利用机器学习增强岩石物理研究：非均质储层渗透率预测的现场案例研究
地球物理
2023-05-15 v1 机器学习
摘要
本现场案例研究旨在解决非均质储层地层中准确预测岩石物理性质的挑战，这会对储层性能预测产生显著影响。研究采用三种机器学习算法，即人工神经网络（ANN）、随机森林分类器（RFC）与支持向量机（SVM），从常规测井曲线预测渗透率测井曲线并与岩心数据匹配。本研究的主要目标是比较三种机器学习算法在预测渗透率方面的有效性并确定最优预测方法。研究利用流动单元指标（FZI）岩石类型划分技术来理解影响储层质量的因素。研究结果将用于改进储层模拟并更精确地定位未来井位。研究得出结论：FZI方法与机器学习算法在预测渗透率测井曲线和改进储层性能预测方面是有效的。
引用
@article{arxiv.2305.07145,
title = {Enhancing Petrophysical Studies with Machine Learning: A Field Case Study on Permeability Prediction in Heterogeneous Reservoirs},
author = {Fethi Ali Cheddad},
journal= {arXiv preprint arXiv:2305.07145},
year = {2023}
}
备注
10 pages