CN109298464A - 致密砂岩储层成岩相测井识别方法及装置 - Google Patents
致密砂岩储层成岩相测井识别方法及装置 Download PDFInfo
- Publication number
- CN109298464A CN109298464A CN201811209279.9A CN201811209279A CN109298464A CN 109298464 A CN109298464 A CN 109298464A CN 201811209279 A CN201811209279 A CN 201811209279A CN 109298464 A CN109298464 A CN 109298464A
- Authority
- CN
- China
- Prior art keywords
- matrix
- sample
- diagenetic facies
- radial basis
- basis function
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
Abstract
本发明公开了一种致密砂岩储层成岩相测井识别方法及装置,其中该方法包括:获得研究区域致密砂岩样本数据,所述样本数据包括:样品的测井参数及所述样品的成岩相类型;将所述研究区域致密砂岩样本数据中样品的测井参数作为输入层,所述研究区域致密砂岩样本数据中样品的成岩相类型作为输出层,建立径向基函数神经网络模型;利用所述径向基函数神经网络模型,对致密砂岩样品成岩相类型进行识别。本发明建立了径向基函数神经网络模型,能够同时结合多个测井参数信息对致密砂岩储层成岩相进行识别,有效提高了识别率,有利于准确识别致密砂岩储层成岩相类型。
Description
技术领域
本发明涉及油气勘探开发技术领域,尤其涉及一种致密砂岩储层成岩相测井识别方法及装置。
背景技术
致密砂岩是非常规油气藏研究中的重要领域之一,而成岩相很大程度上决定了优势储层的形成和“甜点”的发育,以及储层的储集性能和油气的富集,因此,成岩相的研究与识别在致密砂岩油气藏的研究中起着至关重要的作用。
现有致密砂岩储层成岩相识别方法主要是通过人为观察岩心样品薄片判断样品成岩相类型,这种方法得到的成岩相类型准确率很高,但是采集不同深度的岩心样品并逐一进行观察分析将消耗大量人力物力,且效率低。考虑到测井参数与储层成岩相之间存在相关性,许多学者提出了利用测井参数建立交会图,并利用概率神经网络建立定量判定模型。相比人为观察法,这些方法的成岩相分类效率更高,并且能够实现在测井深度维度连续预测致密砂岩储层成岩相的类型,但是这种方法通常情况下很难保证较高识别率。
发明内容
本发明实施例提供一种致密砂岩储层成岩相测井识别方法,用以识别致密砂岩储层成岩相的类型,提高成岩相的识别率,该方法包括:
获得研究区域致密砂岩样本数据,所述样本数据包括:样品的测井参数及所述样品的成岩相类型;
将所述研究区域致密砂岩样本数据中样品的测井参数作为输入层,所述研究区域致密砂岩样本数据中样品的成岩相类型作为输出层,建立径向基函数神经网络模型;
利用所述径向基函数神经网络模型,对致密砂岩样品成岩相类型进行识别;
其中,将所述研究区域致密砂岩样本数据中样品的测井参数作为输入层,所述研究区域致密砂岩样本数据中样品的成岩相类型作为输出层,建立径向基函数神经网络模型包括:
利用输入层和径向基函数得到中心函数矩阵,中心函数矩阵为径向基函数神经网络模型的隐含层;
利用中心函数矩阵的逆矩阵和输出层得到权重系数矩阵。
本发明实施例提供一种致密砂岩储层成岩相测井识别装置,用以识别致密砂岩储层成岩相的类型,提高成岩相的识别率,该装置包括:
样本数据获取模块,用于获得研究区域致密砂岩样本数据,所述样本数据包括:样品的测井参数及所述样品的成岩相类型;
模型建立模块,用于将所述研究区域致密砂岩样本数据中样品的测井参数作为输入层,所述研究区域致密砂岩样本数据中样品的成岩相类型作为输出层,建立径向基函数神经网络模型;
成岩相类型识别模块,用于利用所述径向基函数神经网络模型,对致密砂岩样品成岩相类型进行识别;
其中,所述模型建立模块进一步用于:
利用输入层和径向基函数得到中心函数矩阵,中心函数矩阵为径向基函数神经网络模型的隐含层;
利用中心函数矩阵的逆矩阵和输出层得到权重系数矩阵。
本发明实施例相对于现有技术中利用测井参数建立交会图并建立概率神经网络定量判定模型对成岩相类型进行识别的方案而言,通过获得研究区域致密砂岩样本数据,将研究区域致密砂岩样本数据中样品的测井参数作为输入层,研究区域致密砂岩样本数据中样品的成岩相类型作为输出层,建立径向基函数神经网络模型,进而利用径向基函数神经网络模型对致密砂岩样品成岩相类型进行识别。径向基函数神经网络模型能够同时输入多个测井参数并结合多个测井参数信息对致密砂岩储层成岩相进行识别,有效提高了识别率,有利于准确识别致密砂岩储层成岩相类型。
