CN110717249B - 页岩气储层测井孔隙度快速预测方法及系统 - Google Patents
页岩气储层测井孔隙度快速预测方法及系统 Download PDFInfo
- Publication number
- CN110717249B CN110717249B CN201910869852.7A CN201910869852A CN110717249B CN 110717249 B CN110717249 B CN 110717249B CN 201910869852 A CN201910869852 A CN 201910869852A CN 110717249 B CN110717249 B CN 110717249B
- Authority
- CN
- China
- Prior art keywords
- porosity
- data
- gas reservoir
- prediction
- pore
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000007637 random forest analysis Methods 0.000 claims abstract description 123
- 239000011148 porous material Substances 0.000 claims abstract description 105
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 239000007789 gas Substances 0.000 claims description 146
- 239000005416 organic matter Substances 0.000 claims description 50
- 239000002734 clay mineral Substances 0.000 claims description 18
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 17
- 229910052799 carbon Inorganic materials 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 239000011435 rock Substances 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000001307 helium Substances 0.000 claims description 12
- 229910052734 helium Inorganic materials 0.000 claims description 12
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000001000 micrograph Methods 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- XKRFYHLGVUSROY-UHFFFAOYSA-N argon Substances [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 claims description 5
- 229910052786 argon Inorganic materials 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 description 36
- 238000010586 diagram Methods 0.000 description 16
- 238000012417 linear regression Methods 0.000 description 16
- 238000012706 support-vector machine Methods 0.000 description 13
- 239000004927 clay Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000005481 NMR spectroscopy Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 229910052770 Uranium Inorganic materials 0.000 description 3
