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...     

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.     

神经网络在石油测井解释中的应用综述

常规测井解释往往通过"四性关系"研究建立储层参数解释模型,将测井信息转化成地质参数开展储层评价,但对于复杂岩性储层、低渗低阻等储层而言,将测井信息转化为储层参数及利用测井曲线开展储层评价往往存在多解性.作为一种非线性数学方法,神经网络具有多信息融合、综合预测的功能,在解决一些复杂、非线性问题领域展示了强大的生命力.将神经网络引入石油测井解释中,综合利用多种测井信息开展岩性、物性及含油性分析,可有效提高石油测井解释的精度和效率;利用神经网络技术开展流体性质识别和储层裂缝研究可有效破解此类世界性难题.为此,本文对神经网络技术在石油测井解释中的应用进行了综述,并对应用中应注意的事项进行分析,最后进行了应用展望.     

基于数据分布域变换与贝叶斯神经网络的渗透率预测及不确定性估计

渗透率是储层评价和油气藏开发的关键参数.传统测井方法与常规机器学习方法估算的渗透率都是固定值.但由于测井数据本身存在噪声,渗透率的预测结果可能受到噪声的影响出现测量性的随机误差(即任意不确定性);同时,当测试数据与训练数据存在差异时,机器学习模型在预测渗透率时可能出现模型参数的不确定性(即认知不确定性).为实现渗透率的准确预测并量化两种不确定性对结果的影响,本文提出基于数据分布域变换和贝叶斯神经网络同时实现渗透率预测及其不确定性的估计.提出方法主要包括两个部分：一部分是不同域数据分布的相互转换,另一部分是基于贝叶斯理论的神经网络渗透率建模预测和不确定性估计.由于贝叶斯神经网络存在数据分布的假设,当标签的概率分布与网络的分布保持一致时,贝叶斯神经网络可以更好的学习到数据之间的关系.因此通过寻找一个函数将一个原始域的渗透率标签转换为目标域的与渗透率有关的变量(我们称为目标域渗透率),使得该变量符合贝叶斯神经网络的分布假设.我们使用贝叶斯神经网络预测目标域渗透率以及任意不确定性和认知不确定性.随后,通过分布域的逆变换,我们将目标域渗透率还原回原始域渗透率.应用本文方法到某油田的18口井的测井...     

鄂尔多斯盆地天然气有效储层识别与评价方法

针对鄂尔多斯盆地天然气勘探开发存在的问题,通过对测井资料及天然气测试资料的分析,建立适合识别天然气有效储层的测井响应特征归一化方法,以及根据测井资料重构天然气有效储层特征曲线的方法,探索了根据测井资料评价天然气产能的方法.本文还分析了目前常用的预测天然气产能方法存在的问题及实际应用中欠缺的条件,形成了以中子、声波、密度测井资料为基本特征参数,用自然伽马、自然电位或电阻率比值参数等作为约束条件的天然气有效储层识别技术及天然气产能评价方法,并对实际测井资料进行了处理.没有试图通过井径校正的方法将受井径扩大影响的曲线恢复到原始地层的响应状态,而是通过极值变化消除井径扩大对声波、密度测井资料在天然气有效储层识别及天然气产能评价方面应用的影响.     

页岩气储层渗透率测井评价方法研究

页岩渗透率与页岩气产能关系密切,是测井储层评价的重要参数之一.页岩储层岩性复杂致密,孔隙组分多样,导致传统渗透率评价方法受到限制.基于页岩渗透率主控因素,从孔隙结构出发,通过液氮吸附-高压压汞资料及核磁共振实验分析数据,提取控制页岩渗透率的孔隙结构参数,建立页岩渗透率评价模型;利用核磁T2谱构建出伪毛管压力曲线,获得二者之间的定量转换关系,并提取孔隙结构参数;最后利用核磁测井刻度常规测井曲线,并结合页岩岩石相分析,实现了页岩渗透率的较高精度评价.研究成果及应用对于国内页岩气产能建设及高效开发具有重要意义.     

