CN110284873B - 一种油井储集性质的检测方法及检测装置 - Google Patents

Abstract

本申请提供了一种油井储集性质的检测方法及检测装置，通过基于获取到的待检测深度区段中多个测点处的测井数据，生成多条测井参数曲线，将每条测井参数曲线映射到预设深度区间，并确定多条归一化测井参数曲线，将每条归一化测井参数曲线输入到预先训练好的岩性识别模型中，基于所述岩性识别模型输出的结果，检测所述待检测深度区段是否为砂岩性区段，若所述待检测深度区段为砂岩性区段，将所述多条归一化测井参数曲线输入到预先训练好的油层识别模型，基于所述油层识别模型输出的结果确定所述待检测深度区段的储集性质，这样，可以提高检测效率和准确率。

Description

一种油井储集性质的检测方法及检测装置

技术领域

本申请涉及石油勘探技术领域，尤其是涉及一种油井储集性质的检测方法及检测装置。

背景技术

在石油勘探开发的过程中，识别勘探油井的每个区段的油层分布情况，可以有针对性的进行石油的勘探开发，从而提高工作效率。测井数据解释是在石油勘探开发过程中，识别油气水层的重要方法和手段。

在现阶段，识别油气水层的测井解释工作，主要依据解释人员的经验，利用单一维度的因果关系的定性方法去解释，主要的定性解释方法包括油层最小电阻率法、标准水层对比法、径向电阻率法、邻井曲线对比法、不同时间的测井曲线对比法(也称时间推移测井法)等。由于地层情况复杂，基于单一维度的定性方法不足以完全反映地层的含油情况，因此基于统一的单一维度的解释方法，对于油气水层的识别误差率较高。

发明内容

有鉴于此，本申请的目的在于提供一种油井储集性质的检测方法及检测装置，将获取到的待测深度区段中的多维度参数信息输入到油层识别模型，从而结合采集的测井数据中的多个维度的数据，并通过模型直接对多维度数据进行处理和识别，得到油井储集性质的结果，确定所述待测深度区段的储集性质，检测效率高，准确率高。

本申请实施例提供了一种油井储集性质的检测方法，所述检测方法包括：

基于获取到的待检测深度区段中多个测点处的测井数据，生成多条测井参数曲线，其中，每条测井参数曲线表示一个维度的测井参数随油井深度的变化；

将每条测井参数曲线映射到预设深度区间，并确定多条归一化测井参数曲线；

将每条归一化测井参数曲线输入到预先训练好的岩性识别模型中，基于所述岩性识别模型输出的结果，检测所述待检测深度区段是否为砂岩性区段；

若所述待检测深度区段为砂岩性区段，将所述多条归一化测井参数曲线输入到预先训练好的油层识别模型，基于所述油层识别模型输出的结果确定所述待检测深度区段的储集性质。

进一步的，所述将每条测井参数曲线映射到预设深度区间，并确定多条归一化测井参数曲线，包括：

获取预设深度区间，其中，所述预设深度区间包含在所述待检测深度区段内；

基于每条测井参数曲线对应的参数值的分布规律，将每条测井参数曲线映射到预设深度区间，确定多条归一化测井参数曲线。

进一步的，通过以下方式训练岩性识别模型：

获取多个样本区段的数据信息，其中，所述数据信息包括样本区段中多个样本测点处的样本测井数据以及样本区段的实际储集性质；

基于每个样本区段的样本测井数据，构建每个样本区段的整体样本特征值；

将每个样本区段的整体样本特征值输入到待训练岩性识别模型，并得到每个样本区段的预测储集性质；

基于每个样本区段的预测储集性质和实际储集性质，调整所述待训练岩性识别模型的内部参数；

当所述待训练岩性识别模型的内部参数的调整幅度小于预设阈值或者输入所述待训练岩性识别模型的样本数量等于预设阈值时，得到岩性识别模型。

进一步的，所述基于每个样本区段的样本测井数据，构建每个样本区段的整体样本特征值，包括：

基于每个样本区段的样本测井数据，计算每个样本区段中的每个测点处的当前样本业务参数值；

基于每个当前样本业务参数值，构建每个样本区段的整体样本特征值。

进一步的，通过以下方式训练油层识别模型：

获取多个样本区段的数据信息，其中，所述数据信息包括样本区段中多个样本测点处的样本测井数据、样本区段的实际储集性质以及样本区段对应的辅助数据；

基于每个样本区段的样本测井数据和每个样本区段对应的辅助数据，构建每个样本区段的整体样本特征值；

将每个样本区段的整体样本特征值输入到待训练油层识别模型，并得到每个样本区段的预测储集性质；

基于每个样本区段的预测储集性质和实际储集性质，调整所述待训练油层识别模型的内部参数；

当所述待训练油层识别模型的内部参数的调整幅度小于预设阈值或者输入所述待训练油层识别模型的样本数量等于预设阈值时，得到油层识别模型。

进一步的，基于每个样本区段的样本测井数据和每个样本区段对应的辅助数据，构建每个样本区段的整体样本特征值，包括：

基于每个样本区段的测井数据，计算每个样本区段中的每个测点处的当前样本业务参数值；

基于样本区段对应的辅助数据，确定每个样本区段辅助信息的定量样本数据；

基于每个当前样本业务参数值和每个样本区段辅助信息的定量样本数据，构建每个样本区段的整体样本特征值。

进一步的，所述将每个样本区段的整体样本特征值输入到待训练油层识别模型，并得到每个样本区段的预测储集性质，包括：

将每个样本区段的整体样本特征值输入到所述油层识别模型中的多个第一层模型中，得到多个第一层模型的第一预测储集性质；

将所述多个第一层模型的预测储集性质输入到油层识别模型的第二层模型中，得到油层识别模型的预测储集性质。

本申请实施例还提供了一种油井储集性质的检测装置，所述检测装置包括：

处理模块，用于基于获取到的待检测深度区段中多个测点处的测井数据，生成多条测井参数曲线，其中，每条测井参数曲线表示一个维度的测井参数随油井深度的变化；

第一确定模块，用于将所述处理模块得到的每条测井参数曲线映射到预设深度区间，并确定多条归一化测井参数曲线；

检测模块，用于将第一确定模块确定的每条归一化测井参数曲线输入到预先训练好的岩性识别模型中，基于所述岩性识别模型输出的结果，检测所述待检测深度区段是否为砂岩性区段；

第二确定模块，用于若所述检测模块检测的待检测深度区段为砂岩性区段，将所述多条归一化测井参数曲线输入到预先训练好的油层识别模型，基于所述油层识别模型输出的结果确定所述待检测深度区段的储集性质。

