CN106526693A - 裂缝识别方法和装置 - Google Patents

Abstract

本申请提供了一种裂缝识别方法和装置，该方法包括：获取研究区的裂缝资料；根据裂缝资料确定研究区的裂缝的发育特征和裂缝的分布规律；建立岩性的电性识别标准，划分得到各种岩性；根据测井曲线，分别提取各种岩性的裂缝特征参数；根据裂缝特征参数建立裂缝非线性识别模型并根据该模型获得研究区内单井的裂缝识别结果；根据单井的裂缝识别结果结合生产动态资料、裂缝的发育特征和裂缝的分布规律，确定研究区的裂缝强度的三维模型。由于该方案通过从岩心井段到井点再到平面逐步对裂缝进行定量识别，解决了现有裂缝识别方法中存在的裂缝识别范围小、识别不准确的技术问题，实现对裂缝发育层段和平面分布的识别和预测，提高了裂缝识别的准确度。

Description

裂缝识别方法和装置

技术领域

本发明涉及油田开发技术领域，特别涉及一种裂缝识别方法和装置。

背景技术

石油储层在形成的过程中会受到沉积作用的影响和各种成岩作用的强烈改造。例如，低渗透砂岩储层岩石由于脆性高,在构造变形中极易产生裂缝。裂缝的存在明显改善了储层的渗流能力，导致储层可能会具有更好的储油能力。因此，在油田开发过程中，对裂缝的识别及预测成为石油储层开发地质研究的重要内容之一。

目前，具体施工时所采用的裂缝识别方法大多是：岩心观察法和根据测井资料识别裂缝法。其中，岩心观察法可以通过岩心观察，直观地认识和描述宏观裂缝的发育情况。而根据测井资料识别裂缝法一般具体可以根据不同测井系列对裂缝的响应程度不同，进一步可以细分为：常规测井识别法和成像测井识别法。其中，常规测井识别法一般可以利用交汇图法、曲线重叠法进行直观定性识别，例如双侧向电阻率差异法、声波时差增大和密度值减小等特征法。而成像测井识别法通常能够以直观、形象、清晰的特点显示出井壁二维空间的地质特征，可用于裂缝识别及储层可动流体评价，例如地层微电阻率扫描成像测井、方位电阻率成像测井、超声波成像测井、偶极子横波成像测井和核磁共振成像测井等。

上述所列举的几种常用的裂缝识别方法虽然可以定性地描述并识别部分裂缝，但在具体实施时，由于方法本身的局限性，大都存在裂缝识别范围小(一般仅局限于井内裂缝的识别)和裂缝识别准确度差的技术问题。

针对上述问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种裂缝识别方法和装置，以达到解决现有裂缝识别方法存在的裂缝识别范围小、准确度低的技术问题，实现对裂缝发育层段和平面分布的识别和预测，并提高裂缝识别的准确度。

本发明实施例提供了一种裂缝识别方法，包括：

获取研究区的裂缝资料，其中，所述裂缝资料包括研究区目的层段岩心资料、测井资料和生产动态资料；

根据所述裂缝资料确定研究区的裂缝的发育特征和裂缝的分布规律；

根据所述研究区目的层段岩心资料、所述裂缝的发育特征和所述裂缝的分布规律，建立岩性的电性识别标准；

根据所述岩性的电性识别标准，划分得到各种岩性；

根据所述测井曲线，分别提取所述各种岩性的裂缝特征参数；

根据所述裂缝特征参数建立裂缝非线性识别模型；

通过所述裂缝非线性识别模型获得研究区内单井的裂缝识别结果；

根据所述单井的裂缝识别结果、所述生产动态资料、所述裂缝的发育特征和所述裂缝的分布规律，确定研究区的裂缝强度的三维模型。

在一个实施方式中，所述获取研究区的裂缝资料包括：根据所述研究区内的地表露头分析结果、岩心观察数据、薄片分析数据、实验测试数据、研究区的测井数据和生产动态数据，获取研究区的裂缝资料。

在一个实施方式中，所述裂缝的发育特征包括：裂缝的产状、裂缝的倾角、裂缝的发育岩性和裂缝的充填情况。

在一个实施方式中，根据所述研究区目的层段岩心资料、所述裂缝的发育特征和所述裂缝的分布规律，建立岩性的电性识别标准，包括：

根据所述裂缝资料，建立训练数据集；

利用基于图形的聚类分析方法对所述训练数据集进行建模和学习，以建立测井相；

根据所述研究区目的层段岩心资料标定所述测井相，确定所述测井相对应的岩性，并将标定后的测井相作为所述岩性对应的电性识别标准。

在一个实施方式中，根据所述测井曲线，分别提取所述各种岩性的裂缝特征参数，包括：

对于所述各种岩性，按照以下方式提取当前岩性的裂缝特征参数：

根据所述当前岩性的测井曲线的自然伽马GR、声波时差AC、补偿密度DEN和深感应电阻率RILD，通过多重分形算法，分别提取得到以下参数作为所述岩性的裂缝特征参数：GR的多重分形谱的宽度、GR的多重分形谱中最大概率子集与最小概率子集的分形维数差和GR的多重分形谱的偏斜度，AC的多重分形谱的宽度、AC的多重分形谱中最大概率子集与最小概率子集的分形维数差和AC的多重分形谱的偏斜度，DEN的多重分形谱的宽度、DEN的多重分形谱中最大概率子集与最小概率子集的分形维数差和DEN的多重分形谱的偏斜度，RILD的多重分形谱的宽度、RILD的多重分形谱中最大概率子集与最小概率子集的分形维数差和深感应电阻率RILD的多重分形谱的偏斜度。

在一个实施方式中，根据所述测井曲线，通过多重分形算法，按照以下公式提取对应的裂缝特征参数：

Δα＝α_max-α_min

Δf＝f(α_min)-f(α_max)

