文献类型：期刊文章

作　　者：蒙承[1,2] 李志军[1,2] 陈岑[1,2] 罗超[1,2] 尤启东[3] 贾敏[1,2]

MENG Cheng;LI Zhijun;CHEN Cen;LUO Chao;YOU Qidong;JIA Min(Chongqing University of Science and Technology,Chongqing 401331,China;Complex Oil and Gas Exploration and Development,Chongqing 401331,China;Jiangsu Oilfield Company,SINOPEC,Yangzhou 225009,China)

机构地区：[1]重庆科技学院,重庆401331 [2]复杂油气田勘探开发重庆市重点实验室,重庆401331 [3]中石化江苏油田分公司,江苏扬州225009

出　　处：《中国矿业》

基　　金：重庆市教育委员会科学技术研究项目“基于谱蓝化有色反演技术的页岩气薄储层预测”资助(编号:KJQN201801520);重庆市自然科学基金项目“定量表征的断层活动对页岩含气量的控制:以涪陵焦石坝页岩气田为例”资助(编号:cstc2020jcyj-msxmX0869);重庆科技学院研究生科技创新训练计划项目“鄂尔多斯盆地东缘大宁-吉县地区煤岩储层特征及富集主控因素分析”资助(编号:YKJCX2020106)。

年　　份：2021

卷　　号：30

期　　号：S02

起止页码：158-165

语　　种：中文

收录情况：JST、RCCSE、ZGKJHX、普通刊

摘　　要：煤体结构的定量识别是煤层和煤层气等资源勘探开发中的关键性问题之一。本次研究以鄂尔多斯盆地A地区煤岩为研究对象,选取5条常规测井曲线井径CAL、自然伽马GR、声波时差AC、补偿中子CNL和密度DEN曲线,构建基于LSTM神经网络的煤体结构识别模型,实现了煤体结构的定量识别。研究表明,随着煤层被破坏程度的增大,构造煤具有DEN曲线和GR曲线值偏低,AC曲线、CNL曲线和CAL曲线值偏大的特征;LSTM网络模型参数是影响模型识别准确度的重要因素,通过多次试验得出网络训练的迭代次数、LSTM神经网络包含的隐藏单元数和数据最小分块尺寸参数的最优值分别为800、32和28;基于LSTM神经网络的煤体结构识别模型准确度达到85.5%,并且利用未参与模型构建的验证井进行可靠性的验证,认为该方法可有效识别煤体结构,基本满足实际生产的需求,对于相似地区煤体结构的识别也具有一定的借鉴意义。

关 键 词：煤体结构分类  测井曲线 LSTM神经网络  煤体结构识别  

分 类 号：P631.8]