多源数据融合的地层可钻性智能评估方法研究及应用

来源：石油科学通报杂志2025年第5期北京时间：

作者：冯建祥, 袁三一, 骆春妹, 王尚旭

单位：中国石油大学(北京)油气资源与工程全国重点实验室，北京 102249

摘要：地层可钻性评估对钻井工程至关重要，影响着钻井作业效率和成本效益。传统的三维评估方法往往面临跨尺度多源数据的不稳定融合问题，导致空间泛化能力有限且预测效果欠佳。为解决上述局限性，本文提出了一种基于门控循环单元(GRU)网络的多源数据融合方法，优化地层可钻性的智能评估并提高我国东部某研究区的钻井效率。该方法分为两个阶段：井数据训练阶段和三维应用阶段。在第一阶段，利用地震平均子波和测井资料合成伪深度域地震记录作为基础，并进一步提取地层可钻性敏感属性作为网络输入。具体敏感属性包括融入地质信息的速度模型和用于捕捉多尺度地层结构的分频地震属性。采用改进的可钻性指数Dc作为标签训练模型，确保网络模型学习建立输入属性与可钻性指标的准确映射关系。这种训练方法利用GRU网络的时序学习能力，对数据中的复杂关系进行有效建模。在第二阶段，预训练网络推广至三维应用，提取相应的属性构建三维输入数据集并输入至预训练GRU模型中来预测评估研究区域的地层可钻性。通过对研究区5口代表井的分析，验证了Dc指数有效表征研究区的地层可钻性。此外，Marmousi数值模型实验表明，该方法优于传统智能预测方法，例如仅依赖原始地震数据或原始地震融合测井数据输入的方法。在研究区的实际应用进一步证实了本方法能有效地捕捉地层可钻性变化。该方法通过提供可靠的预测，成为优化钻井作业和增强钻井工程决策的有力工具。

关键词：地层可钻性,多源数据融合,GRU网络模型,钻前预测

基金资助：国家自然科学基金项目(U24B2031);国家重点研发计划(2018YFA0702504)