CN109934257A - 一种基于机器学习的基岩潜山油藏岩石类型识别方法 - Google Patents
一种基于机器学习的基岩潜山油藏岩石类型识别方法 Download PDFInfo
- Publication number
- CN109934257A CN109934257A CN201910090233.8A CN201910090233A CN109934257A CN 109934257 A CN109934257 A CN 109934257A CN 201910090233 A CN201910090233 A CN 201910090233A CN 109934257 A CN109934257 A CN 109934257A
- Authority
- CN
- China
- Prior art keywords
- rock
- well
- content
- type
- rock type
- 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.)
- Pending
Links
- 239000011435 rock Substances 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010801 machine learning Methods 0.000 title claims abstract description 8
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 25
- 239000011707 mineral Substances 0.000 claims abstract description 25
- 239000000470 constituent Substances 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 239000002131 composite material Substances 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 10
- 238000003556 assay Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000005553 drilling Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 10
- 239000000523 sample Substances 0.000 description 9
- 238000001228 spectrum Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004090 dissolution Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 239000010453 quartz Substances 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- BVPWJMCABCPUQY-UHFFFAOYSA-N 4-amino-5-chloro-2-methoxy-N-[1-(phenylmethyl)-4-piperidinyl]benzamide Chemical compound COC1=CC(N)=C(Cl)C=C1C(=O)NC1CCN(CC=2C=CC=CC=2)CC1 BVPWJMCABCPUQY-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910001919 chlorite Inorganic materials 0.000 description 1
- 229910052619 chlorite group Inorganic materials 0.000 description 1
- QBWCMBCROVPCKQ-UHFFFAOYSA-N chlorous acid Chemical compound OCl=O QBWCMBCROVPCKQ-UHFFFAOYSA-N 0.000 description 1
- 238000003776 cleavage reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 239000010438 granite Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000007017 scission Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000010435 syenite Substances 0.000 description 1
