基于機器學(xué)習(xí)方法的多采樣點儲層粒度剖面預(yù)測

劉珊珊，汪志明

中國石油大學(xué)(北京)石油工程學(xué)院，北京 102249

0 引言

地層砂粒度分布PSD(Particle Size Distribution)在儲層描述、沉積學(xué)，特別是在智能完井防砂技術(shù)中有重要應(yīng)用[1]。其中粒度中值d50即篩析曲線上累重百分數(shù)50%對應(yīng)的粒徑，是油氣開采地層評價和儲層粒度分布特征參數(shù)之一，可為防砂方法的選擇提供理論依據(jù)。粒度測量最常用的兩種技術(shù)是篩析法和激光法，兩種方法均需要通過巖心粒度測試來獲取數(shù)據(jù)，鉆井過程中儲層取心費用昂貴，取心間隔有限，因此開發(fā)井取心數(shù)據(jù)較少，在制定開發(fā)井的完井防砂措施時往往沒有實際開采層位的巖心，一般參照探井粒度數(shù)據(jù)進行設(shè)計，這種情況忽略了儲層非均質(zhì)性的影響。在某些情況下，設(shè)計是基于非常少的篩分數(shù)據(jù)，儲層的縱橫向各向異性和非均質(zhì)性給防砂方案設(shè)計帶來了困難和較大的風(fēng)險。由于砂體內(nèi)粒度的變化，在一口井中選擇的d50不一定適用于同一油田的另一口井。而且對于分段分級防砂完井選擇篩管或礫石粒徑而言，獲得整個儲層連續(xù)粒度剖面具有重要意義。

近年來機器學(xué)習(xí)方法在科學(xué)和工程領(lǐng)域廣泛應(yīng)用，很多研究者也嘗試使用數(shù)據(jù)驅(qū)動方法來解決地質(zhì)問題[2-3]，例如利用支持向量機(SVM)、模糊邏輯模型(FLM)和人工神經(jīng)網(wǎng)絡(luò)(ANN)等方法來處理估算地球物理參數(shù)。儲層的粒度特征是在漫長的歷史過程中形成的，與沉積物的形成環(huán)境有很好的相關(guān)性。其中地層壓實程度、孔隙度、以及黏土的含量等均在某一程度上可反應(yīng)地層顆粒大小，可根據(jù)能夠反映地層這些特性的測井曲線建立其與顆粒大小的映射關(guān)系。由于測井資料反映儲層信息，不同的測井曲線實質(zhì)上是同一儲層在不同物理量下的反映，測井資料與儲層顆粒特征之間存在映射關(guān)系。有學(xué)者建立了儲層粒度分布預(yù)測的神經(jīng)網(wǎng)絡(luò)模型[4-7]。Oyeneyin和Faga[8]首先介紹了利用神經(jīng)網(wǎng)絡(luò)對粒度分布進行建模的概念，建模所需的數(shù)據(jù)是測井(電纜或隨鉆測井)和粒度數(shù)據(jù)。采用多層反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)實現(xiàn)，最優(yōu)拓撲結(jié)構(gòu)為三層BPNN，三個神經(jīng)元的隱藏層由sigmoid傳遞函數(shù)激活。Oluyemi[9]綜合了統(tǒng)計和神經(jīng)網(wǎng)絡(luò)兩種方法來預(yù)測定向井粒度分布(水平和垂直粒度分布)。粒度預(yù)測中主要使用的測井?dāng)?shù)據(jù)是伽瑪曲線，因為伽瑪曲線通常反映粒度-泥質(zhì)含量的關(guān)系。其他測井曲線，如密度、中子、聲波和電阻率等，可根據(jù)儲層中流體的類型進行選擇。在氣藏中，僅結(jié)合伽瑪曲線和密度曲線通常是最佳的。使用神經(jīng)網(wǎng)絡(luò)對粒度分布進行建模，將有助于更好地估計整個儲層段的粒度分布。Faga[10]研究了成巖作用對神經(jīng)網(wǎng)絡(luò)粒度預(yù)測的影響，砂巖中粘土礦物的成巖作用影響其原生物性，包括對顆粒大小和形狀、礦物成分、孔隙度、滲透率和沉積結(jié)構(gòu)的影響。儲層砂巖中自生粘土的分布廣泛，成巖礦物的小規(guī)模變化會導(dǎo)致孔隙度和滲透率的大幅度波動[11]，這種變化在測井曲線上有所體現(xiàn)。Siron和Segall[12]對南卡羅來納州沿海平原研究中指出，高嶺石占主導(dǎo)地位的粘土含量較高對應(yīng)高電阻率信號和低伽瑪射線值；某些巖相內(nèi)的高含量粘土降低了有效孔隙度和滲透率，對應(yīng)較高電阻率。他們強調(diào)了將沉積學(xué)技術(shù)與測井?dāng)?shù)據(jù)結(jié)合起來，對地下巖性單元進行綜合評價具有重要意義。

