CN108122066B - 储层岩性的确定方法和装置 - Google Patents
储层岩性的确定方法和装置 Download PDFInfo
- Publication number
- CN108122066B CN108122066B CN201711114968.7A CN201711114968A CN108122066B CN 108122066 B CN108122066 B CN 108122066B CN 201711114968 A CN201711114968 A CN 201711114968A CN 108122066 B CN108122066 B CN 108122066B
- Authority
- CN
- China
- Prior art keywords
- type
- well
- logging
- rock
- lithology
- 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 84
- 239000011435 rock Substances 0.000 claims abstract description 145
- 238000004458 analytical method Methods 0.000 claims description 43
- 230000035945 sensitivity Effects 0.000 claims description 31
- 238000003384 imaging method Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 20
- 238000007418 data mining Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000011161 development Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 description 32
- 238000010276 construction Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 239000010410 layer Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000015572 biosynthetic process Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Geochemistry & Mineralogy (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请实施方式提供了一种储层岩性的确定方法和装置，其中，该方法包括：获取目标区域的岩心样品、测井数据，测井数据包括第一类井的测井数据和第二类井的测井数据，第一类井包括取心井，第二类井包括除取心井以外其他的单井；根据岩心样品，将第一类井分别划分为多个待识别岩石类型；根据第一类井的待识别岩石类型、第一类井的测井数据，建立重构指示曲线；根据重构指示曲线和第二类井的测井数据，分别确定第二类井的岩性。由于该方案以取心井为参考，先划分取心井的岩石类型；根据不同岩石类型的特点，建立重构指示曲线，用以识别其他测井的具体岩性，从而解决了现有方法中存在的确定岩性效率低、准确度差的技术问题。
Description
技术领域
本申请涉及油气勘探开发技术领域，特别涉及一种储层岩性的确定方法和装置。
背景技术
在油气勘探开发的过程中，往往需要先对工区内的储层岩性进行识别，进而后续可以根据所确定的储层岩性进行相应的施工开发。
目前，为了确定储层岩性大多是通过对岩心及成像测井的直接鉴定或者对非成像测井曲线的间接识别等方式识别储层岩性。其中，上述通过对岩心及成像测井的直接鉴定以识别储层岩性的方法具体可以包括：对取心井的岩性进行详细观察描述，并结合岩石薄片鉴定结果，以及成像测井资料提供的高分辨率近地层影像资料等对取心井的岩性进行具体确定。但是，该方法具体实施时受到取心井的限制，仅能用于确定取心井或成像测井的岩性，而不能对工区中的其他单井以及工区内的其他区域的岩性进行识别，此外上述方法实施时效率相对较低、成本相对较高。上述通过对非成像测井曲线的间接识别以识别储层岩性的方法具体可以包括：通过测井响应曲线与岩性的相关关系建立测井值与岩性的关系图版，继而利用关系图版确定不同测井值所对应的岩性以识别储层岩性。但是，该方法具体实施时，由于不同的测井曲线对不同岩性识别的敏感程度差异较大，且某些情况下储层岩性与测井曲线并不一定存在严格的线性对应关系，因此，直接利用上述关系图版识别岩性准确度相对较差。综上可知，现有方法具体实施时，存在的确定岩性效率低、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
本申请实施方式提供了一种储层岩性的确定方法和装置，以解决现有方法中存在的确定岩性效率低、准确度差的技术问题，达到高效、精确地识别储层岩性的技术效果。
本申请实施方式提供了一种储层岩性的确定方法，包括：
获取目标区域的岩心样品、测井数据，其中，所述测井数据包括第一类井的测井数据和第二类井的测井数据，所述第一类井包括目标区域中的取心井，所述第二类井包括目标区域中除取心井以外其他的单井；
根据所述岩心样品，将所述第一类井分别划分为多个待识别岩石类型；
根据第一类井的待识别岩石类型、所述第一类井的测井数据，建立重构指示曲线；
根据所述重构指示曲线和所述第二类井的测井数据，分别确定所述第二类井的岩性。
在一个实施方式中，根据所述岩心样品，将所述第一类井分别划分为多个待识别岩石类型，包括：
根据所述岩心样品，将所述第一类井分别划分为多个第一岩石类型；
根据所述测井数据中测井曲线的识别精度，合并所述多个第一岩石类型，得到多个第二岩石类型，并将所述第二岩石类型作为所述待识别岩石类型。
在一个实施方式中，所述待识别岩石类型包括以下至少之一：泥岩类型、细砂岩类型、中砂岩类型、粗砂岩类型、含砾粗砂岩类型、砂砾岩类型。
在一个实施方式中，根据第一类井的待识别岩石类型、所述第一类井的测井数据，建立重构指示曲线，包括：
根据所述第一类井的待识别岩石类型、所述第一类井的测井数据，建立第一类井的岩电参数数据表；
根据所述岩电参数数据表，从多条测井曲线中确定出多条符合要求的测井曲线，其中，所述第一类井的测井数据包括所述多条测井曲线；
对所述多条符合要求的测井曲线进行数据重构，以建立所述重构指示曲线。
在一个实施方式中，根据所述第一类井的待识别岩石类型、所述第一类井的测井数据，建立第一类井的岩电参数数据表，包括：
根据所述第一类井的待识别岩石类型，对所述第一类井的测井数据进行岩心归位，以建立测井曲线响应参数与第一类井深度的对应关系；
