基于深度学习算法的核磁共振测井数据预测致密砂岩储层渗透率: 以吴堡-佳县勘探区本溪组为例

杨丹; 李新虎; 丁佳萌; 刘晓梅; 赵凯源

doi:10.12404/j.issn.1671-1815.2504966

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (21) :9099-9108 DOI: 10.12404/j.issn.1671-1815.2504966

石油、天然气工业

基于深度学习算法的核磁共振测井数据预测致密砂岩储层渗透率: 以吴堡-佳县勘探区本溪组为例

杨丹 ¹ ,
李新虎 ¹^,²^,^* ,
丁佳萌 ¹ ,
刘晓梅 ¹ ,
赵凯源 ¹

作者信息 +

Prediction of Tight Sandstone Reservoir Permeability Using NMR Logging Data Based on Deep Learning Algorithms: Wubao-Jiaxian Exploration Area Benxi Formation

YANG Dan ¹ ,
LI Xin-hu ¹^,²^,^* ,
DING Jia-meng ¹ ,
LIU Xiao-mei ¹ ,
ZHAO Kai-yuan ¹

Author information +

文章历史 +

摘要

致密砂岩储层孔隙结构复杂、非均质性强,呈现低孔低渗且渗透率变化大的特征,开展致密砂岩储层渗透率的测井定量预测,是关乎致密砂岩储层高效开发的关键一环。核磁共振测井因能提供与岩石成分无关的孔隙度信息而成为有效的渗透率预测手段,但现有的SDR模型(Schlumberger-Doll research)和Coates两种核磁共振(nuclear magnetic resonance,NMR)测井渗透率求解模型存在一定局限性。为此,基于Coates模型的关键参数,以鄂尔多斯盆地吴堡-佳县勘探区四口参数井作为数据集,构建了深度神经网络模型(deep neural network,DNN)和长短期记忆网络模型(long short-term memory,LSTM)核磁共振测井进行渗透率预测。实验表明,DNN-NMR模型在静态参数拟合中表现良好(R²=0.872),较Coates模型准确率提高14%;LSTM-NMR模型表现最优(R²=0.916)。研究结果为致密砂岩储层渗透率的核磁共振测井定量预测提供了高精度、强泛化的解决方案。

Abstract

Tight sandstone reservoirs are characterized by complex pore structures, strong heterogeneity, low porosity, low permeability, and highly variable permeability. Accurate well-log-based permeability prediction is therefore critical for their efficient development. Nuclear magnetic resonance (NMR) logging, which provides porosity information independent of rock composition, serves as a valuable tool for this purpose. However, conventional NMR-derived models such as SDR(Schlumberger-Doll research) and Coates have inherent limitations. Therefore, based on the key parameters of the Coates model, using four parameter wells in the Wuguo-Jixian exploration area of the Ordos Basin as the data set, a deep neural network model (DNN) and a long short-term memory network model(LSTM) were constructed for permeability prediction using nuclear magnetic resonance logging. Experimental results demonstrate that the DNN-NMR model achieves good performance in static parameter fitting (R² = 0.872), representing a 14% accuracy improvement over the Coates model. The LSTM-NMR model performs best, achieving the highest accuracy (R² = 0.916). The research results provide a high-precision and robust solution for the quantitative NMR-log-based prediction of permeability in tight sandstone reservoirs.

Graphical abstract

关键词

渗透率 / 致密砂岩储层 / 长短期记忆网络 / 核磁共振测井 / 深度神经网络

Key words

permeability / tight sandstone reservoir / long short-term memory network / nuclear magnetic resonance logging / deep neural network

引用本文

引用格式 ▾

杨丹, 李新虎, 丁佳萌, 刘晓梅, 赵凯源. 基于深度学习算法的核磁共振测井数据预测致密砂岩储层渗透率: 以吴堡-佳县勘探区本溪组为例[J]. 科学技术与工程, 2026, 26(21): 9099-9108 DOI:10.12404/j.issn.1671-1815.2504966

YANG Dan, LI Xin-hu, DING Jia-meng, LIU Xiao-mei, ZHAO Kai-yuan. Prediction of Tight Sandstone Reservoir Permeability Using NMR Logging Data Based on Deep Learning Algorithms: Wubao-Jiaxian Exploration Area Benxi Formation[J]. Science Technology and Engineering, 2026, 26(21): 9099-9108 DOI:10.12404/j.issn.1671-1815.2504966

登录浏览全文

4963

注册一个新账户忘记密码

吴堡-佳县勘探区位于鄂尔多斯东部,作为勘探区内重要的煤系气储层,本溪组致密砂岩呈现“超低渗透、小孔-微喉、强非均质性”的特征^[1-2],其渗透率最大值9.210×10^-3 μm²,最小值0.004×10^-3 μm²,平均值 0.700×10^-3 μm²。致密砂岩受成岩压实、胶结作用及沉积相带差异影响,孔隙结构复杂多变,导致渗透率在空间上呈现剧烈波动^[3-4]。

