基于机器学习的致密储层流体识别方法研究

机器学习算法已经成为工程领域建模的有力工具,这些方法通过使用复杂结构或多重非线性变换从更高的维度拟合多个变量之间的非线性关系,适用于解决工程中由于变量关系复杂,传统物理模型或经验模型无法有效解决的问题.由于传统的测井资料解释方法是基于岩石物理机理和模型为基础,需要许多假设条件,在实际应用中存在一定偏差.因此,利用机器学习算法对测井资料进行处理和解释,尤其是对储层流体进行识别具有重要意义.现有的储层流体识别方法没有充分挖掘测井数据多维空间的关联性.此外,还存在储层类别分布严重不均衡、相似物性储层的识别容易混淆的问题.本文针对储集层流体识别任务提出了基于机器学习算法的高效解决方案.采用长短期记忆网络(LSTM)和卷积神经网络(CNN)分别表征测井曲线时序特征以及多条测井曲线之间的相互关联关系;考虑到油气储集层识别任务的类别分布不均衡性问题以及不同储层的价值排序有所差异,本文采用加权交叉熵损失函数,在模型训练中更注重学习少样本类别的特征,进一步提升含油储层的识别准确度.依据储层物性差异和相似度,设计了多层级储层流体识别方法,将LSTM和CNN的模型结构应用于层级II(含油储层、含水储层和干层)和层级III(油层、油水同层、差油层和水层、含油水层)的识别.本方法在真实油田测井数据上加以验证,其中数据分布极不均衡,高价值的含油类储层占比9％,符合真实工业场景.通过大量对比实验证明,LSTM和CNN的并行网络结构能够充分挖掘测井数据多维空间的相关特征;加权交叉熵损失函数显著提高了高价值含油储层的识别准确度,多层级储层流体识别方法对于物性相近的易混淆储层,如油水同层和含油水层的区分更加准确.实验结果表明,该方法能有效克服储层流体识别任务中的各种问题,对于帮助地质专家和工程师寻找地下储层,完成储层评价具有一定的实用价值.