随着传统能源日益枯竭,许多油田进入中高含水期,基于油田地区较高的地温梯度和丰富的储层资料推动油田地热开发已成为老油田绿色低碳转型的关键路径,尤其是从油气开采中分离地热流体。因此,需要准确识别热储层并对其品质评价,实现地热资源的高效利用。松辽盆地正值油气勘探开发中后期,积极开采老油田地热资源有助于逐步实现“油田向热田”资源利用转化。 本文总结目前热储层识别和品质评价方法的不足:(1)未能考虑测井曲线中相邻层位和测井响应相似性形成的样本关系;(2)判别式方法针对小样本特征利用不足,且无法有效利用标签信息,生成式网络能解决以上问题,但很少直接用于分类识别任务中。松辽盆地南部姚家组-泉头组地层温度适中,地层水以液相为主,热储类型为水热型,作为主要目的层位,开展以下研究: (1)针对现有热储层识别算法未能将相邻层位以及测井响应相似所形成的样本关联性作为模型的一部分输入,以及单一视图无法充分考虑测井数据样本包含的深度序列信息和空间相关性的问题,本文提出了一种基于双视图Graph SAGE的热储层测井识别方法。先分别基于相邻层位和测井相似性构建深度距离图和特征相似图。再使用双分支Graph SAGE网络分别提取特征,保留不同视图的信息丰富性和复杂关联。最后对提取的特征进行融合,实现热储层识别。实验表明,与dv-GAT(94.8%)、dv-GCN(93.7%)、GRU(90.0%)、1DCNN(89.6%)、XGBoost(88.7%)和RF(88.2%)对比,提出的dv-Graph SAGE具有更好的整体识别率,为95.8%,并且对水层具有更好的识别精确率98%、召回率100%和F1值99%,可以有效识别热储层,说明模型在研究区热储层识别中可能具有实用价值。 (2)针对判别式方法在数据量较少和存在样本偏移的情况下,对有限数据特征利用不足,以及无法利用储层品质信息的问题,本文提出了一种基于密集特征提取的CGAN(DE-CGAN)热储层品质评价研究方法。首先,利用编码器和编码器思想构建生成器,先利用1DCNN网络得到输入数据的浅层特征,再将浅层特征输入到设计的密集特征提取模块中,得到更深层的特征,实现输入数据的有效利用,形成特征密集提取效果,完成信息的编码。然后将浅层特征和深层特征通过混合注意力模块进行融合,实现热储层品质的生成预测,完成信息的解码。借助残差思想,设计判别器网络模型。最后,与K-Means(88.1%)、RF(92.5%)、GDBT(91.0%)、XGBoost(94.0%)、1DCNN(94.0%)进行对比,结果显示提出的DE-CGAN模型具有更好的整体识别效果,为98.5%,且在I类热储层识别中具有最好的识别准确率,能够在数据样本较少的情况下充分利用输入数据信息,减少数据不平衡性的影响,具有较好的稳定性。 (3)为验证模型的有效性,设计实现了水热型储层测井曲线智能判识及品质评价系统。用户通过界面和系统进行交互,能够选择实验的数据,设置模型的参数,保存最优的模型,提供准确的热储层识别和品质评价结果。