碳酸盐岩储层裂缝智能预测技术及其应用

对不同地震属性裂缝预测体的信息融合是目前碳酸盐岩储层裂缝预测的重难点之一。针对现有信息融合技术中存在的权重系数随机性强、效率低、耗时长、裂缝预测精度不理想等问题,利用机器学习多属性融合方法,基于神经网络系统的单井裂缝解释和多种地震方法的多尺度裂缝预测,得到机器学习融合的训练样本数据集,通过数据编码及结构化处理、标签数据提取及样本集划分和机器学习算法优选等,建立裂缝预测数据驱动模型,对碳酸盐岩储层裂缝智能预测技术进行研究。通过上述方法,得到一个多信息融合的智能裂缝预测强度体,该体能够反映不同尺度裂缝在三维空间的发育强度,反映裂缝各向异性。将技术方法应用至南海流花11‑1油田表明,基于机器学习的多属性裂缝融合方法不仅提高工作效率,且有效提高裂缝预测精度,很好地反映裂缝的各向异性,与生产动态特征符合率达90%。研究结果为基于机器学习的高效、高精度多属性裂缝融合预测提供了技术支撑。