- -1 argon ion Chemical class 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000012071 phase Substances 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 208000035126 Facies Diseases 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000010252 digital analysis Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010997 low field NMR spectroscopy Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000012074 organic phase Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种页岩气储层测井孔隙度快速预测方法,所述方法包含:获得页岩气储层测井数据,根据所述页岩气储层测井数据中预定比例的测井曲线数据预测获得页岩对应的孔隙值,根据所述孔隙值生成孔隙预测阈值;根据所述页岩气储层测井数据剩余比例的数据通过随机森林回归算法建立随机森林孔隙度预测模型;将所述测井曲线数据带入所述随机森林孔隙度预测模型中获得孔隙预测值;将所述孔隙预测值与所述孔隙预测阈值比较,根据比较结果与所述随机森林孔隙度预测模型生成孔隙度预测模型;根据所述孔隙度预测模型与待测页岩气储层测井数据获得孔隙度预测结果。
Description
技术领域
本发明涉及地质勘探领域,尤指一种页岩气储层测井孔隙度快速预测方法及系统。
背景技术
页岩孔隙度是页岩气勘探和开发的重要基础参数。受富含有机质,粘土矿物含量高,岩性致密等特点影响,页岩的孔隙结构与砂岩相比更加复杂,孔隙度一般在3%~6%左右,常规的测井孔隙度预测方法无法直接运用到页岩孔隙度预测中。
在现有技术中,油气储层孔隙度定量评价方法是根据威力(Wyllie)公式或者测井曲线多元拟合建立起来的。在常规砂岩储层中,声波测井、密度测井、中子孔隙度测井主要反映地层孔隙度的变化,此时储层孔隙度可以利用上述两类公式进行快速预测。但是,在有机质含量高的页岩储层中,有机质孔的发育对页岩孔隙度有较大贡献,对页岩气层产能也起到了主导作用。因此在页岩气储层的测井孔隙度的快速预测中,不仅要考虑包括自然伽马测井曲线、声波时差测井曲线和岩性密度测井曲线在内的测井值的大小,更要考虑页岩总有机碳含量(TOC)。同时,基于威力公式或通过趋势性分析建立测井曲线多元线性回归模型的方法不适用于复杂的地质条件和致密的页岩气储层。近年来,机器学习算法越来越多得被应用于石油地质领域,决策树、支持向量机、神经网络以及随机森林方面研究成果较多。随机森林算法是由Breiman在2001年提出的一种基于决策树的集成算法。大量的研究表明随机森林相对于神经网络、支持向量机、决策树等算法有更好的容忍度以及更高的预测精度,而且不容易出现过拟合的现象,有更好的泛化误差,结果对缺失数据和非平衡数据比较稳健。随机森林算法具有对数据的处理简单、适用于大样本数据集、不需调节过多的参数等优点,但是在油气储层评价领域应用较少。因此一种基于随机森林回归算法的,针对页岩气储层的测井孔隙度快速预测方法的建立就显得尤为重要。
发明内容
本发明的目的在于提供一种基于新型、便捷、适用于大样本数据集的回归算法模型,以准确实现页岩气储层的孔隙度预测。
为达上述目的,本发明所提供的页岩气储层测井孔隙度快速预测方法,具体包含:获得页岩气储层测井数据,根据所述页岩气储层测井数据中预定比例的测井曲线数据预测获得页岩对应的孔隙值,根据所述孔隙值生成孔隙预测阈值;根据所述页岩气储层测井数据剩余比例的数据通过随机森林回归算法建立随机森林孔隙度预测模型;将所述测井曲线数据带入所述随机森林孔隙度预测模型中获得孔隙预测值;将所述孔隙预测值与所述孔隙预测阈值比较,根据比较结果与所述随机森林孔隙度预测模型生成孔隙度预测模型;根据所述孔隙度预测模型与待测页岩气储层测井数据获得孔隙度预测结果。
在上述页岩气储层测井孔隙度快速预测方法中,优选的,所述页岩气储层测井数据包含总有机碳含量和测井曲线数据。
在上述页岩气储层测井孔隙度快速预测方法中,优选的,所述测井曲线数据包含自然伽马测井曲线、声波时差测井曲线、岩性密度测井曲线、深电阻率测井曲线、浅电阻率测井曲线、补偿中子测井曲线。
在上述页岩气储层测井孔隙度快速预测方法中,优选的,根据所述页岩气储层测井数据中预定比例的测井曲线数据预测获得页岩对应的孔隙值,根据所述孔隙值生成孔隙预测阈值包含:根据所述总有机碳含量和所述自然伽马测井曲线获得页岩气储层有机质数据;通过场发射扫描电镜获取氩离子抛光的对应页岩样品的页岩样品扫描电镜图像,根据所述页岩样品扫描电镜图像通过阈值分割提取获得页岩有机质面孔率;根据所述页岩气储层有机质数据和页岩样品参数获得页岩有机孔隙度,根据页岩有机质面孔率和页岩有机孔隙度获得页岩气储层有机质孔隙数据;根据所述测井曲线数据计算获得页岩气储层粘土矿物含量和岩石束缚水饱和度获得页岩气储层无效孔隙数据;根据所述页岩气储层有机质孔隙数据和所述页岩气储层无效孔隙数据,结合氦孔隙度测试技术计算获得孔隙预测阈值。
在上述页岩气储层测井孔隙度快速预测方法中,优选的,根据所述页岩气储层测井数据剩余比例的数据通过随机森林回归算法建立随机森林孔隙度预测模型包含:将所述页岩气储层测井数据剩余比例的数据、页岩气储层有机质孔隙数据、页岩气储层粘土矿物含量、岩石束缚水饱和度和孔隙预测阈值组合生成预测数据集,将所述预测数据集中预定比例数据作为训练集,通过随机森林回归算法建立随机森林孔隙度预测模型;将所述预测数据集剩余比例的数据作为验证集验证所述随机森林孔隙度预测模型的吻合情况;根据所述吻合情况调整所述随机森林孔隙度预测模型。
