基于新型机器学习方法的粉砂质油气藏阳离子交换能力的实验研究及软计算建模

《Physics and Chemistry of the Earth, Parts A/B/C》:Experimental study and soft computing modeling of shaly oil and gas reservoir cation exchange capacity based on novel machine learning approach

【字体: 大 中 小 】 时间:2026年04月25日 来源:Physics and Chemistry of the Earth, Parts A/B/C 3.0

编辑推荐:

  页岩储层阳离子交换容量(CEC)的深度学习预测方法研究。通过100块中东页岩岩心实验数据,对比MLP-ANN、KNN、AdaBoost和自定义CNN模型,证明CNN在捕捉孔隙非线性和多参数交互关系方面具有显著优势,测试集R2达0.9637,AARE%仅3.4725%,为复杂储层CEC预测提供新工具。

  
吴晓斌|Zyad Shaaban|Roopashree R|Anupam Yadav|Subhashree Ray|Chandra Kant Bhardwaj|Aashna Sinha|Dilsora Abduvalieva|PRAKHAR TOMAR|Heyder Mhohamdi|Usama S. Altimari|Aseel Smerat|Ahmad Abumalek
陕西延安大学石油工程与环境工程学院,中国延安716000

摘要

阳离子交换容量(CEC)是基于电阻率测井的泥质油气水库水饱和度模型中的一个关键参数。在静态水库建模中,准确的饱和度计算严重依赖于精确的CEC估计。由于传统的实验室和经验方法在估计单位孔隙体积的CEC(Qv)时往往具有破坏性、耗时较长,并且难以捕捉复杂的非线性孔隙几何结构,因此迫切需要先进的、数据驱动的方法。本研究介绍了一种利用核磁共振(NMR)测井来估计Qv的新技术。对来自中东泥质水库的100个岩芯样本进行了实验室测量,测量了孔隙度、渗透率、颗粒密度、NMR T2lm和盐度。为了解决控制Qv的复杂非线性关系,本研究评估了几种软计算模型(MLP-ANN、KNN、AdaBoost),并提出了一种自定义的卷积神经网络(CNN)。CNN框架通过其分层特征提取能力提供了独特的贡献,这种能力非常适合捕捉这些复杂的岩石物理相互作用。在所有模型中,自定义CNN取得了最高的预测精度,测试R2为0.9637,平均绝对相对误差(AARE%)为3.4725%,均方根误差(RMSE)为0.00081 meq/cm3

引言

阳离子交换容量是水库岩石的关键特性,尤其是含粘土的岩石。它代表了岩石在其带负电表面上保留正电荷离子(阳离子)的总能力,这种电荷主要是由于粘土矿物结构中的同形替代作用,即高价离子被低价离子取代所致1, 2, 3, 4, 5。在岩石物理学领域,Qv是一个关键的岩石属性,用于量化由于岩石构造中存在孔隙壁粘土而产生的额外电导率6, 7, 8, 9, 10, 11。在评估泥质水库时,其重要性尤为突出,因为它作为基于电阻率模型的基本输入,特别是Waxman–Smits模型和双水模型12, 13, 14, 15, 16。因此,获得精确的Qv估计对于在这些具有挑战性的水库中进行有效的油气勘探和生产至关重要17, 18, 19, 20, 21。通常,这种估计是通过解释自然电位测井或利用Qv与粘土结合水之间的经验关系来实现的22, 23, 24, 25, 26。尽管自然电位测井和?CBW关系在Qv估计中很有用,但它们的实际应用经常受到多种限制27, 28, 29, 30。自然电位测井固有的低垂直分辨率不可避免地会在现场得到的Qv值中引入不准确性。此外,当 Formation water 盐度未知、被冷凝改变或受到完井/刺激流体的影响时,自然电位测井方法的可靠性受到显著影响,从而限制了其在这些情况下的使用31, 32, 33, 34。另外,从常规测井中获得可靠的?CBW值也是一个相当大的挑战。虽然核磁共振(NMR)测井提供了更直接的?CBW确定方法,但其可用性和适用性可能有所不同35, 36, 37, 38, 39。
人们一直尝试使用从岩芯测量中得出的经验关系来直接从常规测井中估计CEC。然而,粘土的多样性和复杂性经常引入不准确性,并限制了这些方法的有效性。岩芯样本的实验室分析是确定CEC的主要手段40, 41, 42, 43, 44。为此目的广泛使用的技术包括:亚甲蓝测试、电导滴定、多盐度方法、膜电位方法。实验室测量及其应用面临多个挑战45, 46, 47, 48, 49。这些挑战包括岩芯样本可能无法准确反映整个水库的情况、实验室程序可能改变CEC值、不同类型粘土的CEC变化以及Formation water化学成分对可交换阳离子的影响50, 51, 52。与传统方法相比,机器学习和人工智能在许多学科中提供了强大的工具26, 53, 54, 55, 56。虽然之前的研究主要依赖于经验相关性或测井衍生估计,但我们的研究引入了一种数据驱动的方法,结合了直接的实验NMR输入和最先进的机器学习模型,包括CNN和集成技术。这种融合使得在复杂的泥质地层中能够进行高分辨率、稳健的CEC预测,标志着岩石物理建模的重大进步。
本研究构建并测试了几个强大的机器学习模型,以准确预测泥质水库中的阳离子交换容量。这些模型使用孔隙度、渗透率、颗粒密度、NMR T2lm和盐度作为输入数据。采用了杠杆技术来检测和处理异常值,并进行了敏感性分析,以确定每个输入参数对CEC预测的影响。为了避免过拟合,所有模型都基于K折交叉验证方法进行了比较和验证。图1展示了结合数据预处理、模型评估和特征解释的工作流程,以构建可靠的预测算法,从而准确预测Qv 57, 58。
总之,尽管Qv在水库评估中的重要性得到了普遍认可,但当前的估计技术仍然存在许多挑战。实验室化学方法具有破坏性、耗时较长,并且只能提供离散的数据点,无法捕捉井下的连续变化。此外,已建立的经验和理论模型(例如Waxman-Smits模型)在复杂的泥质地层中往往无法充分捕捉测井读数、复杂的孔隙几何结构和Qv之间的高度非线性依赖关系。尽管已经初步应用了机器学习,但研究通常依赖于像MLP-ANN这样的简单架构,这些架构在从复杂输入(如NMR-T2分布)中进行稳健特征提取的能力有限。本研究通过提出一种新的、数据驱动的方法来解决这一关键科学空白,该方法结合了NMR测井的物理敏感性(对粘土结合水和表面积高度敏感)和CNN方法的卓越特征识别和模式学习能力。本研究的主要目标是开发并验证一种基于CNN的先进模型,与现有方法相比,该模型能够提供更准确、更稳健和更通用的Qv预测,从而为泥质水库的表征提供了强大的新工具

