CN110261467A - 一种识别碳酸盐岩古岩溶储层垂向分带性的方法 - Google Patents
一种识别碳酸盐岩古岩溶储层垂向分带性的方法 Download PDFInfo
- Publication number
- CN110261467A CN110261467A CN201910585999.3A CN201910585999A CN110261467A CN 110261467 A CN110261467 A CN 110261467A CN 201910585999 A CN201910585999 A CN 201910585999A CN 110261467 A CN110261467 A CN 110261467A
- Authority
- CN
- China
- Prior art keywords
- band
- vertical
- attribute
- powder sample
- vertical point
- 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
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及地质岩层分析技术领域,公开了一种识别碳酸盐岩古岩溶储层垂向分带性的方法。通过本发明创造,提供了一种基于人工神经网络的且能够快速准确识别碳酸盐岩古岩溶储层垂向分带性的新方法,即通过应用已完成碳酸盐岩古岩溶储层垂向分带属性识别训练的人工神经网络预测模型来对待识别垂向分带属性的岩心粉末进行垂向分带属性预测,不但可以快速准确地获取岩心粉末的垂向分带属性识别结果,还可以基于获取结果绘制得到反映碳酸盐岩古岩溶储层垂向分带性的垂向分带属性竖直分布图,为储层预测和钻井作业等提供技术支持,从而可以解决传统识别方式所存在的经验要求丰富、识别速度慢、识别精度低和易人工出错等问题。
Description
技术领域
本发明属于地质岩层分析技术领域,具体地涉及一种识别碳酸盐岩古岩溶储层垂向分带性的方法。
背景技术
碳酸盐岩为化学沉积岩,成分为CaCO3或MgCaCO3,易于遭受溶蚀和侵蚀,在漫长的地质历史演化过程中易遭受构造破裂作用和成岩流体的改造。已沉积的碳酸盐岩抬升到近地表,主要在大气渗滤水和浅部地下水(包括上升水)的影响下发生一系列的水-岩反应,包括碳酸盐岩中的溶蚀(化学溶解及伴随的物理侵蚀等)、充填和交代作用,以及洞穴和次生孔隙的形成。这种溶蚀作用称为岩溶作用或喀斯特作用,指水与重力对以碳酸盐岩为主的可溶岩石的溶蚀与侵蚀作用、搬运作用与沉积作用的总体。“喀斯特”过去多用于特定的地貌形态,而现在,“喀斯特”多指的是岩溶作用,是不同演化阶段一系列复杂地质过程(气候条件、构造活动、土壤层、水文条件、岩石)的结果,岩溶是在大气水环境中碳酸盐岩的溶解和流失造成的,可形成于多种气候条件和构造背景下,通常产生可以识别的地貌特征。
碳酸盐岩储层由于长期暴露于地表环境,易于遭受大气淡水的改造,在碳酸盐岩储层中形成复杂的孔、洞、缝网络系统。碳酸盐岩储层当中,与古岩溶有关的油气藏是最为重要的油气藏类型之一,如中国塔里木盆地奥陶系油气藏、鄂尔多斯盆地奥陶系气藏以及四川盆地二叠系茅口组气藏等。
地质学工作者面对的不是发生在今天的岩溶作用,而是地质历史过程中发生的古岩溶作用。岩溶作用具有以下表现特征:(1)岩溶地形、地貌(溶沟、钙质结壳、非沉积凹槽、非沉积角砾;溶沟、岩溶漏斗、落水洞、无河流沉积物的洼地、坡立谷);(2)不整合面之下被剥蚀的地层以及超覆在隆起上的地层;(3)地下岩溶:洞穴、溶解孔隙和管道;塌陷构造;溶解扩大的裂隙;洞穴堆积物(钟乳石、垮塌角砾、机械沉积物等);不规则的角砾岩体;(4)钻井过程中发生放空,钻井液漏失;(5)地球化学跃变带:与上覆岩层相比,87Sr/86Sr比值的突变增大,Sr含量信息、δ13C和δ18O值的变化、微量元素的变化、碳酸盐岩基质的阴极发光性的变化;(6)微观特征:小孔隙或裂缝中的淋滤土壤;岩石显微薄片上的渗流粉砂;明显遭受过侵蚀作用的碳酸盐岩胶结物;变红色(与氧化作用有关)和微晶化的颗粒;新月形状的胶结物;悬垂状和针状-纤维状渗滤胶结物;分布广泛的、溶解扩大的、组构选择的溶蚀孔隙。
当碳酸盐岩经构造抬升裸露至地表或近地表环境后,将遭受以含CO2为主的岩溶水的溶解和侵蚀,进入表生成岩期的岩溶阶段。由于大气水在不同深度面的活动性、所饱和的CO2浓度的不同,受重力驱动的岩溶水也因此具有水动力学的分带性,在垂向(即竖直方向)剖面上,各岩溶带的岩溶作用特征有明显的区别。根据现代岩溶的发育特征的实地考察(四川华蓥山天池、李子垭等地的野外露头),并重点结合四川盆地二叠系茅口组油气勘探开发的效果和钻井的实际情况,在垂向上可将岩溶系统从上之下分为地表岩溶带(也称表层岩溶带)、渗流岩溶带(也称垂直渗流带)和地下水平径流带。
地表岩溶带(也称表层岩溶带),位于垂直渗流带的上部,在较为平坦的台坪环境下,表层岩溶带是地表岩溶水最活跃的地带,沿纵向微裂隙快速渗漏的岩溶水将地表和近地表碳酸盐岩溶解,侵蚀成支离破碎和坑洼不平状。当地表有较厚土壤和繁茂植被的情况下,表层岩溶带的岩溶作用更为强烈。地表岩溶带易形成次级岩溶地貌,如岩溶高地、岩溶斜坡、岩溶台地、岩溶残丘及岩溶洼地、岩溶坑。主要发育缝洞复合体、地表支流河、地表干流河、落水洞;同时往往伴生有残积物和覆盖物,如残积砾岩、古土壤、铝土矿、铝土质泥岩、角砾化石灰岩;也可发育钙质结壳和钟乳石。表层岩溶带由于受到表生成岩期大气水的较强的改造作用,常常不易保存。因此,钻遇地表岩溶带的钻井较少,野外露头剖面所保留的表层岩溶带也相对不完整。
