基于样本优化的神经网络方法在储层裂缝识别中的应用

摘要：

常规测井资料解释应用于非常规储层裂缝识别时,存在裂缝识别率低,储层评价不准确等问题;而成像测井方法(FMI)识别效果好,但成本过高.为了提高常规测井裂缝识别的准确率,首先采用BP(back propagation)神经网络方法,建立常规测井参数与裂缝发育程度之间的非线性关系.在神经网络样本选取上,引入K-means聚类算法,依据不同样本特征对其进行优化分类.最后,利用聚类结果分别建立更为精细的神经网络模型,并用于实际裂缝预测.将该方法应用于塔河油田碳酸盐岩储层A探井,识别结果表明:基于样本优化方法的裂缝密度曲线拟合效果(相关系数R分别为0.84、0.89、0.76)明显优于未考虑样本优化方法(R为0.58),验证了本文方法的优越性,可以将其作为一种识别储层裂缝发育程度的新方法.

关键词：裂缝识别、BP神经网络算法、样本优化、K-means算法

所属期刊栏目：20

分类号：TE344(油气田开发与开采)

资助基金：国家科技重大专项2017ZX05009-001

在线出版日期：2020-09-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：8530-8536