CN108596383A - 储层分类的方法及装置 - Google Patents
储层分类的方法及装置 Download PDFInfo
- Publication number
- CN108596383A CN108596383A CN201810351042.8A CN201810351042A CN108596383A CN 108596383 A CN108596383 A CN 108596383A CN 201810351042 A CN201810351042 A CN 201810351042A CN 108596383 A CN108596383 A CN 108596383A
- Authority
- CN
- China
- Prior art keywords
- rock sample
- reservoir
- magnetic resonance
- nuclear magnetic
- matrix
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000011435 rock Substances 0.000 claims abstract description 141
- 239000011159 matrix material Substances 0.000 claims abstract description 97
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 85
- 238000001228 spectrum Methods 0.000 claims abstract description 81
- 239000002131 composite material Substances 0.000 claims abstract description 54
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 claims abstract description 53
- 229910052753 mercury Inorganic materials 0.000 claims abstract description 53
- 230000006870 function Effects 0.000 claims description 69
- 230000001186 cumulative effect Effects 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 17
- 230000015572 biosynthetic process Effects 0.000 claims description 11
- 238000012887 quadratic function Methods 0.000 claims description 11
- 238000003786 synthesis reaction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 6
- 239000003208 petroleum Substances 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 239000011148 porous material Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 101100271175 Oryza sativa subsp. japonica AT10 gene Proteins 0.000 description 1
- 238000000418 atomic force spectrum Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005311 nuclear magnetism Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种储层分类的方法及装置，根据N个岩样的核磁共振横向弛豫时间T2谱以及径向基函数，获取第一中心矩阵；根据所述N个岩样的核磁共振T2谱和压汞实验数据，获取第一储层分类综合指数；根据所述第一中心矩阵的逆矩阵和所述第一储层分类综合指数，获取权重系数矩阵；然后根据待分类点的核磁共振T2谱，以及所述权重系数矩阵，确定第二储层分类综合指数，所述第二储层分类综合指数用于指示所述待分类点的储层类型。本发明提供的储层分类的方法及装置可以实现对井下储层类型的连续预测，可以同时对多个岩样或者井下多个待分类点进行储层分类，运算速度快，储层分类精度高。
Description
技术领域
本发明涉及油气开发技术领域，尤其涉及一种储层分类的方法及装置。
背景技术
随着常规油气资源的枯竭和世界对能源需求的增加，非常规油气资源的地位越来越重要。对非常规油气资源的储层进行分类是油气开发中的重要环节。由于非常规油气藏一般具有复杂的孔隙结构，基于单一的特征参数对储层进行分类无法达到理想的分类结果。因此，通常基于多个特征参数来对非常规油气资源进行储层分类，例如：孔隙度、渗透率、饱和度和孔隙结构参数等。
