[论文解读] Reservoir Characterization: A Machine Learning Approach

Soumi Chaki|arXiv (Cornell University)|Jun 15, 2015

Seismic Imaging and Inversion Techniques参考文献 114被引用 8

一句话总结

本文提出了两种基于人工神经网络（ANN）的框架，利用地震属性和井数据预测储层中的泥砂含量，通过目标正则化解决数据分辨率不匹配的问题。该方法通过整合井顶信息，提高了预测精度，在交叉验证中实现了高相关性与低误差率。

ABSTRACT

Reservoir Characterization (RC) can be defined as the act of building a reservoir model that incorporates all the characteristics of the reservoir that are pertinent to its ability to store hydrocarbons and also to produce them.It is a difficult problem due to non-linear and heterogeneous subsurface properties and associated with a number of complex tasks such as data fusion, data mining, formulation of the knowledge base, and handling of the uncertainty.This present work describes the development of algorithms to obtain the functional relationships between predictor seismic attributes and target lithological properties. Seismic attributes are available over a study area with lower vertical resolution. Conversely, well logs and lithological properties are available only at specific well locations in a study area with high vertical resolution.Sand fraction, which represents per unit sand volume within the rock, has a balanced distribution between zero to unity.The thesis addresses the issues of handling the information content mismatch between predictor and target variables and proposes regularization of target property prior to building a prediction model.In this thesis, two Artificial Neural Network (ANN) based frameworks are proposed to model sand fraction from multiple seismic attributes without and with well tops information respectively. The performances of the frameworks are quantified in terms of Correlation Coefficient, Root Mean Square Error, Absolute Error Mean, etc.

研究动机与目标

• 解决储层表征中非线性、非均质地下属性的挑战。
• 解决低分辨率地震属性与高分辨率岩性数据之间信息内容不匹配的问题。
• 开发基于机器学习的框架，从地震属性中预测泥砂含量，包括有与无井顶约束两种情况。
• 通过相关系数、均方根误差（RMSE）和平均绝对误差等指标量化模型性能。
• 通过目标变量的正则化，整合多源数据，提升储层建模精度。

提出的方法

• 提出两种基于ANN的框架：一种仅使用地震属性，另一种额外引入井顶信息作为输入。
• 对目标岩性属性（泥砂含量）应用正则化，以平衡其分布并提升模型泛化能力。
• 以地震属性作为预测变量，泥砂含量作为目标变量，数据来自垂直分辨率各异的研究区域。
• 采用标准的机器学习评估指标：相关系数、均方根误差（RMSE）和平均绝对误差。
• 在井位数据上使用监督学习训练模型，并将预测结果与实际泥砂含量进行验证。
• 通过整合井顶信息，提升空间预测精度，降低在井数据稀疏区域的预测不确定性。

实验结果

研究问题

• RQ1 当高分辨率岩性数据稀疏时，机器学习模型如何有效利用低分辨率地震属性预测泥砂含量？
• RQ2 在使用ANN进行泥砂含量预测时，引入井顶信息对预测精度有何影响？
• RQ3 对目标变量（泥砂含量）进行正则化如何提升储层表征任务中的模型性能？
• RQ4 相关系数与RMSE指标在多大程度上能反映预测泥砂含量的可靠性？
• RQ5 ANN能否有效模拟非均质储层中地震属性与岩性属性之间的非线性关系？

主要发现

• 包含井顶信息的ANN框架相比无井顶数据的模型，表现出更高的相关系数和更低的RMSE。
• 对泥砂含量目标变量进行正则化后，其分布更加均衡，提升了模型收敛性与预测稳定性。
• 即使不使用井顶数据的模型，仍实现了显著的相关系数，证明在数据稀疏区域仅依赖地震数据进行预测的可行性。
• 报告了均方根误差（RMSE）作为关键性能指标，反映预测误差的平均幅度。
• 平均绝对误差用于评估预测值与实际值之间的平均偏差，表明模型在测试样本中表现一致。
• 本研究证实，机器学习，特别是ANN，能够有效处理储层表征任务中的复杂非线性关系。