层参数预测效果和效率.文中详细阐述了基于迁移学习的测井储层...     

基于深度信念网络的多采样点岩性识别

岩性识别是储层预测中的一个重要环节.一方面,传统的机器学习算法缺少特征自动提取的过程,且不能有效利用地震数据局部特征预测储层;另一方面,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.针对此不足,本文以多个相邻采样点的地震数据作为输入和测井岩性数据作为输出,利用受限玻尔兹曼机(RBM)对多采样点地震数据进行特征提取,逐层堆叠受限玻尔兹曼机(RBM)构建深度信念网络(DBN),并采用随机梯度下降算法对误差进行反向传递学习,最终构建岩性识别模型.以多点地震数据为输入,利用该模型实现地层岩性识别.通过多种智能建模方法实验对比,证实了多个采样点作为输入,隐含利用了部分地层信息,有效地提高了岩性识别的精度.     

基于BP神经网络的储层渗透率预测及质量评价方法

储层渗透率预测和评价是油气藏勘探与开发急需突破的瓶颈技术之一,BP神经网络预测储层渗透率的研究在行业中已有一定的应用,但受限于数据规模、参数调整及模型评价方法,该方法预测结果不稳定,且不能准确给出全井段储层的连续渗透率的预测质量,在油田现场并未大规模推广应用.本文针对传统BP神经网络预测储层渗透率方法中存在的问题,在对机器学习的数据处理、参数选择系统考察的基础上,定量分析了不同输入曲线、网络结构、样本大小对渗透率预测模型精度的影响,总结了BP神经网络预测渗透率模型的参数优选方案;并提出了一种基于模型森林的预测曲线质量逐点评价方法,实现了对全井段渗透率预测的质量评价.实际应用表明,本研究提出的储层渗透率预测及质量评价方法与实际岩心渗透率吻合度高,推广应用前景良好.     

叠前弹性参数反演在南海工区的应用研究

随着油气勘探难度不断增加,叠前弹性参数反演在油气勘探领域已逐渐成为一种有效的储层预测方法.该方法以Zoeppritz方程为基础,相较于叠后反演,叠前数据保留了大量与炮检距相关信息,在精度上有了较大的提升.本文从叠前AVO反演出发,利用纵横波联合反演方法对纵横波速度与密度三参数进行反演,并在模型和工区进行测试及应用.再利用弹性参数对岩石以及岩石填充物的不同敏感性进行储层预测.结果表明,叠前反演分辨率高,对储层的刻画明晰,且反演结果与井吻合度高.将纵横波速度的低速区与低密度区结合分析来预测有利储层的位置,并用实际测井资料进行验证,证明了该方法在储层预测中的有效性和稳定性.     

通过岩石物理模拟改进北黄海盆地中生界致密砂岩储层的地震刻画

北黄海地区多年来受困于储层预测精度欠佳,分析实测纵波、横波和密度曲线不能很好的反映储层岩性和物性.本次研究通过采用岩石物理模拟方法,以Xu White模型和岩心分析数据为基础,模拟出实际地层条件下的弹性测井响应,并以此分析研究储层岩性、物性、含油气性对弹性参数的影响,结合对井眼环境和泥浆侵入对弹性测井曲线的影响进行校正,获得了高质量的弹性测井曲线,在此基础上运用实际测量的纵波阻抗曲线和岩石物理模拟的纵横波速度比曲线,建立了储层和有利储层的弹性解释框架,指导地震叠前反演结果的量化解释,与已知钻井结果对比解释精度较高.参考本次储层的预测结果部署了新的钻井,后钻井实钻结果在储层、有利储层方面都与预测结果保持一致,说明了岩石物理方法对改进的储层解释模板的重要性.     

利用多测井参数预测致密砂岩脆性指数方法研究

致密砂岩储层脆性指数精准预测直接关系到储层压裂方案设计和施工效果.本文以吉林大情字井油田青一段致密砂岩储层为研究对象,充分利用测井和脆性指数室内分析测试资料,在岩心归位的基础上,采用交会图相关性分析法开展了脆性指数的敏感性测井参数优选,并结合层次分析法构建了适用于研究区致密砂岩储层的脆性指数测井预测模型.研究结果表明,...     

致密砂岩储层抗拉强度评价方法研究

致密砂岩储层抗拉强度直接影响压裂过程中裂缝起裂、水力裂缝扩展以及水力裂缝与天然裂缝的沟通能力.基于巴西劈裂实验圆盘测定了 14组致密砂岩抗拉强度,同时在围压条件下测定了相同取心位置的14块岩心的纵横波波速和密度.基于上述实验结果,并与岩心所处井深测井数据对比分析,建立了基于地球物理测井数据(声波时差测井和密度测井)的致密砂岩抗拉强度的预测模型,模型相关系数大于0.93.由预测模型可知,抗拉强度与岩样密度和纵波波速呈正比(与声波时差呈反比).利用所建立的抗拉强度评价方法在鄂尔多斯盆地M16井致密砂岩储层进行了应用分析.得到了全井段抗拉强度,并基于抗拉强度预测了储层断裂韧性,其评价结果与压裂后产能监测数据相一致.本研究可为压裂设计、可压裂性评价及工程"甜点"选择提供支撑.     