目前，常用的储层分类方法为，在井区的不同位置分别获取岩样，对获取的多个岩样分别进行压汞实验，并得到压汞曲线，然后对压汞曲线中的多个特征参数进行分析，来对该岩样对应的储层进行分类。
然而，上述的储层分类方法，通过对岩样的压汞曲线进行分析，只能得到该岩样对应的储层的类型，其不能实现对井下储层类型的连续预测。
发明内容
本发明提供一种储层分类的方法及装置，根据核磁共振测井数据中的T2谱获取储层分类综合指数，能够实现对井下储层类型的连续预测。
第一方面，本发明提供的储层分类的方法，包括：
根据N个岩样的核磁共振横向弛豫时间T2谱以及径向基函数获取第一中心矩阵ΦN×N，其中N为大于1的自然数；
根据所述N个岩样的核磁共振T2谱和压汞实验数据，获取第一储层分类综合指数CIN×1，所述第一储层分类综合指数CIN×1包括N个岩样的储层分类综合指数CI；
根据所述第一中心矩阵ΦN×N的逆矩阵和所述第一储层分类综合指数CIN×1，获取权重系数矩阵WN×1；
根据待分类点的核磁共振T2谱，以及所述权重系数矩阵WN×1，确定第二储层分类综合指数所述第二储层分类综合指数用于指示所述待分类点的储层类型，m为所述待分类点的个数。
可选的，所述根据N个岩样的核磁共振T2谱以及径向基函数获取第一中心矩阵ΦN×N，包括：
分别将每个所述岩样的核磁共振T2谱按照T2值由高到低的方向进行累加，得到所述N个岩样对应的累加幅度分布矩阵其中，xi为第i个岩样对应的累加幅度向量；
根据所述N个岩样对应的累加幅度分布矩阵X和径向基函数得到第一中心矩阵其中，所述第一中心矩阵ΦN×N中的每个元素为：i和j为大于等于1小于等于N的自然数；
所述径向基函数为下述径向基函数中的任一种：逆多元二次函数、高斯函数和对称S型函数；
其中，所述逆多元二次函数为：
所述高斯函数为：
所述对称S型函数为：
其中，r为两个样本点之间的距离，σ为函数的宽度。
可选的，所述径向基函数为所述高斯函数；
相应的，所述第一中心矩阵ΦN×N中的每个元素为：
其中，σ＝α·NND，α为比例系数，NND＝min(||xi-xj||2)。
可选的，所述根据所述N个岩样的核磁共振T2谱和压汞实验数据，获取第一储层分类综合指数CIN×1，包括：
针对所述N个岩样中的每个岩样，根据所述岩样的核磁共振T2谱和压汞实验数据，获取所述岩样的一组特征参数；
根据所述特征参数，采用公式获取所述岩样的储层分类综合指数CI；
其中，M为所述特征参数的个数，ak为第k个特征参数的权重系数，fk为第k个特征参数的归一化函数，pk为第k个特征参数。
可选的，所述特征参数包括下述参数中的至少一个：排驱压力Pd、饱和度中值压力Pc50、孔隙度φ和分形维数D。
可选的，所述根据待分类点的核磁共振T2谱，以及所述权重系数矩阵WN×1，获取第二储层分类综合指数包括：
根据待分类点的核磁共振T2谱以及所述径向基函数，获取第二中心矩阵
根据所述第二中心矩阵与所述权重系数矩阵WN×1，获取第二储层分类综合指数
可选的，所述根据所述岩样的核磁共振T2谱和压汞实验数据，获取所述岩样的一组特征参数，包括：
根据所述岩样的压汞实验数据，获取所述排驱压力Pd和所述饱和度中值压力Pc50；
根据所述岩样的压汞实验数据，获取进汞饱和度SHg和进汞压力Pc；
根据公式log10(100-SHg)＝(D-3)log10(Pc)-K，获取所述分形维数D，其中K为常数；
根据所述岩样的核磁共振T2谱获取所述孔隙度φ。
第二方面，本发明提供的储层分类的装置，包括：
第一获取模块，用于根据N个岩样的核磁共振横向弛豫时间T2谱以及径向基函数获取第一中心矩阵ΦN×N，其中N为大于1的自然数；
第二获取模块，用于根据所述N个岩样的核磁共振T2谱和压汞实验数据，获取第一储层分类综合指数CIN×1，所述第一储层分类综合指数CIN×1包括N个岩样的储层分类综合指数CI；
第三获取模块，用于根据所述第一中心矩阵ΦN×N的逆矩阵和所述第一储层分类综合指数CIN×1，获取权重系数矩阵WN×1；
确定模块，用于根据待分类点的核磁共振T2谱，以及所述权重系数矩阵WN×1，确定第二储层分类综合指数所述第二储层分类综合指数用于指示所述待分类点的储层类型，m为所述待分类点的个数。
可选的，所述第一获取模块，具体用于分别将每个所述岩样的核磁共振T2谱按照T2值由高到低的方向进行累加，得到所述N个岩样对应的累加幅度分布矩阵其中，xi为第i个岩样对应的累加幅度向量；
根据所述N个岩样对应的累加幅度分布矩阵X和径向基函数得到第一中心矩阵其中，所述第一中心矩阵ΦN×N中的每个元素为：i和j为大于等于1小于等于N的自然数；
所述径向基函数为下述径向基函数中的任一种：逆多元二次函数、高斯函数和对称S型函数；
其中，所述逆多元二次函数为：
所述高斯函数为：
所述对称S型函数为：
其中，r为两个样本点之间的距离，σ为函数的宽度。
可选的，所述径向基函数为所述高斯函数；
相应的，所述第一中心矩阵ΦN×N中的每个元素为：
其中，σ＝α·NND，α为比例系数，NND＝min(||xi-xj||2)。
可选的，所述第二获取模块，具体用于针对所述N个岩样中的每个岩样，根据所述岩样的核磁共振T2谱和压汞实验数据，获取所述岩样的一组特征参数；
