17、页岩储层测井合成与提高采收率指标研究

页岩储层测井合成与提高采收率指标研究

1. 测井合成模型性能分析

在页岩储层中，使用了六种浅层学习回归模型来合成纵波和横波传播时间测井曲线。这六种模型在整个深度区间内的相对误差（RE）模式非常相似。不过，在所选地层的中上部（大约在研究地层顶部以下1250 - 1800英尺），这六种模型的表现较差。可能是该区域具有与其他区域不同的物理特性，或者测井曲线具有独特的统计特征。

为了评估测井合成的可靠性，采用聚类方法处理“易获取”的测井数据，以识别与合成的DTC和DTS测井曲线相对误差高度相关的聚类。具体操作如下：
- 计算第一口井4240英尺深度区间内每个50英尺深度间隔的聚类方法生成的平均聚类数，以消除噪声和异常值的影响。
- 将平均聚类数与该深度区间内的平均相对误差进行比较。

结果发现，K - 均值聚类得到的聚类数与基于人工神经网络（ANN）的测井合成相对误差呈现出0.76的良好皮尔逊相关性，而其他聚类方法生成的聚类数与ANN测井合成的相对误差呈现负相关或接近零相关。

根据K - 均值聚类结果，被标记为聚类编号1的地层深度，基于ANN的DTC和DTS测井合成可靠性最高；而被标记为聚类编号2的地层深度，基于ANN的DTC和DTS测井合成可靠性较低。

2. 聚类结果可视化

为了更好地可视化每个聚类方法的结果，使用t分布随机邻域嵌入（t - SNE）降维算法将13维特征空间投影到二维空间。具体步骤如下：
1. 定义t - SNE的超参数，即困惑度（perplexity）和训练步骤（training step）。在本研究中，困惑度选择为100，训练步骤选择为5000。
2. 将每个样本（