2023年第38卷第1期2023，38(1):0321-0327地球物理学进展ProgressinGeophysicshttp://www．progeophys．cnISSN1004-2903CN11-2982/P王猛，董宇，蔡军，等．2023．基于BP神经网络的储层渗透率预测及质量评价方法．地球物理学进展，38(1):0321-0327，doi:10．6038/pg2023FF0073．WANGMeng，DONGYu，CAIJun，etal．2023．MethodforreservoirpermeabilitypredictionandqualityevaluationbasedonBPneuralnetwork．ProgressinGeophysics(inChinese)，38(1):0321-0327，doi:10．6038/pg2023FF0073．基于BP神经网络的储层渗透率预测及质量评价方法MethodforreservoirpermeabilitypredictionandqualityevaluationbasedonBPneuralnetwork王猛1，董宇1，蔡军2，刘海波1，刘志杰1，张志强1WANGMeng1，DONGYu1，CAIJun2，LIUHaiBo1，LIUZhiJie1，ZHANGZhiQiang1收稿日期2021-08-03;修回日期2022-06-16．投稿网址http://www．progeophys．cn基金项目国家科技重大专项“大型油气田及煤层气开发“超低渗地层测试技术与装备”(2017ZX05019-004)资助．第一作者简介王猛，男，1982年生，硕士研究生，高级工程师，主要从事测井及地质资料的综合解释评价与研究工作．E-mail:wangmeng10@cosl．com．cn1．中海油田服务股份有限公司，廊坊0652012．中海石油(中国)有限公司上海分公司，上海2000001．Well-TechDepartmentofChinaOilfieldServicesLimited，Langfang065201，China2．CNOOC(China)CompanyLimitedShanghaiBranch，Shanghai200000，China摘要储层渗透率预测和评价是油气藏勘探与开发急需突破的瓶颈技术之一，BP神经网络预测储层渗透率的研究在行业中已有一定的应用，但受限于数据规模、参数调整及模型评价方法，该方法预测结果不稳定，且不能准确给出全井段储层的连续渗透率的预测质量，在油田现场并未大规模推广应用．本文针对传统BP神经网络预测储层渗透率方法中存在的问题，在对机器学习的数据处理、参数选择系统考察的基础上，定量分析了不同输入曲线、网络结构、样本大小对渗透率预测模型精度的影响，总结了BP神经网络预测渗透率模型的参数优选方案;并提出了一种基于模型森林的预测曲线质量逐点评价方法，实现了对全井段渗透率预测的质量评价．实际应用表明，本研究提出的储层渗透率预测及质量评价方法与实际岩心渗透率吻合度高，推广应用前景良好．关键词渗透率评价;神经网络;参数优选;质量控制;逐点评价中图分类号P631文献标识码Adoi:10．6038/pg2023FF0073A...
