深度Transformer迁移学习的页岩气储层核心参数预测案例

• 全文链接
• 请求原文

作   者：

汪敏;  郭鑫平;  唐洪明;  张少龙;  杨桃;  钟光海; 

作者机构：

海洋地质国家重点实验室;  西南石油大学地球科学与技术学院;  天然气地质四川省重点实验室;  西南石油大学电气信息学院;  中国石油西南油气田分公司页岩气研究院; 

关键词：

总有机碳含量;  总含气量;  Transformer;  海相页岩气;  孔隙度;  迁移学习; 

期刊名称：

地球物理学报

i s s n：

0001-5733

年卷期：

2023 年 66 卷 006 期

页   码：

2592-2610

摘   要：

地层纵横向非均质性强,工区间数据分布存在差异.这导致基于已有工区数据构建的机器学习储层参数预测模型,推广到新工区会存在较大预测误差.常规地质方法是在岩心与测井响应特征分析基础上建模,利用测井资料计算储层参数,流程复杂.该方法需要岩心校准模型,同样难以快速推广到新的工区.考虑地层纵横向非均质性,本文设计了一种深度Transformer迁移学习网络,通过已有工区的测井与岩心资料构建预测模型,实现未取心新工区储层参数快速准确预测.首先利用无监督学习算法-孤立森林剔除测井数据中存在的异常噪声数据.然后设计Transformer特征提取网络,提高网络特征提取能力,以此深入挖掘测井数据与储层参数的内在联系.最后设计深度迁移学习网络,构建网络损失函数,利用随机梯度下降算法优化网络参数,实现储层参数准确预测.本方案应用于四川南部地区五峰组一龙马溪组页岩储层参数孔隙度、总有机碳含量和总含气量预测.实验结果与工区校正后计算结果、主流机器学习模型预测结果对比,本方案结果与岩心数据具有更高的一致性.应用结果表明:本文方案具有实用性、有效性和可推广性.