基于深度学习数据融合的测井数据精细表征

来源：石油科学通报杂志2025年第1期北京时间：

作者：孙正心；金衍；孟翰；郭旭洋

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)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)人工智能学院,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)石油工程学院,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)石油工程学院,北京 102249

摘要：测井曲线记录钻井过程中地层的物理参数,在研究岩石特性、评估油气藏资源及揭示储层分布等方面具有重要意义.随着油气勘探的深入,隐蔽油气藏的复杂性不断增加,而传统测井数据分辨率较低的局限性,难以满足薄互层储层改造选点的需求,亟待开发高分辨率的测井数据精细解释方法.本研究提出了一种基于ResNet50 回归算法的储层预测模型.该模型将能够捕捉复杂垂向地质细节的纵向连续光学薄片数据,与5 种常规测井参数相结合,提升储层分析的精度.通过对某井区二叠系地层的 5个井段数据进行验证,使用连续的 570张地层图片样本与测井数据进行训练与预测,模型将测井数据分辨率从 12.5 cm提升至 6.25 cm,显著提高了测井数据的精度和分辨率.本研究使用3 种公认的定量评估指标决定系数(R2)、均方根误差(RMSE)和平均绝对误差(MAE)对模型性能进行了全面评估.结果表明,该模型在声波时差(AC)、补偿中子(CNL)、电阻率(RT)和伽马(GR)参数的预测中表现较为准确,平均误差低于 0.094,展示出模型在预测精度上的可靠性与优异性.然而,在密度(DEN)参数的预测中,模型在岩性变化较大或地质条件复杂的井段中受到了一定影响.

关键词：数据融合,测井参数精细表征,ResNet50,深度学习模型,储层精细化建模