基于煤田测井资料的页岩储层地化参数预测方法研究

为了解决H区山西组使用煤田测井资料进行页岩气储层地化参数预测问题,本文在大量文献调研基础上,梳理总结了页岩气储层总有机碳含量、热成熟度、生烃潜力等地化参数的一般预测方法.针对研究区的测井资料为煤田测井资料实际情况,收集整理了该区最新的页岩气储层地化参数测试分析资料,开展了页岩气地化参数的敏感测井响应分析,优选建立了适合H区山西组页岩储层地化参数的测井解释模型.研究表明,选择建立地化参数解释模型的关键是准备一定数量的地化参数测试分析资料和可靠的测井曲线,按照"岩心刻度测井"的原则建立具体的地化参数测井解释模型;本文优选敏感煤田测井曲线建立了总有机碳含量TOC、镜质体反射率Ro和生烃潜力(S1+S2)的预测模型,较好地解决了基于煤田测井资料的地化参数预测问题,研究成果具有一定的参考意义.     

基于多任务学习的测井储层参数预测方法

基于多任务神经网络模型,提出一种多任务测井储层参数预测方法,利用测井数据对储层孔隙度、渗透率及含水饱和度同时进行预测.分别采用同架构和异架构多任务模型对测井储层参数进行预测,通过数值实验对比,多任务预测模型有效提升了单任务储层参数预测模型的效果,且提升幅度与模型结构有关,异架构多任务模型的总体预测效果好于同架构多任务模...     

基于深度双向循环神经网络的储层孔隙度预测

储层孔隙度是描述储层特征的重要参数之一,根据测井资料进行准确的孔隙度预测对于储层精细描述至关重要.为此,发展一种基于深度双向循环神经网络的储层孔隙度预测方法,并利用实际井数据验证其有效性和准确性.将测井数据看成纵向上具有联系的时序数据,利用双向循环网络建立测井数据与储层孔隙度之间的非线性映射关系,同时引入"丢弃"和"早...     

基于深度卷积神经网络的岩石矿物组分含量测井评价方法研究

岩石矿物组分含量是地球物理勘探开发中的重点关注对象.在岩心与地层元素测井资料较少的情况下,如何提高矿物组分含量参数的预测精度显得尤为关键.本文采用深度学习方法,利用常规测井曲线对来自于地层元素测井获得的矿物组分含量进行预测.首先基于残差网络(ResNet)框架,利用一维卷积核和池化核构建了卷积神经网络模型.模型采用自然伽马、自然电位、井径、阵列感应电阻率、三孔隙度以及光电吸收截面指数测井参数作为输入,地层元素测井获得的矿物组分含量作为输出.随后对所搭建卷积神经网络进行了训练,建立了输入与输出之间的实际映射关系.最后,利用测试数据集和真实地层资料,对所建立的卷积神经网络进行了精度检验,并与人工神经网络和多元线性回归的评价结果进行了比较.结果显示,卷积神经网络在测试数据集上的总体预测数值相关性为0.90,明显优于人工神经网络的0.68与多元线性回归的0.51.通过处理实际测井资料,进一步验证了该方法的预测优越性和鲁棒性,以及其在地层参数评价方向的良好应用前景．     

多孔可变临界孔隙度模型及储层孔隙结构表征

碳酸盐岩、致密砂岩和页岩等储层具有孔隙类型多样、孔隙结构复杂和非均质性强等特征,属于典型的多重孔隙储层,孔隙结构表征是多重孔隙储层预测和流体识别的关键.现有的孔隙结构表征方法大多利用孔隙纵横比或者构建一种新参数来描述孔隙结构.岩石临界孔隙度模型是一种常用的岩石物理模型,具有一定的物理意义和地质含义.本文推导了岩石临界孔隙度与岩石孔隙结构(孔隙纵横比)之间的关系,进而利用极化(形状)因子建立临界孔隙度与弹性参数之间的关系,构建了能够包含多种孔隙类型的多孔可变临界孔隙度模型.利用多孔可变临界孔隙度模型由储层的弹性参数反演不同孔隙类型的体积含量.实验室测量数据和实际测井数据表明,多孔可变临界孔隙度模型能够适用于多重孔隙储层岩石物理建模和孔隙结构表征.     