在上述页岩气储层测井孔隙度快速预测方法中,优选的,将所述预测数据集剩余比例的数据作为验证集验证所述随机森林孔隙度预测模型的吻合情况包含:通过均方根误差、平均绝对误差以及因变量真值和预测值的相关系数验证所述随机森林孔隙度预测模型的吻合情况。
在上述页岩气储层测井孔隙度快速预测方法中,优选的,将所述孔隙预测值与所述孔隙预测阈值比较,根据比较结果与所述随机森林孔隙度预测模型生成孔隙度预测模型包含:计算所述孔隙预测值与所述孔隙预测阈值之间的均方根误差、平均绝对误差以及相关系数,获得比较结果;当所述比较结果符合预定规则时,根据所述随机森林孔隙度预测模型生成孔隙度预测模型。
在上述页岩气储层测井孔隙度快速预测方法中,优选的,根据所述页岩气储层测井数据剩余比例的数据通过随机森林回归算法建立随机森林孔隙度预测模型包含:通过误差与决策树数量关系曲线获得随机森林孔隙度预测模型的决策树的数量。
本发明还提供一种页岩气储层测井孔隙度快速预测系统,所述系统包含阈值计算单元、模型构建单元、计算单元、比较单元和预测单元;所述阈值计算单元用于获得页岩气储层测井数据,根据所述页岩气储层测井数据中预定比例的测井曲线数据预测获得页岩对应的孔隙值,根据所述孔隙值生成孔隙预测阈值;所述模型构建单元用于根据所述页岩气储层测井数据剩余比例的数据通过随机森林回归算法建立随机森林孔隙度预测模型;所述计算单元用于将所述测井曲线数据带入所述随机森林孔隙度预测模型中获得孔隙预测值;所述比较单元用于将所述孔隙预测值与所述孔隙预测阈值比较,根据比较结果与所述随机森林孔隙度预测模型生成孔隙度预测模型;所述预测单元用于根据所述孔隙度预测模型与待测页岩气储层测井数据获得孔隙度预测结果。
本发明还提供一种计算机设备,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,所述处理器执行所述计算机程序时实现上述方法。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述方法的计算机程序。
通过本发明所提供的页岩气储层测井孔隙度快速预测方法及系统能够有效便捷地利用真实孔隙度数据对孔隙度预测有效性进行评价,更适用于富有机质页岩气储层,不仅预测过程方便快捷,能够迅速评价页岩气储层的孔隙度特征,而且准确度较单纯利用测井数据预测的孔隙度更高,能够高效快速地对页岩气储层孔隙度进行预测。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1为本发明所提供的页岩气储层测井孔隙度快速预测方法的流程示意图;
图2为本发明一实施例所提供的随机森林孔隙度预测模型构建流程示意图;
图3为本发明一实施例所提供的页岩气储层测井孔隙度快速预测系统结构示意图;
图4为本发明一实施例所提供的随机森林回归模型的结构示意图;
图5A至图5B为本发明所提供的页岩气储层测井孔隙度快速预测方法的程序结构示意图;
图6为本发明一实施例所提供的孔隙预测阈值生成流程示意图;
图7为本发明一实施例所提供的基于扫面电镜图像数字分析的页岩有机质面孔率的示意图;
图8为本发明一实施例所提供的页岩气储层孔隙度预测误差与决策树数量关系示意图;
图9为本发明一实施例所提供的随机森林回归和多元线性回归孔隙度预测结果曲线图。
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,下面结合实施例和附图,对本发明做进一步详细说明。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。
请参考图1所示,本发明所提供的页岩气储层测井孔隙度快速预测方法,具体包含:S101获得页岩气储层测井数据,根据所述页岩气储层测井数据中预定比例的测井曲线数据预测获得页岩对应的孔隙值,根据所述孔隙值生成孔隙预测阈值;S102根据所述页岩气储层测井数据剩余比例的数据通过随机森林回归算法建立随机森林孔隙度预测模型;S103将所述测井曲线数据带入所述随机森林孔隙度预测模型中获得孔隙预测值;S104将所述孔隙预测值与所述孔隙预测阈值比较,根据比较结果与所述随机森林孔隙度预测模型生成孔隙度预测模型;S105根据所述孔隙度预测模型与待测页岩气储层测井数据获得孔隙度预测结果。其中,所述页岩气储层测井数据包含总有机碳含量和测井曲线数据;所述测井曲线数据包含自然伽马测井曲线、声波时差测井曲线、岩性密度测井曲线、深电阻率测井曲线、浅电阻率测井曲线、补偿中子测井曲线。
请参考图6所示,在上述实施例中,根据所述页岩气储层测井数据中预定比例的测井曲线数据预测获得页岩对应的孔隙值,根据所述孔隙值生成孔隙预测阈值包含:S110根据所述总有机碳含量和所述自然伽马测井曲线获得页岩气储层有机质数据;S120通过场发射扫描电镜获取氩离子抛光的对应页岩样品的页岩样品扫描电镜图像,根据所述页岩样品扫描电镜图像通过阈值分割提取获得页岩有机质面孔率;S130根据所述页岩气储层有机质数据和页岩样品参数获得页岩有机孔隙度,根据页岩有机质面孔率和页岩有机孔隙度获得页岩气储层有机质孔隙数据;S140根据所述测井曲线数据计算获得页岩气储层粘土矿物含量和岩石束缚水饱和度获得页岩气储层无效孔隙数据;根据所述页岩气储层有机质孔隙数据和所述页岩气储层无效孔隙数据,结合氦孔隙度测试技术计算获得孔隙预测阈值。
