论文部分内容阅读
石油与天然气是世界上广泛使用的能源。在巴基斯坦,估算低品质储层的资源潜力显得尤为重要。巴基斯坦作为新兴经济体,石油和天然气公司的勘探与开发部门需要了解这些油藏的储层分布和地质趋势,以便进行经济评估。因此,要预测这些固结程度高的储层,必须先建立最合适的岩石物理模型和模板。其目标是确保油公司能降本增效。该研究需要检查测井数据是否缺失以及数据的一致性,之后才能预测油气藏的产能。储层建模是理解和评估目标储层的重要过程,在油藏工程领域应用油藏模拟,为油田开发计划做准备。测井资料在储层建模中发挥最重要的角色。测井数据能够反演岩石的物理性质,以此可以估算储层的品质。由于油藏建模受测井数据的影响,测井数据的缺失仍然是最常见的问题,因为有些测井曲线的测井成本昂贵。有时,即使从钻井现场获得了测井数据,由于受井眼环境的影响,测井曲线的质量低,不能真实反映储层的品质。例如,估算孔隙度的密度和声波测井,很容易在测井过程中受到井眼条件的影响。此外,目的层区域的测井曲线往往缺失。在这些情况下,一种选择是从新的钻探地点获得额外的测井数据,或者重新进行电缆测井,以获取所需的测井数据类型。然而,新的钻井或停止生产,均会导致巨大的成本开销,并且某些测井仪无法在套管井中开展测量。另外,由于传统的测井解释依赖人工方法,因为它需要人工干预,所以很费时间。另外,人工解释的成本也很高,这对勘探和生产（E&P）部门来说都是一个挑战。这些问题可以通过采用全新、先进的自动化机器学习方法来解决,该方法在更少的时间内完成解释,并且解释精度高。可以通过自动机器学习方法可以开展岩石物理和弹性参数的估计,测井数据修正以及未知曲线的估算,例如横波速度测井曲线。在过去,人们已经采用机器学习的思想,通过合成测井数据来解决这些问题。Akkurt设计了一种无监督的异常检测算法,该算法可以识别密度和声波测井中的异常值,并使用相似度算法来计算曲线间的相似性,并最后用梯度提升决策树来重构密度曲线。即使在该区域中共有59口井,来自20个不同油田,他们也只选择了特定的参考井来训练机器学习模型。Long重构了密度曲线,并提出了基于相似度预测的想法。即使在该区域中可以使用的井总数也很少,但他们还是选择了一口唯一的参考井来训练具有单个隐藏层的神经网络（NN）。Cao提议使用内核极限学习机,根据常见的测井资料（如伽马曲线,深侧向电阻率和密度曲线）来预测缺少的纵波速度测井资料。目标区域总共有7口井,其中4口井具有完整的测井资料,而3口井却缺少声波测井资料。他们将其设置为预测井总井的通用测井,而声波测井则被设置为预测模型的目标。Kanfar等人采用了一个时间卷积网络以及基于Inception的卷积神经网络作为深度机器学习的模型。该模型的设计是要学习数据集的高频和低频内容。使用北海Volve油田Equinor数据集中的12口井进行学习,该模型不仅可以预测密度,孔隙曲线和声波测井曲线,还可以评估各曲线之间在物理性质上是否具有一致性。并比较了随机森林、梯度提升、决策树和人工神经网络（ANN）等不同机器学习（ML）算法之间的测井曲线预测效果。此外,还预测出无侧限抗压强度（UCS）和光电（PEF）测井等非常规测井曲线,由于通常在测井期间,无法测量PEF测井;并且USC测井需要进行岩心实验,费用昂贵,很少测量。尽管随机森林和神经网络超越了其他的机器算法,但它们需要10多个输入数据,这在实际工作中往往数据要求。Jin使用递归神经网络来预测伪（合成）测井曲线。但是,该模型没有考虑实际的测井曲线特征,也没有定量评估预测模型的不确定性。为了从可用的测井曲线预测未测的测井曲线,Mohammad使用了全连接神经网络（FCNN）来开展预测。但是,全连接神经网络只能对测井曲线进行点对点的预测。Cao采用极限学习机（ELM）,其是单隐层的前馈神经网络（SLFN）,用于预测非均质砂岩储层中的油藏参数。