基于随机森林算法的陆相沉积烃源岩定量地震刻画:以东海盆地长江坳陷为例

烃源岩的定量地震刻画对于勘探开发区块的优选、盆地油气资源量的估算都具有重要意义.陆相沉积环境下的浅湖或半深湖相的烃源岩横向变化快,其空间展布需要依靠钻井约束下的反射地震进行刻画,但是其地震弹性特征与岩性和有机质含量的映射关系呈现高度非线性化,因而很难利用传统基于地震岩石物理模型驱动的烃源岩地震预测方法进行有效刻画.本文以低勘探区的东海盆地长江坳陷为例,提出了一种在数据驱动的机器学习框架下,综合利用地质约束、钻井录井、测井、地球化学和叠前地震数据进行烃源岩的定量地震刻画的工作流程.其核心思想是利用随机森林集成学习算法对小样本数据表现优异的特征,以井位处的测井弹性数据(纵波速度和密度)、岩性、地球化学标定的总有机碳含量(TOC)为样本标签数据,在地质导向约束下通过随机森林算法生成学习网络,并将该网络与叠前地震反演结果相结合,采取先预测泥岩再预测总有机碳含量的“两步走”策略,完成对烃源岩空间分布及其非均质性的定量地震刻画,并对预测结果的不确定性进行评价.测试结果显示,随机森林算法相较于其他的机器学习算法能够更准确的识别陆相沉积地层的泥岩,并比传统的利用阻抗转化方法获得更可靠的总有机碳含量预测结果.     

基于集成聚类均质度与储层地质边界度联合的测井曲线自动分层

现有的储层分层方法主要对焦于地质边缘奇异点的理解,而忽略了储层相应曲线集隐含的均质性信息.为此,开展了基于集成聚类的均质度与储层地质边界度联合测井曲线自动分层方法研究.具体地,通过利用集成聚类联合共生关联矩阵进行均质地层信息的编码,提取曲线均质度特征,并利用简单的阈值分割实现对均质地质区域的初始分割;同时,为对区域信息形成补充,提出了一种相关差特征获取曲线集各点的地质边界度.通过联合应用测井曲线集蕴含的均质区域信息与异构(奇异)地质边缘信息实现了一种灵活利用测井曲线集进行自动分层的方法.取用自然伽马、井径等7条常规测井曲线,对大庆油田陆相坳陷盆地齐家凹陷工区多口井进行实验与应用,研究结果表明,相对于传统分层方法更加准确高效,精度更高,特别在工区内的薄层和薄互层上取得较好的应用效果,不仅能高效稳定的实现单砂体级别的储层目标自动精细分层,还在一定程度上增加了对人工解译结果的补充,具有一定的实用性,可为提高测井储层解释的准确性提供较可靠的分层依据.     

电成像测井储层非均质性评价方法在川东北G地区FC段地层的应用

岩心、成像测井资料表明川东北G地区FC段碳酸盐岩储层溶孔、裂缝发育,非均质性较强.根据溶孔、裂缝的发育程度与分布特征,可划分为6种典型储层类型.因此,有效评价储层非均质、划分储层类型是该区油气勘探与开发工作的关键.电成像测井资料能通过定性识别孔洞与裂缝对储层非均质性进行定性评价,但是由于缺乏能综合表征溶孔、裂缝等特征的定量参数,使得电成像测井资料对储层非均质性的定量表征存在问题.为此,基于分形理论,提出一种电成像测井定量评价方法,即计算电成像测井图像的分形维数来定量描述储层非均质性.储层类型与分形维数相关分析表明,分析维数可综合表征储层溶孔、裂缝,评价储层非均质性.应用实例表明,基于电成像测井分形维数的非均质性表征与储层类型划分应用效果较好,推动了该区的油气勘探与开发工作.     

龙马溪—五峰组富有机质页岩三维岩石物理模板分析及"甜点"预测

为识别四川盆地丁山区龙马溪—五峰组目的层富含页岩气的"甜点区",本文对页岩的有机碳含量、脆性、孔隙度及微裂隙等核心指标进行分析研究.对页岩展开岩石物性特征和岩石物理分析,结果显示"甜点区"具有TOC含量高、高孔隙度、低密度、脆性高(石英含量高)的特点,此外储层的拉梅常数和密度的乘积λρ分布范围是18～30 GPa·g·cm-3,泊松比v范围是0.18～0.22,剪切模量μ范围是13～18 GPa.根据储层的岩石物理特征,同时考虑孔隙度、裂隙纵横比和矿物组分对优质页岩敏感弹性参数的影响,采用等效嵌入体应力平均(EIAS)理论模型构建适合页岩气储层的三维岩石物理模板,进而预测储层的孔隙度、裂隙纵横比和石英矿物含量.基于测井数据,对构建的三维岩石物理模板进行校正,将校正后的模板应用到研究工区,选取过三口井的二维测线和三维区块,进行孔隙度、裂隙纵横比和石英矿物含量的定量预测.对比实际资料分析得出的优质页岩储层孔隙度预测范围与测井结果吻合较好,过三口井的目的层产气情况与预测结果一致性良好,目的层页岩具有高孔隙度、低裂隙纵横比和高石英含量的特征,可有效地指示优质页岩储层分布.     

