基于卷积神经网络和MPGA-LM算法的阵列侧向测井快速反演方法

摘要

在大斜度井/水平井环境下,阵列侧向测井受钻井液侵入、地层倾角和各向异性等多种因素影响,导致测井响应复杂,需借助反演手段提取地层真实电阻率.然而,阵列侧向测井三维正演效率低,难以满足测井资料快速反演和油气藏快速评价的需求.为此,本文基于深度学习并联合混合多种群遗传(MPGA)与列文伯格马奎特(LM)算法建立了一种快速反演方法.首先从地层参数敏感性出发,基于严格的三维有限元正演算法,依次确定侵入、各向异性和地层倾角的敏感性大小;其次,引入深度学习和模型可视化技术,实现斜井各向异性地层阵列侧向测井响应的快速正演;最后,基于数据集分解技术和混合MPGA-LM算法,实现斜井各向异性地层电阻率剖面快速精确重构.数值模拟结果表明:斜井各向异性地层中,阵列侧向测井响应对侵入深度敏感性最高,各向异性和地层倾角次之;相较于反向传播神经网络(BPNN),二维卷积神经网络(2D-CNN)能够实现阵列侧向测井响应的快速精确计算,计算一个测井点仅需0.36 ms,精度可达99％左右;基于三层反演模型的MPGA-LM混合算法稳定性强,电阻率参数反演精度高的优点,可用于阵列侧向测井资料的快速处理.