根据所述特征参数，采用公式获取所述岩样的储层分类综合指数CI；
其中，M为所述特征参数的个数，ak为第k个特征参数的权重系数，fk为第k个特征参数的归一化函数，pk为第k个特征参数。
可选的，所述特征参数包括下述参数中的至少一个：排驱压力Pd、饱和度中值压力Pc50、孔隙度φ和分形维数D。
可选的，所述确定模块，具体用于根据待分类点的核磁共振T2谱以及所述径向基函数，获取第二中心矩阵
根据所述第二中心矩阵与所述权重系数矩阵WN×1，获取第二储层分类综合指数
可选的，所述第二获取模块，具体用于根据所述岩样的压汞实验数据，获取所述排驱压力Pd和所述饱和度中值压力Pc50；
根据所述岩样的压汞实验数据，获取进汞饱和度SHg和进汞压力Pc；
根据公式log10(100-SHg)＝(D-3)log10(Pc)-K，获取所述分形维数D，其中K为常数；
根据所述岩样的核磁共振T2谱获取所述孔隙度φ。
第三方面，本发明提供的储层分类的装置，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第一方面任一项所述的方法。
本发明提供的储层分类的方法及装置，首先根据N个岩样的核磁共振横向弛豫时间T2谱以及径向基函数获取第一中心矩阵ΦN×N；根据所述N个岩样的核磁共振T2谱和压汞实验数据，获取第一储层分类综合指数CIN×1；根据所述第一中心矩阵ΦN×N的逆矩阵和所述第一储层分类综合指数CIN×1，获取权重系数矩阵WN×1；然后根据待分类点的核磁共振T2谱，以及所述权重系数矩阵WN×1，确定第二储层分类综合指数所述第二储层分类综合指数CIm * ×1用于指示所述待分类点的储层类型；由此可知，由于是根据待分类点的核磁共振T2谱进行储层分类的预测，而核磁共振测井时每隔0.1905米(CMR核磁共振测井仪器的采样间隔为0.1905米)即可获取一个深度点的核磁共振T2谱，因此可以实现对井下储层类型的连续预测。另外，由于采用径向基函数对岩样进行训练，使得本实施例的方法可以同时对多个岩样或者井下多个待分类点进行储层分类，并且，运算速度快，储层分类精度高。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为本发明提供的储层分类的方法实施例的流程图；
图2为某岩样的log10(100-SHg)和log10(Pc)的拟合曲线；
图3A为本发明实施例中19块岩样的核磁共振T2谱的累加幅度向量的示意图；
图3B为本发明实施例中根据核磁共振T2谱和压汞实验数据获取的19块岩样的储层分类综合指数CI的示意图；
图4为本发明实施例对19块岩样进行预测的预测CI与计算CI的交会图；
图5为本发明实施例中α与均方根误差RMSE之间关系的示意图；
图6为本发明实施例对某井进行CI预测的结果示意图；
图7为本发明提供的储层分类的装置实施例一的结构示意图；
图8为本发明提供的储层分类的装置实施例二的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
随着常规油气资源的枯竭和世界对能源需求的增加，非常规油气资源的地位越来越重要。对非常规油气资源的储层进行分类是油气开发中的重要环节。由于非常规油气藏一般具有复杂的孔隙结构，基于单一的特征参数对储层进行分类无法达到理想的分类结果。因此，通常基于多个特征参数来对非常规油气资源进行储层分类，例如：孔隙度、渗透率、饱和度和孔隙结构参数等。
目前，常用的储层分类方法为，在井区的不同位置分别获取岩样，对获取的多个岩样分别进行压汞实验，并得到压汞曲线，然后对压汞曲线中的多个特征参数进行分析，来对该岩样对应的储层进行分类。
然而，上述的储层分类方法，通过对岩样的压汞曲线进行分析，只能得到该岩样对应的储层的类型，其不能实现对井下储层类型的连续预测。
本发明提供的储层分类的方法及装置，根据核磁共振测井数据对储层进行分类，能够实现对井下储层类型的连续预测。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明提供的储层分类的方法实施例的流程图，如图1所示，本实施例的方法包括：
S11：根据N个岩样的核磁共振横向弛豫时间T2谱以及径向基函数获取第一中心矩阵ΦN×N，其中N为大于1的自然数。
具体的，首先获取N个岩样的核磁共振T2谱数据，核磁共振T2谱可以用于表征岩样的孔隙大小分布情况，其中，核磁共振T2谱的横坐标为T2值，表示弛豫时间，纵坐标为幅度值，表示某弛豫时间T2对应的氢核的数量占比。核磁共振T2谱为类似正态分布的曲线，所有T2值对应的幅度之和可用于表征岩样的孔隙度φ。
然后，根据N个岩样的核磁共振T2谱以及径向基函数获取第一中心矩阵ΦN×N，需要说明的是，其可以有多种实施方式，下面仅介绍其中一种可选的实施方式。
为了最大程度保留核磁共振T2谱的有效信息，需要对核磁共振T2谱进行预处理，其中一种可选的预处理的方式为：分别将每个所述岩样的核磁共振T2谱按照T2值由高到低的方向进行累加(反向累加)，得到所述N个岩样对应的累加幅度分布矩阵其中，xi为第i个岩样对应的累加幅度向量。可以理解的，累加幅度分布矩阵X作为训练样本的输入，用于对N个岩样进行训练。
根据所述N个岩样对应的累加幅度分布矩阵X和径向基函数得到第一中心矩阵其中，所述第一中心矩阵ΦN×N中的每个元素为：i和j为大于等于1且小于等于N的自然数。
