基于深度学习的储层物性参数预测方法研究

清华大学自动化系 郑宇哲 叶朝辉

中海油田服务股份有限公司 刘西恩 赵 龙

0 引言

石油测井技术发展至今日，整体趋势上勘探领域不断扩大，研究对象也越来越复杂。以基于地层均质假设的测井响应方程建模方法和统计分析建立回归方程为主的传统测井解释方法，面对较为复杂的研究对象时，识别精度往往不够准确，并且多数情况下，对技术人员的经验要求较高[1]。而当前发展迅速的人工智能技术可以从已有的历史数据中自主发现和学习规律，并依此对新的样本数据进行识别或预测。它可以针对测井数据的特点进行全方面的信息挖掘，其处理数据的思路和方法与传统理论完全不同，与之相比有着独到的优点[2]。前人在使用机器学习方法进行测井解释方面已经做出了一些研究，但基本都是使用一些浅层结构的模型，在样本的选取和训练过程中的细节方面的考虑也稍显欠缺，因此最终得到的预测精度还有提升空间[3-6]。本次研究紧密结合实际生产，采用了深度BP神经网络、聚类、RBM等多项深度学习技术，并且在数据的预处理阶段和训练过程中采用了多种方法来提高其准确率，最终在孔隙度储层参数上获得了较高的识别精度，说明基于深度学习的新型测井解释方法在实际生产中具有一定的应用价值。

1 研究背景

研究区域位于山西省内的某作业区，为中海油田服务股份有限公司的开发区域。经过甄选，以一段连续的共计300多米的测井段作为研究对象，其采样间隔为0.1米，共计3000多个测井数据点。……