CN112253087A - 一种基于多源测井资料的生物扰动储集层物性计算方法 - Google Patents
一种基于多源测井资料的生物扰动储集层物性计算方法 Download PDFInfo
- Publication number
- CN112253087A CN112253087A CN202011122210.XA CN202011122210A CN112253087A CN 112253087 A CN112253087 A CN 112253087A CN 202011122210 A CN202011122210 A CN 202011122210A CN 112253087 A CN112253087 A CN 112253087A
- Authority
- CN
- China
- Prior art keywords
- neural network
- porosity
- training
- model
- permeability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 96
- 230000000704 physical effect Effects 0.000 title claims abstract description 11
- 230000006870 function Effects 0.000 claims abstract description 117
- 238000013528 artificial neural network Methods 0.000 claims abstract description 108
- 238000012549 training Methods 0.000 claims abstract description 96
- 230000035699 permeability Effects 0.000 claims abstract description 79
- 230000004913 activation Effects 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000011161 development Methods 0.000 claims abstract description 3
- 238000005553 drilling Methods 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 description 27
- 238000011160 research Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 239000011148 porous material Substances 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/12—Means for transmitting measuring-signals or control signals from the well to the surface, or from the surface to the well, e.g. for logging while drilling
- E21B47/14—Means for transmitting measuring-signals or control signals from the well to the surface, or from the surface to the well, e.g. for logging while drilling using acoustic waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- Geochemistry & Mineralogy (AREA)
- General Physics & Mathematics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Geophysics (AREA)
- Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Computer Hardware Design (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于多源测井资料的生物扰动储集层物性计算方法，首先选取选取钻井取心段生物扰动发育的常规测井曲线值、相同深度下的岩心柱塞孔隙度值或渗透率值作为学习样本集，将常规测井曲线作为输入层，岩心柱塞孔隙度或渗透率作为输出层，通过训练选取出神经网络孔隙度计算模型和神经网络孔隙度计算模型的最终学习样本，再确定所述两个模型的网络结构，再通过训练选取训练函数和激活函数，最后依据所选取的网络结构、学习样本及训练函数，对研究生物扰动储集层的孔隙度和渗透率神经网络计算模型的有效性进行检验。本发明可以准确可靠的计算生物扰动储集层的孔隙度和渗透率。
Description
技术领域
本发明涉及储集层物性计算技术领域，特别是涉及一种基于多源测井资料的生物扰动储集层物性计算方法。
背景技术
储集层是具有连通孔隙、允许油气在其中储存和渗滤的岩层。储集层的储集能力是由储集层的岩石物理性质决定的，通常包括其孔隙性、渗透性；孔隙性决定了储层储存能力的大小，渗透性决定了储集物的渗流能力。目前常用的利用测井数据计算孔隙度的方法有密度测井法、声波测井法和中子测井法。密度测井和声波测井孔隙度由相应的测井值根据已建立的计算模型校正杂基、油气、胶结物等影响获得；中子测井在孔隙充满水或油的纯地层中可以反映孔隙的大小，它所求得的视孔隙度必须校正岩性等环境因素影响。因此，利用这些测井数据计算地层孔隙度受多种因素的控制，各自具有一定的适用范围。然而，在计算生物扰动储集层孔隙度过程中利用常规密度测井法、声波测井法和中子测井法计算所得的孔隙度与柱塞测试结果偏差较大，因此急需新的孔隙度计算模型解决生物扰动储集层孔隙度的计算问题。
从理论上来说，要想彻底解决生物扰动碳酸盐岩储集层孔隙度计算这个艰巨的任务还需要解决以下5个问题：(1)明确生物扰动储集层的非均质性分布规律(受沉积环境控制的生物扰动的和受成岩作用控制的后期改造的非均质性分布规律)；(2)识别生物扰动储集层的发育段；(3)优选与生物扰动储集层相关的测井参数，利用神经网络算法建立非线性的孔隙度计算模型；(4)优选样本参数进行模型的训练和改进；(5)结合生产实践去检验建立的孔隙度计算模型。