进一步的，所述第一确定模块包括：

第一获取单元，用于获取预设深度区间，其中，所述预设深度区间包含在所述待检测深度区段内；

第一确定单元，用于基于每条测井参数曲线对应的参数值的分布规律，将每条测井参数曲线映射到第一获取单元获取的预设深度区间，确定多条归一化测井参数曲线。

进一步的，所述检测装置还包括第一模型训练模块，所述第一模型训练模块，包括：

第二获取单元，用于获取多个样本区段的数据信息，其中，所述数据信息包括样本区段中多个样本测点处的样本测井数据以及样本区段的实际储集性质；

第一构建单元，用于基于第二获取单元获取的每个样本区段的样本测井数据，构建每个样本区段的整体样本特征值；

第一处理单元，用于将第一构建单元构建的每个样本区段的整体样本特征值输入到待训练岩性识别模型，并得到每个样本区段的预测储集性质；

第一调整单元，用于基于第一处理单元得到的每个样本区段的预测储集性质和第一获取单元获取的实际储集性质，调整所述待训练岩性识别模型的内部参数；

第一生成单元，用于当第一调整单元调整的待训练岩性识别模型的内部参数的调整幅度小于预设阈值或者输入所述待训练岩性识别模型的样本数量等于预设阈值时，得到岩性识别模型。

进一步的，所述第一构建单元，具体用于：

基于每个样本区段的样本测井数据，计算每个样本区段中的每个测点处的当前样本参数值；

基于每个当前样本业务参数值，构建每个样本区段的整体样本特征值。

进一步的，所述检测装置还包括第二模型训练模块，所述第二模型训练模块，包括：

第三获取单元，用于获取多个样本区段的数据信息，其中，所述数据信息包括样本区段中多个样本测点处的样本测井数据、样本区段的实际储集性质以及样本区段对应的辅助数据；

第二构建单元，用于基于第三获取单元获取的每个样本区段的样本测井数据和每个样本区段对应的辅助数据，构建每个样本区段的整体样本特征值；

第二处理单元，用于将第二构建单元构建的每个样本区段的整体样本特征值输入到待训练油层识别模型，并得到每个样本区段的预测储集性质；

第二调整单元，用于基于第二处理单元得到的每个样本区段的预测储集性质和第一获取单元获取的实际储集性质，调整所述待训练油层识别模型的内部参数；

第二生成单元，用于当第二调整单元调整的待训练油层识别模型的内部参数的调整幅度小于预设阈值或者输入所述待训练油层识别模型的样本数量等于预设阈值时，得到油层识别模型。

进一步的，所述第二构建单元，具体用于：

基于每个样本区段的样本测井数据，计算每个样本区段中的每个测点处的当前样本业务参数值；

基于样本区段对应的辅助数据，确定每个样本区段辅助信息的定量样本数据；

基于每个当前样本业务参数值和每个样本区段辅助信息的定量样本数据，构建每个样本区段的整体样本特征值。

进一步的，所述第二处理单元，具体用于：

将每个样本区段的整体样本特征值输入到所述油层识别模型中的多个第一层模型中，得到多个第一层模型的第一预测储集性质；

将所述多个第一层模型的预测储集性质输入到油层识别模型的第二层模型中，得到油层识别模型的预测储集性质。

本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的油井储集性质的检测方法的步骤。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的油井储集性质的检测方法的步骤。

本申请实施例提供的油井储集性质的检测方法及检测装置，通过基于获取到的待检测深度区段中多个测点处的测井数据，生成多条测井参数曲线，其中，每条测井参数曲线表示一个维度的测井参数随油井深度的变化；将每条测井参数曲线映射到预设深度区间，并确定多条归一化测井参数曲线；将每条归一化测井参数曲线输入到预先训练好的岩性识别模型中，基于所述岩性识别模型输出的结果，检测所述待检测深度区段是否为砂岩性区段；若所述检测深度区段为砂岩性区段，将所述多条归一化测井参数曲线输入到预先训练好的油层识别模型，基于所述油层识别模型输出的结果确定所述待检测深度区段的储集性质。可以将获取到的待测深度区段中的参数信息输入到油层识别模型，从而结合采集的测井数据中的多个维度的数据，并通过模型直接对多维度数据进行处理和识别，得到油井储集性质的结果，确定所述待测深度区段的储集性质，检测效率高，准确率高。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为一种可能的应用场景下的系统架构图；

图2为本申请实施例所提供的一种油井储集性质的检测方法的流程图；

图3为本申请实施例所提供的另一种油井储集性质的检测方法的流程图；

图4为本申请实施例所提供的一种油井储集性质的检测装置结构示意图之一；

图5为图4中所示的第一确定模块的结构示意图；

图6为本申请实施例所提供的一种油井储集性质的检测装置结构示意图之二；

图7为图6中所示的第一模型训练模块的结构示意图；

图8为图6中所示的第二模型训练模块的结构示意图；

图9为本申请一实施例提供的电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。

首先，对本申请可适用的应用场景进行介绍。本申请可应用于石油勘探技术领域，将获取到的待测深度区段中的参数信息输入到油层识别模型，得出所述待测深度区段的储集性质，检测效率高，准确率高，请参阅图1，图1为一种在该应用场景下的系统结构图。如图中所示，所述系统包括测井数据存储装置和油井储集性质的检测装置，所述测井数据存储装置根据待测油井的深度将测井数据分深度区段存储，每个深度区段都对应至少一个测井数据，所述油井储集性质的检测装置获取待检测深度区段的测井数据，生成多条测井参数曲线，其中，每条测井参数曲线表示一个维度的测井参数随油井深度的变化；将每条测井参数曲线映射到预设深度区间，并确定多条归一化测井参数曲线；将每条归一化测井参数曲线输入到预先训练好的岩性识别模型中，基于所述岩性识别模型输出的结果，检测所述待检测深度区段是否为砂岩性区段；若所述待检测深度区段为砂岩性区段，将所述多条归一化测井参数曲线输入到预先训练好的油层识别模型，基于所述油层识别模型输出的结果确定所述待检测深度区段的储集性质。

经研究发现，在石油勘探开发的过程中，识别勘探油井的每个区段的油层分布情况，可以有针对性的进行石油的勘探开发，从而提高工作效率。测井数据解释是在石油勘探开发过程中，识别油气水层的重要方法和手段，在现阶段，识别油气水层的测井解释工作，主要依据解释人员的经验，利用单一维度的因果关系的定性方法去解释，主要的定性解释方法包括油层最小电阻率法、标准水层对比法、径向电阻率法、邻井曲线对比法、不同时间的测井曲线对比法(也称时间推移测井法)等。由于地层情况复杂，基于一种维度的定性方法不足以完全反映地层的含油情况，因此基于统一的单一维度的解释方法，对于油气水层的识别误差率较高。