具体的,实际工作中,步骤S110可根据页岩总有机碳含量(TOC)和自然伽马曲线(GR),确定页岩气储层有机质发育程度大小;亦即在海相富有机质页岩气储层中,有机质孔的发育对页岩孔隙度有重要贡献,对页岩气层产能起到了主导作用;而页岩总有机碳含量(TOC)能定量表征页岩有机质含量,同时由于有机质是放射性核素的还原剂,在沉积条件下具有高放射性,因此有机质含量越高的页岩放射性越强,自然伽马值(GR)也越高;综上,本发明基于页岩有机碳含量测试技术,结合测井资料,构建并计算页岩总有机碳含量(TOC)和自然伽马值(GR),确定页岩气储层有机质数据。
步骤S120可根据页岩有机质面孔率(KOM)和页岩有机孔隙度(φOM),确定页岩气储层有机质孔隙发育程度大小;可如图7所示,利用场发射扫描电镜,对氩离子抛光的页岩样品进行显微摄影,得到高分辨率的页岩样品扫描电镜图像;由于页岩气储层的孔隙空间和有机质的图像灰度不同,因此利用Image Pro Plus软件对图像进行阈值分割后可以提取有机质内部的孔隙(图7中阈值分割后得到的右侧黑色部分区域),从而计算有机质面孔率KOM(图7中有机质内部黑色孔隙面积SOM-pore除以有机质总面积SOM)
由于页岩的有机孔隙度(φshale)可由页岩有机质体积(VOM)、页岩体积(Vshale)和有机质面孔率(KOM)计算得到:
其中,页岩有机质体积(VOM)和页岩体积(Vshale)可由总有机碳含量(TOC)、页岩质量(mshale)、页岩密度(ρshale)和有机质密度(ρOM)计算得到:
一般而言,有机质密度ρOM=1.9g/cm3,页岩密度为ρshale=2.6g/cm3,因此页岩有机孔隙度的计算方式为:
步骤130可构建页岩粘土矿物含量(Vclay)和束缚水饱和度(Swb),确定页岩气储层无效孔隙发育程度;对于常规储层而言,粘土矿物会吸附铀元素,显著影响自然伽马值大小。一般基于自然伽马值(GR)分析其相对值SH,在经过经验公式可换算地层粘土含量VClay大小:
其中,GR为自然伽马值,API;GRmin、GRmax为目的层自然伽马最值,API;
SH为目的层自然伽马相对值,%;GCUR为经验系数,新地层取3.7,老地层取2;VClay为粘土矿物含量,%。对海相富有机质页岩而言,作为铀元素的还原剂,有机质含量非常高,显著影响了页岩气储层自然伽马值。因此,为了利用测井曲线值定量计算页岩气储层粘土矿物含量,可利用无铀伽马(KTH)测井值,去除了高铀有机质的影响。
其中,KTH为无铀伽马值,API;KTHmin、KTHmax为目的层无铀伽马最值,API;Kclay为粘土矿物指数,%;GCUR为经验系数,五峰—龙马溪组页岩取3.7;Vclay为粘土矿物体积分数,%。
由于具有检测快速、不损害岩心、可重复性强和环境污染小等优点,低场核磁共振(NMR)测试技术能够较好地反映岩石和地层内部油、气、水等含氢流体在孔喉网络结构中的分布情况,在岩石分析方面得到了广泛的应用。经过大量的100%完全饱和水岩心NMR测试结果和相关性分析,可以得到岩石束缚水饱和度计算的经验公式:
其中,Sbw为储层岩石的束缚水饱和度,T2AVR为核磁共振得到T2弛豫时间分布的平均值;在储层孔隙度预测过程中,加入粘土矿物含量(Vclay)和束缚水饱和度(Swb)两个参数,能有效排除页岩气储层中的无效孔隙度;以此确认页岩气储层无效孔隙数据。
步骤S140可根据氦孔隙度测试技术,确定每个深度点对应页岩气储层的孔隙度真实值;随着非常规油气勘探开发进程的推进,氦孔隙度测试技术不断被用到页岩气储层真实孔隙度的分析工作中,其工作原理主要基于波义耳定律,在设定初始的气体压力下,使氦气向体积一直的岩心室做等温膨胀,气体不断扩散到岩心内部的孔隙网络之中;根据压力的变化特征、岩心室体积大小和气体状态方程,求出岩石颗粒体积Vgrain和孔隙网络空间Vpore的体积,即可推算得到样品的氦孔隙度值φ。
实际工作中,也可将页岩气储层有机质数据、页岩气储层有机质孔隙数据、页岩气储层无效孔隙数据结合氦孔隙度值做训练集,以便于后续在校准所述随机森林孔隙度预测模型以获得更为精准的孔隙度预测模型。