其中，所述径向基函数为下述径向基函数中的任一种：
逆多元二次函数：
高斯函数：
对称S型函数：
上述的三个径向基函数中，r为两个样本点之间的距离，σ为函数的宽度。上述径向基函数都是关于径向r对称的，σ反应了函数的宽度，σ越小，函数就越具有选择性。可以理解的，将两个岩样的累加幅度向量之间的距离||xi-xj||作为r代入径向基函数中，得到第一中心矩阵ΦN×N中的元素。
可选的，所述径向基函数为高斯函数，所述第一中心矩阵ΦN×N中的每个元素为：
可以理解的，上述公式中，将||xi-xj||作为r代入径向基函数中，并且对进行了归一化处理。其中，xi为第i个岩样的累加幅度向量，σ＝α·NND，α为比例系数，一般在0.1～2之间，可取上述浮动值，也可取训练样本得到的最优α值，不同岩样得到不同的最优α值。NND为样品点间最小临近距离，一般采用欧式距离，即NND＝min(||xi-xj||2)。
S12：根据所述N个岩样的核磁共振T2谱和压汞实验数据，获取第一储层分类综合指数CIN×1，所述第一储层分类综合指数CIN×1包括N个岩样的储层分类综合指数CI。
具体的，通过对N个岩样进行压汞实验和核磁共振实验，根据压汞实验数据和核磁共振T2谱可以分别得到每个岩样的储层分类综合指数CI，从而将N个岩样的储层分类综合指数组成第一储层分类综合指数CIN×1。可以理解的，第一储层分类综合指数CIN×1作为训练样本的输出，用于对N个岩样进行训练。
其中，获取第一储层分类综合指数CIN×1包括但不限于如下的方式：
针对所述N个岩样中的每个岩样，根据所述岩样的核磁共振T2谱和压汞实验数据，获取所述岩样的一组特征参数。其中，所述特征参数包括但不限于如下参数：排驱压力Pd、饱和度中值压力Pc50、孔隙度φ和分形维数D。下面对上述四个参数的获取方法进行介绍。
通过对所述岩样进行压汞实验，可以得到所述岩样的毛管压力曲线，根据毛管压力曲线，可以获取排驱压力Pd和饱和度中值压力Pc50。
同时，根据毛管压力曲线，还可以获取进汞饱和度SHg和进汞压力Pc；然后根据公式log10(100-SHg)＝(D-3)log10(Pc)-K，可以获取分形维数D，其中K为常数。
具体的，根据进汞饱和度SHg和进汞压力Pc的关系，将log10(100-SHg)和log10(Pc)进行拟合，拟合直线的斜率为D-3，由此可获取分形维数D。以一块岩样为例，图2为某岩样的log10(100-SHg)和log10(Pc)的拟合曲线，如图2所示，拟合直线的斜率为-0.5735，因此得到分形维数D为2.4265。
根据所述岩样的核磁共振T2谱，对所述岩样的核磁共振T2谱中所有T2值对应的幅度进行求和，可以获取孔隙度φ。
可以理解的，上述列举的特征参数只是可选的四个参数，在实际应用中，还可以根据实际情况，选择使用其他的参数。另外，对于特征参数的数量也不作具体限定。
根据所述特征参数，采用公式获取所述岩样的储层分类综合指数CI。
其中，M为所述特征参数的个数，ak为第k个特征参数的权重系数，可根据变异系数法求得；fk为第k个特征参数的归一化函数，pk为第k个特征参数。
S13：根据所述第一中心矩阵ΦN×N的逆矩阵和所述第一储层分类综合指数CIN×1，获取权重系数矩阵WN×1。
可以理解的，将S11中获取的N个岩样的累加幅度分布矩阵X作为输入，将S12获取的N个岩样的第一储层分类综合指数CIN×1作为输出，对N个岩样进行训练，可以得到权重系数矩阵WN×1，该权重系统矩阵WN×1可用于预测待分类点的储层类型。
具体的，S11中根据N个样本的核磁共振T2谱以及径向基函数得到了第一中心矩阵ΦN×N，S12中根据N个样本的核磁共振T2谱和压汞实验数据，得到了第一储层分类综合指数CIN×1，可以根据公式WN×1＝ΦN×N -1·CIN×1获取权重系数矩阵WN×1。
S14：根据待分类点的核磁共振T2谱，以及所述权重系数矩阵WN×1，确定第二储层分类综合指数所述第二储层分类综合指数用于指示所述待分类点的储层类型，m为所述待分类点的个数。
具体的，与S11中类似，根据待分类点的核磁共振T2谱，以及径向基函数可以获取第二中心矩阵然后，根据所述第二中心矩阵与所述权重系数矩阵WN×1，采用公式可以获取第二储层分类综合指数
需要说明的是，所述待分类点可以为已采集的岩样，也可以为井下某深度点，也就是说，本实施例的方法在对井下某深度点进行储层类型预测时，可以不用在该深度点采集岩石样本，只需要获取该深度点对应的核磁共振T2谱即可。另外，对于待分类点的个数不作限定，可以同时对多个待分类点进行储层类型预测。
本实施例的储层分类的方法，首先根据N个岩样的核磁共振横向弛豫时间T2谱以及径向基函数获取第一中心矩阵ΦN×N；根据所述N个岩样的核磁共振T2谱和压汞实验数据，获取第一储层分类综合指数CIN×1；根据所述第一中心矩阵ΦN×N的逆矩阵和所述第一储层分类综合指数CIN×1，获取权重系数矩阵WN×1；然后根据待分类点的核磁共振T2谱，以及所述权重系数矩阵WN×1，确定第二储层分类综合指数所述第二储层分类综合指数用于指示所述待分类点的储层类型；由此可知，由于是根据待分类点的核磁共振T2谱进行储层分类的预测，而核磁共振测井时每隔0.1905米(CMR核磁共振测井仪器的采样间隔为0.1905米)即可获取一个深度点的核磁共振T2谱，因此可以实现对井下储层类型的连续预测。另外，由于采用径向基函数对岩样进行训练，使得本实施例的方法可以同时对多个岩样或者井下多个待分类点进行储层分类，并且，运算速度快，储层分类精度高。
