CN105781536B - 一种石油储层孔隙度测算方法 - Google Patents
一种石油储层孔隙度测算方法 Download PDFInfo
- Publication number
- CN105781536B CN105781536B CN201410784616.2A CN201410784616A CN105781536B CN 105781536 B CN105781536 B CN 105781536B CN 201410784616 A CN201410784616 A CN 201410784616A CN 105781536 B CN105781536 B CN 105781536B
- Authority
- CN
- China
- Prior art keywords
- individual
- porosity
- population
- value
- adaptive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000003208 petroleum Substances 0.000 title claims abstract description 36
- 230000014509 gene expression Effects 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims description 60
- 108090000623 proteins and genes Proteins 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000005215 recombination Methods 0.000 claims description 18
- 230000006798 recombination Effects 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 15
- 238000013459 approach Methods 0.000 claims description 8
- 210000000349 chromosome Anatomy 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 5
- 239000011148 porous material Substances 0.000 claims description 5
- 230000000977 initiatory effect Effects 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 238000009412 basement excavation Methods 0.000 claims description 3
- 108020004999 messenger RNA Proteins 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 2
- 238000000151 deposition Methods 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 2
- 230000009274 differential gene expression Effects 0.000 abstract 1
- 238000005259 measurement Methods 0.000 abstract 1
- 238000005070 sampling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种石油储层孔隙度测算方法。该方法包括以下步骤：步骤(1)，获取某测区岩芯样本的岩芯孔隙度及与其对应的测井曲线数据，建立样本数据库；步骤(2)，执行自适应差分基因表达式编程算法，得到以所述测井曲线数据为输入变量，以孔隙度为输出变量的石油储层孔隙度测算模型；步骤(3)，测量步骤(1)中所述测区内的未知孔隙度的石油储层的测井曲线数据，输入步骤(2)所得的孔隙度测算模型中，得到该石油储层的孔隙度。该方法利用自适应差分进化基因表达式编程算法，挖掘出测井曲线数据与储层孔隙度之间的函数关系，自动建立测算模型，不需要大量训练样本和建模经验，工作量小，精确度高。
Description
技术领域
本发明涉及一种石油储层孔隙度测算方法，尤其涉及一种利用测井数据自适应差分进化基因表达式编程算法测算石油储层孔隙度的方法。
背景技术
目前，储层孔隙度测算是精确建立油气藏地质模型，准确估算油气储量，确定合理开发方案的基础工作，不仅可用于油气勘探，而且对于指导油气藏特别是复杂隐蔽油气藏或岩性油气藏的开发具有重要意义。通过数学统计的方法进行孔隙度计算无疑是一个正确的方向。多元逐步回归、灰色预测和人工神经网络法是目前典型的预测方法。传统的资料解释经常采用多元逐步回归的人工拟合法，需要测井区块丰富的经验及大量尝试性实验，不仅工作量大，而且与解释者熟练程度有关，大大影响结果的正确性。灰色预测和人工神经网络法都需要大量的精选的训练样本，仅凭少量样本数据对石油储层孔隙度测算精度低；神经网络法的网络结构是固定的，在实际应用中容易造成冗余连接和高计算成本。因此一种利用智能算法和有限的测井数据进行自动建模，进而对储层孔隙度进行测算具有重要的价值。
在实现本发明的过程中，本发明人发现现有技术中至少存在以下问题：现有技术中的测算方法需要丰富的经验及大量尝试性实验，不能快速精确地得出油田特别是新区块的石油储层孔隙度。