渗流岩溶带(也称垂直渗流带),主要为含CO2的大气水,并沿构造裂隙下渗,与所流经的碳酸盐岩发生物理的、化学的乃至生物化学的溶解作用,该岩溶带内,富含CO2(包括来自大气和土壤的CO2)的大气水对碳酸盐岩强烈不饱和,溶解作用非常发育。渗流带的跨度范围取决于气候条件,通常为几十米,湿热条件下渗流带的纵向跨度可达百米以上。渗流岩溶带常发育大量高角度或垂直的溶缝以及溶蚀的加宽缝,产生近于垂直状态的溶缝、溶洞、岩溶漏斗、落水洞;或者产生洞穴,洞穴内可伴生机械充填物,机械充填物常为泥岩、粉砂质泥岩和含砾砂泥岩。目前,对渗流岩溶带所取样品的岩石薄片中可见:渗流泥、渗流粉砂、渗流鲕粒、黄铁矿、高岭石及其他一些黏土矿物;在渗流带容易发生热液白云石化或混合水白云石化,悬垂状胶结(重力胶结)和新月状胶结物较为常见;偶尔伴随热液矿物沉淀(如萤石、石英)和热液溶蚀现象(粒间溶孔或粒内溶孔)。根据二叠系茅口组钻井的δ13C和δ18O同位素地球化学剖面显示结果,碳酸盐岩基质的δ13C和δ18O同位素与正常沉积的海相碳酸盐岩相比均向负值区偏移,渗流带中裂缝的充填物的δ13C和δ18O同位素显示出与此类似的特征,表明这些裂缝中的方解石来源于大气水将碳酸盐岩基质溶解后析出并沉淀的。
地下水平径流带,其溶蚀作用最为发育,形成的洞穴、孔隙规模最大,也是岩溶流体的主要流动带。地下水平径流带对于岩溶流体而言往往是欠饱和的,该岩溶带中的岩溶流体作水平流动,使溶解作用和侵蚀作用增强,是岩溶作用最活跃的一个带,以形成大量沿水平方向延伸的溶洞为特征。由于多期构造运动导致地层多期次的抬升作用,可以发育多层水平溶洞的叠置。该带的厚度往往取决于岩溶水补给区的高程和排泄基准面的位置,最厚的可达上百米。由于该径流带所形成的溶洞规模较大,连通性相对较好,溶洞中常见崩塌物、垮塌角砾充填物、溶蚀垮塌角砾、暗河搬运沉积的漂浮角砾、机械沉积物。洞穴内机械充填物常表现出一定的定向排列,发育层理及明显的粒序结构,显示出径流带岩溶体系中水动力条件的周期性变化。溶洞中所充填的角砾多具有一定的磨圆;溶蚀的缝、洞水平延伸,多呈串珠状。地下径流带内,由于淡水的影响所致,可见颗粒的泥晶化;孔洞中的泥质充填物(陆源泥质+碳酸盐泥质);颗粒间的粒状、块状晶胶结物;热液的溶蚀作用和热液矿物的沉淀,如萤石、重晶石、石膏和硅质等。该岩溶带形成的缝洞型储层为主要的油气富集空间。另外,地下水平径流带碳酸盐岩基质和缝洞中充填物的δ13C和δ18O同位素与二叠纪茅口期海水的δ13C和δ18O同位素参考值相比仍然表现出负偏的特征,但是负偏的程度没有渗流岩溶带负偏的幅度大,这是由于地下径流带水流速度较快,水-岩反应的时间较短,岩溶水的δ13C和δ18O和岩层基质部分的δ13C和δ18O同位素未发送充分的交换,导致充填物的δ13C同位素差异不明显。
目前针对钻井所得岩心柱(即取岩心所得的柱体,是在钻井过程中使用特殊的取心工具把地下岩石成块地取到地面上来,通过它可以测定岩石的各种性质,直观地研究地下构造和岩石沉积环境,了解其中的流体性质等;另外,在矿产勘探和开发过程中,需要按地质设计的地层层位和深度,开展钻进工作,向井内下入取心工具,钻取出的岩石样品;岩心是了解地下地层和含矿特征最直观、最实际的资料),其关于碳酸盐岩古岩溶储层垂向分带性的分析识别方法,仍基于经验总结和照片对比等传统方式来人工识别其中的地表岩溶带(也称表层岩溶带)、渗流岩溶带(也称垂直渗流带)和地下水平径流带,这种方式明显存在经验要求丰富、识别速度慢、识别精度低和易人工出错等问题。
发明内容
为了解决传统识别碳酸盐岩古岩溶储层垂向分带性方式中所存在的经验要求丰富、识别速度慢、识别精度低和易人工出错的问题,本发明目的在于提供一种基于人工神经网络的且能够快速准确识别碳酸盐岩古岩溶储层垂向分带性的新方法。
本发明所采用的技术方案为:
一种识别碳酸盐岩古岩溶储层垂向分带性的方法,包括如下步骤:
S101.针对待识别碳酸盐岩古岩溶储层垂向分带性的岩心柱,沿竖直方向等间隔地进行粉末样品采集,获取M个待识别垂向分带属性的第一粉末样品,其中,M为不小于10的自然数;
S102.针对各份第一粉末样品,使用稳定同位素检测仪器对等体积量的粉末进行稳定同位素检测,获取对应的第一稳定同位素特征数据,其中,所述第一稳定同位素特征数据包含δ13C同位素的组成特征信息和δ18O同位素的组成特征信息;
S103.针对各份第一粉末样品,将所述第一稳定同位素特征数据导入到一个已完成碳酸盐岩古岩溶储层垂向分带属性识别训练的人工神经网络预测模型中进行预测运算,得到对应的第一垂向分带属性识别结果和第一预测准确率,其中,所述第一垂向分带属性识别结果为地表岩溶带、渗流岩溶带或地下水平径流带;
S104.根据所有第一粉末样品的第一垂向分带属性识别结果和第一预测准确率,生成反映碳酸盐岩古岩溶储层垂向分带性的垂向分带属性竖直分布图。
优化的,在所述步骤S103之前还包括如下步骤:
S201.针对已人工识别垂向分带属性为地表岩溶带的第一标准岩心柱、已人工识别垂向分带属性为渗流岩溶带的第二标准岩心柱和已人工识别垂向分带属性为地下水平径流带的第三标准岩心柱,分别进行粉末样品采集,获取N个已识别垂向分带属性的第二粉末样品,其中,N为不小于100的自然数,所述第二粉末样品的粉碎目数与所述第一粉末样品的粉碎目数相同;
S202.针对各份第二粉末样品,使用稳定同位素检测仪器对等体积量的粉末进行稳定同位素检测,获取对应的第二稳定同位素特征数据,其中,所述第二稳定同位素特征数据包含δ13C同位素的组成特征信息和δ18O同位素的组成特征信息;
S203.将与每份第二粉末样品对应的第二稳定同位素特征数据和已识别垂向分带属性信息作为一次训练样本,导入到所述人工神经网络预测模型中进行碳酸盐岩古岩溶储层垂向分带属性识别训练,其中,将第二稳定同位素特征数据作为样本输入数据,将已识别垂向分带属性信息作为样本校验数据;