下面对本发明提供的储层分类方法实施例的分类效果进行介绍。为了验证本实施例方法的有效性，制备了19块岩样，图3A为19块岩样的核磁共振T2谱的累加幅度向量的示意图，图3B为根据核磁共振T2谱和压汞实验数据获取的19块岩样的储层分类综合指数CI的示意图。将图3A所示的核磁共振T2谱的累加幅度向量作为输入数据，将图3B所示的储层分类综合指数CI作为输出数据。
采用留一法进行验证，即先取出第1组数据作为待预测数据，其他18组数据作为训练数据进行预测，然后以第2组数据作为待预测数据，其他18组数据作为训练数据进行预测，依次循环，共进行19组预测验证。图4为本发明实施例预测CI值与计算CI值的交会图，其中计算CI值是指根据岩样的压汞实验数据获取的CI值，预测CI值是指采用本发明提供的储层分类方法预测得到的CI值。由图4可知，19块岩样的CI分为3类，第一类为CI<0.3，第二类0.5<CI<0.8，第三类CI>0.8，由此可以得到19块岩样对应的储层类型。
其中，在进行上述训练或预测时，可以获取α的最优值。如前所述，α的取值范围为0.1～2，实验中可以以0.05为步长得到α与预测CI的均方根误差RMSE之间的关系。图5为本发明实施例中α与均方根误差RMSE之间关系的示意图，如图5所示，均方根误差RMSE变化不大，可以取均方根误差RMSE最小值对应的α为最优值，即α＝0.4为最优值，后续采用本发明的方法进行CI预测时可采用最优值α＝0.4以加快运算速度。
为了进一步验证本发明提供的储层分类方法实施例的有效性，还对与上述19块样品相同工区的某井进行了储层类型的连续预测。具体的，获取该井的XX85m-XX08m井段的核磁共振T2谱，以该井段的核磁共振T2谱的累加幅度分布矩阵作为输入，连续计算了该井段的CI值。图6为本发明实施例对该井进行CI预测的结果示意图，如图6所示，分别示例了XX85m-XX08m井段的常规测井数据与预测CI之间的关系，其中，SP为自然电位测井曲线，GR为自然伽马测井曲线，CALI为井径曲线，CNL为中子孔隙度测井曲线，DEN为密度测井曲线，AC为声波测井曲线，AT10、AT20和AT30均为电阻率测井曲线，分别对应探测深度为10英寸、20英寸和30英寸，T2_DIST为核磁共振T2谱，CI为采用本发明的方法得到的预测CI曲线。由图6可知，CI的预测结果与常规测井曲线和核磁共振测井数据关系良好，证明了该方法的有效性。
图7为本发明提供的储层分类的装置实施例一的结构示意图，如图7所示，本实施例的装置包括：第一获取模块101、第二获取模块102、第三获取模块103和确定模块104。
第一获取模块101，用于根据N个岩样的核磁共振横向弛豫时间T2谱以及径向基函数获取第一中心矩阵ΦN×N，其中N为大于1的自然数；
第二获取模块102，用于根据所述N个岩样的核磁共振T2谱和压汞实验数据，获取第一储层分类综合指数CIN×1，所述第一储层分类综合指数CIN×1包括N个岩样的储层分类综合指数CI；
第三获取模块103，用于根据所述第一中心矩阵ΦN×N的逆矩阵和所述第一储层分类综合指数CIN×1，获取权重系数矩阵WN×1；
确定模块104，用于根据待分类点的核磁共振T2谱，以及所述权重系数矩阵WN×1，确定第二储层分类综合指数所述第二储层分类综合指数用于指示所述待分类点的储层类型，m为所述待分类点的个数。
可选的，第一获取模块101，具体用于分别将每个所述岩样的核磁共振T2谱按照T2值由高到低的方向进行累加，得到所述N个岩样对应的累加幅度分布矩阵其中，xi为第i个岩样对应的累加幅度向量；
根据所述N个岩样对应的累加幅度分布矩阵X和径向基函数得到第一中心矩阵其中，所述第一中心矩阵ΦN×N中的每个元素为：i和j为大于等于1小于等于N的自然数；
所述径向基函数为下述径向基函数中的任一种：逆多元二次函数、高斯函数和对称S型函数；
其中，所述逆多元二次函数为：
所述高斯函数为：
所述对称S型函数为：
其中，r为两个样本点之间的距离，σ为函数的宽度。
可选的，所述径向基函数为所述高斯函数；
相应的，所述第一中心矩阵ΦN×N中的每个元素为：
其中，σ＝α·NND，α为比例系数，NND＝min(||xi-xj||2)。
可选的，第二获取模块102，具体用于针对所述N个岩样中的每个岩样，根据所述岩样的核磁共振T2谱和压汞实验数据，获取所述岩样的一组特征参数；
根据所述特征参数，采用公式获取所述岩样的储层分类综合指数CI；
其中，M为所述特征参数的个数，ak为第k个特征参数的权重系数，fk为第k个特征参数的归一化函数，pk为第k个特征参数。
可选的，所述特征参数包括下述参数中的至少一个：排驱压力Pd、饱和度中值压力Pc50、孔隙度φ和分形维数D。
可选的，确定模块104，具体用于根据待分类点的核磁共振T2谱以及所述径向基函数，获取第二中心矩阵
根据所述第二中心矩阵与所述权重系数矩阵WN×1，获取第二储层分类综合指数
可选的，第二获取模块102，具体用于根据所述岩样的压汞实验数据，获取所述排驱压力Pd和所述饱和度中值压力Pc50；