渗透率预测是量化评价储层渗流能力、指导油气开发方案制定及提高采收率的关键地质参数。利用常规测井曲线进行渗透率预测的方法包括线性和非线性方法,主要通过建立多种测井曲线,分析孔隙度与渗透率的一元、多元关系,以及采用神经网络、深度学习等非线性计算方法,并取得了一定的应用效果^[5-7],但在致密砂岩等孔渗关系复杂地层中回归相关性显著降低,且依赖人工特征筛选,难以处理高维非线性数据^[8-9]。核磁共振(nuclear magnetic resonanceNMR)测井因其能提供与岩石矿物骨架成分无关的孔隙度信息,且T₂弛豫时间与岩石内部孔隙大小成正比,成为致密砂岩等非常规储层渗透率预测的重要手段^[10-11]。SDR(Schlumberger-Doll research)和Coates作为核磁共振测井渗透率求解的经典模型,在实际生产中应用广泛。但这两种模型也存在一定局限性。SDR模型在水层计算结果较好,油水层预测误差较大,主要适用于中高孔渗储层,且对核磁共振测井数据的质量要求较高^[12-14];Coates模型是一种基于岩心分析数据和实验室渗透率测试结果得出的经验关系式,在孔隙结构复杂或储层条件特殊时误差增大,需根据地质条件频繁调整参数^[15],增加了应用难度。

深度学习技术的兴起为突破传统的测井解释方法提供了新路径,取得了较好的效果。深度神经网络算法(deep neural network,DNN)通过多层非线性映射自动提取测井数据的高阶特征,避免了传统人工特征工程的局限性,显著提升了建模效率与泛化能力,推动测井解释向数据驱动转型^[16]。DNN算法广泛应用于测井曲线重构与校正、岩性及流体类型的自动识别、关键储层参数的定量预测^[17-19]。但测井数据具有强时序依赖性(深度连续性)及非线性耦合特征,对模型的长程记忆能力提出挑战,长短期记忆算法(long short-term memory,LSTM)通过门控机制与记忆单元动态调控信息流^[20],有效地捕捉了测井曲线的深度演化规律,因而在储层参数精细预测、地层序列自动划分及复杂曲线重构等任务中展现出独特优势^[21-22],显著提升了对复杂非均质储层评价的精度,增强了地质合理性,成为处理时序测井数据的优选方案。

针对致密砂岩储层利用核磁共振测井进行渗透率预测时,传统方法存在的孔隙结构表征不足与时序依赖性缺失问题,现构建一种多尺度特征融合的LSTM-NMR渗透率预测模型。模型的输入特征基于Coates模型参数,融合NMR参数自由流体孔隙度(free-flowing fluid porosity,FFI)、束缚水孔隙度(bound water porosity,BVI)^[23]与常规测井曲线声波时差AC(反映岩石骨架-流体响应)、自然伽马GR(表示泥质含量与岩性)、补偿中子CNL(刻画含氢指数与流体性质)构建多尺度特征集。该设计突破了传统方法依赖单一数据源的局限,通过有机融合微观核磁共振(NMR)孔隙结构参数与宏观常规测井物理响应,实现微观孔隙结构与宏观物理响应的协同表征。在此基础上,引入LSTM网络捕捉测井数据的深度时序依赖性。通过对比实验验证模型的预测精度。以期为致密砂岩储层的渗透率预测提供新的思路和解决方案。

1 常规测井方法多元回归计算模型

分别选取常规测井曲线与岩心渗透率进行相关性分析,建立渗透率与测井响应的函数关系。选用鄂尔多斯盆地吴堡-佳县勘探区4口取心井24块岩心分析资料进行分析。

研究表明,渗透率与声波时差、密度、自然伽马、补偿中子测井曲线间存在单相关性,但相关性较弱(图1)。因此,采用多元回归方法构建常规测井曲线与渗透率的关系模型(图2)。

渗透率求解模型为

(1)PERM=0.631+0.005AC-0.006GR-0.257DEN-0.014CNL,R²=0.462

式(1)中:AC为声波时差测井曲线,μs/m;DEN为密度测井曲线,g/cm³;GR为自然伽马测井曲线,API;CNL为补偿中子测井曲线,%。

相较于仅依赖单一测井曲线来建立渗透率关系的方法,多元回归模型显著提高了相关性分析的准确性。但鉴于岩心数据分布较为离散,这一提升并未达到理想状态,依然无法精确构建渗透率计算模型。

2 基于核磁共振技术预测渗透率模型

2.1 核磁共振SDR和Coates估算模型

2.1.1 Coates模型

George R. Coates提出了Coates模型来计算渗透率,该模型综合考虑了孔隙度和孔径大小的影响。该模型充分利用核磁共振测井技术的优势,通过分析毛细管束缚流体孔隙体积与自由流体体积的比值以及岩石比表面积的关系,建立了基于核磁共振特性与渗透率相关性的经验公式^[24]。

Coates模型求解公式表达式为

(2)K_Coates=${\left(\frac{\varphi }{C}\right)}^{4}\frac{\mathrm{F}\mathrm{F}\mathrm{I}}{\mathrm{B}\mathrm{V}\mathrm{I}}$