Abstract
针对现有油藏岩石类型识别方法存在成本和准确性两者不能兼顾的问题,本发明公开一种基于机器学习的基岩潜山油藏岩石类型识别方法,包括如下步骤:对目的区块关键井进行岩心地质描述;分析主要含油岩石的氧化物和造岩矿物的种类和含量;通过KNN算法建立主要氧化物含量与岩石类型的三维岩性判别图版;应用氧化物闭合模型解释技术获取关键井目的层内沿井筒连续分布的元素含量曲线;建立目的区块关键井常规测井、矿物含量及岩石类型的综合柱状图;建立元素氧化物含量预测模型,并用于预测未取心、未进行ECS俘获测井的开发井元素含量;代入所建立的岩石类型的三维岩性判别图版中,实现对岩石类型的自动识别与划分。本发明的识别方法成本低廉,准确率高。
Description
技术领域
本发明属于油藏岩石类型识别方法领域,具体涉及一种基于机器学习的基岩潜山油藏岩石类型识别方法。
背景技术
近年来,随着人们对石油的需求量的不断增加,常规油藏早已不能满足人们生活以及工业生产的需要,隐蔽性油藏已成为油气勘探的重要方向之一,潜山油藏正是一种重要的隐蔽性油藏。受沉积间断,地层抬升、剥蚀等影响,基岩潜山油藏岩石具有岩石类型多、岩性复杂、分布规律变化大等特点。而基岩潜山油藏岩性控制着储层裂缝、孔洞的发育程度,进而控制着储层分布、渗流特征及含油饱和度。因此,基岩潜山油藏岩石类型的识别在储层地质研究中至关重要,它是岩相划分的依据,也是储层评价的前提。由于成岩方式不同、矿物成分复杂及碎屑粒级多样性等原因,使得基岩潜山油藏岩石类型识别难度较大。在勘探开发过程中考虑勘探开发成本,获得的岩心资料较少,元素俘获测井成本昂贵,一般只对少数探井、评价井进行该类测井,使得利用少量的地质资料,对储层进行完整系统地评价难度很大。同时,含油气储集层预测及分类为典型的复杂非线性系统,现有的解释及判别方法主要依据线性数学方法建立经验公式,对于岩性多样、储渗介质复杂的基岩储层难以用显式的数学公式进行预测。因此在基岩潜山油藏岩石类型识别方面仍需进一步研究,才能进行岩性的准确判断。
目前,油藏岩石类型识别的方法主要有以下几种。①岩心观察法。根据岩心的岩性特征、含油气特征、韵律变化特征等将岩心分段,进行仔细观察描述,判断岩性。该方法具有准确率高的特点,但取心成本高,岩心资料少,难以判断整个储层岩性。②标准矿物法计算法。标准矿物计算是指根据岩石的化学成分计算出岩石的矿物组成的计算方法。根据岩石的标准矿物进行岩石的化学分类。该方法具有应用简单,无人为因素干扰的特点,但准确率相对较低。③重磁技术法。通过对重力和磁力异常图进行直接的对比,进行平面上的定性分析,解释不同重磁异常组合可能对应的地质单元实现“地表地质填图”。重磁技术具有重磁数据覆盖面积广,采样密度高,三维反演算法较成熟,易获得大范围的岩性识别结果。但是准确度较低,如果如不加约束条件垂向分辨率较差,多解释性强;④地震技术法。地震反演是进行岩性圈闭识别和解释常用的有效手段,该方法采用纵横波速度和密度参数进行岩性识别,来区分具体的岩性型或用预先规定的精度估计具休的岩性参数。该方法作用深度范围大,精度高,但成本太高;⑤遥感技术法。岩石的吸收光谱主要是由杂质、包体、蚀变及替代成分产生的,不同类型的岩石放射性元素的合量和分布特征不同。通过遥感技术法提取光谱图像中的光谱信息和空间纹理信息,利用航空放射性信息作为岩性识别能谱标志。该方法覆盖面积大,数据更新速度快,但探测深度小,受植被大气等影响大,在植被覆盖区域难于获取有效信息。因此,目前有必要研究一种成本低并且准确性高的基岩潜山油藏岩石类型识别方法。
发明内容
针对现有的油藏岩石类型识别的方法存在成本和准确性两者不能兼顾的上述问题,本发明提供一种基于机器学习的基岩潜山油藏岩石类型识别方法,该方法具有成本低、适用范围广、准确率高,识别速度快的优点。
本发明是通过以下技术方案实现的:
一种基于机器学习的基岩潜山油藏岩石类型识别方法,包括以下步骤:
S01:针对目的区块关键井进行岩心地质描述;
S02:应用岩矿化验技术,分析主要含油岩石的氧化物和造岩矿物的种类和含量;
S03:利用KNN算法建立主要氧化物含量与岩石类型的三维岩性判别图版;
S04:在对岩心归位基础上,针对关键井ECS测井资料进行解释,应用氧化物闭合模型解释技术获取关键井目的层内沿井筒连续分布的元素含量曲线,结合岩心样品室内岩矿鉴定所得到的元素、矿物类型及百分含量,校验ECS解释结果;
S05:综合S01、S02、S04步骤数据,结合关键井常规测井资料,建立目的区块关键井常规测井、元素含量、矿物含量及岩石类型的综合柱状图;
S06:根据S05步骤的基础上,利用支持向量回归算法确定常规测井与氧化物含量之间的响应关系,建立元素氧化物含量预测模型;
S07:将S06步骤建立的氧化物含量预测模型用于预测未取心、未进行ECS俘获测井的开发井元素含量;
S08:将S07的预测数据代入S03步骤所建立的岩石类型的三维岩性判别图版中,实现对岩石类型的自动识别与划分。
进一步地,所述关键井为取心井、ECS特殊测井的探井、评价井。
进一步地,所述步骤S01具体做法为:检查取心井取心次数、井段、进尺、岩心长度及岩心顺序是否正确,在确定岩心符合描述要求的基础上,详细描述并素包括描岩心颜色、含油级别、岩石类型及裂缝产状在内的特殊构造。
进一步地,所述步骤6:将数据集随机抽取80%作为训练数据,20%作为测试数据,所述预测模型为
score为预测性能得分值越大算法效果越好,TEST为测试集,yi为真实值,为真实值的平均值,为预测值。
本发明初步对目的区块关键井进行岩心地质描述,应用矿物电子探针、能谱等岩矿化验技术,分析主要含油岩石的氧化物和造岩矿物的种类和含量,利用KNN算法建立主要氧化物含量与岩石类型的三维岩性判别图版。之后对关键井ECS测井资料进行解释,并获取关键井目的层内沿井筒连续分布的元素含量曲线,结合先前岩矿化验技术校验ECS解释结果。之后建立目的区块关键井常规测井、元素含量、矿物含量及岩石类型的综合柱状图,并利用支持向量回归算法确定常规测井与氧化物含量之间的响应关系,建立元素氧化物含量预测模型。用于预测未取心、未进行ECS俘获测井的开发井元素含量。将预测出的氧化物含量代入岩石类型的三维岩性判别图版,从而实现对岩石类型的自动识别与划分。
有益效果:
本文采用定性分析与定量分析相结合的方法。基于岩矿鉴定及元素俘获测井资料等定性分析,建立精确的氧化物含量与岩性类别的数据库,通过K-NN算法建立岩性识别图版。保障了图版的准确性。利用支持向量回归算法寻找常规测井与氧化物含量之间的响应关系,建立元素氧化物含量预测模型,提高了定量分析的精度。通过使用氧化物含量预测模型可以大规模预测未取心、未进行ECS俘获测井的开发井元素含量,有效地节约了成本。在保障成本和准确性的同时,可以大规模的进行基岩潜山油藏岩性识别。
附图说明
图1基于机器学习的基岩潜山油藏岩石类型识别方法流程图;
图2为实施例能谱图;
图3为实施例KNN分类图版;
图4为实施例元素含量曲线;
图5为实施例综合柱状图。
具体实施方式
下面结合具体实施例及附图对本发明做进一步详细说明。
实施例
以某基岩潜山油藏为例,参照附图1,具体步骤如下:
S01:针对某潜山油藏关键井(所述关键井为取心井、ECS特殊测井的探井、评价井,下同)取心资料判断关键井的孔隙类型主要为破碎粒间孔、矿物溶孔、晶间孔;裂缝主要为构造裂缝、溶解缝和矿物解理缝。岩石构造裂缝及破碎粒间孔部分被原岩细碎屑、泥质、碳酸盐、石英、铁质和绿泥石等充填,岩性为花岗岩、正长岩、石英二长岩。
S02:根据岩心地质描述及含油级别,钻取关键井含油段岩心样品,通过矿物电子探针产生的电子束作用岩样,产生特征X射线进行成分分析,以及利用能谱(如图2所示)岩矿化验技术,分析主要含油岩石的氧化物和造岩矿物的种类和含量。
S03:利用分析好的岩样数据通过KNN算法建立主要氧化物含量与岩石类型的三维岩性判别图版,如图3所示星形为待识别岩性,其他为已知岩性。待识别岩性数据输入图版自动归属到相应类别。
S0:4:在对岩心归位基础上,针对关键井ECS测井资料进行解释,通过FLS测井仪测出常见元素伽马能谱,应用氧化物闭合模型解释技术获取关键井目的层内沿井筒连续分布的元素含量曲线,如图4所示。结合岩心样品室内岩矿鉴定所得到的元素、矿物类型及百分含量,校验ECS解释结果得到最终的氧化物含量。
S05:综合S01、S02、S03步骤数据,结合关键井常规测井资料,建立目的区块关键井常规测井、元素含量、矿物含量及岩石类型的综合柱状图,如图5所示,确定样本数据中常规测井曲与矿物含量的对应关系。
S06:在S05步骤基础上,利用支持向量回归算法找出常规测井数据与氧化物含量之间的响应关系,建立满足精度要求的元素氧化物含量预测模型。具体步骤为:
1)将数据集随机抽取80%作为训练数据,20%作为测试数据。
2)支撑向量机回归算法的预测性能公式:
score为预测性能得分值越大算法效果越好,TEST为测试集,yi为真实值,为真实值的平均值,为预测值。
3)依次测试线性核、多项式核和高斯核函数对算法预测性能的影响。选取score值最大的作为算法的核函数。
4)在样本数据中训练确定好核函数的支持向量回归算法。
S07:将S06步骤训练完毕的支持向量回归模型用于未取心、未进行ECS俘获测井的开发井元素含量预测中,具体做法为将开发井的常规测井序列作为模型输入,输入到所训练好的支持向量回归模型中,得到沿井眼连续分布的元素氧化物含量曲线数据。
S08:基于开发井连续元素氧化物含量曲线数据,应用S03步骤所建立的岩石类型的三维岩性判别图版,从而实现对基岩潜山油藏岩石类型的自动识别与划分。
以上所述的实施例仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (4)
1.一种基于机器学习的基岩潜山油藏岩石类型识别方法,其特征在于,包括以下步骤:
