摘要
针对巴西盐下湖相碳酸盐岩储层物性非均质性强、岩性对储层物性控制弱的难题,采用小样本统计学习性能较强的支持向量机(support vector machine, SVM)解决储层物性评价问题。SVM不仅可以从复杂的测井信息中挖掘出储层物性信息,还可以从测井曲线中挖掘出岩性信息,解决因样本少而难以分岩性进行物性评价的问题。以实测孔隙度作为训练数据的标签,并以其对应深度的测井曲线作为训练数据,挑选出多条对储层物性敏感的特征曲线,采用SVM方法实现井点孔隙度和渗透率的准确预测。评价结果表明,与BP神经网络方法对比,SVM方法预测效果更佳,更适合样本点较少、处理复杂的非线性问题。
-
单位中国石化石油勘探开发研究院; 长江大学; 油气资源与勘探技术教育部重点实验室