式(2)中:K为岩心渗透率,mD;ϕ为岩心孔隙度;FFI为自由流体孔隙度;BVI为束缚水孔隙度;C为模型经验系数。

2.1.2 SDR模型

SDR模型的思想是将孔径分布简单平均化。弛豫时间T₂分布反映了孔隙尺寸信息,SDR模型利用T₂分布的几何平均值来估算渗透率。

SDR模型求解公式表达式为

(3)K=Aϕ⁴

${T}_{2\mathrm{g}\mathrm{m}}^{2}$

式(3)中:A 为SDR模型渗透率乘积因子,与地层类型相关,mD,缺省值A=4 mD;ϕ为核磁孔隙度,反映考虑孔隙结构及流体分布特性;T_2gm 为T₂分布的几何平均值,表征孔隙尺寸特征(或孔隙体积与表面积的比值关系)。

2.2 深度学习算法建立渗透率预测模型

2.2.1 DNN原理

神经网络通过模拟人脑神经元机制,构建多层节点(神经元)的互联计算框架。每个神经元对输入值x_i赋予权重w_i以量化其重要性,经加权求和与偏置b叠加后,通过激活函数(如Sigmoid、ReLU、Tanh)实现非线性变换,最终输出结果(图3)。这一过程是深度学习模型实现复杂模式识别与数据处理的核心机制,其中多层神经元堆叠形成的深度架构进一步增强了特征提取与抽象能力^[25]。

深度神经网络(DNN)是一类通过多层神经元结构进行数据处理和学习的人工神经网络。作为深度学习的核心模型之一,DNN的主要特征在于包含多个隐藏层,从而能够对复杂数据执行层次化的特征提取与模式识别。其典型结构由以下3个部分组成:输入层(接收原始数据)、一个或多个隐藏层(各层神经元通过权重相连,层数与神经元数量共同决定了模型的容量),以及输出层(根据任务类型输出相应的分类或回归结果),该结构如图4所示。

DNN训练划分为4个过程,分别为前向传播、反向传播、权重梯度计算和权重更新。在前向传播过程中,数据从输入层逐层传递至输出层,每一层的神经元依据上一层的输出结合其自身的权重和偏置进行计算,进而确定下一层的输入,最终获得输出层的输出结果。在反向传播过程中,首先计算网络的预测输出与真实输出之间的误差,然后将这个误差逐层反向传播回去,同时更新每一层的权重和偏置,这是DNN训练的关键步骤。在反向传播过程中,需要使用优化算法来更新权重和偏置,常用的优化算法有随机梯度下降(stochastic gradient descent,SGD)、动量(Momentum)、Adam等。本文研究构建的DNN-NMR模型即利用上述多层前馈架构,从融合的NMR与常规测井静态特征中自动学习其与渗透率间的复杂非线性映射关系。

2.2.2 LSTM原理

长短期记忆网络(LSTM)是一种特殊的循环神经网络(RNN),其核心在于通过门控机制(遗忘门、输入门、输出门)和细胞状态解决传统RNN的长期依赖问题,防止梯度消失或爆炸^[26]。

细胞状态是贯穿整个时间序列的“传送带”,负责长期信息的传递。遗忘门通过Sigmoid函数输出0~1的值,决定上一时刻细胞状态中保留或遗忘的信息比例;输入门由Sigmoid层(筛选当前输入中需要更新的信息)和tanh层(生成新的候选值)组成;输出门控制当前细胞状态中哪些信息输出到隐藏状态,影响后续时间步。通过门控机制选择性更新信息,避免梯度消失。LSTM的模型结构如图5所示,算法的运算流程如下。

遗忘门计算公式为

(4)f_t=σ(W_f[h_t_-1,x_t]+b_f)

式(4)中: f_t为遗忘门输出向量(0~1),控制上一时刻细胞状态中哪些信息被保留或遗忘;W_f为遗忘门的权重矩阵,学习如何结合上一隐藏状态h_t_-1和当前输入x_t生成遗忘决策;b_f为遗忘门的偏置项,调整遗忘倾向;σ为sigmoid激活函数,将线性输出压缩到0~1。

输入门计算公式为

(5)i_t=σ(W_i[h_t_-1,x_t]+b_i)

(6)${\stackrel{~}{C}}_{t}$=tanh(W_c[h_t_-1,x_t]+b_c)

式中:i_t为输入门输出向量(0~1),控制当前输入中哪些信息需要更新到细胞状态;

${\stackrel{~}{C}}_{t}$

为候选细胞状态(通过tanh生成,-1~1),表示当前输入的潜在新信息;W_i、W_C为输入门的权重矩阵,分别学习筛选和生成新信息的规则;b_i、b_C为输入门的偏置项。

细胞状态更新公式为

(7)C_t=f_t☉C_t_-1+i_t☉${\stackrel{~}{C}}_{t}$

式(7)中:C_t为当前时刻的细胞状态,结合遗忘的旧信息(f_t☉C_t_-1)和新增信息(i_t☉

${\stackrel{~}{C}}_{t}$

)。

输出门计算公式为

(8)o_t=σ(W_o[h_t_-1,x_t]+b_o)