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的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中一种致密砂岩储层成岩相测井识别方法的示意图;
图2为本发明实施例中165个样品的GR-DEN交会图;
图3为本发明实施例中径向基函数计算过程中α的取值与均方根误差(RMSE)关系图;
图4为本发明实际井资料处理成果图;
图5为本发明实施例中一种致密砂岩储层成岩相测井识别装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
如前所述,利用测井参数建立交会图,并利用概率神经网络建立定量判定模型的成岩相别方法,相比人为观察法,成岩相分类效率更高,并且能够实现在测井深度维度连续预测致密砂岩储层成岩相的类型,但是这种方法通常情况下很难保证较高识别率。为了在实现测井深度维度连续预测致密砂岩储层成岩相的类型的基础上达到较高识别率,发明人考虑在本发明实施例中采用径向基函数方法实现致密砂岩储层成岩相的识别。径向基函数方法首次由R.Freedman(2006)应用于解决测井应用中的反问题,包括利用核磁共振数据预测地层流体粘度和分子组分等,此后一些学者利用该方法解决测井中其他参数的求取,如总有机碳含量(TOC),渗透率等。该方法的优越性在于,输入数据和输出数据都可以是多维的,且维数的增加并不会增加运算时间,具有运算快,结果准确的特点。因此,本发明实施例通过获得研究区域致密砂岩样本数据,将研究区域致密砂岩样本数据中样品的测井参数作为输入层,研究区域致密砂岩样本数据中样品的成岩相类型作为输出层,建立径向基函数神经网络模型,进而利用径向基函数神经网络模型对致密砂岩样品成岩相类型进行识别。径向基函数神经网络模型能够同时输入多个测井参数并结合多个测井参数信息对致密砂岩储层成岩相进行识别,有效提高了识别率,有利于准确识别致密砂岩储层成岩相类型。
基于此,在本发明实施例中提供了一种致密砂岩储层成岩相测井识别方法,用以识别致密砂岩储层成岩相的类型,提高成岩相的识别率,如图1所示,该方法可以包括:
步骤101、获得研究区域致密砂岩样本数据,所述样本数据包括:样品的测井参数及所述样品的成岩相类型;
步骤102、将所述研究区域致密砂岩样本数据中样品的测井参数作为输入层,所述研究区域致密砂岩样本数据中样品的成岩相类型作为输出层,建立径向基函数神经网络模型;
步骤103、利用所述径向基函数神经网络模型,对致密砂岩样品成岩相类型进行识别。
由图1所示流程可以得知,本发明实施例相对于现有技术中通过利用测井参数建立交会图并建立概率神经网络定量判定模型进行识别的方案而言,通过获得研究区域致密砂岩样本数据,将研究区域致密砂岩样本数据中样品的测井参数作为输入层,研究区域致密砂岩样本数据中样品的成岩相类型作为输出层,建立径向基函数神经网络模型,进而利用径向基函数神经网络模型对致密砂岩样品成岩相类型进行识别。径向基函数神经网络模型能够同时输入多个测井参数并结合多个测井参数信息对致密砂岩储层成岩相进行识别,有效提高了识别率,有利于准确识别致密砂岩储层成岩相类型。
具体实施时,获得研究区域致密砂岩样本数据,所述样本数据包括:样品的测井参数及所述样品的成岩相类型。实施例中,首先根据铸体薄片、扫描电镜、阴极发光等资料,对研究区域致密砂岩样品成岩相类型进行划分,获得样品的成岩相类型。例如,成岩相类型可以包括:溶蚀相、胶结相、压实致密相和破碎相。本领域技术人员可以理解,上述列举出的成岩相类型为一示例性说明,实施时可以根据需求确定不同的成岩相类型,相关的变化例均应落入本发明的保护范围。
在获得样品的成岩相类型后,通过绘制测井曲线交会图选取对成岩相具有较高灵敏度的测井参数。实施例中,样品的测井参数可以包括:体积密度DEN、补偿中子CNL、声波时差AC、深探测电阻率RT、中探测电阻率RI、冲洗带电阻率RXO、自然电位SP、自然伽马GR和井径CALI其中之一或任意组合。本领域技术人员可以理解,上述列举出的测井参数为一示例性说明,实施时可以根据需求确定不同的测井参数,相关的变化例均应落入本发明的保护范围。发明人发现,测井参数种类虽然很多,但是在成岩相的识别研究中只有其中一部分测井参数对成岩相具有较高的灵敏度。如果在建立径向基函数神经网络模型时,输入层混入对成岩相具有较低灵敏度的测井参数,则会增加冗余信息,影响识别的准确性。因此,有必要选取对成岩相具有较高灵敏度的测井参数作为径向基函数神经网络模型的输入层,进而结合选取出的测井参数信息对致密砂岩储层成岩相进行识别。
需要说明的是,所述测井参数对成岩相具有较高的灵敏度是指,对于相同类型的成岩相,测井参数取值相近,而对于不同类型的成岩相,测井参数取值相差很大。
选取对成岩相具有较高灵敏度的测井参数,可以有多种具体的实现方式。实施例中,可以通过交会图分析选取对成岩相具有较高灵敏度的测井参数。例如,取研究区域致密砂岩样品的两种测井参数并绘制交会图,若测井参数对成岩相具有较高灵敏度,即对于相同类型的成岩相,测井参数取值相近,而对于不同类型的成岩相,测井参数取值相差很大,则选取该测井参数作为训练径向基函数神经网络模型的测井参数。
