机器学习在测井地层评价中的应用综述
A Review of Application of Machine Learning in Wireline Logging Formation Evaluation
DOI: 10.12677/JOGT.2020.422013, PDF,  被引量    国家自然科学基金支持
作者: 杨添微, 王 啟, 刘永震：长江大学地球物理与石油资源学院，湖北 武汉；万 宇*, 聂 昕：长江大学地球物理与石油资源学院，湖北 武汉；长江大学油气资源与勘探技术教育部重点实验室，湖北 武汉
关键词: 深度学习；机器学习；地球物理测井；岩性识别；储层评价；Deep Learning； Machine Learning； Geophysical Logging； Lithology Identification； Reservoir Evaluation
摘要: 随着测井技术的发展，测井数据量越来越大，传统方法在解决多种测井数据综合形成的大数据问题时遇到了困难。机器学习是人工智能领域的一个重要学科，其多种研究成果的途径是从海量数据中自动提取特征，并通过逐层特征变化进而解决复杂的分类或预测问题，可以完美应用在数据类型较多的测井解释中。本文对机器学习方法及其在地球物理测井评价中的应用进行归纳总结，并提出了展望。
Abstract: With the development of logging technology, the logging data is getting bigger, and the traditional method can’t solve the big data problems of multiple logging data. Machine learning is an important subject in artificial intelligence. The way of its various research results is to automatically extract features from massive data. It can perfect application in well logging interpretation. This paper summarizes the machine learning method and its application in geophysical logging formation evaluation, and puts forward the prospect.
文章引用：杨添微, 王啟, 刘永震, 万宇, 聂昕. 机器学习在测井地层评价中的应用综述[J]. 石油天然气学报, 2020, 42(2): 27-38. https://doi.org/10.12677/JOGT.2020.422013

参考文献

[1] 余凯, 贾磊, 陈雨强, 徐伟. 深度学习的昨天、今天和明天[J]. 计算机研究与发展, 2013, 50(9): 1799-1804.
[2] Hinton, G.E., Osindero, S. and Te, Y. (2006) A Fast Learning Algorithm for Deep Belief Nets. Neural Computation, 18, 1527-1554. [Google Scholar] [CrossRef] [PubMed]
[3] 童凯军, 单钰铭, 王道串, 等. 基于毛管压力曲线的储层渗透率估算模型——以塔里木盆地上泥盆统某砂岩组为例[J]. 石油与天然气地质, 2008, 29(6): 812-818.
[4] 尉中良, 邹长春. 地球物理测井[M]. 北京: 地质出版社, 2005.
[5] 李娜, 李新胜, 许登才, 等. 灰色系统理论在国外油田储层精细评价中的应用[J]. 西北地质, 2007, 40(4): 75-80.
[6] 李政宏, 刘永福, 张立强, 赵海涛, 陈曦, 李昊东. 数据挖掘方法在测井岩性识别中的应用[J]. 断块油气田, 2019, 26(6): 713-718.
[7] Rumelhart, D.E., Hinton, G.E. and Williams, R.J. (2007) Learning Representations by Back-Propagating Errors. In: Neurocomputing: Foundations of Research, MIT Press, Cambridge, 533-536. [Google Scholar] [CrossRef] 
[8] Hinton, G.E. and Salakhutdinov, R.R. (2006) Reducing the Dimensionality of Data with Neural Networks. Science, 313, 504-507. [Google Scholar] [CrossRef] [PubMed]
[9] Lecun, Y., Boser, B., Denker, J.S., et al. (2014) Back Propagation Applied to Handwritten Zip Code Recognition. Neural Compu-tation, 1, 541-551. [Google Scholar] [CrossRef] 
[10] Dahl, G.E., Yu, D., Deng, L., et al. (2012) Con-text-Dependent Pre-Trained Deep Neural Networks for Large-Vocabulary Speech Recognition. IEEE Transactions on Audio Speech & Language Processing, 20, 30-42. [Google Scholar] [CrossRef] 
[11] 范宜仁, 黄隆基. 交会图技术在火山岩岩性与裂缝识别中的应用[J]. 测井技术, 1999, 23(1): 53-56.
[12] 陶宏根, 曾日辉, 赵小青, 等. 海拉尔盆地火山碎屑岩测井响应与应用[J]. 地球物理学报, 2011, 54(2): 534-544.
[13] 田玉昆, 周辉, 袁三一. 基于马尔科夫随机场的岩性识别方法[J]. 地球物理学报, 2013, 56(4): 1360-1368.
[14] 杨礼节. 成像测井技术研究现状及应用[J]. 中国石油和化工标准与质量, 2016, 36(12): 113-114.
[15] Lin, Y.P., Wu, T.Z., Sheng, X.F., et al. (2013) Artificial Neural Networks Identification of Lithology-Types in Complex Carbonate from Well Logs, Block K, in Uzbekistan. Advanced Materials Research, 756-759, 2396-2400. [Google Scholar] [CrossRef] 
[16] Wang, K. and Zhang, L. (2008) Predicting Formation Lithology from Log Data by Using a Neural Network. Petroleum Science, 5, 242-246. [Google Scholar] [CrossRef] 
[17] Wen, H., Xie, W., Pei, J., et al. (2016) An Incremental Learning Algorithm for the Hybrid RBF-BP Network Classifier. EURASIP Journal on Advances in Signal Processing, 2016, 57. [Google Scholar] [CrossRef] 
[18] 石广仁. 地学数据挖掘与知识发现[M]. 北京: 石油工业出版社, 2012: 87-91.
