碳酸盐岩储层裂缝智能预测技术及其应用.pdf

大庆石油地质与开发 Petroleum Geology Oilfield Development in Daqing2023 年 8 月 第 42 卷第 4 期Aug.，2023Vol.42 No.4DOI：10.19597/J.ISSN.1000-3754.202208009碳酸盐岩储层裂缝智能预测技术及其应用杨丽娜1 许胜利1 魏莉1 史长林1 张雨1 杨勇2（1.中海油能源发展股份有限公司工程技术分公司，天津300452；2.中海石油（中国）有限公司深圳分公司，广东 深圳518000）摘要：对不同地震属性裂缝预测体的信息融合是目前碳酸盐岩储层裂缝预测的重难点之一。针对现有信息融合技术中存在的权重系数随机性强、效率低、耗时长、裂缝预测精度不理想等问题，利用机器学习多属性融合方法，基于神经网络系统的单井裂缝解释和多种地震方法的多尺度裂缝预测，得到机器学习融合的训练样本数据集，通过数据编码及结构化处理、标签数据提取及样本集划分和机器学习算法优选等，建立裂缝预测数据驱动模型，对碳酸盐岩储层裂缝智能预测技术进行研究。通过上述方法，得到一个多信息融合的智能裂缝预测强度体，该体能够反映不同尺度裂缝在三维空间的发育强度，反映裂缝各向异性。将技术方法应用至南海流花111油田表明，基于机器学习的多属性裂缝融合方法不仅提高工作效率，且有效提高裂缝预测精度，很好地反映裂缝的各向异性，与生产动态特征符合率达90%。研究结果为基于机器学习的高效、高精度多属性裂缝融合预测提供了技术支撑。关键词：碳酸盐岩储层；机器学习；多属性融合；裂缝智能预测；单井裂缝解释中图分类号：P618 文献标识码：A 文章编号：1000-3754（2023）04-0131-08Intelligent prediction technique and its application for carbonate reservoir fracturesYANG Lina1，XU Shengli1，WEI Li1，SHI Changlin1，ZHANG Yu1，YANG Yong2（1.Drilling&Production Company of CNOOC Energy Technology&Services Ltd，Tianjin 300452，China；2.Shenzhen Branch of CNOOC（China）Ltd，Shenzhen 518000，China）Abstract：Information fusion of fracture prediction bodies with different seismic attributes is one of the major difficulties in current carbonate rock reservoir fracture prediction.In view of the problems existing in present information fusion techniques，such as strong randomness of weight coefficient，low efficiency，long time consumption，and not satisfactory accuracy of fracture prediction，by using machine learning multi-attributes fusion method，training samples data set of machine learning fusion is obtained based on single-well fracture interpretation of neural network system and multi-scales fracture prediction with multiple seismic methods.Through data coding and structural processing，label data extraction，sample set division and machine learning algorithm optimization，data driven model for fracture prediction is established to study intelligent prediction technique for carbonate rock reservoir fractures.Through the above method,a multi information fusion intelligent fracture prediction strength volume is 收稿日期：2022-08-03 改回日期：2023-04-18基金项目：中国海洋石油集团有限公司科技攻关项目“双重介质碳酸盐岩油藏调驱/堵控水技术研究与应用”（CNOOC-KJ 135KJXM NFGJ2019-05）；中国海洋石油集团有限公司科技攻关项目“基于深度机器学习的油气储层预测技术”（CNOOC-KJ 135KJXM NFGJ2019-06）。