-
题名基于深度学习数据融合的测井数据精细表征
- 1
-
-
作者
孙正心
金衍
孟翰
郭旭洋
-
机构
中国石油大学(北京)人工智能学院
中国石油大学(北京)油气资源与工程全国重点实验室
中国石油大学(北京)石油工程学院
-
出处
《石油科学通报》
2025年第1期75-86,共12页
-
基金
国家自然科学基金面上项目“深层脆性页岩井壁失稳的化学断裂机理与控制研究”(52074314)资助。
-
文摘
测井曲线记录钻井过程中地层的物理参数,在研究岩石特性、评估油气藏资源及揭示储层分布等方面具有重要意义。随着油气勘探的深入,隐蔽油气藏的复杂性不断增加,而传统测井数据分辨率较低的局限性,难以满足薄互层储层改造选点的需求,亟待开发高分辨率的测井数据精细解释方法。本研究提出了一种基于ResNet50回归算法的储层预测模型。该模型将能够捕捉复杂垂向地质细节的纵向连续光学薄片数据,与5种常规测井参数相结合,提升储层分析的精度。通过对某井区二叠系地层的5个井段数据进行验证,使用连续的570张地层图片样本与测井数据进行训练与预测,模型将测井数据分辨率从12.5 cm提升至6.25 cm,显著提高了测井数据的精度和分辨率。本研究使用3种公认的定量评估指标决定系数(R^(2))、均方根误差(RMSE)和平均绝对误差(MAE)对模型性能进行了全面评估。结果表明,该模型在声波时差(AC)、补偿中子(CNL)、电阻率(RT)和伽马(GR)参数的预测中表现较为准确,平均误差低于0.094,展示出模型在预测精度上的可靠性与优异性。然而,在密度(DEN)参数的预测中,模型在岩性变化较大或地质条件复杂的井段中受到了一定影响。
-
关键词
数据融合
测井参数精细表征
ResNet50
深度学习模型
储层精细化建模
-
Keywords
data fusion
fine characterization of logging parameters
ResNet50
deep learning model
fine reservoir modeling
-
分类号
P618.13
[天文地球—矿床学]
P631.81
[天文地球—地质矿产勘探]
-