根据所述岩样的压汞实验数据，获取进汞饱和度SHg和进汞压力Pc；
根据公式log10(100-SHg)＝(D-3)log10(Pc)-K，获取所述分形维数D，其中K为常数；
根据所述岩样的核磁共振T2谱获取所述孔隙度φ。
本实施例的装置，可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图8为本发明提供的储层分类的装置实施例二的结构示意图，如图8所示，本实施例的装置，包括：存储器201、处理器202以及计算机程序；其中，所述计算机程序存储在存储器201中，并被配置为由处理器202执行以实现如上述任一方法实施例。
本实施例的装置，可以用于执行图1所示的方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种储层分类的方法，其特征在于，包括：
根据N个岩样的核磁共振横向弛豫时间T2谱以及径向基函数获取第一中心矩阵ΦN×N，其中N为大于1的自然数；
根据所述N个岩样的核磁共振T2谱和压汞实验数据，获取第一储层分类综合指数CIN×1，所述第一储层分类综合指数CIN×1包括N个岩样的储层分类综合指数CI；
根据所述第一中心矩阵ΦN×N的逆矩阵和所述第一储层分类综合指数CIN×1，获取权重系数矩阵WN×1；
根据待分类点的核磁共振T2谱，以及所述权重系数矩阵WN×1，确定第二储层分类综合指数所述第二储层分类综合指数用于指示所述待分类点的储层类型，m为所述待分类点的个数。
2.根据权利要求1所述的方法，其特征在于，所述根据N个岩样的核磁共振T2谱以及径向基函数获取第一中心矩阵ΦN×N，包括：
分别将每个所述岩样的核磁共振T2谱按照T2值由高到低的方向进行累加，得到所述N个岩样对应的累加幅度分布矩阵其中，xi为第i个岩样对应的累加幅度向量；
根据所述N个岩样对应的累加幅度分布矩阵X和径向基函数得到第一中心矩阵其中，所述第一中心矩阵ΦN×N中的每个元素为：i和j为大于等于1小于等于N的自然数；
所述径向基函数为下述径向基函数中的任一种：逆多元二次函数、高斯函数和对称S型函数；
其中，所述逆多元二次函数为：
所述高斯函数为：
所述对称S型函数为：
其中，r为两个样本点之间的距离，σ为函数的宽度。
3.根据权利要求2所述的方法，其特征在于，所述径向基函数为所述高斯函数；
相应的，所述第一中心矩阵ΦN×N中的每个元素为：
其中，σ＝α·NND，α为比例系数，NND＝min(||xi-xj||2)。
4.根据权利要求3所述的方法，其特征在于，所述根据所述N个岩样的核磁共振T2谱和压汞实验数据，获取第一储层分类综合指数CIN×1，包括：
针对所述N个岩样中的每个岩样，根据所述岩样的核磁共振T2谱和压汞实验数据，获取所述岩样的一组特征参数；
根据所述特征参数，采用公式获取所述岩样的储层分类综合指数CI；
其中，M为所述特征参数的个数，ak为第k个特征参数的权重系数，fk为第k个特征参数的归一化函数，pk为第k个特征参数。
5.根据权利要求4所述的方法，其特征在于，所述特征参数包括下述参数中的至少一个：排驱压力Pd、饱和度中值压力Pc50、孔隙度φ和分形维数D。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据待分类点的核磁共振T2谱，以及所述权重系数矩阵WN×1，获取第二储层分类综合指数包括：
根据待分类点的核磁共振T2谱以及所述径向基函数，获取第二中心矩阵
根据所述第二中心矩阵与所述权重系数矩阵WN×1，获取第二储层分类综合指数
7.根据权利要求5所述的方法，其特征在于，所述根据所述岩样的核磁共振T2谱和压汞实验数据，获取所述岩样的一组特征参数，包括：
根据所述岩样的压汞实验数据，获取所述排驱压力Pd和所述饱和度中值压力Pc50；
根据所述岩样的压汞实验数据，获取进汞饱和度SHg和进汞压力Pc；
根据公式log10(100-SHg)＝(D-3)log10(Pc)-K，获取所述分形维数D，其中K为常数；
根据所述岩样的核磁共振T2谱获取所述孔隙度φ。
8.一种储层分类的装置，其特征在于，包括：
第一获取模块，用于根据N个岩样的核磁共振横向弛豫时间T2谱以及径向基函数获取第一中心矩阵ΦN×N，其中N为大于1的自然数；
第二获取模块，用于根据所述N个岩样的核磁共振T2谱和压汞实验数据，获取第一储层分类综合指数CIN×1，所述第一储层分类综合指数CIN×1包括N个岩样的储层分类综合指数CI；
第三获取模块，用于根据所述第一中心矩阵ΦN×N的逆矩阵和所述第一储层分类综合指数CIN×1，获取权重系数矩阵WN×1；
确定模块，用于根据待分类点的核磁共振T2谱，以及所述权重系数矩阵WN×1，确定第二储层分类综合指数所述第二储层分类综合指数用于指示所述待分类点的储层类型，m为所述待分类点的个数。
9.根据权利要求8所述的装置，其特征在于，
所述第一获取模块，具体用于分别将每个所述岩样的核磁共振T2谱按照T2值由高到低的方向进行累加，得到所述N个岩样对应的累加幅度分布矩阵其中，xi为第i个岩样对应的累加幅度向量；
根据所述N个岩样对应的累加幅度分布矩阵X和径向基函数得到第一中心矩阵其中，所述第一中心矩阵ΦN×N中的每个元素为：i和j为大于等于1小于等于N的自然数；