基于此，本申请的目的在于提供一种油井储集性质的检测方法，可以将获取到的待测深度区段中的参数信息输入到油层识别模型，从而结合采集的测井数据中的多个维度的数据，并通过模型直接对多维度数据进行处理和识别，得到油井储集性质的结果，确定所述待测深度区段的储集性质，检测效率高，准确率高。

请参阅图2，图2为本申请实施例所提供的一种油井储集性质的检测方法的流程图。如图2中所示，本申请实施例提供的油井储集性质的检测方法，包括：

步骤201、基于获取到的待检测深度区段中多个测点处的测井数据，生成多条测井参数曲线，其中，每条测井参数曲线表示一个维度的测井参数随油井深度的变化。

该步骤中，获取待检测深度区段中每个测点处测量到的测井数据参数值，针对于每一个维度的测井数据，以每个测点值为横纵标，以每个测点对应的测井数据每个维度的值为纵坐标，确定数据点，以一条平滑曲线连接一个维度下的全部数据点，从而形成多条测井参数曲线。

这里，所述测井数据的维度包括但不限于测井曲线、录井、取心、井斜、地层水、小层、井口地理位置。其中，所述测井数据表示测井仪记录的当前深度的各类物理数据，形成曲线；录井表示某个深度区段的岩石的物理性状；取心表示某个特定测点的岩石的物理性状；井斜表示各井当前钻进的角度和持续深度；地层水表示当前层位地层水的水型及离子浓度；小层表示各井内指示自上一个测点至本测点对应的小层号；井口地理位置表示井口的大地坐标。

在形成参数曲线的过程中，需要对每个维度上的数据进行异常处理和空值填充，从而完成数据的拼接过程。

测井曲线数据的主要问题在于头尾部存在异常的负值，多为-999，指示此处已无相应数据，此外尚有较大的异常正值和负值亦需进行处理。根据实际观察，测井曲线首尾存在异常值的区域，没有任何其他类型的数据，已有的数据标签亦不涵盖，而曲线中段基本没有异常值。因此对这部分的异常值，进行如下处理：给定两个判断条件：(1)在自然电位SP、伽马GR、深浅三侧向RLLD/RLLS、微球型聚焦测井MSFL、声波AC、中子CNL、密度曲线DEN维度上是否存在空值；(2)在上述各维度上是否存在小于-100或大于200的异常值，这个范围是根据已有数据和异常数据的数据情况进行设置的，其中特别照顾了声波AC的数据分布。若测井曲线中的某一行满足该条件，则将该行予以删除，实现异常值的剔除。

为了后续特征构建的需要，在对井斜数据进行处理前，首先根据井斜计算了各测点的垂直深度(垂深)。之后将根据测点深度进行数据的拼接。由于井斜数据为基于测点的离散数据，但从逻辑上完整、连续地反映了一条曲线的测深与垂深的映射关系，因此在与测点拼接时，可以利用插值的方式将离散数据补全。举例来说，假设两个测点间的垂深随着测深变化而均匀变化，便可利用线性插值的方式计算各个测井曲线的测点的垂深。如此，便实现为一口井原始测井曲线拼接各个测点的垂深。请注意，我们仅利用两个连续的测点A和B以及各自的测深a1/b1和垂深a2/b2，计算测深a1-b1之间所含测井曲线各测深点的垂深数据。

取心数据的唯一标识符为测点深度。在拼接取心数据前，需要进行一步根据测点深度的去重工作，进行本数据拼接要求同一个深度、同一个测点仅有一个测量结果，为此根据井号和测点深度进行去重。具体的规则为：如果对应同一深度的多行在某一列上数据不全为空值时，若该列为字符串，定为多行中最后一个非空字符串，若该列为数值，则取多行非空元素的平均值，若该列的数据全为空值，则定为空值。在上述根据测点进行去重后，按照测点进行将取心数据拼接到测井曲线的各个测点上，具体规则如下：设上一测点的深度为A，本测点为B，下一测点为C(测点深度C>B>A)，最大有效区间为maxspan，则计算填充的起点start和终点end如下：

(1)若B-A>maxspan*2或A不存在，则起点start为B-maxspan，否则为(B+A)/2；(2)若C-B>maxspan*2或C不存在，则终点end为B+maxspan，否则为(B+C)/2。对于测井数据的测点，将深度范围start至end内的曲线测点填充为本测点B的取心数据。通过这种方式，取心的所有测点不一定能完全涵盖所有区段的数据。对于没有被取心数据涵盖到的测井曲线数据测点，统一填充为NaN。

录井数据的唯一标识为顶界深度和底界深度，即每行以起止深度定义一个段的录井结果，在处理前需要对录井数据进行去重，将所有区段根据顶界深度和底界深度进行从小到大的排列，根据排列结果，若上一个区段的顶底深度分别为[A,B]，本区段为[a,b]，根据排序结果要求满足A<＝a，当A＝a时B<＝b，在这种背景下，分为三种情况下的去重方法：(1)A＝a，B＝b，两个区段彻底重复，类似于取心数据对重复行的处理；(2)A＝a，B<b，仅保留[A,B]段的行，删除[a,b]段的行；(3)A<a，B>a，令B＝a，即直接缩减上一个区段的范围；(4)A<a，B<a，表示两个区段不重叠，正常处理。在如此进行区段调整，使区段数据不重复后，进行数据的拼接。拼接规则为将深度范围在某个顶底深度内的曲线测点全部填充为本段的录井数据。同样，对于没有被录井数据涵盖到的测井曲线数据测点，统一填充为NaN。

由于地层水数据的唯一标识符是井号和小层数据，在实际工作中，先进行地层水与小层数据的拼接，之后将二者的拼接的结果与测井曲线数据进行拼接。层位以组-层位-小层三级体系表示。由于地层水数据条目有限，为尽量利用地层水数据，在此提出如下规则，定义各井各个小层的地层水数据，(1)对于一口井的各个小层，寻找本小层的地层水数据；(2)如果一口井没有本小层地层水数据，对于这些小层，寻找本层位临近小层的地层水数据；如果存在名称上为不带小层编号的本层位的数据，利用该数据作为整个层位这些小层的数据；(3)如果上述数据都没有，将本小层的地层数据填充为空值。通过上述方式，实现了首先将地层水与小层数据的先期连接，进而连接小层数据和测井曲线数据。由于各个井的小层数据给出了各井在各个小层的顶底深度，因此小层数据与测井曲线数据的拼接过程与录井数据拼接过程相同。

