简介：一前言地质约束下的储层建模以及随后用于储层模拟的模型细化，都有赖于有关目标储层沉积相几何形态和分布的关键输入参数。要准确描述潜在的储层，必须探讨模拟系统的地质变化。沉积相的宏观差异以及局部变化，例如粒径／颗粒类型、颗粒分选、沉积构造和成岩因素等，都可能影响沉积物的内部组成和几何形态以及潜在储层的非均质性。因此，地质因素的综合是描述地下储层岩相纵、横向分布和变化的一个根本步骤。这种基于地质认识的模型不仅能增进对储层非均质性的了解，而且还能为构建其余储层模型以及最终的模拟模型打下基础。
简介：介绍并比较了两种有监督的机器学习方法：BP神经网络和决策树。用两种方法分别论证了如何利用测井信息非线性地表示孔隙度。与传统的线性回归方法相比,机器学习效果更好,准确性更高。BP神经网络和决策树的应用效果表明,机器学习可以有效预测孔隙度,也可以应用于储层孔隙度预测中。相比之下,神经网络具有更高的准确性和更广阔的前景。
储层模拟中露头和现代类比对象的结合：对巴哈马实例的概述
基于机器学习的孔隙度预测方法研究