在本发明一实施例中,请参考图4所示,随机森林算法是集合了Bagging算法和随机子空间思想的一种机器学习预测方法。即从原始数据集中进行Bootstrap抽样,也即是有放回的全抽样,形成多个子样本集,基于子样本集上创建决策树(分类器或回归模型),形成随机森林,对所有决策树的预测结果进行综合评定(算术平均或投票)产生最终的预测结果。随机森林回归模型是由与随机向量θi有关的最大化生长的多颗回归树构成的。在随机森林算法中,有两个关键参数Mtry和Ntree。Mtry为算法中决策树分裂时选取的特征属性个数,大多数文献中对分类问题Mtry取(p为属性总数量,指的是在孔隙度预测过程中所选取的参数的总个数),回归问题中Mtry取Ntree为随机森林算法中决策树数量,代表基于最优的参数组合构建的随机森林预测模型,能够达到最高预测精度。随机森林算法的优势之一,在于能从大数据中自己学习并迅速获取信息、得到预测结果;本发明以海相富有机质页岩气储层特征参数和测井曲线组合为基础数据,建立孔隙度预测数据集RF,其中页岩气储层特征参数包括页岩总有机碳含量(TOC)、有机孔隙度粘土矿物含量(Vclay)、束缚水饱和度(Swb)和孔隙度真实值测井曲线组合包括:自然伽马测井曲线(GR)、声波时差测井曲线(AC)、岩性密度测井曲线(DEN)、深电阻率测井曲线(RLA2)、浅电阻率测井曲线(RLA5)和补偿中子测井曲线(HTNP)。由于非常规油气储层复杂的地质环境,各种属性数值量纲级别差别较大,所以需要将原始数据利用scale函数进行归一化处理。为了保证每此模拟效果相同,本发明设置同一种子数seed=100。对于复杂的非常规油气储层这种存在大量数据信息的情况,为了使随机森林模型的预测效果更好,预测模型中的训练集数据要多于测试集数据。因此本发明将预测数据集RF的70%作为训练集A,30%作为验证集B。对于参数Mtry可从1到p(本次孔隙度预测参数一共11个,故p=11)依次测试选取最优,最终选3。而参数Ntree则是由预测误差与决策树数量关系进行确定。随机森林回归(分类)算法,在决策树的数量达到一定值以后,预测的精度提高就开始变慢,为保证不产生过拟合的状态,决策树个数不能设置太大,在预测误差趋于稳定之后即可。所以可以通过”误差与决策树数量“关系曲线得到比较合适的数量,以节省程序运行时间。图8为页岩储层孔隙度预测误差Error与决策树数量Ntree关系图,决策树数量在400以后保持稳定,因此本发明可选450作为孔隙度预测的决策树数量。
随机森林解决分类问题是当待测样本进入时,随机森林中的每一棵决策树分别进行判断,找出被选择最多的类,即进行一个投票,分类树分裂采取gini指数最小化原则。当预测变量为数值型时,基于最小方差建立随机森林回归模型,此时决策树也就是CART回归决策树。在建立CART回归决策树时根据选取的特征属性集合,基于最小方差原则寻找最优切分变量A和最优切分点s,将本父节点数据集划分成两个子数据集D1和D2,对子节点数据继续调用上述步骤进行分裂,直到叶子节点上只有一个数据或者不能继续划分,决策树就生长到了最大;具体表达式如下:
其中,xi(i=1,2,…,n)即为切分变量(特征)j,n为模型建立用到的参数个数,c1为D1数据集的样本输出均值,c2为D2数据集的样本输出均值,(yi-c1)2和(yi-c2)2分别代表D1和D2子数据集中变量y的平方误差。通过选取最优切分变量A和最优切分节点s,保证C值最小,来达到使得平方误差最小,决策树生长到最大的目的。
随机森林回归算法的实质是回归树的生成,也就是基于平方误差最小化准则来构建二叉树的过程;上式代表了该过程中数据集分裂结果的平方误差。本发明通过寻求训练集所在输入空间中的最优切分变量和最优切分点,使得该式代表的平方误差最小,以此来得出最优的输出值,建立的回归决策树也就最优。
任意数值预测值h(X)的均方泛化误差为EX,Y(Y-h(X))2。模型的预测结果是对k棵回归树{h(h(θ,Xk))}的取算数平均数得到的;算法的主要步骤是:
输入:
1)归一化处理的原始训练集S={(xi,yi),i=1,2,…,n},(X,Y)∈Rd×R;
2)待测样本Xt∈Rd,(i=1,2,…,Ntree);
3)对原始训练集S进行Boostrap抽样,也就是有放回的全抽样,保证每组储层特征参数和测井曲线数据被抽到的概率相同,并多次进行产生训练集Si。正是这种随机选取的特性使得构成的回归树不会产生过拟合的现象,并增加了模型间的差异性,是随机森林算法随机性的体现之一。
4)从所有属性特征中随机的选取Mtree个特征;这里是随机森林算法随机性第二个体现的地方。
5)在每个节点上从Mtree个特征依据最小均方差原则选取最优特征;
6)对每个子样本集分别建立各自的回归模型,生成一颗不剪枝的树{h(θ,Xi),i=1,2,…,k},分裂直到树生长到最大。
输出:
1)树的集合{ht,i=1,2,…,Ntree};
2)对待测样本xt,回归树hi输出hi(xt);
按照上述算法,将孔隙度预测数据集RF作为原始训练集S,进行有放回的抽样,形成多个子样本集并创建决策树,形成随机森林,对450个决策树的预测结果进行综合判定,可得到随机森林孔隙度预测模型。
基于上述随机森林算法原理,请参考图2所示,本发明一实施例中,根据所述页岩气储层测井数据剩余比例的数据通过随机森林回归算法建立随机森林孔隙度预测模型包含:S201将所述页岩气储层测井数据剩余比例的数据、页岩气储层有机质孔隙数据、页岩气储层粘土矿物含量、岩石束缚水饱和度和孔隙预测阈值组合生成预测数据集,将所述预测数据集中预定比例数据作为训练集,通过随机森林回归算法建立随机森林孔隙度预测模型;S202将所述预测数据集剩余比例的数据作为验证集验证所述随机森林孔隙度预测模型的吻合情况;S203根据所述吻合情况调整所述随机森林孔隙度预测模型。其中所述预定比例数据与剩余比例的数据均可根据实际情况选择设置,例如将百分之七十的数据作为训练集,剩余的百分之三十的数据作为验证集,又或者将其中百分之六十的数据作为训练集,剩余百分之四十的数据作为验证集等,本发明在此并不做具体限制,本领域相关技术人员可根据实际需要选择设置;通过上述实施例可更进一步验证所述随机森林孔隙度预测模型的准确性。