根据所述测井曲线响应参数与第一类井深度的对应关系，建立第一类井的岩电参数数据表。
在一个实施方式中，根据所述岩电参数数据表，从多条测井曲线中确定出多条符合要求的测井曲线，包括：
根据所述岩电参数数据表，对所述多条测井曲线进行交会分析和数据挖掘分析；
根据交会分析结果、数据挖掘分析结果，从所述多条测井曲线中确定出多条符合要求的测井曲线，其中，所述符合要求的测井曲线的岩性识别敏感度大于敏感度阈值。
在一个实施方式中，在建立重构指示曲线后，所述方法还包括：
获取第一类井的成像测井资料；
根据所述成像测井资料，对所述重构指示曲线进行校验。
在一个实施方式中，在对所述重构指示曲线校验不成功的情况下，所述方法还包括：
根据所述第一类井的待识别岩石类型、所述第一类井的测井数据，建立神经网络模型；
根据所述神经网络模型，确定非线性岩性识别参数；
根据所述非线性岩性识别参数，分别确定所述第二类井的岩性。
在一个实施方式中，在分别确定所述第二类井的岩性后，所述方法还包括：
根据所述第二类井的岩性，建立目标区域的岩性剖面；
根据所述目标区域的岩性剖面，对所述目标区域进行储层评价，并根据储层评价结果，对所述目标区域进行油气开发。
在一个实施方式中，所述目标区域包括砂砾岩储层。
本申请还提供了一种储层岩性的确定装置，包括：
获取模块，用于获取目标区域的岩心样品、测井数据，其中，所述测井数据包括第一类井的测井数据和第二类井的测井数据，所述第一类井包括目标区域中的取心井，所述第二类井包括目标区域中除取心井以外其他的单井；
划分模块，用于根据所述岩心样品，将所述第一类井分别划分为多个待识别岩石类型；
建立模块，用于根据第一类井的待识别岩石类型、所述第一类井的测井数据，建立重构指示曲线；
确定模块，用于根据所述重构指示曲线和所述第二类井的测井数据，分别确定所述第二类井的岩性。
在一个实施方式中，所述建立模块包括：
建立单元，用于根据所述第一类井的待识别岩石类型、所述第一类井的测井数据，建立第一类井的岩电参数数据表；
确定单元，用于根据所述岩电参数数据表，从多条测井曲线中确定出多条符合要求的测井曲线，其中，所述第一类井的测井数据包括所述多条测井曲线；
重构单元，用于对所述多条符合要求的测井曲线进行数据重构，以建立所述重构指示曲线。
在本申请实施方式中，通过以取心井作为参考，先划分取心井的岩石类型；根据不同的岩石类型的具体特点，建立识别岩性效果更好的重构指示曲线；再利用重构指示曲线确定其他测井的岩性，从而解决了现有方法中存在的确定岩性效率低、准确度差的技术问题，达到高效、精确地识别储层岩性的技术效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是根据本申请实施方式提供的储层岩性的确定方法的处理流程图；
图2是根据本申请实施方式提供的储层岩性的确定装置的组成结构图；
图3是在一个场景示例中应用本申请实施方式提供储层岩性的确定方法和装置获得的多条测井曲线两两交会识别岩性的示意图；
图4是在一个场景示例中应用本申请实施方式提供储层岩性的确定方法和装置获得的通过数据挖掘决策树方法确定的各曲线权重的示意图；
图5是在一个场景示例中应用本申请实施方式提供储层岩性的确定方法和装置获得的通过地层电阻率Rt与重构岩性敏感参数Log(AC*CNL)交会识别岩性的示意图；
图6是在一个场景示例中应用本申请实施方式提供储层岩性的确定方法和装置获得的岩心描述岩性及综合解释岩性检验对比示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
考虑到现有储层岩性的确定方法往往是简单地根据取心井数据和成像测井数据对取心井或者成像测井中的岩性进行识别，无法对其他测井或者工区中的其他区域进行储层岩性的确定，导致识别的范围有限。或者，现有方法简单地利用测井曲线和岩性的关系建立测井值与岩性的关系图版，通过图版识别岩性。但是，由于不同的测井曲线对不同岩性识别的敏感程度差异较大，且某些情况下储层岩性与测井曲线并不一定存在严格的线性对应关系，因此，直接利用上述关系图版识别岩性准确度相对较差。综上可知，现有方法具体实施时，存在的确定岩性效率低、准确度差的技术问题。针对产生上述技术问题的根本原因，本申请考虑可以将取心井、测井曲线在岩性识别上的优势相结合，以取心井作为参考，划分取心井的岩石类型；根据不同的岩石类型的具体特点，建立识别效果更好的重构指示曲线；再利用重构指示曲线确定其他测井的岩性，从而解决现有方法中存在的确定岩性效率低、准确度差的技术问题，达到高效、精确地识别储层岩性的技术效果。
基于上述思考思路，本申请实施方式提供了一种储层岩性的确定方法。具体请参阅图1所示的根据本申请实施方式提供的储层岩性的确定方法的处理流程图。本申请实施方式提供的储层岩性的确定方法，具体实施时可以包括以下步骤。
S11：获取目标区域的岩心样品、测井数据，其中，所述测井数据包括第一类井的测井数据和第二类井的测井数据，所述第一类井包括目标区域中的取心井，所述第二类井包括目标区域中除取心井以外其他的单井。
在一个实施方式中，上述目标区域具体可以是复杂砂砾岩储层等类型区域。其中，上述砂砾岩储层大多形成于构造活动强烈的山前地带，具有以下特点：由于具体形成过程中的沉积环境复杂，导致了砂砾岩储层具有极强的非均质性；又由于砂砾岩储层岩性多变，导致岩石成分岩石类型相对复杂；此外又由于砂砾岩储层通常展布不稳定，导致砂砾岩储层通常侧向相变相对较快；还由于不同类型砂砾岩储层物性差异相对较大，导致储层质量控制因素相对较复杂。
在本实施方式中，上述第一类井具体可以包括目标区域中的取心井，第二类井具体可以包括目标区域中除取心井以外其他的单井，即非取心井。需要补充的是，上述第一类井具体可以包括一口或多口取心井，上述第二类井具体可以包括一口或多口目标区域中除取心井以外其他的单井。具体的，例如目标区域中可以包括编号1至500一共500口单井。其中，编号1至10的单井为取心井，编号11至500的单井为目标区域中除取心井以外其他的单井，则可以将编号1至10的单井归为上述第一类井，将编号11至500的单井归为第二类井。
在本实施方式中，上述岩心样品具体可以是从取心井，即上述第一类井中获取的岩心样品。
S12：根据所述岩心样品，将所述第一类井分别划分为多个待识别岩石类型。
在一个实施方式中，为了能够将上述第一类井类中的多口取心井分别划分为多个待识别岩石类型，具体实施时，可以按照以下步骤执行。
S12-1：根据所述岩心样品，将所述第一类井分别划分为多个第一岩石类型。
在本实施方式中，可以对所述岩心样品进行精细描述。具体实施时，可以以观测到的相对较明显的岩性变化面为边界，以一个边界内相同的岩性段为描述单元；根据该描述单元所对应的岩心样品，利用1:50等比例精细描述的手段建立取心井的连续岩性剖面；对不同的岩性剖面分别先以泥岩、砂岩、砾岩、砂砾岩等大类进行区分，再对划分出来的每个大类的岩石类型(例如，砂岩和砾岩)进行细分，从而得到多个第一岩石类型。