(9)h_t=o_t☉tanhC_t

式中:o_t为输出门输出向量(0~1),控制当前细胞状态C_t中哪些信息输出到隐藏状态h_t;h_t为当前隐藏状态,作为下一时刻的输入或最终输出。构建的LSTM-NMR模型正是利用上述门控机制,来捕捉测井参数(如AC、GR、CNL及NMR参数)随深度变化的序列依赖关系,从而实现对致密砂岩渗透率纵向非均质性的动态建模。

2.2.3 数据准备

初步选取吴堡-佳县勘探区多口参数井的核磁测井数据(MFFI、MBVI)及常规测井曲线(AC、GR、CNL、DEN)作为输入特征。其中,MFFI表征岩石中可容纳并允许流体自由流动的孔隙体积占岩石总体积的比例,是评估储层有效流动能力的关键参数;MBVI反映多孔介质中被束缚水(因岩石颗粒表面吸附力、毛细管力等物理作用无法自由流动)占据的孔隙体积与总体积之比,用于量化储层中不可动水的分布特征^[27]。MFFI与MBVI作为描述多孔介质孔隙空间特性的核心参数,不仅各自具备明确的物理意义,还均与渗透率存在一定的相关性。AC反映岩石声波传播速度,与孔隙度、岩性及流体性质相关;GR表征岩石中放射性物质含量,用于区分岩性(如砂岩、泥岩);CNL通过测量中子与岩石原子核的散射强度估算孔隙度,对氢元素敏感;DEN是岩石的体积密度,与孔隙度负相关,同时受岩性和流体性质影响(如油气密度低于水)^[28]。上述特征组合可综合反映储层的孔隙结构、流体分布及岩性特征,为后续建模提供多维度输入。

为验证输入特征的有效性,采用皮尔逊相关系数衡量各特征与岩心渗透率(CPERM)的线性相关性,并利用Seaborn库生成热力图(图6),展示输入特征与CPERM的相关性矩阵。皮尔逊相关系数取值范围严格界定在-1~1,该系数的绝对值大小直接反映两个变量间线性相关性的强弱。

(10)r=$\frac{\sum ({x}_{i}-\stackrel{-}{x}\left)\right({y}_{i}-\stackrel{-}{y})}{\sqrt{\sum ({x}_{i}{-\stackrel{-}{x})}^{2}({y}_{i}{-\stackrel{-}{y})}^{2}}}$

式(10)中:x_i和y_i为样本数据中的第i对观测值;

$\stackrel{-}{x}$

和

$\stackrel{-}{y}$

分别为x和y的均值。

图6中显示,MFFI、MBVI、GR、CNL与CPERM相关性较好(

$\left|\mathrm{r}\right|$

>0.7),AC与CPERM的相关性较弱(

$\left|\mathrm{r}\right|$

<0.3),但仍保留以供模型学习潜在非线性关系,DEN与CPERM的相关性太弱(

$\left|\mathrm{r}\right|$

<0.1),不作为输入特征。

数据预处理阶段,系统执行了数据清洗、标准化及异常值剔除操作。运用dropna方法剔除含缺失值样本,保障数据完整性;采用StandardScaler对特征进行标准化处理,使各特征均值为0、标准差为1,确保特征间数值可比性,规避数值范围差异对模型学习的干扰;通过Z-Score统计方法识别,

$\left|\mathrm{Z}\right|$

>3的数据点视为异常值,将其剔除,以降低噪声干扰,提升模型训练的稳健性与效率。标准化公式为

(11)x^*=$\frac{x-\stackrel{-}{x}}{\sigma }$

式(11)中:

$\stackrel{-}{x}$

为原始数据的均值;σ为原始数据的标准差。

采用train_test_split方法进行数据划分,将736个数据集按比例分配:70%的样本作为训练集,15%作为测试集,剩余15%作为验证集。确保模型在训练、评估及验证阶段均有充足的数据支持,从而有效提升模型的可靠性与泛化能力。部分样本集如表1所示。

2.2.4 模型建立

1)DNN-NMR模型

如图7所示,在构建DNN-NMR模型的过程中,采用TensorFlow框架搭建顺序(Sequential)模型结构。模型架构由以下层级构成:输入层通过首个全连接(Dense)层指定特征维度;随后包含两个隐藏层,第一隐藏层配置128个神经元,第二隐藏层配置64个神经元,均采用修正线性单元(ReLU)激活函数,且每层后接入丢弃率20%的Dropout层以缓解过拟合;输出层为单神经元全连接层,专用于回归预测任务。

模型编译阶段,选用Adam优化器进行参数优化(初始学习率设置为0.001),并采用均方误差作为损失函数。模型训练过程中,通过fit方法指定训练数据集,设定验证集划分比例为15%(validation_split=0.15),配置迭代次数与批次大小参数,同时引入EarlyStopping回调机制:当验证集损失连续50个训练周期未出现改善时,提前终止训练流程,并自动恢复至最优权重状态。最终在测试集预测后,计算并输出均方误差(mean square error,MSE)、平均绝对误差(mean absolute error,MAE)和决定系数(R²)以评估模型性能。