发明内容
本发明所要解决的技术问题在于，本发明提供一种利用测井曲线数据自适应差分进化基因表达式编程算法自动建模测算石油储层孔隙度的测算方法。
具体而言，包括以下的技术方案：
本发明提供了一种石油储层孔隙度测算方法，该方法包括以下步骤：
步骤(1)，采集样本数据，建立样本数据库；
获取某一测区内的N个岩芯样本的芯孔隙度及与其对应的测井曲线数据，其中N为大于50的整数；所述测井曲线数据包括声波时差、密度、中子、自然伽马中的至少一种；
步骤(2)，执行自适应差分进化基因表达式编程算法，挖掘隐含在样本数据中上述测井曲线数据与岩芯孔隙度之间的函数关系，得到以所述测井曲线数据为输入变量，以孔隙度为输出变量的石油储层孔隙度测算模型；
步骤(3)，测量步骤(1)中所述测区内的未知孔隙度的石油储层的测井曲线数据，然后将所述未知孔隙度的石油储层的测井曲线数据代入步骤(2)所得的孔隙度测算模型中，得到该石油储层的孔隙度；
所述步骤(1)的具体步骤为：
步骤(11)，测定某一测区内的测井曲线，所述测井曲线包括声波时差、密度、中子、自然伽马中的至少一种；所述测井曲线是声波时差、密度、中子及自然伽马等；
步骤(12)，采集步骤(11)中所述的测区内的N个岩芯样本，其中N为大于50的整数；通过岩芯分析得到所述N个岩芯样本的孔隙度；
步骤(13)，进行岩芯深度归位，使岩芯深度与测井曲线深度对应，将所述N个岩芯样本的测井曲线数据记为矩阵A，对应的孔隙度记为矩阵T；
所述步骤(2)的具体步骤为：
步骤(21)，定义初始化参数；
所述参数包括：
种群大小np，最大进化代数Gmax；
函数符集，为运算符的集合，包含+、-、×，/，sqr、^、sin、cos、exp等，其中sqr为开方运算，^为乘方运算，exp为以自然对数e为底指数函数；
终结符集，包括常数集及代表所述测井曲线数据的变量符集；
差分进化算法的参数：比例因子F、交叉概率因子CR；
基因表达式编程算法的参数：基因头部长度、基因长度、每个染色体包含的基因个数、倒串概率、插串概率、根插串概率、单点重组概率以及两点重组概率；
步骤(22)，建立基因映射关系，创建初始种群，评价初始种群个体适应性；
用自然数对基因个体进行编码；令当前演化代数G＝0，创建初始种群P0，对所述初始种群P0中每个个体的染色体解码成数学表达式，并利用矩阵A、矩阵T评价每个个体的适应值，并保存适应值最大的个体为第一代最优个体Pbest；
步骤(23)，执行自适应差分进化算法；
对当前代种群PG执行自适应差分进化算法的变异、交叉、选择算子操作得到子代种群P'G+1；
步骤(24)，执行基因表达式编程算法；
对步骤(23)得到的子代种群P'G+1的个体再执行基因表达式编程算法的倒串、插串、根插串、单点重组、两点重组算子以及步骤(23)所述的选择算子，得到PG+1代种群；
步骤(25)，评价PG+1代种群个体的适应性；
按照步骤(22)所述的适应值评价方法对步骤(24)所得的PG+1代种群个体进行评价，保存适应值最大的个体为最优个体Pbest；
步骤(26)，重复步骤(23)～(25)，直至最优个体Pbest适应值满足要求或评价次数达到最大代数Gmax；
步骤(27)，解码最优个体，得到测算模型；
将步骤(26)所得满足用户需求的最优个体Pbest解码为一个以步骤(1)中所述测井曲线数据为输入变量，以孔隙度为输出变量的孔隙度测算模型。
进一步地，所述步骤(22)的具体操作步骤为：
步骤(221)，建立自然数与基因个体的映射关系，按照K-表达式个体编码方法进行编码；
步骤(222)，随机产生初始种群，然后采用基因空间均匀分布的策略，使每个基因均匀分布在编码空间中，从而使所述初始基因多样化。
步骤(223)，对初始种群中每个个体Pi,0的染色体解码成数学表达式，Pi,0表示初始种群中的第i个个体；
步骤(224)，利用步骤(1)所述测井曲线数据矩阵A和孔隙度数据矩阵T评价每个个体Pi,0的适应值，并保存适应值最大的个体为最优个体Pbest；
所述适应值公式为：
上式中，n为样本总数，YPj,i,0为第j个样本利用初始种群中第i个个体解码后的数学表达式得到的孔隙度测算值，Tj为第j个样本对应的孔隙度真实值。
进一步地，所述步骤(23)的具体操作步骤为：
步骤(231)，基因变异操作；
从第PG代种群中随机选取序列号为r1、r2、r3的个体Pr1,G、Pr2,G、Pr3,G，按照公式Vi,G＝Pr1,G+F·(Pr3,G-Pr2,G)进行变异；式中Vi,G为变异后的个体，r1、r2和r3是从区间1到np之间随机选取的互不相同且不同于i的整数，F为比例因子；
步骤(232)，基因交叉操作；
将步骤(231)所得变异个体Vi,G与Pi,G进行交叉，得到交叉个体Ui,G，计算公式为：
其中，rand为0到1之间的随机浮点数，CR为交叉概率因子，i表示个体序列号，j表示个体中的基因序列号；
步骤(233)，选择操作；
将步骤(232)所得交叉个体Ui,G的适应值与Pi,G适应值进行比较，适应值大的作为子代种群个体Pi',G+1，进而得到子代种群P'G+1，计算公式如下：
式中：i＝1,2,……np，np为种群大小；fi,G(YPi,G,T)、fi,G(YUi,G,T)为步骤(224)中所述的适应值。
进一步地，所述步骤(231)中的比例因子F的值按照自适应方法进行调整，公式如下：
其中fr2、fr3分别为步骤(231)中个体Pr2,G、Pr3,G的适应度值，fbest、fworst分别为步骤(231)中当前G代种群中的最优和最差个体的适应度值。
进一步地，所述步骤(232)中的交叉概率因子CR的值按照自适应方法进行调整，公式如下：
