基于机器学习的深层页岩有利储集层预测方法及实践
基于参数关联特征分析原理、卷积神经网络(CNN)智能预测方法、核主成分分析(KPCA)非线性降维原理的一体化融合表征方法等研究,提出1套基于机器学习的深层页岩有利储集层预测方法.该方法包括5个步骤:①基于皮尔逊相关系数分析岩心和测井数据的高维关联特征.②利用KPCA非线性降维方法简化表征复杂高维数据,以准确、高效地揭示有利储集层的岩心和测井响应规律.③利用CNN和测井数据训练并验证与地下储集层近似的模型.④利用CNN和地震数据智能预测有机碳含量、含气量、脆性、地应力等有利储集层参数,有效解决储集层预测非线性复杂特征提取难题.⑤利用KPCA剔除复杂冗余信息,挖掘有利储集层大数据特征,一体化融合表征各类参数,实现储集层综合评价.该方法用于预测四川盆地威荣页岩气田奥陶系五峰组—志留系龙马溪组页岩有利储集层的空间展布,结果与岩心、测井、产能等实际数据高度吻合,证实该方法能为深层页岩气勘探开发提供有效技术支撑.
四川盆地、奥陶系—志留系、页岩气、储集层预测、机器学习、卷积神经网络、核主成分分析
49
TE122(石油、天然气地质与勘探)
国家自然科学基金;国家自然科学基金;中国石化十条龙项目
2022-10-19(万方平台首次上网日期,不代表论文的发表时间)
共11页
918-928