基于门控循环单元神经网络的储层孔渗饱参数预测

孔隙度、渗透率和饱和度等物性参数是表征储层质量的重要参数,也是储层评价的重要依据。根据测井数据估算岩石的孔隙度、渗透率和饱和度参数,进而评价储层,是测井解释的基本内容。作为一种适于解决非线性和时序性问题的新型深度学习算法,门控循环单元(gated recurrent unit,GRU)神经网络算法能较好地反映出孔渗饱参数与测井数据之间的非线性映射关系以及不同深度历史数据之间的关联。基于GRU神经网络的储层孔渗饱参数预测方法首先采用基于Copula函数的相关性测度法筛选与孔渗饱参数关联度较高的测井参数,而后利用GRU神经网络建立测井数据与孔渗饱参数之间的非线性映射关系。对四川盆地某探区实际测井数据进行了GRU神经网络储层孔渗饱参数预测的模型训练和预测试验,最后将预测结果与多元回归分析、循环神经网络等方法的预测结果进行比较,结果表明,以均方根误差和Pearson相关系数为评价指标,基于门控循环单元神经网络的储层孔渗饱参数预测方法效果优于其它方法。     

基于门控循环单元神经网络的测井曲线预测方法

为了减少泥浆侵入对测井曲线的影响，许多油田采用随钻测井技术，需先预测未钻地层测井曲线，这对随钻测井具有非常重要的指导作用。为此，提出一种基于门控循环单元神经网络（GRU）预测未钻地层测井曲线的方法，该模型将长短期记忆神经网络（LSTM）的输入门和遗忘门合并成更新门，输出门变成重置门，使模型结构简单，不易出现过拟合现象，保留LSTM模型的长时记忆功能，且能有效缓解梯度消失或梯度爆炸问题。以新疆油田直井和南海西部油田随钻测井的实际测井数据为例，选取已钻地层以及邻井的自然伽马、深感应电阻率、声波时差、密度和井径5条测井曲线数据作为训练样本输入到LSTM和GRU模型中进行学习训练，将训练好的模型用于预测未钻地层的测井曲线。应用结果表明，GRU比LSTM模型在新疆油田和南海西部油田预测测井曲线的平均相关系数分别提高13.78%和12.13%，平均均方根误差分别下降27.08%和42.17%，GRU模型能够准确地预测未钻地层测井曲线的变化趋势。     

基于XGBoost的测井曲线重构方法

测井数据在地层评价中具有十分重要的作用,但是实际应用中由于地质、工程等因素的影响,经常出现部分测井数据缺失甚至漏测的情况。基于传统的经验模型和多元回归分析的测井曲线重构方法精度不够,因此提出利用机器学习方法进行测井曲线的重构;考虑到神经网络的局限性,基于XGBoost构建了测井曲线重构模型。以渤海湾盆地定向井为例验证重构模型的效果：首先进行了测井曲线补全和生成实验,并通过K折交叉验证将XGBoost模型性能与梯度提升决策树（GBDT）、随机森林（RF）和全连接神经网络（FNN）三种方法进行对比,然后结合地质背景分析预测效果。验证结果表明,基于XGBoost的测井曲线重构方法在准确性和稳定性方面都取得了更好的效果,并且表现出较强的泛化能力。     

基于CNN-GRU神经网络的测井曲线预测方法

目前许多测井曲线预测模型存在预测结果不稳定、精度不高的问题.为此,将深度学习中特征表达能力较强的卷积神经网络(CNN)和记忆能力较强的门控循环单元(GRU)相结合,设计并实现了一种通过卷积门控循环单元(CNN-GRU)神经网络进行缺失井曲线预测的方法.以测井数据序列作为输入,首先通过CNN网络提取测井数据的特征,形成时...     

基于串级双向长短时记忆神经网络的测井数据重构

测井数据是油气田开发和评价的基础，对于确定地下油气层位置、计算及评价油气储量等具有重要意义。然而，实际开采过程中井壁垮塌、仪器故障等因素往往导致部分深度的多条测井数据失真或缺失，而重新测井的成本高昂，施工难度大。为此，提出一种基于串级双向长短时记忆神经网络(CBi-LSTM)的测井数据重构方法，在不增加额外测量成本的情况下，充分考虑缺失数据点的前趋与后继之间的双向关联性及测井曲线之间的相关性，利用串级系统将所获估计值与已知测井曲线合并为新的输入，采用迭代更新策略完成对缺失数据块的重构。对苏里格气田4口井的测井数据进行补全重构实验，所得结果表明：文中测井数据重构方法具有较高精度，同时所用模型具有更强的鲁棒性和泛化能力。     

测井曲线重构技术在埕岛油田东斜坡储层预测中的应用

埕岛油田东斜坡地区沉积条件复杂,储层埋藏深,主要以薄层为主。要进行高精度储层预测,分辨有效储层与干层,必须对原始地震资料进行特殊处理。为此,提出了一种利用自然伽马和密度测井曲线同时参考电阻率和电测解释结果对实测声波曲线进行重构的方法,利用重构后的拟声波曲线进行储层预测,突出了砂、泥岩速度之间的差异。同时,多条测井曲线到井旁地震数据的非线性映射相关程度好,证明对实测声波曲线进行重构符合实际情况,效果明显,为储层预测反演提供了基础条件。     

