CN109407173A - 基于常规测井曲线的岩性精细化和自动化识别方法 - Google Patents

Abstract

本发明属于砂岩地层地球物理测井领域，具体公开一种基于常规测井曲线的岩性精细化和自动化识别方法，包括：对砂岩型铀矿测井曲线预处理；分析测井曲线对砂岩地层岩性测井响应特征，确定敏感测井曲线；将敏感测井曲线小波分解，确定最优分解尺度和最优小波函数，确定反应地层岩性界面信息的小波系数，重构新的测井曲线；将重构后测井曲线作为训练样本输入到改进K‑均值聚类算法中，设置相关的初始参数，循环迭代计算得到每种岩性的聚类中心；计算待测样本与聚类中心的海明贴进度，通过分析贴进度曲线总体变化趋势，进而确定待测岩石样本类型。该方法实现地层岩性精细化和自动化识别，能够满足地质对油田、煤田以及金属矿精细化解释的需求。

Description

基于常规测井曲线的岩性精细化和自动化识别方法

技术领域

本发明属于砂岩铀矿地球物理测井技术领域，具体涉及一种基于常规测井曲线的岩性精细化和自动化识别方法。

背景技术

利用常规测井资料识别地层岩石类型，一方面受到测井仪纵向分辨率的限制，如密度测井、电阻率测井等，薄层的测井响应值往往淹没在相邻围岩中，从而无法获得薄层信息。另一方面受到判别方法的限制，需要经验丰富的测井人员建立岩性识别模型，然而不同的测井专家建立的模型存在差异，导致解译结果同样存在差异。因此，需要建立一套岩性精细化和自动化识别方法。

发明内容

本发明的目的在于提供一种基于常规测井曲线的岩性精细化和自动化识别方法，该方法利用小波Mallat算法和改进K-均值聚类算法实现地层岩性精细化和自动化识别，能够满足地质对油田、煤田以及金属矿精细化解释的需求。

实现本发明发目的的技术方案：一种基于常规测井曲线的岩性精细化和自动化识别方法，该方法包括以下步骤：

步骤(1)对野外采集砂岩型铀矿的测井曲线进行预处理；

步骤(2)分析上述步骤(1)中预处理后的测井曲线对砂岩地层岩性的测井响应特征，确定对砂岩地层岩性反应敏感的测井曲线；

步骤(3)将上述步骤(2)中得到的对砂岩地层岩性反应敏感的测井曲线进行小波分解，确定最优分解尺度和最优小波函数，以及确定反应地层岩性界面信息的小波系数，重构新的测井曲线；

步骤(4)将上述步骤(3)中所有重构后的新测井曲线作为训练样本输入到改进K-均值聚类算法中，设置相关的初始参数，然后循环迭代计算得到每种岩性的聚类中心；

步骤(5)计算待测样本与上述步骤(4)中得到的聚类中心的海明贴进度，通过分析贴进度曲线总体变化趋势，进而确定待测岩石样本类型。

所述的步骤(1)中采用HD-4002测井系统在野外采集砂岩型铀矿的地球物理测井曲线。

所述的步骤(1)中砂岩型铀矿的地球物理测井曲线包括自然电位、井径、自然伽马、电阻率、补偿密度、声波时差和补偿中子曲线。

所述的步骤(1)中的预处理包括深度归位、环境校正、非点剔除。

所述的步骤(2)中采用频率直方图分析上述步骤(1)中预处理后的测井曲线对砂岩地层岩性的测井响应特征，确定对砂岩地层岩性反应敏感的测井曲线有6条，具体包括自然伽马曲线、自然电位曲线、电阻率曲线、声波时差曲线、补偿密度曲线和补偿中子曲线。