S204.在网络训练过程中,根据训练所得的第二垂向分带属性识别结果与样本校验数据的匹配结果,不断优化所述人工神经网络预测模型,直到完成训练或者直到训练所得的第二垂向分带属性识别结果与样本校验数据的匹配率达到预设值。
优化的,在所述步骤S104中,在所述垂向分带属性竖直分布图中的各个采集位置,按照从下至上的顺序依次标识各份第一粉末样品的第一垂向分带属性识别结果和第一预测准确率。
进一步优化的,针对某份第一粉末样品,若对应的第一垂向分带属性识别结果为渗流岩溶带或地下水平径流带且在其竖直方向下方存在垂向分带属性为地表岩溶带的连续P份第一粉末样品,则将该份第一粉末样品的垂向分带属性更正为地表岩溶带,其中,P为不小于2的自然数。
进一步优化的,针对某份第一粉末样品,若对应的第一垂向分带属性识别结果为地下水平径流带且在其竖直方向下方存在垂向分带属性为渗流岩溶带的连续Q份第一粉末样品,则将该份第一粉末样品的垂向分带属性更正为渗流岩溶带,其中,Q为不小于2的自然数。
详细优化的,针对竖直方向上的连续两份第一粉末样品:
当上方第一粉末样品的第一垂向分带属性识别结果为渗流岩溶带且下方第一粉末样品的第一垂向分带属性识别结果为地表岩溶带,若上方第一粉末样品的第一预测准确率大于下方第一粉末样品的第一预测准确率,则将下方第一粉末样品的垂向分带属性更正为渗流岩溶带,否则将上方第一粉末样品的垂向分带属性更正为地表岩溶带;
当上方第一粉末样品的第一垂向分带属性识别结果为地下水平径流带且下方第一粉末样品的第一垂向分带属性识别结果为地表岩溶带,若上方第一粉末样品的第一预测准确率大于下方第一粉末样品的第一预测准确率,则将下方第一粉末样品的垂向分带属性更正为地下水平径流带,否则将上方第一粉末样品的垂向分带属性更正为地表岩溶带;
当上方第一粉末样品的第一垂向分带属性识别结果为地下水平径流带且下方第一粉末样品的第一垂向分带属性识别结果为渗流岩溶带,若上方第一粉末样品的第一预测准确率大于下方第一粉末样品的第一预测准确率,则将下方第一粉末样品的垂向分带属性更正为地下水平径流带,否则将上方第一粉末样品的垂向分带属性更正为渗流岩溶带。
优化的,在所述步骤S101中,沿竖直方向等间隔地进行粉末样品采集的采集间距介于1~3米之间。
优化的,在所述步骤S101中,所述第一粉末样品的粉碎目数介于80~200目之间。
优化的,在所述步骤S102中,所述稳定同位素检测仪器采用型号为MAT253的稳定同位素质谱仪。
本发明的有益效果为:
(1)本发明创造提供了一种基于人工神经网络的且能够快速准确识别碳酸盐岩古岩溶储层垂向分带性的新方法,即通过应用已完成碳酸盐岩古岩溶储层垂向分带属性识别训练的人工神经网络预测模型来对待识别垂向分带属性的岩心粉末进行垂向分带属性预测,不但可以快速准确地获取岩心粉末的垂向分带属性识别结果,还可以基于获取结果绘制得到反映碳酸盐岩古岩溶储层垂向分带性的垂向分带属性竖直分布图,为储层预测和钻井作业等提供技术支持,从而可以解决传统识别方式所存在的经验要求丰富、识别速度慢、识别精度低和易人工出错等问题;
(2)所述新方法还可以在垂向分带属性竖直分布图中自动纠正明显错误的以及在临界区域因识别结果反复而导致错误的识别结果,可确保最终得到的垂向分带属性竖直分布图与自然规律相吻合,进一步减小识错概率。
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。
图1是本发明提供的识别碳酸盐岩古岩溶储层垂向分带性的方法流程示意图。
图2是本发明提供的垂向分带属性竖直分布示例图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是,对于这些实施例方式的说明虽然是用于帮助理解本发明,但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而,可用很多备选的形式来体现本发明,并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解,尽管本文可能使用术语第一、第二等等来描述各种单元,但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元,同时不脱离本发明的示例实施例的范围。
应当理解,对于本文中可能出现的术语“和/或”,其仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B三种情况;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
应当理解,在本文中若将单元称作与另一个单元“连接”、“相连”或“耦合”时,它可以与另一个单元直相连接或耦合,或中间单元可以存在。相対地,在本文中若将单元称作与另一个单元“直接相连”或“直接耦合”时,表示不存在中间单元。另外,应当以类似方式来解释用于描述单元之间的关系的其他单词(例如,“在……之间”对“直接在……之间”,“相邻”对“直接相邻”等等)。
应当理解,本文使用的术语仅用于描述特定实施例,并不意在限制本发明的示例实施例。若本文所使用的,单数形式“一”、“一个”以及“该”意在包括复数形式,除非上下文明确指示相反意思。还应当理解,若术语“包括”、“包括了”、“包含”和/或“包含了”在本文中被使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。
应当理解,还应当注意到在一些备选实施例中,所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。
