科学研究

白洋:回归委员会机器和岩石物理模型联合驱动的致密砂岩储层参数计算方法【IEEE TGRS,2022】
2022-01-10 阅读:4226

页岩油气和致密砂岩气等非常规油气资源是未来重要的接替资源,对这类非常规油气藏进行地层评价是地球物理测井解释面临的一项重要任务。近年来,具有强非线性拟合能力的机器学习方法发展迅速。神经网络、决策树、支持向量机等智能算法在孔隙度、渗透率、TOC含量等储层参数预测问题中应用广泛。但是,测井数据具有多源异构、小样本特征,浅层网络拟合能力不足而深层网络又易过拟合,大量繁复训练得到的智能模型推广困难,泛化能力差。为此,探索适合地球物理测井学科背景、密切联系油气开发应用场景的新思路和新方法非常必要。

针对上述科学问题,我校地球物理与信息技术学院博士研究生白洋、谭茂金教授等人,开展了多智能算法联合的异质集成学习框架研究,引入了体积模型、Timur方程、Archie公式等传统物理模型,建立了物理模型—数据共同驱动的委员会机器,实现了我国鄂尔多斯盆地致密砂岩储层孔隙度、渗透率、饱和度的准确计算。本研究取得如下主要成果:

1)针对致密砂岩储层孔隙度、渗透率、饱和度计算开展了敏感测井训练数据分析与筛选研究,通过讨论其内涵的因果关系来提高智能模型的可解释性,通过讨论其关联关系和统计学关系来提高智能模型的推广能力。

2)结合集成学习思想,构建了由多个异质专家组成的委员会机器,通过基于遗传算法的加权求和组合策略提高了解空间的搜索范围,减小了最终解落入局部极小的风险。该异质集成学习框架能够更为准确的进行致密砂岩储层参数计算,预测误差低于单个专家和传统物理模型。

3)在传统委员会机器学习框架的基础上,引入岩石物理模型开展智能模型训练,减小了最优解的搜索范围,对提高训练模型泛化能力具有较好的作用,实际预测结果也更符合真实地层变化规律。

上述成果针对致密砂岩储层评价难题,有机结合多种智能算法建立了异质集成委员会机器,显著提高了孔隙度、渗透率、饱和度计算精度,为后续油气储层精细刻画提供了坚实支撑。而且,联合岩石物理模型开展智能训练,减少了最优解搜索空间和搜索难度,是“AI+传统地学”的创新性探索与实践。

图1:物理模型—数据共同驱动的委员会机器学习框架



图2:单一智能算法与模型驱动的委员会机器孔隙度、渗透率、饱和度计算平均相对误差



图3:模型驱动的委员会机器孔隙度、渗透率、饱和度计算结果与岩心数据对比


图4:鄂尔多斯盆地致密砂岩储层孔隙度、渗透率、饱和度委员会机器计算结果


上述研究成果发表于国际地球化学与地球物理权威期刊《IEEE Transactions on Geoscience and Remote Sensing》上,Yang Bai, Maojin Tan*, Yujiang Shi, et al.(2022). Regression committee machine and petrophysical model jointly driven parameters prediction from wireline logs in tight sandstone reservoirs. IEEE Transactions on Geoscience and Remote Sensing, 60: 1-9. DOI:10.1109/TGRS.2020.3041366. [IF2020=5.6]

全文链接:https://www.doi.org/10.1109/TGRS.2020.3041366