基于机器学习与大数据技术的地球物理测井系统

地球物理测井数据通常来自数值模拟、岩石物理实验、仪器测试、生产实践、测井数据采集、地层综合评价等,但来源不同的数据之间缺乏共享,难以实时获取和应用。为了实现源于测井研究不同领域的各类海量数据互联互通,高效、优质、低成本地解决现场测井技术问题,指导测井仪器设计、测井资料处理与实时评价,以测井大数据和机器学习技术为基础,采用针对不同模型条件下的快速优化算法,建立一个弥补时空差异、知识差异、能实时高效模拟的智能测井系统,通过实例分析了这种智能一体化测井系统的优势和发展趋势。

数值模拟方法驱动的数据流过套管电阻率测井技术

过套管电阻率测井在寻找剩余油、油藏动态监测方面是一种重要的测井技术.文中依据大数据流技术原理,建立以Hadoop架构为核心、集成仪器响应模拟、仪器关键参数设计、影响因素分析校正、岩石物理参数获取与测井评价为一体的过套管电阻率测井系统.这将打破了测井方法、仪器制造、测井采集、岩石物理与测井解释之间的部门界限,实现了不同用户实时访问统一的数据库,实时解决仪器刻度、数据采集与校正,以及综合解释中的岩石物理参数的选择等问题.基于"众包算法"实现测井解释专家的知识共享.根据过套管电阻率测井各种模拟方法特点,建立对应全空间、半空间、三层模型、径向分层纵向分层所对应不同地层模型所对应的解析法、传输线方程法、边界元、模式匹配法、有限元法所的优化高效模块,在系统中快速实现仪器响应分析、影响因素校正及仪器刻度等功能.实例表明,基于这种模拟方法驱动的大数据流过套管电阻率测井技术,能从过套管电测井数据源头上保证数据质量,从而准确求取剩余油饱和度,实现过套管测井地层评价,进而为油藏监测提供可靠的保证,最终为油藏开发方案的决策提供可靠依据.