步骤202、将每条测井参数曲线映射到预设深度区间，并确定多条归一化测井参数曲线。

该步骤中，由于在实际测量的过程中，对于各个维度的测井数据采集的时间段和采集人员的采集范围不同，导致每个维度的测井参数曲线表示的深度区间范围不尽相同，在进行模型输入的过程中，可能会出现因为每个维度的测井参数曲线表示的深度区间范围不尽相同导致预测结果出现偏差，为了避免上述情况的出现，需要预设一个合理的区间范围，根据每个维度和深度的线性关系，将每个维度对应的测井参数曲线映射到同一的预设区间范围内。

步骤203、将每条归一化测井参数曲线输入到预先训练好的岩性识别模型中，基于所述岩性识别模型输出的结果，检测所述待检测深度区段是否为砂岩性区段。

该步骤中，将由步骤201-步骤202获取到的测井参数曲线同时输入到在检测之前基于历史测井数据训练好的岩性识别模型中，所述岩性识别模型识别所述每条归一化测井参数曲线所在的深度区段的岩性，并给出与判定性质对应的概率值。

步骤204、若所述待检测深度区段为砂岩性区段，将所述多条归一化测井参数曲线输入到预先训练好的油层识别模型，基于所述油层识别模型输出的结果确定所述待检测深度区段的储集性质。

该步骤中，基于步骤203对输入进岩性识别模型的多条测井参数曲线对应的深度区段的岩性的判断，选择是否再将已经输入进岩性识别模型的多条测井参数曲线输入到油层识别模型中，根据以往的测井经验数据可知，如果一个深度区段的岩性为泥性，已经可以认为该深度区段不会有油层的存在，对于岩性识别模型识别出来的泥性深度区段已经没有识别的必要性。将岩性识别模型判断的岩性区段对应的多条归一化测井参数曲线输入到在检测之前基于历史测井数据训练好的油层识别模型中，判断对应的待检测深度区段是否为油层，以及所述待检测深度区段为油层的概率，从而决定钻井的重点工作区域。

本申请实施例提供的油井储集性质的检测方法，基于获取到的待检测深度区段中多个测点处的测井数据，生成多条测井参数曲线，其中，每条测井参数曲线表示一个维度的测井参数随油井深度的变化；将每条测井参数曲线映射到预设深度区间，并确定多条归一化测井参数曲线；将每条归一化测井参数曲线输入到预先训练好的岩性识别模型中，基于所述岩性识别模型输出的结果，检测所述待检测深度区段是否为砂岩性区段；若所述检测深度区段为砂岩性区段，将所述多条归一化测井参数曲线输入到预先训练好的油层识别模型，基于所述油层识别模型输出的结果确定所述待检测深度区段中砂岩区段的储集性质。

这样，通过获取待测深度区域对应的多条测井参数曲线，将所述多条测井参数曲线输入到预先训练好的岩性识别模型和油层识别模型中，基于两个识别模型的输出结果，判断待测深度区域的储集性质，可以结合采集的测井数据中的多个维度的数据，并通过模型直接对多维度数据进行处理和识别，得到油井储集性质的结果，确定所述待测深度区段的储集性质，检测效率高，准确率高。

请参阅图3，图3为本申请另一实施例提供的一种油井储集性质的检测方法的流程图。如图3中所示，本申请实施例提供的一种油井储集性质的检测方法，包括：

步骤301、基于获取到的待检测深度区段中多个测点处的测井数据，生成多条测井参数曲线，其中，每条测井参数曲线表示一个维度的测井参数随油井深度的变化。

步骤302、获取预设深度区间，其中，所述预设深度区间包含在所述待检测深度区段内。

该步骤中，根据待检测深度区间的深度范围以及每个测井数据的维度数据的采集范围，获取一个相对合理的预设深度区间，例如所述预设深度区间包含在待检测深度区段内，并且尽可能大的包含每个维度数据的采集区间，以便后续的区间映射。

步骤303、基于每条测井参数曲线对应的参数值的分布规律，将每条测井参数曲线映射到预设深度区间，确定多条归一化测井参数曲线。

该步骤中，每个测井数据的维度和深度的值都会存在对应的线性关系，以井斜数据数据为例，根据井斜计算了各测点的垂直深度(垂深)，在逻辑上完整、连续地反映了一条曲线的测深与垂深的映射关系，假设井斜数据数据的测量深度范围为0-70米，而预设深度范围为60-100米，此时就需要利用井斜数据和深度的线性关系来推算70-100米范围的井斜数据，从而将井斜数据从测量深度范围映射到预设深度范围。

步骤304、将每条归一化测井参数曲线输入到预先训练好的岩性识别模型中，基于所述岩性识别模型输出的结果，检测所述待检测深度区段是否为砂岩性区段。

步骤305、若所述待检测深度区段为砂岩性区段，将所述多条归一化测井参数曲线输入到预先训练好的油层识别模型，基于所述油层识别模型输出的结果确定所述待检测深度区段的储集性质。

其中，步骤301、步骤304至步骤305的描述可以参照步骤201、步骤203-步骤204的描述，并且能达到相同的技术效果，对此不做赘述。

进一步的，所述岩性识别模型的训练方式为：

获取多个样本区段的数据信息，其中，所述数据信息包括样本区段中多个样本测点处的样本测井数据以及样本区段的实际储集性质；基于每个样本区段的样本测井数据，构建每个样本区段的整体样本特征值；将每个样本区段的整体样本特征值输入到待训练岩性识别模型，并得到每个样本区段的预测储集性质；基于每个样本区段的预测储集性质和实际储集性质，调整所述待训练岩性识别模型的内部参数；当所述待训练岩性识别模型的内部参数的调整幅度小于预设阈值或者输入所述待训练岩性识别模型的样本数量等于预设阈值时，得到岩性识别模型。

该步骤中，获取之前已经经过测井解释的多个样本区段的数据信息，包括每个样本区段中多个测点的测井数据，以及每个样本区段经过解释之后中油气的实际储集性质，将每个样本区段的测井数据基于相同的测点深度聚合起来，获取每个测点深度的特征值信息，将全部特征值信息经过去重，填充等操作获得每个样本区段的整体样本特征值；将每个样本区段的整体样本特征值输入到待训练岩性识别模型中，有所述待训练岩性识别模型得出一个预测储集性质，根据之前已经获取的每个样本区段的实际储集性质和待训练岩性识别模型得出的预测储集性质，调整待训练岩性识别模型的内部参数，在待训练岩性识别模型的内部参数的调整幅度小于预设阈值或者对于待训练岩性识别模型的迭代次数到达预设上限值，训练岩性识别模型结束，得到可以使用的岩性识别模型。

