典型文献
基于机器学习的深层页岩有利储集层预测方法及实践
文献摘要：
基于参数关联特征分析原理、卷积神经网络(CNN)智能预测方法、核主成分分析(KPCA)非线性降维原理的一体化融合表征方法等研究,提出1套基于机器学习的深层页岩有利储集层预测方法.该方法包括5个步骤:①基于皮尔逊相关系数分析岩心和测井数据的高维关联特征.②利用KPCA非线性降维方法简化表征复杂高维数据,以准确、高效地揭示有利储集层的岩心和测井响应规律.③利用CNN和测井数据训练并验证与地下储集层近似的模型.④利用CNN和地震数据智能预测有机碳含量、含气量、脆性、地应力等有利储集层参数,有效解决储集层预测非线性复杂特征提取难题.⑤利用KPCA剔除复杂冗余信息,挖掘有利储集层大数据特征,一体化融合表征各类参数,实现储集层综合评价.该方法用于预测四川盆地威荣页岩气田奥陶系五峰组—志留系龙马溪组页岩有利储集层的空间展布,结果与岩心、测井、产能等实际数据高度吻合,证实该方法能为深层页岩气勘探开发提供有效技术支撑.
文献关键词：
四川盆地;奥陶系—志留系;页岩气;储集层预测;机器学习;卷积神经网络;核主成分分析
中图分类号：
作者姓名：
程冰洁;徐天吉;罗诗艺;陈天杰;李永生;唐建明
作者机构：
成都理工大学"油气藏地质及开发工程"国家重点实验室,成都610059;成都理工大学"地球探测与信息技术"教育部重点实验室,成都610059;电子科技大学资源与环境学院,成都611731;电子科技大学长三角研究院(湖州),浙江湖州313000;中国石油化工股份有限公司西南油气分公司,成都610041
文献出处：
引用格式：
[1]程冰洁;徐天吉;罗诗艺;陈天杰;李永生;唐建明-.基于机器学习的深层页岩有利储集层预测方法及实践)[J].石油勘探与开发,2022(05):918-928
A类：
B类：
基于机器学习,储集层预测,关联特征,智能预测,核主成分分析,KPCA,非线性降维,一体化融合,融合表征,表征方法,皮尔逊相关系数,相关系数分析,岩心,测井数据,降维方法,高维数据,测井响应,响应规律,数据训练,地震数据,数据智能,有机碳含量,含气量,脆性,地应力,非线性复杂,复杂特征,冗余信息,数据特征,四川盆地,威荣,页岩气田,奥陶系五峰组,志留系龙马溪组,龙马溪组页岩,展布,实际数据,深层页岩气,页岩气勘探,勘探开发,有效技术
AB值：
0.287248
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