其中，α为奇异性指数，Δα为多重分形谱的宽度，α_max为所述奇异性指数取最大值时的概率，α_min为所述奇异性指数取最小值时的概率，Δf为多重分形谱中最大概率子集与最小概率子集的分形维数差，f(α_max)为概率子集中最小概率元素个数的比例，f(α_min)为概率子集中最大概率元素个数的比例，k为多重分形谱的偏斜度，α₀为f(α)取最大值时对应的奇异性指数。

在一个实施方式中，根据所述裂缝特征参数建立裂缝非线性识别模型，包括：

根据所述裂缝特征参数，通过概率神经网络算法，建立初始识别模型；

根据所述裂缝资料，通过所述初始识别模型得到结果数据；

将所述结果数据与所述裂缝资料进行比较，得到比较误差；

如果所述比较误差小于等于预设阈值，则将所述初始识别模型确定为所述裂缝非线性识别模型。

在一个实施方式中，在将所述结果数据与所述裂缝资料进行比较，得到比较误差之后，如果所述比较误差大于预设阈值，则通过调整所述初始识别模型的网络权值调整所述初始识别模型，直到基于调整后的初始识别模型得到的比较误差小于等于预设阈值，将调整后的初始识别模型确定为所述裂缝非线性识别模型。

在一个实施方式中，根据所述单井的裂缝识别结果、所述生产动态资料、所述裂缝的发育特征和所述裂缝分布规律，确定研究区的裂缝强度的三维模型，包括：

根据所述生产动态资料，分析得到井间裂缝的分布和连通情况；

根据所述单井的裂缝识别结果、所述研究区的裂缝的发育特征、所述研究区的裂缝分布规律、所述井间裂缝的分布和连通情况，通过地质统计学随机模拟的方法建立所述研究区的裂缝强度的三维模型。

在一个实施方式中，所述生产动态资料包括以下至少之一：

微裂缝监测数据，示踪剂监测数据，吸水剖面与吸水指示曲线，试井测井数据和油水井生产动态资料。

基于相似的发明思路，本发明实施例还提供了一种裂缝识别装置，包括：

获取模块，用于获取研究区的裂缝资料，其中，所述裂缝资料包括研究区目的层段岩心资料、测井资料和生产动态资料；

第一确定模块，用于根据所述裂缝资料确定研究区的裂缝的发育特征和裂缝的分布规律；

第二确定模块，用于根据所述研究区目的层段岩心资料、所述裂缝的发育特征和所述裂缝的分布规律，建立岩性的电性识别标准；

划分模块，用于根据所述岩性的电性识别标准，划分得到各种岩性；

提取模块，用于根据所述测井曲线，分别提取所述各种岩性的裂缝特征参数；

第三确定模块，用于根据所述裂缝特征参数建立裂缝非线性识别模型；

识别模块，用于通过所述裂缝非线性识别模型获得研究区内单井的裂缝识别结果；

第四确定模块，用于根据所述单井的裂缝识别结果、所述生产动态资料、所述裂缝的发育特征和所述裂缝的分布规律，确定研究区的裂缝强度的三维模型。

在本发明实施例中，通过综合运用多分辨率基于图形的聚类分析方法、多重分形算法和概率神经网络算法，并从岩心井段到井点再到平面逐步对储层裂缝进行定量识别，解决了现有裂缝识别方法中存在的裂缝识别范围小和裂缝识别准确度差的技术问题，实现了对裂缝发育层段和平面分布的识别和预测，提高了裂缝识别的准确度。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1是根据本发明实施例的裂缝识别方法的处理流程图；

图2是根据本发明实施例的裂缝识别方法中建立岩性的电性识别标准的处理流程图；

图3是根据本发明实施例的裂缝识别方法中建立裂缝非线性识别模型的处理流程图；

图4是根据本发明实施例的裂缝识别方法中多重分形谱算法的处理流程图；

图5是根据本发明实施例的裂缝识别方法中概率神经网络基本结构示意图；

图6是根据本发明实施例的裂缝识别装置的结构示意图,；

图7是应用本发明实施例的裂缝识别方法/装置时的岩心裂缝定向和裂缝走向统计图；

图8是应用本发明实施例的裂缝识别方法/装置时的成像测井识别的裂缝产状示意图；

图9是应用本发明实施例的裂缝识别方法/装置时的成像测井解释裂缝走向示意图；

图10是应用本发明实施例的裂缝识别方法/装置时的裂缝发育与岩性关系频率分布直方图；

图11是应用本发明实施例的裂缝识别方法/装置时的预测岩性与取心岩性的对比示意图；

图12是应用本发明实施例的裂缝识别方法/装置时的裂缝与岩心观察的裂缝对比示意图；

图13是应用本发明实施例的裂缝识别方法/装置时的天然裂缝与沉积相的关系示意图；

图14是应用本发明实施例的裂缝识别方法/装置时的天然裂缝平面分布示意图；

图15是应用本发明实施例的裂缝识别方法/装置时的天然裂缝强度三维模型示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

考虑到现有的裂缝识别方法，大都由于没有充分利用测井资料，导致裂缝识别准确度不高，又由于识别方法自身的局限性导致了裂缝识别范围相对较小，一般只能对井内裂缝进行识别，不能很好地满足的油田开发时的具体要求。针对产生上述技术问题的根本原因，考虑可以通过处理以更加充分、有效地利用测井资料，从而提高裂缝识别的准确度。同时，可以考虑运用多分辨率基于图形的聚类分析方法、多重分形算法和概率神经网络算法，从岩心井段到井点再到平面逐步对储层裂缝进行定量识别，从而在解决现有裂缝识别方法中存在的裂缝识别准确度差的技术问题的同时，可以解决裂缝识别范围小的技术问题，实现对裂缝发育层段和平面分布的识别预测，提高了裂缝识别的准确度。