具体的,可选取预测数据集剩余数据作为验证集,导入随机森林模型得到孔隙度预测值,与孔隙度真实值比较以校正模型。如:将验证集B除孔隙度真实值外的所有数据导入预测模型,可得到验证集数据B的孔隙度预测值,分析预测值与真实值的吻合程度便可对模型进行有效性评价。在评价模型时,一般采用均方根误差(RMSE)、平均绝对误差(MAE)以及因变量真值和预测值的相关系数(COR)作为模型结论与实际值的吻合程度的衡量标准。
从而可以利用该方程,对随机森林孔隙度预测结果进行校正,以用于之后的预测工作中。
在上述实施例中,将所述预测数据集剩余比例的数据作为验证集验证所述随机森林孔隙度预测模型的吻合情况包含:通过均方根误差、平均绝对误差以及因变量真值和预测值的相关系数验证所述随机森林孔隙度预测模型的吻合情况。在该实施例中,主要是通过验证集中的数据分析获得孔隙度检测结果,再将验证集中的数据输入至所述随机森林孔隙度预测模型中计算获得预测结果,其后通过均方根误差、平均绝对误差以及因变量真值和预测值的相关系数等方式验证所述孔隙度检测结果和所述预测结果之间的关系,从而确认所述随机森林孔隙度预测模型的准确性即吻合情况;当准确率符合一预设阈值时即可确定该随机森林孔隙度预测模型为后续使用模型;其中所述预设阈值可根据实际情况及要求选择设置,本发明在此并不做过多限制。
同样的,为确保孔隙度预测模型能够符合使用要求,的在本发明一实施例中,将所述孔隙预测值与所述孔隙预测阈值比较,根据比较结果与所述随机森林孔隙度预测模型生成孔隙度预测模型包含:计算所述孔隙预测值与所述孔隙预测阈值之间的均方根误差、平均绝对误差以及相关系数,获得比较结果;当所述比较结果符合预定规则时,根据所述随机森林孔隙度预测模型生成孔隙度预测模型。当然该实施例中具体验证方式与上述实施例类似,本发明在此就不再一一解释说明。
为加快所述随机森林孔隙度预测模型的生成效率,在本发明一实施例中,根据所述页岩气储层测井数据剩余比例的数据通过随机森林回归算法建立随机森林孔隙度预测模型包含:通过误差与决策树数量关系曲线获得随机森林孔隙度预测模型的决策树的数量。其中,所述误差与决策树数量关系曲线可通过R语言中的plot()函数获得:用以最小方差原则建立的每一颗回归树对孔隙度值进行预测,对分别选取了1到500棵决策树的500个模型得到的预测结果取各自的平均值,得到500个孔隙度预测值,再结合孔隙度实测值得到各自的均方根误差,最后利用plot()成图函数即可绘制500个不同方案下误差和决策树数量的关系曲线;以此为基础,可在有效加快随机森林孔隙度预测模型的生成效率的同时保证该随机森林孔隙度预测模型的准确性。
在上述实施例中,通过对选取了不同决策树数量(1–1000棵)的预测结果误差进行分析,在多次操作的基础上,本发明针对孔隙度预测模型结果的误差大小及所对应模型所选取决策树数量多少的关系进行分析,并绘制二者的关系折线图。结果表明,随着所选取决策树数量的增大(同时伴随着运算量的不断增加),模型误差呈指数形式逐渐减小并无限趋近于一个固定值;基于本发明得到的误差与决策树数量关系曲线,能有效选取合适的孔隙度预测模型的决策树数量,使之既能尽可能降低模型误差,又能将模型的运算量控制在合理的范围内,高效地预测页岩气储层测井孔隙度。
为进一步说明本发明所提供的页岩气储层测井孔隙度快速预测方法,以下以具体事例对上述各实施例作整体说明:
实际工作中,所述页岩气储层测井孔隙度快速预测方法主要以页岩为研究对象,以总有机碳含量(TOC)、自然伽马测井曲线(GR)、声波时差测井曲线(AC)、岩性密度测井曲线(DEN)、深电阻率测井曲线(RLA2)、浅电阻率测井曲线(RLA5)、补偿中子测井曲线(HTNP)为基础数据,即Xi(i=1,2,…)。以集成于R语言程辑包的随机森林回归算法为孔隙度预测方法,以部分实测的孔隙度数据(POR)为训练对象,即Yi,实现页岩气储层测井孔隙度快速预测。以川南W203典型井五峰—龙马溪组地层页岩储层数据为例,阐述具体步骤如下:
1)工区W203井页岩气储层现有深度点2449个,将其分为两部分,其中2000个深度点用于随机森林模型的建立及校正,并用模型对剩余449个深度点的孔隙度进行预测。
2)计算2000个深度点的有机碳含量(TOC)、页岩密度(ρshale)和有机质密度(ρOM),以及有机质面孔率(KOM)。对于该地区页岩而言,TOC为0.6%~2.3%,平均为1.5%,页岩密度ρshale的平均值为2.6g/cm3,有机质密度ρOM的平均值为1.9g/cm3,有机质面孔率KOM为14.02%~41.59%。因此该地区页岩有机孔隙度的计算公式为:
3)基于页岩气井无铀伽马(KTH)测井,利用公式计算2000个深度点的页岩粘土矿物含量(Vclay)。利用100%饱和水岩心核磁共振弛豫时间T2,计算对应束缚水饱和度(Swb)值;
