基于机器学习的碳酸盐岩储层流体性质识别——以阿姆河右岸中部为例

阿姆河右岸中部碳酸盐岩储层为裂缝—孔隙型,其非均质性强烈,储层流体测井响应特征不明显。利用常规图版法对储层流体性质进行识别,存在样本点相互重叠、界限模糊、流体识别精度较低等问题。由于机器学习具有自动提取特征数据和多参数非线性预测能力强的特点,因此将BP神经网络、随机森林建立的预测模型,应用到阿姆河右岸中部储层中对气层、差气层、干层、油水层和水层进行识别,并对比两种方法的优劣。研究结果显示:BP神经网络识别效果优于其他方法,其总体识别正确率为83.3%,单一流体识别率较高。展现了BP神经网络对于复杂储层流体识别的优越性,并具有较好的实际应用效果。