基于上述考虑，请参阅图1，本发明实施例提供了一种裂缝识别方法，具体可以包括：

步骤101：获取研究区的裂缝资料，其中，上述裂缝资料可以包括研究区目的层段岩心资料、测井资料和生产动态资料；

在一个实施方式中，为了识别裂缝首先要获取研究区的裂缝资料，具体可以按照以下方式获取研究区的裂缝资料：根据研究区内的地表露头分析结果、岩心观察数据、薄片分析数据、实验测试数据、研究区的测井数据和生产动态数据，获取研究区的裂缝资料。需要说明的是，上述裂缝资料中可以包括研究区目的层段岩心资料、测井资料和生产动态资料，但根据具体施工情况，上述裂缝资料还可以包括其他相关的数据资料，对此，本申请不作限定。

步骤102：根据裂缝资料确定研究区的裂缝的发育特征和裂缝的分布规律；

在一个实施方式中，为了为后续的识别过程提供相应的数据支持，所确定裂缝的发育特征具体可以包括但不限于以下至少之一：裂缝的产状、裂缝的倾角、裂缝的发育岩性和裂缝的充填情况。然而值得注意的是，上述所列举的集中发育特征仅是一种示意性描述，在实际实现的时候，还可以采用其它的特征作为裂缝的发育特征，具体选择哪些特征，本申请对此不作限定。

步骤103：根据研究区目的层段岩心资料、裂缝的发育特征和裂缝的分布规律，建立岩性的电性识别标准；

在一个实施方式中，为了建立用于岩性划分的电性识别标准，可以利用多分辨率基于图形的聚类分析方法建立岩性的电性识别标准，具体可以参阅图2，包括以下步骤：

步骤201：根据裂缝资料，建立训练数据集；

步骤202：利用基于图形的聚类分析方法对训练数据集进行建模和学习，以建立测井相；

步骤203：根据研究区目的层段岩心资料标定测井相，确定测井相对应的岩性，并将标定后的测井相作为该岩性对应的电性识别标准。

需要说明的是，利用多分辨率基于图形的聚类分析方法建立岩性的电性识别标准并以此划分岩性进行后续处理，相较于现有的裂缝识别方法，可以快速、准确识别岩性，解决了现有识别方法采用常规交会图时部分区域的重叠，不能区分开的技术问题。

步骤104：根据岩性的电性识别标准，划分得到各种岩性；

在本实施方式中，由于不同岩性的测井曲线特征不一定相同，相应的后续根据测井曲线提取特征参数的过程也不一定相同，因此可以根据所建立的岩性电性识别标准来划分各种不同的岩性，以便于后续处理时可以根据不同岩性的测井曲线提取相应的特征参数，使得本申请提供的裂缝识别方法识别效果更佳精确、可靠。

步骤105：根据测井曲线，分别提取各种岩性的裂缝特征参数；

在一个实施方式中，考虑到现有的裂缝识别方法大都由于未充分利用测井资料导致裂缝识别的范围受限且裂缝识别的准确度不高。为了充分地利用测井资料以扩大裂缝识别范围，并提高裂缝识别的准确度，可以考虑根据划分得到的不同岩性，针对不同岩性区别处理，并且根据每一个岩性的测井曲线提取12个相应的特征参数以更充分地利用测井资料，进而可以更好地对裂缝进行识别。同时，为了进一步提高裂缝识别的准确性，在提取参数时可以利用多重分形算法来提取相应的特征参数。具体处理步骤，可以包括：

对于各种不同岩性，按照以下方式提取当前岩性的裂缝特征参数：

根据当前岩性的测井曲线的自然伽马GR、声波时差AC、补偿密度DEN和深感应电阻率RILD，通过多重分形算法，分别提取得到以下参数作为该岩性的裂缝特征参数：自然伽马GR的多重分形谱的宽度、自然伽马GR的多重分形谱中最大概率子集与最小概率子集的分形维数差和自然伽马GR的多重分形谱的偏斜度，声波时差AC的多重分形谱的宽度、声波时差AC的多重分形谱中最大概率子集与最小概率子集的分形维数差和声波时差AC的多重分形谱的偏斜度，补偿密度DEN的多重分形谱的宽度、补偿密度DEN的多重分形谱中最大概率子集与最小概率子集的分形维数差和补偿密度DEN的多重分形谱的偏斜度，深感应电阻率RILD的多重分形谱的宽度、深感应电阻率RILD的多重分形谱中最大概率子集与最小概率子集的分形维数差和深感应电阻率RILD的多重分形谱的偏斜度。

需要说明的是，相较于普通识别方法一般只对一条曲线只能得到一个参数，导致没有充分利用测井资料，获得的参数不足以很好地刻画具体特征；本发明实施方式则利用多重分形方法对测井曲线的自然伽马GR、声波时差AC、补偿密度DEN和深感应电阻率RILD进行研究，,可从多重分形谱中提取出非常丰富的信息。由于，所研究的信息量的增加，因此，大大提高了裂缝发育研究的可靠性，并可以相较于现有的裂缝识别方法更准确地确定裂缝发育的边界。

在一个实施方式中，为了根据相应的测井曲线，通过多重分形算法求解得到相应的特征参数，具体可以按照以下公式进行求解提取：

Δα＝α_max-α_min

Δf＝f(α_min)-f(α_max)

其中，α为奇异性指数，Δα为多重分形谱的宽度，α_max为所述奇异性指数取最大值时的概率，α_min为所述奇异性指数取最小值时的概率，Δf为多重分形谱中最大概率子集与最小概率子集的分形维数差，f(α_max)为概率子集中最小概率元素个数的比例，f(α_min)为概率子集中最大概率元素个数的比例，k为多重分形谱的偏斜度，α₀为f(α)取最大值时对应的奇异性指数。

需要说明的是，上述所使用的求解公式是根据Chhabra和Jensen的算法理论推导获得的用于计算具体裂缝特征参数的求解公式。具体求解过程，可以参阅图4。根据Chhabra和Jensen的算法理论，具体可以用n个尺度为δ的盒子覆盖被研究的多重分形集对象，定义在第i个盒子的奇异概率测度为P_i(δ)，通过改变δ的值，求出对应的和利用∑μ_iln(μ_i)～lnδ和∑μ_iln(P_i)～lnδ关系求出无标度区域，并用最小二乘法拟合出f(q)和α(q)的值，作出相应的多重分形曲线，即得到多重分形谱。