基于孔隙结构储层分类的中低孔特低渗储层渗透率确定——以B区块S油层为例

针对B区块S油层含泥含钙中低孔特低渗储层渗透率计算精度低的难题,分析岩性、物性、孔隙结构对储层渗透率的影响,明确了孔隙度、泥质含量、钙质含量、孔隙结构是影响B区块S油层特低渗储层渗透率的主要因素,其中,孔隙结构是影响特低渗储层渗透率的关键因素.综合运用压汞曲线、孔喉半径分布特征以及流动单元指数反映特低渗储层孔隙结构变化,将特低渗储层按不同孔隙结构划分成3种类型,建立了特低渗储层类型的判别标准.利用中子测井、密度测井、声波测井、微球形聚焦测井、深浅侧向电阻率测井差值的绝对值等5个储层类型识别的敏感测井响应及参数,使用决策树法、最邻近结点法、BP神经网络法和支持向量机法建立了4种基于机器学习的储层判别方法,储层类型判别准确率依次提高,其中,基于支持向量机的储层类型判别方法判别准确率最高92.2%,且对3种类储层判别效果均很好.针对3类储层分别建立了渗透率计算公式．实际井解释结果表明,基于机器学习储层分类的渗透率模型计算B区块S油层特低渗储层渗透率精度明显高于储层分类前渗透率计算精度,其中,基于支持向量机储层分类计算的渗透率精度最高．     

考虑动态克林伯格系数的煤储层渗透率预测模型

随着储层压力的降低,克林伯格效应对渗透率的影响越来越大.现有的煤储层渗透率预测模型大都忽略了克林伯格系数的变化,其预测结果与实际生产存在一定的差异,尤其是在低储层压力阶段.本文以体积不变假设为基础,基于火柴棍模型给出在储层压力降低过程中动态克林伯格系数的计算公式,并建立考虑动态克林伯格系数的渗透率预测模型;深入分析在煤储层压力降低过程中,煤储层渗透率和克林伯格系数的变化规律.研究结果表明：随着储层压力的降低,克林伯格系数呈先增大后减小的变化趋势;在相同储层压力下,克林伯格系数随渗透率增加呈指数减小趋势,随温度增加呈线性增大趋势.本文建立的渗透率模型参数简单易获取,预测结果与实际煤储层渗透率变化规律符合性较好,尤其是在低储层压力阶段,能准确预测煤储层渗透率变化.     

利用泥浆侵入效应评估储层渗透率的模型和方法（英文）

渗透率评价是储层评价中的一个复杂问题,传统测井方法难以对储层渗透率参数进行直接和有效的评估。储层渗透率对钻井过程中的泥浆滤液侵入有着较大的影响,因此本文提出一种利用泥浆侵入效应来评价储层渗透率的数学模型和方法。首先构造含泥饼的泥浆侵入数值模型,然后以达西渗流理论为基础导出泥浆侵入深度和储层渗透率的近似数学关系,以此可以利用侵入深度测量值来估算储层渗透率。对孔隙度、渗透率和含水饱和度三个主要储层参数的敏感性分析,发现该方法适用于受到泥浆侵入影响的低孔隙度、低渗透率的油层或油水同层。采用现场测井和取芯数据进行数值模拟计算,结果表明估算出来的渗透率曲线和预设的渗透率曲线吻合较好,证明该方法具有一定的可行性。     

ΔLogR技术与BP神经网络在复杂岩性致密层有机质评价中的应用

本文系统分析ΔLogR技术应用于复杂岩性致密层有机质评价中存在两方面的局限性:参数选取方面,测井曲线选取过于单一,无法有效削弱致密层段复杂岩性和孔隙度等因素对计算有机碳含量的影响;构建模型方面,人为剔除异常点存在随机性与偶然性误差,影响建模准确性.针对上述问题,本文建立了BP神经网络模型,并将其应用于柳河盆地柳参1井下桦皮甸子组烃源岩有机质评价.研究结果表明,在不剔除异常点情况下,BP神经网络模型计算TOC值和实测116组TOC值相关性达到0.886,显示建模效果良好.分别应用BP神经网络和ΔLogR模型,计算研究区致密层纵向上连续的TOC曲线,BP神经网络模型的计算TOC曲线与实测TOC数据基本吻合,而ΔLogR模型的计算TOC曲线吻合度较差.因此在测井资料完善的情况下,本文建议使用BP神经网络评价复杂岩性的致密层有机质.     