所述的步骤(2)中对砂岩地层岩性反应敏感的曲线表现为单条测井曲线在不同的岩性具有不同的分布范围，且没有重叠区间。

所述的步骤(3)具体包括如下步骤：

步骤(3.1)通过分析测井曲线固定小波函数不同尺度分解后的低频部分与相应测井曲线的平均误差曲线，确定最优分解尺度；

步骤(3.2)通过分析不同小波函数固定尺度分解后的低频部分与相应测井曲线的平均误差曲线，确定最优小波函数；

步骤(3.3)对相应测井曲线进行最优小波函数和最优尺度下的分解，确定反映地层界面信息的小波系数，对其加权处理，重构新的测井曲线。

所述的步骤(4)具体包括如下步骤：

步骤(4.1)设置最大迭代次数T或者阈值ε，以及聚类数目K；

步骤(4.2)利用确定K个初始聚类中心和(n*N)个权值；

步骤(4.3)利用公式(1)计算每个数据对象与各个初始聚类中心的距离，并将该数据对象赋给距它最近的聚类中心所在的类：

步骤(4.4)逐一计算每个类的平均值，用K个平均值重新生成聚类中心；

步骤(4.5)根据距离公式(1)计算目标函数值F(X,C)，直到|F(X,C)^(t)-F(X,C)^(t-1)|≤ε或者T≤t时停止迭代，输出每一类的聚类中心C；否则另T＝T+1，转到步骤(4.3)继续迭代。

所述的步骤(4.2)具体包括如下步骤：

步骤(4.2)利用确定K个初始聚类中心和(n*N)个权值；

初始聚类中心如下式(2)所示：

计算权重值具体步骤如下：

首先，对每类特征变量进行标准化处理：

然后，权值w_j定义为第j类特征变量的信息熵，中间变量H_j为：

其中，f_ij是第i个样品第j个特征变量的权重，由式(3)标准化元素b_ij定义：

最后，各类特征变量的权重可以定义如下：

其中

所述的步骤(5)中的海明贴进度

式中，H代表海明贴进度；x_j代表待测样本；c_k代表第k个数据对象的聚类中心；w_j代表第j条测井曲线的权重值。

本发明的有益技术效果在于：本发明的方法采用小波Mallat算法，分解参与岩性识别的测井曲线，对反应地层岩性信息的小波系数加权处理，然后重构测井曲线，可以提高测井曲线的分辨率，进而提高薄层的识别能力。本发明的方法对传统K-均值聚类算法改进，将欧几里德距离用马氏距离替代，并在马氏距离中各样本属性项加入权值，输入每类的聚类中心，用海明贴进度识别待判样本的岩石类型，不仅可以实现自动化识别岩性，而且能够提高岩性识别的准确率。基于以上研究方法，可以实现地层岩性的精细化和自动化识别。

附图说明

图1为本发明所提供的一种基于常规测井曲线的岩性精细化和自动化识别方法的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。

如图1所示，本发明所提供的一种基于常规测井曲线的岩性精细化和自动化识别方法，该方法包括以下步骤：

步骤(1)对野外采集砂岩型铀矿的测井曲线进行预处理

采用HD-4002测井系统在野外采集砂岩型铀矿的地球物理测井曲线，砂岩型铀矿的地球物理测井曲线包括自然电位、井径、自然伽马、电阻率、补偿密度、声波时差和补偿中子曲线。预处理包括深度归位、环境校正、非点剔除。

步骤(2)分析上述步骤(1)中预处理后的测井曲线对砂岩地层岩性的测井响应特征，确定对砂岩地层岩性反应敏感的测井曲线

采用频率直方图分析上述步骤(1)中预处理后的测井曲线对砂岩地层岩性的测井响应特征，确定对砂岩地层岩性反应敏感的测井曲线有6条，具体包括自然伽马曲线、自然电位曲线、电阻率曲线、声波时差曲线、补偿密度曲线和补偿中子曲线；敏感曲线表现为单条测井曲线在不同的岩性具有不同的分布范围，且没有重叠区间。

步骤(3)将上述步骤(2)中得到的对砂岩地层岩性反应敏感的测井曲线进行小波分解，确定最优分解尺度和最优小波函数，以及确定反应地层岩性界面信息的小波系数，以此重构新的测井曲线；

小波变化定义如下式(1)所示：

式中，为小波函数，又称为基本小波函数或者小波基；t为时间或者空间变量；表示小波函数取共轭运算；a为尺度因子，对应于频率信息；b为平移因子，对应于时间(空间)信息。f(t)为待分析的信号；W_f(a,b)为小波系数；通过逐渐的改变小波变换过程中尺度因子和平移因子，得到信号在不同尺度、不同因子下的小波系数。