所述径向基函数为下述径向基函数中的任一种：逆多元二次函数、高斯函数和对称S型函数；
其中，所述逆多元二次函数为：
所述高斯函数为：
所述对称S型函数为：
其中，r为两个样本点之间的距离，σ为函数的宽度。
10.一种储层分类的装置，其特征在于，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810351042.8A CN108596383B (zh) | 2018-04-18 | 2018-04-18 | 储层分类的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810351042.8A CN108596383B (zh) | 2018-04-18 | 2018-04-18 | 储层分类的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108596383A true CN108596383A (zh) | 2018-09-28 |
| CN108596383B CN108596383B (zh) | 2021-11-30 |
Family
ID=63611222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810351042.8A Active CN108596383B (zh) | 2018-04-18 | 2018-04-18 | 储层分类的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108596383B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109736793A (zh) * | 2019-01-18 | 2019-05-10 | 中国石油大学(北京) | 一种评价储层孔隙结构的方法及设备 |
| CN112734143A (zh) * | 2019-10-14 | 2021-04-30 | 中国石油大学(北京) | 一种孔隙结构分形表征的方法、装置及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120065888A1 (en) * | 2010-09-15 | 2012-03-15 | Baker Hughes Incorporated | Method and Apparatus for Predicting Petrophysical Properties From NMR Data in Carbonate Rocks |
| CN103821505A (zh) * | 2014-02-28 | 2014-05-28 | 中国石油大学(北京) | 砂岩油气输导层地球物理-地质-地球化学检测方法及装置 |
| CN104932027A (zh) * | 2015-05-06 | 2015-09-23 | 中国石油大学(北京) | 基于核磁共振测井的储层分类方法 |
| CN105676309A (zh) * | 2016-01-28 | 2016-06-15 | 中国石油大学(华东) | 裂缝性油藏逆向渗吸采收率预测方法 |
| WO2017184506A1 (en) * | 2016-04-20 | 2017-10-26 | Halliburton Energy Services, Inc. | Downhole formation evaluation using nuclear magnetic resonance inversion matrix reduction |
-
2018
- 2018-04-18 CN CN201810351042.8A patent/CN108596383B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120065888A1 (en) * | 2010-09-15 | 2012-03-15 | Baker Hughes Incorporated | Method and Apparatus for Predicting Petrophysical Properties From NMR Data in Carbonate Rocks |
| CN103821505A (zh) * | 2014-02-28 | 2014-05-28 | 中国石油大学(北京) | 砂岩油气输导层地球物理-地质-地球化学检测方法及装置 |
| CN104932027A (zh) * | 2015-05-06 | 2015-09-23 | 中国石油大学(北京) | 基于核磁共振测井的储层分类方法 |
| CN105676309A (zh) * | 2016-01-28 | 2016-06-15 | 中国石油大学(华东) | 裂缝性油藏逆向渗吸采收率预测方法 |
| WO2017184506A1 (en) * | 2016-04-20 | 2017-10-26 | Halliburton Energy Services, Inc. | Downhole formation evaluation using nuclear magnetic resonance inversion matrix reduction |