2)LSTM-NMR模型

如图8所示,设计并训练了一种基于双向LSTM-NMR的低维特征时序回归模型,采用Keras的Sequential接口构建,核心架构通过Bidirectional(LSTM)层捕获输入特征的双向时序依赖,设置128个隐藏单元并使用ReLU激活,结合return_sequences=False参数将时间维度压缩为单向量表示;随后通过BatchNormalization层加速收敛并增强稳定性,同时引入Dropout(0.2)随机丢弃20%神经元连接以抑制过拟合;全连接层部分堆叠一层64单元的ReLU激活层,最终通过线性输出层生成预测值。

模型编译阶段选用Adam优化器与均方误差(MSE)损失函数,训练过程中通过ReduceLROnPlateau动态调整学习率(验证集损失10轮未改善时衰减至0.1倍,最小下限1×10^-7),并启用早停机制(验证集损失20轮未下降时终止训练并恢复最佳权重),从而在低维特征回归任务中实现了时序信息提取与泛化能力的平衡。

3 模型应用与对比

3.1 误差分析

通过对比分析评估不同预测模型的性能,从而构建严谨评价体系。选取MSE、MAE、R²作为核心评价指标,多维度精准量化模型预测的精确性与拟合优度,并通过深度学习损失函数(MSE)变化曲线来评估模型的稳定性。

为确保对比分析的公正性和准确性,将核磁共振传统模型与封装后的深度学习模型应用于多元回归相同的数据进行测试,以保证各模型在相同数据基础上进行比较。对多元回归法、SDR、Coates、DNN-NMR、LSTM-NMR的预测结果进行对比分析(图9、图10、表2)。

MSE为均方误差,主要用于评估预测模型或估计方法的精确性,是ML回归模型中常用的统计度量和损失函数。

(12)MSE=$\frac{1}{n}\stackrel{n}{\sum _{i=1}}({Y}_{i}-{\hat{Y}}_{i}{)}^{2}$

式(12)中:n为样本数量;Y_i为实际值;

${\hat{Y}}_{i}$

为预测值。式(12)衡量了预测值与实际值之间差异的平方的平均水平,从而反映模型的预测精度。

MAE表示模型预测值f(x)与样本真实值y之间距离的平均值,是回归模型中另一种常用的统计度量。

(13)MAE=$\frac{1}{n}\stackrel{n}{\sum _{i=1}}{\left|{Y}_{i}-{\hat{Y}}_{i}\right|}^{2}$

R²用于评估回归模型对数据拟合的优劣程度。R²的范围为0~1,越接近1表示模型拟合效果越好。

(14)R²=1-$\frac{\mathrm{S}\mathrm{S}\mathrm{E}}{\mathrm{S}\mathrm{S}\mathrm{T}}$

(15)SSR=$\stackrel{n}{\sum _{i=1}}({\hat{Y}}_{i}-{\overline{Y}}_{i}{)}^{2}$

(16)SSE=$\stackrel{n}{\sum _{i=1}}({Y}_{i}-{\hat{Y}}_{i}{)}^{2}$

(17)SST=SSR+SSE=$\stackrel{n}{\sum _{i=1}}$(Y_i-$\overline{Y}$)²

式中:

$\overline{Y}$

为所有实际值的平均值;SSR为回归平方和,表示回归模型的拟合误差;SST为总平方和,表示总体数据的离散程度^[30]。

基于表2数据及图9、图10对比分析,得出结论如下。

相较于多元回归与SDR模型,Coates模型在计算渗透率时与化验分析所得渗透率呈现较高的准确性,但深度学习模型在复杂储层条件下展现出更强的非线性拟合与泛化能力:DNN-NMR通过多层非线性映射(如图10中损失函数初期快速下降)可捕捉测井参数与渗透率间的复杂非线性关系,但收敛速度放缓且最终误差高于LSTM-NMR模型;相比之下,LSTM-NMR模型不仅损失函数快速收敛至极低水平,且预测值与真实值几乎完全重合,显著优于DNN-NMR模型。

流体类型及饱和度为渗透率关键影响因素,其变动显著影响渗透率。因测井参数与渗透率呈复杂非线性关系,多元回归模型难以有效刻画这种复杂映射机制。SDR模型基于T₂分布的几何平均值(T_2g)估算渗透率^[29],该方法在水层预测中表现良好,但因其将孔径分布简单平均化,未充分考虑不同尺寸孔隙对渗透率的贡献差异,故在含烃地层的渗透率预测中可能不准确。相比之下,Coates模型根据孔隙度和可动流体与束缚流体占比确定渗透率,更全面地考虑了流体在孔隙中的流动特性,因此在致密砂岩等复杂孔隙结构地层中的预测效果优于SDR模型。