举个例子,取165个研究区域致密砂岩样品的两种测井参数GR和DEN,绘制GR-DEN交会图,如图2所示。由图2所示可以得知,对于测井参数GR,压实致密相的GR取值主要集中在110-170GAPI,而方解石胶结相和溶蚀相的GR取值主要集中在40-110GAPI,由此得出,可以通过测井参数GR将压实致密相与方解石胶结相、溶蚀相进行区分,因此可以判定测井参数GR对成岩相具有较高灵敏度,可以选取测井参数GR作为径向基函数神经网络模型的输入层。对于测井参数DEN,溶蚀相的DEN取值主要集中在2.3-2.55g/cm3,方解石胶结相的DEN取值主要集中在2.55-2.7g/cm3。由此得出,可以通过测井参数DEN将溶蚀相与方解石胶结相进行区分,因此可以判定测井参数DEN对成岩相具有较高灵敏度,可以选取测井参数DEN作为径向基函数神经网络模型的输入层。
具体实施时,将所述研究区域致密砂岩样本数据中样品的测井参数作为输入层,所述研究区域致密砂岩样本数据中样品的成岩相类型作为输出层,建立径向基函数神经网络模型。之所以选择径向基函数神经网络模型,是因为发明人考虑到,现有技术中利用测井参数建立交会图,并利用概率神经网络建立定量判定模型的成岩相别方法,能够实现在测井深度维度连续预测致密砂岩储层成岩相的类型,但是这种方法通常情况下很难保证较高识别率。为了在实现测井深度维度连续预测致密砂岩储层成岩相的类型的基础上达到较高识别率,在本发明实施例中通过建立径向基函数神经网络模型实现致密砂岩储层成岩相的识别。该方法的优越性在于,输入数据和输出数据都可以是多维的,且维数的增加并不会增加运算时间,具有运算快,结果准确的特点。本发明实施例建立的径向基函数神经网络模型能够同时输入多个测井参数并结合多个测井参数信息对致密砂岩储层成岩相进行识别,有效提高了识别率,有利于准确识别致密砂岩储层成岩相类型。
实施例中,将所述研究区域致密砂岩样本数据中样品的测井参数作为输入层,所述研究区域致密砂岩样本数据中样品的成岩相类型作为输出层,建立径向基函数神经网络模型包括,可以包括:
利用输入层和径向基函数得到中心函数矩阵,中心函数矩阵为径向基函数神经网络模型的隐含层;
利用中心函数矩阵的逆矩阵和输出层得到权重系数矩阵。
实施例中,首先利用输入层和径向基函数得到中心函数矩阵,中心函数矩阵为径向基函数神经网络模型的隐含层。设选取对成岩相具有较高灵敏度的测井参数个数为K,研究区域致密砂岩样品个数为N,则输入层可以表示为XN×K,中心函数矩阵可以表示为ΦN×N。可以应用径向基函数建立中心函数矩阵ΦN×N:
其中,ΦN×N为中心函数矩阵,为中心函数矩阵ΦN×N的每一个元素。
在建立训练中心函数矩阵ΦN×N的过程中需要选取核函数,核函数的种类有很多。实施例中可以选取高斯函数作为核函数,则按如下公式获得
其中,为中心函数矩阵ΦN×N的每一个元素,xi为输入层XN×K第i行,即第i个样品的测井参数,xj为输入层XN×K第j行,σ为宽度并且按如下公式获得:
σ=α·NND (3)
其中,σ为宽度,α为比例系数,NND为最小临近距离。
在实施例中,α可以取0.1~2之间的值,也可取训练样品得到的最优α值,不同样品得到不同的最优α值。NND的计算可以有多种具体的实现方式,实施例中可以取欧氏距离,按如下公式获得:
NND=min(||xi-xj||2) (4)
建立中心函数矩阵后,利用中心函数矩阵的逆矩阵和输出层得到权重系数矩阵。以所述样品的成岩相类型作为输出层YN×1,利用中心函数矩阵的逆矩阵ΦN×N -1和输出层YN×1求得权重系数矩阵WN×1。按如下公式获得权重系数矩阵WN×1:
WN×1=ΦN×N -1YN×1 (5)
其中,WN×1为权重系数矩阵,ΦN×N -1为中心函数矩阵的逆矩阵,YN×1为输出层。
需要说明的是,为了能够将K类成岩相作为输出层,需要将成岩相类型转换为数字形式。例如,设选取对成岩相具有较高灵敏度的测井参数个数为K,本实施例中可以取成岩相类型的代表值分别为1,2,...,K。若样品个数为N,则有输出层为YN×1。
具体实施时,利用所述径向基函数神经网络模型,对致密砂岩样品成岩相类型进行识别,可以包括:
将待测致密砂岩样品的测井参数作为新的输入层,利用新的输入层和径向基函数得到新的中心函数矩阵;
利用新的中心函数矩阵和权重系数矩阵得到输出层识别结果:
其中,为新的输出层,为新的中心函数矩阵,WN×1为权重系数矩阵,m为待测致密砂岩样品个数。
