XiaoMi-AI文件搜索系统
World File Search System随机函数
在异质碳酸盐储层中通过机器学习改善渗透率预测：中新世无效的中新世，Ras Fanar Field，Suez of Suez of Suez，埃及
抽象预测和插值井之间获得3D分布的渗透性是用于保护模拟的具有挑战性的任务。无碳酸盐储层中的高度异质性和成岩作用为准确预测提供了重要的障碍。此外，储层中存在核心和井记录数据之间的复杂关系。本研究提出了一种基于机器学习（ML）的新方法，以克服此类困难并建立强大的渗透性预测模型。这项研究的主要目的是开发一种基于ML的渗透性预测方法，以预测渗透率日志并填充预测的对数以获得储层的3D渗透率分布。该方法涉及将储层的间隔分组为流量单位（FUS），每个储层单位都有不同的岩石物理特性。概率密度函数用于研究井日志和FUS之间的关系，以选择可靠的模型预测的高加权输入特征。已实施了五种ML算法，包括线性回归（LR），多项式回归（PR），支持矢量回归（SVR），决策树（DET）和随机森林（RF），以将核心渗透性与有影响力的孔集成与有影响力的孔原木以预测渗透率。数据集随机分为训练和测试集，以评估开发模型的性能。对模型的超参数进行了调整，以提高模型的预测性能。为了预测渗透率日志，使用了两个包含整个重点毒的关键井来训练最准确的ML模型，以及其他井来测试性能。的结果表明，RF模型优于所有其他ML模型，并提供最准确的结果，其中调整后的确定系数（R 2 ADJ）在预测的渗透率和核心渗透率之间的训练集为0.87，对于测试集，平均绝对误差和平均正式误差（MSSE）的平均误差和0.32和0.19和0.19和0.19和0.19，均为0.82。据观察，当在包含整个储层FUS的井上训练RF模型时，它表现出较高的预测性能。这种方法有助于检测井的孔原木和渗透率之间的模式，并捕获储层的广泛渗透率分布。最终，通过高斯随机函数模拟地统计学方法填充了预测的渗透率日志，以构建储层的3D渗透率分布。研究成果将帮助ML的用户对适当的ML算法做出明智的选择，以在碳酸盐储层表征中使用，以进行更准确的通透性预测，并使用有限的可用数据进行更好的决策。