然而,渗透率和孔隙度预测是表征储层品质的重要指标,但准确预测这两个参数极为困难。在这项研究中,作者采用了基于极限学习机的预测器,以解决巴基斯坦二叠纪的强非均质性地层中的孔隙度与渗透率估算难的问题。深度机器学习因其利用其他测井曲线能准确估算横波速度,而获得了广泛的应用。众所周知,横波测井速度至关重要,因为它在解决岩性、流体预测等地质问题中,发挥了至关重要的作用。在石油和天然气工业中,在测井记录过程中,普遍存在某些井中缺失某条测井曲线的情况,这可能是由于许多原因造成的,例如钻井过程中的工具故障和井眼不稳定。在那些井中再次运行测井仪器来获得这些缺失的测井曲线（例如密度,纵、横波测井）可能会很昂贵。在这种情况下,相似度方法在准确预测缺失的测井曲线中起着至关重要的作用,因为它参考邻井的曲线特征,考虑了地层的变化特征,进而预测所需层段的测井曲线。到目前为止,已经有很多不同的经验公式来估算缺失的测井曲线。如Gardner等人（1974年）给出了饱含水岩石中密度与声波的经验公式。Smith（2007）和Faust（1953）的方法提供了关于声波测井与电阻率测井之间关系的区间经验基础。Greenberg（1992）和Castagna等人（1985）提出了不同矿物条件下的纵、横波速度的经验关系,在已知纵波速度曲线的条件下估算横波速度曲线。同样,一些研究人员也采用了机器学习思想来预测缺失的测井曲线。Verma根据孔隙度与GR曲线,提出了一种相似度（VGS）和同步似然法（SL）方法,以衡量不同井之间曲线的相似度。Bader提出了一种通过邻井相似的测井曲线来预测缺失测井曲线的方法。Freire建立了半自动算法,用于测井的统计地层关系。它通过对所选窗口中的进行收缩、拉伸、移位后,开展相关性估计,但不能用于比较同一组测井曲线。Al-Anafi和Gates使用非线性支持向量机（SVM）技术预测强非均质性砂岩储层的渗透率和岩相分类。根据储层的非常规和常规设置,还有许多很多岩石物理模型可以用来预测测井曲线,尽管如此,它们都是在层间开展的,跟岩性有关,并且需要人工的标定以及丰富的经验。此外,油藏建模是理解和评价目标油藏和油藏模型的一个重要过程,在油藏工程领域应用油藏模拟,为油田开发方案做好准备。测井数据是储层建模中发挥了重要的作用。因此,在这项研究中,采用新颖和先进的自动化机器学习工具,来实现以下两个先前被忽略的目标:（a）通过机器学习工具对测井资料进行数据处理,以消除异常值,进而预测横波测井（DTS）和密度测井（RHOB）等缺失的测井曲线。（b）为巴基斯坦东南部印度河盆地下部油田开发可靠的岩石物理模型和岩石物理模板。巴基斯坦优质储层分布零散,巴基斯坦信德省以其丰富的石油、天然气资源潜力而闻名,在整个国家的石油与天然气的产量中占有很高的比重。研究区域Sawan油田位于印度河南部盆地,也被称为“印度河下游盆地”。南印度河盆地位于印度盾的西面;东部为Kirther山脉和冲断带、苏莱曼褶皱;在南部的Khairpur-Jacobabad高地和北部的Sargodha高地。研究区位于西北方向,海尔普尔高地位于海尔普尔高地,其特征是与现今有关的地温梯度极高,高达4.8℃/100m。Khairpur高地对Miano气田、Kadanwari气田、Sawan气田周边地区构造圈闭的形成起着至关重要的作用。由于印度河盆地（上、中、下）富含碳氢化合物,覆盖的完整含油气系统较少,因此印度河盆地下部和中部的钻井数量较多。有机丰富,黑色页岩沉积在一个退休的海相,氧气贫乏的环境中,被认为是最好的烃源岩。下白垩统Sembar组页岩由于其有机质丰富和热成熟度,由于其有机质丰富和热成熟,是该地区已探明的碳氢化合物来源。Sembar组由早白垩世的戈鲁组叠加而成的,后者分为两个不同的部分,即下戈鲁组（LGF）和上戈鲁组（UGF）。LGF由页岩、石灰岩、砂岩和粉砂岩组成。