而渗透率作为表征流体在孔隙系统中流动难易程度的参数，对储层性质及生产力评价具有重要影响。岩石的渗透率不仅受岩石骨架(岩石颗粒粗细、孔隙的弯曲度、孔喉直径)的影响，还受孔隙充填物(孔隙内流体性质、黏土分布形式)的影响。由于影响生物扰动储集层渗透率的因素较多，目前还无法准确建立常规测井资料与渗透率之间的理论关系，且生物扰动岩心柱塞孔隙度与渗透率之间没有明显的线性关系，只能以岩心柱塞渗透率和各常规测井曲线参数作为分析变量，对其进行相关性分析；然后利用多源测井资料基于改进的BP神经网络建立渗透率计算模型。
发明内容
本发明的目的是提供一种基于多源测井资料的生物扰动储集层物性计算方法，以解决上述现有技术存在的问题，可以准确可靠的计算生物扰动油气储集层的孔隙度和渗透率。
为实现上述目的，本发明提供了如下方案：
本发明提供一种基于多源测井资料的生物扰动储集层物性计算方法,所述方法包括以下步骤：
步骤1，选取钻井取心段生物扰动发育的常规测井曲线值、岩心柱塞孔隙度值或渗透率值作为学习样本集，所述岩心柱塞孔隙度值或渗透率值为相同深度下的；
步骤2，选取常规测井曲线作为输入层，选取岩心柱塞孔隙度作为神经网络孔隙度计算模型的输出层，选取岩心柱塞渗透率作为神经网络渗透率计算模型的输出层；
步骤3，通过训练选取出神经网络孔隙度计算模型和神经网络孔隙度计算模型的最终学习样本，再确定所述两个模型的网络结构；
步骤4，通过训练选取两种模型的训练函数和激活函数；
步骤5，最后依据所选取的网络结构、学习样本及训练函数，对研究生物扰动储集层的孔隙度和渗透率神经网络计算模型的有效性进行检验。
进一步地，所述神经网络孔隙度计算模型和神经网络孔隙度计算模型的学习样本选取过程为：选取多个具有代表性的样本点，设计六种包含不同常规测井曲线参数的BP神经网络孔隙度计算的模型，选取常规测井曲线参数为输入层，岩心柱塞孔隙度测试结果为输出层，将样本点对应每个模型的测井数据带入模型进行训练，以取尽可能少的隐含层节点数为原则，调整模型中隐含层的节点数以得到每个模型最终的隐含层节点数，再以均方差最小为原则、隐含层的节点数和迭代次数为参考，选择出最终学习样本。
进一步地，所述的神经网络孔隙度计算模型最终学习样本为：自然伽马SP、浅侧向电阻率RS、深侧向电阻率RD、声波时差AC、补偿中子CNL、补偿密度DEN，共6个节点；输出层为岩心柱塞孔隙度，共1个节点。
进一步地，所述的神经网络渗透率计算模型的最终学习样本为：输入层为自然伽马SP、自然伽马GR、井径CAL、浅侧向电阻率RS、深侧向电阻率RD、补偿中子CNL，共6个节点；输出层为岩心柱塞渗透率，共1个节点。
进一步地，所述的神经网络孔隙度计算模型和神经网络渗透率计算模型的训练函数都为rprop函数。
进一步地，所述的神经网络孔隙度计算模型和神经网络渗透率计算模型选取训练函数的过程为：固定了网络机构及学习样本之后，对5种训练函数分别进行模型训练，以均方差最小为原则、训练误差和迭代次数为参考，rprop训练函数的均方差以及训练误差、迭代次数均为最小，所以选择rprop为训练函数。
进一步地，所述的5种函数为：incremental、batch、rprop、quickprop、sarprop。
进一步地，所述神经网络孔隙度计算模型和神经网络孔隙度计算模型的激活函数的选取过程为：固定了网络机构及学习样本之后，对隐含层和输出层分别设置不同的激活函数对模型进行训练，隐含层为sigmoid stepwise、输出层为linear piece的激活函数组合，均方差和训练误差最小，迭代次数也相对较小。
进一步地，所述常规测井曲线包括：自然电位测井SP、自然伽马测井GR、双侧向电阻率测井的深侧向RD、双侧向电阻率测井的浅侧向RS、井径测井CAL、声波测井AC、补偿中子测井CNL、补偿密度测井DEN。
进一步地，所述激活函数包含：选取cos作为神经网络孔隙度计算模型隐含层的激活函数，gaussian作为输出层的激活函数；选取sigmoid stepwise作为神经网络渗透率计算模型隐含层的激活函数，linear piece作为输出层的激活函数。
本发明公开了以下技术效果：
本发明可以准确可靠的计算生物扰动储集层的孔隙度和渗透率，通过选取T208井5625-5631m的生物扰动储集段，对于四个学习样本，测出的BP神经网络计算的孔隙度值与岩心柱塞孔隙值极为接近，方差极小，误差均在10-7以下，且两者的孔隙度曲线总体上变化趋势相，证明了神经网络模型测量孔隙度的可靠性；在相同情况下对BP神经网络计算的渗透率值进行测量，测量结果与岩心柱塞渗透率较为接近，二者方差极小，误差在10-5以下，由此可见，BP神经网络计算的渗透率的误差也符合精度要求，可以用于生物扰动储集层渗透率的计算和预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为岩心柱塞孔隙度与常规测井参数关系图；
图2为BP神经网络孔隙度计算模型的网络结构图；
图3为BP神经网络渗透率计算模型的网络结构图；
图4为T208井5625-5631m不同孔隙度计算模型结果对比图；
图5为岩心柱塞渗透率与常规测井参数关系图；
图6为T208井5625-5631m BP神经网络计算的渗透率与岩心柱塞渗透率对比图。
具体实施方式
现详细说明本发明的多种示例性实施方式，该详细说明不应认为是对本发明的限制，而应理解为是对本发明的某些方面、特性和实施方案的更详细的描述。
应理解本发明中所述的术语仅仅是为描述特别的实施方式，并非用于限制本发明。另外，对于本发明中的数值范围，应理解为还具体公开了该范围的上限和下限之间的每个中间值。在任何陈述值或陈述范围内的中间值以及任何其他陈述值或在所述范围内的中间值之间的每个较小的范围也包括在本发明内。这些较小范围的上限和下限可独立地包括或排除在范围内。
除非另有说明，否则本文使用的所有技术和科学术语具有本发明所述领域的常规技术人员通常理解的相同含义。虽然本发明仅描述了优选的方法和材料，但是在本发明的实施或测试中也可以使用与本文所述相似或等同的任何方法和材料。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法和/或材料。在与任何并入的文献冲突时，以本说明书的内容为准。
