小样本条件下的储层物性参数智能解释方法研究

来源：石油科学通报杂志2025年第2期北京时间：

作者：邬德刚；吴胜和；张玉飞；余季陶

单位：中国石油大学(北京)人工智能学院,北京 102249;中国石油大学(北京)地球科学学院,北京 102249;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%中国石油大学(北京)地球科学学院,北京 102249;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%中海石油(中国)有限公司海南分公司,海口 570312

摘要：储层物性参数是表征储层储集与渗滤流体能力的重要参数,测井解释是获取物性参数的重要途径,是一个复杂非线性回归任务.针对已有物性参数测井解释方法在小样本学习条件下的泛化能力不足这一问题,本文首先提出了基于聚类分析的样本优选方法,通过K均值聚类划分样本的空间结构,根据样本在空间结构中的分布优选学习样本,从而最大化学习样本的多样性;然后提出了基于层次化残差神经网络的物性参数测井解释方法.方法在全连接神经网络基础上引入 4 种机制:(1)引入残差连接学习输入与输出间的残差映射,深化小样本的复杂物性特征提取过程;(2)引入集成学习整合多种不同机器学习方法,通过算法多样性降低过拟合风险;(3)引入多任务学习联系起孔隙度解释和渗透率解释这两个任务,以提高小数据情况下单一任务的泛化性;(4)引入二次加权均方根误差损失函数,降低高渗储层的物性解释误差.在实际研究区中设计的 90 组对照实验的分析结果表明,基于聚类分析的样本优选方法能够有效提升多种机器学习模型在小样本条件下的泛化能力;基于本文提出的层次化残差神经网络进行研究区孔隙度与渗透率测井解释,解释结果的决定系数分别达 88%、94%.与已有的多种方法相比,本文方法基于分布特征的样本选择及多任务协同等方式的算法优化有效提高了岩石物理数据的特征表征,方法的物性解释精度更高、泛化能力更强,在取心盲井上的精度分别领先 12和20个百分点.

关键词：聚类分析,残差连接,集成学习,多任务学习,储层物性参数测井解释