科研之友
微信
新浪微博
Facebook
分享链接
摘要
测井资料人工解释是目前主流的储层流体性质识别手段,但其应用于复杂储层时存在识别率低、非智能化的缺陷;而近年来发展起来的深度学习方法可以从海量数据中自动提取数据特征,非线性预测能力强。基于目标区块已有大量测井资料和试油结果数据,在应用常规深度神经网络的基础上,提出一种采用混合采样技术、ReLU-Softmax激活函数和Dropout正则化的组合优化新方法。优化后的网络模型对流体识别问题适应性强,且有效避免了样本不均衡、过拟合等问题。将该方法应用于车排子油田低渗油藏某井区,对12口井的水层、干层、油水同层、油层4种流体进行识别,结果显示总体识别准确率达82.7%,单一流体识别率也均较高。且组合优化方法的识别效果明显优于其他方法,尤其使得小样本类——油层和油水同层的识别率得到显著提高。展现了深度学习在复杂储层流体性质识别中良好的应用效果。
- 单位