式中：rand2为当前随机数，rand1为不同于rand2的随机数，rand1、rand2为0到1之间的随机浮点数，CRG为当前交叉概率因子，CRG+1为下一代交叉概率因子。
进一步地，当所述步骤(23)中得到的子代个体Pi,'G+1不在步骤(22)建立的定义域内时，要将其映射到所述定义域中。
本发明提供的技术方案的有益效果是：本发明将自动建模编程方法运用到石油储层孔隙度测算中，通过将自适应差分进化算法和基因表达式编程算法相结合，得到以测井数据为输入变量、孔隙度为输出变量的孔隙度测算模型；测量相同测区内的未知孔隙度的石油储层的测井数据，然后将所述未知孔隙度的石油储层的测井数据代入上述孔隙度测算模型中，从而得到石油储层孔隙度。
自适应差分进化算法和基因表达式编程算法都是模拟生物进化的智能计算方法，本发明的测算方法中，以自然数对基因进行编码，通过执行自适应差分进化算法和基因表达式编程算法实现对种群的进化，将基因解码为数学表达式后，以利用该数学表达式得到的样本孔隙度测算值和真实值间的误差作为适应度评价标准，得到符合要求的孔隙度测算模型。因此，对于新的区块，在不需要大量样本数据和丰富建模经验的前提下，可以快速、准确地测算出石油储层孔隙度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的石油储层孔隙度测算方法的流程图；
图2为实施例1中基因编码与解码图；
图3为实施例1中基因编码的映射关系图。
具体实施方式
为使本发明的技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明提供了一种石油储层孔隙度测算方法，采集要测定的石油储层的岩芯样本的孔隙度数据及测井数据，利用自适应差分进化基因表达式编程算法，得到以测井数据为输入变量、孔隙度为输出变量的孔隙度测算模型，再利用所得测算模型测算孔隙度，该测算方法的流程图如图1所示，具体步骤如下：
步骤(1)，采集样本数据，建立样本数据库；
获取某一测区内的N个岩芯样本的芯孔隙度及与其对应的测井曲线数据，其中N为大于50的整数；所述测井曲线数据包括声波时差、密度、中子、自然伽马中的至少一种。
岩芯样本的数量没有严格的限定，数量太少会影响所建立模型的代表性和推广应用，太多则会增加测算的时间成本，因此应优选区间有代表性的150～250个，更优选200个。不同的测区所需要的测井数据也不相同，要在测井数据与岩芯的孔隙度相关性分析的基础上，优选对孔隙度测算影响大的数据；测井数据的质量也对孔隙度测算值有一定得影响，因此进行样本选取前，一方面要对原始的测井数据进行一定的环境校正处理，踢除异常值，特别是与岩芯曲线特征自相矛盾的地方，另一方面也要对岩芯数据进行一定的处理，要进行岩芯归位、岩芯数据插值等，使岩芯数据的深度、采样间隔与测井曲线的深度、采样间隔一致。
步骤(2)，执行自适应差分进化基因表达式编程算法，挖掘隐含在样本数据中上述测井曲线数据与岩芯孔隙度之间的函数关系，得到以所述测井数据为输入变量，以孔隙度为输出变量的石油储层孔隙度测算模型。
步骤(3)，测量步骤(1)中所述测区内的未知孔隙度的石油储层的测井数据，然后将所述未知孔隙度的石油储层的测井数据代入步骤(2)所得的孔隙度测算模型中，得到该石油储层的孔隙度。
所述步骤(1)的具体步骤为：
步骤(11)，测定某一测区内的测井曲线，所述测井曲线包括声波时差、密度、中子、自然伽马中的至少一种；
步骤(12)，采集步骤(11)中所述的测区内的N个岩芯样本，其中N为大于50的整数；通过岩芯分析得到所述N个岩芯样本的孔隙度；
步骤(13)，进行岩芯深度归位，使岩芯深度与测井曲线深度对应，将所述N个岩芯样本的测井曲线数据记为矩阵A，对应的孔隙度记为矩阵T。
所述步骤(2)的具体步骤为：
步骤(21)，定义初始化参数；
所述参数包括：
种群大小np，最大进化代数Gmax；
差分进化算法的参数：比例因子F、交叉概率因子CR；
函数符集，为运算符的集合；
终结符集，包括常数集及代表所述测井曲线数据的变量符集；
基因表达式编程算法的参数：基因头部长度、基因长度、每个染色体包含的基因个数、倒串概率、插串概率、根插串概率、单点重组概率以及两点重组概率；
上述参数的取值没有严格的要求，本领域技术人员可以根据本领域技术常识来选择。其中，种群大小np优选100～500，更优选200；最大进化代数为Gmax优选4800～5200，更优选5000；函数符集包括+、-、×、/、exp、sin、cos、^(乘方)、sqr(开方)、q(平方)等运算符；变量符集中变量的个数由步骤(1)中测井数据的种类决定。
步骤(22)，建立基因映射关系，创建初始种群，评价初始种群个体适应性；
用自然数对基因个体进行编码；令当前演化代数G＝0，创建初始种群P0，对所述初始种群P0中每个个体的染色体解码成数学表达式，并利用矩阵A、矩阵T评价每个个体的适应值，并保存适应值最大的个体为第一代最优个体Pbest；
由于要进行差分进化算法，因此用自然数对基因进行编码，即将函数符号、变量符号和常数都用自然数01、02、03……表示。
步骤(23)，执行自适应差分进化算法；
对当前代种群PG执行自适应差分进化算法的变异、交叉、选择算子操作得到子代种群P'G+1；
步骤(24)，执行基因表达式编程算法；
对步骤(23)得到的子代种群P'G+1的个体执行基因表达式编程算法的倒串、插串、根插串、单点重组、两点重组算子以及步骤(23)所述的选择算子，得到PG+1代种群；
该步骤中的倒串、插串、根插串、单点重组、两点重组算子按照一般基因表达式编程算法进行即可。
步骤(25)，评价PG+1代种群个体的适应性；
按照步骤(22)所述的适应值评价方法对步骤(24)所得的PG+1代种群个体进行评价，保存适应值最大的个体为最优个体Pbest；
