基于深度学习岩性分类的研究与应用

摘要：

岩性预测,特别是致密储层的岩性预测,是石油勘探的一项重要基础任务,因为岩性数据对于地层对比、沉积模拟等地质工作的分析是必不可少的.因此,如何获取可靠的岩性信息逐渐成为地球科学研究的热点.面对大部分老油田由于仪器、井历史长等原因使得部分测井数据丢失,特别是岩性数据;新开发生产井,钻井取心需要投入巨大的成本、人力和物力;这些给油田的开发带来了巨大困难.为此,建立了一种基于深度学习神经网络预测岩性的新方法.对于油田的测井数据不需要经过人为预处理,直接作为神经网络的输入变量以得到对应储层的岩性数据.通过构建全连接神经网络,以鄂尔多斯盆地油田致密储层为研究对象,进行5种岩性的识别并与真实值对比.研究结果表明:该方法不需要建立解释模型和复杂的计算过程,有着较好的适应性和预测精度.通过对中国实际案例的分析,验证了该方法的有效性.其岩性识别精度(71％)满足商业应用要求(70％).因此,该方法可替代当前的传统方法.

关键词：测井曲线、深度学习、神经网络、岩性识别

所属期刊栏目：22

分类号：P588(岩石学)

资助基金：中国石油基础性前瞻性研究专项2021DJ2201

在线出版日期：2022-05-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：2609-2617