步骤(3)的具体步骤如下：

步骤(3.1)通过分析测井曲线固定小波函数不同尺度分解后的低频部分与相应测井曲线的平均误差曲线，确定最优分解尺度；

步骤(3.2)通过分析不同小波函数固定尺度分解后的低频部分与相应测井曲线的平均误差曲线，确定最优小波函数；

步骤(3.3)对相应测井曲线进行最优小波函数和最优尺度下的分解，确定反映地层界面信息的小波系数，对其加权处理，重构新的测井曲线。

重复步骤(3)，重构出所有参与岩性识别的新测井曲线。

步骤(4)将上述步骤(3)中所有重构后的新测井曲线作为训练样本输入到改进K-均值聚类算法中，设置相关的初始参数，然后循环迭代计算得到每种岩性的聚类中心；具体步骤如下：

步骤(4.1)设置最大迭代次数T或者阈值ε，以及聚类数目K；

步骤(4.2)利用确定K个初始聚类中心和(n*N)个权值；

假定数据集X＝{X₁,X₂,…,X_n}为待分类对象，X中有n个数据对象并且每个数据对象是N维的，例如X_j＝{x_j1,x_j2,…,x_jN}。假设数据集X分成K类，K个聚类中心的集合为C＝{C₁,C₂,…,C_k}，C中有K个数据对象并且每个数据对象也是N维的，例如C_i＝{c_i1,c_i2,…,c_iN}。

初始聚类中心如下式(2)所示：

式中，c_iN代表第i种岩性聚类中心；x_jN为第j行待分析信号；n为数据对象个数；k代表聚类中心的个数。

计算权重值具体步骤如下：

首先，对每类特征变量进行标准化处理：

其中，b_ij为标准化后数据；x_ij为待分析信号；x_min和x_max分别为每个特征变量的最小值和最大值。

然后，权值w_j定义为第j类特征变量的信息熵，中间变量H_j为：

其中，H_j为中间变量；f_ij是第i个样品第j个特征变量的权重，由式(3)标准化元素b_ij定义：

最后，各类特征变量的权重可以定义如下：

其中

式中，w_j代表第j条测井曲线的权重值。

步骤(4.3)利用公式(7)计算每个数据对象与各个初始聚类中心的距离，并将该数据对象赋给距它最近的聚类中心所在的类：

式中，x_in为第i行待分析信号；c_kn为第k种岩性聚类中心；w_j代表第j条测井曲线的权重值；∑为协方差矩阵；F(X,C)为目标函数。

步骤(4.4)逐一计算每个类的平均值，用K个平均值重新生成聚类中心；

步骤(4.5)根据距离公式(7)计算目标函数值F(X,C)，直到|F(X,C)^(t)-F(X,C)^(t-1)|≤ε或者T≤t时停止迭代，输出每一类的聚类中心C；否则另T＝T+1，转到步骤(4.3)继续迭代。

步骤(5)计算待测样本与上述步骤(4)中得到的聚类中心的海明贴进度，通过分析海明贴进度曲线总体变化趋势，进而确定待测岩石样本类型。

式中，H代表海明贴进度；x_j代表待测样本；c_k代表第k个数据对象的聚类中心；w_j代表第j条测井曲线的权重值，由公式(3)～(6)确定。

海明贴进度是一个标准化数值，在[0,1]之间，当待判岩石样本的海明贴近度接近或者等于1时，此样本属于计算该海明贴近度所用聚类中心所在的类。

上面结合附图和实施例对本发明作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。本发明中未作详细描述的内容均可以采用现有技术。

Claims (10)

1.一种基于常规测井曲线的岩性精细化和自动化识别方法，其特征在于，该方法包括以下步骤：

步骤(1)对野外采集砂岩型铀矿的测井曲线进行预处理；

步骤(2)分析上述步骤(1)中预处理后的测井曲线对砂岩地层岩性的测井响应特征，确定对砂岩地层岩性反应敏感的测井曲线；

步骤(3)将上述步骤(2)中得到的对砂岩地层岩性反应敏感的测井曲线进行小波分解，确定最优分解尺度和最优小波函数，以及确定反应地层岩性界面信息的小波系数，重构新的测井曲线；