需要说明的是,在建立径向基函数神经网络模型时,径向基函数神经网络模型的输入层为研究区域致密砂岩样本数据中样品的测井参数,建立径向基函数神经网络模型之后,在利用径向基函数神经网络模型对致密砂岩样品成岩相类型进行识别时,径向基函数神经网络模型的输入层为待测致密砂岩样品的测井参数。建立径向基函数神经网络模型时的输入层与建立径向基函数神经网络模型之后利用径向基函数神经网络模型对致密砂岩样品成岩相类型进行识别时的输入层不同,因此将建立径向基函数神经网络模型之后利用径向基函数神经网络模型对致密砂岩样品成岩相类型进行识别时的输入层定义为“新的输入层”,与建立径向基函数神经网络模型时的输入层进行区别。同样的,将建立径向基函数神经网络模型之后利用径向基函数神经网络模型对致密砂岩样品成岩相类型进行识别时的中心函数矩阵定义为“新的中心函数矩阵”,与建立径向基函数神经网络模型时的中心函数矩阵进行区别;将建立径向基函数神经网络模型之后利用径向基函数神经网络模型对致密砂岩样品成岩相类型进行识别时的输出层定义为“新的输出层”,与建立径向基函数神经网络模型时的输出层进行区别。
实施例中,首先将待测致密砂岩样品的测井参数作为新的输入层,利用新的输入层和径向基函数得到新的中心函数矩阵。例如,设待测致密砂岩样品为m个,选取对成岩相具有较高灵敏度的待测致密砂岩样品的测井参数个数为K,研究区域致密砂岩样品个数为N,则新的输入层可以表示为新的输入层可以表示为XN×K,新的中心函数矩阵可以表示为进而可以应用径向基函数建立新的中心函数矩阵
其中,为新的中心函数矩阵,为新的中心函数矩阵的每一个元素。
在建立新的中心函数矩阵的过程中需要选取核函数,核函数的种类有很多。实施例中可以选取高斯函数作为核函数,则按如下公式获得
其中,为新的中心函数矩阵的每一个元素,为新的输入层第i行,即第i个样品的测井参数,xj为输入层XN×K第j行,σ为宽度并且按如下公式获得:
σ=α·NND (9)
其中,σ为宽度,α为比例系数,NND为最小临近距离。
在实施例中,α的取值可以取0.1~2之间的值,也可取样品的最优α值,不同样品得到不同的最优α值。NND的计算可以有多种具体的实现方式,实施例中可以取欧氏距离,按如下公式获得:
NND=min(||x* i-xj||2) (10)
建立新的中心函数矩阵后,利用新的中心函数矩阵和权重系数矩阵WN×1求得新的输出层按如下公式获得输出层识别结果:
其中,为新的输出层,为新的中心函数矩阵,WN×1为权重系数矩阵,m为待测致密砂岩样品个数。
下面给出一个具体实施例,采用留一法对本发明进行验证,说明本发明实施例中致密砂岩储层成岩相测井识别方法的具体应用。
一具体实施例,共165个研究区域致密砂岩样品,先取出第1个样品作为待预测样品,即m=1,其它164个样品用于建立径向基函数神经网络模型,即N=164。通过铸体薄片、扫描电镜、阴极发光资料,将164个研究区域致密砂岩样品的成岩相类型划分为溶蚀相、方解石胶结相、压实致密相3类,即K=3。在获得样品的成岩相类型后,通过绘制测井曲线交会图选取对成岩相具有较高灵敏度的测井参数。本例中对9个测井参数体积密度DEN、补偿中子CNL、声波时差AC、深探测电阻率RT、中探测电阻率RI、冲洗带电阻率RXO、自然电位SP、自然伽马GR、井径CALI进行交会图分析,选取对成岩相具有较高灵敏度的测井参数作为训练径向基函数神经网络模型的测井参数。最终,将自然伽马GR、体积密度DEN、声波时差AC、补偿中子CNL和深探测电阻率RT这5个测井参数作为径向基函数神经网络模型的输入层,即K=5。以所述164个研究区域致密砂岩样品的测井参数作为输入层X164×5,利用输入层和径向基函数得到中心函数矩阵Φ164×164,然后以所述164个研究区域致密砂岩样品的成岩相类型作为输出层Y164×1,利用中心函数矩阵的逆矩阵Φ164×164 -1和输出层Y164×1求得权重系数矩阵W164×1,其中,为了能够将3类成岩相作为径向基函数的输出层,将成岩相类型转换为数字形式,取3种成岩相溶蚀相、方解石胶结相、压实致密相的代表值分别为1,2,3。将待测致密砂岩样品的测井参数作为新的输入层利用新的输入层和径向基函数得到新的中心函数矩阵然后利用新的中心函数矩阵和权重系数矩阵W164×1求得新的输出层采用留一法对该发明进行验证,即先取出第1个样品作为待预测样品,其它164个样品用于建立径向基函数神经网络模型并采用上述实施方法进行预测,然后以第2个样品作为待预测样品,其它164个样品用于建立径向基函数神经网络模型并采用上述实施方法进行预测,依次循环,预测结果正确率为95.15%。绘制165块样品GR-DEN交会图并利用概率神经网络建立定量判定模型对样品进行成岩相识别,得到识别正确率为86.67%。如表1所示,由此证明,本发明识别正确率明显提升。
表1交会图法与径向基函数法实验结果对比
交会图法 | 径向基函数法 | 识别率提高 | |
识别率 | 86.67% | 95.15% | 8.48% |
需要说明的是,α可以取0.1~2之间的值,以0.05的步长寻找最优解,α的值与均方根误差(RMSE)的关系如图3所示,由于均方根误差变化不大,因此应用该方法进行预测时可选用最优值α=0.35以加快运算速度。
图4为本发明实施例中处理实际井资料成果图,由图中可以看出,相比于交会图预测结果,径向基预测结果与薄片鉴定结果更加一致,从而证明了本发明的可靠性。
