石油学报
石油學報
석유학보
ACTA PETROLEI SINICA
2013年
2期
312-322
,共11页
火山岩%岩性划分%储层%岩石物理测井%多元回归分析%人工神经网络%支持向量机
火山巖%巖性劃分%儲層%巖石物理測井%多元迴歸分析%人工神經網絡%支持嚮量機
화산암%암성화분%저층%암석물리측정%다원회귀분석%인공신경망락%지지향량궤
提出了用9种火山岩的岩石类型描述火山岩储层岩性的模型,表达岩性对优质储层的控制作用.基于该模型,选取了对火山岩的岩性、组构、成因和孔隙结构反应灵敏的15种岩石物理测井参数,分别采用多元回归分析(MRA)、人工神经网络(ANN)和支持向量机(SVM)3种机器学习算法,尝试火山岩岩性的识别.在三塘湖盆地马朗凹陷牛东油田的实例中,使用了3口井的数据,其中N9-10并和N9-19并的火山岩储层为学习样本,N8-10并的火山岩储层为预测样本.利用N9-10井1361个样本和N9-19井881个样本(每个样本含15种测井参数及岩性),通过这3种机器学习算法分别获得预测火山岩岩性的知识;然后,利用N8-10井961个样本(每个样本仅含15种测井参数),根据上述学习获得的知识,得到这961个样本的岩性.研究发现:对于学习样本,MRA、ANN和SVM的计算与实际的平均相对误差绝对值分别为51.84%,48.66%和0;对于预测样本,则分别为52.44%,46.31%和6.30%.实例分析表明,只有SVM适用于本实例,这是由于火山岩岩性与15种岩石物理测井参数的非线性关系十分强烈.
提齣瞭用9種火山巖的巖石類型描述火山巖儲層巖性的模型,錶達巖性對優質儲層的控製作用.基于該模型,選取瞭對火山巖的巖性、組構、成因和孔隙結構反應靈敏的15種巖石物理測井參數,分彆採用多元迴歸分析(MRA)、人工神經網絡(ANN)和支持嚮量機(SVM)3種機器學習算法,嘗試火山巖巖性的識彆.在三塘湖盆地馬朗凹陷牛東油田的實例中,使用瞭3口井的數據,其中N9-10併和N9-19併的火山巖儲層為學習樣本,N8-10併的火山巖儲層為預測樣本.利用N9-10井1361箇樣本和N9-19井881箇樣本(每箇樣本含15種測井參數及巖性),通過這3種機器學習算法分彆穫得預測火山巖巖性的知識;然後,利用N8-10井961箇樣本(每箇樣本僅含15種測井參數),根據上述學習穫得的知識,得到這961箇樣本的巖性.研究髮現:對于學習樣本,MRA、ANN和SVM的計算與實際的平均相對誤差絕對值分彆為51.84%,48.66%和0;對于預測樣本,則分彆為52.44%,46.31%和6.30%.實例分析錶明,隻有SVM適用于本實例,這是由于火山巖巖性與15種巖石物理測井參數的非線性關繫十分彊烈.
제출료용9충화산암적암석류형묘술화산암저층암성적모형,표체암성대우질저층적공제작용.기우해모형,선취료대화산암적암성、조구、성인화공극결구반응령민적15충암석물리측정삼수,분별채용다원회귀분석(MRA)、인공신경망락(ANN)화지지향량궤(SVM)3충궤기학습산법,상시화산암암성적식별.재삼당호분지마랑요함우동유전적실례중,사용료3구정적수거,기중N9-10병화N9-19병적화산암저층위학습양본,N8-10병적화산암저층위예측양본.이용N9-10정1361개양본화N9-19정881개양본(매개양본함15충측정삼수급암성),통과저3충궤기학습산법분별획득예측화산암암성적지식;연후,이용N8-10정961개양본(매개양본부함15충측정삼수),근거상술학습획득적지식,득도저961개양본적암성.연구발현:대우학습양본,MRA、ANN화SVM적계산여실제적평균상대오차절대치분별위51.84%,48.66%화0;대우예측양본,칙분별위52.44%,46.31%화6.30%.실례분석표명,지유SVM괄용우본실례,저시유우화산암암성여15충암석물리측정삼수적비선성관계십분강렬.