特低渗储层测井评价技术综述与展望

特低渗储层的测井响应特征与常规储层不同。测井响应值难以有效表征孔隙中的油气,不同品质储层间的差异性不明显.利用单一的测井解释方法容易引起多解性和模糊性,测井参数解释难度大,油气识别非常困难.为了更好地实现特低渗储层的测井精细评价,提升测井解释的符合率,本文在大量文献调研的基础上,依托前人的研究成果,详细归纳总结了裸眼井和套管井的测井系列之后,对其特低渗储层的常规测井评价方法及其优缺点进行了系统梳理和深入剖析,并探讨了核磁共振测井、高分辨率阵列感应测井、电阻率成像测井等新技术和非线性数学方法在特低渗储层中应用状况.最后基于特低渗储层地球物理测井技术的发展现状,指出了当前测井评价技术面临的困难和问题,并展望了特低渗储层地球物理测井技术的发展趋势.     

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...     

基于改进多粒度级联森林的测井岩性识别方法研究与应用

岩性是储层评价和地层开发潜力评测的关键因素,是油藏描述、实时钻井监控及求取储层参数的基础.测井资料中包含丰富的地层岩性信息,是岩性分析的基础资料.然而,数据信息的精度往往会严重的影响到识别的准确率,同时复杂的岩性状况也加大了测井解释的难度,如何快速、精确、低耗地利用测井资料获取地层岩性信息越来越受到研究人员的重视.针对...     

测井资料在储层预测研究中的应用

测井解释技术面临三方面制约因素:(1)长期以来仪器的发展速度快于解释评价的发展速度,使大量有用信息被长期掩盖;(2)现今测井评价方法强于微观解释而弱于宏观分析,明显限制了测井技术的发展和受重视程度;(3)油气勘探开发目标的日益复杂化,对测井技术提出了更高要求.开展测井储层预测技术的探索,在某种程度上可弥补上述不足.本文提出测井储层预测技术研究的二个依据,(1)将测井资料作为宏观地质作用与微观岩石信息统一关系论证的一个关键点,寻找测井信息能准确描述二者具有统一成因关系的证据;(2)以构造-沉积演化作为研究切入点,预测特殊储层在时、空的分布关系.基于上述认识,以印尼B油区裂缝型砂岩的预测以及大港油田Q50断块低阻油层的预测研究为例,分别介绍了测井储层预测技术的2个应用实例.     

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.     

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.     

基于机器学习的储层测井评价研究进展

储层测井评价的核心是数据分析和模型驱动方法的数学建模问题,将测井评价过程转化为机器学习过程,是提高储层测井评价自动化程度和评价精度的有效手段.大量实践证明,机器学习技术能够有效解决测井评价中复杂的非线性问题,目前在测井处理质量和评价精度方面均已取得了一定的突破.但如何更有效利用海量多源测井数据,在繁多的机器学习算法中找...     

基于伽马能谱的元素测井发展历程及技术展望

随着对油气勘探开发的不断深入,勘探对象复杂,给测井解释评价带来极大的挑战.基于伽马能谱的元素测井是通过测量地层元素自发产生或中子源激发的次生伽马能谱,利用谱解析方法获得地层元素含量,为复杂储层测井评价提供一种有效手段.本文全面归纳总结了伽马元素能谱测井的发展历程,认为其可分为四个大的阶段:自然伽马能谱测井、地球化学测井、元素俘获能谱测井和基于脉冲中子源的元素能谱测井;并对其测井技术进行展望,认为基于伽马能谱的元素测井应遵循"三多"发展趋势,即:多功能仪器设计、多参数成果解释和多方位近钻头测量.     

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.