测井储层分类评价方法研究进展综述

测井储层分类方法多样,每种方法的原理、计算步骤及所需资料各不相同,且各方法的适用性及应用效果均存在很大差异,本文通过文献调研,将测井储层分类方法归纳为四大类:(1)基于交会图版法的半定量储层分类方法,此方法操作简单、应用范围广但适用性不强;(2)基于流动单元概念的测井储层分类方法,此方法基于岩心物性数据可以迅速达到储层分类的目的 ,具有明确的地质意义,但结果依赖于取心数据;(3)基于多元统计法及机器学习算法的测井储层分类方法,此类方法可以有效地避免人为因素的干扰,速度快、方法多样,可以实现储层的定量分类评价,是未来发展的趋势,但分类结果意义不明确;(4)基于测井新技术新方法的储层分类方法,该方法携带了大量的地质信息,与其他分类方法结合可以更有效、更准确地评价储层.最后比较了四种分类方法的优缺点并给出了相应的选择建议,该研究对测井储层分类方法的优选具有一定的参考意义.     

砂砾岩储层测井评价研究

砂砾岩储层岩性复杂、非均质性强,储层间非渗透性隔层类型多,储层基质孔隙度有时很低,从而使测井资料准确划分有效储层有很大的难度;砂砾岩体储层母岩类型变化大,岩石骨架参数很难确定,电阻率测量受岩石骨架、粘土含量和孔隙结构影响严重,反映储层孔隙流体性质的信息弱,使储层流体性质难以判断,油、气、干层界限的电性特征极不明显.通过核磁共振和井壁微电阻扫描成像测井,可以直观观察到岩石成分和粒径的变化,通过T2谱分布直观显示核磁测量井段的孔径分布,计算出各种类型孔隙度和渗透率参数,为砂砾岩有效划分储层和测井评价提供了可靠的依据.     

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%.

     

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.

     

基于模糊粗糙集的机器学习储层参数预测

因为地震数据的三维空间分布优势,地震属性已经被广泛应用于含油气性预测、储层厚度预测、孔隙度预测等。但也存在地震属性之间信息冗余、属性与储层物性参数关系模糊的问题。针对这两个问题,将模糊粗糙理论和机器学习引入到储层参数预测中来。通过模糊粗糙集理论对地震属性进行约简,去除冗余信息,得到最优化的地震属性组合;将约简后的属性作为机器学习的输入,实现从地震属性到储层物性参数的非线性映射。该方法既保留了地震属性中有效信息,又避免了因输入变量过多而导致的网络模型训练困难。实际数据应用表明,属性约简的机器学习预测结果分辨率更高,并与数据吻合更好。     

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...     

碳酸盐岩储层常规测井评价方法

碳酸盐岩储层非均质性强、储集空间类型复杂多样,储层中流体性质的识别及有效厚度的划分比较困难,为了完成碳酸盐岩储层的常规测井评价,根据碳酸盐岩储层地质特征,将储层分为三种类型:1)裂缝+孔隙型储层,其孔隙度大于3.5%,其裂缝为规模较大的构造缝,其次是一些宏观裂缝,是碳酸盐岩储层中最好的储层;2)微裂缝+孔隙型储层,其孔隙度大于3.5%,其裂缝主要为储层微观孔、缝以及孔洞.3)裂缝层,其孔隙度小于3.5%,裂缝较发育,基质孔隙度和储层含油饱和度很小,接近于零,为裂缝层.基于以上三种类型的储层来建立测井地质评价模型,由于碳酸盐岩储层是典型的双重介质模型,分别建立两类孔隙空间的几何模型及流体模型,分别建立三种储层的空间几何模型和流体分布模型,每种模型又分为裂缝系统和岩块孔隙系统,在此基础上总结各种测井曲线的响应特征,分别给出储层参数计算的数理模型,基质岩块和裂缝孔隙度、渗透率和储层油气水饱和度,对裂缝的张开度也进行了定量计算,给出了储层流体性质及有效厚度的划分标准,最终完成碳酸盐岩的常规测井评价.     