在不背离本发明的范围或精神的情况下，可对本发明说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本发明的说明书得到的其他实施方式对技术人员而言是显而易见得的。本申请说明书和实施例仅是示例性的。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
本发明中所述的“份”如无特别说明，均按质量份计。
实施例1：
1.1在生物扰动型储集层的BP神经网络孔隙度计算模型中：
(1)学习样本的选择：
由图1的相关性分析结果可知，自然电位SP、井径CAL、补偿密度DEN、补偿中子CNL与柱塞孔隙度的相关系数均小于0.3，为微弱相关；自然伽马GR与柱塞孔隙度的相关系数小于0.5，为低度相关；浅侧向电阻率RS、深侧向电阻率RD、声波时差AC与柱塞孔隙度的相关系数均大于0.5，为显著性相关。为保证学习样本间的相容性、选择与孔隙度最为敏感的测井曲线，本文选取了T208井和S77井具有代表性的4个样本点，组成了4×9的样本集，样本数据见表1(BP神经网络孔隙度计算学习样本集)。在此基础上，共设计了以下6种包含不同常规测井曲线参数的BP神经网络孔隙度计算的模型：
模型1：SP、GR、CAL、RS、RD、AC、CNL、DEN
模型2：GR、RS、RD、AC、CNL、DEN
模型3：SP、GR、CAL、RS、RD、AC、CNL
模型4：SP、GR、CAL、RS、RD、AC、DEN
模型5：GR、RS、RD、AC、CNL
模型6：GR、RS、RD、AC、DEN
表1
在确定每个模型包含的常规测井曲线参数后，分别将表1(BP神经网络孔隙度计算学习样本集)中对应的每个模型的测井数据导入迈实神经网络软件中，把常规测井曲线参数设为输入列、岩心柱塞孔隙度测试结果设为输出列，然后对每个模型进行训练。在模型的训练过程中，遵循着在满足神经网络模型精度要求的前提下尽可能取紧凑的网络结构，即以取尽可能少的隐含层节点数为原则，适当的调节模型中隐含层的节点数，进而得到了每个模型最为合适的隐含层的节点数、均方差及最大迭代次数(表2)。以均方差最小为原则、隐含层的节点数和迭代次数为参考。由表2(不同学习样本神经网络孔隙度计算模型误差的比较)可知，隐含层节点数均为7时，模型3的均方差和迭代次数小；隐含层节点数均为4时，模型2的均方差和迭代次数小；隐含层节点数均为2时，模型5的均方差和迭代次数小。隐含层的节点数不同时，模型2与模型5、模型3相比，它的均方差最小，迭代次数和隐含层节点数均为中等，网络结构较为合理不会过分复杂。综合考虑模型2的训练效果最好，即BP神经网络孔隙度计算模型的最终学习样本见表3，输入层为自然伽马SP、浅侧向电阻率RS、深侧向电阻率RD、声波时差AC、补偿中子CNL、补偿密度DEN，共6个节点；输出层为岩心柱塞孔隙度，共1个节点。
表2
表3
(2)BP神经网络孔隙度计算模型的建立：
利用测井曲线建立BP神经网络孔隙度计算模型时，需要确定BP神经网络结构及网络参数，然而大多数研究多采用直接赋值法并没有对其拓扑结构做深入的分析研究，导致获得的BP神经网络孔隙度模型稳定性差并极大地降低了模型的准确性和真实性。BP神经网络的主体结构的确定实际上就是确定隐含层的层数和隐含层的节点个数，此外除了BP神经网络的主体结构外，不同网络参数(训练函数、激活函数)的选取也会影响神经网络模型的精度和收敛速度。因此，本文在固定了BP神经网络孔隙度计算模型的网络结构及学习样本值之后，利用迈实神经网络软件提供的常用函数，分析了不同训练函数和激活函数的设置对BP神经网络孔隙度计算模型性能的影响。
①网络结构的确定：
同前文基于BP神经网络的生物扰动识别模型提高精度、降低网络误差选择一样，本文选择通过增加隐含层的节点数来降低网络误差，即在研究区选择3层BP神经网络(只有1个隐含层)进行模型的训练。由表2(不同学习样本神经网络孔隙度计算模型误差的比较)可知，BP神经网络孔隙度计算模型隐含层节点数为4。确定了神经网络模型的学习样本和隐含层的节点数之后，使用迈实神经网络软件对模型开始训练，获得了图2的网络结构图。其中，图2由左至右依次为输入层、隐含层和输出层，椭圆代表各个层的节点，数字0-12为线号，方框代表隐含层和输出层的激活函数。
②训练函数的选择：
同前文基于BP神经网络的生物扰动识别模型训练函数选择一样，本次在固定了BP神经网络的主体结构(图2)及学习样本(表3)之后，对以上5种训练函数分别进行模型训练，训练结果见表4。以均方差最小为原则、训练误差和迭代次数为参考，由表4(不同训练函数对BP神经网络孔隙度计算模型的影响)可知，与其它几个训练函数相比，rprop训练函数的均方差最小，训练误差和迭代次数也最小。在同样能够满足模型训练精度的情况下，综合考虑选取rprop函数作为BP神经网络孔隙度计算模型的训练函数。
表4
③激活函数的选择：
同前文基于BP神经网络的生物扰动识别模型激活函数选择一样，本文基于神经网络的孔隙度计算模型在固定了BP神经网络的主体结构(图2)及学习样本(表3)之后，对隐含层和输出层分别设置不同的激活函数对模型进行训练，由于隐含层和输出层的激活函数种类相同，理论上共有324(18×18)种设置方案。但在对神经网络模型的训练过程中发现，把threshold、threshold symmetric和gaussian stepwise分别作为隐含层的激活函数、除此3种函数之外的任一函数作为输出层的激活函数时，神经网络模型的均方差均为0.053、迭代次数均为500000、训练误差均为0.012；当固定以上任意一种函数为隐含层的输入函数、linear和linear piece分别作为输出层的激活函数时，两个模型训练所得的均方差、训练误差及迭代次数一样；当隐含层的激活函数为以上任意一种、threshold和thresholdsymmetric分别作为输出层的激活函数时，神经网络模型的均方差均为0.265、迭代次数均为500000、训练误差分别为0.059和0.015；当隐含层的激活函数为以上任意一种、gaussianstepwise作为输出层的激活函数时，神经网络模型的均方差均为2.775、迭代次数均为500000、训练误差均为0.623。
综上所述，不宜使用threshold、threshold symmetric和gaussian stepwise作为隐含层和输出层的激活函数；使用linear和linear piece作为输出层的激活函数时，模型训练结果一样，所以只保留两者中的一个作为输出层的激活函数，由于linear较linearpiece在迈实神经网络软件中排列靠前，为方便神经网络模型的训练，本文选择保留linear函数。此时，对于不同的隐含层和输出层的激活函数组合共有210(15×14)种设计方案，本文同样也只列出了部分训练效果较好的激活函数组合的训练结果(表5)。由表5(不同激活函数对BP神经网络孔隙度计算模型的影响)可知，对于隐含层为cos、输出层为gaussian的激活函数组合，神经网络模型的均方差为1.114×10-7，迭代次数为383、训练误差为0.982×10-7，与其它激活函数组合的训练结果相比，它的均方差最小，训练误差和迭代次数也相对较小。综合考虑本文选取cos作为BP神经网络孔隙度计算模型隐含层的激活函数，gaussian作为输出层的激活函数。
