引用本文
杨佩佩, 卢异, 周杨, 吴刚, 李文亮, 任光文. 南港油田板2油组深层致密砂岩裂缝预测及成因研究[J]. 录井工程, 2022,33(4): 118-124.
YANG Peipei, LU Yi, ZHOU Yang, WU Gang, LI Wenliang, REN Guangwen. Prediction and genesis study of deep tight sandstone fractures in Ban 2 Formation of Nangang oilfield[J]. Mud Logging Engineering, 2022,33(4): 118-124.
Doi:10.3969/j.issn.1672-9803.2022.04.020  
Permissions
Copyright©2022, 《录井工程》杂志社
《录井工程》杂志社 所有
南港油田板2油组深层致密砂岩裂缝预测及成因研究
杨佩佩①, 卢异①, 周杨②, 吴刚①, 李文亮①, 任光文①
①中国石油大港油田公司勘探开发研究院
②中国石油大港油田分公司第一采油厂

作者简介：杨佩佩 工程师，1990年生，2016年毕业于中国石油大学（北京）地质工程专业，硕士学位，现在中国石油大港油田公司勘探开发研究院主要从事石油地质综合研究工作。通信地址：300280 天津市滨海新区大港油田幸福路1280号。电话：18146575704。E⁃mail：1010147124@qq.com

收稿日期: 2022-10-25
基金: 中国石油重大科技专项“大港油区效益增储稳产关键技术研究与应用”（编号：2018E-11）
摘要

为了实现南港油田沙一下亚段板2油组孔隙-裂缝双重介质油藏的高效开发,综合岩心、常规测井、三维地震资料开展裂缝预测及成因研究。通过常规测井曲线的裂缝响应特征,建立裂缝识别常数模型,评价裂缝纵向发育情况,同时利用地震多属性的人工神经网络方法,测井与地震数据相结合预测裂缝平面分布范围。预测结果表明,区域主断裂走向为NE向,同时伴生了多条NW、NE、EW向裂缝,主要分布在G 178井断裂和B 228井断裂之间的区域,裂缝的形成与分布明显受隐伏走滑断裂带的控制,双断裂斜交的伴生破碎带所形成的地垒式构造区域裂缝最为发育。综合裂缝发育情况、砂岩厚度以及产能评价结果,将储层划分为4类,其中：裂缝发育且厚度大于10 m的砂岩为Ⅰ类储层,试油无需压裂,自喷高产;裂缝不发育但厚度大于10 m的砂岩为Ⅱ类储层,试油具备一定产能,压裂后可高产。Ⅰ类、Ⅱ类储层发育区域是下步勘探开发的重点目标区。

关键词: 裂缝预测; 致密砂岩; 主控因素; 人工神经网络; 南港油田
中图分类号:TE132.1 文献标志码:A
Prediction and genesis study of deep tight sandstone fractures in Ban 2 Formation of Nangang oilfield
YANG Peipei①, LU Yi①, ZHOU Yang②, WU Gang①, LI Wenliang①, REN Guangwen①
①Exploration and Development Research Institute of PetroChina Dagang Oilfield Company, Tianjin 300280, China
②No. 1 Oil Production Plant of PetroChina Dagang Oilfield Company, Tianjin 300280, China
Abstract

In order to realize the efficient development of the porous-fractured dual medium reservoir of Ban 2 Formation in Es1x of Nangang oilfield, the fracture prediction and genesis research were carried out based on core, conventional log and three-dimensional seismic data. Based on the fracture response characteristics of conventional logging curves, a fracture identification constant model was established to evaluate the longitudinal development of fractures. At the same time, the multi-attribute artificial neural network method was used to predict the plane distribution of fractures by combining well logging with seismic data. The prediction results show that the trend of the regional main fault is NE, accompanied by multiple NW, NE, and EW fractures, mainly in the area between well G178 fault and well B228 fault. The formation and distribution of fractures are obviously controlled by the burid strike-slip fault zone and the fractures are most developed in the horst-type structural area formed by the accompanying fracture zones of the double fault obliquely crossing. Based on fracture development, sandstone thickness and productivity evaluation results, the reservoirs can be divided into four types. Among them, the sandstone with fracture development and thickness greater than 10m is type I reservoir. No fracturing is required for oil testing, and high production is achieved through flowing. Sandstone with undeveloped fractures but thickness greater than 10 m is type Ⅱ reservoir. Oil testing has a certain production capacity, and high yield after fracturing. The development area of type I and type Ⅱ reservoirs is the key target area for the further exploration and development.