5)将点集B中2000个深度点对应的有机孔隙度页岩总有机碳含量(TOC)、粘土矿物含量(Vclay)、束缚水饱和度(Swb)、孔隙度真实值自然伽马测井曲线(GR)、声波时差测井曲线(AC)、岩性密度测井曲线(DEN)、深电阻率测井曲线(RLA2)、浅电阻率测井曲线(RLA5)和补偿中子测井曲线(HTNP)作为预测数据集RF,整理为“W203.csv”文件,导入已编好的R语言程序,将其70%的数据作为训练集A建立随机森林孔隙度预测模型RF。
6)将预测数据集30%的数据作为验证集B,导入模型后得到孔隙度预测值将预测值与真实值进行比较,计算均方根误差(RMSE)、平均绝对误差(MAE)以及因变量真值和预测值的相关系数(COR)从而对模型有效性进行评价,并利用相关系数校正模型。
7)将记录有剩余449个孔隙度待测深度点的TOC、Vclay、Swb、GR、AC、DEN、RLA2、RLA5和HTNP值的页岩气储层参数表命名为“W203_PRE.csv”文件,导入随机森林模型,即可得到这些深度点的孔隙度预测值
现采用多元线性回归和支持向量机回归建立回归公式并进行预测,选取3口井的测井及孔隙度数据,依次建立它们的线性回归、支持向量机回归和随机森林回归模型,并分别用计算模型在各自的测试集上的RMSE、MAE和COR值;结果见下表1。
表1
在W203井的衡量指标值能够看出:RMSE值:多元线性回归>支持向量机回归>随机森林回归;MAE值:多元线性回归>支持向量机回归>随机森林回归;COR值:随机森林回归>多元线性回归>支持向量机回归,可见相比于其他两种方法,随机森林预测效果最优。
表2
由表2中W204井的衡量指标值能够看出:RMSE值:多元线性回归>支持向量机回归>随机森林回归;MAE值:多元线性回归>支持向量机回归>随机森林回归;COR值:随机森林回归>多元线性回归>支持向量机回归。因此随机森林预测效果最好。
表3
由表3中W046井的衡量指标值能够看出:RMSE值:多元线性回归>支持向量机回归>随机森林回归;MAE值:多元线性回归>支持向量机回归>随机森林回归;COR值:随机森林回归>多元线性回归>支持向量机回归。综合分析可以得出随着数据量的增加,随机森林回归模型的预测效果更好,误差更低,相关系数R越来越接近1,这里就可以体现出来随机森林回归模型具有较好的预测精度,拥有更好的外推能力。
图9为随机森林回归和多元线性回归孔隙度预测结果曲线图。将W046井的孔隙度真实值、随机森林孔隙度预测值和多元线性回归孔隙度预测值进行拟合统计,结果表明,随机森林孔隙度预测值和孔隙度实测值之间趋势吻合度非常高,预测的误差和精度在合理的可控范围内。而多元线性回归算出的预测值和实测值之间的误差就相对较大,只有极少数的数值在响应的地方能够近似相等。所以,基于页岩气储层特征参数和关键测井组合数据,将随机森林回归算法应用于页岩气储层孔隙度的预测是完全可行的,并且要优于其他预测方法。
请参考图3所示,本发明还提供一种页岩气储层测井孔隙度快速预测系统,所述系统包含阈值计算单元、模型构建单元、计算单元、比较单元和预测单元;所述阈值计算单元用于获得页岩气储层测井数据,根据所述页岩气储层测井数据中预定比例的测井曲线数据预测获得页岩对应的孔隙值,根据所述孔隙值生成孔隙预测阈值;所述模型构建单元用于根据所述页岩气储层测井数据剩余比例的数据通过随机森林回归算法建立随机森林孔隙度预测模型;所述计算单元用于将所述测井曲线数据带入所述随机森林孔隙度预测模型中获得孔隙预测值;所述比较单元用于将所述孔隙预测值与所述孔隙预测阈值比较,根据比较结果与所述随机森林孔隙度预测模型生成孔隙度预测模型;所述预测单元用于根据所述孔隙度预测模型与待测页岩气储层测井数据获得孔隙度预测结果。
本发明还提供一种计算机设备,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,所述处理器执行所述计算机程序时实现上述方法。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述方法的计算机程序,其中所述计算机程序可参考图5A至图5B所示。
通过本发明所提供的页岩气储层测井孔隙度快速预测方法及系统能够有效便捷地利用真实孔隙度数据对孔隙度预测有效性进行评价,更适用于富有机质页岩气储层,不仅预测过程方便快捷,能够迅速评价页岩气储层的孔隙度特征,而且准确度较单纯利用测井数据预测的孔隙度更高,能够高效快速地对页岩气储层孔隙度进行预测。
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 (9)
1.一种页岩气储层测井孔隙度快速预测方法,其特征在于,所述方法包含:
获得页岩气储层测井数据,根据所述页岩气储层测井数据中预定比例的测井曲线数据预测获得页岩对应的孔隙值,根据所述孔隙值生成孔隙预测阈值;
根据所述页岩气储层测井数据剩余比例的数据通过随机森林回归算法建立随机森林孔隙度预测模型;
将所述测井曲线数据带入所述随机森林孔隙度预测模型中获得孔隙预测值;
将所述孔隙预测值与所述孔隙预测阈值比较,根据比较结果与所述随机森林孔隙度预测模型生成孔隙度预测模型;
根据所述孔隙度预测模型与待测页岩气储层测井数据获得孔隙度预测结果;
根据所述页岩气储层测井数据中预定比例的测井曲线数据预测获得页岩对应的孔隙值,根据所述孔隙值生成孔隙预测阈值包含:
根据总有机碳含量和自然伽马测井曲线获得页岩气储层有机质数据;
