成岩相决定了致密储层中甜点形成与分布,是开展致密储层评价的重要依据。致密储层相较于常规储层成岩相识别,由于不同成岩作用相互叠加,其识别难度更高。传统成岩相识别方法的研究主要通过对大量常规测井资料进行处理和分析,建立相应储层成岩相测井识别标准,这个过程存在主观性强、效率低的问题。许多学者将深度学习技术应用到成岩相识别,深度学习方法通常需要以大量标注样本数据为基础,但是由于取芯成本高昂,需通过大规模压裂开发,且地质专家资源有限,导致标注样本稀缺,成岩相样本数量很难支撑模型训练的需要,也就导致成岩相识别精度难以有效提升。因此,建立致密储层成岩相智能识别模型,实现低成本、准确且高效地成岩相识别,是目前致密储层成岩相识别工作中的迫切需要。 为了解决上述问题,本文设计了致密储层成岩相智能识别模型,该模型具体分为成岩相样本自动标注和成岩相智能识别两部分。成岩相样本自动标注可以有效缓解样本量不足的问题,其流程为:首先,归纳成岩相类型并预处理测井曲线数据,进行少量标签标注;其次,利用亲和传播聚类构造图结构,建立测井曲线深度节点之间的关联关系;然后,通过图卷积层聚合节点特征,实现成岩相的高效准确标注,为后续成岩相识别提供可靠的数据。成岩相智能识别流程为:首先基于测井曲线数据样本,结合时域卷积网络进行多尺度特征提取;其次,引入改进的注意力机制模块,强化全局信息和长距离依赖关系,然后进行分类识别。最后设计并实现致密储层成岩相识别系统,通过实际应用效果验证所提方法的有效性与可靠性。 应用结果表明,致密储层成岩相智能识别模型能够较好地解决当前成岩相识别的问题,系统可以及时高效的进行成岩相样本自动标注工作与进一步的成岩相识别工作,极大地提高了工作效率,具有较高的应用价值。