基于卷积神经网络算法的自动地层对比实验

深度学习善于从原始数据输入中挖掘其内在的抽象特征,十余年来,其在语音识别、语义分析、图像分析等领域取得了巨大成功,也大大推动了人工智能的发展。本文基于深度学习中广泛应用的卷积神经网络算法,以大庆油田某区块密井网数据为对象,开展自动地层对比试验。实验中,随机选取部分井作为训练样本,对另一部分井分层进行预测,并与原始分层数据比对进行误差分析。按照训练样本的井数据比例65%、40%、20%和10%,将实验分为4组,每组实验包括油层组、砂层组和小层级3个相互独立的实验。12个实验结果表明:训练量越大,地层级别越高(厚度越厚),自动对比效果越好;20%的训练量就可以较可靠地进行砂组及以上级别地层单元(厚度不小于10 m)的自动对比。该实验表明卷积神经网络算法能有效应用于依据测井曲线进行油藏规模地层自动对比,具有良好的发展前景。

卷积神经网络在井间地层自动对比中的应用

地层对比是依据各井单砂层测井曲线的形态特征、幅度、厚度、深度及其他地质信息进行同层位对比,确定井间小层连通关系的工作,是储层描述、油藏表征中的重要内容。传统人工对比方法耗时耗力、主观性强,随着勘探数据的爆炸式增加.