步骤(26)，重复步骤(23)～(25)，直至最优个体Pbest适应值满足要求或评价次数达到最大代数Gmax；即，若步骤(25)得到的最优个体的适应值满足要求，则进行步骤(27)，将最优个体解码；若步骤(25)得到的最优个体的适应值不满足要求，则返回步骤(23)，继续对种群进行进化，得到新一代种群。
由于不同的油田对孔隙度测算的精确度要求不同，因此适应值所要达到的标准由本领域技术人员根据实际情况确定。若直到评价次数达到最大进化代数Gmax，适应值仍未达到要求，则以最后一代的最优个体作为最终的最优个体。
步骤(27)，解码最优个体，得到测算模型；
将步骤(26)所得满足用户需求的最优个体Pbest解码为一个以步骤(1)中所述测井数据为输入变量，以孔隙度为输出变量的孔隙度测算模型。
解码方法同一般的基因表达式编程算法的解码方法，本领域技术人员可以根据本领域技术常识来对所得最优个体进行解码，得到测算模型。
上述的自适应差分进化算法和基因表达式编程算法都是模拟生物进化的智能计算方法。上述的测算方法中，以自然数对基因进行编码，通过执行自适应差分进化算法和基因表达式编程算法实现对种群的进化，将基因解码为数学表达式后，以利用该数学表达式得到的样本孔隙度测算值和真实值间的误差作为适应度评价标准，得到符合要求的孔隙度测算模型。因此，对于新的油田，在不需要大量样本数据和丰富建模经验的前提下，可以快速、准确地测算出石油储层孔隙度。
在上述的测算方法中，所述步骤(22)的具体操作步骤为：
步骤(221)，建立自然数与基因个体的映射关系，按照K-表达式个体编码方法进行编码；
步骤(222)，随机产生初始种群，然后采用基因空间均匀分布的策略，使每个基因尽可能均匀分布在编码空间中，从而使初始基因多样化。详见文献：胡建军2007年在《计算机学报》30卷第2期上发表的基因表达式编程初始种群的多样化策略。
步骤(223)，对初始种群中每个个体Pi,0的染色体解码成数学表达式，Pi,0表示初始种群中的第i个个体；
步骤(224)，利用步骤(1)所述测井数据矩阵A和孔隙度数据矩阵T评价每个个体Pi,0的适应值，并保存适应值最大的个体为最优个体Pbest；
所述适应值公式为：
上式中，n为样本总数，YPj,i,0为第j个样本利用初始种群中第i个个体解码后的数学表达式得到的孔隙度测算值，Tj为第j个样本对应的孔隙度真实值。
在上述的测算方法中，所述步骤(23)的具体操作步骤为：
步骤(231)，基因变异操作；
从第PG代种群中随机选取序列号为r1、r2、r3的染色体Pr1,G、Pr2,G、Pr3,G，按照公式Vi,G＝Pr1,G+F·(Pr3,G-Pr2,G)进行变异；式中Vi,G为变异后的个体，r1、r2和r3是从区间1到np之间随机选取的互不相同且不同于i的整数，F为比例因子；
步骤(232)，基因交叉操作；
将步骤(231)所得变异个体Vi,G与Pi,G进行交叉，得到交叉个体Ui,G，计算公式为：
其中，rand为0到1之间的随机浮点数，CR为交叉概率因子，i表示个体序列号，j表示个体中的基因序列号；
当随机数rand小于等于交叉概率CR时，新个体Ui,G中的基因代码Ui,j,G为变异后个体Vi,G的基因代码Vi,j,G，当随机数rand大于交叉概率CR时，新个体Ui,G中的基因代码Ui,j,G为变异前个体的基因代码Pi,j,G。
步骤(233)，选择操作；
将步骤(232)所得交叉个体Ui,G的适应值与Pi,G适应值进行比较，适应值大的作为子代种群个体Pi',G+1，进而得到子代种群P'G+1，计算公式如下：
式中：i＝1,2,……np，np为种群大小；fi,G(YPi,G,T)、fi,G(YUi,G,T)为步骤(224)中所述的适应值。
在上述的测算方法在中，所述步骤(231)中的比例因子F的值按照自适应方法进行调整，公式如下：
其中fr2、fr3分别为步骤(231)中个体Pr2,G、Pr3,G的适应度值，fbest、fworst分别为步骤(231)中当前G代种群中的最优和最差个体的适应度值。
通过自适应的方法对比例因子F进行调整，可以更加快速、稳定地得到最优测算模型。
在上述的测算方法中，所述步骤(232)中的交叉概率因子CR的值按照自适应方法进行调整，公式如下：
式中：rand2为当前随机数，rand1为不同于rand2的随机数，rand1、rand2为0到1之间的随机浮点数，CRG为当前交叉概率因子，CRG+1为下一代交叉概率因子。
当随机数rand2小于0.1时，CRG+1的取值为另外产生的随机数rand1；而当rand2大于等于0.1时，CRG+1的取值和当前CRG保持一致。通过自适应的方法对交叉概率因子CR进行调整，同样有利于快速、稳定地得到最优测算模型。
在上述的测算方法中，由于差分进化算法要进行减法运算，因此可能出现步骤(23)中得到的子代个体Pi',G+1不在步骤(22)建立的定义域内的情况，此时要通过一定的算法，例如加上某一个数字或者减去某一个数字，将其映射到定义域中。
实施例1
以某油田一区段为例，利用本发明的测算方法对其石油储层的孔隙度进行测算。该油田通过岩芯取样获取岩芯孔隙度值，通过地球物理测井获取与岩芯对应的测井数据，该数据包含中子、密度、声波时差及自然伽马4个测井数据来建立孔隙度测算模型。
具体步骤如下：
步骤(1)，采集样本数据，建立样本数据库；具体步骤如下：
步骤(11)，测定该测区内的中子、密度、声波时差及自然伽马测井曲线；
步骤(12)，采集步骤(11)中所述的测区内的200个岩芯样本，通过岩芯分析得到该200个岩芯样本的孔隙度；
步骤(13)，进行岩芯深度归位，使岩芯深度与测井曲线深度对应，将上述200个岩芯样本的测井曲线数据记为矩阵A，对应的孔隙度记为矩阵T。
