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.     

基于双向长短期记忆神经网络的储层孔隙度预测方法研究

孔隙度作为重要的储层物性参数之一,在储层评价中发挥着重要作用,因此,寻找一种低成本、高效的方法获取高精度的孔隙度成为了储层评价的重要课题.由于测井参数和孔隙度之间复杂的非线性映射关系和时序性特点,本文提出了一种基于双向长短期记忆(BiLSTM)神经网络的储层孔隙度预测方法,通过建立BiLSTM孔隙度预测模型,并在模型中使用Nadam自适应优化算法提高模型训练效率和准确率,引入Dropout正则化技术防止训练过程中发生过拟合,采用ReLU激励函数提高网络的鲁棒性和稳定性,最后利用实际测井数据验证其性能.研究结果表明,相较于长短期记忆循环神经网络(LSTM)、常规循环神经网络(RNN)和全连接深度神经网络(DNN),BiLSTM模型具有更高的预测精度,在储层参数预测方向具有广阔的应用前景.     

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.     

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.     

基于CGAN与CNN-GRU组合模型的密度测井曲线重构方法

密度测井曲线作为常规测井曲线中的一种,有着丰富的地质信息,通过对其进行分析解释,可以获得地层岩性、岩石密度和岩层孔隙度等参数.然而,在实际获取密度测井曲线的过程中,由于仪器故障、人为因素等原因,不可避免的会出现部分密度测井数据失真甚至缺失的情况.针对这一问题,本文提出一种基于条件生成对抗网络(CGAN)的密度测井曲线重构技术解决上述问题,其中条件生成对抗网络的生成器和鉴别器主要由一维卷积网络(1D-CNN)和门控循环单元网络(GRU)构成.通过条件生成对抗网络(CGAN)的对抗式训练方法可以使网络具有更强的学习能力,更加有效的挖掘出测井序列的长期非线性相关性、历史数据之间的关联性等关系.将该方法应用于实际的测井数据中,并与传统的神经网络方法相对比,结果表明本文提出的方法优于传统的神经网络方法,能够生成更加符合实际情况的曲线.     

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.     

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...     

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.     

基于SCLSTM模型的MODIS地表温度产品重建方法

MODIS(Moderate-resolution Imaging Spectroradiometer,中分辨率成像光谱仪)LST(Land Surface Temperature,地表温度)产品在大气物质和能量交换、气候变化研究及地震前兆热异常探测等方面具有重要价值。然而,由于云的遮挡导致MODIS LST数据产品中存在大量空值,限制了其广泛应用。为此,文中提出了一种基于混合模型的地表温度重建方法——SCLSTM(即SSA-CLSTM)。与传统方法相比,该方法无需建立复杂的回归关系模型。此外,由于CNN(Convolutional Neural Network,卷积神经网络)能够充分提取一维时间序列数据的局部特征,而LSTM(Long Short-Term Me mory,长短期记忆)能够充分学习数据的长时间序列特征,因此将CNN和LSTM结合能够更加充分地学习数据的潜在特征。首先,使用SSA(Singular Spectrum Analysis,奇异谱分析)模型提取出地表温度时间序列中的趋势值用于填补缺值像元,实现地表温度的初步重建。然后,再利用SCLSTM(即1DCNN-3层堆叠...     

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.     

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．     

一种用于油气储量评估中渗透率预测新模型

致密砂岩储层因受成岩作用和裂缝分布等地质因素严重影响,其渗透率值很难用带有储层其他参数的显式来准确求取.根据测井解释理论,渗透率是储层地质因素的一种综合影响,从而也能看作是多种测井曲线的一种综合响应,可通过拟合测井曲线来预测.LightGBM模型在数据拟合方面表现出众,其计算效率被证明比传统拟合模型的更高,为此本文采用该模型来预测渗透率.由于该模型在建模时使用了较多的超参数,难以保证预测结果为最优,所以本文采用PSO技术对其进行优化,进而提出PSO-LightGBM.本文以姬塬油田西部长4+5段致密砂岩储层为验证对象,并通过设计两个实验来验证提出模型的预测能力.实验结果显示提出模型的预测结果误差和PSO-XGBoost的误差非常接近,都为最小,但PSO-XGBoost的耗时却约是提出模型的21倍.实验结果证明PSO-LightGBM能够在不失精度的情况下快速预测致密砂岩储层渗透率,是一种高效的渗透率拟合预测模型,在测井解释智能化研究方向上具有推广应用价值.     

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.     

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.     

基于数据与模型联合驱动的波阻抗反演方法

井插值初始模型为基于模型的反演提供的低频信息往往不够准确,导致该模型驱动方法容易出现较大的波阻抗预测误差且建模效率较低.为缓解这些问题,本文利用数据驱动的深度学习反演更加擅长预测低频阻抗的优势,提出一种基于数据与模型联合驱动的波阻抗反演方法.该方法联合地震和测井等数据,先后开展数据驱动和模型驱动的波阻抗反演.首先,数据驱动部分使用井旁地震记录、测井导出的波阻抗曲线以及井插值低频阻抗曲线,搭建以双向门控递归单元为主要模块的波阻抗智能预测网络.其次,该网络预测的波阻抗的低频分量作为数据驱动初始模型,替代井插值初始模型而参与模型驱动部分.最后,模型驱动部分在地震数据匹配和数据驱动初始模型的共同约束下开展基于模型的反演,获得最终的波阻抗结果.合成数据和实际数据测试表明,本文方法相比于单一的数据驱动或模型驱动方法能获得更高分辨率和更高精度的波阻抗反演结果,从而为后续储层预测提供可靠的弹性参数分布.