雖然有研究者嘗試使用神經(jīng)網(wǎng)絡(luò)解決粒度預(yù)測問題，但是大多關(guān)注在全連接ANN的應(yīng)用上，未有嘗試其他機器學(xué)習(xí)模型。傳統(tǒng)的ANN 中，描述的是一種點對點的映射關(guān)系，以單點測井?dāng)?shù)據(jù)作為特征值來預(yù)測d50，也就是說 ANN 中生成的預(yù)測結(jié)果在空間上是完全相互獨立的。換言之，通過ANN 預(yù)測某一深度處儲層粒度數(shù)值，僅與輸入變量(作為輸入的測井曲線)中相同深度處的不同物理量的測量值相關(guān)。因此ANN忽略了測井曲線隨深度變化的趨勢性信息以及數(shù)據(jù)的前后文(空間)關(guān)聯(lián)中所蘊含的信息。本文提出了基于模糊數(shù)學(xué)綜合評判優(yōu)選機器學(xué)習(xí)模型方法，通過對比分析多種機器學(xué)習(xí)模型預(yù)測結(jié)果，優(yōu)選出隸屬度最高的方法用于新井預(yù)測儲層粒度剖面，為防砂設(shè)計提供數(shù)據(jù)支撐。本文提出的方法為相關(guān)研究提供新思路,可用于根據(jù)鉆井時獲得的測井?dāng)?shù)據(jù)對地層粒度分布進行實時預(yù)測[13]。

1 方法原理

數(shù)據(jù)預(yù)處理對于機器學(xué)習(xí)獲得準確的預(yù)測模型具有重要意義。測井?dāng)?shù)據(jù)作為模型的輸入，由于各技術(shù)服務(wù)公司采用不同的數(shù)據(jù)編碼格式采集軟件，測井?dāng)?shù)據(jù)具有不同的數(shù)據(jù)格式，本文將所有LAS數(shù)據(jù)文件都轉(zhuǎn)換為CSV文件的數(shù)據(jù)集。對測井?dāng)?shù)據(jù)進行平滑濾波處理、缺失值處理，剔除異常數(shù)據(jù)和空數(shù)據(jù)。根據(jù)井徑測井消除井眼不規(guī)則性和沖洗段可能產(chǎn)生錯誤讀數(shù)。實驗采用位于南海北部灣海域某油田WZ11-4區(qū)塊一口井伽瑪射線(GR)與密度測井(Den)及實測d50數(shù)據(jù)作為訓(xùn)練集[14-15]，實驗用水平井的測井段總長為44.7米，對應(yīng)測深為962.6 m到1007.3 m。該構(gòu)造位于南海北部北部灣盆地潿西南凹陷2號斷裂帶上升盤中部。整體埋深較淺，埋深1000 m 左右，儲層位于新近系角尾組二段地層，油藏類型為構(gòu)造油藏。以該井作為訓(xùn)練樣本，建立預(yù)測模型實現(xiàn)臨近區(qū)塊相同層位另一口井的粒度剖面預(yù)測。圖1顯示用于訓(xùn)練的測井曲線，表1列出了數(shù)據(jù)集不同統(tǒng)計特征，如計數(shù)、平均值、標(biāo)準差、最小值、中值和最大值。體積密度在2.04和2.44 g/cm3之間，GR在40.39和70.42 API度之間。還需可視化兩個輸入變量或一個輸入變量與目標(biāo)變量之間的關(guān)系，繪制了成對散點圖(如圖2)和單變量直方圖(如圖3)。圖2顯示了特征變量和預(yù)測值之間的關(guān)系，從圖上可知沒有異常值對模型預(yù)測產(chǎn)生影響，圖3直方圖及核密度估計分布曲線表明數(shù)據(jù)的分布規(guī)律接近正態(tài)分布。圖4相關(guān)性矩陣表明用于訓(xùn)練模型的測井曲線與實驗室測量的d50值之間的相對重要性。d50與GR和Den相對重要性分別為-0.45和0.0048。從相關(guān)性矩陣可以看出密度測井曲線與粒度中值具有正相關(guān)性。伽瑪測井曲線與粒度中值有負相關(guān)性，伽瑪測井反應(yīng)泥質(zhì)含量，伽瑪值較高的層位泥質(zhì)含量較高，對應(yīng)儲層粒度值較低。