实验方法

核磁共振(NMR)是一种了解岩芯样本中孔隙空间和流体行为的宝贵技术。然而,NMR无法直接测量阳离子交换容量(CEC)。尽管如此,NMR能够量化粘土结合水(CBW),从而可以间接估计CEC。以下信息详细介绍了如何使用NMR进行CEC估计以及涉及的一般步骤。一个关键原理是T2弛豫时间的显著差异

机器学习方法背景

为了全面概述本研究中评估的用于预测Qv的建模策略,选择了一系列不同的机器学习算法。这些算法从传统的线性和基于距离的模型到复杂的基于树的集成和深度学习架构不等。为了确保模型的稳健评估并降低过拟合的风险,训练和验证过程经过了精心设计。所有预测模型都使用了5折交叉验证进行评估

数据说明

本研究依赖于专有的实验数据,共获得了100个独特的观测值(如图6所示),用于模型构建。数据集被划分,其中90%用于通过5折交叉验证进行模型训练和优化。剩余的10%作为独立的保留集,专门用于评估最终模型的外部有效性和准确性。
K折交叉验证是一种评估机器学习模型性能的稳健方法

敏感性分析

本节通过使用皮尔逊系数进行了敏感性分析,以评估输入参数对泥质岩石阳离子交换容量的影响。总之,输入变量的重要性取决于其值的大小;高绝对值表示其重要性。此外,正值表明输入变量和目标变量一起增加,而负值表明随着输入的增加,目标变量减少。这一要素是

结论

本研究成功开发并评估了几种软计算模型,包括MLP-ANN、KNN、AdaBoost和自定义CNN,使用五个关键的岩石物理参数作为输入,准确预测了复杂泥质油气水库中的单位孔隙体积阳离子交换容量(Qv)。比较分析清楚地展示了深度学习方法的优越性。CNN模型提供了最稳健和准确的预测,实现了R2为0.9637,AARE%为

CRediT作者贡献声明

Anupam Yadav:软件、资源、项目管理。Roopashree R:资源、项目管理、方法论。Ahmad Abumalek:验证、监督、正式分析、概念化。Zyad Shaaban:方法论、调查。Dilsora Abduvalieva:可视化、监督、数据管理。Aashna Sinha:写作——原始草稿、可视化、验证、软件。Chandra Kant Bhardwaj:可视化。Subhashree Ray:监督、软件、资源、项目管理。Aseel

数据可用性声明

数据可向相应作者请求获取。

利益冲突

无

资助

无

利益冲突声明

? 作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号