基于卷积神经网络的径向复合油藏自动试井解释方法

发布时间：2025-01-18 12:19

　　 提出一种基于卷积神经网络的径向复合油藏自动试井解释方法,并利用现场实测数据验证其有效性和准确性。采用对数函数进行数据变换,采用均方误差作为损失函数,利用"dropout"方法避免过拟合,通过不断减小损失函数进行网络优化,得到最优的卷积神经网络。训练好的最优网络可直接用于解释径向复合油藏中井的压力恢复或压力降落数据,将给定的实测压力变化及其导数数据的双对数图输入到网络中,即可输出对应的油藏参数(流度比、储容比、无因次复合半径以及表征井储和表皮效应的无因次组),从而实现了试井参数解释的自动初拟合。利用大庆油田现场实测数据对该方法进行了验证,研究表明,该方法具有很高的解释精度,且优于解析法和最小二乘法。图12表6参29

【文章页数】：9 页

【部分图文】：

图3 样本Test2的原始曲线和截取曲线

从表3可以看出，对于6个样本，本文提出的卷积神经网络解释的参数与真实参数的误差整体上较小。然而样本Val2的lg(F)，样本Val3的lg(M)及lg(CDe2S)，样本Test2的lg(M),lg(F)和lg(CDe2S)的解释值的误差较大，其中lg(M)和lg(F)解释值误差....

图4 样本Test2的解释值与真实值对比（只截图了前半部分）

图3样本Test2的原始曲线和截取曲线2.3现场实例分析

图5 实例1本文方法与解析法计算结果对比

此外，通过与解析法对比发现，本文方法解释结果与解析法解释结果差距较小，两种方法都可以得到很好的解释结果。但是，解析法需要专业的试井人员操作完成，耗费大量的人力和时间。而本文方法可自动解释，只需将实测数据转化为矩阵输入到训练好的卷积神经网络中，输出即为所需解释的参数，即使是不具备专....

图6 实例2本文方法与解析法计算结果对比

图5实例1本文方法与解析法计算结果对比图7实例3本文方法与解析法计算结果对比

本文编号：4028606