常规测井评价复杂砂岩储层孔隙结构的方法与应用——以莺歌海盆地黄流组储层为例

莺歌海盆地中深层储层非均质性强、孔隙结构复杂,气田开发实施阶段一般仅有常规测井资料,基于常规测井资料对储层孔隙结构精细评价一直是该区储层测井精细评价面临的难题,进一步造成测井解释符合率降低,储量参数计算精度变差.为有效解决上述问题,本文以莺歌海盆地黄流组为目的层,首先分析了储层孔隙结构复杂化的地质成因及其测井特征;之后,综合压汞毛管压力曲线和核磁共振等岩心分析资料,针对性开展测井响应特征分析及岩石物理机理分析,对比优选了流动带指数为表征储层孔隙结构的敏感参数;最后,优选反映储层特征变化的测井变量,建立常规测井资料计算储层流动带指数的模型,进而建立储层分类方法与标准,较好地实现了常规测井的储层孔隙结构评价.方法应用于莺歌海盆地东方13气田中,结果表明:储层孔隙结构与分类结果与岩心分析、试油产能数据吻合较好,奠定气田开发实施阶段利用常规测井资料精细表征储层孔隙结构的技术基础.     

基于LSTM循环神经网络的储层物性参数预测方法研究

储层物性参数是反映储层油气储集能力的重要参数,表征了不同地质时期的沉积特征.地球物理测井参数由深及浅反映了不同地质时期的声、放、电等沉积特征,因而测井参数和泥质含量(孔隙度)之间有很强非线性映射关系,并具有时间序列特征.充分利用多种测井参数预测储层泥质含量和孔隙度对于储层精细描述具有十分重要的意义.深度学习技术具有极强的数据结构挖掘能力,目前,全连接的深度神经网络已经在泥质含量预测进行了初步尝试并取得了较好的效果.而长短时记忆(LSTM)循环神经网络更适合解决序列化的数据问题,因此本文提出基于LSTM循环神经网络利用多种测井参数进行泥质含量和孔隙度预测的方法,预测结果的均方根误差比常规全连接深度神经网络分别下降了42.2%和48.6%,实际应用表明,对于具有序列化特性的泥质含量和孔隙度,LSTM循环神经网络预测的准确性和稳定性要明显优于常规全连接深度神经网络.     

利用梯度提升决策树(GBDT)预测渗透率——以姬塬油田西部长4+5段致密砂岩储层为例

致密砂岩储层的研究对于当前国内油气勘探进展至关重要.准确掌握致密砂岩储层特征是开展油藏描述和有利区优选等工作的重要前提,而获取储层表征参数又是刻画储层特征的关键,所以储层参数预测技术逐渐成为当前研究热点之一.渗透率是划分油气水层以及后续井开发工程的重点分析要素.对于致密砂岩储层而言,因其非均质性强,使得渗透率很难用常规方法准确求取.为此,本文根据机器学习在数据分析上的强大性能,提出利用GBDT技术预测致密砂岩储层渗透率.本文以姬塬油田西部长4+5段致密砂岩储层测井资料为基础,通过设计2个实验来验证提出方法预测效果.为突出提出方法的预测能力,在实验中引入逐步迭代、Timur模型和BP模型进行对比.2个实验结果显示提出方法得到的拟合误差最小,证明GBDT技术能够有效用于致密砂岩储层渗透率预测,并且预测资料仅需测井数据,无需其他实验数据支撑,表明技术具有良好的推广性.     

基于等效各向异性和流体替换的地下裂缝地震预测方法

地下裂缝是油气聚集和运移的重要通道,而裂缝岩石物理是裂缝参数与地震响应之间联系的桥梁.从裂缝岩石物理出发,探索利用地震数据预测地下裂缝的方法.首先通过构建裂缝岩石物理等效模型,弥补测井横波的缺失,并且实现裂缝岩石物理参数的预测;然后推导了裂缝岩石物理参数与地震响应之间的近似关系式,同时探索裂缝岩石弹性参数和岩石物理参数的地震直接反演方法;最后分别利用测井数据和实际工区地震数据对裂缝岩石物理等效模型的可靠性以及裂缝岩石物理参数直接反演方法的精度进行了验证.结果表明,构建的裂缝岩石物理等效模型可以实现裂缝岩石纵横波速度及岩石物理参数的可靠估测,而且裂缝岩石物理参数地震直接反演方法具有较高的抗噪性,在实际目标工区弹性参数和裂缝岩石物理参数的估算中具有较好的应用结果.