在本实施方式中，上述第一岩石类型具体可以包括以下至少之一：泥岩类型、粉砂质泥岩类型、泥质粉砂岩类型、细砂岩类型、粉砂岩类型、含砾细砂岩类型、中砂岩类型、含砾中粒岩类型、粗砂岩类型、中粗砾岩类型、含砾粗砂岩类型、含砾不等粒砂岩类型、砂砾岩类型、砂质砾岩类型、小砾岩类型等。当然，需要说明的是，上述所列举的多种第一岩石类型只是为了更好地说明本申请实施方式，具体实施时，也可以根据具体情况和施工要求引入除上述列举之外的其他岩石类型。
S12-2：根据所述测井数据中测井曲线的识别精度，合并所述多个第一岩石类型，得到多个第二岩石类型，并将所述第二岩石类型作为所述待识别岩石类型。
在本实施方式中，具体实施时，可以根据测井数据中不同测井曲线识别不同岩石类型的精度差异，将上述多个第一岩石类型进行合并，从而可以得到多个第二岩石类型，即所述待识别岩石类型。
在本实施方式中，上述待识别岩石类型具体可以包括以下至少之一：泥岩类型、细砂岩类型、中砂岩类型、粗砂岩类型、含砾粗砂岩类型、砂砾岩类型等。当然，需要说明的是，上述所列举的多种待识别岩石类型只是为了更好地说明本申请实施方式，具体实施时，也可以根据具体情况和施工要求，引入除上述列举的岩石类型之外的其他岩石类型。具体的第一岩石类型和待识别岩石类型可以参阅表1所示的取心井第一岩石类型及合并后待识别岩石类型。
表1取心井第一岩石类型及合并后待识别岩石类型
S13：根据第一类井的待识别岩石类型、所述第一类井的测井数据，建立重构指示曲线。
在本实施方式中，考虑到直接利用测井曲线识别岩性准确度相对较差，且对不同岩性的识别精度差异相对较大，考虑可以结合不同测井曲线识别不同岩性的优势，通过数据重构，以获得识别岩性效果更好的岩性指示曲线，即重构指示曲线。
在一个实施方式中，为了能够获得上述对不同岩性都具有较好的识别精度的重构指示曲线，具体实施时，可以按照以下方式执行。
S13-1：根据所述第一类井的待识别岩石类型、所述第一类井的测井数据，建立第一类井的岩电参数数据表。
在一个实施方式中，为了建立第一类井的岩电参数数据表，具体实施时，可以包括以下内容：
S1：根据所述第一类井的待识别岩石类型，对所述第一类井的测井数据进行岩心归位，以建立测井曲线响应参数与第一类井深度的对应关系；
S2：根据所述测井曲线响应参数与第一类井深度的对应关系，建立第一类井的岩电参数数据表。
在本实施方式中，具体实施时，可以在第一类井的岩心中以筒为单元，结合标志层控制，对不同的待识别岩石类型进行岩心归位；并在岩心归位后，提取待识别岩石类型所对应的测井曲线响应值，并建立上述测井曲线响应参数与第一类井深度的对应关系。
在本实施方式中，上述岩电参数数据表具体可以包括多种岩石类型所对应的测井响应值，其中，上述测井响应值具体可以包括：自然伽马测井曲线(GR)、密度测井曲线(DEN)、声波时差测井曲线(AC)、中子孔隙度测井曲线(CNL)、电阻率测井曲线(Rt)等的具体响应值。
S13-2：根据所述岩电参数数据表，从多条测井曲线中确定出多条符合要求的测井曲线，其中，所述第一类井的测井数据包括所述多条测井曲线。
在本实施方式中，上述第一类井的测井数据具体可以包括多条测井曲线。其中，上述测井曲线包括以下至少之一：自然伽马测井曲线(GR)、密度测井曲线(DEN)、声波时差测井曲线(AC)、中子孔隙度测井曲线(CNL)、电阻率测井曲线(Rt)等。当然，需要说明的是，上述所列举的多种测井曲线只是为了更好地说明本申请实施方式，具体实施时，也可以根据具体情况和施工要求，引入其他类型的测井曲线。
在本实施方式中，上述符合要求的测井曲线具体可以是岩性识别敏感度大于敏感度阈值的测井曲线，即识别某种指定岩性效果相对较好的测井曲线。
在一个实施方式中，为了能够从多条测井曲线中筛选确定出多条符合要求的测井曲线，具体实施时可以按照以下步骤执行：
S1：根据所述岩电参数数据表，对所述多条测井曲线进行交会分析和数据挖掘分析；
S2：根据交会分析结果、数据挖掘分析结果，从所述多条测井曲线中确定出多条符合要求的测井曲线，其中，所述符合要求的测井曲线的岩性识别敏感度大于敏感度阈值。
在本实施方式中，上述根据所述岩电参数数据表，对所述多条测井曲线进行交会分析具体可以包括：以岩电参数数据表为参照，将上述多条测井曲线两两组合，以进行交会分析，筛选出识别岩性效果相对较好的测井曲线作为交会分析结果。具体的，例如，可以电阻率测井曲线Rt与声波时差测井曲线AC交会、将中子孔隙度测井曲线CNL与声波时差测井曲线AC交会、将中子孔隙度测井曲线CNL与密度测井曲线DEN交会、将中子孔隙度测井曲线CNL与自然伽马测井曲线GR交会；根据交会结果可知：电阻率测井曲线Rt、中子孔隙度测井曲线CNL和声波时差测井AC在交会图中区分不同岩性的识别效果相对较好，即可以认为具有较强的识别岩性敏感度。进而，可以根据上述交会结果建立各曲线两两交会得到的岩性识别标准，包括以下内容：泥岩识别标准为Rt≤11.0Ω·m且AC≥80.0us/ft、CNL≥28％；细砂岩识别标准为11.0Ω·m＜Rt≤13.0Ω·m且76.0us/ft≤AC＜80.0us/ft、25％≤CNL＜28％；中砂岩识别标准为13.0Ω·m＜Rt≤15.0Ω·m且74.0us/ft≤AC＜76.0us/ft、23％≤CNL＜25％；粗砂岩识别标准为15.0Ω·m＜Rt≤20.0Ω·m且74.0us/ft≤AC＜76.0us/ft、20％≤CNL＜23％；含砾粗砂岩识别标准Wie20.0Ω·m＜Rt≤28.0Ω·m且AC＜74.0us/ft、CNL＜20％；砂砾岩识别标准为Rt＞28.0Ω·m且AC＜74.0us/ft、CNL＜20％。
在本实施方式中，上述根据所述岩电参数数据表，对所述多条测井曲线进行数据挖掘分析具体可以包括：以岩电参数数据表作为参照，具体可以通过决策树C4.5算法，以各测井曲线类型为挖掘的子段进行具体挖掘分析，进而可以得到各测井曲线识别岩性的权重，以上述权重作为定量化的指示参数以明确对岩性识别相对较敏感，即识别岩性效果相对较好的测井曲线，即上述数据挖掘分析结果。具体的，例如通过数据挖掘分析，可以发现：多条测井曲线中电阻率测井曲线Rt、中子孔隙度测井曲线CNL和密度测井曲线DEN具有相对较高的权重，即可以认为上述三条测井曲线对于岩性识别具有较强的敏感度。
在本实施方式中，可以综合上述交会分析结果和数据分析结果，从多条测井曲线中筛选符合要求的测井曲线，即岩性识别敏感度大于敏感度阈值的测井曲线。其中，上述敏感度阈值可以根据具体情况和施工要求的精确程度灵活设定。对于敏感度阈值的具体数值，本申请在此不作限定。
S13-3：对所述多条符合要求的测井曲线进行数据重构，以建立所述重构指示曲线。
在本实施方式中，具体实施时，为了得到综合上述多条符合要求的测井曲线各自识别不同岩石类型的优势，可以将上述多条符合要求的测井曲线进行数据重构，以建立岩性识别效果更好的重构指示曲线。其中，上述重构指示曲线综合多条符合要求的测井曲线的特点，能够在不同的岩石类型的识别中都具有较好的识别效果。