步骤(2)，执行自适应差分进化基因表达式编程算法，得到以所述测井数据为输入变量，以孔隙度为输出变量的石油储层孔隙度测算模型；具体步骤如下：
步骤(21)，定义初始化参数；
种群大小np＝100，最大进化代数Gmax＝5000；
差分进化算法的参数：比例因子F初始值＝0.5、交叉概率因子CR初始值＝0.1；
函数符集为{+、-、×、/、exp、sin、cos、sqr、q}，其中exp为以自然对数e为底指数函数，sqr为开方函数，q为平方函数；
终结符集：常数集{0.060、0.974、0.638、0.128、0.195}，变量符集{x1、x2、x3、x4}，其中，x1、x2、x3、x4分别代表岩芯样本所对应的中子、密度、声波时差及自然伽马测井值；
基因表达式编程算法的参数：基因头部长度为7，单个基因总长度为15，每个染色体包含3个基因，倒串概率＝0.4，插串概率＝0.1，根插串概率＝0.1，单点重组概率＝0.3，两点重组概率＝0.3。
步骤(22)，建立基因映射关系，创建初始种群，评价初始种群个体适应性；具体步骤如下：
步骤(221)，按照图3所示的映射关系图，将函数符号、变量符号和常数都用自然数01、02、03、……表示，按照图2所示的K-表达式个体编码方法进行编码；
步骤(222)，随机产生初始种群，然后采用基因空间均匀分布的策略，使每个基因尽可能均匀分布在编码空间中，从而使初始基因多样化。详见文献：胡建军2007年在《计算机学报》30卷第2期上发表的基因表达式编程初始种群的多样化策略。
步骤(223)，按照图2所示的方法，将初始种群中每个个体Pi,0的染色体解码成数学表达式，Pi,0表示初始种群中的第i个个体；
步骤(224)，利用步骤(1)所述测井数据矩阵A和孔隙度数据矩阵T评价每个个体Pi,0的适应值，并保存适应值最大的个体为最优个体Pbest；
所述适应值公式为：
上式中，YPj,i,0为第j个样本利用初始种群中第i个个体解码后的数学表达式得到的孔隙度测算值，Tj为第j个样本对应的孔隙度真实值。
步骤(23)，执行自适应差分进化算法；具体步骤如下：
步骤(231)，基因变异操作；
从第PG代种群中随机选取序列号为r1、r2、r3的染色体Pr1,G、Pr2,G、Pr3,G，按照公式Vi,G＝Pr1,G+F·(Pr3,G-Pr2,G)进行变异；式中Vi,G为变异后的个体，r1、r2和r3是从1到60之间随机选取的互不相同且不同于i的整数，F为比例因子；
其中，比例因子F的值按照自适应方法进行调整，公式如下：
其中fr2、fr3分别为步骤(231)中个体Pr2,G、Pr3,G的适应度值，fbest、fworst分别为步骤(231)中当前G代种群中的最优和最差个体的适应度值。
当变异得到的子代个体Pi,'G+1不在步骤(22)建立的定义域内，即01到18之间时，要通过一定的算法将其映射到01到18之间。
步骤(232)，基因交叉操作；
将步骤(231)所得变异个体Vi,G与Pi,G进行交叉，得到交叉个体Ui,G，计算公式为：
其中，rand为0到1之间的随机浮点数，CR为交叉概率因子，i表示个体序列号，j表示个体中的基因序列号；
当随机数rand小于等于交叉概率CR时，新个体Ui,G中的基因代码Ui,j,G为变异后个体Vi,G的基因代码Vi,j,G，当随机数rand大于交叉概率CR时，新个体Ui,G中的基因代码Ui,j,G为变异前个体的基因代码Pi,j,G。
交叉概率因子CR的值按照自适应方法进行调整，公式如下：
式中：rand2为当前随机数，rand1为不同于rand2的随机数，rand1、rand2为取值0到1之间的随机浮点数，CRG为当前交叉概率因子，CRG+1为下一代交叉概率因子；
当随机数rand2小于0.1时，CRG+1的取值为另外产生的随机数rand1；而当rand2大于等于0.1时，CRG+1的取值和当前CRG保持一致。
步骤(233)，选择操作；
将步骤(232)所得交叉个体Ui,G的适应值与Pi,G适应值进行比较，适应值大的作为子代种群个体Pi',G+1，进而得到子代种群P'G+1，计算公式如下：
式中：i＝1,2,……60；fi,G(YPi,G,T)、fi,G(YUi,G,T)为步骤(224)中所述的适应值。
步骤(24)，执行基因表达式编程算法；
对步骤(23)得到的子代种群P'G+1的个体执行基因表达式编程算法的倒串、插串、根插串、单点重组、两点重组算子以及步骤(23)所述的选择算子，得到PG+1代种群；
步骤(25)，评价PG+1代种群个体的适应性；
按照步骤(22)所述的适应值评价方法对步骤(24)所得的PG+1代种群个体进行评价，保存适应值最大的个体为最优个体Pbest；
步骤(26)，重复步骤(23)～(25)，直至最优个体Pbest适应值大于等于900或评价次数达到5000次；
步骤(27)，解码最优个体，得到测算模型；
将步骤(26)所得满足用户需求的最优个体Pbest解码为一个以x1、x2、x3、x4即中子、密度、声波时差和自然伽马为输入变量，以孔隙度为输出变量的孔隙度测算模型，如图2所示。
步骤(3)，测量步骤(1)中所述测区内的未知孔隙度的石油储层的中子、密度、声波时差和自然伽马数据代入步骤(2)所得的孔隙度测算模型中，得到该石油储层的孔隙度。
以上所述仅是为了便于本领域的技术人员理解本发明的技术方案，并不用以限制本发明。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种石油储层孔隙度测算方法，其特征在于，所述方法包括以下步骤：
步骤(1)，采集样本数据，建立样本数据库；
