Tensleep储层裂缝建模的机器学习工作流(Machine Learning Workflow for Fracture Modeling in the Tensleep Reservoir)
《Energies》:Machine Learning Workflow for Fracture Modeling in the Tensleep Reservoir
Israa Ahmed,
Gharib Hamada and
Abdel Sattar Dahab
编辑推荐:
裂缝性储层表征是一项复杂且具有挑战性的任务,因其沉积性质及裂缝空间分布的高度不确定性,尤其在井数据有限且采用插值算法时更为突出。本研究提出一种替代性工作流,通过引入对断层及裂缝特征敏感的地震属性(Seismic Attributes),以增强井间裂缝建模效果,
裂缝性储层表征是一项复杂且具有挑战性的任务,因其沉积性质及裂缝空间分布的高度不确定性,尤其在井数据有限且采用插值算法时更为突出。本研究提出一种替代性工作流,通过引入对断层及裂缝特征敏感的地震属性(Seismic Attributes),以增强井间裂缝建模效果,所用数据为Teapot Dome油田公开数据集。研究目标是利用对断层和裂缝特征敏感的地震属性建立Teapot Dome背斜中Tensleep储层的裂缝模型,同时展示高斯模拟(Gaussian Simulation)等基于插值模型的局限性。该方法使用人工神经网络(Artificial Neural Network, ANN)分析地震数据与测井曲线来预测裂缝强度(Fracture Intensity),训练有监督的概率神经网络(Probabilistic Neural Network, PNN)以识别与测井-derived裂缝强度属性相关性最强的地震属性。验证后的网络成功将三维地震数据转换为三维裂缝强度数据,所选地震属性与训练井之间获得较高相关系数。研究成果极具价值,可弥补裂缝信息缺失、改善储层管理并优化井位部署。
《Energies》刊载论文解读——Tensleep储层裂缝建模的机器学习工作流
一、研究背景与意义
天然裂缝性储层(Naturally Fractured Reservoirs, NFRs)中裂缝是流体渗流的主要通道,其分布具强非均质性与各向异性。常规表征方法依赖 Formation MicroImager(FMI,微电阻率扫描成像测井)及三维地震,但FMI成本高昂且仅限少数井,传统克里金或高斯随机模拟等插值方法难以捕捉裂缝强度(Fracture Intensity,单位体积或厚度内裂缝发育程度)与地质驱动因子间的非线性关系,导致井间预测精度低。美国怀俄明州Teapot Dome的Tensleep组为典型的Ⅱ型裂缝性储层(Type II Fractured Reservoir,裂缝主导渗透率,基质为次要孔隙空间),具复杂天然裂缝网络,公开三维地震及多口井FMI数据使其成为理想研究区。研究人员旨在融合地震属性(Seismic Attributes)与测井数据,借助人工神经网络(Artificial Neural Network, ANN)及概率神经网络(Probabilistic Neural Network, PNN)建立全储层连续裂缝强度(Fracture Intensity)预测工作流,克服传统插值局限,为井位部署及二次采油提供依据。
二、主要关键技术方法
研究人员选用Teapot Dome Tensleep组四口具FMI及常规测井(密度、深电阻率、纵波慢度Compressional Slowness)的井(25-1-X-14、48-X-28、67-1-TPX-10、71-1-X-14)及70 km2三维叠后偏移地震数据。