核磁共振与常规测井方法结合对Arbuckle组溶洞相进行分类:一种机器学习方法
碳酸盐岩的成岩作用可以增大或堵塞沉积作用形成的孔隙空间.可靠地识别使孔隙度增大的成岩特征(如溶洞和裂缝)对于储层性质(如孔隙度和渗透率)的岩石物理特征描述、地质和储层模型的构建、储量估算和产量预测至关重要.由于这些成岩特征通常与矿物和流体浓度的变化混合在一起,因此,如何通过测井来描述这些成岩特征仍然是一个挑战.在此,我们探索了一种基于堪萨斯州Arbuckle组综合测井信息的数据驱动方法,以对碳酸盐岩中的溶洞相进行分类.可用的测井数据包括常规测井(伽马射线(GRTC)、电阻率(RT)、中子孔隙度/密度孔隙度(NPHI/RHOB)、光电系数(PE)和声波时差)以及核磁共振(NMR)横向弛豫时间(T2)测井.我们使用一个多模态对数正态高斯密度函数对测得的T2分布进行参数化,并将得到的高斯参数与常规测井曲线相结合,输入三种有监督机器学习(ML)算法:即,支持向量机(SVM)、随机森林(RF)和人工神经网络(ANN).本研究中使用的岩相标记数据基于对岩心样品溶洞尺寸的目视检查,包括五类:无溶洞、针尖大小、厘米大小、拳头大小和超级溶洞.总的来说,80％的数据集被用作训练集,超参数调整使用五倍交叉验证.我们根据不同的特征组合对上述三种机器学习(ML)算法进行了详细比较.利用支持向量机(SVM)算法,结合常规测井曲线和选定的NMR高斯参数作为输入,在测试上实现的最高分类精度为84％.一般来说,与单独使用核磁共振数据相比,常规测井数据的加入提高了预测精度.特征选择提高了SVM和ANN的性能,但对于RF并不推荐.
机器学习方法、测井方法、方法结合、常规测井曲线、有监督机器学习、成岩特征、支持向量机、孔隙度和渗透率、高斯密度函数、岩石物理特征
P631.84;TP391.41;TP181
2020-11-26（万方平台首次上网日期，不代表论文的发表时间）
共13页
41-53