Keyword: fracture prediction; tight sandstone; main controlling factors; artificial neural network; Nangang oilfield
0 引言

近年来, 国内外各含油气盆地的勘探重点逐步向深层转移。不断拓展深层油气勘探领域, 已成为国内陆上油气勘探开发必然的战略抉择。深部储层普遍低渗致密, 一般无自然产能。关于深层不同类型储集体在经历长期复杂成岩改造后的优质储层成因及预测是制约油气勘探的重要问题之一[1]。

南港油田沙一下亚段板2油组埋深3 800~4 500 m, 砂岩孔隙度为7.1%~19.8%, 渗透率为0.2~16.5 mD。截至目前, 已实施23口井, 产量差异比较大, 部分井无产量, G 178、B 228井试油获80 t以上高产。镜下观察B 228井板2油组岩心发育天然裂缝, 初步分析认为裂缝影响产能。

南港油田沙一下亚段板2油组砂岩具有埋藏深且致密的特点, 是典型的孔隙-裂缝双重介质储层。裂缝非均质性强, 形成机制复杂, 在油气成藏和发育过程中起着重要作用[2], 因而对裂缝的研究和预测具有重要意义。为了实现双重介质油藏的高效开发, 本文以南港油田为研究区、板2油组为研究层系, 综合岩心、常规测井、三维地震资料, 分析裂缝发育特征并探讨其成因。利用低成本常规测井资料进行储层裂缝识别具有重要意义[3, 4, 5, 6], 通过常规测井曲线的裂缝响应特征, 建立裂缝识别常数模型, 结合岩心镜下裂缝发育情况, 评价裂缝纵向发育情况。同时, 利用地震多属性的人工神经网络方法将测井与地震数据结合起来预测裂缝平面发育程度[7, 8, 9, 10, 11, 12, 13, 14, 15, 16], 结合储层与生产动态资料开展致密砂岩分区, 指导下一步勘探开发。

1 区域地质概况

南港油田位于歧口凹陷的歧北斜坡带, 歧口凹陷在新生代表现为伸展盆地, 断层几乎全部为伸展断裂, 伸展、走滑是盆地形成发育的两大控制因素[17, 18, 19]。研究区主要发育来自燕山物源的重力流水道砂体, NS向延伸, 多期叠置连片分布。

研究区主要含油层系为沙一下亚段板2油组, 为垒块背景上的反向断鼻构造, 中间被NE向的B 228井断层分割, 为依附于G 178井断层的反向鼻状构造。主控断层为港东断层, 其次为G 178井断层和B 228井断层。B 228井断层北翼发育垒块构造, 南翼发育堑块构造。板2油组顶界构造图上, 高点埋深为3 880 m, 向东和向西南方向地层逐渐变陡（图1）。

图1 南港油田板2油组构造

现有钻井试油资料表明, 研究区多口井试油高产。储层岩性为岩屑长石砂岩, 微观储集空间主要发育次生粒间-粒内溶蚀孔隙、裂缝。研究区油气资源富集, 为典型的深层低渗裂缝型油藏, 厘清裂缝发育分布, 是有利储层预测的关键环节。

2 方法原理

利用常规测井资料, 分析常规测井曲线上对应的裂缝响应特征, 根据响应特征确定对应的表征裂缝发育程度的定量指标, 对各个指定指标数据进行标准化、归一化、概率化等处理变换, 再结合各个指标对裂缝发育敏感程度赋予不同的权重值, 最后加权求和获得裂缝识别常数（FIC）[2]。

2.1 裂缝识别指标定义

2.1.1 声波时差曲线变化率指标

有裂缝发育的井段通常会导致对应位置所测得的声波时差曲线出现异常的抖动, 这些异常特征对应曲线段的数据变化率会出现异常增大。所以声波时差曲线变化率指标（ Δxi）可以定量表征裂缝的发育程度, 公式如下：

Δxi＝xi-1-xi+xi+1-xi2

式中： xi为第i个声波时差曲线采样点, μ s/m。

2.1.2 地层因素比值

由于地层因素取决于岩性、孔隙度及其结构等特征, 定义地层因素为通过电阻率测井和孔隙度测井两种方式计算的地层因素之比来表征裂缝的发育, 具体公式为：

FRP＝RLLDϕmaRW

式中： FRP为地层因素, 无量纲; RW为地层水电阻率, Ω · m; RLLD为深侧向电阻率, Ω · m; a为岩性系数; m为岩石孔隙结构指数; ϕ 为孔隙度, %。