技术流程为:①基于Petrel解释Tensleep顶底地震层位,构建速度模型进行时—深转换,建立网格400×400 m、垂向720层的构造模型;②由三维地震计算体曲率(Volume Curvature)与蚂蚁追踪(Ant Tracking)等属性,经逐步多元回归从40个属性中优选15个与裂缝强度相关性最高者;③用三口井常规测井以含六隐层的ANN预测次生孔隙度(Secondary Porosity,基质以外裂缝或溶孔贡献的孔隙度),再以其联合常规测井以ANN估算单井裂缝强度;④以优选地震属性为输入、井点裂缝强度为真值,训练PNN(径向基高斯核,算子长度9)生成三维裂缝强度数据体;⑤以序贯高斯模拟(Sequential Gaussian Simulation, SGS)将裂缝强度赋予四组裂缝组(按倾角—方位分类),按Fisher分布定方位、幂律定长度、正态分布定开度(Aperture),立方定律(Cubic Law,K∝b3,b为裂缝开度)算渗透率,构建离散裂缝网络(Discrete Fracture Network, DFN)并粗化(Upscaling)至双重介质(Dual-Porosity/Dual-Permeability)模拟网格。
三、研究结果
3.1. Geological Setting and Dataset Overview
研究区Tensleep组为风成砂岩与海相白云岩互层,四口标定/验证井FMI揭示多组裂缝,空间分布差异显著,为机器学习提供可靠训练样本。
3.2. Structural Modeling and Seismic Attribute Interpretation
构建的时间域—深度域构造模型(720层,400×400 m网格)准确刻画Tensleep顶底形态;计算的体曲率突出弯曲应力带、蚂蚁追踪增强微小断层线性特征,二者与FMI裂缝发育带在平面上吻合较好,被选为核心输入属性。
3.3. Fracture Set Distribution and Orientation Analysis
FMI分类的四组裂缝极性图显示主裂缝组呈NW—WNW走向,次组垂直或斜交褶皱轴,强度在平面及纵向上强非均质,证实需连续三维预测而非简单插值。
3.4. ANN Model Development and Validation for Secondary Porosity and Fracture Intensity
以密度、深电阻率、纵波慢度输入六隐层ANN预测次生孔隙度,验证井67-1-TPX-10相关系数高,预测曲线与计算值吻合;在此基础上加入预测的次生孔隙度,以十隐层ANN预测裂缝强度,验证井25-1-X-14预测与实测高度一致,证明ANN可由常规测井推演无FMI井的裂缝强度。
3.5. Selection of Seismic Attributes and PNN Model Training
逐步回归误差曲线表明15个属性达最优,超出则过拟合;PNN训练相关系数达0.93,验证误差<4%,散点图证实实测—预测强线性相关,算子长度9兼顾光滑度与计算效率。
3.6. Construction of the 3D Fracture Intensity Cube and DFN Model
PNN输出生成三维裂缝强度数据体,高值区沿背斜轴及断层附近展布;以此作约束经SGS建立DFN,四组裂缝按统计分布嵌入,三维可视化显示裂缝几何与密度符合地质认识。
3.7. DFN Upscaling for Dynamic Simulation
依立方定律计算单裂缝渗透率,粗化得到网格裂缝孔隙度、渗透率、Sigma因子及间距,可接入双重介质流动模拟,支撑后续动态分析与提高采收率(Enhanced Oil Recovery, EOR)方案。
四、讨论与结论翻译
讨论指出本AI工作流克服传统插值无法刻画非线性裂缝—地质驱动关系的缺陷,精选15属性防过拟合,PNN以非参密度估计实现井间连续映射,训练后可用常规测井推广至新区减少FMI成本;局限为未耦合地应力实时变化,未来可融人LSTM(Long Short-Term Memory)等时序模型与地质力学信息。
结论(翻译): 本研究证实了AI驱动裂缝表征方法在天然裂缝性储层的潜力。通过整合地震数据、ANN及PNN模型,建立了稳健且可扩展的裂缝强度预测工作流。生成的三维裂缝强度数据体纳入DFN模型,为储层工程师提供高分辨率裂缝强度图,支持井位优化、轨迹设计及控水。虽前期需高质量数据与算力投入,但模型经训练验证后可凭常规测井推广应用,降低对昂贵FMI的依赖。该框架对成熟油田二次采油具实用价值,未来可通过融入实时地质力学信息与先进AI技术进一步完善。