电成像测井处理新技术在储层评价方面的应用

为了更深入的研究电成像测井资料在储层评价方面的应用,针对碎屑岩、碳酸盐岩及薄互层三种类型的储层建立了三种新技术.通过对环井周电阻率数据进行统计,建立了电阻率谱技术及分选指数的计算方法,根据谱峰的宽窄及分选指数大小对碎屑岩储层分选性及非均质性进行评价,对于预测高产储层具有一定的指导意义;通过阿尔奇公式将环井周电阻率转换为孔隙度,并对孔隙度数据进行统计,建立了孔隙度谱技术及基质孔隙度及次生孔隙度的计算方法,对于评价碳酸盐岩储集层次生孔隙发育情况具有重要作用;利用电成像高分辨的优势,通过对薄互层电阻率进行统计,根据砂泥岩电阻率的差异,建立了薄互层有效厚度的计算方法,成为评价薄互层的一种重要手段.阐述了这些方法的基本原理及适应的岩性条件,拓展了电成像测井资料在储层评价方面的应用.     

孔隙结构对储层电性及测井解释评价的影响（英文）

在多个区块的测井评价工作发现,孔隙结构直接影响储集层的品质和油气层的电阻率,是测井准确评价流体性质的关键。岩石物理资料表明不同区块内影响储层孔隙结构的因素不同,但效果是一致的,即孔隙结构的复杂程度控制着储层的储集能力和渗透能力。孔隙结构的复杂程度影响了储层中导电流体的分布和含量,从而控制了储层的电阻率。储层出现低阻油气层的内因均为复杂的孔隙结构（骨架导电及工程原因除外）。测井储层评价在分析控制储层孔隙结构复杂程度的地质因素及储层分类的基础上,针对不同类型储层采用不同的模型、参数和标准,可以有效的认识储层品质和识别不同类型储层的流体性质。     

利用阵列感应测井进行储层渗透率评价

钻井过程中储层受到泥浆侵入影响的程度与储层岩性有着密切关系,其中储层渗透率对侵入深度有着较大影响,因此若可以获知泥浆侵入深度,则有望对储层渗透率进行评估.本文首先建立含泥饼增长的泥浆侵入数值模型,然后建立阵列感应测井数值模型,两者的联合正演模拟显示泥浆侵入对地层的影响可以反映在阵列感应测井响应上,利用阻尼最小二乘法对阵列感应测井响应进行反演可以得到侵入深度.对侵入深度和储层渗透率的关系进行分析发现：在渗透率为1~100 mD（1 mD=0.987×10-3μm2）数量级的储层中,渗透率的变化可以在侵入深度上得到反映.以储层和井数据进行二维数值模拟发现：利用阵列感应测井响应反演出来的侵入深度曲线反映了渗透率在地层上的变化趋势,采用解释图版的方法可以对储层各层段的渗透率进行粗略估算.     

基于机器学习的成矿背景异常分解关键参数的自动计算

分形是地质矿产领域非线性计算的重要方法,GeoDAS软件是实现该方法的有效工具,因受限于软件的紧耦合性,目前难以整合人工智能等在线计算资源.为了充分发挥分形在地学大数据处理与智能分析中的作用,本文以成矿背景异常分解技术中异常下限(阈值)估计为研究目标,提出了一种利用机器学习中线性回归算法拟合数据实现阈值自动求取的方法,在ArcGIS Pro中采用Python基于机器学习框架实现了异常下限智能计算模块.采用GeoDAS软件自带砷(As)示例数据进行两种方法对比实验.实验结果表明:机器学习方法与GeoDAS的能谱密度面积(S-A)异常分解技术所得阈值的平均差小于8％,且最小差为2.35％.此外,根据最佳阈值对异常场圈定效果与软件处理后呈现效果基本一致或完全相同,验证了采用机器学习方法自动计算阈值下限方法的有效性.     

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.     

地球物理测井反问题机器学习数据集的构建方法研究

基于数据驱动机器学习的智能地球物理测井有望显著提高测井资料处理与解释的效率, 具有广阔的应用前景.但是, 数据驱动的测井反演如储层参数预测面临小样本、少标签和可解释性差等困难.通常, 人工解释实测数据集是测井机器学习标签的主要来源.由于井下油气储层复杂多样, 测井反演具有多解性,且地层具有非均质性, 实测数据集构建的标签体系不仅量少, 可靠性也存疑.本文提出基于地质领域知识和岩石物理机理模型, 通过正演模拟构建测井反问题机器学习数据集的方法.从地质约束出发, 综合考虑井眼环境、测井仪器、地层模型及流体分布等影响, 由测井领域知识正演生成测井数据以弥补实测数据集的不足, 以此实现机理模型与数据驱动的融合.数值实验结果表明, 正演生成的测井数据集有效扩充了样本和标签数量, 其参与储层参数预测及储层划分深度神经网络训练, 对发展数据驱动及数据与机理混合驱动的方法、提升测井储层评价参数预测模型效果, 成效显著.

     

基于改进多分类孪生支持向量机的测井岩性识别方法研究与应用

岩性识别是认识地层及求解储层参数的基础,受地质环境复杂性和非均质性影响,测井曲线间存在着大量的信息冗余,数据集类间分布不平衡,常用的分类算法无法满足实际需求.针对常用分类算法容错性差,识别岩性单一和无法有效解决类间不平衡的问题,本文改进合成少数过采样技术(Synthetic Minority Over Sampling Technique,SMOTE)来处理数据集,可得到类间平衡的新数据集,并提出一种新的模糊隶属度函数改进模糊孪生支持向量机,在北美Hugoton油气田实际测井数据的基础上,用改进多分类孪生支持向量(Improve Multi Class Twin Support Vector Machine, IMCTSVM)综合自然伽马(GR)、电阻率(RL)、光电效应(PE)、中子密度孔隙度差异(DPHI)和平均中子密度孔隙度(PHIND)五种测井参数,以及相对位置(RELPOS)和非海洋/海洋指标(NM_M)两种地质约束变量,识别出9种岩性.将识别结果与传统支持向量机、深度神经网络等方法进行对比与分析,发现IMCTSVM算法优于上述两种分类算法,取得了较好的识...     

测井预测TOC方法在页岩储层评价中的运用

总有机碳含量(TOC)是页岩储层评价中的一个重要参数,同时也是烃源岩评价的重要指标.本论文在测井原理的指导下,基于不同岩石类型对测井参数的响应特征,运用自然伽马能谱测井法、多元回归法和△ LogR 法对四川盆地南部龙马溪组页岩的TOC含量进行预测,通过数理统计和误差分析,选出最佳预测方法.研究结果表明:四川盆地南部页岩...     

利用测井资料评价有利沉积相带及其储量分布

针对雁木西油田白垩系低阻油层受沉积相带及其断裂、构造和岩性等多种因素控制影响,测井信息应用难度增大的特点,提出利用多种测井响应提取单渗砂层能量厚度信息,使其曲线形态、特征和数据大小能够集中反映相对高渗的单渗砂层最大沉积能量及厚度变化,控制划分扇三角洲前缘水下辫状河道、浅水河道骨架砂体有利微相带的发育、规模及分布范围,克...     

基于机器学习的大地电磁时域数据处理的研究现状

大地电磁测深法基于天然电磁场,其存在信号弱频带宽的特点,因此很难获得无噪声的数据,而传统的大地电磁数据处理方法面临着噪声环境日益复杂、对于海量数据的处理效率不高和难以剔除持续性噪声等诸多挑战.机器学习方法是一种基于统计分析的数据驱动方法,能够发现数据内部的结构和规律,从而对未来时刻和未知状态进行预测和判断.本文从大地电磁噪声分析入手,基于目前在大地电磁数据处理中研究和应用较为广泛的神经网络、字典学习等机器学习方法,分析了其方法原理、应用领域及优缺点,并与传统方法做了对比.发现机器学习方法在海量数据处理、大地电磁噪声模式识别和特征提取、数据预测等方面具有巨大的优势.同时,提高泛化能力和将机器学习方法与大地电磁理论相结合等仍是目前需要进一步探索的问题.随着计算机技术的发展和三维探测的实用化,机器学习方法在大地电磁数据处理中的应用将更加广泛.     

基于深度学习的地震断层智能识别研究进展

高精度地震勘探技术的发展与广泛应用对断层解释提出了新的要求,在构造复杂地区断层连续性差、识别难度大等问题严重限制了复杂地区油气藏勘探开发.深度学习作为一种新兴技术,为地震断层识别提供了新的方法.本文调研与分析多种地震断层智能识别方法,将断层智能识别网络分为两类:分类网络与语义分割.并分析经典卷积神经网络、残差网络、FC...