即为

在得到多重分形谱后，从分形谱中提取以下三个参数：

1)定义多重分形谱的宽度为：

Δα＝α_max-α_min

其中，Δα表示最小概率与最大概率的差别，定量表征了测度在空间上分布的非均匀程度；Δα越大，表明测井数据波动越大。2)定义最大概率子集与最小概率子集的分形维数差为：

Δf＝f(α_min)-f(α_max)

其中，Δf值大小表明测井数据偏离均值波动的程度。

3)定义多重分形谱的偏斜度为：

其中，α₀为f(α)取最大值时的奇异值，k表示多重分形谱顶点的左右偏斜程度，k＞1表示奇异值小所占比例多，测井曲线局部奇异性越强，反之，表示奇异值大的所占比较多，测井曲线局部奇异性越弱。

此外，图4与上述算式中还出现：δ表示盒子的尺度，即盒子的边长；n表示盒子的个数；μ表示构造的测度族；q为权重因子，其中(-q₀，q₀)表示q的取值范围，且按照Δα的改变率(|dα_max|/Δα和|dα_min|/Δα)小于0.2％确定q0的值；参数和无具体含义，仅仅代表中间参数。

步骤106：根据裂缝特征参数建立裂缝非线性识别模型；

在一个实施方式中，为了获得用于后续处理所需要的单井的裂缝识别结果，可以考虑先建立一个裂缝非线性识别模型，根据该模型获得相应的单井的裂缝识别结果。具体建立该裂缝非线性识别模型时，为了进一步提高通过该模型获得的裂缝识别结果的准确度，即提高该模型的可靠性，可以考虑根据所提取的裂缝特征参数，利用概率神经网络算法建立裂缝非线性识别模型。具体处理，可以参阅图3，包括：

步骤301：根据裂缝特征参数，通过概率神经网络算法，建立初始识别模型；

在本实施方式中，为了建立较为准确的识别模型，可以利用概率神经网络算法，根据提取得到的裂缝特征参数，参阅图5，可以按照以下方式建立相应的初始识别模型：

S1、将样本的属性值归一化后传递给网络输入层；

在本实施方式中，所述的样本的属性值可以是一个n×m的向量，n代表样本的个数，m代表参数的个数。在一个具体实施方式中m为求取的12个分形谱参数，n可以取58。其中，所述样本可以是根据裂缝资料中的取心井资料选取的，一个样本对应m个参数和1个裂缝标签。具体地，裂缝标签可以是些特定符号，也可以是一些特定数字，用于区别是否是裂缝，例如：裂缝可以用1表示，非裂缝可以用0表示。

S2、计算模式距离，在模式层计算输入特征向量与训练集中各个模式的匹配关系；

在本实施方式中，所述特征向量可以是根据裂缝特征参数得到。具体地，可以是通过将样本的属性值归一化后，计算欧式距离，并取标准差σ＝0.1的高斯函数后得到。

在本实施方式中，样本可以包括训练集和预测集。其中，每个训练集和预测集都是有m个参数和裂缝标签组成。具体地，训练集可以用来对算法进行学习并验证算法的效果，以不断调整相关参数，以提高算法预测的准确率；预测集可以用来预测裂缝。其中，初始的裂缝标签可以是事先随意给定，但不影响最终预测结果，这么处理，可以保证实施时数据的完整性。此外，这里的训练集来自于根据裂缝资料中的取心资料和成像测井资料识别出的裂缝，即已经明确知道是裂缝或不是裂缝的样本。

S3、在求和层中求得各个样本属于各类的概率和；

S4、在输出层输出判决的结果。

在本实施方式中，所建立的识别模型是非线性隐式模型，即y＝PNN(x1,x2,…,xm)，式中PNN是非线性函数，这种函数不能用通常的数学公式表示，但可由算法给出。在本实施方式中，所述判别结果可以是识别模型最终输出的结果，输出的可以是裂缝标签，为0或1，其中，1表示裂缝，0表示非裂缝。

需要说明的是，在本实施方式中，网络输入层、模式层、求和层以及输出层是神经网络算法的术语，是对神经网络算法内部结构的表述。具体地，输入层接收来自训练样本的值；模式层计算输入特征向量与训练集中各个模式的匹配关系；求和层中求得各个样本属于各类的概率和；输出层输出判决的结果。它们构成了神经网络的基本结构。本发明实施例利用该结构获得了较为准确的初始识别模型。

步骤302：根据裂缝资料，通过初始识别模型得到结果数据；

步骤303：将结果数据与裂缝资料进行比较，得到比较误差；

在本实施方式中，具体实施时，可以利用该初始识别模型对取心段进行识别，这时获得的结果数据可以是取心段的结果数据，将取心段的结果数据与裂缝资料中取心段的实测数据进行比较，得到的相对误差可以作为这里的比较误差。

步骤304：如果比较误差小于等于预设阈值，则将初始识别模型确定为裂缝非线性识别模型。

在一个实施方式中，在将结果数据与裂缝资料进行比较，得到比较误差之后，如果比较误差大于预设阈值，则该初始识别模型不符合施工要求，这时，可以通过调整初始识别模型的网络权值调整该初始识别模型，直到基于调整后的初始识别模型得到的比较误差小于等于预设阈值，再将调整后的这个初始识别模型确定为裂缝非线性识别模型。具体地，可以通过对训练集中的样本学习，根据输入模式的计算误差，以一定的百分比调节网络权值，直到每一训练样本的产生的输出误差在可接受的范围内，说明建立的模型合适。需要说明的是，在本实施方式中，通过调整初始识别模型的网络权值调整该初始识别模型的调整方法只是为了更好的说明本发明实施例所列举的一个示意性方法，还可以包括其他调整方法，可以根据具体的施工情况和生产条件，选择合适的调整方法来调整初始识别模型，对此，本申请不作限定。

