摘要
地层的合理划分和对比是油藏描述中从单井解释到多井评价的重要组成部分，是储层形态描述和储层参数空间分布的基础，在区块地质评价中，多井分层与地层对比成果质量对于了解地层层序、岩相、层厚变化及储集层横纵向变化规律具有重大意义。多井分层与地层对比的方法多种多样，人工方法费时费力，严重依赖于地质专家的个人经验，并且极易引入个人偏见，导致准确率不高且没有统一标准。传统机器学习方法更多仅利用了目标确定层段单一深度数据信息，未充分考虑层段上下时空关联信息，导致泛化性不高，无法满足实际生产需要。 近年来，深度学习在多个领域取得了突出的成就，将深度学习应用于地层划分与对比逐渐成为主流。与传统机器学习算法不同，深度学习能够在学习样本数据的同时挖掘数据的隐含信息和特征表征，类似于人类地质专家在进行地层划分时对隐含信息的思考，能更为准确地对地层信息进行定性划分和对比。具体研究内容如下： 第一，提出了一种基于一维卷积神经网络的地层划分模型。该模型首先对原始数据进行了IMK特征构造，深入挖掘了原始测井曲线中的地层时空关联信息，然后以新特征为输入，基于一维卷积神经网络获取当前深度地层预测类型，并通过池化操作降低参数数量和过拟合风险，最后结合LSTM和随机森林算法进行了对比实验，结果表明，该方法提升了地层划分准确度。 第二，提出了一种CNN-LSTM-ATT-SNN的地层对比算法。该算法将CNN、LSTM及注意力机制融入孪生网络模型架构，通过随机维度排列算法对曲线序列进行维度重排，从而获取不同维度间的关联关系，并结合孪生神经网络架构构建CNN-LSTM-ATT-SNN模型。实验表明，与传统的单一LSTM和卷积神经网络相比，本文方法具有更高的准确性和鲁棒性。 第三，完成了基于深度学习的多井分层与地层对比系统研发。该系统基于CIFLog平台进行研发，实现了包测井曲线绘制、测井曲线数据预处理、智能模型训练、智能模型应用和结果可视化等多项功能。 经CIFLog平台测试使用，整体效果良好，具备一定的使用价值和推广价值。
NETL