基于深度神网络多井测井曲线孔隙度预测研究.pdfVIP

P基于深度神经网络的多井测井曲线孔隙度预测与应用

安鹏，，大学（）地球科学学院，，，冀东油田公司

参数，因此在结果解释中可能存在一定的风险。

准确计算储层孔隙度是地质解释和石油勘探决策的关键。一些传统的机器学习方法也已应用于孔隙度预测，例如

孔隙度受埋深、构造位置、沉积环境、岩性变化和成岩BP神经网络（Parra,2003），支持向量机（Fanget

作用等多种地质因素的影响。如何充分利用多测井信息进al.,2012）和其他浅层机器学习算法。但是，浅层机器

行综合分析并计算孔隙度，对于降低油气勘探开发的风险学习方法通常需要手动特征参数提取，这需要大量的领

具有重要意义。从岩石的角度来看，储层孔隙度与测域知识和经验。浅层学习的特征抽象能力较低，使其在

井数据之间存在典型的非线。深度学习技术可以从解决更复杂的非线性问题方面的能力较弱。传统的

数据中自动提取非线性特征，然后通过特征变换解决BP神经网络存在收敛速度慢和容易陷入局部最优解的

复杂的非线性问题。我们提出了一种基于深度学习技术的问题。与浅层学习相比，深度学习最重要的区别在于网

孔隙度预测方法，建立了多种测井参数络结构深度的增加，它可以通过逐层特征提取将特征从

（包括补偿中子、声波时差、自然伽马和补偿密度测井）原始空间转换到新的特征空间。因此，深度学习可以为

与孔隙度之间的非线。实际数据的应用结果表明，数据结构更抽象的特征表示，从而解决复杂的非线

使用深度学习技术进行孔隙度预测的有效性和实用性。性问题。因此，我们提出了一种基于深度学习技术的孔

隙度预测方法，并构建了一个包含补偿中子、声波时差、

自然伽马和补偿密度等多个测井参数的深度神经网络模

型，并在实际数据上进行了测试。

引言

通过岩心采样进行岩石分析可以获得高精度的孔隙

度，但采样和测试的成本太高，难以在勘探和开发中广理论与方法

泛应用（Bakhorjietal.,2012）。在常规测井解释中，深度学习技术是构建一个通常具有三个以上隐藏层的

孔隙度的定量计算倾向于使用密度、声波时差和补偿中深度神经网络（DNN），它通过逐层特征提取将特征

子三种孔隙度测井的理论孔隙度模型（Khaksar,从原始空间转换到新的特征空间。需要大量数据来训

1998），或通过岩心分析建立区域经验孔隙度模型。练网络模型以学习和调整模型参数，这

但是，解释模型的研究、参数选择和数学处理方法无法

摆脱线性方程的限制，这使得计算孔隙度与岩心分析数

据之间难以建立良好的对应关系，并且容易受到人为因

素的影响。核磁（NMR）孔隙度测井的响应基本上

不受岩石基质的影响，它只检测孔隙中流体的信号。因

此，NMR在计算孔隙度方面比其他测井方法具有优

势（Veselinovic,2016），但这种方法也受到设备和成

本的限制。这些传统方法只能利用一种（经验）或

两种（交会图法）测井参数，无法充分利用储层孔隙度

在多种测井中的响应信息

图1:深度神经网络的基本结构

Porositypredictionandapplicationwithmultiwellloggingcurvesbasedondeepneural

network

PengAn*,DanpingCao,SchoolofGeosciences,Universit