自适应MCA算法在测井电成像空白条带充填的应用

电成像测井在各类储层的解释评价中发挥了重要作用。由于其不能得到全井眼图像,因此空白条带充填成为电成像解释重要的预处理步骤。其中,MCA算法的充填效果优于传统的FilterSim多点统计地质学方法。但MCA算法需要多次迭代,且迭代次数的人为设定,造成算法计算效率低。因此,本文提出一种自适应MCA算法,通过计算充填误差与清晰度度量,使得算法可以以较少的迭代次数完成计算,并得到较好的充填效果。在SL油区页岩油气井中的应用,表明了本文算法的有效性。

基于深度学习模型的测井电成像空白条带充填方法

电成像测井广泛应用于碳酸盐岩、砂砾岩和火成岩等复杂储层的测井评价,对于计算孔隙度、识别裂缝和划分岩性具有重要作用.但在大井眼的情况下,电成像图像无法做到全井眼覆盖,需要对电成像图像上的空白条带进行充填,保证后期处理和解释的精度.结合深度学习框架,提出一种基于卷积神经网络模型的空白条带充填方法.在没有大量学习样本的情况下,通过优化卷积神经网络模型结构,捕获图像上的大量底层先验统计特征,实现整幅图像的结构和纹理特征信息的推理.通过与Filtersim主流充填方法的充填效果比较,发现该方法对于砂泥岩剖面和砂砾岩体的电成像测井图像空白条带充填,都具有较好的效果.