获取某一测区内的N个岩芯样本的岩芯孔隙度及与其对应的测井曲线数据，其中N为大于50的整数；所述测井曲线数据包括声波时差、密度、中子、自然伽马中的至少一种；
步骤(2)，执行自适应差分进化基因表达式编程算法，挖掘隐含在样本数据中上述测井曲线数据与岩芯孔隙度之间的函数关系，得到以所述测井曲线数据为输入变量，以孔隙度为输出变量的石油储层孔隙度测算模型；
步骤(3)，测量步骤(1)中所述测区内的未知孔隙度的石油储层的测井曲线数据，然后将所述未知孔隙度的石油储层的测井曲线数据代入步骤(2)所得的孔隙度测算模型中，得到该石油储层的孔隙度；
所述步骤(1)的具体步骤为：
步骤(11)，测定某一测区内的测井曲线，所述测井曲线包括声波时差、密度、中子、自然伽马中的至少一种；
步骤(12)，采集步骤(11)中所述的测区内N个岩芯样本，其中N为大于50的整数；通过岩芯分析得到所述N个岩芯样本的孔隙度；
步骤(13)，进行岩芯深度归位，使岩芯深度与测井曲线深度对应，将所述N个岩芯样本的测井曲线数据记为矩阵A，对应的孔隙度记为矩阵T；
所述步骤(2)的具体步骤为：
步骤(21)，定义初始化参数；
所述参数包括：
种群大小np，最大进化代数Gmax；
函数符集，为运算符的集合；
终结符集，包括常数集及代表所述测井曲线数据的变量符集；
差分进化算法的参数：比例因子F、交叉概率因子CR；
基因表达式编程算法的参数：基因头部长度、基因长度、每个染色体包含的基因个数、倒串概率、插串概率、根插串概率、单点重组概率以及两点重组概率；
步骤(22)，建立基因映射关系，创建初始种群，评价初始种群个体适应性；
用两位的自然数对基因个体进行编码；令当前进化代数G＝0，创建初始种群P0，对所述初始种群P0中每个个体的染色体解码成数学表达式，并利用矩阵A、矩阵T评价每个个体的适应值，并保存适应值最大的个体为第一代最优个体Pbest；
步骤(23)，执行自适应差分进化算法；
对当前代种群PG执行自适应差分进化算法的变异、交叉、选择算子操作得到子代种群P'G+1；
步骤(24)，执行基因表达式编程算法；
对步骤(23)得到的子代种群P'G+1的个体再执行基因表达式编程算法的倒串、插串、根插串、单点重组、两点重组算子以及步骤(23)所述的选择算子，得到PG+1代种群；
步骤(25)，评价PG+1代种群个体的适应性；
按照步骤(22)所述的适应值评价方法对步骤(24)所得的PG+1代种群个体进行评价，保存适应值最大的个体为最优个体Pbest；
步骤(26)，重复步骤(23)～(25)，直至最优个体Pbest适应值满足要求或评价次数达到最大代数Gmax；
步骤(27)，解码最优个体，得到测算模型；
将步骤(26)所得满足用户需求的最优个体Pbest解码为一个以步骤(1)中所述测井曲线数据为输入变量，以孔隙度为输出变量的孔隙度测算模型；
所述步骤(22)的具体操作步骤为：
步骤(221)，建立自然数与基因个体的映射关系，按照K-表达式个体编码方法进行编码；
步骤(222)，随机产生初始种群，然后采用基因空间均匀分布的策略，使每个基因均匀分布在编码空间中，从而使所述初始种群的基因多样化；
步骤(223)，对初始种群中每个个体Pi,0的染色体解码成数学表达式，Pi,0表示初始种群中的第i个个体；
步骤(224)，利用步骤(1)所述测井曲线数据矩阵A和孔隙度数据矩阵T评价每个个体Pi,0的适应值，并保存适应值最大的个体为最优个体Pbest；
所述适应值公式为：
上式中，n为样本总数，YPj,i,0为第j个样本利用初始种群中第i个个体解码后的数学表达式得到的孔隙度测算值，Tj为第j个样本对应的孔隙度真实值。
2.根据权利要求1所述的测算方法，其特征在于，所述步骤(23)的具体操作步骤为：
步骤(231)，基因变异操作；
从第PG代种群中随机选取序列号为r1、r2、r3的个体Pr1,G、Pr2,G、Pr3,G，按照公式Vi,G＝Pr1,G+F·(Pr3,G-Pr2,G)进行变异；式中Vi,G为变异后的个体，r1、r2和r3是从区间1到np之间随机选取的互不相同且不同于i的整数，F为比例因子；
步骤(232)，基因交叉操作；
将步骤(231)所得变异个体Vi,G与Pi,G进行交叉，得到交叉个体Ui,G，计算公式为：
其中，rand为0到1之间的随机浮点数，CR为交叉概率因子，i表示个体序列号，j表示个体中的基因序列号；
步骤(233)，选择操作；
将步骤(232)所得交叉个体Ui,G的适应值与Pi,G适应值进行比较，适应值大的作为子代种群个体P′i,G+1，进而得到子代种群P'G+1，计算公式如下：
式中：i＝1,2,……np，np为种群大小；fi,G(YPi,G,T)、fi,G(YUi,G,T)为步骤(224)中所述的适应值。
3.根据权利要求2所述的测算方法，其特征在于，所述步骤(231)中的比例因子F的值按照自适应方法进行调整，公式如下：
其中fr2、fr3分别为步骤(231)中个体Pr2,G、Pr3,G的适应度值，fbest、fworst分别为步骤(231)中当前G代种群中的最优和最差个体的适应度值。
4.根据权利要求2所述的测算方法，其特征在于，所述步骤(232)中的交叉概率因子CR的值按照自适应方法进行调整，公式如下：
式中：rand2为当前随机数，rand1为不同于rand2的随机数，rand1、rand2为0到1之间的随机浮点数，CRG为当前交叉概率因子，CRG+1为下一代交叉概率因子。