由上述实施例可知,本发明实施例通过获得研究区域致密砂岩样本数据,将研究区域致密砂岩样本数据中样品的测井参数作为输入层,研究区域致密砂岩样本数据中样品的成岩相类型作为输出层,建立径向基函数神经网络模型,进而利用径向基函数神经网络模型对致密砂岩样品成岩相类型进行识别。径向基函数神经网络模型能够同时输入多个测井参数并结合多个测井参数信息对致密砂岩储层成岩相进行识别,有效提高了识别率,有利于准确识别致密砂岩储层成岩相类型。实施例中,在获得样品的成岩相类型后,通过绘制测井曲线交会图选取对成岩相具有较高的灵敏度的测井参数,用于建立径向基函数神经网络模型,避免由于混入对成岩相具有较低灵敏度的测井参数,增加冗余信息,影响成岩相识别的准确性。
基于同一发明构思,本发明实施例还提供了一种致密砂岩储层成岩相测井识别装置,如下面的实施例所述。由于这些解决问题的原理与致密砂岩储层成岩相测井识别方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
图5为本发明实施例中一种致密砂岩储层成岩相测井识别装置的结构图,如图5所示,该装置包括:
样本数据获取模块501,用于获得研究区域致密砂岩样本数据,所述样本数据包括:样品的测井参数及所述样品的成岩相类型;
模型建立模块502,用于将所述研究区域致密砂岩样本数据中样品的测井参数作为输入层,所述研究区域致密砂岩样本数据中样品的成岩相类型作为输出层,建立径向基函数神经网络模型;
成岩相类型识别模块503,用于利用所述径向基函数神经网络模型,对致密砂岩样品成岩相类型进行识别。
一个实施例中,样品的测井参数包括:体积密度DEN、补偿中子CNL、声波时差AC、深探测电阻率RT、中探测电阻率RI、冲洗带电阻率RXO、自然电位SP、自然伽马GR和井径CALI其中之一或任意组合。
一个实施例中,模型建立模块502进一步用于:
利用输入层和径向基函数得到中心函数矩阵,中心函数矩阵为径向基函数神经网络模型的隐含层;
利用中心函数矩阵的逆矩阵和输出层得到权重系数矩阵。
一个实施例中,模型建立模块502进一步用于按如下公式获得中心函数矩阵:
其中,ΦN×N为中心函数矩阵,为中心函数矩阵ΦN×N的每一个元素,按如下公式获得
其中,为中心函数矩阵ΦN×N的每一个元素,xi为输入层第i行,即第i个样品的测井参数,xj为输入层第j行,σ为宽度并且按如下公式获得:
σ=α·NND (14)
其中,σ为宽度,α为比例系数,NND为最小临近距离。
一个实施例中,模型建立模块502进一步用于按如下公式获得权重系数矩阵:
WN×1=ΦN×N -1YN×1 (15)
其中,WN×1为权重系数矩阵,ΦN×N -1为中心函数矩阵的逆矩阵,YN×1为输出层。
一个实施例中,成岩相类型识别模块503进一步用于:
将待测致密砂岩样品的测井参数作为新的输入层,利用新的输入层和径向基函数得到新的中心函数矩阵;
利用新的中心函数矩阵和权重系数矩阵得到输出层识别结果:
其中,为新的输出层,为新的中心函数矩阵,WN×1为权重系数矩阵,m为待测致密砂岩样品个数。
综上所述,本发明实施例相对于现有技术中通过利用测井参数建立交会图并建立概率神经网络定量判定模型进行识别的方案而言,通过获得研究区域致密砂岩样本数据,将研究区域致密砂岩样本数据中样品的测井参数作为输入层,研究区域致密砂岩样本数据中样品的成岩相类型作为输出层,建立径向基函数神经网络模型,进而利用径向基函数神经网络模型对致密砂岩样品成岩相类型进行识别。径向基函数神经网络模型能够同时输入多个测井参数并结合多个测井参数信息对致密砂岩储层成岩相进行识别,有效提高了识别率,有利于准确识别致密砂岩储层成岩相类型。
实施例中,在获得样品的成岩相类型后,通过绘制测井曲线交会图选取对成岩相具有较高的灵敏度的测井参数,用于建立径向基函数神经网络模型,避免由于混入对成岩相具有较低灵敏度的测井参数,增加冗余信息,影响成岩相识别的准确性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种致密砂岩储层成岩相测井识别方法,其特征在于,包括:
获得研究区域致密砂岩样本数据,所述样本数据包括:样品的测井参数及所述样品的成岩相类型;
将所述研究区域致密砂岩样本数据中样品的测井参数作为输入层,所述研究区域致密砂岩样本数据中样品的成岩相类型作为输出层,建立径向基函数神经网络模型;
利用所述径向基函数神经网络模型,对致密砂岩样品成岩相类型进行识别;
其中,将所述研究区域致密砂岩样本数据中样品的测井参数作为输入层,所述研究区域致密砂岩样本数据中样品的成岩相类型作为输出层,建立径向基函数神经网络模型包括:
利用输入层和径向基函数得到中心函数矩阵,中心函数矩阵为径向基函数神经网络模型的隐含层;
利用中心函数矩阵的逆矩阵和输出层得到权重系数矩阵。
