基于深度学习岩性分类的研究与应用

岩性预测,特别是致密储层的岩性预测,是石油勘探的一项重要基础任务,因为岩性数据对于地层对比、沉积模拟等地质工作的分析是必不可少的。因此,如何获取可靠的岩性信息逐渐成为地球科学研究的热点。面对大部分老油田由于仪器、井历史长等原因使得部分测井数据丢失,特别是岩性数据;新开发生产井,钻井取心需要投入巨大的成本、人力和物力;这些给油田的开发带来了巨大困难。为此,建立了一种基于深度学习神经网络预测岩性的新方法。对于油田的测井数据不需要经过人为预处理,直接作为神经网络的输入变量以得到对应储层的岩性数据。通过构建全连接神经网络,以鄂尔多斯盆地油田致密储层为研究对象,进行5种岩性的识别并与真实值对比。研究结果表明:该方法不需要建立解释模型和复杂的计算过程,有着较好的适应性和预测精度。通过对中国实际案例的分析,验证了该方法的有效性。其岩性识别精度(71%)满足商业应用要求(70%)。因此,该方法可替代当前的传统方法。

基于梯度提升决策树算法的岩性智能分类方法

岩性识别是油气勘探开发领域一项重要的基础工作。针对致密砂岩储层岩石成分复杂、岩性多样和岩性常规测井识别受限等问题,利用机器学习算法在数据分析上的强大功能,采用泛化能力出众的梯度提升决策树(GB⁃DT)算法解决岩性识别中人力和物力耗费大的问题。以鄂尔多斯盆地三叠系延长组长7段致密砂岩储层为研究对象,通过敏感分析选取声波时差、自然伽马、电阻率、泥质含量、自然电位、有效孔隙度、含水饱和度和密度8个测井参数,构建基于GBDT算法的岩性识别模型,结合实际数据进行验证和应用效果分析。与朴素贝叶斯、随机森林、支持向量机和人工神经网络算法岩性识别相比,GBDT算法岩性识别准确率达到了92%,高精度的GBDT算法岩性识别模型为致密砂岩储层岩性精确识别提供了新的解决途径。