其中，每个测点信息的特征值，包括各类孔隙度(声波孔隙度、密度孔隙度和中子孔隙度)、纵波速度和泥质含量、横波速度、剪切模量、泊松比和流体因子、含水饱和度等。

进一步的，所述基于多个样本区段的测井数据信息，构建每个样本区段的整体样本特征值，包括：基于多个样本区段的样本测井数据，计算每个样本区段中的每个测点处的当前样本业务参数值；基于每个当前样本业务参数值，构建每个样本区段的整体样本特征值。

该步骤中，计算多个样本区段的测井数据，计算每个样本区段中的每个测点处的当前样本业务参数值，对于个业务参数值的计算方法如下：

声波孔隙度，砂泥岩系统中的孔隙度计算通用公式为：

Phi_ac＝(ac-TMA)/(TF-TMA)；

其中，ac表示当前测点的声波值，参照当前油田业务尺度，定义TF为189，TMA为40，所以最终计算声波孔隙度的公式为：

Phi_ac＝(ac-40)/(140-40)。

密度孔隙度的计算通用公式为：(rho_MA-rho)/(rho_MA-rho_F)；

其中，rho_MA为骨架参数，在砂岩中为2.65，rho_F为流体参数，在淡水泥浆为1。

中子孔隙度直接是中子的读数除以100之后的值。

这里，对于对于上述三种孔隙度，其结果应处于0-1范围。对于此处的异常值先行处理，若计算结果超过0.99，则将之置为0.99，若计算结果小于0.01，则将之置于0.01。

纵波深度，原数据单位为us/ft，利用如下公式换算为单位m/sV：Vp＝304800/ac。其中，ac为当前测点的声波值。

泥质含量指数，计算公式为：

Igr＝(gr-GRMIN)/(GRMAX-GRMIN)。

其中，gr为当前测点的伽玛值，GRMIN值为0，GRMAX的值为100。

泥质含量根据泥质含量指数计算，计算公式为：

Vsh＝(2*(GCUR*Igr)-1)/(2*(GCUR)-1)；其中，GCUR的值为2。

含水饱和度计算公式为：

Sw＝((a*b*Rw)/((Phi*m)*Rt))*(1/n)；

其中，a、b、n、m分别取0.5、1、2、1.5；Phi表示孔隙度。

基于上述所有公式计算出来的每个测点的业务参数值后，进一步对业务特征、原始曲线等数据进行异常剔除和标准化。

对于业务参数的标准化是通过剔除三倍标准差的方式进行，业务参数在异常值剔除后，进行标准化，MIN-MAX标准化，具体做法为设置每列的99％分位数为MAX值、设置每列的1％分位数为MIN值，标准化后超过1的值定为1，小于0的值定为0，进一步防止偶然异常数据的发生。

测井曲线标准化参考了油田单位的业务参数，除自然电位外，全部执行基于固定值的MIN-MAX标准化。各类标准化的MIN-MAX值如下：

电阻率MSFL、RLLD、RLLS：取对数后以log10(0.2)-log10(200)为MIN-MAX值。在执行对数运算前，对于电阻率小于0.2的曲线值，为防止电阻率测量值为负数导致对数运算报错、或为过小值而使对数运算产生过大的负数，在此全部改为0.2；密度DEN以1.75、2.75为MIN-MAX值；密度DEN以1.75、2.75为MIN-MAX值；声波AC以-140、-40为MIN-MAX值；中子CNL以-0.56、0.04为MIN-MAX值；伽马GR以0、150为MIN-MAX值；自然电位由于各井差别较大，因此令本井内的1％分位数和99％分位数为MIN-MAX值，将小于0的值置为0、大于0的值置为1。

在将各参数值剔除和标准化之后，进行整体特征的构建，对于一个深度区段来说，原始特征值如果在薄层会受上下区段干扰，对原值特征进行如下调整：

(1)待判别区段2米以上，不予变动；

(2)待判别区段2米以下，记区段长为L，将原始的平均特征值f变为base+(f-base)*(1+log10(2/L))，即将f向基线base的反方向移动，调整其偏离的大小为原来的1+log10(2/L)倍，保证过渡在L＝2点连续且适当对薄层扩展。当L小于1时，上述系数变为1+log10(2/1)防止调整倍数不合理地过大。

之后针对每个原始特征值构建基线，对于电阻率利用最小值作为基线，对于伽玛等利用最大值和最小值的平均值作为基线。

构建相对基线的移动特征，即各个原始特征值相对于自己对应的基线的差值的平均值。

深浅侧向的幅度差以及孔隙度的差值都可以经过石油勘探领域的测算得到。

集合所有特征值，对于每一条训练及测试的样本，逐一与各种数据缺失类型下所需的数据列相比较，观察是否符合其所需数据列要求、即在这些列上全部非空。若是，表示该样本可在本数据集合下进行建模训练或预测。

进一步的，所述油层识别模型的训练方法为：

获取多个样本区段的数据信息，其中，所述数据信息包括样本区段中多个样本测点处的样本测井数据、样本区段的实际储集性质以及样本区段对应的辅助数据；基于每个样本区段的样本测井数据和每个样本区段对应的辅助数据，构建每个样本区段的整体样本特征值；将每个样本区段的整体样本特征值输入到待训练油层识别模型，并得到每个样本区段的预测储集性质；基于每个样本区段的预测储集性质和实际储集性质，调整所述待训练油层识别模型的内部参数；当所述待训练油层识别模型的内部参数的调整幅度小于预设阈值或者输入所述待训练油层识别模型的样本数量等于预设阈值时，得到油层识别模型。

该步骤中，获取之前已经经过测井解释的多个样本区段的数据信息，包括每个样本区段中多个测点的测井数据、每个样本区段经过解释之后中油气的实际储集性质以及样本区段对应的辅助数据，将每个样本区段的测井数据以及辅助数据，基于相同的测点深度聚合起来，获取每个测点深度的特征值信息，将全部特征值信息经过去重，填充等操作获得每个样本区段的整体样本特征值；将每个样本区段的整体样本特征值输入到待油层识别模型中，有所述待训练油层识别模型得出一个预测储集性质，根据之前已经获取的每个样本区段的实际储集性质和待训练油层识别模型得出的预测储集性质，调整待训练油层识别模型的内部参数，在待油层识别模型的内部参数的调整幅度小于预设阈值或者对于待训练油层识别模型的迭代次数到达预设上限值，训练油层识别模型结束，得到可以使用的油层识别模型。

进一步的，所述基于每个样本区段的测井数据信息和每个样本区段对应的辅助信息，构建每个样本区段的整体样本特征值，包括：

基于多个样本区段的测井数据，计算每个样本区段中的每个测点处的当前样本业务参数值；基于样本区段对应的辅助数据，确定每个样本区段辅助信息的定量样本数据；基于所述每个当前样本业务参数值和每个样本区段辅助信息的定量样本数据，构建每个样本区段的整体样本特征值。