应当理解,在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统,以避免用不必要的细节来使得示例不清楚。在其他实例中,可以不以不必要的细节来示出众所周知的过程、结构和技术,以避免使得示例实施例不清楚。
实施例一
如图1和2所示,本实施例提供的所述识别碳酸盐岩古岩溶储层垂向分带性的方法,包括如下步骤S101~S104。
S101.针对待识别碳酸盐岩古岩溶储层垂向分带性的岩心柱,沿竖直方向等间隔地进行粉末样品采集,获取M个待识别垂向分带属性的第一粉末样品,其中,M为不小于10的自然数。
在所述步骤S101中,所述岩心柱为在钻井过程中使用现有取心工具把地下岩石成块地取到地面上来的且呈圆柱状的岩心。具体的,沿竖直方向等间隔地进行粉末样品采集的采集间距介于1~3米之间;所述第一粉末样品的粉碎目数介于80~200目之间。如图2所示,采集间距可举例为2米,M为12的自然数。
S102.针对各份第一粉末样品,使用稳定同位素检测仪器对等体积量的粉末进行稳定同位素检测,获取对应的第一稳定同位素特征数据,其中,所述第一稳定同位素特征数据包含δ13C同位素的组成特征信息和δ18O同位素的组成特征信息。
在所述步骤S102中,等体积量可具体介于0.01~1毫升之间,所述组成特征信息可以但不限于包括含量信息。所述稳定同位素检测仪器为进行稳定同位素检测的现有设备,可具体采用型号为MAT253的稳定同位素质谱仪。所述稳定同位素质谱仪的具体参数指标如下:灵敏度——连续流进样模式<1200M/I;样品进样量——粉末约10~100mg/植株约3000ug;离子源同位素比线性——0.02%/nA;样品消耗——<0.06nmol/s CO2给5nA信号输出;分辨率——M/△M=110;H3+校正因子——<8ppm/nA;磁场有效半径——108mm;真空系统——<1×10^-8mbar真空;连续进样5nA信号精度——CO2气体测试δ13C<0.06‰,δ18O测试<0.06‰。由此所述稳定同位素质谱仪能够广泛应用于包括地质、海洋、大气、土壤、生态、食品、石油化工等诸多领域的检测,既可测定粉末和植株等固体物质中的总氮、总碳,同时也可进行氮、碳、硫的稳定同位素比值分析。
S103.针对各份第一粉末样品,将所述第一稳定同位素特征数据导入到一个已完成碳酸盐岩古岩溶储层垂向分带属性识别训练的人工神经网络预测模型中进行预测运算,得到对应的第一垂向分带属性识别结果和第一预测准确率,其中,所述第一垂向分带属性识别结果为地表岩溶带、渗流岩溶带或地下水平径流带。
在所述步骤S103中,所述人工神经网络预测模型是一种应用类似于大脑神经突触联接的结构进行信息化处理的数学计算模型,其由大量的节点(或称神经元)和节点之间相互联接构成,且每个节点代表一种特定的输出函数,称为激励函数(activationfunction);每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆;网络的输出则依赖神经网络的连接方式、权重值和激励函数的不同而不同。由此所述人工神经网络预测模型可以通过一个基于数学统计学类型的学习方法(Learning Method)得以优化,具有自学习功能、联想存储功能和高速寻找优化解的功能等特点和优越性。所述人工神经网络预测模型可以但不限于采用BP(BackPropagation)人工神经网络预测模型或者采用基于CNN架构的人工神经网络预测模型。作为举例的,在实施例中,所述人工神经网络预测模型采用基于CNN架构的人工神经网络预测模型,其中,CNN(Convolutional Neural Networks,卷积神经网络)是一类神经网络的总称,可以通过Caffe(CNN架构的一种具体实现)来实现,使预测模型具有上手快、速度快、可模块化、开放性好和社区性好等特点。
在所述步骤S103之前,必须完成所述人工神经网络预测模型关于碳酸盐岩古岩溶储层垂向分带属性的识别训练,由此优化的,还包括有如下步骤:S201.针对已人工识别垂向分带属性为地表岩溶带的第一标准岩心柱、已人工识别垂向分带属性为渗流岩溶带的第二标准岩心柱和已人工识别垂向分带属性为地下水平径流带的第三标准岩心柱,分别进行粉末样品采集,获取N个已识别垂向分带属性的第二粉末样品,其中,N为不小于100的自然数,所述第二粉末样品的粉碎目数与所述第一粉末样品的粉碎目数相同;S202.针对各份第二粉末样品,使用稳定同位素检测仪器对等体积量的粉末进行稳定同位素检测,获取对应的第二稳定同位素特征数据,其中,所述第二稳定同位素特征数据包含δ13C同位素的组成特征信息和δ18O同位素的组成特征信息;S203.将与每份第二粉末样品对应的第二稳定同位素特征数据和已识别垂向分带属性信息作为一次训练样本,导入到所述人工神经网络预测模型中进行碳酸盐岩古岩溶储层垂向分带属性识别训练,其中,将第二稳定同位素特征数据作为样本输入数据,将已识别垂向分带属性信息作为样本校验数据;S204.在网络训练过程中,根据训练所得的第二垂向分带属性识别结果与样本校验数据的匹配结果,不断优化所述人工神经网络预测模型,直到完成训练或者直到训练所得的第二垂向分带属性识别结果与样本校验数据的匹配率达到预设值。
在所述步骤S201中,所述进行粉末样品采集的方式可以是在竖直方向上连续采集方式,也可以像所述步骤S101一样为间隔采集方式。在所述步骤S202中,对粉末进行稳定同位素检测的具体使用设备和具体工艺细节与所述步骤S102保持一致,例如采用相同的等体积量。在所述步骤S204中,所述预设值可以是预先人工设定的值,也可以是默认值。此外,当所述人工神经网络预测模型采用基于Caffe架构(即CNN架构的一种具体实现形式)的人工神经网络预测模型时,可以利用由accuracy层得来的预测准确率作为训练所得的第二垂向分带属性识别结果与样本校验数据的匹配率,预测准确率越高,即匹配率越高,匹配性越好。