在本实施方式中，上述数据重构具体可以包括：将多条测井曲线，例如，自然伽马测井曲线(GR)、密度测井曲线(DEN)、声波时差测井曲线(AC)、中子孔隙度测井曲线(CNL)、电阻率测井曲线(Rt)等中的两条或多条测井曲线进行数学组合，得到重构指示曲线。其中，上述数学组合具体可以包括进行加减乘除等算术处理，例如，可以将自然伽马测井曲线和密度测井曲线做乘法处理，得到一条重构指示曲线。
S14：根据所述重构指示曲线和所述第二类井的测井数据，分别确定所述第二类井的岩性。
在本实施方式中，具体实施时，可以利用基于第一类井的岩心样品和第一类井的测井数据建立的重构指示曲线作为识别标准，对目标区域中除取心井以外的其他单井，即第二类井分别进行岩性的确定。具体的，可以以重构指示曲线作为岩性识别参数，分别分析不同的第二类井的测井数据，以明确第二类井中各个单井的具体岩性分布情况，从而完成对第二类井的岩性识别。
在本申请实施例中，相较于现有技术，通过以取心井作为参考，先划分取心井的岩石类型；根据不同的岩石类型的具体特点，建立识别效果更好的重构指示曲线；再利用重构指示曲线确定其他测井的岩性，从而解决了现有方法中存在的确定岩性效率低、准确度差的技术问题，达到高效、精确地识别储层岩性的技术效果。
在一个实施方式中，在建立重构指示曲线后，为了对重构指示曲线的岩性识别效果进行确定，所述方法具体实施时，还可以包括以下内容：
S1：获取第一类井的成像测井资料。
S2：根据所述成像测井资料，对所述重构指示曲线进行校验。
在本实施方式中，具体实施时，可以以成像测井资料作为参照，对利用重构指示曲线识别的岩性分别进行校验。具体的，如果利用重构指示曲线识别的岩性与成像测井资料的结果符合程度较高，则认为校验成功，可以认为所建立的重构指示曲线在本实施例中识别岩性的效果较好，符合施工要求。如果利用重构指示曲线识别的岩性与成像测井资料的结果符合程度较低，则认为校验不成功，可以认为所建立的重构指示曲线在本实施例中识别岩性的效果较差，不符合施工要求。在校验不成功的情况下，可以重新建立重构指示曲线，或者选择通过其他方式进行岩性确定。
在一个实施方式中，在对所述重构指示曲线校验不成功的情况下，为了能够准确地确定岩性，所述方法具体实施时还可以包括以下内容：
S1：根据所述第一类井的待识别岩石类型、所述第一类井的测井数据，建立神经网络模型。
S2：根据所述神经网络模型，确定非线性岩性识别参数。
S3：根据所述非线性岩性识别参数，分别确定所述第二类井的岩性。
在本实施方式中，上述神经网络模型具体可以按照以下方式建立：将所述第一类井的测井数据先进行归一化，将归一化后的第一类井的测井数据作为输入层，并将第一类井的待识别岩石类型作为输出层，同时设置隐含层，以建立所述神经网络模型。
在一个实施方式中，在分别确定所述第二类井的具体岩性后，为了指导对目标区域进行具体的油气开发，所述方法具体实施时，还可以包括以下步骤：
S1：根据所述第二类井的岩性结合第一类井的岩性，建立目标区域的岩性剖面。
在本实施方式中，具体实施时，可以将第一类井、第二类井中岩性相同的区域相连，并在井间进行插值处理，以获得整体的岩性剖面，即目标区域的岩性剖面。
S2：根据所述目标区域的岩性剖面，对所述目标区域进行储层评价，并根据储层评价结果，对所述目标区域进行油气开发。
在一个实施方式中，所述目标区域具体可以包括砂砾岩储层，即包含有砂砾岩储层的区域，例如复杂砂砾岩储层类型区域等。当然，上述目标区域不限于砂砾岩储层，也可以是其他具有相似地质特点的类型区域。对此，本申请不作限定。
从以上的描述中，可以看出，本申请实施方式提供的储层岩性的确定方法，通过以取心井作为参考，先划分取心井的岩石类型；根据不同的岩石类型的具体特点，建立识别岩性效果更好的重构指示曲线；再利用重构指示曲线确定其他测井的岩性，从而解决了现有方法中存在的确定岩性效率低、准确度差的技术问题，达到高效、精确地识别储层岩性的技术效果；又具体通过交会分析和数据挖掘分析从多条测井曲线中先筛选出识别岩性敏感度较高的测井曲线，再对筛选出的测井曲线进行数据重构获得识别效果更好的重构指示曲线，从而可以提高储层岩性的识别精度；还提出了利用神经网络模型对多条测井曲线进行分析处理，以确定非线性岩性识别参数，用以识别储层岩性，进一步提高了储层岩性的识别精度。
基于同一发明构思，本发明实施方式中还提供了一种储层岩性的确定装置，如下面的实施方式所述。由于装置解决问题的原理与储层岩性的确定方法相似，因此储层岩性的确定装置的实施可以参见储层岩性的确定方法的实施，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。请参阅图2，是本申请实施方式的储层岩性的确定装置的一种组成结构图，该装置可以包括：获取模块21、划分模块22、建立模块23、确定模块24，下面对该结构进行具体说明。
获取模块21，具体可以用于获取目标区域的岩心样品、测井数据，其中，所述测井数据包括第一类井的测井数据和第二类井的测井数据，所述第一类井包括目标区域中的取心井，所述第二类井包括目标区域中除取心井以外其他的单井。
划分模块22，具体可以用于根据所述岩心样品，将所述第一类井分别划分为多个待识别岩石类型。
建立模块23，具体可以用于根据第一类井的待识别岩石类型、所述第一类井的测井数据，建立重构指示曲线。
确定模块24，具体可以用于根据所述重构指示曲线和所述第二类井的测井数据，分别确定所述第二类井的岩性。
在一个实施方式中，为了能够根据所述岩心样品，将所述第一类井分别划分为多个待识别岩石类型，上述划分模块具体可以包括以下结构单元：
划分单元，具体可以用于根据所述岩心样品，将所述第一类井分别划分为多个第一岩石类型；
合并单元，具体可以用于根据所述测井数据中测井曲线的识别精度，合并所述多个第一岩石类型，得到多个第二岩石类型，并将所述第二岩石类型作为所述待识别岩石类型。
在一个实施方式中，为了能够根据第一类井的待识别岩石类型、所述第一类井的测井数据，建立重构指示曲线，所述建立模块23具体可以包括以下的结构单元：
建立单元，具体可以用于根据所述第一类井的待识别岩石类型、所述第一类井的测井数据，建立第一类井的岩电参数数据表；
确定单元，具体可以用于根据所述岩电参数数据表，从多条测井曲线中确定出多条符合要求的测井曲线，其中，所述第一类井的测井数据包括所述多条测井曲线；
重构单元，具体可以用于对所述多条符合要求的测井曲线进行数据重构，以建立所述重构指示曲线。
在一个实施方式中，为了能够根据所述第一类井的待识别岩石类型、所述第一类井的测井数据，建立第一类井的岩电参数数据表，上述建立单元具体可以包括以下结构子单元：
归位子单元，具体可以用于根据所述第一类井的待识别岩石类型，对所述第一类井的测井数据进行岩心归位，以建立测井曲线响应参数与第一类井深度的对应关系；