5.根据权利要求1所述的测算方法，其特征在于，当所述步骤(23)中得到的子代个体P′i,G+1不在步骤(22)建立的定义域内时，要将其映射到所述定义域中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410784616.2A CN105781536B (zh) | 2014-12-16 | 2014-12-16 | 一种石油储层孔隙度测算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410784616.2A CN105781536B (zh) | 2014-12-16 | 2014-12-16 | 一种石油储层孔隙度测算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105781536A CN105781536A (zh) | 2016-07-20 |
| CN105781536B true CN105781536B (zh) | 2019-01-18 |
Family
ID=56373440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410784616.2A Active CN105781536B (zh) | 2014-12-16 | 2014-12-16 | 一种石油储层孔隙度测算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105781536B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114207550A (zh) * | 2019-03-08 | 2022-03-18 | 斯伦贝谢技术有限公司 | 用于地层的渗透率的监督学习的系统和方法 |
| CN110134918B (zh) * | 2019-04-04 | 2021-05-28 | 中国石油大学(北京) | 基于滑动窗口法的岩心自动归位方法和系统 |
| US11339651B2 (en) | 2020-02-13 | 2022-05-24 | Saudi Arabian Oil Company | Systems and methods for generating continuous grain size logs from petrographic thin section images |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5828981A (en) * | 1995-05-11 | 1998-10-27 | Texaco Inc. | Generating pore types and synthetic capillary pressure curves from wireline logs using neural networks |
| CN102854299A (zh) * | 2012-07-26 | 2013-01-02 | 武汉大学 | 一种基于分量热力学基因表达式编程的矿岩强度预测方法 |
| CN103116703A (zh) * | 2013-02-04 | 2013-05-22 | 西安交通大学 | 一种用于高维参数空间波形反演的协同变异差分进化算法 |
| CN103197348A (zh) * | 2013-03-26 | 2013-07-10 | 西北大学 | 利用各层内部样品进行加权编制测井交会图的方法 |
| CN103775038A (zh) * | 2012-10-17 | 2014-05-07 | 邓洁 | 一种注水系统的布局方法 |
| CN104077496A (zh) * | 2014-07-17 | 2014-10-01 | 中国科学院自动化研究所 | 基于差分进化算法的智能管道布局优化方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060200436A1 (en) * | 2005-03-07 | 2006-09-07 | Chi Zhou | Gene expression programming with enhanced preservation of attributes contributing to fitness |
-
2014
- 2014-12-16 CN CN201410784616.2A patent/CN105781536B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5828981A (en) * | 1995-05-11 | 1998-10-27 | Texaco Inc. | Generating pore types and synthetic capillary pressure curves from wireline logs using neural networks |
| CN102854299A (zh) * | 2012-07-26 | 2013-01-02 | 武汉大学 | 一种基于分量热力学基因表达式编程的矿岩强度预测方法 |
| CN103775038A (zh) * | 2012-10-17 | 2014-05-07 | 邓洁 | 一种注水系统的布局方法 |
| CN103116703A (zh) * | 2013-02-04 | 2013-05-22 | 西安交通大学 | 一种用于高维参数空间波形反演的协同变异差分进化算法 |
| CN103197348A (zh) * | 2013-03-26 | 2013-07-10 | 西北大学 | 利用各层内部样品进行加权编制测井交会图的方法 |