2.如权利要求1所述的方法,其特征在于,样品的测井参数包括:体积密度DEN、补偿中子CNL、声波时差AC、深探测电阻率RT、中探测电阻率RI、冲洗带电阻率RXO、自然电位SP、自然伽马GR和井径CALI其中之一或任意组合。
3.如权利要求1所述的方法,其特征在于,按如下公式获得中心函数矩阵:
其中,ΦN×N为中心函数矩阵,为中心函数矩阵ΦN×N的每一个元素,按如下公式获得
其中,为中心函数矩阵ΦN×N的每一个元素,xi为输入层第i行,即第i个样品的测井参数,xj为输入层第j行,σ为宽度并且按如下公式获得:
σ=α·NND
其中,σ为宽度,α为比例系数,NND为最小临近距离。
4.如权利要求1所述的方法,其特征在于,按如下公式获得权重系数矩阵:
WN×1=ΦN×N -1YN×1
其中,WN×1为权重系数矩阵,ΦN×N -1为中心函数矩阵的逆矩阵,YN×1为输出层。
5.如权利要求1所述的方法,其特征在于,所述利用所述径向基函数神经网络模型对致密砂岩样品成岩相类型进行识别包括:
将待测致密砂岩样品的测井参数作为新的输入层,利用新的输入层和径向基函数得到新的中心函数矩阵;
利用新的中心函数矩阵和权重系数矩阵得到输出层识别结果:
其中,为新的输出层,为新的中心函数矩阵,WN×1为权重系数矩阵,m为待测致密砂岩样品个数。
6.一种致密砂岩储层成岩相测井识别装置,其特征在于,包括:
样本数据获取模块,用于获得研究区域致密砂岩样本数据,所述样本数据包括:样品的测井参数及所述样品的成岩相类型;
模型建立模块,用于将所述研究区域致密砂岩样本数据中样品的测井参数作为输入层,所述研究区域致密砂岩样本数据中样品的成岩相类型作为输出层,建立径向基函数神经网络模型;
成岩相类型识别模块,用于利用所述径向基函数神经网络模型,对致密砂岩样品成岩相类型进行识别;
其中,所述模型建立模块进一步用于:
利用输入层和径向基函数得到中心函数矩阵,中心函数矩阵为径向基函数神经网络模型的隐含层;
利用中心函数矩阵的逆矩阵和输出层得到权重系数矩阵。
7.如权利要求6所述的装置,其特征在于,所述样品的测井参数包括:体积密度DEN、补偿中子CNL、声波时差AC、深探测电阻率RT、中探测电阻率RI、冲洗带电阻率RXO、自然电位SP、自然伽马GR和井径CALI其中之一或任意组合。
8.如权利要求6所述的装置,其特征在于,所述模型建立模块进一步用于按如下公式获得中心函数矩阵:
其中,ΦN×N为中心函数矩阵,为中心函数矩阵ΦN×N的每一个元素,按如下公式获得
其中,为中心函数矩阵ΦN×N的每一个元素,xi为输入层第i行,即第i个样品的测井参数,xj为输入层第j行,σ为宽度并且按如下公式获得:
σ=α·NND
其中,σ为宽度,α为比例系数,NND为最小临近距离。
9.如权利要求6所述的装置,其特征在于,所述模型建立模块进一步用于按如下公式获得权重系数矩阵:
WN×1=ΦN×N -1YN×1
其中,WN×1为权重系数矩阵,ΦN×N -1为中心函数矩阵的逆矩阵,YN×1为输出层。
10.如权利要求6所述的装置,其特征在于,所述成岩相类型识别模块进一步用于:
将待测致密砂岩样品的测井参数作为新的输入层,利用新的输入层和径向基函数得到新的中心函数矩阵;
利用新的中心函数矩阵和权重系数矩阵得到输出层识别结果:
其中,为新的输出层,为新的中心函数矩阵,WN×1为权重系数矩阵,m为待测致密砂岩样品个数。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一所述方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至5任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811209279.9A CN109298464B (zh) | 2018-10-17 | 2018-10-17 | 致密砂岩储层成岩相测井识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811209279.9A CN109298464B (zh) | 2018-10-17 | 2018-10-17 | 致密砂岩储层成岩相测井识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109298464A true CN109298464A (zh) | 2019-02-01 |
CN109298464B CN109298464B (zh) | 2021-08-03 |
Family
ID=65163000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811209279.9A Active CN109298464B (zh) | 2018-10-17 | 2018-10-17 | 致密砂岩储层成岩相测井识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109298464B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110988004A (zh) * | 2019-12-12 | 2020-04-10 | 中国石油大学(华东) | 一种粒间压溶成因石英胶结物含量的评价方法 |
