人工智能在致密储层裂缝测井识别中的应用

董少群; 曾联波; 车小花; 杜相仪; 徐辉; 冀春秋; 杨卫东; 李志华

doi:10.3799/dqkx.2022.088

地球科学 ›› 2023, Vol. 48 ›› Issue (07) : 2443 -2461. DOI: 10.3799/dqkx.2022.088

人工智能在致密储层裂缝测井识别中的应用

董少群 ¹^,² ,
曾联波 ¹^,³ ,
车小花 ¹^,⁴ ,
杜相仪 ¹^,³ ,
徐辉 ¹^,³ ,
冀春秋 ¹^,³ ,
杨卫东 ¹^,³ ,
李志华 ¹^,²

作者信息 +

Application of Artificial Intelligence in Fracture Identification Using Well Logs in Tight Reservoirs

Shaoqun Dong ¹^,² ,
Lianbo Zeng ¹^,³ ,
Xiaohua Che ¹^,⁴ ,
Xiangyi Du ¹^,³ ,
Hui Xu ¹^,³ ,
Chunqiu Ji ¹^,³ ,
Weidong Yang ¹^,³ ,
Zhihua Li ¹^,²

Author information +

文章历史 +

PDF (4574K)

摘要

裂缝是致密储层的有效储集空间和重要渗流通道，裂缝对致密储层的勘探与开发至关重要.单井裂缝识别主要使用井壁成像测井、阵列声波测井和常规测井，如何准确识别裂缝是致密储层研究领域的关键性难题.人工智能是新时期油气智能勘探开发突破现有技术的局限性、提高单井裂缝识别精度的利器.因此，结合近年来人工智能在致密储层裂缝识别的案例及笔者团队在该领域的研究工作，分别介绍了无监督学习、有监督学习和半监督学习人工智能方法在三类测井数据裂缝识别中的应用现状.目前，人工智能在常规测井裂缝识别中应用最为广泛，在井壁成像测井裂缝识别次之，在阵列声波测井识别中应用相对较少.关于人工智能算法，无监督方法由于识别精度问题，应用相对较少；有监督学习方法是目前应用的主流方法，但其需要有充足的有标签数据才能建立有效的裂缝预测模型；半监督学习方法是近年来的新趋势，其可以融合无监督和有监督学习的优点，充分利用有标签测井小样本数据和无标签测井大样本数据，但运行效率是该类方法需要改进的地方.目前单井裂缝人工智能识别方法的发展趋势是往高非线性拟合能力发展、单方法预测往多方法集成发展.同时也系统讨论了各类人工智能方法的存在的问题及未来的发展趋势.