基于LSTM神经网络的随钻方位电磁波测井数据反演

康正明; 秦浩杰; 张意; 李新; 倪卫宁; 李丰波

doi:10.11911/syztjs.2023047

基于LSTM神经网络的随钻方位电磁波测井数据反演

康正明^1,,
秦浩杰¹,
张意^2,*, ,,
李新^{3, 4},
倪卫宁^{3, 4},
李丰波^{3, 4}

1.
西安石油大学电子工程学院, 陕西西安 710065
2.
中煤科工西安研究院（集团）有限公司, 陕西西安 710077
3.
页岩油气富集机理与有效开发国家重点实验室, 北京 102206
4.
中石化石油工程技术研究院有限公司, 北京 102206

基金项目: 国家自然科学基金企业创新发展联合基金项目“海相深层油气富集机理与关键工程技术基础研究”（编号：U19B6003）、中国博士后科学基金项目“煤岩层界面及低阻异常体随钻方位电磁波探测方法研究”（编号：2022M711442）、陕西省重点研发计划项目“煤矿井下方位电磁波探测技术与仪器研究”（编号：2023-YBGY-111）、陕西省教育厅重点科学研究计划项目“基于随钻电成像测井的页岩气储层裂缝参数计算模型研究”（编号：22JY053）和西安石油大学研究生创新与实践能力培养计划（编号：YCS22214245）联合资助

详细信息

作者简介:
康正明（1989—），男，陕西靖边人，2014年毕业于西安石油大学勘查技术与工程专业，2019年获中国石油大学（北京）地质资源与地质工程专业博士学位，讲师，主要从事电法测井理论方法研究。E-mail:190720@xsyu.edu.cn。

通讯作者:
张意，yizhang86@163.com

中图分类号: P631.8⁺13
计量
- 文章访问数: 477
- HTML全文浏览量: 161
- PDF下载量: 121
出版历程
- 收稿日期: 2022-07-24
- 修回日期: 2023-03-15
- 网络出版日期: 2023-04-02
- 刊出日期: 2023-03-24

Data Inversion of Azimuthal Electromagnetic Wave Logging While Drilling Based on LSTM Neural Network

KANG Zhengming^1,,
QIN Haojie¹,
ZHANG Yi^2,*, ,,
LI Xin^{3, 4},
NI Weining^{3, 4},
LI Fengbo^{3, 4}

1.
School of Electronic Engineering, Xi’an Shiyou University, Xi’an, Shaanxi, 710065, China
2.
Xi’an Research Institute Co. Ltd., China Coal Technology and Engineering Group Corp., Xi’an, Shaanxi, 710077, China
3.
State Key Laboratory of Shale Oil and Gas Enrichment Mechanisms and Effective Development, Beijing, 102206, China
4.
Sinopec Research Institute of Petroleum Engineering Co., Ltd, Beijing, 102206, China

摘要

摘要:
随钻方位电磁波测井仪器在地质导向和储层评价等方面具有重要作用，但其测量响应不具有直观性，需要用反演方法获得地层信息，高斯–牛顿法、随机反演算法等传统反演方法计算速度较慢，难以满足实时反演的要求。为此，提出了一种基于长短期记忆人工神经网络（LSTM）的新反演方法，用于求取地层电阻率。首先，基于广义反射系数法建立正演算法，完成样本集的制作；然后，搭建LSTM神经网络模型，基于样本集进行训练和测试，通过遍历的方法优选出合适的网络参数；最后，在测试集上完成电阻率的反演，将反演电阻率与正演电阻率进行对比，对比反演所需时间和相对误差，并在测试集中加入白噪声验证了模型的抗噪能力。研究结果表明，模型能够准确快速地反演地层电阻率信息，能够满足对含有噪声数据的反演需要，具有较好的鲁棒性。此反演方法为测井资料处理提供了新的思路和方向。
- LSTM神经网络 /
- 电阻率反演 /
- 随钻方位电磁波测井 /
- 正演计算 /
- 地质导向
Abstract:
Azimuthal electromagnetic wave logging while drilling (LWD) tool plays an important role in geosteering and reservoir evaluation, but its measurement response is not intuitive. So inversion method is needed to obtain formation information. Traditional inversion methods (i.e., Gauss-Newton method, random inversion method, etc.) are difficult to meet the requirements of real-time inversion due to the slow calculation speed. In this paper, a new inversion method based on a long and short-term memory (LSTM) artificial neural network was proposed to obtain formation resistivity. Firstly, the forward algorithm was established based on the method of generalized reflection coefficient to produce the sample set. Then, the LSTM neural network model was built, and it was trained and tested on the sample set. The appropriate network parameters were optimized by the traversal method. Finally, the resistivity inversion was completed on the test set. The inverted resistivity was compared with the forward resistivity, and the inversion time and relative error were compared as well. Meanwhile, the anti-noise property of the model is verified by adding white noise to the test set. The results show that the model can accurately and rapidly invert formation resistivity and can invert data containing noise, indicating that the model has good robustness. This inversion method can provide a new idea and direction for logging data processing.
- LSTM neural network /
- resistivity inversion /
- azimuthal electromagnetic wave LWD /
- forward calculation /
- geosteering