在储层渗透率预测方面,DNN-NMR模型凭借多层非线性变换,能自动从原始数据中提取有效特征并拟合复杂函数关系,且通过正则化、Dropout等技术及大量训练数据,有效控制过拟合,在新数据上展现出良好泛化能力。然而,测井数据作为反映不同深度地层特征的响应序列,本质上具有时序性特征。在此类任务中,LSTM-NMR模型展现出更为显著的优势,其门控机制与循环结构专为序列数据设计,在捕捉长期依赖、保持梯度稳定方面超越了传统的前馈神经网络(DNN)。这使得LSTM-NMR能够挖掘更深层的序列信息,进而建立精度更高的预测模型。

3.2 结果分析

针对吴堡-佳县勘探区致密砂岩储层参数评价,构建了基于核磁共振测井数据的DNN-NMR、LSTM-NMR深度学习渗透率预测模型。研究区位于鄂尔多斯盆地东部晋西挠褶带内,构造平缓,以西倾单斜为背景,发育近东西向小型鼻状隆起^[30]。本溪组发育滨岸-浅海陆棚沉积,碎屑岩和碳酸盐混合发育,致密砂岩储层主要分布在本1段,是目前致密砂岩气主要的勘探目的层。致密砂岩储层发育于深水浊积扇环境,岩性以细砂岩为主,胶结物以泥质和钙质为主。储层内部孔隙结构复杂,喉道狭窄且迂回,导致流体渗流机制不完全符合达西定律。纵向上,储层物性随深度增加而变差;平面上,受沉积相带控制,河道砂体物性优于泛滥平原砂体。孔隙度普遍小于10%,孔隙类型以长石溶孔和粒间孔为主。砂岩成分以石英为主,岩屑和长石含量次之,分选性中等-好,磨圆度以次棱角状为主。胶结物类型多样,包括泥质、钙质、硅质等,其中泥质胶结对渗透率影响最大。

基于上述储层特征选取X井本溪组2 146~2 162 m上下两段砂岩(分别称51号、52号储层),验证不同模型的渗透率预测效果。51号储层上、下部烃源岩发育较差,上覆围岩从下到上为砂泥岩、泥岩夹薄煤层组合,储层孔隙度和渗透率较高,大孔径孔隙占比67%,核磁共振孔隙特征显示大、中、小孔径比例分别为6.88%、1.92%、1.14%;52号储层烃源岩发育特征与51号类似,上覆围岩为泥岩,孔隙度和渗透率较高,核磁共振孔隙特征为大、中、小孔径比例7.07%、1.36%、0.76%。基于上述储层的核磁共振孔隙特征和岩心实验测量的渗透率,对比不同模型的预测精度。结果显示(图11),相较于多元回归模型和SDR模型,Coates 模型计算渗透率与化验分析结果符合度较高,显示出其基本准确的渗透率求解能力,而深度学习算法性能更优,LSTM-NMR模型因其独特的网络结构和算法优势,拟合效果最佳。

4 结论

(1)基于核磁共振测井数据开展致密砂岩渗透率预测,系统评价了多元回归、SDR、Coates等常规方法与DNN-NMR、LSTM-NMR深度学习模型在致密砂岩渗透率预测中的表现。定量评估表明,LSTM-NMR模型取得了最优的预测精度(R²=0.916, MSE=0.007, MAE=0.035),其性能显著优于其他模型。

(2)LSTM-NMR模型能有效捕捉储层参数在纵向上的演化规律,其预测精度显著优于DNN-NMR模型及其他传统方法。这体现了深度时序学习在测井序列建模中的适应性与可靠性,为渗透率的高精度预测提供了有效途径。

(3)通过综合核磁共振与常规测井数据,构建的LSTM-NMR多源信息融合模型,有效协同表征了储层孔隙度与岩石骨架构造对渗透率的控制作用,所获渗透率解释结果精确可靠。该模型尤其擅长刻画由复杂孔隙结构和沉积序列所控制的渗透率非线性变化规律,不仅为同类致密砂岩储层的精细评价提供了创新可靠的技术手段,也进一步印证了多源数据融合与深度时序学习在复杂地球物理参数反演中的应用潜力。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	黄道军, 李新虎, 刘燕, 等. 鄂尔多斯盆地中东部本溪组致密砂岩储层特征及有利层段优选[J]. 西安科技大学学报, 2023, 43(1): 109-118.

[2]	Huang Daojun, Li Xinhu, Liu Yan, et al. Reservoir characteristics and favorable interval optimization of tight sandstone in the Benxi Formation, central-eastern Ordos Basin[J]. Journal of Xi’an University of Science and Technology, 2023, 43(1): 109-118.

[3]	路萍, 王浩辰, 高春云, 等. 2022. 致密砂岩储层渗透率预测技术研究进展. 地球物理学进展, 2022, 37(6): 2428-2438.

[4]	Lu Ping, Wang Haochen, Gao Chunyun, et al. Research progress on permeability prediction technology for tight sandstone reservoirs[J]. Progress in Geophysics, 2022, 37(6): 2428-2438.

[5]	庄春辉, 李亚军, 张欢, 等. 纳米级孔隙油水两相渗流规律及相对渗透率计算方法[J]. 科学技术与工程, 2025, 25(11): 4505-4514.