建立子单元，具体可以用于根据所述测井曲线响应参数与第一类井深度的对应关系，建立第一类井的岩电参数数据表。
在一个实施方式中，为了能够根据所述岩电参数数据表，从多条测井曲线中确定出多条符合要求的测井曲线，上述确定单元具体可以包括以下结构子单元：
分析子单元，具体可以用于根据所述岩电参数数据表，对所述多条测井曲线进行交会分析和数据挖掘分析；
确定子单元，具体可以用于根据交会分析结果、数据挖掘分析结果，从所述多条测井曲线中确定出多条符合要求的测井曲线，其中，所述符合要求的测井曲线的岩性识别敏感度大于敏感度阈值。
在一个实施方式中，为了校验所建立的重构指示曲线是否符合具体的施工要求，所述装置具体还可以包括检验模块，上述校验模块具体实施时可以按照以下程序执行：获取第一类井的成像测井资料；根据所述成像测井资料，对所述重构指示曲线进行校验。
在一个实施方式中，为了在对所述重构指示曲线校验不成功的情况下准确地识别岩性，上述装置具体还可以包括备用岩性识别模块，其中，上述备用岩性识别模块具体实施时，可以按照以下程序执行：根据所述第一类井的待识别岩石类型、所述第一类井的测井数据，建立神经网络模型；根据所述神经网络模型，确定非线性岩性识别参数；根据所述非线性岩性识别参数，分别确定所述第二类井的岩性。
在一个实施方式中，为了能够指导对目标区域进行相应的油气开发，具体实施时，上述装置还可以包括施工模块，其中，上述施工模块具体实施时，可以按照以下程序执行：根据所述第二类井的岩性，建立目标区域的岩性剖面；根据所述目标区域的岩性剖面，对所述目标区域进行储层评价，并根据储层评价结果，对所述目标区域进行油气开发。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，上述实施方式阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，在本说明书中，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
此外，在本说明书中，诸如第一和第二这样的形容词仅可以用于将一个元素或动作与另一元素或动作进行区分，而不必要求或暗示任何实际的这种关系或顺序。在环境允许的情况下，参照元素或部件或步骤(等)不应解释为局限于仅元素、部件、或步骤中的一个，而可以是元素、部件、或步骤中的一个或多个等。
从以上的描述中，可以看出，本申请实施方式提供的储层岩性的确定装置，通过以取心井作为参考，先划分取心井的岩石类型；根据不同的岩石类型的具体特点，建立识别岩性效果更好的重构指示曲线；再利用重构指示曲线确定其他测井的岩性，从而解决了现有方法中存在的确定岩性效率低、准确度差的技术问题，达到高效、精确地识别储层岩性的技术效果；又具体通过交会分析和数据挖掘分析从多条测井曲线中先筛选出识别岩性敏感度较高的测井曲线，再对筛选出的测井曲线进行数据重构获得识别效果更好的重构指示曲线，从而可以提高储层岩性的识别精度；还提出了利用神经网络模型对多条测井曲线进行分析处理，以确定非线性岩性识别参数，用以识别储层岩性，进一步提高了储层岩性的识别精度。
在一个具体实施场景示例中，应用本申请提供储层岩性的确定方法和装置对某工区内的储层岩性进行具体的识别确定。具体实施过程可以参阅以下内容执行。
步骤101：通过岩心精细描述，明确砂砾岩储层岩石类型，结合岩石类型的相似性及测井曲线的识别精度合并相似岩性，确定最终需识别的岩石类型(即根据岩心样品，将所述第一类井分别划分为多个待识别岩石类型)。
在本实施方式中，具体实施时，可以首先根据取心井(第一类井)的精细岩性描述得到砂砾岩储层的岩石类型(即第一岩石类型)，然后根据各岩石类型的相似性及测井曲线的识别精度对相似岩性进行合并，进而确定最终需识别的岩石类型(即待识别岩石类型)。在本实施例中，上述岩心精细描述的岩石类型具体可达15种，经过合并后，最终可以确定6种作为所需识别的岩石类型，分别为：泥岩、细砂岩、中砂岩、粗砂岩、含砾粗砂岩和砂砾岩。
步骤102：以所需识别的岩石类型为基础，经过岩心归位后，绘制取心井单井综合柱状图，在取心井中提取需识别的岩石类型对应的测井响应参数值，得到岩电参数数据表(即根据所述第一类井的待识别岩石类型、所述第一类井的测井数据，建立第一类井的岩电参数数据表)。
在本实施方式中，具体实施时，可以在岩心以筒为单元，并结合标志层控制进行归位后，提取待识别岩石类型所对应的测井响应值(即测井曲线响应参数)。在提取测井响应值数据时应注意：(1)对于厚层单一岩石类型的测井曲线可以读取该段的平均值；(2)对于泥岩薄夹层或砂岩薄夹层等厚度较小的岩性段可以读取该段的最大值或最小值；(3)对于中-薄层不同岩性的频繁交互层段一般不建议取值，或者读取其平均值作为备份点。
步骤103：对提取到的各曲线参数值分别进行交会分析和数据挖掘分析，以明确对于岩性识别敏感性较强的曲线类型(即根据所述岩电参数数据表，对所述多条测井曲线进行交会分析和数据挖掘分析；再根据交会分析结果、数据挖掘分析结果，从所述多条测井曲线中确定出多条符合要求的测井曲线)。
在本实施方式中，具体实施时，可以通过对提取到的典型岩石类型(即待识别的岩石类型)的测井曲线特征值的两两交会定性明确其敏感强度。具体的，可以分别完成地层电阻率Rt与声波时差AC交会、中子孔隙度CNL与声波时差AC交会、中子孔隙度CNL与密度DEN交会、中子孔隙度CNL与自然伽马GR交会，得到交会分析结果。具体可以参阅图3所示的在一个场景示例中应用本申请实施方式提供储层岩性的确定方法和装置获得的多条测井曲线两两交会识别岩性的示意图。由交会分析结果可知：地层电阻率Rt、中子孔隙度CNL和声波时差AC在交会图中区分不同岩性的效果较好，具有较强的岩性敏感性。其中，具体的，由各曲线两两交会得到的岩性识别标准如下：
泥岩：Rt≤11.0Ω·m且AC≥80.0us/ft、CNL≥28％；
细砂岩：11.0Ω·m＜Rt≤13.0Ω·m且76.0us/ft≤AC＜80.0us/ft、25％≤CNL＜28％；
中砂岩：13.0Ω·m＜Rt≤15.0Ω·m且74.0us/ft≤AC＜76.0us/ft、23％≤CNL＜25％；
粗砂岩：15.0Ω·m＜Rt≤20.0Ω·m且74.0us/ft≤AC＜76.0us/ft、20％≤CNL＜23％；
含砾粗砂岩：20.0Ω·m＜Rt≤28.0Ω·m且AC＜74.0us/ft、CNL＜20％；
砂砾岩：Rt＞28.0Ω·m且AC＜74.0us/ft、CNL＜20％。
在本实施方式中，数据挖掘分析具体可以采用决策树C4.5算法，即以各测井曲线类型为挖掘字段，得到各参数的权重，进而可以定量化明确对岩性识别较敏感的曲线。其中，获得的数据挖掘权重分布图可以参阅图4所示的在一个场景示例中应用本申请实施方式提供储层岩性的确定方法和装置获得的通过数据挖掘决策树方法确定的各曲线权重的示意图。分析图4可知：原状地层电阻率Rt、中子孔隙度CNL和密度DEN具有较高的权重，可以反映出三者对于岩性识别具有较强的敏感性。通过综合分析可以确定实施例中对于岩性识别较敏感的曲线为原状地层电阻率Rt、中子孔隙度CNL、声波时差AC和密度DEN(即确定出符合要求的测井曲线)。
