La permeabilidad del reservorio es un factor importante que afecta la productividad del reservorio. Para abordar el problema de la baja precisión de los modelos de permeabilidad basados en registros convencionales en reservorios de arenisca de baja permeabilidad con mala conectividad de poros, se propone un método que utiliza el algoritmo de redes profundas de confianza combinado con curvas de registros convencionales para predecir la permeabilidad del reservorio. Este método utiliza el análisis de correlación gris para analizar el grado de correlación de las curvas de registros, selecciona las curvas sensibles a características basándose en el orden de correlación, y combina el aprendizaje supervisado de la red profunda de confianza con el algoritmo de divergencia contrastiva para la minería de datos, estableciendo un modelo de predicción de permeabilidad. Este modelo mejora el problema de optimización local que tienen las redes neuronales BP tradicionales, aumentando la eficiencia del entrenamiento y la precisión de la predicción. El error relativo promedio del modelo predictivo es del 9.1 %, reduciendo aproximadamente un 20 % en comparación con los modelos convencionales de permeabilidad. La aplicación en el procesamiento de datos reales y el análisis de errores demuestran que este método puede mejorar eficazmente la precisión de la predicción de permeabilidad en reservorios de baja permeabilidad.

Permeabilidad; curvas de registro; análisis de correlación gris; red profunda de confianza; predicción