HTML全文

全球页岩油资源丰富，页岩油革命对全球能源格局产生了极大影响^[1-3]。我国页岩油资源丰富，是原油增储上产的重要接替领域^[4-5]，但主要发育陆相页岩油，其中中低成熟度页岩油可采资源量占陆相页岩油探明储量的80%~90%，这类页岩油气油比低、滞留液态烃、多类沥青物和未转化有机质共存，大量有机物处于固相–半固相状态，多相态耦合，加之孔隙度很低，导致常规储层的评价技术方法无法适用。由于二维核磁共振技术具有孔隙探测分辨率高、可直接探测孔隙流体信息、流体检测精度高和对岩心无损害等优势，在非常规岩心分析领域，尤其是页岩油储层的含油性、可动性评价方面获得了广泛的认可，根据高频核磁仪器的测量结果，可以分析不同流体类型、计算含油（水）饱和度、分析孔隙中油、水的相互作用^[6-8]。K. E. Washburn等人^[9-13]基于高分辨率低场核磁共振仪，确定了页岩各含氢组分的核磁共振T₁-T₂谱划分方案。张鹏飞等人^[14]研究了页岩油储集、赋存和可流动性，王志战等人^[15]探讨了页岩油储层T₁-T₂二维核磁共振测量方法与解释模型。王敏等人^[16]基于二维T₁-T₂谱图，计算了博兴洼陷页岩可动油饱和度。

尽管诸多学者给出了页岩油储层的T₁-T₂解释图版，但由于测量结果既受数量、流体含量、含氢物质成分等样品因素的影响，又受磁场强度、回波间隔、探头口径、参数设置等仪器因素的影响，文献报道中的二维谱信噪比及不同组分的信号分离度不高，各组分与常规分析结果的相关性不强，且研究对象主要为中高成熟度页岩油。因此，笔者开展了不同磁场场强、探头口径、回波间隔、测量参数的多次试验，明确了适用于短弛豫组分发育的中低成熟度页岩油高精度采集参数，并在泌阳凹陷YY1井中低成熟度页岩油储层开展了储集性、含油性及干酪根含量的解释评价应用，以期深化核磁共振技术在中低成熟度页岩油甜点评价中的应用。

1. 核磁共振技术及原理

弛豫为停止施加射频场后，高能态的核以非辐射方式回到低能态的恢复过程，分为纵向弛豫和横向弛豫。纵向弛豫也称自旋–晶格弛豫，描述纵向磁化矢量分量恢复的快慢，反映自旋系统与外界晶格间的相互作用；横向弛豫又称自旋–自旋弛豫，描述横向上磁化矢量散相的快慢，反映2个自旋系统间的相互作用^[17]。

由于 ${}^1H$ 只有1个自旋质子，结构最单纯，能提供最强的核磁共振信号，地层和孔隙流体中都含有氢，所以在石油领域多选取氢原子作为研究对象。对于实际岩心，当孔隙中存在单相中低黏度流体时，可采用BT理论模型进行解释，横向弛豫时间和纵向弛豫时间为^[18-19]：

$\frac{1}{{{T_1}}} = {\left(\frac{1}{{{T_1}}}\right)_\text{b}} + {\left(\frac{1}{{{T_1}}}\right)_\text{s}}$

(1)

$\frac{1}{{{T_2}}} = {\left(\frac{1}{{{T_2}}}\right)_\text{b}} + {\left(\frac{1}{{{T_2}}}\right)_\text{s}} + {\left(\frac{1}{{{T_2}}}\right)_\text{d}}$

(2)

式中： ${\left(\dfrac{1}{{{T_1}}}\right)_\text{b}}$ 和 ${\left(\dfrac{1}{{{T_1}}}\right)_\text{s}}$ 分别为纵向体积弛豫和表面弛豫时间的倒数，ms⁻¹； ${\left(\dfrac{1}{{{T_2}}}\right)_\text{b}}$ ， ${\left(\dfrac{1}{{{T_2}}}\right)_\text{s}}$ 和 ${\left(\dfrac{1}{{{T_2}}}\right)_\text{d}}$ 分别为横向体积弛豫、表面弛豫和扩散弛豫时间的倒数，ms⁻¹。