步骤107：通过裂缝非线性识别模型获得研究区内单井的裂缝识别结果；

在本实施方式中，为了建立研究区的裂缝强度的三维模型，可以利用单井的裂缝识别结果作为参考数据之一，为了得到较为准确的研究区内单井的裂缝识别结果，一般可以根据裂缝资料，通过裂缝分线性识别模型求解获得。

步骤108：根据单井的裂缝识别结果、生产动态资料、裂缝的发育特征和裂缝的分布规律，确定研究区的裂缝强度的三维模型。

在一个实施方式中，为了建立较为准确的裂缝强度的三维模型，并可以利用该模型对更大范围的裂缝进行识别，可以考虑将裂缝分布和连通情况考虑进模型，再结合单井的裂缝识别结果，并充分利用生产动态资料、裂缝的发育特征和裂缝分布规律来确定该研究区的裂缝强度的三维模型。具体实施可以包括：

S1、根据生产动态资料，分析得到井间裂缝的分布和连通情况；

S2、根据单井的裂缝识别结果、研究区的裂缝的发育特征、研究区的裂缝分布规律、井间裂缝的分布和连通情况，通过地质统计学随机模拟的方法建立所述研究区的裂缝强度的三维模型。

在一个实施方式中，生产动态资料可以包括以下至少之一：微裂缝监测数据，示踪剂监测数据，吸水剖面与吸水指示曲线，试井测井数据和油水井生产动态资料。需要说明的是，上述所列举的生产动态资料是为了更好地说明本发明实施例所列举的几个示意性例子，具体操作时，还可以根据具体情况选择符合要求的相关资料作为生产动态资料，对此，本申请不作限定。

在本实施方式中，根据所建立裂缝强度的三维模型可以进一步获取研究区的裂缝强度属性体。进而，可以获得的裂缝强度属性体作为裂缝发育富集程度的重要约束条件之一，通过地质统计学的方法进行随机模拟，最终可以建立离散裂缝网络(DiscreteFracture Network，DFN)模型。

在本实施方式中，所述通过地质统计学随机模拟的方法建立所述研究区的裂缝强度的三维模型。可以是通过裂缝发育趋势数据约束下的单井裂缝密度插值方法建立所述裂缝强度的三维模型。其中，上述插值方法可以为序贯高斯模拟方法。具体实施过程可以为：结合裂缝参数的统计结果，绘制裂缝方位统计玫瑰图，将井点裂缝资料输入到模型中，产生裂缝属性及密度曲线及累计密度曲线，并根据井间裂缝的分布和连通情况进行约束，利用基于目标的随机建模方法建立裂缝强度的三维模型。

在本发明实施例中，通过综合运用多分辨率基于图形的聚类分析方法、多重分形算法和概率神经网络算法，并从岩心井段到井点再到平面，由点到线再到面，逐步对储层裂缝进行定量识别，解决了现有的裂缝识别方法中存在的裂缝识别范围小和裂缝识别准确度差的技术问题，实现了对裂缝发育层段和平面分布的识别和预测，并提高裂缝识别的准确度。

基于同一发明构思，本发明实施例中还提供了一种裂缝识别装置，如下面的实施例所述。由于裂缝识别装置解决问题的原理与裂缝识别方法相似，因此裂缝识别装置的实施可以参见裂缝识别方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。参阅图6，是本发明实施例的裂缝识别装置的一种结构框图，如图6所示，可以包括：获取模块601、第一确定模块602、第二确定模块603、划分模块604、提取模块605、第三确定模块606、识别模块607和第四确定模块608，下面对该结构进行说明。

获取模块601，用于获取研究区的裂缝资料，其中，裂缝资料包括研究区目的层段岩心资料、测井资料和生产动态资料；

第一确定模块602，用于根据裂缝资料确定研究区的裂缝的发育特征和裂缝的分布规律；

第二确定模块603，用于根据研究区目的层段岩心资料、裂缝的发育特征和裂缝的分布规律，建立岩性的电性识别标准；

划分模块604，用于根据岩性的电性识别标准，划分得到各种岩性；

提取模块605，用于根据测井曲线，分别提取各种岩性的裂缝特征参数；

第三确定模块606，用于根据裂缝特征参数建立裂缝非线性识别模型；

识别模块607，用于通过裂缝非线性识别模型获得研究区内单井的裂缝识别结果；

第四确定模块608，用于根据单井的裂缝识别结果、生产动态资料、裂缝的发育特征和裂缝的分布规律，确定研究区的裂缝强度的三维模型。

在一个实施方式中，获取模块601可以按照以下方式获取研究区的裂缝资料：根据研究区内的地表露头分析结果、岩心观察数据、薄片分析数据、实验测试数据、研究区的测井数据和生产动态数据，获取研究区的裂缝资料。

在一个实施方式中，第一确定模块602所确定的裂缝发育特征可以包括：裂缝的产状、裂缝的倾角、裂缝的发育岩性和裂缝的充填情况。

在一个实施方式中，第二确定模块603可以按照以下方式建立岩性的电性识别标准：

S1、根据裂缝资料，建立训练数据集；

S2、利用基于图形的聚类分析方法对所述训练数据集进行建模和学习，以建立测井相；

S3、根据研究区目的层段岩心资料标定测井相，确定测井相对应的岩性，并将标定后的测井相作为该岩性对应的电性识别标准。

在一个实施方式中，提取模块605具体可以按照以下方式提取相应的裂缝特征参数：

对于各种岩性，按照以下方式提取当前岩性的裂缝特征参数：

根据当前岩性的测井曲线的自然伽马GR、声波时差AC、补偿密度DEN和深感应电阻率RILD，通过多重分形算法，分别提取得到以下参数作为该岩性的裂缝特征参数：自然伽马GR的多重分形谱的宽度、自然伽马GR的多重分形谱中最大概率子集与最小概率子集的分形维数差和自然伽马GR的多重分形谱的偏斜度，声波时差AC的多重分形谱的宽度、声波时差AC的多重分形谱中最大概率子集与最小概率子集的分形维数差和声波时差AC的多重分形谱的偏斜度，补偿密度DEN的多重分形谱的宽度、补偿密度DEN的多重分形谱中最大概率子集与最小概率子集的分形维数差和补偿密度DEN的多重分形谱的偏斜度，深感应电阻率RILD的多重分形谱的宽度、深感应电阻率RILD的多重分形谱中最大概率子集与最小概率子集的分形维数差和深感应电阻率RILD的多重分形谱的偏斜度。

