煤田地质与勘探

作者：汪锐, 李芳, 刘仕友, 孙万元, 李松龄, 黄晟,

关键词：深度学习, 储层参数预测, 标签数据构建, 低渗储层, 岩石物理建模,

背景准确预测储层参数对地下储层表征、气藏模式构建、产能释放及流体运移理解具有关键意义。传统基于岩心测量或数学−岩石物理建模的方法受限于弹性参数反演结果的多解性和低精度，难以满足现代勘探需求。目的和方法为提升低渗储层参数预测的准确性，提出了一种岩石物理建模引导的低渗储层参数预测方法。将卷积神经网络（Convolutional Neural Network，CNN）作为深度学习框架，从实际地震数据中直接预测含水饱和度、泥质含量及孔隙度；为解决标签数据稀缺问题，结合岩石物理建模与弹性参数随机扰动技术，生成高质量训练样本，有效扩充了数据集。结果和结论理论模型测试表明：在储层参数对岩石物理敏感性较低的情况下，也能实现低渗储层参数的空间分布预测；相比纯数据驱动的深度学习，仅需少量测井数据即可获得高精度的储层参数预测结果。在莺歌海盆地东方区的应用实践表明，该方法优化了钻井部署，助力了低渗领域的重大勘探突破和储量发现。

来源：2024年第8期

《煤田地质与勘探》期刊编辑部

查看煤田地质与勘探杂志2024年第8期