论文部分内容阅读
如今世界经济快速发展的情况下,对能源的需求量也日益增多。常规油气田趋于开采殆尽,石油勘探行业必须向复杂致密油气藏进军。火成岩储层作为国内石油资源的重要组成部分,其成分及结构复杂、评价难度大,已经成为现在研究的热点。火成岩储层的储能与裂缝息息相关,裂缝可以作为流体通道又可以作为油气的储集空间。准确的识别裂缝,预测裂缝的孔隙度是评价火成岩裂缝性油气藏的关键一环。为解决评价火成岩裂缝性储层的难题,本文以冀东地区黄骅坳陷南堡5号构造的火山岩为研究对象,研究裂缝的计算机自动识别和裂缝孔隙度的预测。火山岩储层的裂缝孔隙度与裂缝密度、开度和岩性息息相关,因此需要首先识别岩性。本文采用K-近邻(K-nearest neighbor,KNN)法划分火山岩岩性,对比BP神经网络、支持向量机(SVM),KNN法划分火山岩岩性准确率高,97块火山岩样本测试准确率在90%。裂缝的自动识别方面,以电成像数据为切入点。电成像数据纵向分辨率高包含的地层信息更为丰富,但传统人机交互识别裂缝工作量大、效率低。针对此问题本文提出条件生成对抗网络(conditional generation countermeasure network,CGAN)识别电成像测井图像中的裂缝。本文探究CGAN在裂缝识别过程中发现,CGAN具有识别速度快、抗干扰能力强的优点。识别南堡5号构造火山岩层段成像图中的水平缝和低角度缝准确率达90%。预测裂缝孔隙度方面,利用卷积神经网络进行裂缝孔隙度的回归预测。预测南堡5号构造火山岩层段裂缝孔隙度平均相对误差1.247%,其中相对误差最小为0.025%。本文方法可以利用计算机自动识别FMI图像中的裂缝,大大节省了人机交互提取FMI裂缝信息的时间。定量评价裂缝孔隙度,为之后定量评价裂缝性火山岩储层的储能和产能做铺垫。未来可将本文处理方法泛化改善,应用到其它裂缝型复杂油气藏的评价中。