利用卷积神经网络模型预测致密储层微观孔隙结构
详细信息 :| 推荐本文 |
摘要
准确地获取储层微观孔隙结构信息对于复杂油气藏勘探开发非常重要,是储层评价和产能预测的基础。目前常用的孔隙结构表征方法大多数是基于物理实验构建的模型,如压汞、铸体薄片、氮气吸附、核磁共振等。这些观测手段的响应机理存在较大差异,在表征方法、有效分辨率、响应范围等方面各不相同,难以在井下测量并应用。深度学习算法在小样本数据建模及预测方面具有较大应用潜力。本文利用灰色关联分析、主成分分析、因子分析和智能聚类等数据挖掘算法对压汞毛管压力数据等进行深度分析,将研究区块的孔隙结构类型划分为5种类别。然后,将常规测井资料作为输入层,实现了单层卷积神经网络和双层卷积神经网络预测储层微观孔隙结构的方法,并将训练模型应用于测试井。研究结果表明,卷积神经网络可以用于预测储层微观孔隙结构,双层卷积神经网络优于单层神经网络模型。而且通过卷积运算可以提取更深层次、更抽象的储层特征。将预测结果和测井解释反映的孔渗特性进行对比,两者一致性较高。双层卷积神经网络模型在测试集上能达到80%以上的预测精度。研究方法为利用岩心分析数据和测井资料进行储层孔隙结构评价提供了一种新思路,对于复杂油气勘探开发具有重要指导意义。