测井曲线深度的自动匹配新方法

在钻井和测井过程中,测井曲线深度对齐是进行岩石物理分析的关键预处理步骤,如果深度不对齐就会导致测井解释结果不精确甚至出现错误。为了改进深度对齐的方法,挪威科技大学(Norwegian University of Science and Technology)的Cacers等人应用深度学习技术提出了一种简单实用的一维卷积神经网络法。该方法使用不同的测井曲线测量值(伽马、电阻率、密度、中子等)训练了7种卷积神经网络模型,用于判断对应的原始随钻测井曲线与电缆测井曲线深度是否匹配。

深度学习技术避免了人工特征提取,因此,基于此技术的一维卷积神经网络法不需要高级岩石物理知识。采用的测井数据来自挪威北海Ivar Aasen油田6口井的测量结果。Cacers等人通过可视化检查和量化指标来评估一维卷积神经网络法的效果,同时也对一维卷积神经网络法深度偏移和传统互相关法深度偏移进行了比较。结果证明,一维卷积神经网络法效果更好,经过一维卷积神经网络法计算得到的平均皮尔森相关性和传统互相关深度匹配处理的误差为10-1～10-2。因此,一维卷积神经网络法能够替代传统互相关法深度匹配算法,可减少岩石物理学家的人工干预量。

(信息来源:CACERES V A T, DUFFAUT K, YAZIDI A, et al. Automated well-log depth matching: 1D convolutional neural networks vs. classic cross correlation [J]. Petrophysics,2022, 63(1):12-34. 张炜 编译 林丽丽 审校)