乐于分享
好东西不私藏

Petrel 2024.6 机器学习插件

Petrel 2024.6 机器学习插件
做储层地质建模的同行都有体会,岩相空间展布是物性参数建模的基础,而传统基于变差函数的序贯指示模拟(SIS),在面对非均质性强、井网稀疏的复杂储层时,往往力不从心——变差函数拟合的主观性、对硬数据的过度依赖、以及无法有效融合多属性信息,常让最终模型在盲井验证时“差一口气”。
Petrel 2024.6 集成的机器学习辅助岩相预测插件,提供了一条不同的路径。它允许我们直接利用多口井的测井曲线(GR、SP、DT、电阻率等)作为特征输入,通过监督学习算法训练岩相分类器,然后将分类结果作为软概率约束,再结合地质统计方法进行空间展布模拟。这种“数据驱动+地质约束”的混合思路,在我最近的一个碎屑岩储层项目中,显著提高了薄砂层的预测精度。
以下实操流程和踩坑心得整理出来,供大家参考。

一、数据准备与特征工程

插件支持标准的 LAS 或 ASCII 格式测井数据。关键一步是岩相标签的标定——必须基于岩心描述或成像测井解释,建立准确的“岩相-测井响应”对应关系。我用的目标是三类:砂岩、泥岩、粉砂质泥岩。
特征选择上,除了常用的 GR、SP、RT 外,我还加入了计算属性:如中子-密度交会指示、自然伽马相对值、以及基于小波变换的曲线高频分量(用于识别薄互层)。插件允许自定义公式,这一点比很多独立 ML 工具更灵活。
数据清洗需特别注意:剔除井径扩径段、裂缝发育段等非代表性数据,防止异常
值干扰模型。

二、训练集构建与模型选择

插件内置了随机森林、梯度提升树、支持向量机(SVM)和浅层神经网络。经过多轮交叉验证,随机森林在我这个案例中表现最优(AUC 0.92),主要是因为它对异常值和缺失数据容忍度高,且能给出特征重要性排序。
训练集的划分遵循“同一油田、不同井”原则——用 70% 的井作为训练,30% 作为盲测,避免同一口井的数据同时进入训练和验证,防止过度乐观的精度评估。
关键参数调优:
  • 决策树数量:从 100 开始,逐步增加,发现 300 棵后精度趋于稳定。
  • 最大深度:设为 15,防止过拟合。
  • 最小样本分裂数:根据单井岩相厚度设定为 5。

三、预测结果与地质统计方法的对比

将训练好的模型应用于所有井的未解释段,输出每条曲线对应深度的岩相概率(三分类概率之和为 1)。然后,将这些概率体作为“软数据”,导入到 Petrel 的序贯指示模拟模块中,替代传统的单一变差函数模型。
与纯 SIS 方法对比,混合模型的盲井验证吻合率从 78% 提升至 86%,尤其是厚度小于 2 米的薄砂层,识别率提高了近 20%。但我也注意到,在岩性过渡带(如砂泥互层),模型容易出现“锯齿状”预测,需要后续结合沉积模式进行平滑处理。

四、几点经验教训

地质约束不可少:纯数据驱动的 ML 模型可能在局部产生不符合沉积规律的异常点,我采用了“沉积相分区建模”策略,对不同相带分别训练子模型,效果更稳定。
不平衡样本的处理:泥岩样品远多于砂岩,导致模型偏向预测泥岩。我通过 SMOTE 过采样和代价敏感学习(调高砂岩类别的权重)予以缓解。
可解释性:随机森林的特征重要性排序显示,GR 和 DT 贡献最大,这与沉积学认识一致,增强了模型可信度。
计算资源:300 棵树、200 口井、每口井 1000 个深度点,训练时间约 3 分钟(Intel i7 笔记本),可以接受。

回首页,搜索你想要的文档

在首页搜索框输入关键词,快速定位资料

文库首页搜索指引 立即搜索

相关学习资料