沉积微相识别是油藏表征体系的重要环节之一,其识别精度对开发方案的优化部署有重要影响。传统识别技术以岩心分析为主,但受限于样本获取成本高、人工解释偏主观等缺陷,而测井数据中蕴含的沉积环境响应特征虽具有很高的应用潜力,但其所反映的形态响应特征却难以使用传统的算法来实现对沉积参数的有效提取。针对这一问题,本文构建了基于卷积神经网络的沉积微相识别方法,旨在实现无分层信息储层的高效精准识别,为油气田勘探开发与决策提供了数据驱动的技术支撑。论文主要研究工作如下。 第一,针对储层沉积微相智能识别问题,本文构建了两种基于测井响应曲线信息和卷积神经网络的沉积微相识别方法。首先,采用XGBoost与随机森林算法筛选出与沉积微相类型密切相关的4条测井响应曲线(自然伽马、声波时差、深浅侧向电阻率)。然后在多个有潜力的识别模型之间通过K折交叉验证实施模型优选。最终确定了一种基于测井曲线形态信息和Res Net18的识别方法,和一种直接利用测井曲线序列信息的卷积网络与长短期记忆网络相融合的识别方法。以卫星油田葡萄花油层为目标靶区,应用两种方法对测试集中4273个小层沉积微相的识别结果表明,其正确率分别高达97.4%和94%。 第二,针对无分层信息的盲井储层沉积微相识别问题,本文提出了一种基于滑动窗口的动态分层方法。首先,设定储层测井响应数据点数阈值k,将点数从2到k逐个视为储层厚度,应用上述方法分别识别微相类型,取置信概率最大者的点数作为储层厚度,并将置信概率最大者的类型作为该储层的识别结果。然后从紧邻该储层的下一数据点开始,重复上述过程。最后将同类型的相邻小层合并,即可实现无分层信息盲井的沉积微相识别。盲井验证实验表明,基于测井曲线形态特征驱动的动态分层方法在窗口长度阈值k=4时,最优分层准确率达到92%;同时,序列数据特征驱动方法在时序窗口长度阈值k=6时,识别精度提升至91.5%。实验结果表明,本文提出的滑动窗口动态分层方法在盲井的沉积微相识别中有较强适用性,可有效克服薄互层界面模糊与沉积旋回突变引发的误判问题,相较于传统识别方法,正确率均有明显提高。 针对勘探开发领域的储层沉积微相识别问题,本文提出并验证了两种识别方法,特别是对于无分层信息的盲井微相识别,提出的方法可同时解决分层和识别两个问题。该方法在基于储层测井曲线的识别问题中具有普适性,也可应用于储层岩性识别、岩石物理相识别等问题中,从而为储层自动识别开辟了一条新途径。