在一个实施方式中，提取模块405具体可以根据测井曲线，通过多重分形算法，按照以下公式提取对应的裂缝特征参数：

Δα＝α_max-α_min

Δf＝f(α_min)-f(α_max)

其中，α为奇异性指数，Δα为多重分形谱的宽度，α_max为所述奇异性指数取最大值时的概率，α_min为所述奇异性指数取最小值时的概率，Δf为多重分形谱中最大概率子集与最小概率子集的分形维数差，f(α_max)为概率子集中最小概率元素个数的比例，f(α_min)为概率子集中最大概率元素个数的比例，k为多重分形谱的偏斜度，α₀为f(α)取最大值时对应的奇异性指数。

在一个实施方式中，第三确定模块406可以根据裂缝特征参数建立裂缝非线性识别模型，具体可以包括：

S1、根据裂缝特征参数，通过概率神经网络算法，建立初始识别模型；

S2、根据裂缝资料，通过初始识别模型得到结果数据；

S3、将结果数据与裂缝资料进行比较，得到比较误差；

S4、如果比较误差小于等于预设阈值，则将初始识别模型确定为裂缝非线性识别模型。

在一个实施方式中，第三确定模块606在将结果数据与裂缝资料进行比较，得到比较误差之后，如果比较误差大于预设阈值，则通过调整初始识别模型的网络权值调整该初始识别模型，直到基于调整后的初始识别模型得到的比较误差小于等于预设阈值，将调整后的初始识别模型确定为裂缝非线性识别模型。

在一个实施方式中，识别模块609可以根据单井的裂缝识别结果、生产动态资料、裂缝的发育特征和裂缝分布规律，确定研究区的裂缝强度的三维模型，可以包括：

S1、根据生产动态资料，分析得到井间裂缝的分布和连通情况；

S2、根据单井的裂缝识别结果、研究区的裂缝的发育特征、研究区的裂缝分布规律、井间裂缝的分布和连通情况，通过地质统计学随机模拟的方法建立研究区的裂缝强度的三维模型。

在本实施方式中，生产动态资料可以包括以下至少之一：微裂缝监测数据，示踪剂监测数据，吸水剖面与吸水指示曲线，试井测井数据和油水井生产动态资料。需要说明的是，上述所列举的生产动态资料是为了更好地说明本发明实施例所列举的几个示意性例子，具体操作时，还可以根据具体情况选择符合要求的相关资料作为生产动态资料，对此，本申请不作限定。

下面结合一个具体实施例对上述裂缝识别方法和装置进行说明，然而值得注意的是，该实施例仅是为了更好地说明本发明，并不构成对本发明的不当限定。

在一个具体实施例中，根据本申请提供的裂缝识别方法或装置对长庆油田B153区块的裂缝进行识别预测时，可以按照如下步骤执行：

S1：根据地表露头、岩心观察、薄片分析、成像测井等资料对裂缝的发育特征进行分析，包括裂缝的产状、倾角、发育岩性、充填情况等。

通过对研究区进行地磁定向岩心、薄片观察，B153区块延长组长63储层裂缝走向优势方位以NE-NEE向与近EW-NNW向为主，其次为NW-NNW向，具体请参阅图7。成像测井裂缝参数统计表明，参阅图8和图9，裂缝走向范围为55.6°-107.5°，平均为77.9°；倾角为72.2°-90°，平均为83.7°，以直立缝和高角度缝为主，其中钙质粉砂岩和粉砂岩中裂缝最发育，其次为泥质粉砂岩，粉砂质泥岩或泥岩中发育程度低，具体可以参阅图10。裂缝长度主要为0.04-0.85m，小于0.4m的裂缝较多，占92.6％。裂缝类型主要为构造裂缝，以未充填裂缝居多，充填物以方解石为主，同时充填少量泥质和碳质。此外，裂缝发育程度明显受单层厚度的控制，即岩层越薄裂缝越发育。

S2：以岩心描述资料为基础，结合分析化验资料，建立不同岩性的电性识别标准，具体地，可以按照以下方式建立电性识别标准：

S2-1：根据储层特征，优选岩性敏感曲线自然伽马(GR)、声波时差(AC)、补偿密度(DEN)，通过质量控制，剔除异常曲线值，建立训练数据集。

S2-2：利用多分辨率基于MRGC(Multi Resolution Graph-Based Clustering，图形的聚类分析方法)对训练集进行建模和学习，从而建立测井相。

S2-3：利用岩心描述、薄片分析资料标定与刻度测井相，将其定义成为具有地质特征的岩性相。请参阅图11，为本发明实施例预测岩性与取心岩性的对比图。

S3：利用多重分形算法提取各种岩性的裂缝特征参数，结合概率神经网络算法建立天然裂缝非线性识别模型，具体地，可以按照以下步骤建立识别模型：

S3-1：特征参数提取

根据Chhabra和Jensen的算法理论，用n个尺度为δ的盒子覆盖被研究的多重分形集对象，定义在第i个盒子的奇异概率测度为P_i(δ)，通过改变δ的值，求出对应的和利用∑μ_iln(μ_i)～lnδ和∑μ_iln(P_i)～lnδ关系求出无标度区域，并用最小二乘法拟合出f(q)和α(q)的值，作出相应的多重分形曲线，即得到多重分形谱。

即

在得到多重分形谱后，从分形谱中提取以下三个参数：

1)定义多重分形谱的宽度为：

Δα＝α_max-α_min

其中，Δα表示最小概率与最大概率的差别，定量表征了测度在空间上分布的非均匀程度；Δα越大，表明测井数据波动越大。

2)定义最大概率子集与最小概率子集的分形维数差为：

Δf＝f(α_min)-f(α_max)