该步骤中，计算每个样本区段的测井数据，计算每个样本区段中的每个测点处的当前样本业务参数值的计算流程和计算方法与岩性识别模型中的流程和方法相同。具体过程参见岩性识别模型中业务参数计算过程。

对于油层识别过程来说，还需要对相应深度区段的岩石物理性质和地理位置坐标和地层水数据等辅助信息进行定量分析，异常处理和标准化。

对于岩石的定性属性，需要进行一定的映射。特别是颜色和岩性名称，其种类较多，不利于模型进行分析和判断。在此，对岩石名称、颜色、含油级别进行一定程度的统一。

岩石名称，将各个记录的不同名称同一性质的岩石名称进行名称标准化，举例来说，“泥岩”、“砂质泥岩”、“泥质细砂岩”、“粉砂质泥岩”、“泥质粉砂岩”、“碳质泥岩”、“炭质泥岩”都可以同一名称为“泥岩”。

同理岩石颜色和含油级别都要依据各自的物理性质进性名称的统一化。

所有的井口地理位置的横纵位置减去全数据的横纵位置的最小值，以简明地观察数据的变化，将地层水数据的总矿化度、总碱度数据取其以10为底的对数保存。

还需进一步对辅助数据进行特征构建，其中，每一类辅助数据都需要按照预设的对应关系将定性描述，转换为定量的数值。对于此前岩石名称映射的数类结果，包括砾岩、泥岩、砂岩-纯、砂岩-灰、砂岩-泥，由于砾岩整体抬升电阻率、砂岩整体拉低电阻率，因此，为每类岩石赋予一个参数，将之乘以电阻率值作为电阻率的调整值，在一定程度抵消基础电阻率偏离的影响，相乘系数设置为：砾岩(0.8)、泥岩(0，表示认为泥岩不会含油)、砂岩-纯(1)、砂岩-灰(0.9)、砂岩-泥(1.1)。对于地层水，为了抵消总矿化度提高对整体电阻率的降低，计算地层水总矿化度m(此前已取对数做标准化)乘以电阻率值f。计算的维度和岩石名称相同，构建相对有利层数据和相对不利层数据。结合小层数据，以及基于井口地理位置和井斜计算的各区段水平地理位置以及垂深数据，对于一个待解释的区段，找同一个小层中，距离最近的垂深(区段的平均垂深)小于和大于自己的已有砂岩区段(不要求有解释结论)，分别作为最近有利层和最近不利层，对于定性数据进行独热(one-hot)编码，包括录井数据、取心数据的岩石名称、颜色和含有级别等，其中，独热(one-hot)编码指将包含多类定性数据的一列拆成许多列，每一列指示本样本是否为其中的某一类，是则为本列该样本值1，否则为0。

集合所有特征值，对于每一条训练及测试的样本，逐一与各种数据缺失类型下所需的数据列相比较，观察是否符合其所需数据列要求、即在这些列上全部非空。若是，表示该样本可在本数据集合下进行建模训练或预测。

进一步的，所述将每个样本区段的整体样本特征值输入到待训练油层识别模型，并得到每个样本区段的预测储集性质，包括：

将每个样本区段的整体样本特征值输入到所述油层识别模型中的多个第一层模型中，得到多个第一层模型的第一预测储集性质；将所述多个第一层模型的预测储集性质输入到油层识别模型的第二层模型中，得到油层识别模型的预测储集性质。

该步骤中，油层识别模型包括多个分类模型和一个集成分类模型，在得到样本数据之后，将全部样本数据输入到预设的多个分类模型中，因为实际测井过程中，水层的出现概率高于油层，所以获取的样本数据中，实际储集性质为水层的样本数据多于实际储集性质为油层的样本数据，将实际储集性质为水层的样本数据去除，直到在一批样本数据中实际储集性质为水层的样本数据和实际储集性质为油层的样本数据数量相等，获得平衡样本数据，在将平衡样本数据输入到预设的多个分类模型中，基于全部样本数据和平衡样本数据，每一个分类模型都会给出一个预测储集性质及其概率，将多个分类模型预测出的多个预测储集性质及其概率输入到集成分类模型中，集成预测模型输出预测储集性质及其概率为最后油层识别模型的输出结果。

本申请实施例提供的一种油井储集性质的检测方法，基于获取到的待检测深度区段中多个测点处的测井数据，生成多条测井参数曲线；获取预设深度区间，其中，所述预设深度区间包含在所述待检测深度区段内；基于每条测井参数曲线对应的参数值的分布规律，将每条测井参数曲线映射到预设深度区间，确定多条归一化测井参数曲线；将每条归一化测井参数曲线输入到预先训练好的岩性识别模型中，基于所述岩性识别模型输出的结果，检测所述待检测深度区段是否为砂岩性区段；若所述待检测深度区段为砂岩性区段，将所述多条归一化测井参数曲线输入到预先训练好的油层识别模型，基于所述油层识别模型输出的结果确定所述待检测深度区段的储集性质。

这样，通过获取待测深度区域对应的多条测井参数曲线，将所述多条测井参数曲线映射到预设深度区间，得到多条归一化测井参数曲线，将所述多条归一化测井参数曲线输入到预先训练好的岩性识别模型和油层识别模型中，基于两个识别模型的输出结果，判断待测深度区域的储集性质，可以提高油井待测深度区域储集性质判断的效率和准确性。

请参阅图4至图8，图4为本申请实施例所提供的一种油井储集性质的检测装置的结构示意图之一，图5为图4中所示的第一确定模块的结构图，图6为本申请实施例所提供的一种油井储集性质的检测装置结构示意图之二，图7为图6中所示的第一模型训练模块的结构图，图8为图6中所示的第二模型训练模块的结构图。

如图4中所示，所述油井储集性质的检测装置400包括：

处理模块410，用于基于获取的待检测深度区段中多个测点处的测井数据，生成多条测井参数曲线，其中，每条测井参数曲线表示一个维度的测井参数随油井深度的变化；

第一确定模块420，用于将所述处理模块410得到的每条测井参数曲线映射到预设深度区间，并确定多条归一化测井参数曲线；

检测模块430，用于将第一确定模块420确定的每条归一化测井参数曲线输入到预先训练好的岩性识别模型中，基于所述岩性识别模型输出的结果，检测所述待检测深度区段是否为砂岩性区段；

第二确定模块440，用于若所述检测模块430检测的待检测深度区段为砂岩性区段，将所述多条归一化测井参数曲线输入到预先训练好的油层识别模型，基于所述油层识别模型输出的结果确定所述待检测深度区段的储集性质。

