深度学习算法支持的沉积物表征技术,用于确定中国博海湾盆地紧密气体碳酸盐水库的水和度

科学领域:

• 石油地质科学 石油地质科学
• 储水库工程 储水库工程
• 机器学习应用 机器学习应用

背景情况:

• 准确的水和 (Sw) 预测对于优化气体碳酸盐储库中碳化合物生产至关重要.
• 像核心分析这样的传统方法是昂贵的,侵入性的,缺乏空间细节.
• 现有的机器学习模型与复杂的地质模式和大型数据集作斗争.

研究的目的:

• 开发和评估新的深度学习模型,用于预测紧密气体储中的水和.
• 将反复神经网络 (RNN) 变体 (GRU,LSTM) 与传统机器学习算法 (SVM,KNN,DT) 的性能进行比较.
• 提高预测模型的可靠性和适用性,用于水库的表征.

主要方法:

• 已经使用了Gated Recurrent Unit (GRU),Long Short-Term Memory (LSTM),Recurrent Neural Networks (RNN),Support Vector Machine (SVM),K-nearest neighbor (KNN) 和Decision Tree (DT) 算法,这些算法都已经被广泛应用.
• 采用数据驱动策略,使用传统的石化物理数据进行连续的沉积物结构预测.
• 使用亚当优化算法优化模型.

主要成果:

• 门式循环单位 (GRU) 模型实现了高精度,R平方值为0.9973和最小误差 (RMSE为0.0198).
• 与其他模型相比,GRU在处理大量数据集和识别复杂模式方面表现出了卓越的技巧.
• 所有测试的深度/浅度学习模型都在预测水和水平方面表现出令人印象深刻的表现.

结论:

• 格鲁模型提供了一种高度准确和可靠的方法,用于在紧密的气体储中预测水和度.
• 这种数据驱动的方法在复杂的地质环境中显著提高了水库的表征和管理.
• 这些发现对改善碳化合物勘探和生产战略具有实际意义.