景文龙, 李博涵, 杨守磊, 张 磊, 孙 海, 杨永飞, 李爱芬

(中国石油大学(华东)石油工程学院,山东青岛 266580)

近年来,机器学习技术在石油行业中的应用越来越多。Shirangi[1]通过人工神经网络、支持向量机等模型进行油气藏生产优化;Deng等[2]基于原油价格影响因素,构建了价格预测和交易回归模型;Kidd[3]应用机器学习技术,判别海湾水域石油污染程度和污染位置; Chaki[4]在油藏描述当中利用自适应神经模糊推理系统和模糊逻辑系统等机器学习工具提升储层表征的精确性。机器学习适用于具有大量历史数据并需要解决大规模变量问题、分析过程较为复杂的问题[5]。微观数值模拟结果可以为机器学习提供充足、准确的数据库[6]。因此可以利用该技术进行油气渗流方面的理论研究。国内外学者对基于数字岩心的渗透率计算已开展了大量的研究。Knackstedt等[7-8]研究了碳酸盐岩溶洞大孔和微孔的特征,发现不同尺度的孔隙对碳酸盐岩介质的岩石渗透率以及其他物理特征和流体渗流性质有重要影响;张磊等[9-12]模拟了真实页岩岩心中的气体流动和有机质中气体的解析/扩散现象,比较了3种渗透率计算方法,优选了孔隙网络模型法为渗透率的计算方法。笔者基于数字岩心和机器学习技术,随机生成大量数字岩心,通过孔隙网络模型的方法对其进行孔隙度和渗透率计算,将所得结果作为机器学习的数据库,基于TensorFlow平台,利用BP人工神经网络方法对数据进行提取和处理,对于给出的任意岩心孔隙度,通过机器学习可准确预测出该岩心的渗透率。……