表1 現(xiàn)場數(shù)據(jù)統(tǒng)計分析Table 1 Statistical analysis of field data

圖2 特征變量和預(yù)測值之間成對散點圖Fig. 2 Paired scatter plot between characteristic variable and predicted value

圖3 特征單變量的直方圖Fig. 3 Histogram of characteristic single variable

圖4 特征Pearson相關(guān)矩陣Fig. 4 Characteristic Pearson correlation matrix

在每個輸入特征值的相同范圍內(nèi)縮放數(shù)據(jù)，可以最大限度地減少特征之間的偏差，加快模型的訓(xùn)練時間。在將圖1特征參數(shù)引入模型訓(xùn)練之前，需對訓(xùn)練數(shù)據(jù)集進行標(biāo)準化，同時，測試數(shù)據(jù)集采用訓(xùn)練集的均值和方差進行標(biāo)準化。對于某一特征數(shù)據(jù)，可以采用公式(1)、(2)進行歸一化。

圖1 電纜測井曲線Fig. 1 Wireline logging curve

式中，μj是歸一化參數(shù)，xj是實際參數(shù)，Sj是實際參數(shù)的標(biāo)準偏差。

除了相關(guān)性分析外，本文還提出了多點映射的觀點來構(gòu)建特征工程，其原理是基于地層的縱向連續(xù)性，考慮測井?dāng)?shù)據(jù)與粒度隨測深的變化而變化的特性。測井采樣間隔通常很小(0.1m)，測井儀器獲得的不同深度地層的測井?dāng)?shù)據(jù)在縱向深度上相互影響。因此，在測井曲線中，每個數(shù)據(jù)點周圍相互有影響的范圍所包含的數(shù)據(jù)點有多個，這意味著d50的預(yù)測可以看作是一個具有空間相關(guān)性的序列數(shù)據(jù)分析問題。為了更好地利用測井曲線的縱向連續(xù)性，選取深度上相鄰多點特征作為訓(xùn)練特征，生成粒度剖面的過程綜合考慮了測井曲線間的內(nèi)在聯(lián)系和不同測井曲線隨深度的變化趨勢，更加符合地質(zhì)學(xué)思想。特征選擇的原理如圖5所示。訓(xùn)練樣本由特征參數(shù)和標(biāo)簽組成，根據(jù)相關(guān)系數(shù)矩陣，將GR和Den分別記錄為特征，d50作為訓(xùn)練標(biāo)簽。定義符號語言描述，輸入變量表示為

圖5 基于多采樣點的構(gòu)造特征Fig. 5 Construction features based on multi sampling points

輸出變量表示為：

式中，Ry為輸出空間,y[N]為輸出變量，是輸出空間的一個子向量，由d50樣本組成，N與輸入變量的樣

本數(shù)量對應(yīng)；列向量yT代表d50；示第n個樣本所對應(yīng)的d50。

因而，訓(xùn)練集可表示為：

式中Ds為訓(xùn)練集的樣本集合，該式表示一個擁有N個樣本的訓(xùn)練集。

(6)式的意義為通過將單目標(biāo)訓(xùn)練集Ds輸入到機器學(xué)習(xí)算法中所訓(xùn)練得的模型H，可描述特征空間和輸出空間之間的關(guān)系，當(dāng)有特征的新測井?dāng)?shù)據(jù)輸入到模型H中時，便可得到該儲層d50。