CN111753958A (zh) * | 2020-06-22 | 2020-10-09 | 成都理工大学 | 基于测井数据深度学习的灯影组微生物岩微相识别方法 |
CN113820754A (zh) * | 2021-09-10 | 2021-12-21 | 中国石油大学(华东) | 基于人工智能识别储层成岩相的深层致密砂岩储层评价方法 |
CN114002744A (zh) * | 2021-10-29 | 2022-02-01 | 重庆科技学院 | 一种基于深度学习的致密砂岩储层流体识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7076370B1 (en) * | 2004-12-16 | 2006-07-11 | Schlumberger Technology Corporation | Method for determining borehole corrections for well-logging tools |
US7814036B2 (en) * | 2003-06-19 | 2010-10-12 | Haliburton Energy Services, Inc. | Processing well logging data with neural network |
CN104181603A (zh) * | 2014-07-24 | 2014-12-03 | 中国石油大学(华东) | 碎屑岩沉积成岩综合相识别方法 |
CN105760673A (zh) * | 2016-02-22 | 2016-07-13 | 中国海洋石油总公司 | 一种河流相储层地震敏感参数模板分析方法 |
CN106545337A (zh) * | 2016-11-25 | 2017-03-29 | 西南石油大学 | 一种基于支持向量机的沉积微相测井识别方法 |
CN106991509A (zh) * | 2017-05-27 | 2017-07-28 | 重庆科技学院 | 基于径向基函数神经网络模型的测井曲线预测方法 |
-
2018
- 2018-10-17 CN CN201811209279.9A patent/CN109298464B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7814036B2 (en) * | 2003-06-19 | 2010-10-12 | Haliburton Energy Services, Inc. | Processing well logging data with neural network |
US7076370B1 (en) * | 2004-12-16 | 2006-07-11 | Schlumberger Technology Corporation | Method for determining borehole corrections for well-logging tools |
CN104181603A (zh) * | 2014-07-24 | 2014-12-03 | 中国石油大学(华东) | 碎屑岩沉积成岩综合相识别方法 |
CN105760673A (zh) * | 2016-02-22 | 2016-07-13 | 中国海洋石油总公司 | 一种河流相储层地震敏感参数模板分析方法 |
CN106545337A (zh) * | 2016-11-25 | 2017-03-29 | 西南石油大学 | 一种基于支持向量机的沉积微相测井识别方法 |
CN106991509A (zh) * | 2017-05-27 | 2017-07-28 | 重庆科技学院 | 基于径向基函数神经网络模型的测井曲线预测方法 |
Non-Patent Citations (3)
Title |
---|
徐秉铮 等: "《神经网络理论与应用》", 31 December 1994, 华南理工大学出版社 * |
白烨: "鄂尔多斯盆地测井成岩相判别", 《中国博士学位论文全文数据库 基础科学辑》 * |
闻新 等: "《应用MATLAB实现神经网络》", 30 June 2015, 国防工业出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110988004A (zh) * | 2019-12-12 | 2020-04-10 | 中国石油大学(华东) | 一种粒间压溶成因石英胶结物含量的评价方法 |
CN110988004B (zh) * | 2019-12-12 | 2022-04-01 | 中国石油大学(华东) | 一种粒间压溶成因石英胶结物含量的评价方法 |
