利用神经模糊方法从地震属性量化砂分数

本文展示了利用神经模糊（NF）方法从地震属性（即地震阻抗、地震振幅和瞬时频率）对储层属性（砂分数）进行建模。输入数据集包括从位于印度西海岸的油气田获取的 3D 叠后地震属性和六口测井曲线。盆地内薄砂层和页岩层的存在使得储层特征建模成为一项具有挑战性的任务。尽管地震数据有助于将储层属性外推至井眼之外，但由于其分辨率有限，利用地震数据描绘薄砂和页岩储层仍具挑战性。因此，开发最先进的智能方法以校准地震数据与目标储层变量之间的非线性映射十分重要。神经网络已展现出建模此类非线性映射的潜力；然而，与模型和数据集相关的不确定性仍是关注点。因此，引入模糊逻辑（FL）有利于处理这些不确定性。更具体地，人工神经网络（ANN）与模糊逻辑的混合变体，即 NF 方法，能够通过结合 FL 的显式知识表示能力与神经网络的学习能力来建模储层特征。本研究记录的结果表明目标变量与预测变量之间具有可接受的一致性，从而鼓励在储层表征领域应用诸如神经模糊的集成机器学习方法。此外，研究区砂概率变化的可视化将有助于确定未来钻井作业的潜力井位。