在所述步骤S103中,当所述人工神经网络预测模型采用基于Caffe架构(即CNN架构的一种具体实现形式)的人工神经网络预测模型时,同样可利用由accuracy层得来的预测准确率作为所述第一预测准确率。
S104.根据所有第一粉末样品的第一垂向分带属性识别结果和第一预测准确率,生成反映碳酸盐岩古岩溶储层垂向分带性的垂向分带属性竖直分布图。
在所述步骤S104中,所述垂向分带属性竖直分布图即为对岩心柱进行碳酸盐岩古岩溶储层垂向分带性识别的直观结果,可以基于该分布图进一步获取地表岩溶带、渗流岩溶带和地下水平径流带的岩石层厚度或其它信息,为储层预测和钻井作业等提供技术支持。如图2所示,可在所述垂向分带属性竖直分布图中的各个采集位置,具体按照从下至上的顺序依次标识各份第一粉末样品的第一垂向分带属性识别结果和第一预测准确率。
进一步优化的,考虑地表岩溶带、渗流岩溶带和地下水平径流带是从上至下依次自然分布的,为了纠正在所述垂向分带属性竖直分布图中出现的错误标识,提升最终识别分析的准确率,针对某份第一粉末样品,若对应的第一垂向分带属性识别结果为渗流岩溶带或地下水平径流带且在其竖直方向下方存在垂向分带属性为地表岩溶带的连续P份第一粉末样品,则将该份第一粉末样品的垂向分带属性更正为地表岩溶带,其中,P为不小于2的自然数;和/或,针对某份第一粉末样品,若对应的第一垂向分带属性识别结果为地下水平径流带且在其竖直方向下方存在垂向分带属性为渗流岩溶带的连续Q份第一粉末样品,则将该份第一粉末样品的垂向分带属性更正为渗流岩溶带,其中,Q为不小于2的自然数。由此可以自动纠正明显错误的识别结果,得到高准确率的且反映碳酸盐岩古岩溶储层垂向分带性的垂向分带属性竖直分布图。此外,针对垂直分带属性更正的第一粉末样品,对应的第一预测准确率更正为修改前数值的平方。
详细优化的,考虑在诸如地表岩溶带与渗流岩溶带的边界和渗流岩溶带与地下水平径流带的边界等临界区域可能因识别结果反复而出现错误标识,因此针对竖直方向上的连续两份第一粉末样品:当上方第一粉末样品的第一垂向分带属性识别结果为渗流岩溶带且下方第一粉末样品的第一垂向分带属性识别结果为地表岩溶带,若上方第一粉末样品的第一预测准确率大于下方第一粉末样品的第一预测准确率,则将下方第一粉末样品的垂向分带属性更正为渗流岩溶带,否则将上方第一粉末样品的垂向分带属性更正为地表岩溶带;当上方第一粉末样品的第一垂向分带属性识别结果为地下水平径流带且下方第一粉末样品的第一垂向分带属性识别结果为地表岩溶带,若上方第一粉末样品的第一预测准确率大于下方第一粉末样品的第一预测准确率,则将下方第一粉末样品的垂向分带属性更正为地下水平径流带,否则将上方第一粉末样品的垂向分带属性更正为地表岩溶带;当上方第一粉末样品的第一垂向分带属性识别结果为地下水平径流带且下方第一粉末样品的第一垂向分带属性识别结果为渗流岩溶带,若上方第一粉末样品的第一预测准确率大于下方第一粉末样品的第一预测准确率,则将下方第一粉末样品的垂向分带属性更正为地下水平径流带,否则将上方第一粉末样品的垂向分带属性更正为渗流岩溶带。由此可以自动纠正在临界区域因识别结果反复而导致的识别错误,得到进一步高准确率的且反映碳酸盐岩古岩溶储层垂向分带性的垂向分带属性竖直分布图。此外,针对垂直分带属性更正的第一粉末样品,对应的第一预测准确率更正为修改前两第一粉末样品的第一预测准确率的数值之积。
综上,采用本实施例所提供的识别碳酸盐岩古岩溶储层垂向分带性的方法,具有如下技术效果:
(1)本实施例提供了一种基于人工神经网络的且能够快速准确识别碳酸盐岩古岩溶储层垂向分带性的新方法,即通过应用已完成碳酸盐岩古岩溶储层垂向分带属性识别训练的人工神经网络预测模型来对待识别垂向分带属性的岩心粉末进行垂向分带属性预测,不但可以快速准确地获取岩心粉末的垂向分带属性识别结果,还可以基于获取结果绘制得到反映碳酸盐岩古岩溶储层垂向分带性的垂向分带属性竖直分布图,为储层预测和钻井作业等提供技术支持,从而可以解决传统识别方式所存在的经验要求丰富、识别速度慢、识别精度低和易人工出错等问题;
(2)所述新方法还可以在垂向分带属性竖直分布图中自动纠正明显错误的以及在临界区域因识别结果反复而导致错误的识别结果,可确保最终得到的垂向分带属性竖直分布图与自然规律相吻合,进一步减小识错概率。
以上所描述的多个实施例仅仅是示意性的,若涉及到作为分离部件说明的单元,其可以是或者也可以不是物理上分开的;若涉及到作为单元显示的部件,其可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
以上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精神和范围。
最后应说明的是,本发明不局限于上述可选的实施方式,任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制,本发明的保护范围应当以权利要求书中界定的为准,并且说明书可以用于解释权利要求书。
Claims (9)
1.一种识别碳酸盐岩古岩溶储层垂向分带性的方法,其特征在于,包括如下步骤:
S101.针对待识别碳酸盐岩古岩溶储层垂向分带性的岩心柱,沿竖直方向等间隔地进行粉末样品采集,获取M个待识别垂向分带属性的第一粉末样品,其中,M为不小于10的自然数;
S102.针对各份第一粉末样品,使用稳定同位素检测仪器对等体积量的粉末进行稳定同位素检测,获取对应的第一稳定同位素特征数据,其中,所述第一稳定同位素特征数据包含δ13C同位素的组成特征信息和δ18O同位素的组成特征信息;