其中，Δf值大小表明测井数据偏离均值波动的程度。

3)定义多重分形谱的偏斜度为：

其中，α₀为f(α)取最大值时的奇异值，k表示多重分形谱顶点的左右偏斜程度，k＞1表示奇异值小所占比例多，测井曲线局部奇异性越强，反之，表示奇异值大的所占比较多，测井曲线局部奇异性越弱。

优选裂缝敏感测井曲线自然伽马GR、声波时差AC、补偿密度DEN、深感应电阻率RILD，根据多重分形算法，从而得到各种岩性的12个分形谱参数。

S3-2：基于概率神经网络算法建立天然裂缝非线性识别模型：

根据岩心资料和成像测井资料选取样本，将步骤(1)中求取的12个分形谱参数作为每个样本的输入向量，裂缝识别类型(裂缝用1表示，非裂缝用0表示)作为输出向量。

将样本的属性值归一化后传递给网络输入层，计算模式距离，其中输入结点数n＝12，输出层结点数为2；在模式层计算输入特征向量与训练集中各个模式的匹配关系，其中模式神经元的个数等于各个类别训练样本数之和；在求和层中求得各个样本属于各类的概率和；在输出层输出判决的结果，概率最大的神经元输出为1，即所对的那一类为待识别样本的类别，其它神经元输出值都为0。

利用建立的裂缝识别模型对取心井段样本进行预测和回判，测试网络模型的分类效果。根据输入模式的计算误差，以一定的百分比调节网络权值和阈值，直到每一训练样本的产生的输出误差在可接受的范围内。

通过利用概率神经网络法对8口取心井58块岩心样本学习，识别出裂缝29条(共计30条)，效果比较好，证明了此方法的可靠性。B411井裂缝预测结果与岩心观察裂缝对比结果可以参阅图12所示的结果。

根据建立的最优识别模型即可对非取心井段进行分类预测。

S4：根据单井天然裂缝识别结果，利用测试资料及油水井生产动态资料，完成裂缝的平面和纵向分布，并结合裂缝参数的统计分析，用地质统计学的方法进行随机模拟，建立三维裂缝强度体模型。

具体地，可以按照下述步骤建立三维裂缝强度体模型：

S4-1：在单井识别裂缝分布位置的基础上，通过裂缝监测、示踪剂、试井、生产动态资料可以有效地研究裂缝在井间的分布及连通情况，进而研究裂缝的平面和纵向分布规律，其中裂缝的平面分布情况可以参阅图14。

这些动态特征包括：①微裂缝监测：通过识别、定位微地震事件，反演出这些压裂缝的位置和规模；②示踪剂监测：通过监测示踪剂浓度，判断注入水渗流方向、速度和变化规律，判断裂缝方向；③试井测试：随着注水时间延长，试井分析有效渗透率比岩心分析值高出1～2个数量级，呈现明显的裂缝型渗流特征，且有持续延伸的趋势；④吸水剖面与吸水指示曲线：发育裂缝的层位，吸水剖面呈尖峰状吸水特征，吸水剖面同位素API>500，同位素峰值、强度峰值大于均值3倍，吸水指示曲线常出现拐点；⑤油水井生产动态：裂缝产生导致水井注入量增加、油压降低，油井液量及含水增加、油量递减。

S4-2：根据裂缝识别结果，结合裂缝参数的统计分析，用地质统计学的方法进行随机模拟，建立三维裂缝强度体模型。

根据裂缝参数的统计规律，对裂缝发育方位进行分组，分布是北东东、北西西和近东西向。将井点裂缝资料输入到模型中，产生裂缝属性、密度曲线及累计密度曲线，在岩性、沉积相控制和生产动态资料约束下，采用序贯高斯模拟方法，分别对三组裂缝模拟，生成裂缝强度三维模型，具体可以参阅图15，其中，图15右上角的箭头用于指向北方向。

参阅图13，可以得出，研究区裂缝在砂质碎屑流主体和边缘相带最为发育，其中，由于碎屑流主体砂厚较大，裂缝在仅其砂体顶部或底部发育；浊流和湖相沉积中泥质岩类比例较高，裂缝发育程度明显低于砂质碎屑流。

以裂缝强度属性体作为裂缝发育富集程度的重要约束条件，用地质统计学的方法进行随机模拟，建立DFN裂缝模型。

从以上的描述中，可以看出，本发明实施例实现了如下技术效果：通过利用多重分形算法，根据不同岩性中测井曲线的自然伽马GR、声波时差AC、补偿密度DEN和深感应电阻率RILD分别提取多个特征参数，充分利用了测井资料，提高了裂缝识别的准确度；通过利用概率神经网络算法建立了相对准确的裂缝非线性识别模型，进一步提高了裂缝识别的准确度；通过利用多分辨率基于图像的聚类分析方法建立了不同岩性的电性识别标准，并以此为依据划分岩性，对于不同岩性区分处理，再一次提高了裂缝识别的准确度，根据上述方法获得的数据，结合单井的裂缝识别结果，裂缝在单井间的分布和连通情况，从岩心井段到井点再到平面逐步对储层裂缝进行定量识别，解决了现有裂缝识别方法存在的裂缝识别范围小的技术问题，扩大了裂缝识别的实施范围，实现了对裂缝发育层段和平面分布的识别和预测；又通过综合运用上述的多重分形算法、概率神经网络算法和多分辨率基于图像的聚类分析方法，协同处理裂缝识别，解决了现有裂缝识别方法中存在的裂缝识别准确度差的技术问题，提高了模型的可靠性，提高了裂缝识别的准确度。

显然，本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。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 (11)