碎屑岩泥质分布形式的测井评价研究进展

泥质含量是分析碎屑岩地层沉积环境的重要指标,也是储层测井评价的关键参数,更是岩性和物性精细解释的基础.目前在泥质的测井响应特征认识和泥质含量参数精准计算方法上取得了大量的研究成果,但对于泥质分布形式的研究还不够完善.为了探寻计算泥质分布形式的有效方法,本文通过广泛调研,系统讨论了泥质分布形式与储层参数间的关系.其中不同分布形式泥质对包括孔隙度、渗透率、含水饱和度及束缚水饱和度在内的储层参数造成的影响主要表现在以下几个方面:层状泥质使有效孔隙度降低;结构泥质对有效孔隙度、渗透率影响不大;分散泥质使效孔隙度减小,渗透率变差,束缚水饱和度增加.随后深入分析了不同泥质分布形式对常规测井曲线的影响,其中分散泥质与结构泥质在伽马测井及自然电位测井曲线上表现出明显的特征.并初步探索了在包括电成像测井及核磁共振测井的特殊测井上响应特征;归纳总结了现有的泥质分布形式的计算方法,并对现有计算方法的适用性及优缺点进行了对比分析,最后利用Thomas Stieber交会图优化分析法在南海某油田低阻储层进行了应用并得到了良好的效果.     

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．     

基于测井曲线分形维的碳酸盐岩孔隙结构分类方法

非均质储层的孔隙结构与物性、渗流、电性等特征密切相关,是影响储层品质及流体性质的重要因素.利用常规测井曲线实现全井段孔隙结构定量评价对于储层非均质性评价具有重要意义.首先根据岩心压汞资料对孔隙结构进行分类,依据分形理论求取不同测井曲线的分形维数,通过对比选取反应孔隙大小的孔隙度测井曲线盒维数和反应孔隙连通程度的电阻率曲线R/S维数来对孔隙结构进行分类评价,绘制孔隙度曲线加权盒维数和电阻率曲线加权R/S维数交会图,确定每类孔隙结构分类标准,最后利用分形维数范围对全井段孔隙结构进行分类.研究表明,不同测井曲线反应的岩石物理信息不同,其分形维不一定相同.地层非均质性越强,不同测量原理的曲线计算的分形维差别越大;通过提取反应不同测井曲线变化复杂程度的维度信息,建立交会图识别孔隙结构类型,充分考虑了孔隙大小和连通程度,避免了单一分形维无法完全反映曲线的变化程度,避开了流体等信息对测井曲线的影响,提取的参数仅反应岩石非均质性强度,有利于解决油气勘探中非均质性地层孔隙结构精细定量评价问题.     

基于T2和毛管压力分类转换的渗透率计算新方法

对于低孔-特低孔、低渗-特低渗且非均质性强的储层,其往往处于自然产能临界点附近,单靠孔隙度已无法对其物性进行准确评价,因此需要在对渗透率进行准确计算的基础上,才能进一步展开产能评价与预测等工作.然而,由于储层非均质性强、常规测井曲线影响因素多且复杂、海上钻井数少导致样本点缺乏等因素,运用常规测井曲线进行渗透率计算往往不能取得很好的效果.基于T_2和毛管压力转换的方法,利用了核磁共振可以全井段连续测量和毛管压力曲线可以反映孔喉结构的优势,在渗透率的计算方面取得了突破,该方法经过多年的发展,已经成为了一种较为成熟的渗透率计算方法,但对于该方法的研究,有一个问题却往往被忽视了:即T_2谱和毛管压力曲线所反映的孔喉半径r是否是同一个物理量?两者之间的相互转换是否是有先决条件的?对于这一问题,本文在对两者实验原理进行分析的基础上,使用了将恒速压汞孔喉分布和核磁共振T_2谱进行对比的方法,总结得到了两者各自反映的孔喉半径r的内涵,证实了两者之间相互转换存在先决条件——稳定的孔喉半径比,并在对沉积环境、成岩作用精细分析的前提下,选取了孔隙度这一宏观参数作为分类标准,将储层划分为多个具有相对稳定孔喉半径比的区间后,再进行T_2-毛管压力的相互转换和渗透率的求取.经证实,运用这种方法计算出来的渗透率,可以更好地体现出储层的非均质性,并且与产能特征具有更好的一致性.     

改进的地震AVAZ裂缝弱度反演方法及其在致密砂岩储层中的应用

致密砂岩气储层具有低孔、低渗的特征,裂缝的存在可以提高储层的渗透率,同时裂缝是油气重要的储存空间和运移通道,裂缝发育也有利于水力压裂过程中裂缝网络的形成,裂缝预测可为致密砂岩气储层的开发和部署提供重要依据.地震振幅随方位角的变化可以提供储层中垂直裂缝的信息,本文针对HTI介质提出了一种改进的方位振幅差异反演方法,并结合岩石物理理论预测表征裂缝性质的裂缝弱度参数.常规的反演方法一般同时反演弹性参数和裂缝参数,改进的方位振幅差异方法引入一个参考方位,构建消除各向同性背景的方位振幅差异道集,仅反演与各向异性项相关的裂缝弱度参数,充分利用方位各向异性响应,提高裂缝识别的敏感性与裂缝参数反演的准确性.实际数据应用表明,方位振幅差异反演方法对裂缝参数预测的敏感性较常规方法有所提高,预测的裂缝弱度与测井渗透率曲线相吻合,并且与致密砂岩气储层产气性具有明显的相关性.因此,利用方位振幅差异方法预测裂缝分布及其发育程度可为致密砂岩储层含气有利区的识别与开发提供可靠的指标.     