步骤104：对岩性识别敏感性较强的曲线进行数据重构，然后进行交会分析，以使得不同岩性特征点区分程度更明显，对于区分不明显的岩石类型，进一步利用BP神经网络模型建立非线性岩性识别标准(即根据第一类井的待识别岩石类型、所述第一类井的测井数据，建立重构指示曲线；和/或，根据所述第一类井的待识别岩石类型、所述第一类井的测井数据，建立神经网络模型，并根据所述神经网络模型，确定非线性岩性识别参数)。
在本实施方式中，具体实施时，对敏感性较强的曲线类型(即符合要求的测井曲线)进行参数重构以使得交会分析时各类岩性区分更加明显。在实施例中，原状地层电阻率Rt具有最高的敏感性，可以对其不进行重构。具体的，可以选取识别岩性敏感性一般的声波时差AC和密度DEN进行上述具体的数据重构，以得到新的岩性敏感参数Log(AC*DEN)(即重构指示曲线)，并以此新参数与原状地层电阻率Rt进行交会分析。可以参阅图5所示的在一个场景示例中应用本申请实施方式提供储层岩性的确定方法和装置获得的通过地层电阻率Rt与重构岩性敏感参数Log(AC*CNL)交会识别岩性的示意图，可知重构指示曲线的岩性识别效果明显提高。具体的，可以整理得到由重构参数后交会得到的岩性识别标准如下：
泥岩：Rt≤10.0Ω·m且Log(AC*DEN)＞3.55；
细砂岩：10.0Ω·m＜Rt≤14.0Ω·m且3.40≤Log(AC*DEN)＜3.55；
中砂岩：14.0Ω·m＜Rt≤16.0Ω·m且3.35≤Log(AC*DEN)＜3.40；
粗砂岩：16.0Ω·m＜Rt≤25.0Ω·m且3.25≤Log(AC*DEN)＜3.35；
含砾粗砂岩：25.0Ω·m＜Rt≤28.0Ω·m且3.20≤Log(AC*DEN)＜3.25；
砂砾岩：Rt＞28.0Ω·m且Log(AC*DEN)＜3.20。
在本实施方式中，对于区分效果仍不是较好的岩石类型(相当于重构指示曲线的岩性识别效果不符合具体施工要求)，如中细砂岩和粗砂岩，粗砂岩和砂砾岩等，可以将其所对应的测井参数进行归一化后作为输入层，并以取心详细描述的岩石类型作为输出层，通过设置隐含层继而建立BP神经网络模型；再利用神经网络模型建立非线性的识别标准；通过该非线性的识别标准完成全井段的岩性识别。
步骤105：结合取心井及成像测井资料，对综合多种方法得到的岩性识别结果进行检验，定量评价其符合率(相当于根据所述成像测井资料，对所述重构指示曲线进行校验)。
在本实施方式中，具体实施时，可以以岩心精细描述的各深度段岩石类型为标准，通过对比各深度段预测岩性的类型确定识别的准确性，最终统计各方法单井识别的有效性，并对其做定量化评价。具体的，可以参阅图6所示的一个场景示例中应用本申请实施方式提供储层岩性的确定方法和装置获得的岩心描述岩性及综合解释岩性检验对比示意图。可以分别对比由曲线两两交会预测的岩性、参数重构交会后预测的岩性和综合BP神经网络预测的岩性，进而可以明确综合BP神经网络预测方法具有最高的符合率，可达92.2％；参数重构交会后预测的岩性符合率次之，为85.4.％，曲线两两交会预测的岩性符合率较低，为81.6％。
通过上述场景示例，验证了本申请实施方式提供的储层岩性的确定方法和装置，通过以取心井作为参考，先划分取心井的岩石类型；根据不同的岩石类型的具体特点，建立识别岩性效果更好的重构指示曲线；再利用重构指示曲线确定其他测井的岩性，确实解决了现有方法中存在的确定岩性效率低、准确度差的技术问题，达到高效、精确地识别储层岩性的技术效果。
尽管本申请内容中提到不同的具体实施方式，但是，本申请并不局限于必须是行业标准或实施例所描述的情况等，某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、处理、输出、判断方式等的实施例，仍然可以属于本申请的可选实施方案范围之内。
虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
上述实施例阐明的装置或模块等，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本申请，本领域普通技术人员知道，许多变形和变化而不脱离本申请的精神，希望所附的实施方式包括这些变形和变化而不脱离本申请。
Claims (9)
1.一种储层岩性的确定方法，其特征在于，包括：
获取目标区域的岩心样品、测井数据，其中，所述测井数据包括第一类井的测井数据和第二类井的测井数据，所述第一类井包括目标区域中的取心井，所述第二类井包括目标区域中除取心井以外其他的单井；
根据所述岩心样品，将所述第一类井分别划分为多个待识别岩石类型；
根据第一类井的待识别岩石类型、所述第一类井的测井数据，建立重构指示曲线；
根据所述重构指示曲线和所述第二类井的测井数据，分别确定所述第二类井的岩性；
其中，根据第一类井的待识别岩石类型、所述第一类井的测井数据，建立重构指示曲线，包括：根据所述第一类井的待识别岩石类型、所述第一类井的测井数据，建立第一类井的岩电参数数据表；根据所述岩电参数数据表，从多条测井曲线中确定出多条符合要求的测井曲线，其中，所述第一类井的测井数据包括所述多条测井曲线；对所述多条符合要求的测井曲线进行数据重构，以建立所述重构指示曲线；
所述根据所述第一类井的待识别岩石类型、所述第一类井的测井数据，建立第一类井的岩电参数数据表，包括：根据所述第一类井的待识别岩石类型，对所述第一类井的测井数据进行岩心归位，以建立测井曲线响应参数与第一类井深度的对应关系；根据所述测井曲线响应参数与第一类井深度的对应关系，建立第一类井的岩电参数数据表。
2.根据权利要求1所述的方法，其特征在于，根据所述岩心样品，将所述第一类井分别划分为多个待识别岩石类型，包括：
根据所述岩心样品，将所述第一类井分别划分为多个第一岩石类型；
根据所述测井数据中测井曲线的识别精度，合并所述多个第一岩石类型，得到多个第二岩石类型，并将所述第二岩石类型作为所述待识别岩石类型。
3.根据权利要求1所述的方法，其特征在于，所述待识别岩石类型包括以下至少之一：泥岩类型、细砂岩类型、中砂岩类型、粗砂岩类型、含砾粗砂岩类型、砂砾岩类型。
4.根据权利要求1所述的方法，其特征在于，根据所述岩电参数数据表，从多条测井曲线中确定出多条符合要求的测井曲线，包括：
根据所述岩电参数数据表，对所述多条测井曲线进行交会分析和数据挖掘分析；
根据交会分析结果、数据挖掘分析结果，从所述多条测井曲线中确定出多条符合要求的测井曲线，其中，所述符合要求的测井曲线的岩性识别敏感度大于敏感度阈值。
5.根据权利要求1所述的方法，其特征在于，在建立重构指示曲线后，所述方法还包括：
获取第一类井的成像测井资料；