当岩心孔隙存在高黏度流体或黏性半固体时，质子运动将产生非常小的横向弛豫（T₂<0.1 ms或者T₂<T_2S），此时需应用BPP理论模型联系纵向和横向弛豫时间与偶极相互作用的相关时间τ^[20-21]：

$\frac{1}{{{T_1}}} = 2C\left[ {\frac{{2\tau }}{{1 + {\omega^2}{\tau ^2}}} + \frac{{8\tau }}{{1 + 4{\omega^2}{\tau ^2}}}} \right]$

(3)

$\frac{1}{{{T_2}}} = C\left[ {6\tau + \frac{{10\tau }}{{1 + {\omega^2}{\tau ^2}}} + \frac{{4\tau }}{{1 + 4{\omega^2}{\tau ^2}}}} \right]$

(4)

$\tau = \frac{{4{\text{π}} \mu {a^3}}}{{3kT}}$

(5)

式中：ω 为拉莫尔频率，MHz；C 是常数；τ为旋转相关时间，ms；μ为流体的黏度，Pa·s；a为分子的半径，m；k为玻耳兹曼常数，J/K；T为绝对温度，K。

结合式（3）—（5）可知，对于相对分子质量较小的低黏度流体，由于原子核之间快速相互作用，ωτ远小于1，T₁/T₂≈1；当分子几乎不可动时，相关时间会呈数量级的增大，ωτ远大于1，T₁/T₂正比于ω²τ²，其值远大于1，并与拉莫尔频率有关，因此，可以区分具有不同相对分子质量和黏度的孔隙介质。

2. 中低成熟度页岩油测量参数优选

2.1 磁场强度

石油行业常用仪器场强在0.05～0.54 T，对应频率在2～23 MHz。由于纵、横向弛豫时间受频率变换影响不同，导致不同流体在不同频率核磁共振观测系统中的变化特征也不同^[21]。同一块页岩岩样在2，12和19 MHz的一维T₂和二维T₁-T₂核磁共振结果如图1和图2所示（图2中，色柱表示信号强度，a.u.；下同），其中2 MHz仪器的回波间隔T_E选取0.10 ms，12和19 MHz仪器的回波间隔T_E选取0.06 ms，综合考虑场强对信号量影响及仪器采集分辨率，2 MHz仪器扫描次数取128次，12 MHz仪器扫描次数取32次，19 MHz仪器扫描次数取16次。由图1和图2可以看出，12和19 MHz仪器采集的一维T₂谱和二维T₁-T₂谱形态相对较为一致，但19 MHz仪器的采集结果信噪比更高，对微小孔隙有更好的探测能力；而2 MHz仪器的采集结果与其相差较大，信噪比也较低，对中低成熟度页岩油流体表征能力有所欠缺。这表明随着场强增大，采集信号信噪比增加，微小孔隙探测能力逐渐加强，对于中低成熟度页岩油，应尽量采用高频仪器进行测量。

图 1 同一块页岩岩样的不同磁场强度核磁共振T₂谱

Figure 1. T₂ NMR spectra of the same shale with different field strengths

下载: 全尺寸图片幻灯片

图 2 同一块页岩岩样的不同磁场强度核磁共振T₁-T₂谱

Figure 2. T₁-T₂ NMR spectra of the same shale with different field strengths

下载: 全尺寸图片幻灯片

2.2 探头口径

使用19 MHz仪器，分别用口径40 和25 mm的探头测量4块岩样，测量结果如图3所示。

图 3 不同口径探头条件下核磁共振T₁-T₂谱

Figure 3. T₁-T₂ NMR spectra under different probe apertures

下载: 全尺寸图片幻灯片

使用口径40 mm探头时，死时间明显偏长，丢失了大部分短弛豫组分信号，不适用于中低成熟度页岩油评价。虽然探头口径越小，死时间越短，对短弛豫组分探测能力越强，但口径过小，样品量会过少，从而导致信噪比过低。综合考虑实际柱塞样品和岩屑样品大小，选取口径25 mm的探头。