表5
(3)BP神经网络孔隙度计算结果分析：
选用上述学习样本、网络结构、训练函数及隐含层和输出层的激活函数对神经网络模型进行训练，神经网络孔隙度的计算结果见表6。由表6(BP神经网络孔隙度的计算结果的比较)可知，对于4个学习样本，BP神经网络计算的孔隙度值分别为1.80066、1.60001、1.3006和1.89992，与岩心柱塞孔隙度极为接近；均方差为1.114×10-7，且两者的方差极小，误差均在10-7以下。由此可见，本文所建立的BP神经网络孔隙度模型的误差符合精度要求，可以用于研究区奥陶系生物扰动储集层孔隙度的计算和预测。
表6
为了验证上述BP神经网络孔隙度计算模型的有效性，选取同一口取心井生物扰动储集层段的柱塞孔隙度和密度测井孔隙度计算模型、声波测井孔隙度计算模型、样本检验模型孔隙度计算模型与BP神经网络孔隙度计算模型的计算结果进行对比。本文选取的是T208井5625-5631m的生物扰动储集段，结果如图4所示。其中，第1道为地层道，包括统和组；第2道为地层道指示井深；第3道为孔隙度曲线道，包括声波、中子和密度测井曲线；第4道至第7道分别为不同模型计算得到的孔隙度曲线。为了方便模型间的对比，均选取了各个模型效果最好的一条曲线。第4道为密度测井模型计算的孔隙度；第5道为声波测井模型计算的孔隙度；第6道为样本检测模型计算得到的孔隙度；第7道为BP神经网络预测的孔隙度。由图4可以看出，声波测井孔隙度整体偏大，密度测井孔隙度曲线较之靠近柱塞孔隙度，预测效果好一些；样本检测模型孔隙度与神经网络孔隙度均极为接近柱塞孔隙度，且两者的孔隙度曲线总体上变化趋势相同；但以样本检测模型孔隙度作为岩心柱塞孔隙度时，BP神经网络孔隙度与其极为接近，表明BP神经网络模型预测孔隙度效果很好。从而证实了神经网络模型在计算研究区储集层孔隙度时的可靠性，可以将此模型用于研究区其它井奥陶系生物扰动储集层段的孔隙度的计算和预测。
1.2在生物扰动型储层的BP神经网络渗透率计算模型中：
(1)样本的选择：
由图5的相关性分析结果可知，补偿密度DEN与柱塞渗透率的相关系数小于0.3，为微弱相关；井径CAL和声波时差AC与柱塞渗透率的相关系数均小于0.5，为低度相关；自然电位SP、自然伽马GR、浅侧向电阻率RS、深侧向电阻率RD、补偿中子CNL与柱塞渗透率的相关系数均大于0.5，为显著性相关。为保证输入层学习样本间的相容性、选择与渗透率最为敏感的测井曲线作为本文所建立渗透率计算模型的输入参数，本文选取了T208井和S77井具有代表性的4个样本点，组成了4×9的样本集，样本数据见表7(BP神经网络渗透率计算学习样本集)。在此基础上，共设计了以下6种包含不同常规测井曲线参数的BP神经网络渗透率计算的模型：
模型1：SP、GR、CAL、RS、RD、AC、CNL、DEN
模型2：SP、GR、RS、RD、AC、CNL、DEN
模型3：SP、GR、CAL、RS、RD、AC、CNL
模型4：SP、GR、CAL、RS、RD、CNL、DEN
模型5：SP、GR、RS、RD、AC、CNL
模型6：SP、GR、RS、RD、CNL
表7
在确定每个模型包含的常规测井曲线参数后，分别将表7中对应的每个模型的测井数据导入迈实神经网络软件中，把常规测井曲线参数设为输入列、岩心柱塞渗透率设为输出列，对每个模型进行训练。在模型的训练过程中，遵循在满足神经网络模型精度要求的前提下取尽可能紧凑的结构，即以取尽可能少的隐含层节点数为原则，适当调节模型中隐含层的节点数，进而得到每个模型最为合适的隐含层的节点数、均方差及最大迭代次数(表8)。以均方差最小为原则、隐含层的节点数和迭代次数为参考。由表8(不同学习样本神经网络渗透率计算模型误差的比较)可知，隐含层节点数均为6时，模型3的均方差小；隐含层节点数均为5时，模型1的均方差小；隐含层节点数均为1时，模型4的均方差和迭代次数均小。隐含层节点数不同时，模型4与模型1、模型3相比，它的均方差和隐含层节点数最小，虽然其迭代次数最大，但在满足模型精度的要求下其网络结构最简单；此外，随着隐含层节点数的增加，虽然迭代次数不断减小，但神经网络模型的均方差不断增大，网络结构越来越复杂。综合考虑模型4的训练效果最好，即BP神经网络渗透率计算模型的最终学习样本见表9，输入层为自然伽马SP、自然伽马GR、井径CAL、浅侧向电阻率RS、深侧向电阻率RD、补偿中子CNL，共6个节点；输出层为岩心柱塞渗透率，共1个节点。
表8
表9
(2)BP神经网络渗透率计算模型的建立：
①网络结构的确定：
同前文基于BP神经网络的生物扰动识别模型提高精度、降低网络误差选择一样，本文选择通过增加隐含层的节点数来提高网络精度、降低网络误差，即在研究区选择3层BP神经网络(只有1个隐含层)进行模型的训练。由表8可知，BP神经网络渗透率计算模型的隐含层节点数为1。确定了神经网络模型的学习样本和隐含层的节点数之后，导入数据使用迈实神经网络软件对模型开始进行训练，获得了图3的网络结构图。其中，图2由左至右依次为输入层、隐含层和输出层，椭圆代表各个层的节点，数字0-9为线号，方框代表隐含层和输出层的激活函数。
②训练函数的选择：
同前文基于BP神经网络的生物扰动识别模型训练函数选择一样，本次在固定了BP神经网络的主体结构(图3)及学习样本(表9)之后，对以上5种训练函数分别进行模型训练，训练结果见表10(不同训练函数对BP神经网络渗透率计算模型的影响)。以均方差最小为原则、训练误差和迭代次数为参考，由表10可知，rprop作为训练函数模型的均方差为6.868×10-5、迭代次数为2552、训练误差为0.907×10-5。与其它几个训练函数相比，rprop训练函数的均方差以及训练误差、迭代次数均为最小，在满足模型训练精度的情况下，综合考虑选取rprop函数作为BP神经网络渗透率计算模型的训练函数。
表10
③激活函数的选择：