S103.针对各份第一粉末样品,将所述第一稳定同位素特征数据导入到一个已完成碳酸盐岩古岩溶储层垂向分带属性识别训练的人工神经网络预测模型中进行预测运算,得到对应的第一垂向分带属性识别结果和第一预测准确率,其中,所述第一垂向分带属性识别结果为地表岩溶带、渗流岩溶带或地下水平径流带;
S104.根据所有第一粉末样品的第一垂向分带属性识别结果和第一预测准确率,生成反映碳酸盐岩古岩溶储层垂向分带性的垂向分带属性竖直分布图。
2.如权利要求1所述的一种识别碳酸盐岩古岩溶储层垂向分带性的方法,其特征在于,在所述步骤S103之前还包括如下步骤:
S201.针对已人工识别垂向分带属性为地表岩溶带的第一标准岩心柱、已人工识别垂向分带属性为渗流岩溶带的第二标准岩心柱和已人工识别垂向分带属性为地下水平径流带的第三标准岩心柱,分别进行粉末样品采集,获取N个已识别垂向分带属性的第二粉末样品,其中,N为不小于100的自然数,所述第二粉末样品的粉碎目数与所述第一粉末样品的粉碎目数相同;
S202.针对各份第二粉末样品,使用稳定同位素检测仪器对等体积量的粉末进行稳定同位素检测,获取对应的第二稳定同位素特征数据,其中,所述第二稳定同位素特征数据包含δ13C同位素的组成特征信息和δ18O同位素的组成特征信息;
S203.将与每份第二粉末样品对应的第二稳定同位素特征数据和已识别垂向分带属性信息作为一次训练样本,导入到所述人工神经网络预测模型中进行碳酸盐岩古岩溶储层垂向分带属性识别训练,其中,将第二稳定同位素特征数据作为样本输入数据,将已识别垂向分带属性信息作为样本校验数据;
S204.在网络训练过程中,根据训练所得的第二垂向分带属性识别结果与样本校验数据的匹配结果,不断优化所述人工神经网络预测模型,直到完成训练或者直到训练所得的第二垂向分带属性识别结果与样本校验数据的匹配率达到预设值。
3.如权利要求1所述的一种识别碳酸盐岩古岩溶储层垂向分带性的方法,其特征在于:在所述步骤S104中,在所述垂向分带属性竖直分布图中的各个采集位置,按照从下至上的顺序依次标识各份第一粉末样品的第一垂向分带属性识别结果和第一预测准确率。
4.如权利要求3所述的一种识别碳酸盐岩古岩溶储层垂向分带性的方法,其特征在于,针对某份第一粉末样品,若对应的第一垂向分带属性识别结果为渗流岩溶带或地下水平径流带且在其竖直方向下方存在垂向分带属性为地表岩溶带的连续P份第一粉末样品,则将该份第一粉末样品的垂向分带属性更正为地表岩溶带,其中,P为不小于2的自然数。
5.如权利要求3所述的一种识别碳酸盐岩古岩溶储层垂向分带性的方法,其特征在于:针对某份第一粉末样品,若对应的第一垂向分带属性识别结果为地下水平径流带且在其竖直方向下方存在垂向分带属性为渗流岩溶带的连续Q份第一粉末样品,则将该份第一粉末样品的垂向分带属性更正为渗流岩溶带,其中,Q为不小于2的自然数。
6.如权利要求4或5所述的一种识别碳酸盐岩古岩溶储层垂向分带性的方法,其特征在于,针对竖直方向上的连续两份第一粉末样品:
当上方第一粉末样品的第一垂向分带属性识别结果为渗流岩溶带且下方第一粉末样品的第一垂向分带属性识别结果为地表岩溶带,若上方第一粉末样品的第一预测准确率大于下方第一粉末样品的第一预测准确率,则将下方第一粉末样品的垂向分带属性更正为渗流岩溶带,否则将上方第一粉末样品的垂向分带属性更正为地表岩溶带;
当上方第一粉末样品的第一垂向分带属性识别结果为地下水平径流带且下方第一粉末样品的第一垂向分带属性识别结果为地表岩溶带,若上方第一粉末样品的第一预测准确率大于下方第一粉末样品的第一预测准确率,则将下方第一粉末样品的垂向分带属性更正为地下水平径流带,否则将上方第一粉末样品的垂向分带属性更正为地表岩溶带;
当上方第一粉末样品的第一垂向分带属性识别结果为地下水平径流带且下方第一粉末样品的第一垂向分带属性识别结果为渗流岩溶带,若上方第一粉末样品的第一预测准确率大于下方第一粉末样品的第一预测准确率,则将下方第一粉末样品的垂向分带属性更正为地下水平径流带,否则将上方第一粉末样品的垂向分带属性更正为渗流岩溶带。
7.如权利要求1所述的一种识别碳酸盐岩古岩溶储层垂向分带性的方法,其特征在于;在所述步骤S101中,沿竖直方向等间隔地进行粉末样品采集的采集间距介于1~3米之间。
8.如权利要求1所述的一种识别碳酸盐岩古岩溶储层垂向分带性的方法,其特征在于:在所述步骤S101中,所述第一粉末样品的粉碎目数介于80~200目之间。
9.如权利要求1所述的一种识别碳酸盐岩古岩溶储层垂向分带性的方法,其特征在于:在所述步骤S102中,所述稳定同位素检测仪器采用型号为MAT253的稳定同位素质谱仪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910585999.3A CN110261467B (zh) | 2019-07-01 | 2019-07-01 | 一种识别碳酸盐岩古岩溶储层垂向分带性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910585999.3A CN110261467B (zh) | 2019-07-01 | 2019-07-01 | 一种识别碳酸盐岩古岩溶储层垂向分带性的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110261467A true CN110261467A (zh) | 2019-09-20 |
CN110261467B CN110261467B (zh) | 2021-09-07 |
Family