2.3 回波间隔

在19 MHz仪器不同回波间隔T_E条件下，同一岩样的一维T₂谱和二维T₁-T₂谱采集结果如图4和图5所示。随着T_E增大，小孔信号右移变弱，当T_E达到0.15 ms时，小孔信号几乎探测不到，大孔信号逐渐向左变宽、变弱。为提高中低成熟度页岩微小孔隙分辨能力，在保证仪器稳定情况下，要尽量采取较小回波间隔T_E进行测量。

图 4 同一岩样不同回波间隔条件下核磁共振T₂谱

Figure 4. T₂ NMR spectra of the same core under different echo intervals

下载: 全尺寸图片幻灯片

图 5 同一岩样不同回波间隔条件下核磁共振T₁-T₂谱

Figure 5. T₁-T₂ NMR spectra of the same core under different echo intervals

下载: 全尺寸图片幻灯片

2.4 波峰偏移

采用CPMG脉冲序列进行信号采集时，不可避免存在死时间（见图6中90°脉冲后到第1个回波之间的时间），所用19 MHz仪器死时间为0.015 ms。由于中低成熟页岩油干酪根、沥青、类固态等短弛豫组分十分发育，为尽量采集这些组分信号，波峰偏移设置为0.045 ms，即从90°脉冲后0.015 ms开始采集信号。除波峰偏移不同，其他采集参数均相同，岩样X1和X2的二维T₁-T₂反演结果如图7所示。由图7可以看出，通过波峰偏移将第一个采集点前移后，T₂>0.1 ms部分信号与未进行波峰偏移时信号基本重合，但在T₂<0.1 ms且T₁>10.0 ms部分信号明显增大，谱峰明显左移，采用波峰偏移采集信号能够更好地表征短弛豫组分含量。

图 6 CPMG脉冲序列示意

Figure 6. CPMG pulse sequence

下载: 全尺寸图片幻灯片

图 7 不同波峰偏移参数条件下的核磁共振T₁-T₂谱

Figure 7. T₁-T₂ NMR spectra under different peak shift parameters

下载: 全尺寸图片幻灯片

2.5 采集参数确定

综合上述分析结果和试验条件，选取频率19 MHz的MesoMR23-040V型核磁共振分析仪。一维T₂谱测试采用CPMG脉冲系列，主要参数：中心频率19 MHz，漂移频率456 053 Hz，90°脉宽5.6 μs，180°脉宽9.2 μs，采样带宽250 kHz，等待时间5 000 ms，模拟增益20 dB，数字增益3，扫描次数16次，回波间隔0.06 ms，回波数量6 000个，前置放大增益3，波峰偏移0.045 ms；由于页岩油轻组分极易挥发，二维T₁-T₂谱测试采用测试时间更短的SR-CPMG回波序列，主要参数：中心频率19 MHz，漂移频率454 003 Hz，90°脉宽5.6 μs，180°脉宽9.2 μs、采样带宽250 kHz，等待时间100 ms，射频延时0.012 ms，模拟增益20 dB，数字增益3，前置放大增益3，扫描次数16次，回波数量6 000个，反转时间数量31个，波峰偏移0.045 ms。

3. 中低成熟度页岩油核磁共振评价

YY1井为位于泌阳凹陷东南深凹区的一口页岩油风险探井，主探层位为A1段中、下部页岩层。岩心测试成熟度R_o为0.63～0.71，属于中低成熟度页岩油。对该井目的层段100多个岩样开展一维T₂谱和二维T₁-T₂谱核磁共振测量，分析其储集性、含油性及干酪根含量等，综合评价该井储层甜点。

3.1 储层特征核磁共振评价

3.1.1 储集性评价

标样刻度一维T₂核磁共振试验结果，根据二维T₁-T₂谱图结果确定不同孔隙截止值，综合大量岩样结果最终选取0.1和1.0 ms作为有效孔隙度和可动孔隙度的截止值（见图8），实现了基于一维T₂谱的三孔隙度计算。

图 8 不同类型孔隙度划分示意

Figure 8. Division of different types of porosity

下载: 全尺寸图片幻灯片

结合同一岩样氮气吸附-压汞联测饱和度测试结果与一维核磁共振T₂谱，确定目的层页岩表面弛豫率^[22]，综合大量岩心分析结果，YY1井页岩油岩样表面弛豫率选取3.3 nm/ms较为合理（见图9），据此可将一维核磁共振T₂谱转换为孔径分布曲线。

图 9 核磁共振与氮气吸附-压汞对比

Figure 9. Comparison of NMR and nitrogen adsorption with mercury injection measurement results

