基于岩石物理模型样本扩充的深度学习密度预测方法——以B凹陷重力流储层为例OA
密度属性参数是B凹陷深水区重力流储层预测的关键参数。当缺乏大角度地震信息时,常规叠前反演方法计算的密度属性参数精度较低。为此,应用深度学习方法进行密度预测。首先,为了弥补海上少井条件下标签的不足,通过岩石物理建模生成大量的伪井样本井曲线;然后,利用样本井曲线正演模拟扩充标签数据集,进一步通过卷积神经网络深度学习方法训练正演模拟结果;最后,通过对训练得到的神经网络模型进行迁移学习,并应用于实际叠前道集进行密度预测。结果表明,常规反演得到的密度属性与井吻合性较差,而所提方法预测的密度结果连续性更好且更加稳定,训练井预测误差降低至3%,验证井结果与实测数据吻合度更高,可达到85%。该方法在岩性目标评价中能够发挥重要作用。
肖曦;叶云飞;牛聪;王志红;周鹏;陈建华
中海油研究总院有限责任公司,北京100028 海洋油气勘探国家工程研究中心,北京100028中海油研究总院有限责任公司,北京100028 海洋油气勘探国家工程研究中心,北京100028中海油研究总院有限责任公司,北京100028 海洋油气勘探国家工程研究中心,北京100028中海油研究总院有限责任公司,北京100028 海洋油气勘探国家工程研究中心,北京100028中海油研究总院有限责任公司,北京100028 海洋油气勘探国家工程研究中心,北京100028中国海洋石油国际有限公司,北京100028
天文与地球科学
密度预测深度学习岩石物理建模样本扩充岩性圈闭
《石油地球物理勘探》 2026 (4)
P.888-897,10
评论