期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
测井智能解释中机理模型—机器学习联合驱动范式及应用
1
作者 谭茂金 白洋 张博栋 《石油地球物理勘探》 北大核心 2025年第4期966-977,共12页
地球物理测井是探测地下油气储层流体类型和评价储层参数的重要手段,传统测井解释方法面临挑战。人工智能(AI)算法先进,精度高,在测井解释方面具有独特的优势,“测井+AI”是当前测井解释研究的新领域。然而,智能测井解释中,样本规模小... 地球物理测井是探测地下油气储层流体类型和评价储层参数的重要手段,传统测井解释方法面临挑战。人工智能(AI)算法先进,精度高,在测井解释方面具有独特的优势,“测井+AI”是当前测井解释研究的新领域。然而,智能测井解释中,样本规模小、训练模型泛化能力弱导致单纯机器学习的测井解释方法难以推广应用。物理模型包含从测井数据到地质目标的内在机理,将数据驱动与机理驱动相结合是提高测井解释精度的有效途径。现有的数据—机理联合驱动缺乏范式遵循,为此,聚焦智能测井解释参数预测,提出了数据—机理联合驱动的概念、思路,并总结出两个范式:一是数据引导的物理建模,以物理建模为主导,其中关键步骤或参数采用数据驱动获得,数据驱动为辅;二是物理引导的机器学习,以机器学习为主导,知识模型或物理机理为辅助,对输入数据、损失函数、训练过程进行监督和约束。因此,提出了物理模型增广数据集、知识驱动样本加权和岩石物理知识迁移三种数模双驱模式。将上述数模双驱的范式或模式应用于致密砂岩、有机页岩储层参数预测和矿物含量预测。与单纯数据驱动的机器学习相比,数据—机理联合的双轮驱动范式能够显著提高测井解释模型对小样本、差样本的学习能力,模型的稳健性更好,泛化能力更强,解释精度更高。 展开更多
关键词 测井解释 机理模型 机器学习 联合驱动 储层智能评价
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部