N個樣本按行存儲為N×(m+1)矩陣，m為特征點數(shù)。使用單點特征建模時，某個深度點的訓(xùn)練樣本是單點特征和標(biāo)簽，如圖6所示。奇數(shù)的采樣點有中心點，選取不同奇數(shù)采樣點數(shù)據(jù)特征建模。如圖7所示，當(dāng)選取3個點時一個樣本的構(gòu)造特征包含3個相鄰點的6個特征，即3×2個特征，標(biāo)簽為該深度的d50。xqP中P代表點，q代表單點的特征，選取5個點時原理同3點。可以看出多點參數(shù)的組合增加了與d50相關(guān)的信息量。

圖6 單個采樣點預(yù)測原理Fig. 6 Prediction principle of single sampling point

圖7 三個采樣點預(yù)測原理Fig. 7 prediction principle of three sampling points

2 模型開發(fā)

模型配置一般指超參數(shù)，如隨機森林算法中的n值、支持向量機中的不同核函數(shù)等，在大多數(shù)情況下，超參數(shù)的選擇是無限的。通過繪制訓(xùn)練集和測試集的學(xué)習(xí)曲線，可以尋找模型的最優(yōu)參數(shù)，以測試集上的泛化誤差作為模型的最優(yōu)參數(shù)，原理見圖8。實驗采用WZ11-4井為數(shù)據(jù)集，70%的數(shù)據(jù)用于訓(xùn)練，30%用于測試，數(shù)據(jù)集鄰域采樣點分別取1,3,5，實驗環(huán)境：CPU 配置為intel(R)Core(TM) i7-8565U @1.80 GHz 1.99 GHz，RAM為8 G，基于Python第三方模塊SKlearn實現(xiàn)隨機森林 Random Forest，人工神經(jīng)網(wǎng)絡(luò)ANN，XGBoost，支持向量機SVR四種回歸模型訓(xùn)練，最優(yōu)超參數(shù)解如表2所示。RF-1代表單個采樣點，RF-3代表三個采樣點，以此類推。在每個機器學(xué)習(xí)模型通過訓(xùn)練數(shù)據(jù)后，用最優(yōu)超參數(shù)生成相應(yīng)的擬合模型，粒度實際值與各模型預(yù)測值剖面圖和交會圖如圖9所示，展示了WZ11-4 井的學(xué)習(xí)效果，預(yù)測值與實測值兩者交匯點較為集中，證明兩者具有較高的相關(guān)性。

圖9 WZ11-4井不同方法測量與預(yù)測的粒度剖面(左)和交叉圖(右)的對比Fig. 9 Comparison of grain size profile (left) and cross plot (right) measured and predicted by different methods in WZ11-4 well

表2 模型超參數(shù)最優(yōu)解Table 2 optimal solution of model super parameter

圖8 泛化誤差與模型復(fù)雜度的關(guān)系Fig. 8 Relationship between generalization error and model complexity

2.1 模型結(jié)果對比

表3列出了每個模型在訓(xùn)練和測試期間的性能比較，通過模型訓(xùn)練和測試階段的評價指標(biāo)R2(決定系數(shù))、均方誤差(MSE)、平均絕對誤差(MAE)、均方根誤差(RMSE)對各模型進行評估。根據(jù)模型誤差的分析，所有訓(xùn)練集與測試集差異較小，這表明訓(xùn)練過程是可靠的(即沒有過度擬合)?？紤]到數(shù)據(jù)采集本身帶有測量誤差，因此可認為訓(xùn)練集誤差相對較高的原因在于樣品集合較大。這樣的預(yù)測結(jié)果也能夠證明該方法在訓(xùn)練集外仍能夠取得可靠的結(jié)果。ANN 模型的預(yù)測效果最好，XGBoost模型次之，其次是RF和SVR。使用ANN建立的5點預(yù)測模型在預(yù)測方面優(yōu)于其他模型。訓(xùn)練集和測試集的R2分別為0.891和0.819。各模型多點預(yù)測結(jié)果均高于單個采樣點，用單個采樣點作為輸入對于噪聲較為敏感。使用多個臨近的采樣點作為輸入，降低了噪聲對模型的影響，使模型具有更強的魯棒性。由于數(shù)據(jù)間存在局部相關(guān)的特點，在鄰域采樣點數(shù)為5時，訓(xùn)練誤差和測試誤差均為最小，可以更準確預(yù)測儲層粒度剖面。圖10顯示了使用五個點的ANN模型，給出了訓(xùn)練集中實際數(shù)據(jù)和預(yù)測數(shù)據(jù)之間的最高R2和最低RMSE。由于模型有更多的信息在參數(shù)和目標(biāo)之間建立更可靠的關(guān)系，因此使用更多的變量比存在于一個點的變量更好地預(yù)測了d50剖面。分析結(jié)果表明充分利用測井?dāng)?shù)據(jù)序列向前、向后兩個方向的上下文關(guān)系可以取得更好的預(yù)測效果，證明了該方法在儲層粒度預(yù)測方面的有效性。

