基于机器学习自动井测井处理与解释方法研究.pdfVIP

基于机器学习的自动井测井处理和解释方法

*，VikasJain，MandarSKulkarni和AriaAbubakar，斯伦贝谢

通过使用一种自动确定数据中聚类数量的无监督聚类方法来应对

。

传统的井测井处理和解释工作流程具有性、耗时且

井日志处理和解释中的另一个主要是缺乏丰富的训

可能不一致。为了提高这些工作流程的客观性、效率和

练数据以及井日志之间的强相关性。为了解决这一问题，

一致性，我们提出了一种基于机器学习的方法，该方法

我们设计了一个模型再训练工作流程，使我们能够从相

可以自动化一些关键工作流程，如分区分配、异常数据

对较少的训练数据开始，然后逐步改进模型。在本文中，

检测和地层性质解释。我们开发了交叉熵聚类‑混合

描述我们的方法如何工作，展示和讨论一些结果，

模型‑隐模型工作流程，该流程能够发现相当于

并最终总结这项工作。

地层区域的局部稳定集群，并将分区信息从训练井

到其他井。同一工作流程还可以标记潜在的异常数据。

在解释方面，我们开发了基于集群（即基于区域）的预方法

测建模方法，该方法模拟传统解释工作流程。结果概述

显示，我们的方法可以在训练数据中发现集群（或区域），我们方法的总体工作流程总结在图1中。它有两种执行

并将其分区到其他井。场景。给定一组训练井，如果只有测量日志（例如，伽

马射线、密度、中子、电阻率等），我们的方法可以使

用下文“无监督聚类发现和分配”中详述的无监督学习

引言方法进行自动分层和异常检测。如果既有测量日志又有

解释日志（例如，总有机碳、总孔隙度、水饱和度、粘

尽管传统的井日志处理和解释工作流程能够产生满意的

土体积等），我们的方法可以进一步使用下文“基于聚

结果，但由于这些结果依赖于领域专家的专业知识，可

类的预测建模”中详述的有监督学习方法进行自动解释。

能会存在性和不一致性。工作流程的周转时间可能

无论哪种场景的结果都会由领域专家（如石油学家）

较慢，因为在获得满意结果之前可能需要多次迭代。解

进行，模型将根据领域专家的输入保存到模型库或

决这些的法是利用机器学习技术和计算能力

重新训练。

的进步，最终提高井日志处理和解释工作流程的客观性、

一致性和效率。在从现场获取的原始日志到由专家解释

的属性的众多工作流程中，我们专注于开发一种基于机在应用阶段（即图1的右半部分），给定新井的测量日

器学习的方法，以自动化几个重要的工作流程，包括分志和从模型库提取的模型，我们的方法可以预测聚类标

区分配、异常检测和地