La perméabilité du réservoir est un facteur important influençant la productivité du réservoir. Pour résoudre le problème de la faible précision des modèles de perméabilité basés sur les diagraphies conventionnelles dans les réservoirs de grès à faible perméabilité avec une faible connectivité des pores, une méthode utilisant l'algorithme des réseaux profonds de confiance combiné aux courbes de diagraphies conventionnelles pour prédire la perméabilité du réservoir est proposée. Cette méthode utilise l'analyse de corrélation grise pour analyser le degré de corrélation des courbes de diagraphies, sélectionne les courbes sensibles aux caractéristiques en fonction du classement des corrélations, et utilise l'apprentissage supervisé des réseaux profonds de confiance combiné à l'algorithme de divergence contrastée pour le data mining afin d'établir un modèle de prédiction de la perméabilité. Ce modèle améliore le problème d'optimisation locale des réseaux de neurones BP traditionnels, augmentant l'efficacité de l'entraînement du réseau et la précision des prévisions. L'erreur relative moyenne du modèle prédictif est de 9,1 %, soit une réduction d'environ 20 % par rapport au modèle conventionnel de perméabilité. L'application au traitement des données réelles, combinée à l'analyse des erreurs, montre que cette méthode peut améliorer efficacement la précision de la prédiction de la perméabilité dans les réservoirs à faible perméabilité.

Perméabilité; courbes de diagraphie; analyse de corrélation grise; réseau profond de confiance; prédiction