2.1.3 电阻率侵入校正差比值法

电阻率侵入校正差比值法基于双侧向电阻率测井资料进行裂缝识别, 由双侧向电阻率测井计算出或直接由已知测井曲线得到地层真电阻率, 然后采用构造电阻率侵入校正差比值曲线来识别裂缝, 计算公式如下：

RTC＝Rt-RLLSRLLS

式中： RTC为电阻率侵入校正差比值, 无量纲; Rt为地层真电阻率, Ω · m; RLLS为浅侧向电阻率, Ω · m。

2.1.4 饱和度比值法

地层裂缝发育导致钻井液和滤液侵入地层, 靠近井壁的地层侵入强烈, 远离井壁的地层侵入影响较小, 导致SXO≥ SW。饱和度比值公式为：

SWX＝SWSXO＝RWRXORmfRt1m

式中： SWX为饱和度比值, 无量纲; SXO、 SW分别为冲洗带含水饱和度和原状地层含水饱和度, %; RXO为冲洗带电阻率, Ω · m; Rmf为钻井液滤液电阻率, Ω · m。

2.2 裂缝识别常数

裂缝在不同曲线上特征响应的强弱程度不同, 导致最后计算出的不同指标对裂缝信息的识别敏感程度有一定的差异。裂缝识别常数（FIC）根据不同指标识别裂缝能力的强弱, 分别赋予不同的权重值, 通过加权平均获得最终能代表裂缝发育情况的参数[2]。对所有裂缝指标, 得出综合反映裂缝发育程度的 FIC为：

FIC＝∑i=1nwiyi

式中：i ＝1, 2, …, n（n代表裂缝识别指标的个数）; yi为第i种反映裂缝的特征指标值; wi为第i种裂缝指标的权重值。

2.3 人工神经网络预测裂缝分布

测井响应与地震属性之间的关系非常复杂, 神经网络在解决这类问题上具有独特的优势。神经网络具有完善的学习功能、独特的适应能力、联想记忆能力和信息处理能力等。它可以完成输入与输出之间的复杂非线性映射, 对简单的非线性函数进行多次复合, 实现复杂函数关系的转换[16]。其基本算法概念是模拟人类大脑对捕捉到的多现象、多信号进行快速识别, 以实现模糊分类和估计。应用地震多属性人工神经网络方法, 可以发现地震属性与目标曲线之间的非线性联系[20, 21, 22, 23]。本研究通过Petrel软件的人工神经网络模块将地震属性和FIC联系起来, 进而用研究区的地震资料反演裂缝发育特征。

3 裂缝预测
3.1 典型井裂缝识别常数

研究区于2008年在断块东南部部署探井B 228井, 完钻井深4 762 m, 试油井段4 172.5~4 187.0 m, 油层厚度13.1 m, 日产油85.95 t, 日产气24 291 m3。B 228井常规测井FIC计算结果如图2所示。通过对比可以发现, 在同一井段, 不同的裂缝指标计算出的裂缝发育概率不同, 说明不同的裂缝指标对该井段裂缝发育的敏感性不同。将FIC与实钻岩心裂缝发育情况比较, 4 178、4 189、4 259 m的岩心发育NW、NE、EW向裂缝, 4 172、4 223、4 298 m的岩心裂缝不发育, 可以发现FIC值大对应的岩心裂缝发育, 两者吻合程度较高, 说明FIC能很好地表征裂缝发育强度, 同时说明该方法识别裂缝的有效性。

图2 B 228井常规测井FIC与取心裂缝综合柱状图

将裂缝预测结果与试油结果对比可以发现, 干层对应井段的裂缝发育相对弱, 而含油层的对应井段裂缝发育, 油层主要见于砂岩裂缝中。FIC的变化特征与孔隙度变化具有很好的一致性, 所以准确有效地预测出裂缝发育分布情况, 是裂缝型储层预测的主要方向。

3.2 基于人工神经网络的叠后地震裂缝预测

3.2.1 叠后地震裂缝预测

地震属性优化是储层预测的基础。首先通过合适的参数计算生成需要的地震属性, 进行多属性对比和分析, 通过视觉特征、相关性、差异性等定性和定量的对比, 结合区域地质认识和研究经验, 从众多的地震属性中优选出比较敏感的地震属性。在这个研究中选择的地震属性, 包括：均方根振幅属性、相对波阻抗属性、相干属性、曲率属性（图3）。

