用集成深度学习解决方案预测岩石物理、孔隙压力和地质力学属性

• 作者: Ehsan Zabihi Naeini Iestyn Russell-Hughe Marianne Rauch-Davies Sam Green 张廷香
• 来源期刊: 石油科技动态
• 年，卷（期）: 2020,（4）
• 页码范围: 16-25
• 页数: 10页
• 语种: 中文

摘要

当前,在非常规油气储层的钻井速度是前所未有的.再加上地层复杂、储层类型多种多样、岩石性质变化多端,以及孔隙压力、地质力学性质、压裂和成岩作用等各种因素的技术挑战,都要求使用更复杂、更快速、更一致且适用范围更广的分析工具.在给定工作规模(即井数)情况下,要用传统的工作流程进行岩石物理、孔隙压力和地质力学预测,从运算周期的角度考虑,可能不切实际(如果不是不可能的话).这种工作流程同样可能无法有效地使用任何现有的区域研究成果.从理论上看,机器学习方法可以减少这些缺点.作者证明,有监督的深度神经网络方法可以成为岩石物理、孔隙压力和地质力学分析的替代性创新工具,它能够利用之前解释的所有数据设计出可以同时集成大范围的钻井数据和测井记录的解决方案.除此之外,还可用类似的方法仅根据地震推导的属性来预测出一定数量的属性,从而可以计算体模型.在一个二叠盆地的实例研究中应用了这种算法,结果发现基于神经网络的自动算法在很短的时间内即可达到合理的精度.