检索结果-南通市图书馆

邻域信息增强的MLSTM在储层参数预测中的应用研究——以非均质性碳酸盐岩为例

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

地球物理学进展 2024年第2期39卷 620-633页

作者：王欣蒋涛周幂高国海蒋薇梅青燕赵翔西南石油大学计算机科学学院成都610500 中国石油西南油气田勘探开发研究院成都610043

储层参数——孔隙度、渗透率及含水饱和度的准确预测是储层精细评价和油气勘探的重要基础.传统的储层参数预测技术主要依托由测井资料建立的经验公式或简化的地质模型,未充分考虑测井曲线间的非线性关系,在复杂储层上的泛化能力弱.考虑... 详细信息

储层参数——孔隙度、渗透率及含水饱和度的准确预测是储层精细评价和油气勘探的重要基础.传统的储层参数预测技术主要依托由测井资料建立的经验公式或简化的地质模型,未充分考虑测井曲线间的非线性关系,在复杂储层上的泛化能力弱.考虑到碳酸盐岩储层的强非均质性以及测井数据的地层深度序列特点,本文提出一种融合邻域信息的多层长短期记忆神经网络(FN-MLSTM),解决碳酸盐岩储层参数预测问题.首先采用主成分分析法(PCA)对测井数据提取独立特征;利用K-Means算法及其优化技术进行无监督聚类,实现井群的优化划分;融合划分产生的邻域信息,搭建多层长短期记忆神经网络(MLSTM),实现对储层参数的准确预测.实验表明,本文提出的预测模型在某地区22口井测试集上的均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)均优于长短期记忆网络(LSTM)、深度神经网络(DNN)、极限梯度提升树(XGBoost)和随机森林(RF),展现了在储层参数预测任务上的优异性能.此外,消融实验结果表明邻域信息的融入有效地提升了模型的预测精度.

关键词：储层参数预测测井曲线多层长短期记忆神经网络主成分分析聚类

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于虚拟样本生成的致密砂岩储层参数预测

矿产与地质 2024年第1期38卷 195-204页

作者：韩旭东张广智刘飞郭彦民刘太伟杜磊朱孔斌徐帅中国石油大学(华东)深层油气重点实验室山东青岛266580 中国石油大学(华东)地球科学与技术学院山东青岛266580 中国石油天然气股份有限公司辽河油田分公司勘探开发研究院辽宁盘锦124010

由于孔渗统计回归和测井解释方法在致密砂岩储层参数预测中表现不佳,人工智能方法被广泛应用于致密砂岩储层参数预测中。然而,可用的岩心数据很难满足人工智能大量学习样本的要求。因此,提出了基于高斯混合模型的虚拟样本生成方法,以解... 详细信息

由于孔渗统计回归和测井解释方法在致密砂岩储层参数预测中表现不佳,人工智能方法被广泛应用于致密砂岩储层参数预测中。然而,可用的岩心数据很难满足人工智能大量学习样本的要求。因此,提出了基于高斯混合模型的虚拟样本生成方法,以解决缺乏训练样本的问题。该算法的通过拟合原始样本的分布来生成虚拟样本,填充了小样本数据之间的信息缺失。通过标准函数测试,该方法能有效生成训练数据,实际工区孔隙度和渗透率预测对比试验表明,经过虚拟样本扩充数据集后,模型的预测准确率分别提高了9.7%和18.6%,表明所提出的方法可以有效地提高小样本条件下的模型预测精度。

关键词：储层参数预测高斯混合模型虚拟样本生成深度学习

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

串行结构多任务学习的储层参数预测方法

Applied Geophysics 2022年第4期19卷 513-527,604页

作者：徐彬森李宁肖立志武宏亮冯周王兵王克文无中国石油大学(北京)地球物理学院北京102249 中国石油勘探开发研究院北京100083 中国石油大学(北京)人工智能学院北京102249 中国石油测井院士工作站北京100083

机器学习方法构建模型已经逐渐成为一类研究储层参数的方法,在这类方法中,以深度学习方法效果较为突出。本文以多任务学习为视角,用我国西部地区某中低渗透率区块108口井的纵波时差(AC)、自然伽马(GR)、补偿中子孔隙度(CNL)、密度(DEN)... 详细信息

