基于机器学习 (ML) 算法,使用印度杰萨尔梅尔子盆地的SEM图像,估计碳酸盐密集水库中的孔隙结构和透性

科学领域:

• 石油地质科学 石油地质科学
• 计算地质科学计算地质科学
• 机器学习应用 机器学习应用

背景情况:

• 孔隙结构分析对于理解碳酸盐水库中的流体流动至关重要.
• 准确的透率估计对于碳化合物勘探和生产至关重要.
• 孔隙结构分析的传统方法可能耗时且主观.

研究的目的:

• 应用机器学习技术进行孔状结构分析和碳酸盐储中的透度估计.
• 评估人工神经网络 (ANN) 和支持矢量机 (SVM) 算法的有效性.
• 将基于ML的透性预测与数值模拟和井日志数据进行比较.

主要方法:

• 分析了碳酸盐样本的二维扫描电子显微镜 (SEM) 图像.
• 二元化算法 (MaxEntropy) 用于孔径的确定.
• 用流域算法来提取毛孔网络参数.
• 格子博尔茨曼方法 (LBM) 用于数值透率估计.
• 通过使用孔网参数来训练ANN和SVM模型来预测LBM透性.

主要成果:

• 马克斯热二元化与石版孔隙度值非常相匹配.
• 放大显著影响了毛孔网络参数 (毛孔大小,喉半径).
• 与SVM (R2 = 0.849) 相比,ANN模型实现了更高的确定系数 (R2 = 0.892).
• 与SVM模型相比,ANN模型的错误指标 (RMSE,MSE,MAE) 较低.

结论:

• 机器学习,特别是ANN,为预测碳酸盐水库透性提供了强大而精确的方法.
• 来自SEM图像的孔网参数是基于ML的透性预测的有效输入.
• 该研究强调了整合SEM成像,LBM模拟和ML的潜力,以增强水库特征.