根据所述成像测井资料，对所述重构指示曲线进行校验。
6.根据权利要求5所述的方法，其特征在于，在对所述重构指示曲线校验不成功的情况下，所述方法还包括：
根据所述第一类井的待识别岩石类型、所述第一类井的测井数据，建立神经网络模型；
根据所述神经网络模型，确定非线性岩性识别参数；
根据所述非线性岩性识别参数，分别确定所述第二类井的岩性。
7.根据权利要求1所述的方法，其特征在于，在分别确定所述第二类井的岩性后，所述方法还包括：
根据所述第二类井的岩性，建立目标区域的岩性剖面；
根据所述目标区域的岩性剖面，对所述目标区域进行储层评价，并根据储层评价结果，对所述目标区域进行油气开发。
8.根据权利要求1所述的方法，其特征在于，所述目标区域包括砂砾岩储层。
9.一种储层岩性的确定装置，其特征在于，包括：
获取模块，用于获取目标区域的岩心样品、测井数据，其中，所述测井数据包括第一类井的测井数据和第二类井的测井数据，所述第一类井包括目标区域中的取心井，所述第二类井包括目标区域中除取心井以外其他的单井；
划分模块，用于根据所述岩心样品，将所述第一类井分别划分为多个待识别岩石类型；
建立模块，用于根据第一类井的待识别岩石类型、所述第一类井的测井数据，建立重构指示曲线；
确定模块，用于根据所述重构指示曲线和所述第二类井的测井数据，分别确定所述第二类井的岩性；
其中，所述建立模块所述建立模块包括：建立单元，用于根据所述第一类井的待识别岩石类型、所述第一类井的测井数据，建立第一类井的岩电参数数据表；确定单元，用于根据所述岩电参数数据表，从多条测井曲线中确定出多条符合要求的测井曲线，其中，所述第一类井的测井数据包括所述多条测井曲线；重构单元，用于对所述多条符合要求的测井曲线进行数据重构，以建立所述重构指示曲线；
所述建立单元具体用于根据所述第一类井的待识别岩石类型，对所述第一类井的测井数据进行岩心归位，以建立测井曲线响应参数与第一类井深度的对应关系；根据所述测井曲线响应参数与第一类井深度的对应关系，建立第一类井的岩电参数数据表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711114968.7A CN108122066B (zh) | 2017-11-13 | 2017-11-13 | 储层岩性的确定方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711114968.7A CN108122066B (zh) | 2017-11-13 | 2017-11-13 | 储层岩性的确定方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108122066A CN108122066A (zh) | 2018-06-05 |
| CN108122066B true CN108122066B (zh) | 2021-08-03 |
Family
ID=62227670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711114968.7A Active CN108122066B (zh) | 2017-11-13 | 2017-11-13 | 储层岩性的确定方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108122066B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111104819A (zh) * | 2018-10-25 | 2020-05-05 | 北京国双科技有限公司 | 模型生成方法及装置、岩性识别方法及装置 |
| CN111352155B (zh) * | 2018-12-21 | 2022-06-03 | 中国石油天然气股份有限公司 | 流体识别方法及装置 |
| CN110263835B (zh) * | 2019-06-13 | 2021-11-12 | 中国电建集团华东勘测设计研究院有限公司 | 基于深度学习和贝叶斯网络的岩石类别自动识别方法 |
| CN110284873B (zh) * | 2019-06-27 | 2022-08-23 | 昆仑数智科技有限责任公司 | 一种油井储集性质的检测方法及检测装置 |
| CN110469327B (zh) * | 2019-08-02 | 2022-12-02 | 中国石油天然气集团有限公司 | 一种五步逼近式碳酸盐岩储层测井立体评价方法 |
| CN112443312B (zh) * | 2019-08-27 | 2023-12-22 | 中国石油天然气股份有限公司 | 目标层段中各类型岩石的定量识别方法及系统 |
| CN111323844B (zh) * | 2020-03-14 | 2023-04-21 | 长江大学 | 一种基于曲线重构的复杂砂砾岩体的岩性识别方法及系统 |
| CN114075973B (zh) * | 2020-08-13 | 2024-03-01 | 中国石油天然气股份有限公司 | 地层元素测井曲线重构方法及装置 |
| CN113065286B (zh) * | 2021-04-12 | 2022-03-18 | 西南石油大学 | 一种基于常规测井的致密砂砾岩储层孔隙结构评价方法 |
| CN115793094B (zh) * | 2023-02-06 | 2023-04-25 | 西北大学 | 一种曲线叠合重构识别复杂页岩层系岩性的方法及应用 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6088656A (en) * | 1998-11-10 | 2000-07-11 | Schlumberger Technology Corporation | Method for interpreting carbonate reservoirs |
| CN103775057A (zh) * | 2013-12-27 | 2014-05-07 | 中国石油天然气股份有限公司 | 一种致密油气藏有效储层的判识方法及装置 |
| CN103901478A (zh) * | 2012-12-28 | 2014-07-02 | 中国石油天然气集团公司 | 一种井震信息联合确定储层沉积特征和分布的方法 |
| CN105804732A (zh) * | 2016-03-15 | 2016-07-27 | 中国石油化工股份有限公司 | 一种基于相对电阻率随机模拟反演的油气分布预测方法 |
| CN105988137A (zh) * | 2015-02-11 | 2016-10-05 | 中国石油化工股份有限公司 | 砂砾岩体基于岩心刻度测井的测井特征曲线重构方法 |
-
2017
