通过机器学习改善储层建模新方法
在地下地质条件复杂的高度非均质盆地中,如尼罗河三角洲盆地,对于储层模型的准确预测一直是一个挑战.储层建模是一个从发现油田开始直至生产最后阶段、废弃阶段的连续过程.目前,为了考虑空间统计学和不确定性,人们普遍采用随机储层建模的方法,而不是传统的确定性建模方法.然而,建模工作流程要求高而且速度慢,从最初的概念模型到流动模拟通常需要数月时间.此外,早期模型阶段的误差会发生累积,很难回溯更改.为了突破这些局限,本文提出了一种利用概率神经网络反演来预测储层性质的新的工作流程.首先,对测井数据进行适当调整,使其与地震数据的尺度相匹配.然后,利用调整后的测井数据和地震内外属性对(神经)网络进行训练和验证,以预测含水饱和度和具有有效孔隙度的三维体积.对三维模拟网格中的有效孔隙体积进行抽样检验,并通过盲井试验进行测试.随后,根据储层的孔隙度-渗透率关系计算渗透率.最后,对油田进行动态模拟,将该油田的产量和压力历史数据与预测值进行比较.利用海上尼罗河三角洲上新世深水浊积岩储层的一个实例验证了本文提出的方法,结果证明了该模型在预测储层物性和表征储层非均质性方面的准确性.这一新方法代表着“从地震到模拟” (建模)过程的便捷之法,它为储层模型的建立和从地震到模拟这一过程的简化提供了一种可靠、快速的方法.
机器学习、改善储层、学习改善、概率神经网络反演、尼罗河三角洲、储层非均质性、含水饱和度、深水浊积岩、测井数据、三角洲盆地
TP181;TE311;TP393
2020-12-17(万方平台首次上网日期,不代表论文的发表时间)
共7页
57-63