Non-Patent Citations (1)
| Title |
|---|
| 谢然红: "致密储层数字岩心重构及核磁共振响应模拟", 《中国石油大学学报（自然科学版）》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109736793A (zh) * | 2019-01-18 | 2019-05-10 | 中国石油大学(北京) | 一种评价储层孔隙结构的方法及设备 |
| CN109736793B (zh) * | 2019-01-18 | 2021-01-29 | 中国石油大学(北京) | 一种评价储层孔隙结构的方法及设备 |
| CN112734143A (zh) * | 2019-10-14 | 2021-04-30 | 中国石油大学(北京) | 一种孔隙结构分形表征的方法、装置及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108596383B (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ulmas et al. | Segmentation of satellite imagery using u-net models for land cover classification | |
| Deng et al. | Support vector machine as an alternative method for lithology classification of crystalline rocks | |
| CN103930802A (zh) | 利用空间独立的数据子集为空间相关储层数据确定性质分布的软数据去偏不确定性的系统及方法 | |
| CN105243388B (zh) | 基于动态时间规整和划分算法的波形分类方法 | |
| SA04250006A (ar) | اختيار بيانات توجيه شبكة متفرغة باستخدام تحليل متفرع ( عنقودي لذاكرة منخفضة لتطوير نموذج الحقل) | |
| CN107341497A (zh) | 结合选择性升采样的不均衡数据流加权集成分类预测方法 | |
| CN110346831A (zh) | 一种基于随机森林算法的智能化地震流体识别方法 | |
| AU2009241409A1 (en) | System and method for interpretation of well data | |
| CN106779086A (zh) | 一种基于主动学习和模型剪枝的集成学习方法及装置 | |
| CN103617435A (zh) | 一种主动学习图像分类方法和系统 | |
| CN107664778B (zh) | 地震数据质量的确定方法和装置 | |
| CN104932027A (zh) | 基于核磁共振测井的储层分类方法 | |
| CN108596383A (zh) | 储层分类的方法及装置 | |
| CN109409442A (zh) | 迁移学习中卷积神经网络模型选择方法 | |
| CN106251260A (zh) | 一种考生志愿填报模拟系统及方法 | |
| CN109113729A (zh) | 基于测井曲线的岩性识别方法及装置 | |
| CN109298464A (zh) | 致密砂岩储层成岩相测井识别方法及装置 | |
| Choi et al. | Semi-supervised target classification in multi-frequency echosounder data | |
| Kambekar et al. | Wave prediction using genetic programming and model trees | |
| Guartán et al. | Regionalized classification of geochemical data with filtering of measurement noises for predictive lithological mapping | |
| CN105975973A (zh) | 一种用于森林生物量的遥感影像特征选择方法和装置 | |
| CN114638300A (zh) | 一种识别页岩油气藏“甜点”的方法、装置及存储介质 | |
| Orlic et al. | Earthquake—explosion discrimination using genetic algorithm-based boosting approach | |
| CN113780346A (zh) | 一种先验约束分类器调整方法、系统及可读存储介质 | |
| CN108518220A (zh) | 基于综合流体识别指数识别储层流体的方法与装置 |
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 |