斜井各向异性地层阵列侧向测井资料快速分级反演方法

针对斜井各向异性地层阵列侧向测井响应复杂、资料处理难等问题,提出一种快速分级反演方法。首先,分析侵入、各向异性和地层倾角等对阵列侧向测井响应的影响,并对敏感性进行分级;然后,根据深-中-浅电阻率曲线的分离特性,建立不同倾角条件下的数据库;根据敏感性级别和正演数据库,依次确定各个地层参数的最优反演初值;最后,结合Levenberg-Marquardt算法,提升反演结果的准确性。进一步将反演方法应用于青海油田实际资料,利用岩心分析数据标定和验证,取得了良好的应用效果。结果表明固定倾角条件,阵列侧向测井对侵入深度、电阻率和各向异性的敏感性依次降低;正演数据库的方法解决了传统三维反演速度慢的难题,初值分级选取策略则保证了反演算法的全局寻优能力。

基于卷积神经网络和MPGA-LM算法的阵列侧向测井快速反演方法

在大斜度井/水平井环境下,阵列侧向测井受钻井液侵入、地层倾角和各向异性等多种因素影响,导致测井响应复杂,需借助反演手段提取地层真实电阻率.然而,阵列侧向测井三维正演效率低,难以满足测井资料快速反演和油气藏快速评价的需求.为此,本文基于深度学习并联合混合多种群遗传(MPGA)与列文伯格马奎特(LM)算法建立了一种快速反演方法.首先从地层参数敏感性出发,基于严格的三维有限元正演算法,依次确定侵入、各向异性和地层倾角的敏感性大小;其次,引入深度学习和模型可视化技术,实现斜井各向异性地层阵列侧向测井响应的快速正演;最后,基于数据集分解技术和混合MPGA-LM算法,实现斜井各向异性地层电阻率剖面快速精确重构.数值模拟结果表明:斜井各向异性地层中,阵列侧向测井响应对侵入深度敏感性最高,各向异性和地层倾角次之;相较于反向传播神经网络(BPNN),二维卷积神经网络(2D-CNN)能够实现阵列侧向测井响应的快速精确计算,计算一个测井点仅需0.36 ms,精度可达99%左右;基于三层反演模型的MPGA-LM混合算法稳定性强,电阻率参数反演精度高的优点,可用于阵列侧向测井资料的快速处理.