[6]	Zhuang Chunhui, Li Yajun, Zhang Huan, et al. The law of oil-water two-phase seepage and the calculation method of relative permeability in nanoscale pores[J]. Science Technology and Engineering, 2025, 25(11): 4505-4514.

[7]	熊繁升, 甘利灯, 孙卫涛, 等. 裂缝-孔隙介质储层渗透率表征及其影响因素分析[J]. 地球物理学报, 2021, 64(1): 279-288.

[8]	Xiong Fansheng, Gan Lideng, Sun Weitao, et al. Permeability characterization of fracture-pore mediareservoirs and analysis of its influencing factors[J]. Chinese Journal of Geophysics, 2021, 64(1): 279-288.

[9]	王治国, 汪雄雄, 常永峰, 等. 基于核磁共振技术的致密砂岩储层水锁伤害特征: 以苏里格致密砂岩储层为例[J]. 科学技术与工程, 2025, 25(25): 10653-10662.

[10]	Wang Zhiguo, Wang Xiongxiong, Chang Yongfeng, et al. Characteristics of water lock damage in tight sandstone reservoirs based on NMR technology: a case study of the taking the Sulige tight sandstone reservoir[J]. Science Technology and Engineering, 2025, 25(25): 10653-10662.

[11]	赵军, 何宣, 赖强, 等. 基于数字岩心的碳酸盐岩渗透率预测模型[J]. 地球物理学进展, 2024, 39(6): 2207-2218.

[12]	Zhao Jun, He Xuan, Lai Qiang, et al. Permeability prediction model for carbonate rocks based on digital core[J]. Progress in Geophysics, 2024, 39(6): 2207-2218.

[13]	张鹏, 樊云峰. 鄂尔多斯盆地低孔低渗储层渗透率测井建模研究[J]. 科学技术与工程, 2017, 17(17): 172-177.

[14]	Zhang Peng, Fan Yunfeng. Permeability logging model-building of low porosity and low permeability reservoirs of in Ordos Basin[J]. Science Technology and Engineering, 2017, 17(17): 172-177.

[15]	闫建平, 张帆, 王敏, 等. 基于核磁共振实验的低渗透砂岩岩电参数分类及应用——以东营凹陷南坡沙四段为例[J]. 地球物理学报, 2019, 62(7): 2748-2758.

[16]	Yan Jianping, Zhang Fan, Wang Min, et al. Classification and application of rock-electric parameters for low-permeability sandstone based on NMR experiments: a case study of the Es4 member in the southern slope of Dongying Sag[J]. Chinese Journal of Geophysics, 2019, 62(7): 2748-2758.

[17]	Liang Z, Li X, Sun A, et al. Nuclear magnetic resonance logging-based permeability classification modeling for tight sandstone reservoirs[J]. Processes, 2024, 12(7): 1309.

[18]	Xiao L, Liu X, Zou C, et al. Comparative study of models for predicting permeability fromnuclear magnetic resonance (NMR) logs in two Chinese tight sandstone reservoirs[J]. Acta Geophysica, 2013, 62(1): 116-141.

[19]	刘宗宾, 李超, 路研, 等. 基于孔隙结构表征的低渗透砂岩流体赋存特征及渗透率评价[J]. 吉林大学学报(地球科学版), 2024, 54(4): 1124-1136.

[20]	Liu Zongbin, Li Chao, Lu Yan, et al. Fluid occurrence characteristics and permeability evaluation of low-permeability sandstone based on pore structure characterization[J]. Journal of Jilin University (Earth Science Edition), 2024, 54(4): 1124-1136.

[21]	Kenyon W E, Day P I, Straley C, et al. A three-part study of NMR longitudinal relaxation properties of water-saturated sandstones[J]. SPE Formation Evaluation, 1988, 3(3): 622-636.

[22]	范卓颖, 侯加根, 邢东辉, 等. 低渗透储层核磁共振实验与测井应用[J]. 中国石油大学学报(自然科学版), 2019, 43(1): 53-59.

[23]	Fan Zhuoying, Hou Jiagen, Xing Donghui, et al. Nuclear magnetic resonance experiments and logging applications for low permeability reservoirs[J]. Journal of China University of Petroleum (Edition of Natural Science), 2019, 43(1): 53-59.

[24]	Cheng Y, Chen S, Eid M. Determination of permeability from NMR T₁/T₂ ratio in carbonates[C]// SPWLA Annual Logging Symposium. Oklahoma City: SPWLA, 2017: SPWLA-2017-RR.

[25]	Valentin M B, Bom C R, Compan A L M, et al. Estimation of permeability and effective porosity logs using deep autoencoders in borehole image logs from the brazilian presalt carbonate[J]. Journal of Petroleum Science and Engineering, 2018, 170: 315-330.

[26]	Xu R, Ma L, Song B, et al. Geohazard risk assessment model based on deep neural network[J]. Results in Engineering, 2026, 29: 109029.

[27]	曾锐, 邵燕林, 黄宇, 等. 基于深度学习的测井岩性智能识别[J]. 科学技术与工程, 2025, 25(30): 12804-12812.

