科研之友
微信
新浪微博
Facebook
分享链接
摘要
油气田开发中后期急需储层单砂体精细识别，为后期剩余油气开发提供地质依据.目前，传统方法依靠研究人员对测井、岩心等资料进行综合对比分析，主观性强、效率低下；而在人工智能领域，现有的基于测井数据的储层识别方法，多研究测井曲线的波形特征，或对单个采样点进行独立分析，忽略了测井数据的纵向相关性，缺少全局认识，识别结果存在一定的局限性.针对上述问题，提出了一种基于注意力机制的双向长短期记忆神经网络(Multi-Scale Convolutional Layers Cascaded Attention-Based Bidirectional Long Short-Term Memory, MC-ABiLSTM)模型的储层单砂体智能识别方法.该模型主体分为MC与ABiLSTM两个模块.MC模块由不同尺度卷积核的并联卷积层组成，用于提取测井数据多尺度的空间特征；ABiLSTM模块采用基于LSTM的编解码框架，用于从MC模块输出的特征中提取上下层信息，获取测井数据的时序特征；最后，采用softmax分类器对提取后的测井曲线数据空间和时序特征进行识别分类.以靖安油田大路沟二区Chang612含油小层为研究对象，选取研究区岩心井的4种测井曲线(自然伽马、自然电位、电阻率、声波时差)以及3种物性参数(孔隙度、渗透率、含水饱和度)作为样本，训练MC-ABiLSTM单砂体识别模型，并与其他四种智能模型进行识别效果对比.结果表明：MC-ABiLSTM的单砂体识别精度最高，达到91.2%,可作为利用测井资料进行单砂体识别的有效手段.
-
单位西南石油大学; 油气藏地质及开发工程国家重点实验室