第一作者：杨丽娜，女，1987年生，硕士，工程师，从事储层精细描述和基于机器学习的储层预测研究。E-mail：2023 年大庆石油地质与开发obtained,which can reflect the development intensity of different scale fractures in threedimensional space and reflect the anisotropy of fractures.The method is applied in Liuhua 11-1 Oilfield in South China Sea，showing that multi-attributes fracture fusion method based on machine learning not only improves work efficiency，but also effectively improves fracture prediction accuracy and well reflects the anisotropy of fractures with coformity of production performance characteristics reaching 90%.The research provides technical support for high-efficiency and high-accuracy multi-attributes fracture fusion prediction based on machine learning.Key words：carbonate reservoir；machine learning；multi-attributes fusion；intelligent fracture prediction；single-well fracture interpretation0引言对于裂缝型双重介质油藏，裂缝是油气主要的存储空间和渗流通道，精确识别和描述裂缝对于双重介质油藏的勘探开发至关重要13。碳酸盐岩储层裂缝预测技术很多，包括横波分裂技术、多分量地震、多方位VSP、PS转换波技术等47，目前常采用与裂缝相关的地震属性进行预测，以AVAZ技术为主流，辅以远近偏移距属性、不连续性检测及区域应力场分析等技术共同进行裂缝地震预测89。在多地震属性信息融合领域中，平均加权融合法是最主流的方法，即以人工经验为依托，通过赋予各属性预测体不同权重系数，线性相加得到属性融合体，根据生产动态数据、单井裂缝解释成果作校验，不断修正经验系数，直至获得较符合地质与开发认识的裂缝预测体10。但该方法存在一定弊端，它将各属性体间的关系简单等同于线性关系，并在经验系数的选择上具有随机性，且效率低、耗时长，通过项目实践，该方法预测精度不理想。因此迫切需要一种不依托于人工经验的、能提高预测效率及精度的裂缝多信息融合新方法。近几年，国内外各大公司先后将机器学习算法引入油气行业。2016 年，英特尔公司将人工智能深度学习方法引入到油气行业，用于断层及褶皱的地震数据分析。2017 年，帕拉代姆公司开始应用多层神经网络进行岩相预测。中国油企近几年逐步开展了油气田开发大数据属性特征及智能数据融合方法研究、多信息融合智能地层划分与对比、多体系智能储层参数评价与流体判别等10。机器学习在石油行业已得到一定应用，但未见机器学习在双重介质碳酸盐岩裂缝预测中的应用。因此，本文将机器学习算法引入多地震属性裂缝预测体的信息融合过程中来，希望利用其数据驱动代替经验驱动的特点，将预测裂缝的不同地震属性体进行有机融合，以解决现有信息融合技术中权重系数随机性强、效率低及预测精度低等问题。南海流花 111油田位于东沙隆起南部，目的层为新近系珠江组的生物礁滩灰岩，油藏属于中孔中渗储层，储层类型为裂缝孔隙型，区块裂缝发育。与传统预测方法相比，利用机器学习多属性融合方法充分利用机器学习细微信息挖掘能力，不但可以提高预测精度，也提高了预测效率，值得同类油田推广。1基于机器学习的裂缝智能预测方法裂缝智能预测方法是在裂缝预测样本数据库建立基础上，以合适的机器学习算法为手段，建立井上的裂缝强度曲线数据与井旁道多种裂缝预测属性体数据间的非线性关系，以此得到数据驱动模型，将地震数据输入驱动模型，完成裂缝强度预测。1.1数据库建立数据库建立主要包括基于神经网络系统的单井裂缝解释、多属性地震裂缝预测、数据的编码及结构化处理，为后续机器学习裂缝预测标签数据制作奠定基础。1.1.1基于神经网络系统的单井裂缝解释以样本井的测井信息作为输入变量，以对应的裂缝强度曲线作为输出变量，通过具有非线性高度学习能力的神经网络系统及特定的算法得出各测井曲线与对应裂缝强度之间的映射关系，再通过此映射关系对未知井目的层段进行裂缝识别。