图3 板2油组地震属性平面分布图

将目的层段的FIC与地震属性进行相关分析, 结果表明, 均方根振幅属性、相对波阻抗属性、相干属性、曲率属性的地震反射特征与FIC的纵向变化具有很好的相关性, 相关系数达到0.88左右, 如图4所示。建立地震属性与FIC的关系, 通过人工神经网络训练FIC模型（图5）。

图4 地震属性与裂缝识别常数FIC相关性分析

图5 FIC预测平面分布图

由图5可见, B 228、G 178、G 126井周围的区域裂缝发育, 裂缝主要发育在B 228井断层和G 178井断层附近, 主要位于双断裂斜交的伴生破碎带的地垒式构造中, 表明裂缝发育受断裂控制。

3.2.2 储层有利区预测

对研究区的砂岩厚度进行了研究, 整体表现为东西向厚薄交替发育, 南北向呈带状分布特征。结合人工神经网络FIC模型的平面分布结果, 裂缝在B 228、G 126、G 178井都很发育, 即裂缝主要沿着G 178井断裂和B 228井断裂发育（图6蓝色虚线标注范围）。综合裂缝发育情况、砂岩厚度以及产能评价结果, 将裂缝发育并且厚度大于10 m的砂岩划分为Ⅰ 类储层, 该类储层试油无需压裂, 自喷高产; 将裂缝不发育但厚度大于10 m的砂岩划分为Ⅱ 类储层, 试油具备一定产能, 压裂后可高产。Ⅰ 类、Ⅱ 类储层发育区域是下一步勘探开发的重点目标区, 储层综合评价分布及有利区划分如图6和表1所示。

图6 砂岩厚度和裂缝分布耦合图

表1 储层有利区划分
4 裂缝发育主控因素分析
4.1 断裂活动对裂缝发育的控制

歧口凹陷新生代的走滑活动贯穿新生代盆地的形成和发育过程, 走滑活动控制了歧口凹陷的结构及构造分区[19]。研究区隐伏走滑带以西为夹持于滨海断层与歧东断层之间的复“ Y” 字型构造, 隐伏走滑带以东发育多条北掉阶状断裂, 长期发育, 沟通油源。断裂带附近的钻井裂缝型储层发育, 油气显示好。位于走滑断裂带附近的G 178、B 228井, 实钻取心裂缝发育且高产油, 说明走滑断裂活动中派生发育的裂缝明显改善了储层物性。同时, 双断裂斜交的地垒式构造形成了伴生破碎, 控制了裂缝的发育。

4.2 岩相对裂缝发育的控制

研究区发育多套砂体, 不同类型沉积相带砂体整体致密, 物性差异不大, 砂体对于裂缝的发育具有显著影响。岩性特征为灰褐色不同厚度的中细砂岩和含砾砂岩, 夹有深灰色、灰黑色砂质泥岩和泥岩。砂岩总体粒度为细粒, 沙一上亚段沉积物粒度变粗, 砂砾岩沉积发育。泥、砾石的粒径和产状各不相同, 有平卧、倾斜和直立3种, 是泥沙快速堆积而没有时间调整方向的结果, 是重力流整体搬运和快速沉积的重要体现。由于分支水道有利于大套砂岩发育, 水动力活动较强, 为裂缝发育及溶蚀作用提供了基质。

5 结论

（1）本文通过常规测井曲线的裂缝响应特征, 建立裂缝识别常数FIC模型, 可以有效评价裂缝纵向发育情况。通过人工神经网络学习将地震属性和FIC联系起来, 用地震资料成功地反演了裂缝平面发育程度。

（2） 用常规测井曲线计算得到典型井的FIC, 与岩心实测资料高度相关。无岩心区域用地震资料反演FIC分布, 主要分布在G 178井断裂和B 228井断裂之间的区域。走滑断裂活动中派生发育的裂缝明显改善了储层物性。同时, 双断裂斜交的地垒式构造区域裂缝最为发育。分支水道有利于大套砂岩发育, 水动力活动较强, 为裂缝发育及溶蚀作用提供了基质。

