Проницаемость коллектора является важным фактором, влияющим на продуктивность коллектора. Для решения проблемы низкой точности модели проницаемости по обычным каротажным данным в коллекторах с низкой проницаемостью и плохой связностью пор предложен метод прогнозирования проницаемости коллектора с использованием алгоритма глубоких доверительных сетей в сочетании с обычными каротажными кривыми. Метод основывается на анализе корреляции каротажных кривых с помощью серого корреляционного анализа, выборе чувствительных характеристик на основе ранжирования корреляций и применении обучения с учителем и алгоритма контрастной дивергенции в глубокой доверительной сети для извлечения данных и построения модели прогноза проницаемости. Модель улучшила проблему локального оптимума, свойственную обычным нейронным сетям BP, повысив эффективность обучения и точность прогноза. Средняя относительная ошибка прогноза модели составила 9.1 %, что примерно на 20 % ниже по сравнению с обычными моделями проницаемости. Обработка реальных данных и анализ ошибок показали, что метод эффективно повышает точность прогноза проницаемости низкопроницаемых коллекторов.

Проницаемость; каротажные кривые; серый корреляционный анализ; глубокая доверительная сеть; прогноз