具体步骤为：（1）收集研究区有钻井岩心或成像测井解释的井作为样本井，根据岩心分析及成像测井解释有效识别样本井裂缝，并生成样本井裂缝强度曲线；（2）建立神经网络关系，优选与裂缝强度曲线相关性较好的常规测井曲线，裂缝的测井响应特征132第 42 卷 第 4 期杨丽娜 等：碳酸盐岩储层裂缝智能预测技术及其应用由于受裂缝发育程度、产状、开度、延伸长度等多种因素的影响1113，所以不同区块的裂缝在各测井曲线的响应特征也有所差异，进行测井优选就是要找出对给定区块的裂缝发育敏感的曲线；（3）建立优选出的常规测井曲线与裂缝强度曲线间的神经网络模型，用该模型推测任一样本井的强度曲线，用此结果与实际强度曲线对比以达到校验的目的；（4）通过该神经网络模型推测非样本井的裂缝强度曲线及其裂缝发育段，并对非样本井裂缝预测情况进行动态验证。1.1.2多属性地震裂缝预测利用多种地震方法预测的不同裂缝强度体为后续利用机器学习开展裂缝预测提供不同样本特征，是机器学习多属性融合方法的样本基础。以5种不同方法开展地震裂缝预测：第1种是基于叠前地震数据的方位角属性差裂缝预测，利用不同方位角地震属性差异检测裂缝，极大地提高了裂缝检测的有效性和稳定性；第2种是基于叠前地震数据的远近偏移距属性差裂缝预测，裂缝对地震波属性的影响随偏移距的增加而增加，且储层裂缝密度越大，同一方位角下振幅、频率等在远近偏移距上的差异越大；第3种是构造曲率裂缝检测，构造曲率能在一定程度上控制裂缝发育的密度、方向、宽度和深度，通过求取岩层顶面的曲率值，进而达到评价裂缝发育情况的目的；第4种是蚂蚁体裂缝检测，该技术主要是基于蚁群算法实现对断裂的追踪和识别，能凸显断裂线状构造特征，但平面预测结果往往过于杂乱无规律，且对宏观缝较为敏感；第5种是纵向裂缝检测体，该方法主要是利用纵向空间属性变化率对裂缝进行检测。这5种方法均为裂缝的单一预测手段，各有优缺点：比如第 1、2 种裂缝预测方法主要用于检测小到中尺度裂缝，对大尺度缝的检测效果不明显；而第3、4、5种裂缝检测方法反映裂缝整体面貌，检测中尺度及以上裂缝，但对小微尺度裂缝检测能力不足。因此，为了最大程度利用地震信息，需要利用机器学习对其进行多属性融合，才能更好反映裂缝分布的各向异性。1.1.3数据编码及结构化开展测井、地震数据的编码及结构化，首先要建立包含构造特征的结构化网格，根据目标靶区确定模型范围，再根据研究需要进行平面及纵向网格设置。通常将海上油田平面网格设置为 20 m20 m，纵向网格设置为 0.5 m。将研究区单井的裂缝强度曲线及不同方法得出的地震裂缝预测属性体分别采样至模型网格进行结构化，使每个网格中形成一一对应的样本特征数据。1.2基于机器学习的裂缝预测体融合1.2.1标签数据提取及样本集、验证集划分通过输入单井裂缝解释得到的裂缝强度曲线以及远近偏移距属性差裂缝预测体、方位角属性差裂缝预测体等上述5种裂缝预测属性体，将之作为机器学习算法输入的原始数据集或标签数据。为了建立一个具有很好泛化能力的预测模型，通常需要将标签数据集划分为训练数据、验证数据和测试数据。训练数据用于模型建立过程中模型拟合，验证数据用于模型建立中评估模型效果。测试数据一旦选定，它们将被放在训练数据和验证数据之外，并用于最终测试已建立的模型。本次研究选用交叉验证的数据集划分方法将现有数据划分为测试集合和验证集合。1.2.2机器学习算法优选开展机器学习算法优选，机器学习中的算法很多，本文主要采用决策树（Decision Tree）、支持向量机（Light GBM）、随机森林（Random Forest）、极端梯度提升（Xgboost）1416这 4 种算法进行优选。因裂缝强度为连续性参数，算法优选时通常需要用到回归模型评价参数平均绝对误差（MAE）、平均相对误差（MRE）、决定系数 R2。模型评估参数的表达式分别为：MAE=1ni=1n|yi-yi（1）MRE=1ni=1n|yi-yiyi（2）R2=1-i=1n(yi-yi)2i=1n(yi-y)2（3）式中：MAE平均绝对误差；n样本个数；yi样本特征的真实值；yi样本特征的预测值；MRE平均相对误差；R2决定系数；y 全部样本特征的平均值。模型平均绝对误差、平均相对误差越小代表拟合效果越好，而决定系数可以测度回归直线对样本数据的拟合程度，该系数取值在 0到 1之间，说明了回归模型所能解释的因变蛩变化占因变量总变化的比例。决定系数越高，模型的拟合效果越好，即模型解释因变量的能力越强。通过上述模型评估参1332023 年大庆石油地质与开发数选取最优算法进行网格化训练，建立裂缝预测数据驱动模型，挖掘数据之间潜在的非线性关系；在此训练模块指导下，对各地震属性的深度域裂缝预测体进行非线性融合。以 Xgboost 算法为例，输入样本标签数据，通过最小化损失函数（目标函数）训练单个弱学习器，然后计算得出残差，用残差集再去训练新的弱学习器，目的在于让样本的损失变得更小。在所有弱学习器训练完成后，将得分求和得到强学习器的得分。