ID=67923639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910585999.3A Active CN110261467B (zh) | 2019-07-01 | 2019-07-01 | 一种识别碳酸盐岩古岩溶储层垂向分带性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110261467B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113374465A (zh) * | 2021-06-08 | 2021-09-10 | 浙江数智交院科技股份有限公司 | 覆盖型岩溶垂直分带方法、装置及电子设备 |
CN113627607A (zh) * | 2020-05-07 | 2021-11-09 | 中国石油化工股份有限公司 | 碳酸盐岩储层沉积相识别方法、装置、电子设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103776981A (zh) * | 2013-12-05 | 2014-05-07 | 中国石油天然气股份有限公司 | 一种新的岩溶期次判别方法 |
FR3012889A1 (fr) * | 2013-11-05 | 2015-05-08 | Total Sa | Procede et dispositif de traitement de signaux sismiques |
CN107449643A (zh) * | 2016-05-30 | 2017-12-08 | 中国石油化工股份有限公司 | 一种碳酸盐岩地层的碳、氧同位素分析方法 |
CN107966414A (zh) * | 2016-10-20 | 2018-04-27 | 中国计量大学 | 一种能鉴别武夷岩茶特定地理标志的方法 |
CN108535776A (zh) * | 2018-05-30 | 2018-09-14 | 恒泰艾普集团股份有限公司 | 刻画碳酸盐岩储层溶洞体积的量版方法 |
CN109779624A (zh) * | 2019-03-11 | 2019-05-21 | 西安石油大学 | 基于岩溶参数综合评价裂缝—孔洞型碳酸盐岩储层的方法 |
-
2019
- 2019-07-01 CN CN201910585999.3A patent/CN110261467B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3012889A1 (fr) * | 2013-11-05 | 2015-05-08 | Total Sa | Procede et dispositif de traitement de signaux sismiques |
CN103776981A (zh) * | 2013-12-05 | 2014-05-07 | 中国石油天然气股份有限公司 | 一种新的岩溶期次判别方法 |
CN107449643A (zh) * | 2016-05-30 | 2017-12-08 | 中国石油化工股份有限公司 | 一种碳酸盐岩地层的碳、氧同位素分析方法 |
CN107966414A (zh) * | 2016-10-20 | 2018-04-27 | 中国计量大学 | 一种能鉴别武夷岩茶特定地理标志的方法 |
CN108535776A (zh) * | 2018-05-30 | 2018-09-14 | 恒泰艾普集团股份有限公司 | 刻画碳酸盐岩储层溶洞体积的量版方法 |
CN109779624A (zh) * | 2019-03-11 | 2019-05-21 | 西安石油大学 | 基于岩溶参数综合评价裂缝—孔洞型碳酸盐岩储层的方法 |
Non-Patent Citations (5)
Title |
---|
ADRIELLE A. SILVA: "《Artificial neural networks to support petrographic classification of》", 《JOURNAL OF APPLIED GEOPHYSICS》 * |
张庆玉等: "《塔里木盆地轮古7井区以东奥陶系古岩溶储层碳氧同位素地球化学特征研究》", 《地质科技情报》 * |
智慧文: "《塔河油田奥陶系碳酸盐岩测井储层评价研究》", 《中国优秀硕士学位论文全文数据库》 * |
曹晶晶等: "《彭水地区五峰-龙马溪组页岩储层特征研究》", 《生产与应用》 * |
马腾等: "《四川盆地早寒武世龙王庙期沉积特征与古地理》", 《沉积与沉积矿产》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627607A (zh) * | 2020-05-07 | 2021-11-09 | 中国石油化工股份有限公司 | 碳酸盐岩储层沉积相识别方法、装置、电子设备及介质 |
CN113374465A (zh) * | 2021-06-08 | 2021-09-10 | 浙江数智交院科技股份有限公司 | 覆盖型岩溶垂直分带方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110261467B (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Grötsch et al. | Integrated 3-D reservoir modeling based on 3-D seismic: The Tertiary Malampaya and Camago buildups, offshore Palawan, Philippines | |
