基于测井数据与CNN-GRU模型的煤层含气量预测研究

作     者：胡可 

作者单位：中国矿业大学 

学位级别：硕士

导师姓名：罗金辉

授予年度：2023年

学科分类：081801[工学-矿产普查与勘探] 081803[工学-地质工程] 08[工学] 0818[工学-地质资源与地质工程] 

主      题：煤层气 含气量预测 测井曲线重构 特征提取 深度学习 

摘      要：含气量是煤储层评价的关键参数之一,是煤层气资源勘探、开发生产的重要依据,准确评价含气量对煤层气资源有利开发区块的识别和高效开发具有重要意义。随着物探测井技术的发展与应用,利用测井数据预测煤层含气量已被证明是一种有效的解决方案。基于测井数据,运用深度学习方法挖掘其与含气量之间的非线性隐含关系,实现含气量的预测,对煤层气开发具有理论意义和实用价值。本文基于CNN-GRU深度学习模型,以沁水盆地樊庄-郑庄测井数据和含气量取心实验数据为样本,在煤层含气量测井响应特征和敏感性分析的基础上,结合聚类算法实现煤层含气量定量预测工作,主要工作及获得的认识如下:(1)针对测井数据质量差、测井曲线失真或缺失等问题,基于目标测井曲线间的相关性,运用BGRU模型充分利用测井数据中的序列信息,综合考虑上部和下部储层对缺失点的影响,实现测井曲线重构任务,预测精度可达到85%。(2)测井数据特征分析、提取及聚类。通过交会图法分析测井属性对煤层含气量的响应特征;针对各测井参数间存在的多重共线性问题及其与含气量之间的非线性关系,分别采用灰色关联、MIC和随机森林遴选出含气量的高敏感性测井参数;针对煤层含气量与测井参数响应的主控因素的不一致性,基于含气量-测井参数响应特征的差异性,利用测井曲线K-means聚类分析划分储层类别。(3)基于含气量-测井参数响应分析及聚类结果,构建CNN-GRU神经网络模型对含气量进行预测及应用验证。利用研究区太原组15号煤层的测井数据,提取测井参数特征、分析含气量-测井参数响应特征、建立CNN-GRU神经网络模型,并运用山西组3号煤层的测井数据进行含气量预测和应用验证,结果显示平均预测精度达到92.3%,表明本方法具有较高的预测精度。(4)围绕“测井曲线重构、含气量测井响应特征分析及测井参数遴选、神经网络模型训练和应用验证这一主线,构建了基于测井数据与深度学习方法的煤层含气量预测模型。总之,本文将深度学习技术、测井响应分析和地球物理测井数据进行有效结合,充分地挖掘出了测井数据与煤层含气量之间的潜在关系,为煤层含气量评价和煤层气勘探开发提供了方法参考。论文有图幅55幅,表18个,参考文献103篇。