（3）结合断裂、裂缝、砂岩厚度以及产能评价结果, 将研究区储层划分为4类, 其中：裂缝发育并且厚度大于10 m的砂岩划分为Ⅰ 类储层, 此类储层无需压裂, 试油可自喷高产; 裂缝不发育但厚度大于10 m的砂岩划分为Ⅱ 类储层, 此类储层试油具备一定产能, 压裂后可高产。Ⅰ 类、Ⅱ 类储层发育区域是下一步勘探开发的重点目标区, 该认识可以指导下一步勘探开发及产能评价工作。

（编辑 王丙寅）

参考文献
[1] 李阳, 薛兆杰, 程喆, 等. 中国深层油气勘探开发进展与发展方向[J]. 中国石油勘探, 2020, 25(1): 46-57.
LI Yang, XUE Zhaoyang, CHENG Zhe, et al. Progress and developement directions of deep oil and gas exploration and development in China[J]. China Petroleum Exploration, 2020, 25(1): 46-57. [本文引用:1]
[2] 黄捍东, 朱筱敏, 庞雄奇. 复杂油气藏地震预测方法[M]. 北京: 科学出版社, 2017: 208-278.
HUANG Hand ong, ZHU Xiaomin, PANG Xiongqi. Seismic prediction methodology for complex hydrocarbon reservoirs[M]. Beijing: Science Press, 2017: 208-278. [本文引用:3]
[3] 冯翠菊, 闫伟林. 利用常规测井资料识别变质岩储层裂缝的方法探讨[J]. 国外测井技术, 2008, 23(2): 14-16.
FENG Cuiju, YAN Weilin. Discussion on the method of identifying fractures in metamorphic rock reservoir with conventional logging data[J]. World Well Logging Technology, 2008, 23(2): 14-16. [本文引用:1]
[4] 汤小燕, 王兴元, 朱永红. 综合概率法评价火山岩裂缝发育程度[J]. 天然气勘探与开发, 2009, 32(1): 26-27, 38.
TANG Xiaoyan, WANG Xingyuan, ZHU Yonghong. Synthetic Probability Approach to evaluate the development degree of volcanic rock fractures[J]. Natural Gas Exploration and Development, 2009, 32(1): 26-27, 38. [本文引用:1]
[5] 高松洋. 测井资料在裂缝识别中的应用: 以 H 地区砂岩储层为例[J]. 石油天然气学报(江汉石油学院学报), 2009, 31(2): 272-274.
GAO Songyang. Application of logging data in fracture identification: A case study of sand stone reservoir in H area[J]. Journal of Oil and Gas Technology(J. JPI), 2009, 31(2): 272-274. [本文引用:1]
[6] 景永奇, 秦瑞宝. 利用裂缝指示曲线判别花岗岩潜山纵向裂缝发育带[J]. 测井技术, 1999, 23(1): 38-42.
JING Yongqi, QIN Ruibao. Identifying the fracture distribution in granite buried hill with synthetic curve[J]. Well Logging Technology, 1999, 23(1): 38-42. [本文引用:1]
[7] 杨凤丽, 周祖翼, 张善文, 等. 利用地震方法预测潜山裂缝性油气储层: 以渤海湾南部为例[J]. 高校地质学报, 1999, 5(3): 322-327.
YANG Fengli, ZHOU Zuyi, ZHANG Shanwen, et al. Predicting fractured reservoirs in burial hill pool with seismic methods: A case study in southern Bohai Basin[J]. Geological Journal of China Universities, 1999, 5(3): 322-327. [本文引用:1]
[8] 王永刚, 李振春, 刘礼农, 等. 利用地震信息预测储层裂缝发育带[J]. 石油物探, 2000, 39(4): 57-63.
WANG Yonggang, LI Zhenchun, LIU Linong, et al. Using seismic data to predict fractured zones of reservoir[J]. Geophysical Prospecting for Petroleum, 2000, 39(4): 57-63. [本文引用:1]
[9] 陈崇河, 马晓芬. 利用地震资料研究裂缝性储层的新进展[J]. 石油物探, 1997, 36(增刊1): 20-26.
CHEN Chonghe, MA Xiaofen. New progress in the study of fractured reservoirs using seismic data[J]. Geophysical Prospecting for Petroleum, 1997, 36(S1): 20-26. [本文引用:1]
[10] GRECHKA V, TSVANKIN I. 3-D description of normal moveout in anisotropic inhomogeneous media[J]. Geophysics, 1998, 63(3): 1079-1092. [本文引用:1]
[11] 尹志军, 黄述旺, 陈崇河. 用三维地震资料预测裂缝[J]. 石油勘探与开发, 1999, 26(1): 78-80.
YIN Zhijun, HUANG Shuwang, CHEN Chonghe. Fracture determination by means of three-dimensional seismic data[J]. Petroleum Exploration and Development, 1999, 26(1): 78-80. [本文引用:1]