带先验约束的碎屑岩储层物性参数反演方法

对弹性参数进行转换而获取物性参数的方法,适用范围有限且预测精度不高.本文基于岩石物理理论,提出一种带先验约束的碎屑岩储层物性参数预测方法,为储层预测、流体识别、储层描述、储量估计、烃类开发方案设计提供重要参数.应用岩石物理理论和物性参数先验信息建立了带先验约束的目标函数;并利用最优化方法对反演目标函数进行优化求解,对储层的物性及孔隙度和泥质含量进行同步迭代反演.经过正演数据及实际地震资料的测试应用,其结果表明本文方法反演得到的孔隙度和泥质含量为储层综合预测提供了愈加丰富的评价指标,同时孔隙度和泥质含量数据的联合应用对减小储层预测的多解性和降低勘探开发的风险有重要意义.     

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.     

泥质砂岩液相渗透率计算新方法

液相渗透率描述了岩石的渗流特性,是评价储层与预测油气产能的重要参数.液相渗透率是指盐水溶液在岩石孔隙中流动且与岩石孔隙表面黏土矿物发生物理化学作用时所测得的渗透率;液相渗透率的实验测量条件更加接近实际地层泥质砂岩的条件,使得液相渗透率更能反映地层条件下泥质砂岩的渗流特性;然而,现有的液相渗透率评价模型较少,且模型未能揭示液相渗透率与溶液矿化度之间的关系.基于此,开展了液相渗透模型推导与计算方法研究;文中首先将岩石等效为毛管束模型,推导建立了液相渗透率与比表面、喉道曲折度、总孔隙度、黏土束缚水孔隙度等参数之间的关系;其次,根据岩石物理体积模型,推导建立了黏土束缚水孔隙度与阳离子交换容量、溶液矿化度等参数的关系;最终,将黏土束缚水孔隙度引入液相渗透率计算公式,建立了基于总孔隙度、阳离子交换容量、溶液矿化度、比表面、喉道曲折度等参数的液相渗透率理论计算模型.液相渗透率计算模型与两组实验数据均表明,液相渗透率随阳离子交换容量的增大而降低,随溶液矿化度的增大而增大.然而,液相渗透率理论计算模型的实际应用中喉道曲折度、比表面等参数求取困难,直接利用理论模型计算液相渗透率受到限制.在分析液相渗透率与孔隙渗透率模型的基础上,建立了液相渗透率与空气渗透率之间的转换模型,形成了利用转化模型计算液相渗透率的新方法.为进一步验证液相渗透率与空气渗透率转化模型的准确性,基于两组实验数据,利用转换模型计算了液相渗透率;液相渗透率计算结果与岩心测量液相渗透率实验结果对比显示,液相渗透率计算结果与实际岩心测量结果吻合较好,文中建立的液相渗透率与空气渗透率转化模型合理可靠.     

鄂尔多斯盆地铜川地区油页岩含油率测井评价方法研究

油页岩属于非常规能源,储量非常丰富,是重要的替代能源.含油率是油页岩储层评价中最重要的一个参数.油页岩储层在测井曲线上具有典型"三高一低"特征,即高电阻率、高声波时差、高自然伽马、低密度.综合利用油页岩典型测井响应特征预测油页岩含油率,成为快速准确评价油页岩资源的有效途径.由于油页岩储层具有较强的非均质性,储层含油率受多种地质因素的影响,且储层含油率与常规测井响应存在着复杂关系,传统方法难以表征它们之间的内在关系.本次研究对鄂尔多斯盆地铜川地区三叠系长7段265块油页岩含油率及常规测井响应进行分析,建立支持向量机神经网络预测模型,对实际资料进行处理,并进行误差分析对比.结果表明:支持向量机神经网络预测含油率可有效的弥补实验室测定含油率的不足,且能够成为快速准确评价鄂尔多斯盆地东南部三叠系油页岩资源的有效方法.