圖10 模型預(yù)測結(jié)果對比直方圖Fig.10 Comparison histogram of model prediction results

表3 模型預(yù)測結(jié)果對比Table 3 Comparison of model prediction results

2.2 特征點密度對模型準確率的影響

對機器學(xué)習(xí)模型來說，當(dāng)往模型中輸入一條地質(zhì)與工程特征實例時，最終輸出的粒度數(shù)據(jù)往往由與該實例相接近的訓(xùn)練集特征所決定，可以看出訓(xùn)練集樣本的特征點的密集程度對最終的預(yù)測準確率會有一定的影響。理論上，若在輸入空間中某一片區(qū)域聚集了大量的特征點，則該區(qū)域會被更好的覆蓋，從而模型能更好的描述該范圍內(nèi)輸入與輸出空間的映射關(guān)系。

本文所選的特征組成了一個二維輸入空間，以神經(jīng)網(wǎng)絡(luò)模型預(yù)測為例，利用高斯核密度估計[16]算法(Gaussian kernel density estimation)對訓(xùn)練集二維輸入空間中樣本的特征點高斯核密度分布進行計算，并對測試集樣本點處的訓(xùn)練集特征點密度進行估算。將計算結(jié)果與RMSE投影至“Den-GR”空間中并繪制成二維散點圖，如圖11所示，其中的“藍-紅”散點為43 個測試集特征點及d50均方根誤差的分布，“藍-黃”圓圈為當(dāng)前點的高斯核密度，黑色散點是訓(xùn)練集樣本的分布。可見，在高密度區(qū)域中的測試集樣本點的 RMSE普遍較低。

圖11 “密度-均方根誤差”關(guān)系二維熱力散點圖Fig. 11 Two dimensional thermal scatter diagram of “density root mean square error” relationship

由于實驗條件限制，本文只采用一口井作為訓(xùn)練數(shù)據(jù)，當(dāng)數(shù)據(jù)集增大時，其輸入空間的特征具有一定范圍。此時，搜集一定量的樣本使輸入空間特征點達到一定的密集程度，便可以在預(yù)測該范圍內(nèi)d50時達到較好的準確率。此外，還可以結(jié)合聚類算法，將輸入空間中地質(zhì)與工程特征相接近的高密度區(qū)域劃分至同一區(qū)塊，而后用不同區(qū)域的數(shù)據(jù)訓(xùn)練多個粒度預(yù)測模型。當(dāng)預(yù)測新井時，先使用分類算法將其劃分為某一類的儲層，并用所對應(yīng)的預(yù)測模型開展預(yù)測，進一步提升預(yù)測的準確率。

3 機器學(xué)習(xí)模型優(yōu)選

機器學(xué)習(xí)模型的選擇在一定程度上會影響數(shù)據(jù)分析效果，為確定統(tǒng)一比較標(biāo)準，更好的選擇模型，采用層次分析法確定影響模型選擇各因素的權(quán)重，然后利用模糊綜合評判法[17]選擇最優(yōu)機器學(xué)習(xí)模型用于預(yù)測應(yīng)用。

假設(shè)備選方案中有m個機器學(xué)習(xí)模型，每個模型有n個評價指標(biāo)，由此建立特征向量矩陣(式7)。

其中：aij是屬于第i個決策方案的第j個索引的值。

追求模型預(yù)測準確是機器學(xué)習(xí)的核心目標(biāo)，能夠同時處理大量數(shù)據(jù)，可以在超短時間內(nèi)極速學(xué)習(xí)，是機器學(xué)習(xí)的重要優(yōu)勢。根據(jù)上文分析，選取訓(xùn)練集，測試集R2、RMSE、Traintime為評價因素。獲得這些評價指標(biāo)的數(shù)據(jù)(表4)，根據(jù)各方案具體指標(biāo)求得特征向量矩陣Y。