该强学习器即为5种裂缝预测地震属性体井旁道数据与单井裂缝强度曲线之间建立的学习模型，通过网格化训练，挖掘原始数据集之间的潜在的非线性关系。在此学习器指导下，对各地震属性裂缝预测体进行非线性的智能融合。2应用实例2.1基于神经网络的单井裂缝解释2.1.1单井裂缝解释筛选出南海流花111油田有成像测井资料的3口井作为样本井，通过建立研究区样本井的神经网络模型，优选出与裂缝强度曲线相关性较好的常规曲线组合进行神经网络运算。结果表明，在样本井中，自然伽马、密度及声波时差的曲线组合与裂缝强度曲线具有较好的相关性。进而通过采用优选出的常规测井曲线与裂缝强度曲线建立的神经网络模型，预测非样本井裂缝发育情况。在 3口样本井中任选 2口井建立裂缝强度曲线与优选常规曲线的神经网络关系来推算第3口样本井的强度曲线，用此结果与实际的裂缝强度曲线对比。结果表明，预测的强度曲线与实际强度曲线相关性较高，匹配度达 80%以上，推测的强度曲线以 0.1 为界限值可以较好地反映出裂缝发育段，说明该方法可行。在用该神经网络模型对各样本井进行交叉验证的基础上，推测出了南海流花 111 油田其余井的裂缝强度曲线，对全区直井及水平井的单井裂缝发育情况进行了解释（图1）。2.1.2单井裂缝解释成果验证研究区共预测 21 口井，根据裂缝发育情况可分为 3 类：第类裂缝发育，裂缝发育强度为0.4，1.0），该类井投产初期日产液量及日产油量较高，含水率上升速度快，通常 2 a 内从低含水阶段升至高含水；第类井裂缝发育程度较低，裂缝发育强度为0.2，0.4），该类井投产初期日产液量及日产油量相对较低，含水率上升速度相对较缓；第类井裂缝发育程度低，裂缝发育强度仅为（0，0.2），该类井投产初期日产液低，含水率上升缓慢。预测井中有 18 口井动态响应特征与解释裂缝情况一致，符合率达到90%（表1）。2.2多属性地震裂缝预测地层中裂缝按倾角大小可分为低（倾角小于30）、中（倾角 3060）、高（倾角大于 60）3种，其中，低角度裂缝由于上覆地层强大的压力作用发生溶蚀充填，在对储层渗流的贡献方面视为无效缝，而高角度裂缝由于地震采集的局限使得其地震反射信号难以有效地接收和偏移归位。针对以上的客观原因，需采用不同的技术组合进行全倾角、全尺度裂缝和断层的识别。（1）大中小尺度断层（裂缝）利用相干性图1南海流花111油田非样本井单井预测裂缝强度Fig.1 Predicted fracture intensity of non-sample single wells in Liuhua11-1 Oilfield in South China Sea134第 42 卷 第 4 期杨丽娜 等：碳酸盐岩储层裂缝智能预测技术及其应用和方差优化下的蚂蚁体、构造曲率进行裂缝检测，该方法不受断层倾角大小的局限。从图 2（a）、（b）中可以看出，在相干性、方差曲率优化下的蚂蚁体能清晰地对不同级别断层进行有效识别；图 2（c）中，构造曲率通过求取岩层顶面的曲率平面属性，其大小表示地层潜在变形相对程度、地层拉伸破裂程度，进而反映裂缝发育密度。（2）针对大倾角裂缝，利用纵向裂缝检测技术（地震纵向空间属性变化率）实现对高角度裂缝的识别，从图 2（d）中可以看出，该技术能较好地刻画大倾角和近于垂直裂缝。（3）中低角度裂缝采用基于叠前地震数据的方位角属性差和远、近偏属性差预测，理论上方位角属性差对与断层走向有夹角的裂缝敏感，对平行和垂直构造走向裂缝的检测能力较弱；同时，远近偏移距属性差对于与构造走向有夹角的裂缝及垂直断层走向裂缝敏感。从图 2（e）、（f）可以看出方位角属性差和远近偏移距属性差主要反映的是层内裂缝发育相对强度，对层间裂缝识别效果有限。从效果展示可以看出，通过以上技术方法可实现对不同产状、尺度裂缝的有效检测。总体而言，蚂蚁体、构造曲率、纵向裂缝检测反映裂缝整体面貌，检测中尺度及以上裂缝，但对小微尺度裂缝检测能力不足。2.3利用机器学习进行裂缝预测体融合针对单一地震属性预测不能完整地反映出储层裂缝发育的实际情况，需利用机器学习方法对上述5种裂缝预测属性体进行智能融合。机器学习中算法很多，由于裂缝强度曲线属于连续数据，所以研究中主要采用 Decision Tree、LightGBM、RandomForest、Xgboost 这 4 种算法，对其进行优选，通过平均绝对误差、平均相对误差、决定系数指标对回归模型准确性进行评估，平均绝对误差、平均相对误差越接近 0，决定系数越接近 1 代表该方法得到的模型准确率越高。模型评估结果表明，Xgboost方法在预测模型中得分较高（表2）。在算法优选基础上，通过输入单井裂缝解释得到的裂缝强度曲线、远近偏移距属性差裂缝预测体以及方位角属性差裂缝预测体等上述5种裂缝预测属性体，将之作为Xgboost算法输入的原始数据集，通过网格化训练，挖掘原始数据集之间潜在的非线性关系。