基于井数据与地震属性及机器学习方法的复杂海岸条件储层预测
地球物理
2023-01-10 v1 机器学习
摘要
本工作的目的是利用机器学习算法栈以及数据增强与修正方法，预测所研究海岸区域内具有油气采集性质的岩层分布概率。本研究发展了在井数据与空间属性上训练的机器学习方向。给出了克服该方向局限性的方法，两种井数据样本增强与修正方法：Spindle 与 Revers-Calibration。考虑到海岸区域条件下地震资料解释的困难，所提方法是一种能够处理全部地质与地球物理数据、从 159 维空间属性中提取知识，并以可接受质量进行相分布预测的 tool——针对储层类的 F1 度量在不同地质条件“钻探”结果评估中平均达 0.798。结果表明，在所实现的技术栈中一致应用所提增强方法，相较原始数据集将储层预测质量提升了 1.56 倍。
引用
@article{arxiv.2301.03216,
title = {Reservoir Prediction by Machine Learning Methods on The Well Data and Seismic Attributes for Complex Coastal Conditions},
author = {Dmitry Ivlev},
journal= {arXiv preprint arXiv:2301.03216},
year = {2023}
}
备注
15 pages, 1 figure