下戈鲁组上部以页岩和石灰岩为主。LGF的下部以基性和块状砂为主。戈鲁组沉积于浅海环境的河流型近端三角洲前缘沉积环境。河流沉积体系具有由粗到细、多孔和透水的沉积物,沉积在河流河道中形成储层。下戈鲁组也由非常粗到细的沉积物组成,并形成了Lib的主要储集岩。LGF可划分为A、B、C、D四个层段,其中D、B、C三个层段具有很好的油气潜力。Sawan气田是该区重要的产气区之一,早-晚白垩世下戈鲁组是该区的潜在储集层。Sawan气田一直是巴基斯坦最大的天然气储量发现地之一。为了实现这些研究目标,本次研究提出了机器学习技术来训练模型,从而简化人工解释过程的数据,从而通过机器学习技术来最大限度地减少人工解释的人力投入,节省人工解释的时间,提高测井曲线与成果解释质量,并建立了一个适用于本区的岩石物理工作流程,指导建立了巴基斯坦下Goru砂岩储层的岩石物理模型和模板。本文的目的是探索应用机器学习技术提高地球物理测井曲线的保真响应特征,并建立稳健的岩石物理模型和模板。该研究对比了已公开的经验公式和理论模型,采用了不同的岩石物理模型,建立起测井响应与孔隙度、岩性、流体类型的联系。采用了多种机器学习方法来训练和增强模型的预测性,例如自动化的机器学习工作流程,包括曲线质量控制（QC）、异常值检测和测井曲线重构。它集成了最新的机器学习思想,基于井间相似性开展异常值检测、预测回归、分类,多维缩放（MDS）和井排序,并基于相似性准则,使用最新的机器学习算法与深度神经网络来预测缺失的横波速度曲线。这种新的方法使用了不同井之间具有相似地球物理特性的模式,以准确地预测出缺失的测井曲线。这种方法用于分析预测横波速度的准确性,并将根据常规测井曲线准确地产生剪切声波测井。提供一个来自基准数据集的示例,其中可以预测完整的横波测井,并将该方法预测的数据与原始所测的横波速度曲线、常规方法预测的横波速度曲线进行比较。类似地,通过构建岩石物理模型,帮助准确理解油井的地质特性,并支持包括油气勘探中的各项任务,因此开展了岩石物理解释。这是由经验丰富的岩石物理师执行的,并且遵循相应的工作流程,其中包含多个连续串联的步骤,每个步骤都使用前面步骤的结果。岩石物理学结合了测井数据,用于评估、预测和建立地层岩性、孔隙度、含油气饱和度、渗透率与测井曲线之间的关系。岩石物理学也被用来评价一口井的经济可采储性。地震岩石物理中的测井分析与常规测井分析在许多方面存在不同。在地震勘探中,目的层的垂直尺寸总是比油气生产区的垂直尺寸大得多。地球物理学家需从地表传到深层的地震波中,获得反映岩石弹性属性的信息。本文总结了用于测井曲线质量控制（QC）和估计岩石物理特性的方法。结果证实了机器学习在地球物理学领域将大有作为。例如,在Sawan-03井中只有400m的数据可用,其中100m位于冲洗带,从而导致测得的密度曲线不准确。对于岩石物理师而言,根据其他曲线重建密度曲线是一个非常耗时的过程,但是在该井的其他层段处,井眼条件良好,测井曲线质量高,这是后续开展机器学习训练提供了很好的数据基础。通过对比实测密度曲线与机器学习模型重构的密度曲线,两者的匹配程度高,表明机器学习模型构建的模型精度高且具有很好的预测性。机器学习在模型训练前一项重要的工作就是对已有的测井曲线做好质量控制检查,确保训练模型的输入数据可靠。同样,我们还对另一口井应用了机器学习方法,该方法演示了我们选择的其中一口井的机器学习模型的结果。在Sawan-04井中只有250m的数据可用,其中50m是冲刷段,导致测得的密度曲线失真。将深度神经网络（DNN）以及相似性指标（例如Jaccard和Overlap相似性）用于检查井间的关系,降维技术（包括多维标度（MDS））和井位排序技术用于提取井的常见地球物理响应特征,排序打分较高的井表明其存在很强的相似性。这也可以通过测井数据的叠加来验证。在数据质控的基础上,横波速度预测也是本次研究的主要目标。