在此学习器指导下，对各地震属性裂缝预表1预测井裂缝解释及其与生产动态特征符合情况Table1 Fracture interpretation and its conformity with production performance characteristics of predicted wells预测井裂缝发育类别类类类井名X1X2X3X4X5X6X7X8X9X10X11X12X13X14X15X16X17X18X19X20X21生产层位B1B1B1B1B1B1B1B1B1B1B1B2B2DB3B1B1B1B1B1B1投产初期日产液量/m3909.81 108.1885.91 106.61 082.8916.91 233.81 092.0896.6866.31 113.01 134.81 219.31 999.11 526.9998.8541.1476.6537.2567.2149.3日产油量/m3881.31 024.6825.81 056.5877.9844.61 131.8872.5800.4849.81 057.0636.0930.715.71 009.2937.5522.8463.0461.4446.2146.8含水率/%3.17.56.84.518.97.98.320.110.71.95.044.023.799.233.96.13.42.814.121.31.7含水率上升速度快快快快快快快快快快快快快无法判断快较缓较缓较缓较缓较缓较慢预测裂缝符合情况1352023 年大庆石油地质与开发测体进行非线性的智能融合。2.4效果检验经机器学习智能融合，得到一个机器学习裂缝强度融合体，有效解决了单一地震预测方法的局限性，同时反映层间小尺度裂缝发育强度和中尺度以上裂缝，能较好体现不同尺度裂缝的各向异性，且纵向分辨率较高（图3）。机器学习融合体井旁道属性与单井解释的裂缝强度曲线匹配度高，且经动态资料验证成果预测较为准确。如 X1 井，成果体预测其裂缝较为发育（图 4（a），裂缝强度为0.4，1.0），与该井单井裂缝解释成果吻合；该井 1996 年 4 月投产，生产层位B1，地层渗透率为80110-3 m2，投产初期日产液量为 909.8 m3，日产油量为 881.3 m3，含水率为 3.1%（表 1），含水率上升速度快，从低含水到高含水阶段用时不到 1 a，生产动态特征指示裂缝发育。而 X19 井，成果体预测其裂缝发育程度较差（图 4（b），裂缝强度为0.2，0.4），与该井单井裂缝解释成果吻合；该井 2005 年投产，生产层位B1，投产初期日产液量为537.2 m3，日产油DocumeDocuneDocteeDoctueDoctPeDocumeDocuneDocteeDoctueDoctPeoreoeereenePeueemeosuesnesPeosrDesrDosresrosuesPeesnosueesnesPsColors:o CyanMsaogenMtYslowBcnMks o?nMksaowknM?M?M?/m?/mDocumeDocuneDocteeDoctueDoctPe?/mDocumeDocuneDocteeDoctueDoctPe?/mDocumeDocuneDocteeDoctueDoctPe?/mDocumeDocuneDocteeDoctueDoctPe?/m?M?M?图2多技术检测不同尺度和产状的裂缝Fig.2 Multi-techniques detection of fractures with different scales and occurrences表2不同方法预测结果的误差对比Table 2 Error comparison of prediction results by different methods集成方法Decision TreeLightGBMRandomForestXgboostMAE0.1930.1860.1780.083MRE0.050.040.040.02R20.390.510.590.82136第 42 卷 第 4 期杨丽娜 等：碳酸盐岩储层裂缝智能预测技术及其应用量为 461.4 m3，含水率为 14.2%（表 1），含水率上升速度较缓，从低含水到高含水阶段用时超过2 a，生产动态特征指示裂缝发育程度较X1井低。3结论（1）基于神经网络技术的单井裂缝常规测井解释，是一种成本较低且较为有效的单井裂缝识别评价方法。在应用神经网络开展单井常规测井曲线解释裂缝过程中，关键是测井曲线的优选及神经网络模型的校验。利用神经网络训练模型实现输入因素和输出目标间的高度非线性映射，优选出本地区最能反映裂缝发育的测井曲线；同时，通过对神经网络模型进行校验，从而提高对非样本井裂缝发育情况的解释精度。（2）通过机器学习算法，将预测裂缝的不同地震属性体进行有机融合，不仅能解决单一预测手段的局限性，且能有效解决现有信息融合技术中权重系数随机性强、效率低及预测精度低等问题，达到提高工作效率及信息融合裂缝预测体精度的目的。（3）Xgboost 作为机器学习中的常用算法，由于其在损失函数里加入正则项，能有效控制模型复杂度，且降低了模型方差，使训练得出的模型更加简单，能防止过拟合。在中国南海流花 111 油田的应用实践表明，应用 Xgboost 算法开展裂缝预测体融合，其训练模块经多个学习器学习后，样本损失小，学习能力强，其最终成果融合体与井点匹配度高，动态验证效果好。