Die Reservoirdurchlässigkeit ist ein wichtiger Einflussfaktor für die Leistungsfähigkeit des Reservoirs. Um das Problem der geringen Genauigkeit konventioneller Durchlässigkeitsmodelle bei niedrigdurchlässigen Sandstein-Reservoirs mit schlechter Porenverbindung zu lösen, wird eine Methode vorgeschlagen, die den Deep Belief Network-Algorithmus in Kombination mit konventionellen Bohrlochkurven zur Vorhersage der Reservoirdurchlässigkeit verwendet. Die Methode nutzt die Grau-Korrelationsanalyse, um die Korrelation der Bohrlochkurven zu analysieren, wählt charakteristisch sensible Messkurven basierend auf der Korrelationsreihenfolge aus und kombiniert überwachtes Lernen des Deep Belief Networks mit dem Kontrastdivergenzalgorithmus zur Datenextraktion, um ein Vorhersagemodell für die Durchlässigkeit zu erstellen. Dieses Modell verbessert das Problem der lokalen Optimierung, das bei bisherigen BP-Neuronalen Netzen bestand, und erhöht die Effizienz des Trainings und die Genauigkeit der Vorhersage. Der durchschnittliche relative Fehler des Vorhersagemodells beträgt 9,1 %, was etwa 20 % im Vergleich zu konventionellen Durchlässigkeitsmodellen reduziert. Die Anwendung auf reale Daten und die Fehleranalyse zeigen, dass diese Methode die Vorhersagegenauigkeit der Durchlässigkeit in niedrigdurchlässigen Reservoirs effektiv verbessern kann.

Durchlässigkeit; Bohrlochkurven; Grau-Korrelationsanalyse; Deep Belief Network; Vorhersage