表4 評價指標(biāo)Table 4 Evaluation index

采用梯形分布與半梯形分布函數(shù)確定隸屬度函數(shù)，進行歸一化處理，R2越大、RMSE與Traintime越小模型效果越好，根據(jù)(8)和(9)式建立隸屬度矩陣R[17]。

偏小型(越小越好)，見圖12a。

偏大型(越大越好)，見圖12b。

圖12 隸屬度函數(shù)計算依據(jù)Fig. 12 Calculation basis of membership function

式中，a為評價指標(biāo)最小值，b為評價指標(biāo)最大值，x為評價指標(biāo)。

對各指標(biāo)打分，建立判斷矩陣(表5)，從而計算出指標(biāo)的權(quán)重值(表6)。

表5 判斷矩陣Table 5 Judgment matrix

表6 指標(biāo)權(quán)重Table 6 Index weight

采用加權(quán)平均算法，根據(jù)指標(biāo)隸屬度矩陣和各指標(biāo)總權(quán)重，計算出四種預(yù)測模型的隸屬度數(shù)值，如表7所示，根據(jù)最大隸屬度法選擇了預(yù)測效果最好的模型為ANN-5。

表7 不同模型隸屬度Table 7 Membership degrees of different models

4 模型驗證與應(yīng)用

為了進一步驗證該模型泛化能力，使用鄰近區(qū)塊相同層位另一口井WZ11-1E現(xiàn)場數(shù)據(jù)進行粒度特征值d50的縱向剖面連續(xù)預(yù)測，該數(shù)據(jù)集沒有參加模型訓(xùn)練。圖13顯示了該井的電纜測井?dāng)?shù)據(jù)，其中包括伽瑪射線和體積密度測井以及應(yīng)用優(yōu)選出訓(xùn)練后的ANN-5模型預(yù)測結(jié)果。從巖芯測得的實際中值粒度也被標(biāo)繪出來，該井包含13個實驗室測量d50值。將實際巖心粒度與預(yù)測值進行比較，預(yù)測結(jié)果很好地捕捉了粒度變化趨勢，模擬了其峰值。

圖13 WZ11-1E井測井曲線與d50預(yù)測結(jié)果Fig. 13 Logging curve and D50 prediction results of wz11-1E well

5 結(jié)論

(1)本文提出了考慮儲層縱向連續(xù)性的地層砂粒度中值機器學(xué)習(xí)預(yù)測方法，該方法充分利用測井曲線隨深度變化的趨勢信息和以往數(shù)據(jù)空間關(guān)聯(lián)所包含的信息，從儲層沉積連續(xù)性角度兼顧了粒度預(yù)測問題研究中的空間尺度效應(yīng)。通過選取合適的鄰近采樣點，確定測井?dāng)?shù)據(jù)的輸入樣本，有效利用地層的層位信息，符合地質(zhì)沉積的有序性，具有比傳統(tǒng)模型更高的準確性。機器學(xué)習(xí)是建立非線性關(guān)系智能模型的有效手段，目前，機器學(xué)習(xí)與工程實踐的結(jié)合過于直接，主要是單向應(yīng)用，較少涉及具體領(lǐng)域的知識。已有研究表明，將領(lǐng)域知識轉(zhuǎn)化為模型的約束或先驗信息加以利用可以突破提高模型效果的瓶頸，進一步提高模型的預(yù)測精度。

(2)采 用4種 機 器 學(xué) 習(xí) 方 法(ANN、RF、SVR、XGBoost)建立了數(shù)據(jù)驅(qū)動的d50預(yù)測模型并進行了對比試驗，根據(jù)測井曲線趨勢和背景信息，提取縱向連續(xù)點作為機器學(xué)習(xí)特征參數(shù)，并討論了特征點密度對模型精度的影響。研究結(jié)果表明，無論采用哪種機器學(xué)習(xí)方法，多個采樣點預(yù)測的精度都高于單點預(yù)測?；?個采樣點的ANN模型在訓(xùn)練集和測試集中具有最高的R2和最低的RMSE。提出了模糊數(shù)學(xué)綜合評判優(yōu)選機器學(xué)習(xí)模型方法，考慮到計算時間和精度，實際應(yīng)用中，根據(jù)優(yōu)選出的ANN-5模型對臨近區(qū)塊儲層粒度剖面進行預(yù)測，取得了良好效果。