科研之友
微信
新浪微博
Facebook
分享链接
摘要
页岩孔隙度是表征页岩储层孔隙结构的关键指数之一,对孔隙度进行准确预测是开展储层评价的重要一步。页岩孔隙度的准确确定需要以取芯井数据为依据,如何基于极少量取芯井数据,准确预测整口井的孔隙度,是一个有意义的问题。提出了全新迁移深度神经网络模型,基于少量测井和岩芯数据,实现孔隙度的准确预测。首先,根据皮尔逊相关系数法,优选源井深度神经网络的输入测井参数;然后,提出一种新的方法,计算源井与目标井测井数据分布相似性,定量衡量两井间的地质差异;最后,用少量的与源井测井数据分布相似的目标井测井数据再训练源井预测网络,构建预测目标井孔隙度迁移深度神经网络。在A2、B2两口井的测试结果表明:1)该方法只需要10%的数据量,就到达了绝对均值误差为0.032 9和决定系数为0.841 6的预测性能。2)提出的计算两井相似性的方法可以有效衡量井间差异。源井测井数据与目标井测井数据分布越相似,迁移学习网络的孔隙度预测精度越高。所提出的模型能有效减小对测井和岩芯数据的依赖,极大降低页岩气勘探开发成本。
- 单位