从相似度分析中获得井的相似度分数后,我们可以从研究的最重要阶段开始,即将相似度方法与深度神经网络相结合,对相似分数较高或较合理的井进行精确地预测缺失横波速度测井曲线。然后,将深度学习的结果与实测的横波速度,以及Greenberg和Castagna经验公式估计的结果进行比较,结果表明深度学习具有最高的精度。将具有较高相似性得分和完整测井曲线数据集的井用作参考井,以预测缺失的横波速度。例如,Sawan-08和Sawan-07之间的最高相似性得分,这为准确预测横波速度奠定了很好的基础。基于深度神经网络技术的相似性结果,对横波速度的预测具有精度高的提点。在对比分析不同的预测结果中,将实测的横波速度数据和预测横波速度做交会。对比图上显示,本次研究的方法相对于常规方法来说,具有更高的精度。从测井曲线上看,在1500m至2300m的深度之间,Greenberg和Castagna（1992）的预测结果与原始横波测井资料相比,相关系数为75%,而该方法可达到97%的相关系数。从这些结果来看,我们得出的结论是,所提出的方法可以对原始的横波测井数据进行合理的估算。并且该研究评估了五口井的数据集,对传统的岩石物理模型进行改进,为巴基斯坦的下戈鲁砂岩储层建立合理的解释模板。在研究中比较并评估了不同的岩石物理模型,例如硬砂模型、易碎砂模型、Greenberg和Castagna模型,以及Raymer的模型,通过实际井的标定来选择最佳的模型,这将为未来的研究人员提供很好的指导作用。根据对比结果,硬砂模型是适合本区的岩石物理模型。此外,还将岩石物理模板（RPT）用于测试预测模型的可靠性,这有助于对Goru砂储层进行地层评估、储层表征和远景评估。该预测的模型可以进一步用于指导地震中的波阻抗来估算孔隙度,并可以推广应用整个巴基斯坦下戈鲁沙储层以及全球范围内具有相同地质背景的储层中。最后,在提高测井质量并预测缺失的测井曲线后,该研究试实现了最后一个目标,为巴基斯坦的下古鲁砂岩储层建立一个合适的模型。在利用其他可用的测井资料重构了失真的测井资料后（例如密度测井和声波测井资料）,然后将它们组合起来以估算地层岩石物理性质,而这些岩石物理性质均能较好的反映储层的地质特征（例如孔隙度、岩性和流体特征）。在研究中讨论了,在不同储层条件下,Goru砂岩所对应的岩石物理参数。因此,必须建立最佳的合适岩石物理模型和模板,弥补之前采用非固结模型不符合实际的缺陷。总体而言,机器学习模型的性能令人鼓舞,因为它可以产生与实测声波测井、密度测井的测井（原始）结果相匹配的结果。而对于人工解释而言,重构这些受井眼影响的密度和声波曲线是一项艰巨而耗时的任务,然后机器学习模型可以在几秒钟内完成这项艰巨的工作,准确的预测结果对后续的研究非常有用,这种方法的优势在于,它不需要岩石物理理论那样对测井曲线进行分段预测,并且可以输出最小二乘法所带来的不确定性。在含气层段,机器学些方法也显示了高精度的横波速度预测结果,而Greenberg-Castagna方法仅使用与饱和水的岩石中,在含气砂岩层段中预测误差大,因此该方法能提供更高精度的横波速度预测结果,有了横波速度之后,其在地质力学、岩石物理学和其他应用中将发挥重要的作用。较好的数据一致性为增强储层特征奠定了坚实的基础。事实证明,训练的模型对于精确计算所有井中的弹性参数（例如纵波速度、横波速度和密度）很有用。交会图中的定量值（例如岩石物理参数和弹性参数的截止值）描述了泥岩、泥质岩砂和含气砂岩层之间的参数差异特征。结果表明,在含气砂岩中,Vp/Vs对含气性反映敏感,其次是纵波阻抗。所提出的模型和校准后的岩石可用于更好的开展地震储层描述工作。该模型的可靠性有助于在有下古鲁砂岩储层的不同区域进行地层评价、储层表征和远景评价。在整个研究过程中,使用高质量的测井曲线数据至关重要。建议研究人员通过在岩石物理模型的越是下,来推断远离井点处的储层品质。