机器学习方法构建模型已经逐渐成为一类研究储层参数的方法,在这类方法中,以深度学习方法效果较为突出。本文以多任务学习为视角,用我国西部地区某中低渗透率区块108口井的纵波时差(AC)、自然伽马(GR)、补偿中子孔隙度(CNL)、密度(DEN)、深浅侧向电阻率(LLD和LLS)六种测井资料作为输入,构建了一种能够同时以孔隙度、饱和度和渗透率三种储层参数为目标输出的神经网络学习方法——Porosity Saturation Permeability Network(PSP-Net),这种方法采用串行结构来实现储层参数特征迁移学习。与其他现有智能方法相比,该方法克服了常见单任务储层参数预测模型易过拟合、模型训练工作量大的缺点,具有较好的抗过拟合能力和泛化能力,融合了专业知识经验。在37口预测井中,对比测试的智能方法大都还处于学术探讨到模拟工业应用的阶段,相比较于经验公式的方法,三项任务降低平均误差的百分比分别为10.44%、27.79%和28.83%,预测的渗透率和实际渗透率在一个数量级范围内。训练简便性和易用性要优于文中其他几种单任务方法,对于油田老井复查、测井资料补全等工作均能提供帮助。

关键词：深度学习多任务学习储层参数预测

邻域信息增强的MLSTM在储层参数预测中的应用研究——以非均质性碳酸盐岩为例

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

地球物理学进展 2023年

作者：王欣蒋涛周幂高国海蒋薇梅青燕赵翔西南石油大学计算机科学学院中国石油西南油气田勘探开发研究院

储层参数——孔隙度、渗透率及含水饱和度的准确预测是储层精细评价和油气勘探的重要基础。传统的储层参数预测技术主要依托由测井资料建立的经验公式或简化的地质模型，未充分考虑测井曲线间的非线性关系，在复杂储层上的泛化能力弱。... 详细信息

储层参数——孔隙度、渗透率及含水饱和度的准确预测是储层精细评价和油气勘探的重要基础。传统的储层参数预测技术主要依托由测井资料建立的经验公式或简化的地质模型，未充分考虑测井曲线间的非线性关系，在复杂储层上的泛化能力弱。考虑到碳酸盐岩储层的强非均质性以及测井数据的地层深度序列特点，本文提出一种融合邻域信息的多层长短期记忆神经网络(FN-MLSTM)，解决碳酸盐岩储层参数预测问题。首先采用主成分分析法(PCA)对测井数据提取独立特征；利用K-Means算法及其优化技术进行无监督聚类，实现井群的优化划分；融合划分产生的邻域信息，搭建多层长短期记忆神经网络(MLSTM)，实现对储层参数的准确预测。实验表明，本文提出的预测模型在某地区22口井测试集上的均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)均优于长短期记忆网络(LSTM)、深度神经网络(DNN)、极限梯度提升树(XGBoost)和随机森林(RF)，展现了在储层参数预测任务上的优异性能。此外，消融实验结果表明邻域信息的融入有效地提升了模型的预测精度。

关键词：储层参数预测测井曲线多层长短期记忆神经网络主成分分析聚类

串行结构多任务学习的储层参数预测方法（英文）

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

Applied Geophysics 2022年第4期 513-527+604页

作者：徐彬森李宁肖立志武宏亮冯周王兵王克文中国石油大学(北京)地球物理学院中国石油勘探开发研究院中国石油大学(北京)人工智能学院中国石油测井院士工作站

关键词：深度学习多任务学习储层参数预测

基于机器学习的储层参数预测研究 ——以杭锦旗致密砂岩工区为例

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于机器学习的储层参数预测研究 ——以杭锦旗致密砂岩工区为例

作者：孔抒沛中国石油大学(北京)

学位级别：硕士

鄂尔多斯北部杭锦旗工区为典型的致密砂岩储层,研究区内资源量丰富,前期勘探开发过程中积累了大量井震数据,但目前收集到的资料存在横波速度资料少,原有拟合横波速度的模型适用性差,部分地区地震波阻抗反演结果精度低等局限,储层参数计... 详细信息

鄂尔多斯北部杭锦旗工区为典型的致密砂岩储层,研究区内资源量丰富,前期勘探开发过程中积累了大量井震数据,但目前收集到的资料存在横波速度资料少,原有拟合横波速度的模型适用性差,部分地区地震波阻抗反演结果精度低等局限,储层参数计算模型的精度亟需进一步提高。为解决以上提及的问题,本文在工区内使用机器学习算法进行储层参数预测研究,以数据驱动的方法提高杭锦旗工区横波速度资料和波阻抗反演结果的精度。论文首先调研了关于横波速度预测、地震波阻抗反演和机器学习在这两种参数预测中运用的大量文献,决定采用随机森林算法和长短期记忆神经网络进行研究。在横波速度预测中,使用随机森林算法和长短期记忆神经网络建立横波速度预测模型,使用工区内两口横波井数据进行训练与预测,并与DEM岩石物理模型和最近邻算法得出的结果进行对比,结果表明长短期记忆神经网络算法精度最高;在波阻抗反演预测中,以工区重点探井Jin86、Jin98和Jin112所在的井旁地震道数据建模,使用长短期记忆神经网络进行监督学习模式下的波阻抗预测研究,采用盲井验证、与常规商业软件反演结果对比的方法对反演预测结果进行评价,结果显示神经网络算法能够更合理地刻画储层展布。研究区面积约31Km2,具有三维叠后地震记录和3口重点探井的井数据以及资料不完备的10口生产井的井数据。使用本区数据建模得到的横波速度预测结果和波阻抗预测结果误差较低,能够很好地与实测数据或地震信息匹配,并使用LSTM算法对研究区的横波速度资料和波阻抗反演资料进行了补充,资料满足工程意义上的储层参数解释精度要求。