基于压缩感知的过套管电阻率数据重构方法研究

过套管电阻率测井是在钢套管内测量地层电阻率进而进行含水饱和度评价和油藏监测的一种新的测井方法.由于测量结果为点测数据,需要在数据预处理时由多个单点数据重构整条曲线,而传统的插值方法,分辨薄层的能力差,因此文章提出了一种基于压缩感知的数据重构方法,使用点测深度和欲重构数据的深度匹配关系,建立观测矩阵,基于傅立叶变换的稀疏分解矩阵,采用OMP算法解决稀疏分解系数L1范数最小化问题,取得了良好的重构结果.     

自然伽马反演模型重构方法研究

油气储层往往分布于多个不同沉积时期的地层中。由于不同沉积时期的砂泥岩地层在埋藏深度、岩性及矿物含量等方面均不相同,导致相同或相近岩性的测井响应值存在差异。在有些地区因受沉积作用等因素的影响,相同岩性的自然伽马测井值随埋藏深度的增加呈增大或减小的趋势,若利用其计算储层的泥质含量或进行储层参数反演,均无法采用统一的标准（公式）来进行评价。为此,在分析自然伽马测井曲线在不同沉积时期的测井响应差异及其随地层埋藏深度和地层岩性变化特征的基础上,利用测井资料综合解释中泥质含量计算方法的逆运算,对自然伽马测井曲线进行了重构处理。结果表明,重构后的自然伽马曲线可不受不同地层沉积时期等因素的影响,对多个不同地质时期的目的层可以采用统一的标准来进行岩性解释。该重构方法可适用于不同类型砂泥岩地层的储层反演及泥质含量计算。     

基于双向循环神经网络的河流相储层预测方法及应用

河流相储层通常具有横向变化快、地震反射特征多解性强的特点,因而河流相储层地震预测难度大。将测井信息与地震多属性相结合实现河流相储层地震预测,传统的方法包括多元线性回归方法、地质统计学方法和BP神经网络等。人工智能深度学习方法为井震信息的融合提供了新的解决思路。通过构建井震学习样本,提出了一种基于双向循环神经网络的井震融合储层预测方法。从储层沉积连续性角度,将地震数据看成具有纵向联系的时序数据,以CD地区100余口井馆上段地层的储层和非储层为学习样本,构建双向循环神经网络储层预测方法,通过训练优选超参数建立井震融合的深度学习储层预测模型。该预测模型应用于CD地区河流相储层预测的效果显著,细小河道形态清楚,预测精度高,有效指导了CD地区的勘探部署。     

定量曲线重构技术在井-震约束反演中的应用——以川西新场气田须家河组储层预测为例

介绍了一种基于最优化测井解释结论的定量曲线重构技术。常规曲线重构通过定性结合电测曲线与放射性曲线,突出了储层差异,但传统的曲线重构算法,往往与定量的反映地下地质信息形成矛盾。本文利用最优化测井解释各矿物体积含量,从地层组分含量的角度重构测井曲线,既突出了储层差异,同时保证了所反映地质信息的准确性。     

人工智能在测井地层评价中的应用现状及前景

测井是求取储层物性参数、发现与评价油气藏、预测油气储量的重要手段。测井技术更新换代、测井技术种类发展多样化、测井数据管理方式多元化等多重因素导致测井信息具有测量种类多、数据量大和多源异构等大数据特征。人工智能技术的快速发展为解决测井地层评价中的多解性、不确定性等难题提供了新的思路和方法,"测井＋人工智能"也是一个亟待探索的新领域。在系统回顾人工智能在测井领域的研究现状和进展基础上,重点讨论了有监督机器学习和半监督机器学习、神经网络和深度学习等人工智能技术在测井曲线重构、岩相预测和物性参数计算等测井地层评价中的应用。受样本数量有限、处理流程不完善和自我调节能力较差等因素制约,人工智能在流体研究、储层综合评价等测井领域具有较大的发展空间和广阔的应用前景。     

基于深度学习的鲁棒地震数据去噪

地震勘探数据中包含的噪声比较复杂,基于先验的传统建模方式无法准确地刻画噪声分布.深度学习 通过多层卷积神经网络自动提取数据的深层次特征,利用非线性逼近能力 自适应地学习而得到一个复杂的去噪模型,为地震数据去噪带来了新思路.但是,目前基于深度学习的去噪方法在样本覆盖不充分的情况下,学习得到的模型泛化能力不强,极大地降低了...     