参考文献：1 刘俊州，韩磊，时磊，等.致密砂岩储层多尺度裂缝地震预测技术：以川西XC地区为例 J.石油与天然气地质，2021，42（3）：747-754.LIU Junzhou，HAN Lei，SHI Lei，et al.Seismic prediction of tight sandstone reservoir fractures in XC area，western Sichuan BasinJ.Oil&Gas Geology，2021，42（3）：747-754.2 朱志强.利用数字岩心技术研究变质岩潜山裂缝油藏剩余油特征J.特种油气藏，2019，26（3）：148-152.ZHU Zhiqiang.Study on remaining oil characteristics of fractured reservoir in metamorphic rock buried hill by digital core technologyJ.Special Oil&Gas Reservoirs，2019，26（3）：148-152.3 房娜，姜光宏，李云鹏，等.潜山裂缝油藏开发特征及挖潜方-1 180-1 200-1 220X1X19?/m1.00.60.80.400.2-1 180-1 200-1 220?/m()?b X19()?a X1?图4X1井及X19井裂缝预测Fig.4 Fracture prediction of Well X1 and Well X19图3基于Xgboost算法得到的裂缝强预测体Fig.3 High fracture intensity prediction body based on Xgboost algorithm1372023 年大庆石油地质与开发向J.特种油气藏，2017，24（3）：90-94.FANG Na，JIANG Guanghong，LI Yunpeng，et al.Development characteristics and potential tapping direction of buried hill fractured reservoir J.Special Oil&Gas Reservoirs，2017，24（3）：90-94.4 王晓阳，张晓斌，赵晓红，等.四川盆地复杂地表地震采集关键技术及其应用效果 J.天然气工业，2021，41（7）：15-23.WANG Xiaoyang，ZHANG Xiaobin，ZHAO Xiaohong，et al.Key technologies for complex surface seismic acquisition in the Sichuan Basin and their application effect J.Natural Gas Industry，2021，41（7）：15-23.5 黄浩勇，苟其勇，刘胜军，等.页岩气叠后裂缝综合预测技术：以长宁国家级页岩气示范区为例 J.断块油气田，2022，29（2）：218-223.HUANG Haoyong，GOU Qiyong，LIU Shengjun，et al.Post-stack fracture comprehensive prediction technology for shale gas：Taking Changning national shale gas demonstration area as an example J.Fault-Block Oil&Gas Field，2022，29（2）：218-223.6 刘学义，程玖兵，王腾飞，等.低信噪比海底多分量地震数据波场分离方法J.地球物理学报，2021，64（2）：684-699.LIU Xueyi，CHENG Jiubing，WANG Tengfei，et al.Wave field separation method for low signal-to-noise ratio seabed multi-component seismic data J.Chinese Journal of Geophysics，2021，64（2）：684-699.7 范存辉，顿雅杭，张玮，等.准噶尔盆地中拐凸起火山岩储集层 裂 缝 综 合 评 价 J.新 疆 石 油 地 质，2017，38（6）：693-700.FAN Cunhui，DUN Yahang，ZHANG Wei，et al.Comprehensive evaluation of fractures in volcanic reservoirs of Zhongguai Swell，Junggar Basin J.Xinjiang Petroleum Geology，2017，38（6）：693-700.8 束宁凯，汪新文，宋亮，等.基于地震影像学的砂砾岩体多属性融合裂缝预测：以济阳坳陷车西地区北部陡坡带沙三段为例J.