下载: 全尺寸图片幻灯片

3.1.2 含油性评价

基于二维T₁-T₂核磁共振图谱评价含油性的核心是明确页岩油中不同组分在谱图上的分布范围，即明确页岩油T₁-T₂二维核磁共振多组分识别图版。尽管目前关于该图版并没有统一共识，但总体来说，不同学者对于可动油和束缚油的谱图位置认识相对较为一致，可将其应用到二维T₁-T₂核磁共振图谱中（见图10），实现目的层不同深度处总含油饱和度、束缚油饱和度和可动油饱和度的定量评价。结合储集性和含油性评价结果（见图11），可以看出YY1井含油性受控于受孔隙结构，大孔喉越多，连通性越好，含油性及可动性也越好。

图 10 页岩多组分二维T₁-T₂核磁共振识别图版

Figure 10. 2D T₁-T₂ NMR identification plate for shale multi-components

下载: 全尺寸图片幻灯片

图 11 孔隙结构与含油性的关系

Figure 11. Relationship between pore structure and oil-bearing characteristic

下载: 全尺寸图片幻灯片

3.1.3 干酪根含量表征

干酪根是地壳中有机碳最重要的存在形式，反映烃源岩生烃能力。Li Jinbu等人^[23]建立了页岩油多组分T₁-T₂二维核磁识别图版，认为图10中区域P1为干酪根，但其与岩样450～600 ℃热解裂解烃含量的相关系数仅为0.19。相关性较低可能与采集参数有关，由于干酪根为偏固态物质，其弛豫时间极短，回波间隔T_E取仪器的最小回波间隔0.06 ms也只能探测到少部分干酪根信号，成熟度越低越明显，导致采集到的信号并不能代表岩样的干酪根含量，因此与热解裂解烃含量的相关性不强。对比是否采用波峰偏移采集到P1区域信号与干酪根热解烃的相关性（见图12），不进行波峰偏移的核磁图谱P1区域信号强度与S_2-2的相关系数仅有0.29；采用波峰偏移后，相关性明显提高。由此可知，采用波峰偏移方式能够采集到更多的干酪根信息，但核磁图谱P1区域信号强度与S_2-2的相关系数也仅为0.61，说明可能还有部分干酪根信号未被采集到，但是采用波峰偏移的采集方式可获得更具有代表性的组分图谱，可提高基于二维核磁谱图干酪根含量表征的精度。

图 12 核磁共振T₁-T₂谱中P1区域信号强度与干酪根裂解烃含量S_2-2的相关性

Figure 12. Correlation between P1 region signal quantity in T₁-T₂ NMR spectra and kerogen cracking hydrocarbon content S_2-2

下载: 全尺寸图片幻灯片

3.2 储层甜点综合评价

经上述分析，YY1井储层甜点综合评价结果图如图13所示。图13中的第8、9和10道分别为实验室不规则法测得的孔隙度、核磁总孔隙度和核磁有效孔隙度，可以看出，核磁孔隙度总体大于实验室孔隙度，其原因是两者测量原理存在差异，核磁共振技术对微小尺寸孔隙有更好的探测能力。基于核磁共振分析结果参照相关标准可将孔隙进一步划分为微孔（孔径<2 nm）、介孔（孔径2 nm～5 nm）和宏孔（孔径>50 nm）^[24]，对孔隙结构进行精细表征。结果表明，③号小层核磁有效孔隙度最高，大孔径最为发育，储集性优于①、②号小层。核磁饱和度计算结果与多温阶热解试验结果一致性较高，③小层地化分析S₁/C_TO、S_1-1、S_1-2及核磁可动油饱和度S_mo含量均最高，含油可动性优于①和②小层。干酪根裂解烃含量S_2-2与C_TO一致性较高，显示②号小层烃源岩含量更为丰富。综合储集性及含油性评价结果，认为③号小层是YY1井目的层最佳的甜点层，是下一步勘探开发重点关注的对象。

图 13 YY1井储层甜点综合评价结果

Figure 13. Comprehensive evaluation of reservoir sweet spots in Well YY1

下载: 全尺寸图片幻灯片

4. 结　论

1）中低成熟度页岩油滞留液态烃、多类沥青物和未转化有机质共存，短弛豫组分发育，对二维核磁共振技术短弛豫组分探测能力要求更高，波峰偏移采集方法和参数可实现中低成熟度页岩油岩样高分辨率核磁共振信号采集，获得高质量核磁共振图谱，提高干酪根含量表征精度。

