采用神经网络方法据测井预测低渗气藏的孔隙度和渗透率

• 作者: Olson,TM 陈兰
• 来源期刊: 四川石油普查
• 学科: 工学
• 关键词: 低渗气藏 测井 预测 孔隙度 渗透率 神经网络
• 年，卷（期）: scsypc,（2）
• 页码范围: 16-23
• 页数: 8页
• 分类号: TE122.23

摘要

人工神经网络作为据有限、常见的数据组估算储层参数的方法得到广泛普及。利用人工神经网络方法需要输入的数据包括，与期望输出值有关的测井记录和用于训练的“真实”数据。我们将利用两个实例研究来说明利用神经网络据测井数据预测孔隙度和渗透率。在两个实例中，气田研究所需的预测是改善气藏管理和优化开采。在堪萨斯州的雨果顿（Hugoton)大型气田中，孔隙度是根据自然伽马能谱、光电分析和体积密度数据，利用类属神经网络软件预测的。这种类属神经网络软件可将神经网络建立的关系式转化成一个方程式，此方程式很容易用于所有具所需测井曲线的井。渗透率是利用更具测井方向性的软件预测出来的，此软件在网络的产生和应用中，并入了输入数据的深度窗口。除了利用输入曲线预测孔隙度之外，中子测井还用于预测渗透率。在雨果顿实例中，矿物学是确定孔隙度和渗透率的关键因素，因此大部分输入数据提供了关于储层矿物组分的资料。在训练孔隙度和渗透率的神经网络中，岩心分析作为“真实”情况。在俄克拉荷马州的雷德奥克（Red Oak)气田中，通常没有密度测井或是测井质量差，可建立多重神经网络用来据伽马射线和深感应数据预测密度。然后综合测量的和预测的密度曲线，用于计算孔隙度。建立一个辅助的网张,以便据伽马射线、感应和密度数据估算出5种级别的渗透率，岩心柱渗透率测量值可作为训练中的真实数据。这些网络的关键特征不是统计训练而是具选择性，反向预测输入数据进行验证且采用输入数据折高等距间隔。