9、利用浅层神经网络和分类方法逼近地下原位含流体孔隙大小分布

利用浅层神经网络和分类方法逼近地下原位含流体孔隙大小分布

1. 引言

在地质勘探中，核磁共振（NMR）测井响应经过反演处理后可得到特定深度的T2分布。T2分布是孔隙中流体氢核的横向弛豫时间，以64个T2时间区间内测量的T2振幅谱来表示，它与孔隙中流体填充的孔隙体积、流体相分布和流体流动性有关，可近似表示含流体孔隙大小分布。

然而，与常规测井工具（如伽马射线、密度、中子孔隙度和电阻率测井）不同，NMR测井工具在部署和计算NMR T2分布时面临操作和财务挑战，尤其是在页岩储层中。一些井况，如侧井段、深高温高压储层中的小直径井眼以及碳酸盐岩中常见的大井眼冲刷等，限制了NMR测井工具的使用。因此，我们的目标是利用常规易获取的测井数据来合成NMR T2分布，以便在因井况、财务限制和操作约束而无法获取NMR测井数据的井中也能得到NMR T2分布。

为实现这一目标，我们开发了两种基于人工神经网络（ANN）的预测模型：
- 第一个预测模型 ：采用具有全连接层的通用ANN，生成离散为64个T2区间的T2分布，这些区间对应于0.3 - 3000 ms的弛豫时间，按对数方式分为64部分。
- 第二个预测模型 ：分两步实现。首先，用具有六个参数（两个振幅、两个方差和两个峰值振幅的T2位置）的双峰高斯分布拟合T2分布；然后，使用具有全连接层的通用ANN模型生成双峰T2分布的六个参数，进而生成地层中任意深度的T2分布。这种方法基于T2分布响应大多为单峰或双峰分布的观察结果。

2. 方法

2.1 含烃页岩系统

所研究的页岩系统包含常规和非常规元素。