步骤(4)将上述步骤(3)中所有重构后的新测井曲线作为训练样本输入到改进K-均值聚类算法中，设置相关的初始参数，然后循环迭代计算得到每种岩性的聚类中心；

步骤(5)计算待测样本与上述步骤(4)中得到的聚类中心的海明贴进度，通过分析贴进度曲线总体变化趋势，进而确定待测岩石样本类型。

2.根据权利要求1所述的一种基于常规测井曲线的岩性精细化和自动化识别方法，其特征在于：所述的步骤(1)中采用HD-4002测井系统在野外采集砂岩型铀矿的地球物理测井曲线。

3.根据权利要求2所述的一种基于常规测井曲线的岩性精细化和自动化识别方法，其特征在于：所述的步骤(1)中砂岩型铀矿的地球物理测井曲线包括自然电位、井径、自然伽马、电阻率、补偿密度、声波时差和补偿中子曲线。

4.根据权利要求3所述的一种基于常规测井曲线的岩性精细化和自动化识别方法，其特征在于：所述的步骤(1)中的预处理包括深度归位、环境校正、非点剔除。

5.根据权利要求4所述的一种基于常规测井曲线的岩性精细化和自动化识别方法，其特征在于：所述的步骤(2)中采用频率直方图分析上述步骤(1)中预处理后的测井曲线对砂岩地层岩性的测井响应特征，确定对砂岩地层岩性反应敏感的测井曲线有6条，具体包括自然伽马曲线、自然电位曲线、电阻率曲线、声波时差曲线、补偿密度曲线和补偿中子曲线。

6.根据权利要求5所述的一种基于常规测井曲线的岩性精细化和自动化识别方法，其特征在于：所述的步骤(2)中对砂岩地层岩性反应敏感的曲线表现为单条测井曲线在不同的岩性具有不同的分布范围，且没有重叠区间。

7.根据权利要求6所述的一种基于常规测井曲线的岩性精细化和自动化识别方法，其特征在于，所述的步骤(3)具体包括如下步骤：

步骤(3.1)通过分析测井曲线固定小波函数不同尺度分解后的低频部分与相应测井曲线的平均误差曲线，确定最优分解尺度；

步骤(3.2)通过分析不同小波函数固定尺度分解后的低频部分与相应测井曲线的平均误差曲线，确定最优小波函数；

步骤(3.3)对相应测井曲线进行最优小波函数和最优尺度下的分解，确定反映地层界面信息的小波系数，对其加权处理，重构新的测井曲线。

8.根据权利要求7所述的一种基于常规测井曲线的岩性精细化和自动化识别方法，其特征在于，所述的步骤(4)具体包括如下步骤：

步骤(4.1)设置最大迭代次数T或者阈值ε，以及聚类数目K；

步骤(4.2)利用确定K个初始聚类中心和(n*N)个权值；

步骤(4.3)利用公式(7)计算每个数据对象与各个初始聚类中心的距离，并将该数据对象赋给距它最近的聚类中心所在的类：

步骤(4.4)逐一计算每个类的平均值，用K个平均值重新生成聚类中心；

步骤(4.5)根据距离公式(7)计算目标函数值F(X,C)，直到|F(X,C)^(t)-F(X,C)^(t-1)|≤ε或者T≤t时停止迭代，输出每一类的聚类中心C；否则另T＝T+1，转到步骤(4.3)继续迭代。

9.根据权利要求8所述的一种基于常规测井曲线的岩性精细化和自动化识别方法，其特征在于，所述的步骤(4.2)具体包括如下步骤：

步骤(4.2)利用确定K个初始聚类中心和(n*N)个权值；

初始聚类中心如下式(2)所示：

计算权重值具体步骤如下：

首先，对每类特征变量进行标准化处理：

然后，权值w_j定义为第j类特征变量的信息熵，中间变量H_j为：

其中，f_ij是第i个样品第j个特征变量的权重，由式(3)标准化元素b_ij定义：

最后，各类特征变量的权重可以定义如下：

其中

10.根据权利要求9所述的一种基于常规测井曲线的岩性精细化和自动化识别方法，其特征在于：所述的步骤(5)中的海明贴进度

式中，H代表海明贴进度；x_j代表待测样本；c_k代表第k个数据对象的聚类中心；w_j代表第j条测井曲线的权重值。