研究区块以低孔、低渗的砂砾岩储层为主。由于复杂的地质构造以及长期的注水开发,储层的孔渗关系已十分复杂、非均质性也特别强。常规识别方法受特征提取能力的限制,在研究区块的储层流体性质识别中应用效果较差。深度学习中的深度神经网络、循环神经网络和卷积神经网络等算法拥有强大的特征提取能力,已经在测井领域取得了大量不错的应用效果。为提高研究区块储层流体性质识别效果,有必要开展基于深度学习的储层流体性质识别研究。受成本限制,目前研究区块的数据仍主要是常规测井资料,因此储层流体识别研究是基于常规测井资料开展。首先,充分认识研究区块的地质概况,利用研究区块的测录井、试油等资料进行储层四性关系研究和测井响应特征分析。紧接着,在四性关系和测井响应特征分析的基础上,开展了基于交会图版法和综合流体识别指数的常规储层流体识别方法研究,常规识别方法只能划分部分流体类别,仍存在大量不同类别流体交织在一起无法划分,使得储层流体性质的识别准确率较低。为了提高研究区块储层流体的识别准确率,针对测井曲线在深度上的关联性,提出一种基于循环神经网络的双向长短期神经网络作为当前研究区块的储层流体性质识别方法。该方法相比于以支持向量机、多层感知器为代表的浅层机器学习算法,可以提取测井数据在深度上的关联性信息,并综合测井数据在该深度之前和该深度之后的特征信息进行储层流体性质识别。循环神经网络与卷积神经网络同属深度学习,但是,卷积神经网络在特征提取方面更强大。时间卷积网络是一种基于卷积神经网络的序列处理神经网络,在保留卷积神经网络强大特征提取能力的同时,增加了以往循环神经网络才具备的提取测井数据深度关联性特征信息的能力。针对时间卷积网络的相关特性,提出一种基于时间卷积网络的储层流体性质识别方法。为了保证样本数据的准确性,本文选取了研究区块15口井的试油层段作为样本数据,试油结果作为样本标签。在进行储层流体性质识别研究之前,对测井数据进行了归一化以及曲线优选,通过皮尔逊相关系数及因子分析筛选出AT10、AT90/AT10、AT90-AT10等曲线。在双向长短期神经网络的储层流体性质识别研究中,将优选后的测井曲线以0.125米为间隔,8个时间步为一组,通过插值采样的方式形成测井序列数据,将双向长短期网络与BP神经网络、多层感知器网络和长短期神经网络进行对比,结果显示:当batch size设置为30,迭代次数设置为2000次,Dropout设置为0.6时,双向长短期神经网络的识别效果达到83%,高于其他对比模型。在膨胀非因果时间卷积网络的储层流体识别研究中,先将测井序列中某一深度点的数据升维改成二维形式,从而采用卷积核进行特征信息提取,然后将膨胀非因果时间卷积网络与时间卷积网络、长短期神经网络和双向长短期神经网络进行对比。结果显示:当膨胀非因果时间卷积网络的卷积核设置为2,残差数量设置为4的时候,识别准确较好,达到了91.3%。相较于双向长短期神经网络,识别准确率提高了近8%。