基于概率图模型的储层预测方法研究

发布时间：2020-07-01 19:26

【摘要】：油气储层预测技术是综合应用地震、地质、钻井、测井等各项资料对地下油气储层的分布、厚度、岩性和物理性质进行预测的一项技术。储层预测的主要工作内容大体分为储层岩性预测、储层形态预测,储层物性预测和储层含油气性综合分析,孔隙度作为反映储层油气储量的重要指标,是储层物性预测的一项重要研究内容。目前孔隙度体预测采用地震反演得到的阻抗、密度等信息和测井得到的孔隙度信息进行回归,然后将该关系应用于整个体数据。但是目前该方法在实际应用过程中存在诸多问题,主要体现在:(1)不同储层岩相孔隙度与弹性参数的关系不一样,如果将所有岩性的弹性参数与孔隙度整体建立关联关系可能导致结果存在较大误差;(2)测井数据较少可能导致回归关系泛化能力偏弱,使得结果不理想;(3)从地震数据中获得的弹性参数可能存在误差,导致预测结果误差。为解决以上问题,本论文基于概率图模型中的条件随机场理论,构建了岩相和孔隙度同步预测网络,并在此基础上开展了以下研究工作:(1)通过阻抗与孔隙度的标签对,建立条件随机场和梯度提升树融合的孔隙度-岩相同步预测网络。通过条件随机场实现了孔隙度和阻抗共同控制下的岩相迭代更新,在岩相控制下采用梯度生成树解决了井数据样本标签较少情况下的回归问题,该融合网络实现了在相对少样本条件下的岩相和孔隙度的同步预测问题。(2)构建了直接通过波形数据进行孔隙度和岩相同步预测的网络。考虑到阻抗数据可能存在误差,本文将阻抗替换为地震波形导入前述条件随机场梯度生成树融合网络模型进行孔隙度和岩相预测。由于地震波形数据的多维度特征,本文提取地震波形纹理特征并利用梯度生成树进行特征重构,构建了新的特征分类方法,将分类结果作为初始模型输入,有效改善了孔隙度岩相同步预测网络的精度。(3)提出了基于地震波形特征的条件随机场孔隙度岩相同步预测方法,将地震波形特征进行降维,并将降维后特征与孔隙度建立标签,将该标签引入梯度生成树条件随机场网络,实现地震相和孔隙度的同步预测。实验分析结果表明,采用地震波形进行孔隙度和岩相预测可以有效避免阻抗数据计算所引入的误差,改善预测效果。通过本论文的研究,拟探索出一套可行的通过人工智能方法进行储层岩相和储层物性参数预测的技术方案,为推动人工智能技术与储层预测结合提供借鉴。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：P618.13
【图文】：

相图,四种方法,预测效果,标签

电子科技大学硕士学位论文的相图(分两相)和孔隙度的值图，其中图(d)点的值为井点数据值，数值的位置为井数据的位置，由于是模拟数据，可以任意比例的对图(c)取值，作为井位置和井的值作为输入数据训练模型，分别运用四种方法分别是滤波 Kmeans 融合脊回归(RR)算法，滤波 Kmeans 融合梯度提升树(GBDT)算法，CRF(条件随机场)融合岭回归(RR)算法，CRF(条件随机场)融合梯度提升树(GBDT)算法，对孔隙度进行预测，四种方法在同样的百分之五的标签数据下完成了对孔隙度的预测预测结果如下图：

岩相,预测结果,四种方法,预测效果

27图 3-5 合成数据上四种方法在 8%标签数据的岩相预测效果(两类):(a) Kmeans+RR 岩相预测结果；(b) Kmeans+GBDT 岩相预测结果；(c) CRF+RR 岩相预测结果；(d) CRF+GBDT 岩相预测结果由图 3-5 可以看出，利用方法 CRF 融合 GBDT(条件随机场+梯度提升树)结合的方法对岩相的预测结果(d)最为接近图 3-3(b)，也就是模拟的岩相结果，从图 3-5中，还可以看出由 CRF(条件随机场)参与的方法(c)和方法(d)，效果明显好于传统方法(a)和(b)，证明了 CRF(条件随机场模型)在此实际问题中优异表现，在图 3-5(c)和(d)的对比中可以得出，GBDT(梯度提升树)的泛化能力，比 RR(岭回归更强。3.2.1 误差分析为了在合成数据中验证本文方法的有效性，先对合成的岩相预测结果进行定量分析，对岩相预测结果进行定量的主要步骤为：

【参考文献】