机器学习方法在地震相预测及储层性质反演中应用.pdfVIP

用于相预测和储层性质反演的机器学习方法

LongJin,Shell

基于这一思路，署并比较了多种机器学习方法，包

括随机森林、KNN、决策树、朴素贝叶斯以及两种深

在本文中，我应用了多种机器学习方法，包括传统方法

度学习神经网络，用于预测相。目标是突出不同机

和的深度学习方法，以预测相并反演储层性质，

器学习方法带来的不确定性，特别是检查来自不同机器

从而更好的结果并提高当前定量储层表征工作

学习模型结果的空间变化。

流程的效率。初步测试结果非常令人鼓舞。

我进行的实验是使用反转的P波阻抗和剪切波阻抗作为输

入，预测代表不同岩性和流体充填的5种相。这一工

作流程也可以直接使用其他类型的数据作为输入，包

引言

括角度叠加、不同的属性等。

在过去的几十年里，我们了数据和处理技该工作流程的第一步是使用标记的数据集训练模型，这

术的巨大进步，以及数据类型和数量的性增长。传些数据集是通过无监督分类创建的。岩石解释、岩

统的数据分析和解释工作流程可能不足以及时处理石模型和建模都可以用来选择相的数量并创建

这些大量数据。合成和标记数据集以训练机器学习模型。

同时，机器学习（ML）因其在解决许多领域复杂问题方在第二步中，将训练好的模型应用于整个数据体。可

面的进展而受到广泛关注，这在很大程度上得益于深度学以调整机器学习方法的不同超参数以避免过拟合并得

习的发展（Donahue等，2015；LeCun等，2015）。出预测模型。图1显示了使用上述6种机器学习方法预

传统的神经网络在过去几十年中已被地球学家使用，测的相结果。尽管主要模式在空间上是一致的，

但许多人仍然对这一波机器学习对地球界的意义持这有助于建立对这些方法总体使用的信心，但在某些

怀疑态度。然而，这些方法在其他行业（包括医学图像区域也存在差异。这些差异携带了来自不同机器学习

分析）取得的巨大成功是一个不容错过的机会。已经有方法的不确定性。比较结果或对不同参数和方法产生

一些将深度学习应用于断层预测的良好例子（的多个实现进行统计分析，是分析预测方法不确定性

Zhang等，2014；Huang等，2016；Araya‑Polo等，的有用步骤，并可以添加到总不确定性矩阵中，该矩

2016），这些成果非常令人鼓舞。这些机器学习的新阵将包括使用不同输入选择训练数据集的不确定性。

进展可以为我们现有的工作流程改进机会，或者可

能彻底改变未来油气勘探和开发的工作方式。在这项研

如上所述，该框架非常通用，可以使用不同类型的输入

究中，我应用了多种机器学习方法来解决相预测问数据，包括叠前数据、不同的属性或多方位和全方位数

题，并提出了一种新的工作流程以反演储层属性。