进一步的，如图5所示，所述第一确定模块420包括：

第一获取单元421，用于获取预设深度区间，其中，所述预设深度区间包含在所述待检测深度区段内；

第一确定单元422，用于基于每条测井参数曲线对应的参数值的分布规律，将每条测井参数曲线映射到第一获取单元获取的预设深度区间，确定多条归一化测井参数曲线。

进一步的，如图6所示，所述油井储集性质的检测装置400还包括：

第一模型训练模块450和第二模型训练模块460。

进一步的，如图7所示，所述第一模型训练模块450包括：

第二获取单元451，用于获取多个样本区段的数据信息，其中，所述所述数据信息包括样本区段中多个样本测点处的样本测井数据以及样本区段的实际储集性质；

第一构建单元452，用于基于第二获取单元451获取的每个样本区段的样本测井数据，构建每个样本区段的整体样本特征值；

第一处理单元453，用于将第一构建单元452构建的每个样本区段的整体样本特征值输入到待训练岩性识别模型，并得到每个样本区段的预测储集性质；

第一调整单元454，用于基于第一处理单元453得到的每个样本区段的预测储集性质和第一获取单元421获取的实际储集性质，调整所述待训练岩性识别模型的内部参数；

第一生成单元455，用于当第一调整单元454调整的待训练岩性识别模型的内部参数的调整幅度小于预设阈值或者输入所述待训练岩性识别模型的样本数量等于预设阈值时，得到得到岩性识别模型。

进一步的，第一构建单元452具体用于：

基于每个样本区段的样本测井数据，计算每个样本区段中的每个测点处的当前样本业务参数值；

基于每个当前样本业务参数值，构建每个样本区段的整体样本特征值。

进一步的，如图8所示，所述第二模型训练模块460包括：

第三获取单元461，用于获取多个样本区段的数据信息，其中，所述数据信息包括样本区段中多个样本测点处的样本测井数据、样本区段的实际储集性质以及样本区段对应的辅助数据；

第二构建单元462，用于基于第三获取单元461获取的每个样本区段的测井数据和每个样本区段对应的辅助数据，构建每个样本区段的整体样本特征值；

第二处理单元463，用于将第二构建单元462构建的每个样本区段的整体样本特征值输入到待训练油层识别模型，并得到每个样本区段的预测储集性质；

第二调整单元464，用于基于第二处理单元463得到的每个样本区段的预测储集性质和第一获取单元421获取的实际储集性质，调整所述待训练油层识别模型的内部参数；

第二生成单元465，用于当第二调整单元调整464的待训练油层识别模型的内部参数的调整幅度小于预设阈值或者输入所述待训练油层识别模型的样本数量等于预设阈值时，得到油层识别模型。

进一步的，第二构建单元462具体用于：

基于每个样本区段的样本测井数据，计算每个样本区段中的每个测点处的当前样本业务参数值；

基于样本区段对应的辅助数据，确定每个样本区段辅助信息的定量样本数据；

基于每个当前样本业务参数值和每个样本区段辅助信息的定量样本数据，构建每个样本区段的整体样本特征值。

进一步的，所述第二处理单元463具体用于：

将每个样本区段的整体样本特征值输入到所述油层识别模型中的多个第一层模型中，得到多个第一层模型的第一预测储集性质；

将所述多个第一层模型的预测储集性质输入到油层识别模型的第二层模型中，得到油层识别模型的预测储集性质。

本申请实施例提供的油井储集性质的检测装置，本申请实施例提供的油井储集性质的检测方法，基于获取到的待检测深度区段中多个测点处的测井数据，生成多条测井参数曲线，其中，每条测井参数曲线表示一个维度的测井参数随油井深度的变化；将每条测井参数曲线映射到预设深度区间，并确定多条归一化测井参数曲线；将每条归一化测井参数曲线输入到预先训练好的岩性识别模型中，基于所述岩性识别模型输出的结果，检测所述待检测深度区段是否为砂岩性区段；若所述待检测深度区段为砂岩性区段，将所述多条归一化测井参数曲线输入到预先训练好的油层识别模型，基于所述油层识别模型输出的结果确定所述待检测深度区段的储集性质。

这样，通过获取待测深度区域对应的多条测井参数曲线，将所述多条测井参数曲线输入到预先训练好的岩性识别模型和油层识别模型中，基于两个识别模型的输出结果，判断待测深度区域的储集性质，可以提高油井待测深度区域储集性质判断的效率和准确性。

请参阅图9，图9为本申请实施例所提供的一种电子设备的结构示意图。如图9中所示，所述电子设备900包括处理器910、存储器920和总线930。

所述存储器920存储有所述处理器910可执行的机器可读指令，当电子设备900运行时，所述处理器910与所述存储器920之间通过总线930通信，所述机器可读指令被所述处理器910执行时，可以执行如上述图2以及图3所示方法实施例中的油井储集性质的检测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图2以及图3所示方法实施例中的油井储集性质的检测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件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。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，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：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (14)

