23、浅学习与深度学习模型合成原位NMR T2分布的对比研究

浅学习与深度学习模型合成原位NMR T2分布的对比研究

1 引言

经济高效的油藏开发依赖于精确的地质和岩石物理特征描述。传统的岩芯样本分析虽能直接获取地下地层的岩石物理和地质力学性质，但成本高昂且受操作限制。而测井技术通过不同物理原理测量地层响应，其中部分测井数据如密度、自然辐射和电阻率等易于获取，而核磁共振（NMR）测井和成像测井则因工具尺寸、复杂物理原理、繁琐操作流程和缓慢测井速度等因素，成本高且实施困难，属于“难获取”测井数据。

NMR测井工具通过施加外部磁场激发地下流体中的氢核，移除磁场后氢核的弛豫产生弛豫信号，经反演得到包含64个T2振幅的NMR T2分布，该分布反映了特定地层深度下地层流体中氢核的弛豫时间分布，可用于估算近井眼地层体积的孔隙大小分布和流体流动性。然而，由于经济或操作原因，并非所有井都能进行NMR测井。因此，利用浅学习和深度学习方法处理易于获取的常规测井数据来合成原位NMR T2分布具有重要意义。

在任意深度，各种测井数据之间存在强到中等的相关性，因为它们是同一含流体多孔材料的响应。机器学习能够发现大数据中的隐藏关系和模式，通过学习“难获取”测井数据与“易获取”测井数据之间的关系，合成“难获取”的测井数据。浅学习模型在油气行业的预测、分类和回归任务中应用广泛，而深度学习模型更适合从大型高维数据集中学习分层特征，无需在模型训练前进行显式特征提取。本文将比较浅学习和深度学习模型在处理12种“易获取”常规测井数据以合成NMR T2分布任务中的性能。

2 数据集

本次研究旨在从其他易于获取的地下信息生成NMR T2分布，并比较各种模型在该测井合成任务中的性能。所使用的数据集包含从一口垂直页岩井的575个深度点获取的原始