| 名 称 | 全连接网络孔隙度预测数据 |
|---|---|
| 科技资源标识 | 
CSTR:11738.11.NCDC.XDA14.DB4195.2024
|
数据共享方式 | 开放下载 |
| 摘 要 | 随着碳酸盐岩油气藏勘探的不断深入，分析储层孔隙度变化，寻找有利储层的发育范围，成为油气勘探的一项重要内容。但地下介质参数复杂，孔隙度反演难度较大，利用深度神经网络的强非线性能力，有望解决深层碳酸盐岩储层孔隙度预测难题。 基于深度学习的孔隙度预测技术，利用全连接网络建立弹性参数和孔隙度之间的映射关系，输入层有2个节点，分别对应纵波速度和密度，输出层有1个节点，对应孔隙度，网络由8个隐层组成，每个隐层有100个节点，网络中的损失函数为均方根误差。利用测井数据中的弹性参数和孔隙度作为样本标签数据进行网络模型训练，训练过程中保存误差最小的网络模型作为最终的孔隙度预测模型。 该成果可为深层碳酸盐岩储层孔隙度预测提供可靠的技术方法，建立弹性参数与孔隙度之间的关系，为深层油气勘探和储量评估提供重要信息。 |
| 学科分类 | |
| 关键词 | |
| 作者 | 耿建华 |
| 数据量 | 630.1 MiB |
| 采集时间 | 2017-01-01 - 2023-01-01 |
| 采集地点 | 塔里木盆地跃进地区 |
| 数据空间分辨率(/米) | 25.0 |
全连接网络孔隙度预测计算程序 全连接网络孔隙度预测准确率统计数据 塔里木盆地跃进工区全连接网络孔隙度预测三维数据体
由地震数据AVO反演得到的弹性参数数据体、测井数据
利用全连接网络建立弹性参数和孔隙度之间的映射关系，输入层有2个节点，分别对应纵波速度和密度，输出层有1个节点，对应孔隙度，网络由8个隐层组成，每个隐层有100个节点，网络中的损失函数为均方根误差。利用测井数据中的弹性参数和孔隙度作为样本标签数据进行网络模型训练，训练过程中保存误差最小的网络模型作为最终的孔隙度预测模型。将弹性参数输入训练好的网络模型，得到孔隙度反演结果。
由全连接网络预测的孔隙度与16口实际测井数据的解释结果基本吻合，相关系数为0.8994；整个工区的反演结果上，高孔隙度带大致沿着三个北东向的断溶带分布，与该工区的地质概况吻合，表明了该项技术的有效性和反演结果的可靠性。
本作品采用
知识共享署名
4.0 国际许可协议进行许可。