1.一种油井储集性质的检测方法，其特征在于，所述检测方法包括：

基于获取到的待检测深度区段中多个测点处的测井数据，生成多条测井参数曲线，其中，每条测井参数曲线表示一个维度的测井参数随油井深度的变化；

将每条测井参数曲线映射到预设深度区间，并确定多条归一化测井参数曲线；

将每条归一化测井参数曲线输入到预先训练好的岩性识别模型中，基于所述岩性识别模型输出的结果，检测所述待检测深度区段是否为砂岩性区段；

若所述待检测深度区段为砂岩性区段，将所述多条归一化测井参数曲线输入到预先训练好的油层识别模型，基于所述油层识别模型输出的结果确定所述待检测深度区段的储集性质。

2.根据权利要求1所述的检测方法，其特征在于，所述将每条测井参数曲线映射到预设深度区间，并确定多条归一化测井参数曲线，包括：

获取预设深度区间，其中，所述预设深度区间包含在所述待检测深度区段内；

基于每条测井参数曲线对应的参数值的分布规律，将每条测井参数曲线映射到预设深度区间，确定多条归一化测井参数曲线。

3.根据权利要求1所述的检测方法，其特征在于，通过以下方式训练岩性识别模型：

获取多个样本区段的数据信息，其中，所述数据信息包括样本区段中多个样本测点处的样本测井数据以及样本区段的实际储集性质；

基于每个样本区段的样本测井数据，构建每个样本区段的整体样本特征值；

将每个样本区段的整体样本特征值输入到待训练岩性识别模型，并得到每个样本区段的预测储集性质；

基于每个样本区段的预测储集性质和实际储集性质，调整所述待训练岩性识别模型的内部参数；

当所述待训练岩性识别模型的内部参数的调整幅度小于预设阈值或者输入所述待训练岩性识别模型的样本数量等于预设阈值时，得到岩性识别模型。

4.根据权利要求3所述的检测方法，其特征在于，所述基于每个样本区段的样本测井数据，构建每个样本区段的整体样本特征值，包括：

基于每个样本区段的样本测井数据，计算每个样本区段中的每个测点处的当前样本业务参数值；

基于每个当前样本业务参数值，构建每个样本区段的整体样本特征值。

5.根据权利要求1所述的检测方法，其特征在于，通过以下方式训练油层识别模型：

获取多个样本区段的数据信息，其中，所述数据信息包括样本区段中多个样本测点处的样本测井数据、样本区段的实际储集性质以及样本区段对应的辅助数据；

基于每个样本区段的样本测井数据和每个样本区段对应的辅助数据，构建每个样本区段的整体样本特征值；

将每个样本区段的整体样本特征值输入到待训练油层识别模型，并得到每个样本区段的预测储集性质；

基于每个样本区段的预测储集性质和实际储集性质，调整所述待训练油层识别模型的内部参数；

当所述待训练油层识别模型的内部参数的调整幅度小于预设阈值或者输入所述待训练油层识别模型的样本数量等于预设阈值时，得到油层识别模型。

6.根据权利要求5所述的检测方法，其特征在于，所述基于每个样本区段的样本测井数据和每个样本区段对应的辅助数据，构建每个样本区段的整体样本特征值，包括：

基于每个样本区段的样本测井数据，计算每个样本区段中的每个测点处的当前样本业务参数值；

基于样本区段对应的辅助数据，确定每个样本区段辅助信息的定量样本数据；

基于每个当前样本业务参数值和每个样本区段辅助信息的定量样本数据，构建每个样本区段的整体样本特征值。

7.根据权利要求5所述的检测方法，其特征在于，所述将每个样本区段的整体样本特征值输入到待训练油层识别模型，并得到每个样本区段的预测储集性质，包括：

将每个样本区段的整体样本特征值输入到所述油层识别模型中的多个第一层模型中，得到多个第一层模型的第一预测储集性质；

将所述多个第一层模型的预测储集性质输入到油层识别模型的第二层模型中，得到油层识别模型的预测储集性质。

8.一种油井储集性质的检测装置，其特征在于，所述检测装置包括：

处理模块，用于基于获取到的待检测深度区段中多个测点处的测井数据，生成多条测井参数曲线，其中，每条测井参数曲线表示一个维度的测井参数随油井深度的变化；

第一确定模块，用于将所述处理模块得到的每条测井参数曲线映射到预设深度区间，并确定多条归一化测井参数曲线；

检测模块，用于将第一确定模块确定的每条归一化测井参数曲线输入到预先训练好的岩性识别模型中，基于所述岩性识别模型输出的结果，检测所述待检测深度区段是否为砂岩性区段；

第二确定模块，用于若所述检测模块检测的待检测深度区段为砂岩性区段，将所述多条归一化测井参数曲线输入到预先训练好的油层识别模型，基于所述油层识别模型输出的结果确定所述待检测深度区段的储集性质。

9.根据权利要求8所述的检测装置，其特征在于，所述第一确定模块包括：

第一获取单元，用于获取预设深度区间，其中，所述预设深度区间包含在所述待检测深度区段内；

第一确定单元，用于基于每条测井参数曲线对应的参数值的分布规律，将每条测井参数曲线映射到第一获取单元获取的预设深度区间，确定多条归一化测井参数曲线。

10.根据权利要求8所述的检测装置，其特征在于，所述检测装置还包括第一模型训练模块，所述第一模型训练模块，包括：

第二获取单元，用于获取多个样本区段的数据信息，其中，所述数据信息包括样本区段中多个样本测点处的样本测井数据以及样本区段的实际储集性质；

第一构建单元，用于基于第二获取单元获取的每个样本区段的样本测井数据，构建每个样本区段的整体样本特征值；

第一处理单元，用于将第一构建单元构建的每个样本区段的整体样本特征值输入到待训练岩性识别模型，并得到每个样本区段的预测储集性质；

第一调整单元，用于基于第一处理单元得到的每个样本区段的预测储集性质和第一获取单元获取的实际储集性质，调整所述待训练岩性识别模型的内部参数；

第一生成单元，用于当第一调整单元调整的待训练岩性识别模型的内部参数的调整幅度小于预设阈值或者输入所述待训练岩性识别模型的样本数量等于预设阈值时，得到岩性识别模型。

11.根据权利要求10所述的检测装置，其特征在于，所述第一构建单元，具体用于：

基于每个样本区段的样本测井数据，计算每个样本区段中的每个测点处的当前样本参数值；

基于每个当前样本业务参数值，构建每个样本区段的整体样本特征值。

12.根据权利要求8所述的检测装置，其特征在于，所述检测装置还包括第二模型训练模块，所述第二模型训练模块，包括：

第三获取单元，用于获取多个样本区段的数据信息，其中，所述数据信息包括样本区段中多个样本测点处的样本测井数据、样本区段的实际储集性质以及样本区段对应的辅助数据；

第二构建单元，用于基于第三获取单元获取的每个样本区段的样本测井数据和每个样本区段对应的辅助数据，构建每个样本区段的整体样本特征值；

第二处理单元，用于将第二构建单元构建的每个样本区段的整体样本特征值输入到待训练油层识别模型，并得到每个样本区段的预测储集性质；

第二调整单元，用于基于第二处理单元得到的每个样本区段的预测储集性质和第一获取单元获取的实际储集性质，调整所述待训练油层识别模型的内部参数；

第二生成单元，用于当第二调整单元调整的待训练油层识别模型的内部参数的调整幅度小于预设阈值或者输入所述待训练油层识别模型的样本数量等于预设阈值时，得到油层识别模型。

13.根据权利要求12所述的检测装置，其特征在于，所述第二构建单元，具体用于：

基于每个样本区段的样本测井数据，计算每个样本区段中的每个测点处的当前样本业务参数值；

基于样本区段对应的辅助数据，确定每个样本区段辅助信息的定量样本数据；

基于每个当前样本业务参数值和每个样本区段辅助信息的定量样本数据，构建每个样本区段的整体样本特征值。

14.根据权利要求12所述的检测装置，其特征在于，所述第二处理单元，具体用于：

将每个样本区段的整体样本特征值输入到所述油层识别模型中的多个第一层模型中，得到多个第一层模型的第一预测储集性质；

将所述多个第一层模型的预测储集性质输入到油层识别模型的第二层模型中，得到油层识别模型的预测储集性质。

Images