摘要: 油田已有的夹层识别方法存在主观性强、适应性差和数据利用率低等不足。因此，本文结合油田已有的地质数据和生产数据，提出基于卷积神经网络的储层内夹层识别算法，主要工作如下： (1)夹层测井曲线的图像较为特殊，其特征多聚集在曲线的变化上，因... 展开 油田已有的夹层识别方法存在主观性强、适应性差和数据利用率低等不足。因此，本文结合油田已有的地质数据和生产数据，提出基于卷积神经网络的储层内夹层识别算法，主要工作如下： (1)夹层测井曲线的图像较为特殊，其特征多聚集在曲线的变化上，因此夹层识别模型建立过程中，卷积神经网络的参数选择异常重要。首先搭建基于AlexNet的网络结构，然后通过对比不同的卷积核尺寸、步长、卷积核数量以及批归一化层对于夹层识别模型分类准确度的影响，确定出合适的网络结构与参数。 (2)针对深层次的网络结构会出现梯度消失和网络参数过多的问题，引入了残差模块。并且由于测井曲线图像非常注重曲线特征，加入特征重标定卷积结构帮助卷积神经网络更准确地提取夹层特征。实验结果表明，本文提出的特征重标定卷积残差网络(JcNet)训练时间为640.30s，模型大小为11.2M，准确率为95.15%，均优于对比组中的其它卷积神经网络结构。 (3)为解决卷积神经网络建立夹层识别模型中的资源浪费问题，引入人工鱼群、粒子群和遗传算法来优化网络结构和网络训练中的一些参数，得到合适的卷积神经网络结构与参数。经过多次训练后，优化后卷积神经网络建立的夹层识别模型的准确度提高了0.09%-0.19%，模型参数缩减了6.83%-18.85%，训练时间最高缩减了31.1%。 综合实验结果表明，本文提出的储层内夹层识别算法与其它方法相比，在训练过程中对于时间损耗和资源利用有一定的降低，在夹层识别分类准确率方面有较大的提高。本文算法对于进一步提高原油采收率、促进深度学习方法在石油工业中的深入应用具有重要的理论与现实意义。 收起