2）综合运用一维T₂和二维T₁-T₂核磁共振技术，能够实现中低成熟度页岩油储层和烃源岩多种特性的高精度评价，为地质甜点精细评价提供直观、可靠的资料依据。

3）核磁共振技术在页岩油评价方面虽已取得一定成果，但面对中低成熟度页岩油带来的挑战，仍需在高精度数据采集和反演、孔隙固–液组分耦合机理、多组分识别图版建立等方面持续攻关，助力中低成熟度页岩油的高效勘探与开发。

图 1 方位电磁波测井常用线圈结构

Figure 1. Commonly used coil structure in azimuthal electromagnetic wave logging

下载: 全尺寸图片幻灯片

图 2 电阻率反演流程

Figure 2. Inversion flow of resistivity

下载: 全尺寸图片幻灯片

图 3 LSTM网络架构

Figure 3. Architecture of LSTM network

下载: 全尺寸图片幻灯片

图 4 水平层状多层地层模型

Figure 4. Horizontal stratified formation model with multiple layers

下载: 全尺寸图片幻灯片

图 5 批尺寸为32时不同学习率下的损失函数曲线对比

Figure 5. Comparison of loss function curves under different learning rates when batch size is 32

下载: 全尺寸图片幻灯片

图 6 批尺寸为64时不同学习率下的损失函数曲线对比

Figure 6. Comparison of loss function curves under different learning rates when batch size is 64

下载: 全尺寸图片幻灯片

图 7 批尺寸为128时不同学习率下的损失函数曲线对比

Figure 7. Comparison of loss function curves under different learning rates when batch size is 128

下载: 全尺寸图片幻灯片

图 8 批尺寸为256时不同学习率下的损失函数曲线对比

Figure 8. Comparison of loss function curves under different learning rates when batch size is 256

下载: 全尺寸图片幻灯片

图 9 三层地层模型反演结果

Figure 9. Inversion results of three-layer formation model

下载: 全尺寸图片幻灯片

图 10 四层地层模型反演结果

Figure 10. Inversion results of four-layer formation model

下载: 全尺寸图片幻灯片

图 11 五层地层模型反演结果

Figure 11. Inversion results of five-layer formation model

下载: 全尺寸图片幻灯片

图 12 不同噪声强度下电阻率反演误差分布直方图

Figure 12. Histogram of resistivity inversion error distribution under different noise intensities

下载: 全尺寸图片幻灯片

表 1 不同批尺寸和学习率的损失误差

Table 1 Loss errors for different batch sizes and learning rates

η	训练集误差				测试集误差
η	n=32	n=64	n=128	n=256	n=32	n=64	n=128	n=256
0.000 5	0.011 0	0.012 4	0.012 5	0.014 1	0.009 3	0.007 5	0.011 1	0.011 7
0.001 0	0.009 8	0.010 9	0.014 3	0.012 1	0.008 7	0.007 5	0.011 9	0.010 6
0.002 0	0.011 0	0.010 1	0.010 8	0.011 6	0.008 8	0.007 2	0.010 4	0.010 7
0.004 0	0.011 3	0.010 7	0.011 1	0.013 1	0.009 1	0.007 7	0.010 9	0.010 8
0.006 0	0.010 8	0.011 2	0.011 6	0.013 3	0.008 9	0.008 3	0.011 2	0.011 6
0.008 0	0.012 5	0.012 3	0.012 5	0.011 9	0.009 0	0.008 1	0.010 4	0.014 0

下载: 导出CSV

表 2 电阻率反演相对误差

Table 2 Relative error of resistivity inversion

电阻率	相对误差，%	采样点数	百分比，%
R_h	<5	1 397 313	91.0
	≥5～<10	112 652	7.3
	≥10～<20	18 852	1.2
	≥20	7 183	0.5
R_v	<5	1 357 925	88.4
	≥5～<10	124 935	8.1
	≥10～<20	28 557	1.9
	≥20	24 583	1.6

下载: 导出CSV

表 3 不同方法反演时间比较

Table 3 Comparison of inversion time between different methods

地层模型层数	反演单个样本所需时间/s
地层模型层数	LSTM网络	监督下降法	Occam法
3	0.04～0.06	0.5～4.0	>120
5	0.04～0.06	0.5～4.0	>240

下载: 导出CSV

参考文献(21)

