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