基于深度学习的三种地震波阻抗反演方法比较

神经网络结构的差异性导致深度学习效果不同。为此,在对比全卷积神经网络(FCN)、卷积循环神经网络(CRNN)和时域卷积神经网络(TCN)的三种网络结构的基础上,通过正演模型测试,对比、分析基于上述三种深度学习的地震波阻抗反演方法的精度和计算效率;然后通过实际资料应用进一步对比三种方法的效果。模型测试结果表明,基于TCN的波阻抗反演的计算效率和反演精度相对较高,基于TCN、FCN和CRNN的波阻抗反演用时分别为82、68和264s,皮尔逊相关系数分别为99.15%、97.84%和98.14%。实际资料应用表明,基于TCN的波阻抗反演结果与测井资料更加匹配。该结论可为智能地震波阻抗反演方法的优选提供参考。     

基于BP神经网络进行裂缝识别研究

裂缝系统是个复杂的地质体，其储层物性（主要是渗透性）的改善作用是非线形的，各种评价参数与裂缝发育程度之间的关系也是非线形的，导致对裂缝进行定量评价十分困难，单纯依靠常规测井资料进行裂缝识别，存在主观不确定性及多解性；成像测井虽然直观准确，但成本较高。本文基于人工神经网络理论，开展了常规测井资料识别评价裂缝的研究。结果表明，基于BP神经网络的裂缝性储集层常规测井识别，与成像测井对比具有较好的应用效果。     

基于深度嵌入网络的地震相聚类技术

早期基于机器学习的地震相聚类分析依赖地震属性种类的选择与组合,结果具有很强的主观性,而数据驱动下的深度学习可以规避该缺陷。因此,利用深度学习技术,采用自编码网络架构,通过嵌入编码(Embedding Code)对地震数据进行抽象表示;引入聚类损失函数与重建损失函数,建立联合损失函数并优化,使学习到的地震特征既能重建地震数据,又具有较好的聚类能力。鄂尔多斯盆地A致密气探区实际应用结果表明:经过500次迭代后,嵌入编码已具有明显的聚类特征,同时能很好地恢复原始地震信号,相对误差小于5%;与均方根振幅属性相比,基于深度嵌入网络的地震相聚类技术计算的地震相图刻画河道更准确、细节更丰富;比K-Means聚类算法预测结果的井震符合率更高,可达89.3%。     

测井识别岩性新方法--支持向量机方法

将基于统计学习理论的支持向量机方法引入到测井资料处理和解释中。在测井岩性识别方面研究发现,支持向量机方法克服了神经网络的固有缺陷,提供了一种识别岩性的新方法。应用效果表明该方法具有适应性强、识别精度高的优点。     

BP神经网络在测井资料标准化中的应用

夏宏泉刘红岐：ＢＰ神经网络在测井资料标准化中的应用，测并技术，１９９６（３）２０，２０１～２０６。神经网络是一门新兴的信息处理技术，它可用来解决测井精细解释和油藏描述中的模式识别和预测估值等问题。本文从神经网络的结构、功能和特点及学习规则出发，探讨了应用神经网络进行测井资料标准化的可行性，并以Ｓ地区沙三段三孔隙度测井资料为应用实例，采用ＢＰ神经网络技术对其进行了标准化分析校正，处理效果令人满意。该法为测井资料标准化找到了一条新的途径，值得借鉴使用。     

基于自注意力机制深度学习的重磁数据网格化和滤波方法

重磁数据网格化和滤波结果直接影响解释结果,为此设计了合理的深度学习网络结构以实现高精度重磁数据网格化和滤波处理。建立基于自注意力机制深度学习的网格化方法,使用自注意力机制层对二维位置编码进行处理,得到融合了全局与局部信息的位置编码向量,再将位置信息与异常信息融合输出节点异常,从而降低数据的失真性。针对重磁数据噪声具有随机性、条带状的特点,首先采用卷积神经网络进行噪声分类,针对条带状噪声和随机噪声分别采用自注意力机制神经网络和卷积自编码器进行去除,可获得质量较高的基础数据。模型试验表明,深度学习的网格化结构相对常规方法更接近真实结果,所开发的滤波方法能很好地实现不同类型噪声的去除,为后续反演提供更准确的基础数据。将基于深度学习的网格化和滤波方法用于实际磁场数据的处理,获得了较好的结果,证明该方法具有较强的实用性。     

基于自注意力机制深度学习的重磁数据网格化和滤波方法

重磁数据网格化和滤波结果直接影响解释结果,为此设计了合理的深度学习网络结构以实现高精度重磁数据网格化和滤波处理。建立基于自注意力机制深度学习的网格化方法,使用自注意力机制层对二维位置编码进行处理,得到融合了全局与局部信息的位置编码向量,再将位置信息与异常信息融合输出节点异常,从而降低数据的失真性。针对重磁数据噪声具有随机性、条带状的特点,首先采用卷积神经网络进行噪声分类,针对条带状噪声和随机噪声分别采用自注意力机制神经网络和卷积自编码器进行去除,可获得质量较高的基础数据。模型试验表明,深度学习的网格化结构相对常规方法更接近真实结果,所开发的滤波方法能很好地实现不同类型噪声的去除,为后续反演提供更准确的基础数据。将基于深度学习的网格化和滤波方法用于实际磁场数据的处理,获得了较好的结果,证明该方法具有较强的实用性。