排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
塔里木盆地轮古地区奥陶系碳酸盐岩储层受多期构造运动及古岩溶作用的叠加改造,该地区古岩溶作用形成的溶洞、裂缝等次生孔隙是主要的油气储集空间。因此古岩溶发育研究是碳酸盐储层评价极为重要的研究内容。文章在对轮古地区奥陶系碳酸盐岩储层大量成像测井资料处理基础上,主要通过对溶蚀裂缝、溶洞的成像测井响应特征进行分析,总结古岩溶标志的成像测井响应规律。高导缝在成像测井图像上表现为褐黑色正弦曲线,溶蚀缝表现为裂缝图像边缘不平直,未充填溶洞在图像上表现为暗色的团块分布,对于全充填洞,可在成像测井图中见到层理等沉积现象。溶蚀程度的差异可根据成像测井资料上解释的裂缝及溶洞中角砾的多寡来度量。轮古西井区,其大溶洞中角砾已溶蚀掉,部分溶洞充填泥砂,表明溶蚀程度很高;轮古中部各井溶洞中的角砾还比较大,单产状裂缝溶洞的规模比轮古西井区小,溶洞溶蚀程度较弱;轮古东井区未见单产状小溶洞,仅见大溶洞的雏形或只有交叉缝和溶蚀裂缝。对区域大量成像测井识别的洞穴数据统计结果表明轮古地区奥陶系洞穴型岩溶储层的分布主要受表层岩溶作用控制。 相似文献
2.
机器学习，特别是深度神经网络学习算法的发展，正在改变人们发现知识的方式。目前油气工业正在向转向非常规和深海的油气勘探和开发。基于有限岩石物理参数建立的评价解释模型难以满足反映非常规储层复杂的岩性和结构，这使传统测井评价技术受到了很大的挑战。以油气大数据为基础、机器学习算法为核心、油气大数据云计算为动力以及油气应用场景为源泉的油气人工智能（Oil&Gas AI）极大地改变传统的油气工业各个领域。笔者以地球物理测井为研究对象，依据数据驱动的地球物理知识发现原理和机器学习属性，按照“数据–算法–平台–知识–应用场景”研究思路，开展机器学习算法在测井技术中的适用性研究。对机器算法的内在特性、原理、质量控制、硬件要求，学习模型选择、测试以及性能评价实现过程进行分析。笔者梳理和总结了机器学习算法在测井中适用性的树状图，尤其是在油气测井的方法研究、数据处理以及地层评价中的应用潜力与机器学习算法对应关系，其中包括数据校正的模拟方法、数据标定的岩石物理分析、测井数据质量控制、综合评价以及油藏评价监测。研究表明，机器学习算法在岩性识别与储层分类、力学评价、以及油藏评价等方面应用有明显的优势，贯穿于... 相似文献
1