基于深度学习的岩石物理、孔隙压力和地质力学性质预测方法

在非常规油气藏中，由于复杂的地层、多样的油气藏类型、多变的岩石物性以及孔隙压力、地质力学性质、裂缝和成岩作用等各种因素对传统技术提出了巨大的挑战。Ikon Science的Ehsan Zabihi Naeini等（2019）研究表明，有监督的深度神经网络方法可以成为岩石物理，孔隙压力和地质力学分析的替代创新工具；该方法能够利用所有先前解释的数据，整合大范围的钻井和测井数据。

用类似的方法，从地震属性（VP、VS和密度）预测相关属性，从而计算三维模型。深度学习预测过程分三步：一是通过网络训练预测岩石物理性质；二是在预测岩石物性的初始神经网络的基础上，设计预测孔隙压力的神经网络；三是基于纵、横波速度和密度测井数据预测孔隙压力、最小和最大水平主应力及干酪根体积。

这种岩石物理、孔隙压力和地质力学性质深度学习预测方法已成功应用于德克萨斯州西部二叠纪盆地。基于神经网络的自动算法在较短的时间内便可以达到合理的预测精度（图1和图2），显示了深度学习算法在综合研究中具有一定的应用前景。

图1地震工区外的第二口测试盲井。该井底部的DFIT(动态断裂初始试验)测试结果（黑色圆圈）和深度学习预测的结果（红色线）匹配良好。

图2预测的Leonard页岩层孔隙压力剖面图（红黄色代表高压）。从图中可见在孔隙压力高的地方，钻井时的气体浓度会更高。从Leonard页岩层段内生产井的水平段剖面可见水平段高压区域（红色）内按水平段归一化后的60天累计产油量约为6.1万桶，而在井穿透的较低压力页岩区域为1.8万桶(约30%)。（来源：石油物探信息）