同前文基于BP神经网络的生物扰动识别模型激活函数选择一样，在对神经网络模型的训练过程中发现，把threshold、threshold symmetric和gaussian stepwise分别作为隐含层的激活函数、除此3种函数之外的任一函数作为输出层的激活函数时，神经网络模型的均方差均为18.588、迭代次数均为500000、训练误差均为0.088；当隐含层的激活函数为以上任意一种、threshold和threshold symmetric分别作为输出层的激活函数时，神经网络模型的均方差均为93.898、迭代次数均为500000、训练误差分别为0.443和0.111；当隐含层的激活函数为以上任意一种、gaussian stepwise作为输出层的激活函数时，神经网络模型的均方差均为53.133、迭代次数均为500000、训练误差均为0.251。
综上所述，使用threshold、threshold symmetric和gaussian stepwise作为隐含层或输入层的激活函数时，神经网络模型均达到最大迭代次数、均方差和训练误差比较大，模型的训练效果不好，所以在统计不同的激活函数对研究区神经网络模型的影响时，不再将它们作为隐含层和输出层的激活函数。此时，对于不同的隐含层和输出层的激活函数组合共有225(15×15)种设计方案，本文同样也只列出了部分训练效果较好的激活函数组合的训练结果(表11)。由表11可知，对于隐含层为sigmoid stepwise、输出层为linear piece的激活函数组合，神经网络模型的均方差为0.615×10-5，迭代次数为6483、训练误差为0.694×10-7，与其它激活函数组合的训练结果相比，它的均方差和训练误差最小，迭代次数也相对较小。综合考虑本文选取sigmoid stepwise作为BP神经网络渗透率计算模型隐含层的激活函数，linear piece作为输出层的激活函数。
表11
(3)BP神经网络渗透率计算结果分析：
选用上述学习样本、网络结构、训练函数及隐含层和输出层的激活函数对神经网络模型进行训练，结果见表12(BP神经网络渗透率计算结果的比较)。由表6可知，对于4个学习样本，BP神经网络计算的渗透率值分别为2.23789、2.96265、13.10150和5.20670，与岩心柱塞渗透率较为接近；均方差为6.154×10-6，且每个样本的方差极小，误差均在10-5以下。由此可见，BP神经网络渗透率模型的误差也符合精度要求，可以用于研究区奥陶系生物扰动储集层渗透率的计算和预测。
表12
为了验证上述BP神经网络渗透率计算模型的有效性，将神经网络计算的渗透率与岩心柱塞渗透率进行对比，即对同一口取心井生物扰动储集层段的渗透率进行计算。本文选取的是T208井5625-5631m的生物扰动储集层段，结果如图6所示。其中，第1道为地层道，包括统和组；第2道为地层道指示井深；第3道为电阻率曲线道，包括深侧向和浅侧向测井曲线；第4道为孔隙度曲线道，包括声波、中子和密度测井曲线；第5道为神经网络模型计算的渗透率曲线。由图6可以看出，在上段5625-5628m，岩心柱塞渗透率相差较大，神经网络计算的渗透率与岩心柱塞渗透率存在一定的误差，神经网络模型可以为此种情况下的渗透率值提供1个参考；在下段5628-5631m，岩心柱塞渗透率相差较小，神经网络模型计算的渗透率极为接近岩心柱塞渗透率，表明其渗透率计算结果总体较好。因此，可使用本文所建立的BP神经网络渗透率模型去计算和预测研究区奥陶系生物扰动储集层段的渗透率。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种基于多源测井资料的生物扰动储集层物性计算方法，其特征在于，包括以下步骤：
步骤1，选取钻井取心段生物扰动发育的常规测井曲线值、岩心柱塞孔隙度值或渗透率值作为学习样本集，所述岩心柱塞孔隙度值或渗透率值为相同深度下的；
步骤2，选取常规测井曲线作为输入层，选取岩心柱塞孔隙度作为神经网络孔隙度计算模型的输出层，选取岩心柱塞渗透率作为神经网络渗透率计算模型的输出层；
步骤3，通过训练选取出神经网络孔隙度计算模型和神经网络孔隙度计算模型的最终学习样本，再确定所述两个模型的网络结构；
步骤4，通过训练选取两种模型的训练函数和激活函数；
步骤5，最后依据所选取的网络结构、学习样本及训练函数，对研究生物扰动储集层的孔隙度和渗透率神经网络计算模型的有效性进行检验。
2.根据权利要求1所述的一种基于多源测井资料的生物扰动储集层物性计算方法，其特征在于，所述神经网络孔隙度计算模型和神经网络孔隙度计算模型的学习样本选取过程为：选取多个具有代表性的样本点，设计六种包含不同常规测井曲线参数的BP神经网络孔隙度计算的模型，选取常规测井曲线参数为输入层，岩心柱塞孔隙度测试结果为输出层，将样本点对应每个模型的测井数据带入模型进行训练，以取尽可能少的隐含层节点数为原则，调整模型中隐含层的节点数以得到每个模型最终的隐含层节点数，再以均方差最小为原则、隐含层的节点数和迭代次数为参考，选择出最终学习样本。
3.根据权利要求2所述的一种基于多源测井资料的生物扰动储集层物性计算方法，其特征在于，所述的神经网络孔隙度计算模型最终学习样本为：自然伽马SP、浅侧向电阻率RS、深侧向电阻率RD、声波时差AC、补偿中子CNL、补偿密度DEN，共6个节点；输出层为岩心柱塞孔隙度，共1个节点。
4.根据权利要求2所述的一种基于多源测井资料的生物扰动储集层物性计算方法，其特征在于，所述的神经网络渗透率计算模型的最终学习样本为：输入层为自然伽马SP、自然伽马GR、井径CAL、浅侧向电阻率RS、深侧向电阻率RD、补偿中子CNL，共6个节点；输出层为岩心柱塞渗透率，共1个节点。
5.根据权利要求1所述的一种基于多源测井资料的生物扰动储集层物性计算方法，其特征在于，所述的神经网络孔隙度计算模型和神经网络渗透率计算模型的训练函数都为rprop函数。
6.根据权利要求1所述的一种基于多源测井资料的生物扰动储集层物性计算方法，其特征在于，所述的神经网络孔隙度计算模型和神经网络渗透率计算模型选取训练函数的过程为：固定了网络机构及学习样本之后，对5种训练函数分别进行模型训练，以均方差最小为原则、训练误差和迭代次数为参考，rprop训练函数的均方差以及训练误差、迭代次数均为最小，所以选择rprop为训练函数。
7.根据权利要求6所述的一种基于多源测井资料的生物扰动储集层物性计算方法，其特征在于，所述的5种函数为：incremental、batch、rprop、quickprop、sarprop。
8.根据权利要求1所述的一种基于多源测井资料的生物扰动储集层物性计算方法，其特征在于，所述神经网络孔隙度计算模型和神经网络孔隙度计算模型的激活函数的选取过程为：固定了网络机构及学习样本之后，对隐含层和输出层分别设置不同的激活函数对模型进行训练，隐含层为sigmoid stepwise、输出层为linear piece的激活函数组合。
