王宗俊,董洪超,范廷恩,胡光义,高云峰

(中海油研究总院有限责任公司,北京100028)

加拿大阿萨巴斯卡地区油砂资源主要储存于下白垩统Mannville群McMurray组[1-2]。区域内发育有冲积扇、河流相、潮汐三角洲、河口湾等沉积类型[2]。McMurray组自下而上分为3段:Continental为河流相沉积,Asm2和Asm3为河口湾沉积,埋深在260～460m,层厚100m左右,主力层段Asm3段厚度为20～40m。

本地区油砂资源主要使用蒸汽辅助重力泄油(SAGD)技术开发,影响SAGD技术开采效率的关键地质因素包括连续油层的厚度、泥岩夹层的分布及稳定的盖层等[1]。因此,对研究区储层的岩性垂向变化和横向分布的精细研究将为后续油砂SAGD开发设计提供有力的参考和决策依据,降低开发风险和成本[3-6]。

传统的测井岩性识别一般采用图版法、交会图法、本地区经验公式法[7],或者使用电阻率成像资料识别油砂储层岩性[8],这些方法应用的参数较少,人为因素影响较大。神经网络技术在岩性识别方面曾经得到了广泛应用,但是以BP神经网络为主要技术的识别方法存在收敛速度慢、隐层数以及隐层节点数难以确定、容易陷入局部极小值等缺点[9-10]。近年来以各类支持向量机和深度学习等为代表的机器学习方法越来越多地被用于测井岩性识别中。深度学习方法通过构建具有多个隐层的深度神经网络模型,并利用大量数据训练模型来学习复杂而有效的信息进而提高预测分类的准确性[11],在实际应用中取得了良好的效果,但这类机器学习方法属于有监督学习下的预测方法,需要规模较大的训练样本作为支撑,当训练样本不足时模型的泛化能力会受到限制。……