油气地质与采收率，2016，23（2）：57-61.SHU Ningkai，WANG Xinwen，SONG Liang，et al.Fracture prediction of sand-gravel body by multi-attribute fusion based on seismic imaging theory：A case study of the third member of Shahejie Formation in northern zone of Chexi area in Jiyang depressionJ.Petroleum Geology and Recovery Efficiency，2016，23（2）：57-61.9 于晓东，桂志先，汪勇，等.叠前AVAZ裂缝预测技术在车排子凸起的应用 J.石油地球物理勘探，2019，54（3）：624-633.YU Xiaodong，GUI Zhixian，WANG Yong，et al.Application of prestack AVAZ fracture prediction technology in Chepaizi upliftJ.Oil Geophysical Prospecting，2019，54（3）：624-633.10 卢溜.地震多属性分析在致密储层裂缝识别中的应用 D.青岛：中国石油大学（华东），2017.LU Liu.Application of seismic multi-attribute analysis in fracture identification of tight reservoir D.Qingdao：China University of Petroleum（East China），2017.11 郭子南.基岩潜山内幕裂缝测井响应特征研究J.中国石油和化工标准与质量，2021，41（1）：117-119.GUO Zinan.Study on logging response characteristics of internal fractures in bedrock buried hill J.China Petroleum and Chemical Standards and Quality，2021，41（1）：117-119.12 杨华，张本健，陈明江，等.裂缝性碳酸盐岩储层气水识别的测井解释新途径：以四川盆地九龙山地区中二叠统为例J.天然气工业，2021，41（7）：56-62.YANG Hua，ZHANG Benjian，CHEN Mingjiang，et al.A new log interpretation method for identifying water and gas layers in fractured carbonate reservoirs：A case study of Middle Permian in Jiulongshan area of northwestern Sichuan Basin J.Natural Gas Industry，2021，41（7）：56-62.13 杨曦.致密储层裂缝地质成因、特征及测井专属响应与表征D.北京：中国地质大学（北京），2021.YANG Xi.Geological origin，characteristics and logging specific response and characterization of fractures in tight reservoirs D.Beijing：China University of Geosciences（Beijing），2021.14 李宏波，罗平亚，白杨，等.机器学习算法概述及其在钻井工程中的应用J.新疆石油天然气，2022，18（1）：1-13.LI Hongbo，LUO Pingya，BAI Yang，et al.Overview of machine learning algorithm and its application in drilling engineeringJ.Xinjiang Oil&Gas，2022，18（1）：1-13.15 张仕斌，黄曦，昌燕，等.大数据环境下量子机器学习的研究进展及发展趋势 J.电子科技大学学报，2021，50（6）：802-819.ZHANG Shibin，HUANG Xi，CHANG Yan，et al.Research progress and development trend of quantum machine learning in big data environment J.Journal of University of Electronic Science and Technology of China，2021，50（6）：802-819.16 赵明梅，金洋洋，王语嘉，等.随机森林算法在选择决策中的应用研究J.计算机与网络，2021，47（22）：56-59.ZHAO Mingmei，JIN Yangyang，WANG Yujia，et al.R