[28]	Zeng Rui, Shao Yanlin, Huang Yu, et al. Intelligent identification of logging lithology based on deep learning[J]. Science Technology and Engineering, 2025, 25(30): 12804-12812.

[29]	马陇飞, 萧汉敏, 陶敬伟, 等. 基于深度学习岩性分类的研究与应用[J]. 科学技术与工程, 2022, 22(7): 2609-2617.

[30]	Ma Longfei, Xiao Hanmin, Tao Jingwei, et al. Research and application of lithology classification based on deep learning[J]. Science Technology and Engineering, 2022, 22(7): 2609-2617.

[31]	Fang Z, Ba J, Carcione M J, et al. Permeability prediction using logging data from tight reservoirs based on deep neural networks[J]. Journal of Applied Geophysics, 2024, 229: 105501.

[32]	贺书洲, 程超, 谌丽, 等. 物模-数模双驱下的细粒沉积岩储层参数预测方法[J]. 地球物理学报, 2025, 68(7): 2712-2735.

[33]	He Shuzhou, Cheng Chao, Chen Li, et al. Reservoir parameter prediction method for fine-grained sedimentary rocks under the dual-driven of physical and numerical modeling[J]. Chinese Journal of Geophysics, 2025, 68(7): 2712-2735.

[34]	高明, 李虎, 刘鑫锦, 等. 基于距离-属性混合聚类结合ConvLSTM模型的岩溶地层地下水预测方法[J]. 科学技术与工程, 2025, 25(20): 8424-8434.

[35]	Gao Ming, Li Hu, Liu Xinjin, et al. Prediction method of groundwater in karst strata based on distance-attribute hybrid clustering combined with ConvLSTM model[J]. Science Technology and Engineering, 2025, 25(20): 8424-8434.

[36]	陈雪菲, 辛显康, 喻高明, 等. 基于模态分解融合机器学习的测井曲线预测[J]. 科学技术与工程, 2025, 25(17): 7132-7141.

[37]	Chen Xuefei, Xin Xiankang, Yu Gaoming, et al. Logging curve prediction based on modal decomposition fused with machine learning[J]. Science Technology and Engineering, 2025, 25(17): 7132-7141.

[38]	李鹏飞, 李鹏举, 张强, 等. 基于小样本数据的储层渗透率预测方法[J]. 计算机技术与发展, 2024, 34(7): 199-206.

[39]	Li Pengfei, Li Pengju, Zhang Qiang, et al. A reservoir permeability prediction method based on small sample data[J]. Computer Technology and Development, 2024, 34(7): 199-206.

[40]	翟成, 孙勇, 范宜仁, 等. 低场核磁共振技术在煤孔隙结构精准表征中的应用与展望[J]. 煤炭学报, 2022, 47(2): 828-848.

[41]	Zhai Cheng, Sun Yong, Fan Yiren, et al. Application and prospect of low-field nuclear magnetic resonance technology in the accurate characterization of coal pore structure[J]. Journal of China Coal Society, 2022, 47(2): 828-848.

[42]	Masoudifar M, Mahsuli M, Taciroglu E. Deep learning-based stochastic ground motion modeling using generative adversarial and convolutional neural networks[J]. Soil Dynamics and Earthquake Engineering, 2025, 194: 109306.

[43]	Nezhad G A, Niri E M. Enhancing water saturation predictions from conventional well logs in a carbonate gas reservoir with a hybrid CNN-LSTM model[J]. Journal of Petroleum Exploration and Production Technology, 2025, 15(5): 89.

[44]	张凡. 粘土束缚水赋存状态与核磁共振饱和度评价方法研究[D]. 北京: 中国石油大学(北京), 2023.

[45]	Zhang Fan. Study on occurrence state of clay-bound water and nuclear magnetic resonance saturation evaluation method[D]. Beijing: China University of Petroleum (Beijing), 2023.

[46]	李宁, 王克文, 武宏亮, 等. 渗透率测井评价: 现状及发展方向[J]. 石油科学通报, 2023, 8(4): 432-444.

[47]	Li Ning, Wang Kewen, Wu Hongliang, et al. Permeability logging evaluation: current status and development directions[J]. Petroleum Science Bulletin, 2023, 8(4): 432-444.

[48]	王琨, 周航宇, 赖杰, 等. 核磁共振技术在岩石物理与孔隙结构表征中的应用[J]. 仪器仪表学报, 2020, 41(2): 101-114.

[49]	Wang Kun, Zhou Hangyu, Lai Jie, et al. Application of nuclear magnetic resonance technology in petrophysics and pore structure characterization[J]. Chinese Journal of Scientific Instrument, 2020, 41(2): 101-114.

[50]	李新虎, 丁佳萌, 程光艺, 等. 鄂尔多斯盆地中东部石炭纪本溪组致密砂岩储层含气性测井综合评价[J]. 科学技术与工程, 2024, 24(13): 5364-5371.

[51]	Li Xinhu, Ding Jiameng, Cheng Guangyi, et al. The comprehensive evaluation method research of gas bearing property in tight sandstone of carboniferous Benxi Formation using well logging[J]. Science Technology and Engineering, 2024, 24(13): 5364-5371.