9.根据权利要求1所述的一种基于多源测井资料的生物扰动储集层物性计算方法，其特征在于，所述常规测井曲线包括：自然电位测井SP、自然伽马测井GR、双侧向电阻率测井的深侧向RD、双侧向电阻率测井的浅侧向RS、井径测井CAL、声波测井AC、补偿中子测井CNL、补偿密度测井DEN。
10.根据权利要求1所述的一种基于多源测井资料的生物扰动储集层物性计算方法，其特征在于，所述激活函数包含：选取cos作为神经网络孔隙度计算模型隐含层的激活函数，gaussian作为输出层的激活函数；选取sigmoid stepwise作为神经网络渗透率计算模型隐含层的激活函数，linear piece作为输出层的激活函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011122210.XA CN112253087A (zh) | 2020-10-20 | 2020-10-20 | 一种基于多源测井资料的生物扰动储集层物性计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011122210.XA CN112253087A (zh) | 2020-10-20 | 2020-10-20 | 一种基于多源测井资料的生物扰动储集层物性计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112253087A true CN112253087A (zh) | 2021-01-22 |
Family
ID=74245646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011122210.XA Pending CN112253087A (zh) | 2020-10-20 | 2020-10-20 | 一种基于多源测井资料的生物扰动储集层物性计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112253087A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114201824A (zh) * | 2021-07-22 | 2022-03-18 | 西南石油大学 | 一种融合分析多源数据的钻头优选方法 |
| CN115680612A (zh) * | 2022-11-01 | 2023-02-03 | 中国矿业大学(北京) | 一种监测煤层覆岩裂隙演化的钻孔电阻率全空间成像方法 |
| CN117251802A (zh) * | 2023-11-14 | 2023-12-19 | 西南石油大学 | 一种基于迁移学习的非均质储层参数预测方法及系统 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5828981A (en) * | 1995-05-11 | 1998-10-27 | Texaco Inc. | Generating pore types and synthetic capillary pressure curves from wireline logs using neural networks |
| US20090182693A1 (en) * | 2008-01-14 | 2009-07-16 | Halliburton Energy Services, Inc. | Determining stimulation design parameters using artificial neural networks optimized with a genetic algorithm |
| CN102621594A (zh) * | 2012-03-31 | 2012-08-01 | 中国海洋石油总公司 | 一种层理构造识别方法及系统 |
| CN102707313A (zh) * | 2012-04-19 | 2012-10-03 | 电子科技大学 | 一种基于脉冲耦合神经网络的拟声波曲线构建方法 |
| CN106314428A (zh) * | 2016-09-14 | 2017-01-11 | 中国科学院微电子研究所 | 一种避撞系统、避撞方法及机动车辆 |
| CN107480815A (zh) * | 2017-08-03 | 2017-12-15 | 国网河北省电力公司保定供电分公司 | 一种电力系统台区负荷预测方法 |
| CN108596780A (zh) * | 2018-04-28 | 2018-09-28 | 中国石油大学(华东) | 一种基于多元信息的储层类型划分方法及系统 |
| CN108843312A (zh) * | 2018-06-04 | 2018-11-20 | 西南石油大学 | 油田储层层内非均质性综合评价方法 |
| CN109769922A (zh) * | 2019-03-01 | 2019-05-21 | 江南大学 | 一种基于低场核磁的高淀粉水果干燥终点智能调控的装置及方法 |
| CN110619353A (zh) * | 2019-08-22 | 2019-12-27 | 中国石油天然气集团有限公司 | 一种基于深度学习的多尺度测井曲线自动识别方法 |
| CN110717249A (zh) * | 2019-09-16 | 2020-01-21 | 中国石油大学(北京) | 页岩气储层测井孔隙度快速预测方法及系统 |
| CN110852527A (zh) * | 2019-11-20 | 2020-02-28 | 成都理工大学 | 一种结合深度学习的储层物性参数预测方法 |
| CN110895704A (zh) * | 2018-09-12 | 2020-03-20 | 中国石油天然气股份有限公司 | 微生物丘滩复合体储集层类型识别方法、装置及存储介质 |
| CN111027882A (zh) * | 2019-12-18 | 2020-04-17 | 延安大学 | 一种基于高阶神经网络利用常规测井资料评价脆性指数的方法 |
| US20200202056A1 (en) * | 2018-12-22 | 2020-06-25 | Schlumberger Technology Corporation | Dynamic Reservoir Characterization |