关键词：机器学习随机森林算法长短期记忆神经网络储层参数预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的储层参数预测系统研究

基于深度学习的储层参数预测系统研究

作者：王冉东北石油大学

学位级别：硕士

孔隙度和渗透率是用来描述储层物理性质的重要参数,它们决定了储层中油气存储和开发的能力,故储层参数预测对石油勘探开发、油气藏地质建模和精细评价具有十分重大的意义。传统的储层参数预测方法是利用测井资料建立经验公式或简化的地... 详细信息

孔隙度和渗透率是用来描述储层物理性质的重要参数,它们决定了储层中油气存储和开发的能力,故储层参数预测对石油勘探开发、油气藏地质建模和精细评价具有十分重大的意义。传统的储层参数预测方法是利用测井资料建立经验公式或简化的地质模型来预测,然而这些方法仅单一的考虑了变量间的线性关系,忽略了储层的非均质性、各向异性等重要特征,导致其预测精确度较低。因此,构建一种能够反映测井资料与储层参数之间的非线性映射关系的预测模型尤为重要。针对上述问题,本文将深度学习方法应用到储层参数预测中,构建了两种预测模型分别对储层参数中最为重要的孔隙度和渗透率参数进行预测,并依据此模型结合实际业务需求设计并实现了储层参数预测系统。具体研究内容有:首先,对测井数据进行预处理以及敏感特征选取,在进行特征选取时综合考虑测井数据和钻井数据,采用基于Copula函数的相关性测度法选取与孔隙度和渗透率相关性较高的测井曲线和钻井参数。然后,考虑到测井、钻井数据与孔隙度的深度序列特征,构建基于麻雀搜索算法优化双向门控循环神经网络(SSA-Bi GRU)的孔隙度预测模型。为解决Bi GRU神经网络超参数设置复杂、人工调参难以寻到最优解的问题,引入了麻雀搜索算法进行超参数寻优,使用最优参数重建Bi GRU神经网络模型,采用松辽盆地中央凹陷区A井的数据集进行孔隙度预测。实验表明,SSA-Bi GRU模型的预测精度分别比BP、LSTM、Bi GRU模型提高了13.5%、5.7%和4%。针对渗透率与测井曲线间的相关性低,预测更困难的问题,提出一种融合一维卷积神经网络的双向门控循环神经网络预测模型(1DCNN-Bi GRU),采用1DCNN对测井数据进行空间特征提取,然后经过Bi GRU网络进行时序特征提取,深度挖掘测井曲线与渗透率之间的深层特征。实验结果表明,1DCNN-Bi GRU模型的渗透率预测精度分别比单一CNN模型、Bi GRU模型提高了8%、3%。最后,根据构建的孔隙度与渗透率预测模型结合实际的储层参数预测流程设计并开发储层参数预测系统,用于油田勘探开发过程中。

关键词：储层参数预测双向门控循环神经网络卷积神经网络麻雀搜索算法

松辽盆地B井区青山口组页岩储层参数预测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

松辽盆地B井区青山口组页岩储层参数预测方法研究

作者：曲端刚东北石油大学

学位级别：硕士

储层参数是油气资源量计算、储集性能评价等工作的重要基础,其精确度和可靠性至关重要。受取芯数量限制,岩心实验分析通常只能获得相对较少的储层参数数据,而在油气勘探开发过程中可以获取丰富的测井资料。如何科学地使用测井资料来提... 详细信息

