基于斯通利波与监督学习的砂砾岩储层渗透率预测方法

砂砾岩储层非均质性强、孔隙度与渗透率关系复杂,导致斯通利波反演渗透率效果不佳。为解决该难题,提升该类储层渗透率预测精度,首先分析了反演理论模型的缺陷与适用性,并基于岩心实验和测井数据明确了斯通利波时差、幅度、中心频率与衰减等为渗透率敏感参数,继而以岩心渗透率为标签,分别采用支持向量机回归(Support Vector Machine Regression,SVR)、极限梯度提升决策树(Extreme Gradient Boosting Decision Tree,XGBoost)、一维卷积神经网络(One-Dimensional Convolutional Neural Network,1DCNN)3种机器学习算法,结合随机交叉验证、自适应性矩估计(Adaptive Moment Estimation,Adam)、迁移学习等技术优化模型超参数构建渗透率预测模型,并通过SHAP(Shapley Additive Explanations)分析输入变量对不同模型的贡献度和模型的合理性,最终对比分析了模型应用效果。研究结果表明:①斯通利波时差、幅度、中心频率、衰减为砂砾岩储层渗透率的敏感表征属性,其与渗透率的相关性符合慢纵波理论原理;②构建的3种监督学习模型均显著提升砂砾岩储层渗透率估算精度,与人为优化的反演结果相比,XGBoost模型预测值的对数均方误差降低30%以上、采用迁移学习构建的1DCNN模型预测误差降低50%以上,SVR模型精度相对前两者偏低;③SHAP分析显示,1DCNN和XGBoost模型能正确学习到知识,斯通利波时差、幅度、中心频率是影响模型输出的主要特征,而SVR模型未能正确学习,输入特征贡献与敏感参数相关性分析差异偏大;④输入特征舍弃斯通利波衰减后,XGBoost模型精度无显著变化,1DCNN和SVR模型误差明显增大,表明斯通利波衰减仍是表征渗透率的有效特征之一。结论认为,利用斯通利波敏感参数结合监督学习算法(尤其XGBoost和1DCNN迁移学习)可有效克服传统反演算法在砂砾岩储层的应用困难,显著提升渗透率预测精度,为低孔隙度-特低渗透率非均质砂砾岩储层渗透率评价提供了有效新方法。

资料为PDF文档格式.

本文档关键词:渗透,预测,斯通,监督,砂砾