基于机器学习的深层页岩有利储集层预测方法及实践
Method and practice of deep favorable shale reservoir prediction based on machine learning作者机构:成都理工大学“油气藏地质及开发工程”国家重点实验室成都610059 成都理工大学“地球探测与信息技术”教育部重点实验室成都610059 电子科技大学资源与环境学院成都611731 电子科技大学长三角研究院(湖州)浙江湖州313000 中国石油化工股份有限公司西南油气分公司成都610041
出 版 物:《石油勘探与开发》 (Petroleum Exploration and Development)
年 卷 期:2022年第49卷第5期
页 面:918-928页
核心收录:
学科分类:0820[工学-石油与天然气工程] 08[工学] 082002[工学-油气田开发工程]
基 金:国家自然科学基金面上项目“基于应力诱导各向异性与岩石力学性质的深层页岩储层可压裂性评价方法研究”(42074160) 国家自然科学基金面上项目“基于各向异性介质弹性参数的页岩TOC及脆性预测方法”(41574099) 中国石化“十条龙”项目“人工智能地震解释技术及软件研发”(P20052-3)
主 题:四川盆地 奥陶系—志留系 页岩气 储集层预测 机器学习 卷积神经网络 核主成分分析
摘 要:基于参数关联特征分析原理、卷积神经网络(CNN)智能预测方法、核主成分分析(KPCA)非线性降维原理的一体化融合表征方法等研究,提出1套基于机器学习的深层页岩有利储集层预测方法。该方法包括5个步骤:①基于皮尔逊相关系数分析岩心和测井数据的高维关联特征。②利用KPCA非线性降维方法简化表征复杂高维数据,以准确、高效地揭示有利储集层的岩心和测井响应规律。③利用CNN和测井数据训练并验证与地下储集层近似的模型。④利用CNN和地震数据智能预测有机碳含量、含气量、脆性、地应力等有利储集层参数,有效解决储集层预测非线性复杂特征提取难题。⑤利用KPCA剔除复杂冗余信息,挖掘有利储集层大数据特征,一体化融合表征各类参数,实现储集层综合评价。该方法用于预测四川盆地威荣页岩气田奥陶系五峰组—志留系龙马溪组页岩有利储集层的空间展布,结果与岩心、测井、产能等实际数据高度吻合,证实该方法能为深层页岩气勘探开发提供有效技术支撑。