| CN111401669A (zh) * | 2020-06-05 | 2020-07-10 | 西南石油大学 | 一种基于小波神经网络的页岩油压后返排率预测方法 |
| CN111461386A (zh) * | 2019-12-27 | 2020-07-28 | 中国地质调查局成都地质调查中心 | 基于bp神经网络的页岩气甜点预测方法 |
| CN111665560A (zh) * | 2020-04-23 | 2020-09-15 | 中国石油天然气股份有限公司 | 油气层识别方法、装置、计算机设备及可读存储介质 |
| CN111723949A (zh) * | 2020-06-24 | 2020-09-29 | 中国石油大学(华东) | 基于选择性集成学习的孔隙度预测方法 |
| CN111766635A (zh) * | 2019-04-02 | 2020-10-13 | 中国石油天然气股份有限公司 | 砂体连通程度分析方法和系统 |
| CN111783825A (zh) * | 2020-05-26 | 2020-10-16 | 中国石油天然气集团有限公司 | 一种基于卷积神经网络学习的测井岩性识别方法 |
-
2020
- 2020-10-20 CN CN202011122210.XA patent/CN112253087A/zh active Pending
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5828981A (en) * | 1995-05-11 | 1998-10-27 | Texaco Inc. | Generating pore types and synthetic capillary pressure curves from wireline logs using neural networks |
| US20090182693A1 (en) * | 2008-01-14 | 2009-07-16 | Halliburton Energy Services, Inc. | Determining stimulation design parameters using artificial neural networks optimized with a genetic algorithm |
| CN102621594A (zh) * | 2012-03-31 | 2012-08-01 | 中国海洋石油总公司 | 一种层理构造识别方法及系统 |
| CN102707313A (zh) * | 2012-04-19 | 2012-10-03 | 电子科技大学 | 一种基于脉冲耦合神经网络的拟声波曲线构建方法 |
| CN106314428A (zh) * | 2016-09-14 | 2017-01-11 | 中国科学院微电子研究所 | 一种避撞系统、避撞方法及机动车辆 |
| CN107480815A (zh) * | 2017-08-03 | 2017-12-15 | 国网河北省电力公司保定供电分公司 | 一种电力系统台区负荷预测方法 |
| CN108596780A (zh) * | 2018-04-28 | 2018-09-28 | 中国石油大学(华东) | 一种基于多元信息的储层类型划分方法及系统 |
| CN108843312A (zh) * | 2018-06-04 | 2018-11-20 | 西南石油大学 | 油田储层层内非均质性综合评价方法 |
| CN110895704A (zh) * | 2018-09-12 | 2020-03-20 | 中国石油天然气股份有限公司 | 微生物丘滩复合体储集层类型识别方法、装置及存储介质 |
| US20200202056A1 (en) * | 2018-12-22 | 2020-06-25 | Schlumberger Technology Corporation | Dynamic Reservoir Characterization |
| CN109769922A (zh) * | 2019-03-01 | 2019-05-21 | 江南大学 | 一种基于低场核磁的高淀粉水果干燥终点智能调控的装置及方法 |
| CN111766635A (zh) * | 2019-04-02 | 2020-10-13 | 中国石油天然气股份有限公司 | 砂体连通程度分析方法和系统 |
| CN110619353A (zh) * | 2019-08-22 | 2019-12-27 | 中国石油天然气集团有限公司 | 一种基于深度学习的多尺度测井曲线自动识别方法 |
| CN110717249A (zh) * | 2019-09-16 | 2020-01-21 | 中国石油大学(北京) | 页岩气储层测井孔隙度快速预测方法及系统 |
| CN110852527A (zh) * | 2019-11-20 | 2020-02-28 | 成都理工大学 | 一种结合深度学习的储层物性参数预测方法 |
| CN111027882A (zh) * | 2019-12-18 | 2020-04-17 | 延安大学 | 一种基于高阶神经网络利用常规测井资料评价脆性指数的方法 |
| CN111461386A (zh) * | 2019-12-27 | 2020-07-28 | 中国地质调查局成都地质调查中心 | 基于bp神经网络的页岩气甜点预测方法 |
| CN111665560A (zh) * | 2020-04-23 | 2020-09-15 | 中国石油天然气股份有限公司 | 油气层识别方法、装置、计算机设备及可读存储介质 |
| CN111783825A (zh) * | 2020-05-26 | 2020-10-16 | 中国石油天然气集团有限公司 | 一种基于卷积神经网络学习的测井岩性识别方法 |
| CN111401669A (zh) * | 2020-06-05 | 2020-07-10 | 西南石油大学 | 一种基于小波神经网络的页岩油压后返排率预测方法 |
| CN111723949A (zh) * | 2020-06-24 | 2020-09-29 | 中国石油大学(华东) | 基于选择性集成学习的孔隙度预测方法 |
Non-Patent Citations (14)
| Title |
|---|
| FRASS, MANFRED: ""IMAGE PETROPHYSICS, A NEW APPROACH TO RESERVOIR CHARACTERIZATION"", 《SPWLA 51ST ANNUAL LOGGING SYMPOSIUM》 * |