- 2017-11-13 CN CN201711114968.7A patent/CN108122066B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6088656A (en) * | 1998-11-10 | 2000-07-11 | Schlumberger Technology Corporation | Method for interpreting carbonate reservoirs |
| CN103901478A (zh) * | 2012-12-28 | 2014-07-02 | 中国石油天然气集团公司 | 一种井震信息联合确定储层沉积特征和分布的方法 |
| CN103775057A (zh) * | 2013-12-27 | 2014-05-07 | 中国石油天然气股份有限公司 | 一种致密油气藏有效储层的判识方法及装置 |
| CN105988137A (zh) * | 2015-02-11 | 2016-10-05 | 中国石油化工股份有限公司 | 砂砾岩体基于岩心刻度测井的测井特征曲线重构方法 |
| CN105804732A (zh) * | 2016-03-15 | 2016-07-27 | 中国石油化工股份有限公司 | 一种基于相对电阻率随机模拟反演的油气分布预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 岩性指示曲线重构及其在储层预测中的应用;于文芹 等;《石油物探》;20060930;全文 * |
| 陈家庄油田南区馆下段储层沉积及建模研究;赵长勋;《中国博士学位论文全文数据库》;20070815;正文第5页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108122066A (zh) | 2018-06-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108122066B (zh) | 储层岩性的确定方法和装置 | |
| CN107657365B (zh) | 地质资源开采价值评价方法及装置 | |
| KR101148835B1 (ko) | 물리검층 자료의 통계분석을 이용한 오일샌드 저류층 암상 예측방법 및 이를 구현하는 시스템 | |
| Rudolph et al. | Benchmarking exploration predictions and performance using 20+ yr of drilling results: One company’s experience | |
| Ghofrani et al. | Activation rate of seismicity for hydraulic fracture wells in the Western Canada Sedimentary Basin | |
| CN107402176B (zh) | 裂缝孔隙度的确定方法和装置 | |
| CN107366534B (zh) | 粗化渗透率的确定方法和装置 | |
| CN110632657B (zh) | 泥岩涂抹型断层封闭性分析方法及装置 | |
| CN105277979B (zh) | 一种地震属性的优化方法和装置 | |
| Maity et al. | A data analytics framework for cored fracture imaging and novel characterization workflow-application on samples from Hydraulic Fracturing Test Site HFTS in the Midland Basin | |
| CN115146976A (zh) | 影响待勘测区块评价的主要地质参数的选取方法及设备 | |
| CN115358285A (zh) | 待勘测区块关键地质参数的选取方法、装置、及设备 | |
| Heidarzadeh et al. | Geomechanical characterization of a heterogenous rock mass using geological and laboratory test results: a case study of the Niobec Mine, Quebec (Canada) | |
| CN108387711B (zh) | Toc表征参数、脆性表征参数的确定方法和装置 | |
| Pyrcz et al. | Declustering and debiasing | |
| CN108254785B (zh) | 储层确定方法和装置 | |
| Sharma et al. | Reducing uncertainty in characterization of Vaca Muerta Formation Shale with poststack seismic data | |
| Guo et al. | Identification of homogeneous region boundaries of fractured rock masses in candidate sites for Chinese HLW repository | |
| CN106285661A (zh) | 一种基于判定指数的低阻油层识别方法及装置 | |
| KR101175072B1 (ko) | 물리검층 자료의 통계분석을 이용한 오일샌드 저류층 공극 유체 유추방법 및 유추시스템 | |
| CN108375803B (zh) | 一种泥岩墙的识别方法及系统 | |
| Vantassel et al. | AutoHVSR: A machine-learning-supported algorithm for the fully-automated processing of horizontal-to-vertical spectral ratio measurements | |
| Alfonso et al. | A machine learning methodology for rock-typing using relative permeability curves | |
| Kasim et al. | Machine Learning Assisted Reservoir Properties Prediction in a Brownfield Offshore Malaysia | |
| CN109100802B (zh) | 储层确定方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |