地质力学参数智能预测技术进展与发展方向

来源：石油科学通报杂志2024年第3期北京时间：

作者：马天寿；张东洋；陆灯云；谢祥锋；刘阳

单位：西南石油大学油气藏地质及开发工程全国重点实验室,成都 610500%中国石油川庆钻探工程有限公司,成都 610501%西南石油大学石油天然气装备教育部重点实验室,成都 610500

摘要：随着人工智能技术在油气勘探领域应用的不断深入,地质力学参数预测从传统方法向智能化转型已成为必然趋势.本文系统归纳分析了机器学习算法在岩石力学参数直接与间接预测,地层孔隙压力钻前预测、随钻监测和钻后评估,一维地应力和三维地应力场预测中的应用现状,对比了不同预测任务下的机器学习模型、输入参数、样本数据量、输出参数以及模型预测性能.研究发现:相比于室内试验、现场测试和经验模型计算,机器学习算法在地质力学参数预测方面的准确性、时效性和适用性具有明显优势;集成模型、深度学习模型和物理约束神经网络模型凭借其准确性、鲁棒性、泛化能力和可解释性,已成为当前研究的热点和重点;但现有研究以一维地质力学参数的钻后预测为主,因而无法有效进行钻前和随钻三维地质力学参数预测.为了加快地质力学参数向智能化、数字化转型,本文提出了一种地质力学参数智能预测框架,该框架考虑地震、测井、录井等多源数据对地质力学参数预测的影响,通过数据+物理双驱动的机器学习模型进行三维地质力学参数的预测,并通过正钻井数据进行模型的实时更新,从而实现区域三维地质力学参数的钻前预测、随钻监测以及钻后评估.此外,分析了地质力学参数智能预测面临的关键技术难题:①实现非结构化数据类型的转换,降低数据集复杂度,确保数据的一致性和可比性;②开展多源数据融合研究,构建包括地震、测井、录井、室内试验、现场测试等方面的多源数据集,并进行数据处理、特征选择等工作;③加强机器学习模型研究以提升性能,采用集成模型提升预测精度,融入机理模型和领域知识提升模型鲁棒性和可解释性.

关键词：地质力学,智能预测,机器学习,岩石力学,地层压力,地应力