[1]	NIE Xiaochun, YUAN Ning, LIU C R. Simulation of LWD tool response using a fast integral equation method[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(1): 72–81. doi: 10.1109/TGRS.2009.2027112
[2]	LEE H O, TEIXEIRA F L, SAN MARTIN L E, et al. Numerical modeling of eccentered LWD borehole sensors in dipping and fully anisotropic earth formations[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(3): 727–735. doi: 10.1109/TGRS.2011.2162736
[3]	吴柏志,杨震,郭同政,等. 多尺度随钻方位电磁波测井系统响应特征研究[J]. 石油钻探技术,2022,50(6):7–13. doi: 10.11911/syztjs.2022107 WU Baizhi,YANG Zhen,GUO Tongzheng,et al. Response characteristics of logging while drilling system with multi-scale azimuthal electromagnetic waves[J]. Petroleum Drilling Techniques, 2022, 50(6): 7–13. doi: 10.11911/syztjs.2022107
[4]	刘天淋,岳喜洲,李国玉,等. 超深探测随钻电磁波测井地质信号特性研究[J]. 石油钻探技术,2022,50(6):41–48. doi: 10.11911/syztjs.2022110 LIU Tianlin, YUE Xizhou, LI Guoyu, et al. Study over the geo-signal properties of ultra-deep electromagnetic wave logging while drilling[J]. Petroleum Drilling Techniques, 2022, 50(6): 41–48. doi: 10.11911/syztjs.2022110
[5]	WANG Gongli, BARBER T, WU P, et al. Fast inversion of triaxial induction data in dipping crossbedded formations[J]. Geophysics, 2017, 82(2): D31–D45. doi: 10.1190/geo2015-0610.1
[6]	杨震,于其蛟,马清明. 基于拟牛顿法的随钻方位电磁波电阻率仪器响应实时反演与现场试验[J]. 石油钻探技术,2020,48(3):120–126. doi: 10.11911/syztjs.2020025 YANG Zhen, YU Qijiao, MA Qingming. Real time inversion and field test of LWD azimuthal electromagnetic waves based on quasi-newton method[J]. Petroleum Drilling Techniques, 2020, 48(3): 120–126. doi: 10.11911/syztjs.2020025
[7]	JIN Yuchen, SHEN Qiuyang, WU Xuqing, et al. A physics-driven deep-learning network for solving nonlinear inverse problems[J]. Petrophysics, 2020, 61(1): 86–98.
[8]	ZHU Gaoyang, GAO Muzhi, KONG Fanmin, et al. A fast inversion of induction logging data in anisotropic formation based on deep learning[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 17(12): 2050–2054. doi: 10.1109/LGRS.2019.2961374
[9]	LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436–444. doi: 10.1038/nature14539
[10]	ZHU Xiaoyu, LI Jincai, ZHU Min, et al. An evaporation duct height prediction method based on deep learning[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(9): 1307–1311. doi: 10.1109/LGRS.2018.2842235
[11]	ARAYA-POLO M, JENNINGS J, ADLER A, et al. Deep-learning tomography[J]. The Leading Edge, 2018, 37(1): 58–66. doi: 10.1190/tle37010058.1
[12]	OH S, NOH K, YOON D, et al. Salt delineation from electromagnetic data using convolutional neural networks[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 16(4): 519–523. doi: 10.1109/LGRS.2018.2877155
[13]	COLOMBO D, TURKOGLU E, LI Weichang, et al. Physics-driven deep-learning inversion with application to transient electromagnetics[J]. Geophysics, 2021, 86(3): E209–E224. doi: 10.1190/geo2020-0760.1
[14]	JIN Yuchen, WU Xuqing, CHEN Jiefu, et al. Using a physics-driven deep neural network to solve inverse problems for LWD azimuthal resistivity measurements[R]. SPWLA-2019-IIII, 2019.
[15]	HU Yanyan, GUO Rui, JIN Yuchen, et al. A supervised descent learning technique for solving directional electromagnetic logging-while-drilling inverse problems[J]. IEEE Transactions on Geo-science and Remote Sensing, 2020, 58(11): 8013–8025. doi: 10.1109/TGRS.2020.2986000
[16]	SHAHRIARI M, PARDO D, PICON A, et al. A deep learning approach to the inversion of borehole resistivity measurements[J]. Computational Geosciences, 2020, 24(3): 971–994. doi: 10.1007/s10596-019-09859-y
[17]	NOH K, TORRES-VERDÍN C, PARDO D. Real-time 2.5D inversion of LWD resistivity measurements using deep learning for geosteering applications across faulted formations[R]. SPWLA-2021 − 0104, 2021.
[18]	倪卫宁,张晓彬,万勇,等. 随钻方位电磁波电阻率测井仪分段组合线圈系设计[J]. 石油钻探技术,2017,45(2):115–120. NI Weining, ZHANG Xiaobin, WAN Yong, et al. The design of the coil system in LWD tools based on azimuthal electromagnetic-wave resistivity combined with sections[J]. Petroleum Drilling Techni-ques, 2017, 45(2): 115–120.
[19]	杨震,肖红兵,李翠. 随钻方位电磁波仪器测量精度对电阻率及界面预测影响分析[J]. 石油钻探技术,2017,45(4):115–120. doi: 10.11911/syztjs.201704020 YANG Zhen, XIAO Hongbing, LI Cui. Impacts of accuracy of azimuthal electromagnetic logging-while-drilling on resistivity and interface prediction[J]. Petroleum Drilling Techniques, 2017, 45(4): 115–120. doi: 10.11911/syztjs.201704020
[20]	杨震,文艺,肖红兵. 随钻方位电磁波仪器探测电阻率各向异性新方法[J]. 石油钻探技术,2016,44(3):115–120. doi: 10.11911/syztjs.201603021 YANG Zhen, WEN Yi, XIAO Hongbing. A new method of detecting while drilling resistivity anisotropy with azimuthal electromagnetic wave tools[J]. Petroleum Drilling Techniques, 2016, 44(3): 115–120. doi: 10.11911/syztjs.201603021
[21]	HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735–1780. doi: 10.1162/neco.1997.9.8.1735