S01:针对目的区块关键井进行岩心地质描述;
S02:应用岩矿化验技术,分析主要含油岩石的氧化物和造岩矿物的种类和含量;
S03:利用KNN算法建立主要氧化物含量与岩石类型的三维岩性判别图版;
S04:在对岩心归位基础上,针对关键井ECS测井资料进行解释,应用氧化物闭合模型解释技术获取关键井目的层内沿井筒连续分布的元素含量曲线,结合岩心样品室内岩矿鉴定所得到的元素、矿物类型及百分含量,校验ECS解释结果;
S05:综合S01、S02、S04步骤数据,结合关键井常规测井资料,建立目的区块关键井常规测井、元素含量、矿物含量及岩石类型的综合柱状图;
S06:根据S05步骤的基础上,利用支持向量回归算法确定常规测井与氧化物含量之间的响应关系,建立元素氧化物含量预测模型;
S07:将S06步骤建立的氧化物含量预测模型用于预测未取心、未进行ECS俘获测井的开发井元素含量;
S08:将S07的预测数据代入S03步骤所建立的岩石类型的三维岩性判别图版中,实现对岩石类型的自动识别与划分。
2.根据权利要求1所述的识别方法,其特征在于,所述关键井为取心井、ECS特殊测井的探井、评价井。
3.根据权利要求1所述的识别方法,其特征在于,所述步骤S01具体做法为:检查取心井取心次数、井段、进尺、岩心长度及岩心顺序是否正确,在确定岩心符合描述要求的基础上,详细描述并素包括描岩心颜色、含油级别、岩石类型及裂缝产状在内的特殊构造。
4.根据权利要求1所述的识别方法,其特征在于,所述步骤6:将数据集随机抽取80%作为训练数据,20%作为测试数据,所述预测模型为
score为预测性能得分,值越大算法效果越好,TEST为测试集,yi为真实值,为真实值的平均值,为预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910090233.8A CN109934257A (zh) | 2019-01-30 | 2019-01-30 | 一种基于机器学习的基岩潜山油藏岩石类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910090233.8A CN109934257A (zh) | 2019-01-30 | 2019-01-30 | 一种基于机器学习的基岩潜山油藏岩石类型识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109934257A true CN109934257A (zh) | 2019-06-25 |
Family
ID=66985434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910090233.8A Pending CN109934257A (zh) | 2019-01-30 | 2019-01-30 | 一种基于机器学习的基岩潜山油藏岩石类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934257A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112630405A (zh) * | 2020-11-27 | 2021-04-09 | 中国石油大学(华东) | 一种基于遗传算法驱动支持向量机的烃源岩类型识别方法 |
CN112801035A (zh) * | 2021-02-24 | 2021-05-14 | 山东大学 | 基于知识与数据双驱动的搭载式岩性智能识别方法及系统 |
CN114035227A (zh) * | 2021-11-11 | 2022-02-11 | 中国海洋石油集团有限公司 | 基于随钻xrd全岩录井的变质岩潜山储层孔隙度预测方法 |
CN116626779A (zh) * | 2023-07-21 | 2023-08-22 | 中国石油大学(华东) | 一种潜山地层孔隙度计算方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105257284A (zh) * | 2015-09-23 | 2016-01-20 | 中国石油天然气股份有限公司 | 一种利用元素俘获能谱测井确定凝灰质含量的方法及装置 |
CN105938099A (zh) * | 2016-07-07 | 2016-09-14 | 四川大学 | 一种基于激光诱导击穿光谱的岩性判别方法及系统 |
-
2019
- 2019-01-30 CN CN201910090233.8A patent/CN109934257A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105257284A (zh) * | 2015-09-23 | 2016-01-20 | 中国石油天然气股份有限公司 | 一种利用元素俘获能谱测井确定凝灰质含量的方法及装置 |
