基于集成学习的碳酸盐岩储集体类型划分——以塔河油田T615井组为例

由于碳酸盐岩储层非均质性强、储集空间复杂多变、测井响应特征模糊,导致仅利用常规测井解释方法无法准确划分储集体类型。因此,将集成学习技术引入,以多种资料建立的测井响应模式为基础,提出一种结合Boosting和Bagging集成策略的改进方法应用于碳酸盐岩储集体类型划分中。采用AdaBoost.M2算法,以机器学习中的支持向量机、决策树、浅层神经网络为基分类器构建3个强学习器,并结合Bagging并行策略进行组合优化,得到储集体类型的最终划分结果。将该方法应用于塔河油田碳酸盐岩储层T615井组,结果表明:相较其他单分类器和基于同质基分类器的强分类器,本文方法的综合分类正确率最高,达92.3%,且对该井组的4类储集体的分类正确率均保持在90.0%左右,分类结果满足实际测井资料解释的精度要求,展现了集成学习技术在碳酸盐岩储集体类型划分中良好的应用效果。     

基于样本优化的神经网络方法在储层裂缝识别中的应用

常规测井资料解释应用于非常规储层裂缝识别时,存在裂缝识别率低,储层评价不准确等问题;而成像测井方法(FMI)识别效果好,但成本过高。为了提高常规测井裂缝识别的准确率,首先采用BP(back propagation)神经网络方法,建立常规测井参数与裂缝发育程度之间的非线性关系。在神经网络样本选取上,引入K-means聚类算法,依据不同样本特征对其进行优化分类。最后,利用聚类结果分别建立更为精细的神经网络模型,并用于实际裂缝预测。将该方法应用于塔河油田碳酸盐岩储层A探井,识别结果表明:基于样本优化方法的裂缝密度曲线拟合效果(相关系数R分别为0.84、0.89、0.76)明显优于未考虑样本优化方法(R为0.58),验证了本文方法的优越性,可以将其作为一种识别储层裂缝发育程度的新方法。