基于MLP-CNN的固井质量智能评价方法

来源：石油科学通报杂志2024年第5期北京时间：

作者：王正；宋先知；李根生；潘涛；李臻；祝兆鹏

单位：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)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)机械与储运工程学院,北京 102249

摘要：固井质量的好坏关系到油气井的产量和寿命,目前最常用的方法是使用声幅—变密度测井进行评估,但是解释过程复杂,且与重大风险相关的决策需要根据固井解释结果做出.因此,固井质量评价必须由经验丰富的专家进行解释,耗时耗力.为了提高固井解释的效率,本文基于VGG、ResNet等卷积神经网络对固井质量进行自动解释,但是准确率不足.于是,本文提出一种多层感知机和卷积神经网络并联的方法(MLP-CNN),声幅数据输入到多层感知机中,变密度图输入卷积神经网络中;针对变密度图存在不同尺度信息的特征(条纹的粗细、明暗、形状),本文修改了卷积神经网络的结构,设置了大小不同的卷积核,提取不同尺度信息.本文使用了塔里木油田富源区块的 9000 个数据进行训练和验证,结果表明,相较于传统的VGG、ResNet等卷积网络,MLP和CNN并联网络有效提高了固井质量识别的准确率,评价精度为 90%,并且相较于单一尺度卷积核,多个大小不同卷积核的卷积神经网络算法更适合于固井变密度图像特征的提取,本文修改了卷积神经网络部分结构,建立的带有 3 个尺寸不同卷积核的MLP-CNN神经网络比单一卷积核的MLP-CNN模型提高了 5%的准确率;同时,本文对比了 7 种网络的时间复杂度和空间复杂度,结果表明,MLP-CNN并联网络能有效避免大量的无效卷积,节省了模型计算成本,提高模型的计算效率.最后,为了测试模型的迁移性,本文使用塔里木油田满深和跃满区块的6万条数据进行了测试,评价准确率达 89.16%,迁移效果良好,模型具有较强的鲁棒性.

关键词：固井质量评价,深度学习,卷积神经网络,多层感知机,图像特征提取