Longde et al. | Petroleum exploration and development practices of sedimentary basins in China and research progress of sedimentology | |
Eschard et al. | Combining sequence stratigraphy, geostatistical simulations, and production data for modeling a fluvial reservoir in the Chaunoy field (Triassic, France) | |
CN105822302A (zh) | 一种基于井地电位法的油水分布识别方法 | |
Trabelsi et al. | GIS-based subsurface databases and 3-D geological modeling as a tool for the set up of hydrogeological framework: Nabeul–Hammamet coastal aquifer case study (Northeast Tunisia) | |
CN107515957A (zh) | 泥页岩层序地层划分方法 | |
Harris | The role of geology in reservoir simulation studies | |
CN109375283A (zh) | 一种砂岩储层3d渗透率演化史的分析方法 | |
Chen et al. | A hierarchical multiscale framework for history matching and optimal well placement for a HPHT fractured gas reservoir, Tarim Basin, China | |
CN111967631A (zh) | 一种砂岩型铀矿勘探早期成矿远景区预测的方法 | |
CN110261467A (zh) | 一种识别碳酸盐岩古岩溶储层垂向分带性的方法 | |
Holden et al. | Integration of production logs helps to understand heterogeneity of Mishrif reservoir in Rumaila | |
Liu et al. | The Control Theory and Application for Well Pattern Optimization of Heterogeneous Sandstone Reservoirs | |
Jasim et al. | Specifying quality of a tight oil reservoir through 3-d reservoir modeling | |
CN111027780B (zh) | 油势场模拟方法及装置 | |
CN114185083A (zh) | 一种碎屑岩地层中断层封闭性的定量评价方法 | |
Erzeybek Balan | Characterization and modeling of paleokarst reservoirs using multiple-point statistics on a non-gridded basis | |
Ebadati | Fractures effect in reservoir quality of Ilam and Sarvak formations in Hengam oilfield using imaging logs | |
Sharaf et al. | Reservoir description of Upper Cretaceous concretion-rich sandstone, Mississippi, USA: example from Tinsley Field | |
CN110244357A (zh) | 一种构造破坏型古油藏的判识方法 | |
Yang et al. | Karst architecture characterization of deep carbonate reservoir using image logs in Tarim Basin, West China | |
Sommer | Sandstone-body connectivity in a meandering-fluvial system: An example from the Williams Fork Formation, Piceance Basin, Colorado | |
Furnée | Geo-modeling and fluid flow simulation in paleokarst reservoirs | |
An et al. | Facies modeling of complex carbonate platform architecture identified from borehole image log and other logging technologies | |
Ebadati | Determining Reservoir Potential in the Yaran Oil Field |
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 |