基于机器学习地震解释方法改进与应用研究.pdfVIP

机器学习解释替代方法及其在大庆油田的应用

，，杨，。大学（）石油数据挖掘市重点

1.很难收集足够可靠的标记样本来建立有效的机器学

概括

本质上，叠后解释任务相当于机器学习范畴内的监习解释的大型训练集。一方面，昂贵的钻井和测

督学习任务，试图在井数据的约束下建立响应与地井成本限制了可用井数据的数量，而井数据是训练集

层性质之间的属。监督学习成功的关键是足够监督信息的主要。另一方面，数据的测量误

数量的可靠训练样本。遗憾的是，由于建设成本昂贵，差以及响应与井数据的尺度不匹配限制了训练集

基于井点数据只能有限数量的样本，有效的质量。如果没有大量、高质量的训练集，就很难确

机器学习的要求。针对这一问题，本文通过传统出口岩保任何机器学习算法都能完整、正确地从数据中学习

相分析与地统计插值技术的合理结合，改进了样本潜在的关系。

策略，使得基于数千个以上可靠样本进行有效的机器学

习成为可能。该方法应用于大庆油田砂体发育的地

2.响应是对上覆地层反射特性的综合响应。即使对

震评价。令人惊讶的应用结果证明了我们方法的可用性

于性质相同的层，由于相邻层的差异，不同层的响应特

和有效性。

性也不同。数据驱动的机器学习假设训练集中的所有观

察结果都来自遵循相同可学习规则的相同统计群体。多

层的训练样本很难保证满足上述要求，最终会影响

机器学习反演的可行性。

介绍

机器学习技术已广泛应用于计算机视觉处理、图像目标

检测、推荐系统和自然语言处理等领域。大多数机器学针对上述问题，在本文中，我们提出了一种增强机器学

习方法的主要特点是它们不预先进行模型假设，而是尝习解释的替代方法。该方法的亮点包括：1）从单

试通过自适应算法从训练样本中建立模型。换句话说，层收集训练样本，以确保底层数据规则更容易学习，

它们是数据驱动的方法，比传统的假设驱动的方法更客2）结合输出岩相分析和井密集区的地质统计插值，大

观、更有效。大扩展了训练样本的。该方法已应用于大庆油田砂

体发育评价。预测结果清晰地表征了研究区砂体的发育

特征，验证了该方法的有效性。

从高度抽象的层面来看，井控叠后解释相当于一个

有监督的机器学习任务(赵，2015)，试图在井数据的约

束下建立响应与地层性质之间的属。受到数据

驱动的机器学其他领域应用的启发，我们相信通过

在机器学习方法中接受数据驱动的思维，可以有效提高拟议方法的工作流程

叠后解释的精度。然而，机器学叠后解释该方法的工作流程如图1所示。整个方法的输入数据包

领域的成功应用还很有限（Bagheri，2013；Luo，括井位、可用井的钻井数据和测井曲线、叠后原始