科研之友
微信
新浪微博
Facebook
分享链接
摘要
岩性识别是石油地质勘探领域中一项非常重要的基础性工作,钻井取心和测井曲线是两种常用的岩性识别方法。近几年,机器学习在岩性识别中得到越来越广泛的应用。然而,已有的算法往往是关注基于测井曲线的岩性识别,没有很好地将岩心样本信息和测井曲线数据结合起来。论文拟通过迁移学习技术构建一套智能化的岩性识别方案。首先通过深度学习构建基于岩心图片的岩性自动化识别模型;其次,利用对抗生成的模态恢复技术从非取心井的测井曲线数据中自动合成相应的岩心样本信息,从而将取心井的岩心样本信息迁移到非取心井,建立岩心样本辅助的测井岩性识别模型。最后,构建考虑地质特性和空间信息的多任务实例迁移来进一步优化模型。论文在迁移学习的框架下,提出了类别鲁棒的正则学习、对抗生成的模态恢复、多任务的实例迁移等创新方法。此项工作有助于油田利用测井曲线去快速、准确地预测岩性,提高我国油气勘探工作的智能化、自动化水平。
-
单位中国石油勘探开发研究院; 兰州理工大学
