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参数预测方法,并使用64口井的测井数据进行储层参数预测效果分析.结果表明,使用迁移学习后,渗透率模型预测效果最高可以提升58.3%;含水饱和度模型预测效果最高可以提升近40%,且最大可以节省60%的计算资源;以孔隙度预测模型为基础模型时更适合使用参数冻结的训练方式,以孔隙度含水饱和度联合预测模型为基础模型时更适合使用参数微调的训练方式.

     

多任务深度学习技术在储层横波速度预测中的应用

储层参数与横波速度存在强非线性关系,难以用解析方程表达.深度学习具有强大的非线性寻解能力,可借助其优势构建横波速度与储层参数的映射关系,实现横波速度预测.前人研究主要采用单任务深度学习方法,输入多种储层参数曲线,只输出横波速度预测成果,这种方式存在一定的过拟合风险.为此,考虑到横波速度预测与其他测井评价任务的相关性与继...     

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.     

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.     

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...     

黔东页岩复电阻率各向异性及其与页岩气储层参数关系研究

电法勘探因其成本低、效率高的优势,常被作为寻找页岩气储层的辅助手段.然而,到目前为止,页岩的电性特征,特别是复电阻率各向异性特征,以及其与页岩气储层参数的关系研究甚少,这在一定程度上阻碍了电法勘探在页岩气勘探中的应用.基于此,本文采集了黔东地区几种典型黑色页岩岩样,并测量了 6块黑色页岩在走向、倾向和垂直层理方向的复电...     

基于注意力机制和迁移学习的COVID-19深度学习诊断方法

目的：结合2019新型冠状病毒（COVID-19）肺炎患者肺CT影像学特征,提出一种多级空间注意力机制（ML-SAM）下的肺CT图像自动诊断模型,探讨该模型在COVID-19辅助诊断上的价值。方法：收集目前公开的COVID-19患者肺CT数据样本,在深度迁移学习框架下引入空间注意力多级聚焦策略,将数据样本、注意力机制与深度迁移学习卷积神经网络相结合,构建可在肺CT图像上自动诊断COVID-19肺炎的融合模型。结果：本文建立的融合模型对肺CT图像具有较好的分类性能,模型对COVID-19的正确识别率可达95%,同时实现了弱监督条件下肺CT图像关键特征的有效聚焦和提取。结论：本文建立的融合模型可被放射科医生或医疗保健专业人员作为COVID-19爆发期间快速、有效筛查COVID-19病例的智能辅助工具。     

基于集成学习的烃源岩总有机碳含量测井评价方法研究

总有机碳(TOC)含量是评价烃源岩品质和生烃潜力的重要参数,通常在实验室利用岩石热解仪器对岩心分析化验获得,由于实验费用高和钻井取心难,无法获取随深度连续变化的TOC数据.传统TOC测井评价方法利用有限的测井信息构造物理模型,但在复杂储层中计算精度低.人工智能算法综合多条测井曲线信息预测TOC,但预测结果存在不稳定性.本文提出基于Bagging和Adaboost集成学习预测TOC,采用支持向量回归机作为基学习器,综合多条测井曲线作为输入参数,有效提高预测结果的精确性和泛化性.利用鄂尔多斯盆地姬塬地区的岩心实验测量数据和测井数据验证了模型性能,相比于Schmoker方法、ΔlogR方法、改进ΔlogR方法及支持向量回归机,集成学习具有更高的预测精度.通过处理实际测井资料,进一步验证了方法的可行性和有效性.     

基于半监督学习的井震联合储层横向孔隙度预测方法

传统地震储层预测技术一般基于弹性参数反演和岩石物理建模的级联流程实现储层孔隙度预测, 其预测精度受到波动理论和岩石物理理论的近似假设、初始模型和二次反演累积误差等因素的影响.为缓解这些问题, 本文提出了一种基于双向门控递归单元神经网络的半监督学习井震联合孔隙度预测方法, 实现从地震数据直接预测储层横向孔隙度.通过少量的地震测井样本标签对和多目标函数约束建立智能化多尺度多信息融合孔隙度预测模型, 实现地震数据到孔隙度, 孔隙度再到生成地震数据的闭环映射.此外, 在网络模型每次迭代更新的过程中随机引入非井旁地震道参与网络训练, 非井旁地震道的波形匹配能在一定程度上保证井间孔隙度的预测精度.模型数据和实际数据测试结果表明, 本文提出的方法相比于有监督学习孔隙度预测方法能进一步提高储层孔隙度的预测准确性和横向连续性, 获得较为可靠的储层物性参数的空间分布.

     

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型.以平均相对误差(MAPE)作为模型评价标准, 针对本研究所采用的数据集, 同架构多任务模型的孔隙度、渗透率和含水饱和度在测试集上的MAPE约为6%、17%和9%, 相较于单任务模型, 预测效果分别提升约30%、20%和10%.异架构多任务模型的孔隙度、渗透率和含水饱和度, 在测试集上的MAPE约为6%、13%和6%, 相较于单任务模型分别提升超过2%、60%和10%.

     

多波地震深度学习的油气储层分布预测案例

有机并有效利用纵波与转换横波在油气储层敏感度上存在的差异,有助于突出地震油气储层特征,有助于提高地震油气储层分布边界刻画的精度.基于此,本文设计了一种卷积神经网络与支持向量机方法相结合的多波地震油气储层分布预测的深度学习法（Deep Learning Method）.首先,利用莱特准则剔除所生成的多波地震属性中可能存在的异常值降低网络变体数量.然后,通过能突出多波地震油气储层特征的聚类算法和无监督学习算法构建隐藏层,用于增加网络共享,提取油气特征.最后,将增加网络罚值后的井点样本作为支持向量机预测的输入样本,以降采样后的C3卷积层属性作为学习集,进行从已知到未知的地震油气储层的预测.本方案应用于HG地区晚三叠统HGR组的碳酸盐岩油气储层预测,所预测的地震油气储层边界更加清晰,预测结果与实际情况基本吻合.应用结果表明：本论文方案不仅具有可行性,且具有有效性.

     

基于地震属性约简的深度学习储层物性参数预测:以莺歌海盆地乐东区为例

储层物性参数作为描述储层特性、储层建模和流体模式的重要指标,其准确估算可以为储层预测提供有力参考依据,但传统储层物性参数反演方法无法兼顾反演精度及空间连续性。针对上述问题,本文引入地震属性作为深度学习算法输入,针对地震属性之间存在的信息冗余特征,利用随机森林-递归消除法对地震属性进行约简预处理,最终建立一种基于地震属性约简的储层物性参数预测方法。实际数据测试结果表明,地震属性约简的深度学习储层物性参数预测结果具有良好的精度及横向分辨率,证实本文方法的有效性。