基于机器学习岩性与流体含量预测——西非近海实例.pdfVIP

table{border-collapse:collapse;}table,th,td{border:1pxsolid#000;}

基于机器学习的岩性及流体含量预测

技术——西非近海案例研究

，Adam

D.

Halpert，Laura

Bandura

和

Anne

Dutranois

Coumont

雪佛龙能源技术公司

机器学习和一个

是地球科学应用的新趋势，为探索、分析和利用各种类型的数据以识别重

要见解了巨大机会。然而，在地球科学界，这些进展背后的一个主要点是，如

何可靠地解释机器学习（完全数据驱动的算法）在地球物理数据集（基于物理的输入）

上的输出。算法本身不能替代物理建模，但当与详细物理问题的先验知识和地质约束相

结合并进行训练时，很可能会带来成功的解决方案。为了开发改进复杂地质问题的预测

工作流程，属性、测井数据、纹理属性和机器学习相结合，以预测岩性和流

体含量。来自各种现场数据集的盲测验证了预测结果的可靠性，以及所工作流程

在勘探和储层管理中的潜力和适用性。

引言

层位、岩相及其他地