| JAMES SORENSEN: ""The Use of Advanced Analytical Techniques to Characterize Micro and Nanoscale Pores and Fractures in the Bakken"", 《UNCONVENTIONAL RESOURCES TECHNOLOGY CONFERENCE》 * |
| 周雪晴: ""粗糙集-磷虾觅食神经网络在孔隙度预测中的应用"", 《中国科技论文》 * |
| 张冲: ""川东北元坝气田须家河组主力储层参数测井精细解释"", 《四川文理学院学报》 * |
| 王晓飞: ""神经网络交会图在低阻油层流体识别中的应用"", 《勘探开发》 * |
| 胡洪涛: ""TZ4油田402区块储层测井评价研究"", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
| 谭桂花: ""VBA在基于神经网络测井解释中的应用"", 《内蒙古石油化工》 * |
| 赵佳如，等: ""塔河油田奥陶系生物扰动型碳酸盐岩储集层特征及其孔隙度计算样本检验模型"", 《沉积学报》 * |
| 赵军龙: ""神经网络在石油测井解释中的应用综述"", 《地球物理学进展》 * |
| 郑宇哲: ""基于深度学习的储层物性参数预测方法研究"", 《ELECTRONICS WORLD・探索与观察》 * |
| 郭巧占: ""基于神经网络的LM算法预测储层声波孔隙度"", 《石油钻采工艺》 * |
| 陈科贵: ""复合渗透率测井评价方法在砂砾岩稠油油藏的应用——以克拉玛依油田某区八道湾组为例"", 《地球科学进展》 * |
| 陈蓉: ""基于MATLAB的BP神经网络在储层物性预测中的应用"", 《测井技术》 * |
| 龙一慧: ""BP神经网络在碳酸盐岩储层参数测井解释中的应用"", 《山东科技大学学报（自然科学版）》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114201824A (zh) * | 2021-07-22 | 2022-03-18 | 西南石油大学 | 一种融合分析多源数据的钻头优选方法 |
| CN114201824B (zh) * | 2021-07-22 | 2022-08-23 | 西南石油大学 | 一种融合分析多源数据的钻头优选方法 |
| CN115680612A (zh) * | 2022-11-01 | 2023-02-03 | 中国矿业大学(北京) | 一种监测煤层覆岩裂隙演化的钻孔电阻率全空间成像方法 |
| CN117251802A (zh) * | 2023-11-14 | 2023-12-19 | 西南石油大学 | 一种基于迁移学习的非均质储层参数预测方法及系统 |
| CN117251802B (zh) * | 2023-11-14 | 2024-02-20 | 西南石油大学 | 一种基于迁移学习的非均质储层参数预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447532B (zh) | 一种基于数据驱动的油藏井间连通性确定方法 | |
| CN112253087A (zh) | 一种基于多源测井资料的生物扰动储集层物性计算方法 | |
| US7363163B2 (en) | Method for updating a geological reservoir model by means of dynamic data | |
| CN104533400B (zh) | 一种重构测井曲线的方法 | |
| CN105426612A (zh) | 一种地层组分最优化确定方法及装置 | |
| CN105863628B (zh) | 一种油田开发阶段储层精细预测方法 | |
| CN107590550A (zh) | 有关超低渗透储层油田产能评价及预测的方法 | |
| CN112100930B (zh) | 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 | |
| CN111027882A (zh) | 一种基于高阶神经网络利用常规测井资料评价脆性指数的方法 | |
| CN112796738A (zh) | 一种阵列声波测井和常规测井结合的地层渗透率计算方法 | |
| CN105929452A (zh) | 基于地震数据预测地下裂缝空间展布的方法及装置 | |
| CN112698399A (zh) | 一种砂砾岩井测震联动约束高效储层定量预测方法与系统 | |
| CN110988997A (zh) | 一种基于机器学习的烃源岩三维空间展布定量预测技术 | |
| CN117251802B (zh) | 一种基于迁移学习的非均质储层参数预测方法及系统 | |
| CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
| CN111751878B (zh) | 横波速度的预测方法和装置 | |
| CN110688781B (zh) | 一种低渗非均质气藏储层测井解释方法 | |
| CN110443271A (zh) | 一种基于多阈值Birch聚类的相控孔隙度预测方法 | |
| CN112069444B (zh) | 一种利用测井资料计算储集层试井渗透率方法及计算机 | |
| CN116930023A (zh) | 致密砂岩相控分类孔隙度测井精细解释方法和装置 | |
| CN114565116A (zh) | 一种低渗储层物性参数的预测方法和装置 | |
| CN115062552B (zh) | 一种缝洞油藏氮气吞吐效果预测方法及系统 | |
| CN115857015B (zh) | 一种火山地层中定量预测沉凝灰岩分布的方法 | |
| CN113409460B (zh) | 一种碎屑岩储层夹层机器学习型三维定量表征方法 | |
| CN118148608A (zh) | 一种致密气藏储层流体判别方法、系统及其设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210122 |
|
| RJ01 | Rejection of invention patent application after publication |