1.一种裂缝识别方法，其特征在于，包括：

获取研究区的裂缝资料，其中，所述裂缝资料包括研究区目的层段岩心资料、测井资料和生产动态资料；

根据所述裂缝资料确定研究区的裂缝的发育特征和裂缝的分布规律；

根据所述研究区目的层段岩心资料、所述裂缝的发育特征和所述裂缝的分布规律，建立岩性的电性识别标准；

根据所述岩性的电性识别标准，划分得到各种岩性；

根据所述测井曲线，分别提取所述各种岩性的裂缝特征参数；

根据所述裂缝特征参数建立裂缝非线性识别模型；

通过所述裂缝非线性识别模型获得研究区内单井的裂缝识别结果；

根据所述单井的裂缝识别结果、所述生产动态资料、所述裂缝的发育特征和所述裂缝的分布规律，确定研究区的裂缝强度的三维模型。

2.根据权利要求1所述的方法，其特征在于，所述获取研究区的裂缝资料包括：根据所述研究区内的地表露头分析结果、岩心观察数据、薄片分析数据、实验测试数据、研究区的测井数据和生产动态数据，获取研究区的裂缝资料。

3.根据权利要求1所述的方法，其特征在于，所述裂缝的发育特征包括：裂缝的产状、裂缝的倾角、裂缝的发育岩性和裂缝的充填情况。

4.根据权利要求1所述的方法，其特征在于，根据所述研究区目的层段岩心资料、所述裂缝的发育特征和所述裂缝的分布规律，建立岩性的电性识别标准，包括：

根据所述裂缝资料，建立训练数据集；

利用基于图形的聚类分析方法对所述训练数据集进行建模和学习，以建立测井相；

根据所述研究区目的层段岩心资料标定所述测井相，确定所述测井相对应的岩性，并将标定后的测井相作为所述岩性对应的电性识别标准。

5.根据权利要求1所述的方法，其特征在于，根据所述测井曲线，分别提取所述各种岩性的裂缝特征参数，包括：

对于所述各种岩性，按照以下方式提取当前岩性的裂缝特征参数：

根据所述当前岩性的测井曲线的自然伽马GR、声波时差AC、补偿密度DEN和深感应电阻率RILD，通过多重分形算法，分别提取得到以下参数作为所述岩性的裂缝特征参数：GR的多重分形谱的宽度、GR的多重分形谱中最大概率子集与最小概率子集的分形维数差和GR的多重分形谱的偏斜度，AC的多重分形谱的宽度、AC的多重分形谱中最大概率子集与最小概率子集的分形维数差和AC的多重分形谱的偏斜度，DEN的多重分形谱的宽度、DEN的多重分形谱中最大概率子集与最小概率子集的分形维数差和DEN的多重分形谱的偏斜度，RILD的多重分形谱的宽度、RILD的多重分形谱中最大概率子集与最小概率子集的分形维数差和RILD的多重分形谱的偏斜度。

6.根据权利要求5所述的方法，其特征在于，根据所述测井曲线，通过多重分形算法，按照以下公式提取对应的裂缝特征参数：

Δα＝α_max-α_min

Δf＝f(α_min)-f(α_max)

$k=\frac{{\mathrm{\α}}_0-{\mathrm{\α}}_{min}}{{\mathrm{\α}}_{max}-{\mathrm{\α}}_0}$

其中，α为奇异性指数，Δα为多重分形谱的宽度，α_max为所述奇异性指数取最大值时的概率，α_min为所述奇异性指数取最小值时的概率，Δf为多重分形谱中最大概率子集与最小概率子集的分形维数差，f(α_max)为概率子集中最小概率元素个数的比例，f(α_min)为概率子集中最大概率元素个数的比例，k为多重分形谱的偏斜度，α₀为f(α)取最大值时对应的奇异性指数。

7.根据权利要求1所述的方法，其特征在于，根据所述裂缝特征参数建立裂缝非线性识别模型，包括：

根据所述裂缝特征参数，通过概率神经网络算法，建立初始识别模型；

根据所述裂缝资料，通过所述初始识别模型得到结果数据；

将所述结果数据与所述裂缝资料进行比较，得到比较误差；

如果所述比较误差小于等于预设阈值，则将所述初始识别模型确定为所述裂缝非线性识别模型。

8.根据权利要求7所述的方法，其特征在于，在将所述结果数据与所述裂缝资料进行比较，得到比较误差之后，如果所述比较误差大于预设阈值，则通过调整所述初始识别模型的网络权值调整所述初始识别模型，直到基于调整后的初始识别模型得到的比较误差小于等于预设阈值，将调整后的初始识别模型确定为所述裂缝非线性识别模型。

9.根据权利要求1所述的方法，其特征在于，根据所述单井的裂缝识别结果、所述生产动态资料、所述裂缝的发育特征和所述裂缝分布规律，确定研究区的裂缝强度的三维模型，包括：

根据所述生产动态资料，分析得到井间裂缝的分布和连通情况；

根据所述单井的裂缝识别结果、所述裂缝的发育特征、所述裂缝分布规律、所述井间裂缝的分布和连通情况，通过地质统计学随机模拟的方法建立所述研究区的裂缝强度的三维模型。

10.根据权利要求9所述的方法，其特征在于，所述生产动态资料包括以下至少之一：

微裂缝监测数据，示踪剂监测数据，吸水剖面与吸水指示曲线，试井测井数据和油水井生产动态资料。

11.一种裂缝识别装置，其特征在于，包括：

获取模块，用于获取研究区的裂缝资料，其中，所述裂缝资料包括研究区目的层段岩心资料、测井资料和生产动态资料；

第一确定模块，用于根据所述裂缝资料确定研究区的裂缝的发育特征和裂缝的分布规律；

第二确定模块，用于根据所述研究区目的层段岩心资料、所述裂缝的发育特征和所述裂缝的分布规律，建立岩性的电性识别标准；

划分模块，用于根据所述岩性的电性识别标准，划分得到各种岩性；

提取模块，用于根据所述测井曲线，分别提取所述各种岩性的裂缝特征参数；

第三确定模块，用于根据所述裂缝特征参数建立裂缝非线性识别模型；

识别模块，用于通过所述裂缝非线性识别模型获得研究区内单井的裂缝识别结果；

第四确定模块，用于根据所述单井的裂缝识别结果、所述生产动态资料、所述裂缝的发育特征和所述裂缝的分布规律，确定研究区的裂缝强度的三维模型。