CN111753958A (zh) * | 2020-06-22 | 2020-10-09 | 成都理工大学 | 基于测井数据深度学习的灯影组微生物岩微相识别方法 |
CN113820754A (zh) * | 2021-09-10 | 2021-12-21 | 中国石油大学(华东) | 基于人工智能识别储层成岩相的深层致密砂岩储层评价方法 |
CN113820754B (zh) * | 2021-09-10 | 2023-06-06 | 中国石油大学(华东) | 基于人工智能识别储层成岩相的深层致密砂岩储层评价方法 |
CN114002744A (zh) * | 2021-10-29 | 2022-02-01 | 重庆科技学院 | 一种基于深度学习的致密砂岩储层流体识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109298464B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106526693B (zh) | 裂缝识别方法和装置 | |
CN109298464A (zh) | 致密砂岩储层成岩相测井识别方法及装置 | |
Chehrazi et al. | Pore-facies as a tool for incorporation of small-scale dynamic information in integrated reservoir studies | |
CN109085663A (zh) | 一种致密砂岩储层层理缝识别方法 | |
CN109613612A (zh) | 一种碳酸盐岩颗粒滩精细刻画与预测方法 | |
CN105443122B (zh) | 一种测井解释模型的处理方法及装置 | |
CN104101902B (zh) | 地震属性聚类方法及装置 | |
CN103824133A (zh) | 一种花岗岩型铀矿田远景区综合预测方法 | |
CN105134185B (zh) | 储层流体性质识别方法 | |
CN108897066A (zh) | 碳酸盐岩裂缝密度定量预测方法及装置 | |
CN106355571B (zh) | 一种白云岩储层质量的确定方法及装置 | |
CN110097069A (zh) | 一种基于深度多核学习的支持向量机岩相识别方法及装置 | |
CN104047598A (zh) | 非均质古岩溶碳酸盐岩储层产能预测方法 | |
CN103775075A (zh) | 一种全井段岩性识别方法 | |
Zhu et al. | Rapid identification of high-quality marine shale gas reservoirs based on the oversampling method and random forest algorithm | |
CN108825223A (zh) | 一种页岩地层的层理特征提取方法 | |
Liu et al. | Petrophysical characteristics and log identification of lacustrine shale lithofacies: A case study of the first member of Qingshankou Formation in the Songliao Basin, Northeast China | |
CN105114067A (zh) | 一种岩性测井相的方法 | |
Li et al. | Logging identification for diagenetic facies of tight sandstone reservoirs: A case study in the Lower Jurassic Ahe Formation, Kuqa Depression of Tarim Basin | |
CN104459790B (zh) | 含油气性盆地有效储层的分析方法和装置 | |
CN106033127B (zh) | 基于横波速度变化率的地应力方位地震预测方法 | |
Zhong et al. | Shear Wave Velocity Prediction of Carbonate Reservoirs Based on CatBoost | |
CN113393335A (zh) | 基于多地震属性优化的储层油气预测方法及装置 | |
CN116201535B (zh) | 油气藏目标井标志地层自动划分方法、装置及设备 | |
CN109738955B (zh) | 一种基于成分-结构分类下的变质岩岩性综合判别方法 |
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 |