基于深度学习的复杂储层流体性质测井识别——以车排子油田某井区为例

发布时间：2022-02-21 15:27

　　测井资料人工解释是目前主流的储层流体性质识别手段,但其应用于复杂储层时存在识别率低、非智能化的缺陷;而近年来发展起来的深度学习方法可以从海量数据中自动提取数据特征,非线性预测能力强。基于目标区块已有大量测井资料和试油结果数据,在应用常规深度神经网络的基础上,提出一种采用混合采样技术、ReLU-Softmax激活函数和Dropout正则化的组合优化新方法。优化后的网络模型对流体识别问题适应性强,且有效避免了样本不均衡、过拟合等问题。将该方法应用于车排子油田低渗油藏某井区,对12口井的水层、干层、油水同层、油层4种流体进行识别,结果显示总体识别准确率达82.7%,单一流体识别率也均较高。且组合优化方法的识别效果明显优于其他方法,尤其使得小样本类——油层和油水同层的识别率得到显著提高。展现了深度学习在复杂储层流体性质识别中良好的应用效果。 

【文章来源】：科学技术与工程. 2020,20(29)北大核心

【文章页数】：8 页

【文章目录】：
1 方法原理
    1.1 样本优化——混合采样技术
    1.2 网络结构改进
        1.2.1 ReLU-Softmax激活函数
        1.2.2 Dropout正则化
    1.3 识别原理——组合优化策略
2 区域概况与测井响应特征
3 储层流体性质识别
    3.1 深度学习参数选取
    3.2 识别结果与模型验证
4 结论


【参考文献】：
期刊论文
[1]基于随机森林的浊积岩储层预测方法[J]. 任雄风,刘杨,张军华,谭明友,张云银,于正军.  科学技术与工程. 2019(25)
[2]逐步判别分析方法在新北油田水淹层识别中的应用[J]. 马福军,李楠,刘刚,王婷.  复杂油气藏. 2019(02)
[3]波形分类技术在缝洞型储层流体识别中的应用[J]. 逯宇佳,曹俊兴,刘哲哿,田仁飞,肖学.  石油学报. 2019(02)
[4]基于常规测井资料的储层流体识别方法[J]. 王丽,袁伟,丁磊,骆玉虎.  地质科技情报. 2018(02)
[5]ReLU激活函数优化研究[J]. 蒋昂波,王维维.  传感器与微系统. 2018(02)
[6]基于深度学习的测井岩性识别方法研究与应用[J]. 安鹏,曹丹平.  地球物理学进展. 2018(03)
[7]低孔低渗储层流体性质测录井综合识别方法研究现状与展望[J]. 杜阳阳,王燕,李亚峰,魏拓,李晓军,王建伟,路智勇,李林祥,谭河清.  地球物理学进展. 2018(02)
[8]川东北地区须家河组致密砂岩储层流体识别方法研究[J]. 凡睿,周林,吴俊,曾韬,周晓峰.  油气地质与采收率. 2015(03)
[9]测录井结合神经网络流体识别技术在高邮凹陷阜宁组的应用[J]. 任培罡,尹军强,杨加太,曹书坡,雷磊.  测井技术. 2015(02)
[10]碳酸盐岩储层测井评价方法综合研究[J]. 徐敬领,王贵文,王亚静,秦宇星.  石油物探. 2012(05)



本文编号：3637539