施引文献(12)

期刊类型引用(8)

1.	陈佳，郭玉祥，董丽娟，樊恒. 远探测随钻方位电磁波测井参数分析与优选. 石油管材与仪器. 2025(02): 67-76 . 百度学术
2.	夏国勇，彭仕轩，陆林超，欧成华，权昊森，倪根生，邱前程，马韶光. 水平井钻进中页岩小层结构元素录井智能实时识别. 断块油气田. 2025(03): 508-513 . 百度学术
3.	王春伟，杜焕福，董佑桓，孙鑫，侯文辉，艾亚博，杜淑艳，刘桂华，柳启明. 泌阳凹陷页岩油水平井随钻定测录导一体化模式探索. 断块油气田. 2024(03): 424-431 . 百度学术
4.	秦文娟，康正明，张意，仵杰，倪卫宁. 模块化随钻电磁波测井仪器结构对测量信号的影响. 石油钻探技术. 2024(03): 137-145 . 本站查看
5.	高泽林，王佳琦，张启子. 智能化测井解释软件平台的架构研究. 石油钻探技术. 2024(04): 128-134 . 本站查看
6.	吴泽兵，袁若飞，张文溪，刘家乐. 基于多目标遗传算法的PDC复合片交界结构优化设计. 石油钻探技术. 2024(04): 24-33 . 本站查看
7.	赵宁，申松宁，李宁，胡海涛，齐超，秦策. 基于物理驱动的超深随钻方位电磁波测井深度学习反演. 石油地球物理勘探. 2024(05): 1069-1079 . 百度学术
8.	盛茂，范龙昂，张帅，张彦军，李川，田守嶒. 数据–知识混合驱动的压裂球座坐封有效性智能诊断方法. 石油钻探技术. 2024(05): 76-81 . 本站查看

其他类型引用(4)

资源附件(0)

图(12) / 表(3)

计量

文章访问数: 477
HTML全文浏览量: 161
PDF下载量: 121
被引次数: 12

1. 核磁共振技术及原理
2. 中低成熟度页岩油测量参数优选
2.1 磁场强度
2.2 探头口径
2.3 回波间隔
2.4 波峰偏移
2.5 采集参数确定
3. 中低成熟度页岩油核磁共振评价
3.1 储层特征核磁共振评价
3.1.1 储集性评价
3.1.2 含油性评价
3.1.3 干酪根含量表征
3.2 储层甜点综合评价
4. 结　论

1. 核磁共振技术及原理
2. 中低成熟度页岩油测量参数优选
2.1 磁场强度
2.2 探头口径
2.3 回波间隔
2.4 波峰偏移
2.5 采集参数确定
3. 中低成熟度页岩油核磁共振评价
3.1 储层特征核磁共振评价
3.1.1 储集性评价
3.1.2 含油性评价
3.1.3 干酪根含量表征
3.2 储层甜点综合评价
4. 结　论

参考文献(21)

施引文献(12)

资源附件(0)

基于LSTM神经网络的随钻方位电磁波测井数据反演

作者简介: 康正明（1989—），男，陕西靖边人，2014年毕业于西安石油大学勘查技术与工程专业，2019年获中国石油大学（北京）地质资源与地质工程专业博士学位，讲师，主要从事电法测井理论方法研究。E-mail:190720@xsyu.edu.cn。

通讯作者: 张意，yizhang86@163.com

计量

出版历程