A permeabilidade do reservatório é um fator importante que afeta a produtividade do reservatório. Para resolver o problema da baixa precisão dos modelos de permeabilidade convencionais em reservatórios de arenito de baixa permeabilidade e baixa conectividade dos poros, propõe-se um método que utiliza o algoritmo de rede neural profunda de crença combinado com curvas de registro convencionais para prever a permeabilidade do reservatório. O método utiliza a análise de correlação cinza para analisar o grau de correlação das curvas de registro, seleciona curvas de registro sensíveis às características com base na classificação da correlação, e combina o ajuste supervisionado da rede profunda de crença e o algoritmo de divergência contrastiva para mineração de dados, estabelecendo um modelo de previsão da permeabilidade. Este modelo melhora o problema de otimização local presente nas redes neurais BP anteriores, aumentando a eficiência do treinamento do modelo e a precisão da previsão. O erro relativo médio do modelo preditivo é de 9,1%, reduzindo cerca de 20% em comparação com os modelos de permeabilidade convencionais. A aplicação ao processamento de dados reais e a análise de erros mostram que este método pode melhorar efetivamente a precisão da previsão da permeabilidade em reservatórios de baixa permeabilidade.

Permeabilidade; curvas de registro; análise de correlação cinza; rede profunda de crença; previsão