[19] 李洪奇, 谭锋奇, 许长福, 等. 基于决策树方法的砾岩油藏岩性识别[J]. 测井技术, 2010, 34(1): 16-21.
[20] Al-Anazi, A. and Gates, I.D. (2010) A Support Vector Machine Algorithm to Classify Lithofacies and Model Permeability in Heterogeneous Reservoirs. Engineering Geology, 114, 267-277. [Google Scholar] [CrossRef] 
[21] Elangovan, M., Sugumaran, V., Ramachandran, K.I., et al. (2011) Effect of SVM Kernel Functions on Classification of Vibration Signals of a Single Point Cutting Tool. Expert Systems with Application, 38, 15202-15207. [Google Scholar] [CrossRef] 
[22] 牟丹, 王祝文, 黄玉龙, 等. 基于最小二乘支持向量机测井识别火山岩类型: 以辽河盆地中基性火山岩为例[J]. 吉林大学学报(地球科学版), 2015, 45(2): 639-648.
[23] 朱怡翔, 石广仁. 火山岩岩性的支持向量机识别[J]. 石油学报, 2013, 34(2): 312-322.
[24] 侯俊胜, 王颖. 神经网络方法在煤气层测井资料解释中的应用[J]. 地质与勘探, 1999, 35(3): 41-45.
[25] 卢新卫, 金章东. 前馈神经网络的岩性识别方法[J]. 石油与天然气地质, 1999, 1(20): 82-85.
[26] 范训礼, 戴航, 张新家, 等. 神经网络在岩性识别中的应用[J]. 测井技术, 1999, 23(1): 50-52.
[27] 蔡磊, 程国建, 潘华贤. 极限学习机在岩性识别中的应用[J]. 计算机工程与设计, 2010, 31(9): 2010-2012.
[28] 安鹏, 曹丹平. 基于深度学习的测井岩性识别方法研究与应用[J]. 地球物理学进展, 2018, 124(9): 3-98.
[29] 刘畅, 张琴, 庞国印, 等. 致密砂岩储层孔隙度定量预测——以鄂尔多斯盆地姬塬地区长8油层组为例[J]. 岩性油气藏, 2013, 23(5): 70-75.
[30] 王洪辉, 黎鹏, 段新国. 四川盆地须家河组低孔致密砂岩孔隙度测井解释研究[J]. 成都理工大学学报(自然科学版), 2009, 36(3): 249-252.
[31] 谭茂金, 赵文杰. 用核磁共振测井资料评价碳酸盐岩等复杂岩性储集层[J]. 地球物理学进展, 2006, 21(2): 489-493.
[32] 崔晓朵, 王伟, 曹刚, 等. 墨西哥EPC区碳酸盐岩储层裂缝特征和非均质性研究[J]. 海洋地质前沿, 2011, 27(1): 38-41.
[33] 赵军龙, 巩泽文, 李甘, 等. 碳酸盐岩裂缝性储层测井识别及评价技术综述与展望[J]. 地球物理学进展, 2012, 27(2): 537-547.
[34] 李晓辉, 周彦球, 缑艳红, 等. 电成像测井孔隙度分析技术及其在碳酸盐岩储层产能预测中的应用[J]. 吉林大学学报(地球科学版), 2012, 42(4): 928-934.
[35] 连承波, 李汉林, 渠芳, 等. 基于测井资料的BP神经网络模型在孔隙度定量预测中的应用[J]. 天然气地球科学, 2006, 17(3): 382-384.
[36] 陈蓉, 王峰. 基于MATLAB的BP神经网络在储层物性预测中的应用[J]. 测井技术, 2009, 33(1): 75-78.
[37] 李操, 王继春. 神经网络方法在储层孔隙度预测中的应用[J]. 内蒙古石油化工, 2007(12): 372-373 + 376.
[38] 王娜娜, 张国英, 王明君. 改进的BP神经网络在石油测井解释中的应用[J]. 北京石油化工学院学报, 2008, 16(1): 17-20.
[39] 周雪晴, 张占松, 张超谟, 等. 粗糙集-磷虾觅食神经网络在孔隙度预测中的应用[J]. 中国科技论文, 2017, 12(9): 990-998.
[40] 贾文玉, 闫安宇, 田素月. 渗透率的理论计算方法[J]. 测井技术, 2000, 24(3): 216-219.
[41] 刘向君, 夏泉, 赵正文. 砂泥岩地层渗透率预测通用计算模型[J]. 西南石油学院学报, 1999, 21(1): 10-12.
[42] 王科俊, 王克成. 神经网络建模、预报与控制[M]. 哈尔滨: 工业大学出版社, 1996: 1-8.
[43] 丛爽. 面向MATLAB工具箱的神经网络理论与应用[M]. 北京: 中国科学技术大学出版社, 1998: 11.
[44] 李继安. 人工智能神经网络在岩性识别、孔隙度和渗透率预测中的应用——以十红滩铀矿床为例[J]. 西北地质, 2010, 43(2): 32-37.
[45] 黄德双. 基于PCA的概率神经网络模式分类方法[J]. 北京理工大学学报, 1996(1): 69-74.
[46] 陈钢花, 梁莎莎, 等. 机器学习AdaBoost. M2算法在砂砾岩流体识别中的应用[J]. 石油地球物理勘探, 2019, 54(6): 1357-1362 + 1177.
[47] Mosser, L., Dubrule, O. and Blunt, M.J. (2008) Reconstruction of Three-Dimensional Porous Media Using Generative Adversarial Neural Networks. Physical Review E, 96, Article ID: 043309. [Google Scholar] [CrossRef]