CN105938099A (zh) * | 2016-07-07 | 2016-09-14 | 四川大学 | 一种基于激光诱导击穿光谱的岩性判别方法及系统 |
Non-Patent Citations (1)
Title |
---|
郑梦等: "基于KNN算法的脑电波控制全向机器人研究", 《信息技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112630405A (zh) * | 2020-11-27 | 2021-04-09 | 中国石油大学(华东) | 一种基于遗传算法驱动支持向量机的烃源岩类型识别方法 |
CN112801035A (zh) * | 2021-02-24 | 2021-05-14 | 山东大学 | 基于知识与数据双驱动的搭载式岩性智能识别方法及系统 |
CN114035227A (zh) * | 2021-11-11 | 2022-02-11 | 中国海洋石油集团有限公司 | 基于随钻xrd全岩录井的变质岩潜山储层孔隙度预测方法 |
CN116626779A (zh) * | 2023-07-21 | 2023-08-22 | 中国石油大学(华东) | 一种潜山地层孔隙度计算方法及系统 |
CN116626779B (zh) * | 2023-07-21 | 2023-11-10 | 中海石油(中国)有限公司深圳分公司 | 一种潜山地层孔隙度计算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934257A (zh) | 一种基于机器学习的基岩潜山油藏岩石类型识别方法 | |
CN104612675B (zh) | 一种碳酸盐岩地层随钻岩性快速识别方法 | |
US8217337B2 (en) | Evaluating a reservoir formation | |
CN101344001B (zh) | 石油钻井中x射线荧光陆源碎屑岩孔隙度的分析方法 | |
CN109653725A (zh) | 基于沉积微相和岩石相的混积储层水淹程度测井解释方法 | |
EP3809133B1 (en) | A method for characterizing underground metallic mineral deposits based on rock coatings and fracture fills | |
CN105697002A (zh) | 一种用于识别煤系地层岩性的方法 | |
Shi et al. | Brittleness index prediction in shale gas reservoirs based on efficient network models | |
CN106599377A (zh) | 基于测井资料和煤体结构参量定量划分煤体结构的方法 | |
CN107515957A (zh) | 泥页岩层序地层划分方法 | |
CN105572747A (zh) | 一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法 | |
CN106569268A (zh) | 断层结构类型定量识别方法 | |
CN108680965B (zh) | 一种适用于戈壁荒漠浅覆盖区快速找矿方法 | |
CN110347720B (zh) | 基于流程化的压裂选井选层方法 | |
CN116291271A (zh) | 一种基于随钻测试的岩土体参数反演方法及系统 | |
CN106032751A (zh) | 一种钻井轨迹岩石相标定方法 | |
CN112528106A (zh) | 火山岩岩性识别方法 | |
CN104834934B (zh) | 一种用于识别储层流体的核体俘获法 | |
CN109826623A (zh) | 一种致密砂岩储层层理缝的地球物理测井判识方法 | |
CN109538199A (zh) | 一种煤系地层含气量评价方法、装置及电子设备 | |
CN104749618A (zh) | 泥页岩缓倾角裂缝叠后概率定量表征方法 | |
CN109655933A (zh) | 非常规地层的岩性识别方法及系统 | |
CN106353813A (zh) | 基于阵列声波测井的流体性质识别方法 | |
CN110728074A (zh) | 混积细粒岩岩性连续解释的方法及其模型的建模方法 | |
Bai et al. | Intelligent real-time predicting method for rock characterization based on multi-source information integration while drilling |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190625 |