基于卷积神经网络的砂岩数字岩心绝对渗透率计算方法
Petroleum Geology and Recovery Efficiency（2022）
摘要
基于卷积神经网络深度学习理论探讨了砂岩数字岩心绝对渗透率的计算方法和相关的重要影响因素.研究选取了3种具有代表性的砂岩样品包括Bentheimer砂岩、Berea砂岩和Doddington砂岩的数字岩心,比较了采用N-S方程法和孔隙网络模型法计算绝对渗透率的差异性;探讨了对砂岩样品进行切割生成子样品时,3种不同子样品尺寸对绝对渗透率均值和不同方向渗透率分量的影响.在此基础上基于200×200×200尺寸对原砂岩数字岩心进行切割获取子样品,并对全部子样品进行微观渗流模拟计算获得相应的绝对渗透率,建立了用于深度学习的数字岩心子样品数据库.基于该数据库讨论了卷积神经网络系统搭建过程中的关键参数如学习率和丢弃率等的选择方法.训练学习后对测试集子样品进行测试,预测值与真实值差异在5％以内,证明了该方法的有效性.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要