| CN104077496A (zh) * | 2014-07-17 | 2014-10-01 | 中国科学院自动化研究所 | 基于差分进化算法的智能管道布局优化方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于差分进化基因表达式编程的全局函数优化;李太勇 等;《计算机科学》;20091115;第36卷(第11期);说明书第140-142、172页 |
| 多层砂岩老油田储层参数测井解释;叶惠民 等;《科技导报》;20100513;第52-58页 |
| 带局部搜索的自适应动态差分进化算法;韩学锋 等;《天津职业院校联合学报》;20140225;第16卷(第2期);第74-79页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105781536A (zh) | 2016-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khan et al. | Machine learning derived correlation to determine water saturation in complex lithologies | |
| US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
| CN104615862B (zh) | 基于进化算法的高含水油田确定井位的方法 | |
| Amiri et al. | Improving water saturation estimation in a tight shaly sandstone reservoir using artificial neural network optimized by imperialist competitive algorithm–A case study | |
| CN103590827B (zh) | 基于储层分类的致密碎屑岩天然气井产能预测方法 | |
| CN104881435A (zh) | 一种基于数据挖掘的研究流程自动化测井评价专家系统 | |
| CN105781536B (zh) | 一种石油储层孔隙度测算方法 | |
| CN105022098B (zh) | 一种基于切片层间信息的陆相沉积体识别与预测方法 | |
| Kamali et al. | 3D geostatistical modeling and uncertainty analysis in a carbonate reservoir, SW Iran | |
| CN116427915A (zh) | 基于随机森林的常规测井曲线裂缝密度预测方法及系统 | |
| CN110988997A (zh) | 一种基于机器学习的烃源岩三维空间展布定量预测技术 | |
| CN109580453A (zh) | 基于最优化测井解释计算砂岩型铀矿砂体孔隙度的方法 | |
| Tashie et al. | A Calibration‐free groundwater module for improving predictions of low flows | |
| Bertoncello | Conditioning surface-based models to well and thickness data | |
| CN110309597A (zh) | 基于构型界面的阻流带模型确定方法、装置及存储介质 | |
| Hicks Jr et al. | Identifying and quantifying significant uncertainties in basin modeling | |
| Hutahaean | Multi-objective methods for history matching, uncertainty prediction and optimisation in reservoir modelling | |
| Katterbauer et al. | A Deep Learning Wag Injection Method for Co2 Recovery Optimization | |
| Lu et al. | Prediction of the pore structure by machine learning techniques in the carbonate reservoirs in Iraq H oilfield | |
| Liu et al. | Infill Well Location Optimization Method based on Remaining Oil Recoverable Potential Evaluation | |
| CN117390970B (zh) | 一种兼顾多元驱动预测的油气储存量化方法 | |
| RU2725506C1 (ru) | Способ и система оптимизации лабораторных исследований образцов горных пород | |
| AU2021289575B2 (en) | Modeling presence and quality of original organic materials in a region | |
| Jenei | History Matching to Honour Geological Constraints | |
| CN118643321A (zh) | 一种碳酸盐岩储层复杂岩性的识别方法、装置和设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |