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.     

基于CNN-LSTM-VAE混合模型的储层参数预测方法

利用测井资料预测储层参数是油气田开发的重要内容.针对现有储层参数预测模型精度低,不能很好的提取测井曲线和储层参数之间潜在关系的问题,本文将卷积神经网络(CNN)和长短期记忆网络(LSTM)结合,提出基于变分自编码器(VAE)的CNN-LSTM混合模型.首先,提出了测井数据的分析方法,包括参数相关性分析和井间的相似度分析.其次,利用CNN提取每条测井曲线的空间相关特征向量,并使用LSTM网络提取测井曲线相邻深度之间的时间特征.最后,采用VAE结构,根据训练数据的深层特征再次对CNN-LSTM模型生成的泥质含量初步预测值进行修正.以大庆油田地区某井场数据验证该模型.仿真结果表明：与LSTM神经网络模型、CNN-LSTM网络模型相比,本文CNN-LSTM-VAE模型具有更好的时空特征提取能力,能够更准确地预测储层参数,可为储层参数预测提供新思路.     

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...     

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．     

松辽盆地深层火山岩含气储层产能预测

松辽盆地深层火山岩是当前大庆地球物理、地质、地球化学研究的主要领域之一,已取得丰硕的成果,火成岩含气储层产能作为一个表示动态特征的参数,是储层评价的重要指标之一,本文讨论了火成岩含气储层的产能与测井响应之间的关系,探讨了根据测井资料应用人工神经网络技术预测火成岩含气储层产能的方法,利用已知气井测试结果和测井资料作为网络的训练样本,根据网络学习训练结果,输入测井资料等静态参数,可预测储集层的产能,根据这种关系采用神经网络技术实现了测井对产能的预测评价,从而为大庆深部火成岩含气储层的开发提供了一定的依据。     

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.     

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...     

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.     

基于地震多属性利用ES-DBN网络估算裂缝孔隙度

地震数据中蕴含丰富的地层信息,裂缝孔隙度作为表征致密碎屑岩储层品质及产能评价的关键参数,目前无法利用常规线性反演方法从地震数据中挖掘出裂缝孔隙度的有效信息.为了有效获取致密碎屑岩地震信号中储层与非储层数据特征之间的差异,本文借助深度置信网络(DBN)强大的特征提取能力,利用回声状态网络(ESN)中的回归层代替DBN网络中的误差反向传播算法组合搭建出ES-DBN网络.ES-DBN网络能够较好的捕捉地震数据中的动态时序信息,每次训练都独立于前次的DBN学习过程,且只考虑回归层最终的输出权值矩阵,通过模型测试对比发现,该网络的学习效率和预测准确率均高于传统的DBN网络.以井中裂缝孔隙度为预测目标,基于提取的多种井旁敏感的叠前叠后裂缝属性,利用构建出的网络模型对研究工区地下地层裂缝孔隙度进行预测,预测结果表明：该网络能够较好的实现致密碎屑岩储层的裂缝孔隙度的三维表征,取得了良好的应用效果.     

高阶神经网络在储层分布参数定量预测中的应用

文中介绍了高阶神经网络的原理和方法,提出把高阶神经网络应用于储层分布参数的定量预测方法,并给出双河Ⅳ4（5-9）油组顶层孔隙度与深度的预测算例,并讨论了不同的储层分布参数的预测方法的优缺点     

深度Transformer迁移学习的页岩气储层核心参数预测案例

地层纵横向非均质性强,工区间数据分布存在差异.这导致基于已有工区数据构建的机器学习储层参数预测模型,推广到新工区会存在较大预测误差.常规地质方法是在岩心与测井响应特征分析基础上建模,利用测井资料计算储层参数,流程复杂.该方法需要岩心校准模型,同样难以快速推广到新的工区.考虑地层纵横向非均质性,本文设计了一种深度Transformer迁移学习网络,通过已有工区的测井与岩心资料构建预测模型,实现未取心新工区储层参数快速准确预测.首先利用无监督学习算法-孤立森林剔除测井数据中存在的异常噪声数据.然后设计Transformer特征提取网络,提高网络特征提取能力,以此深入挖掘测井数据与储层参数的内在联系.最后设计深度迁移学习网络,构建网络损失函数,利用随机梯度下降算法优化网络参数,实现储层参数准确预测.本方案应用于四川南部地区五峰组—龙马溪组页岩储层参数孔隙度、总有机碳含量和总含气量预测.实验结果与工区校正后计算结果、主流机器学习模型预测结果对比,本方案结果与岩心数据具有更高的一致性.应用结果表明：本文方案具有实用性、有效性和可推广性.     

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.     

致密砂岩气藏裂隙-孔隙型弹性岩石物理模板研究:以川西坳陷A区为例

相对于常规砂岩,致密砂岩在岩石物理性质、力学性质等方面具有明显差异,并呈现出很强的非均质性.岩石物理模型能将储层参数与地震特性信息联系起来,因此可以作为致密砂岩储层参数与地震特性信息转换的桥梁.常规的岩石物理模型通常只考虑单一因素(例如非均匀性,单一孔隙,单一尺度等),建立的岩石物理模板并不适用于致密砂岩.本文针对高饱和气、微裂隙发育、非均质性强的致密砂岩储层,利用Voigt-Reuss-Hill模型计算混合矿物的弹性模量,采用微分等效介质(DEM)模型描述含裂隙、孔隙岩石的骨架弹性模量,基于Biot-Rayleigh波动方程构建了岩石物理弹性模板,给出了致密砂岩储层弹性参数与物性的关系.基于测井数据和实验数据对岩石物理弹性模板进行校正,并将校正后的岩石物理弹性模板结合叠前地震资料应用于川西地区储层孔隙度与裂隙含量预测.结果显示,反演裂隙含量、孔隙度与储层试气报告、测井孔隙度基本吻合,表明该模板能够较合理地应用于致密砂岩储层孔隙度及裂隙含量解释中.     

花岗岩储层测井解释方法研究及应用

针对花岗岩储层非均质性特点,采用了三重孔隙结构解释模型对其进行解释评价.该模型的储集空间包括基质、裂缝和孔洞三部分,随着储集空间的变化,可将该模型转化为孔隙型储层解释模型、孔洞型储层解释模型和裂缝型储层解释模型,这样就可适应多种储层性质的解释需要.由此利用常规测井资料计算了花岗岩储层的总孔隙度、基质孔隙度、孔洞孔隙度和裂缝孔隙度,利用岩心和电成像测井对裂缝孔隙度和孔洞孔隙度的计算结果进行标定和验证,并根据这些参数划分储层类型,计算含油气饱和度,划分油气水层.含油气饱和度的计算是采用反映储层孔隙结构变化的孔隙结构指数变m值,使阿尔奇公式适用于非均质花岗岩储层含油气饱和度的计算.应用上述测井解释方法,对目标井进行精细处理解释和综合评价,取得了很好的应用效果.     

2015年3月特大磁暴期间中国区域电离层TEC NeuralProphet预报模型研究

延迟是全球卫星导航定位中重要的误差源之一,提高电离层TEC建模和预报精度对改善卫星导航定位精度至关重要.本文构建了以太阳辐射通量指数F_10.7、地磁活动指数Dst、地理坐标和中国科学院(Chinese Academy of Sciences, CAS)GIM数据为输入参数的NeuralProphet神经网络模型(NP模型),实现在2015年3月特大磁暴期中国区域电离层TEC短期预报.为验证NP模型的预报精度,本文同时构建了长短期记忆神经网络(Long Short-term Memory Neural Network, LSTM)模型进行对比分析.结果统计分析表明,NP模型在磁暴期(2015年DOY076-078)TEC预报值RMSE和RD分别为0.83 TECU和3.13%,绝对和相对精度较LSTM模型分别提高1.49 TECU和10.25%;且NP模型RMSE优于1.5 TECU的比例达97.24%,远高于LSTM模型.NP模型预报值与CAS具有较好一致性和无偏性,偏差均值仅为-0.01 TECU,而LSTM模型预报值的均值偏大,偏差均值为1.49 TECU.从...     

基于多层感知器的低渗透储层产能级别快速预测——以鄂尔多斯盆地白豹—南梁地区长3、4+5储层为例

为了快速预测鄂尔多斯盆地白豹—南梁地区长3、4+5低渗透储层的产能级别并明确主控因素,基于42口井76层的常规测井曲线、测井解释砂体结构、试油结果及相关沉积研究成果,建立主要测井参数与产能级别的配置关系,利用相关性较高的测井参数和砂体结构,通过多层感知器网络分析方法,构建低渗透储层产能级别的预测模型,并确定出各测井参数与低渗透储层产能级别相关程度的大小次序为:砂体结构电阻率密度自然伽马声波时差中子.应用确定的多层感知器模型对研究区78口井2341层的产能级别进行预测,解释出Ⅰ类储层109层、Ⅱ类储层194层、Ⅲ类储层2038层;Ⅰ类、Ⅱ类储层以块状砂岩为主,约占81%、68%,电阻率、孔隙度较高;Ⅲ类储层则以互层状为主,达到85.7%,电阻率、孔隙度相对较低.规模应用结果表明,方法预测结论与试油结果具有较高的吻合度,正确率达到82.6%,判断失误的储层均是相邻级别,没有出现跳级现象.通过多层感知器网络分析方法,协同测井-地质信息,可以快速、有效地评价预测低渗透储层产能级别,能为有利建产目标优选及开发方案调整提供可靠依据.对其他盆地低渗透-超低渗透储层产能评价亦具有较好的参考和借鉴意义.