储层参数是油气资源量计算、储集性能评价等工作的重要基础,其精确度和可靠性至关重要。受取芯数量限制,岩心实验分析通常只能获得相对较少的储层参数数据,而在油气勘探开发过程中可以获取丰富的测井资料。如何科学地使用测井资料来提高储层参数预测的精度是当前研究的热点之一。随着计算机技术的发展,机器学习、深度学习方法日益成熟,并在各个领域取得显著的成绩。本文基于机器学习、深度学习相关方法对松辽盆地B井区青山口组页岩储层参数预测方法开展研究,具体研究内容如下:(1)针对数据中存在的异常值或缺失值、数据分布不均衡以及模型构建过程中特征选取具有经验风险等问题,本文首先借助数据预处理技术,去除数据中的异常值并对数据中缺失值部分进行填充;然后借助数据可视化技术对数据进行分析,对存在数据偏移的特征进行处理;最后借助统计学中的相关系数法和树模型特征贡献度法进行特征选择。(2)针对常规样本量条件下储层参数预测方法单一化的问题,本文采用Stacking集成学习方法进行建模,其中基学习器选用神经网络、Bagging以及Boosting的代表算法,即BP神经网络、随机森林、XGBoost三种不同类型的算法,元学习器选用岭回归算法。结果显示,BP神经网络、随机森林、XGBoost在测试集上的RMSE分别为0.44、0.24、0.22,Stacking集成学习方法的RMSE为0.20,优于其他模型。同时,该方法相对于Δlg R准确率相对提升了约26%。为了证明方法的可靠性,将渗透率按照此流程进行建模,结果与实验结果接近,误差较小,稳定性较高。因此,本文认为使用Stacking集成学习在常规样本量条件下进行储层参数预测具有更高精度及可靠性。(3)针对部分储层参数数据量较小,常规机器学习方法难以获得高精度模型的问题。本文提出GBDT-Tab Net模型,首次将Tab Net模型引入储层参数预测领域,采用半监督学习的思想对数据集进行扩充,使用GBDT算法建立了一个精度较高的模型,并应用该模型生成大量伪标签,最后使用Tab Net网络进行建模。为了提高模型的稳定性,本文对Tab Net网络结构进行了改进,加入Dropout模块和残差网络抑制模型过拟合。结果表明,改进后的模型在预测精度上有明显提升,在测试集上RMSE降低了9%,相较于传统的多项式回归法准确度相对提升了20%左右。为了证明方法的可靠性,将饱和度按照此流程进行建模,结果与实验结果接近,误差较小,稳定性较高。证明了方法的有效性。(4)基于以上研究内容和研究成果,借助Py Qt5,Sklearn、Py Torch等开源库设计并开发了一套具有数据预处理、特征选择、模型构建、参数优化、储层参数预测功能的储层参数智能预测系统,实现对页岩储层参数的高效、高精度预测。综上,本文认为上述研究成果对松辽盆地B井区青山口组储层参数预测提供了新的研究思路和方法,对研究区油气勘探与开发有重要推动意义。

关键词：储层参数预测半监督学习机器学习页岩松辽盆地

机器学习算法在测井储层参数预测中的应用和改进

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

机器学习算法在测井储层参数预测中的应用和改进

作者：刘思航中国石油大学(北京)

学位级别：硕士

渗透率和孔隙度是测井储层参数中反映储层特征的重要一环,两种参数通常情况下都是由测井曲线建模拟合得出结果,近几年新兴的方法是将机器学习算法引入到预测储层参数中。在实际测井中,由于储层情况复杂,不论是传统方法还是一般的机器学... 详细信息

渗透率和孔隙度是测井储层参数中反映储层特征的重要一环,两种参数通常情况下都是由测井曲线建模拟合得出结果,近几年新兴的方法是将机器学习算法引入到预测储层参数中。在实际测井中,由于储层情况复杂,不论是传统方法还是一般的机器学习算法,都存在预测精度有限,预测范围不足的情况。针对上述问题,本文在分析了部分常规测井方法以及机器学习方法原理的基础上,将五种常见的机器学习算法预测得到的孔隙度参数和渗透率参数的预测结果进行对比,分析不同算法的优缺点。同时根据不同机器学习算法的优势,将五种算法结合起来,建立了基于遗传算法优化的委员会机器模型。根据测井数据确定模型回归性能评价标准,使用支持向量机、随机森林、XGBoost、CNN和LSTM方法预测储层参数,提出了遗传算法,即通过模拟自然界孟德尔遗传定律以人工形式构造并搜索出最优化方法,利用委员会模型回归预测孔隙度和渗透率,将这五个机器学习模型的输出结果根据权重系数综合起来作为委员会机器的输入,并使用遗传算法对各个模型的预测结果进行处理和输出。综合比较发现,基于遗传算法优化的委员会机器模型在预测孔隙度和渗透率方面取得了较好的结果,相较于单个机器学习模型,该模型在孔隙度和渗透率中的预测性能均具有一定的提升。最后,为了进一步验证模型的实用性,将模型应用于单井处理解释,发现GACM模型预测效果最好,实现了综合不同机器学习模型的优势,达到了相对精准预测测井储层参数(孔隙度、渗透率)的目的,在一定范围和条件下是一种较为可靠的方法,可以进一步为油田测井解释处理提供帮助。

关键词：储层参数预测机器学习遗传算法委员会机器