[12] TOKSÖZ M N, CHENG C H, TIMUR A. Velocities of seismic waves in porous rocks[J]. Geophysics, 1976, 41(4): 621-645. [本文引用:1]
[13] FATTI J L, SMITH G C, VAIL P J, et al. Detection of gas in sand stone reservoirs using the AVO analysis: A 3-D seismic case history using Geostack technique[J]. Geophysics, 1994, 59(9): 1362-1376. [本文引用:1]
[14] MCQUILLAN H. Small-scale fracture density in Asmari Formation of southwest Iran and its relation to bed thickness and structural settings[J]. AAPG Bulletin, 1973, 47(12): 2367-2385. [本文引用:1]
[15] 胡光岷, 贺振华, 黄德济, 等. 利用纵波资料反演裂缝发育密度和方向[J]. 成都理工学院学报, 2000, 27(2): 145-150.
HU Guangmin, HE Zhenhua, HUANG Deji, et al. Inversion of fracture density and azimuth using P-wave seismic data[J]. Journal of Chengdu University of Technology, 2000, 27(2): 145-150. [本文引用:1]
[16] 李军, 郝天珧, 赵百民. 地震与测井数据综合预测裂缝发育带[J]. 地球物理学进展, 2006, 21(1): 179-183.
LI Jun, HAO Tianyao, ZHAO Baimin. Synthetic predication of favorable fracture zone from seismic and log data[J]. Progress in Geophysics, 2006, 21(1): 179-183. [本文引用:2]
[17] 艾能平, 任建业, 祁鹏, 等. 歧口凹陷伸展滑脱构造系统的厘定及其地质意义[J]. 大地构造与成矿学, 2009, 33(3): 343-351.
AI Nengping, REN Jianye, QI Peng, et al. The redefinition and geological significance of extensional decollement structure systems in the Qikou depression[J]. Geotectonica et Metallogenia, 2009, 33(3): 343-351. [本文引用:1]
[18] 肖敦清, 王桂芝, 韦阿娟, 等. 黄骅坳陷火成岩成藏特征研究[J]. 特种油气藏, 2003, 10(1): 59-61.
XIAO Dunqing, WANG Guizhi, WEI Ajuan, et al. Study on igneous reservoir forming conditions and distribution in Huanghua depression[J]. Special Oil & Gas Reservoirs, 2003, 10(1): 59-61. [本文引用:1]
[19] 王文革, 张志攀, 卢异, 等. 黄骅坳陷歧口凹陷新生代走滑断裂特征及控盆作用[J]. 天然气地质学, 2012, 23(4): 713-719.
WANG Wenge, ZHANG Zhipan, LU Yi, et al. Characteristics and its role in basin controlling of strike-slip faults in Cenozoic Qikou sag, Huanghua depression[J]. Natural Gas Geoscience, 2012, 23(4): 713-719. [本文引用:2]
[20] 石双虎, 何樵登, 滕吉文, 等. 利用多元地震属性预测测井特性[J]. 西北地震学报, 2006, 28(4): 309-313.
SHI Shuanghu, HE Qiaodeng, TENG Jiwen, et al. Using multi-attribute to predict log properties from seismic data[J]. Northwestern Seismological Journal, 2006, 28(4): 309-313. [本文引用:1]
[21] MOON S, LEE G H, KIM H, et al. Collocated cokriging and neural‑network multi‑attribute transform in the prediction of effective porosity: A comparative case study for the Second Wall Creek Sand of the Teapot Dome field, Wyoming, USA[J]. Journal of Applied Geophysics, 2016, 131: 69-83. [本文引用:1]
[22] ITURRARÁN-VIVEROS U, PARRA J O. Artificial Neural Networks applied to estimate permeability, porosity and intrinsic attenuation using seismic attributes and well‑log data[J]. Journal of Applied Geophysics, 2014, 107: 45-54. [本文引用:1]
[23] YASIN Q, DING Y, BAKLOUTI S, et al. An integrated fracture parameter prediction and characterization method in deeply-buried carbonate reservoirs based on deep neural network[J]. Journal of Petroleum Science and Engineering, 2021, 208(9): 1-21. [本文引用:1]