通过场发射扫描电镜获取氩离子抛光的对应页岩样品的页岩样品扫描电镜图像,根据所述页岩样品扫描电镜图像通过阈值分割提取获得页岩有机质面孔率;根据所述页岩气储层有机质数据和页岩样品参数获得页岩有机孔隙度,根据页岩有机质面孔率和页岩有机孔隙度获得页岩气储层有机质孔隙数据;
根据所述测井曲线数据计算获得页岩气储层粘土矿物含量和岩石束缚水饱和度获得页岩气储层无效孔隙数据;根据所述页岩气储层有机质孔隙数据和所述页岩气储层无效孔隙数据,结合氦孔隙度测试技术计算获得孔隙预测阈值。
2.根据权利要求1所述的页岩气储层测井孔隙度快速预测方法,其特征在于,所述页岩气储层测井数据包含总有机碳含量和测井曲线数据。
3.根据权利要求2所述的页岩气储层测井孔隙度快速预测方法,其特征在于,所述测井曲线数据包含自然伽马测井曲线、声波时差测井曲线、岩性密度测井曲线、深电阻率测井曲线、浅电阻率测井曲线和补偿中子测井曲线。
4.根据权利要求1所述的页岩气储层测井孔隙度快速预测方法,其特征在于,根据所述页岩气储层测井数据剩余比例的数据通过随机森林回归算法建立随机森林孔隙度预测模型包含:
将所述页岩气储层测井数据剩余比例的数据、页岩气储层有机质孔隙数据、页岩气储层粘土矿物含量、岩石束缚水饱和度和孔隙预测阈值组合生成预测数据集,将所述预测数据集中预定比例数据作为训练集,通过随机森林回归算法建立随机森林孔隙度预测模型;
将所述预测数据集剩余比例的数据作为验证集验证所述随机森林孔隙度预测模型的吻合情况;
根据所述吻合情况调整所述随机森林孔隙度预测模型。
5.根据权利要求4所述的页岩气储层测井孔隙度快速预测方法,其特征在于,将所述预测数据集剩余比例的数据作为验证集验证所述随机森林孔隙度预测模型的吻合情况包含:通过均方根误差、平均绝对误差以及因变量真值和预测值的相关系数验证所述随机森林孔隙度预测模型的吻合情况。
6.根据权利要求1所述的页岩气储层测井孔隙度快速预测方法,其特征在于,将所述孔隙预测值与所述孔隙预测阈值比较,根据比较结果与所述随机森林孔隙度预测模型生成孔隙度预测模型包含:计算所述孔隙预测值与所述孔隙预测阈值之间的均方根误差、平均绝对误差以及相关系数,获得比较结果;当所述比较结果符合预定规则时,根据所述随机森林孔隙度预测模型生成孔隙度预测模型。
7.一种页岩气储层测井孔隙度快速预测系统,其特征在于,所述系统包含阈值计算单元、模型构建单元、计算单元、比较单元和预测单元;
所述阈值计算单元用于获得页岩气储层测井数据,根据所述页岩气储层测井数据中预定比例的测井曲线数据预测获得页岩对应的孔隙值,根据所述孔隙值生成孔隙预测阈值;根据所述页岩气储层测井数据中预定比例的测井曲线数据预测获得页岩对应的孔隙值,根据所述孔隙值生成孔隙预测阈值包含:根据总有机碳含量和自然伽马测井曲线获得页岩气储层有机质数据;通过场发射扫描电镜获取氩离子抛光的对应页岩样品的页岩样品扫描电镜图像,根据所述页岩样品扫描电镜图像通过阈值分割提取获得页岩有机质面孔率;根据所述页岩气储层有机质数据和页岩样品参数获得页岩有机孔隙度,根据页岩有机质面孔率和页岩有机孔隙度获得页岩气储层有机质孔隙数据;根据所述测井曲线数据计算获得页岩气储层粘土矿物含量和岩石束缚水饱和度获得页岩气储层无效孔隙数据;根据所述页岩气储层有机质孔隙数据和所述页岩气储层无效孔隙数据,结合氦孔隙度测试技术计算获得孔隙预测阈值;
所述模型构建单元用于根据所述页岩气储层测井数据剩余比例的数据通过随机森林回归算法建立随机森林孔隙度预测模型;
所述计算单元用于将所述测井曲线数据带入所述随机森林孔隙度预测模型中获得孔隙预测值;
所述比较单元用于将所述孔隙预测值与所述孔隙预测阈值比较,根据比较结果与所述随机森林孔隙度预测模型生成孔隙度预测模型;
所述预测单元用于根据所述孔隙度预测模型与待测页岩气储层测井数据获得孔隙度预测结果。
8.一种计算机设备,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6任一所述方法。
9.一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6任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910869852.7A CN110717249B (zh) | 2019-09-16 | 2019-09-16 | 页岩气储层测井孔隙度快速预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910869852.7A CN110717249B (zh) | 2019-09-16 | 2019-09-16 | 页岩气储层测井孔隙度快速预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717249A CN110717249A (zh) | 2020-01-21 |
CN110717249B true CN110717249B (zh) | 2021-04-09 |
Family
ID=69210529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910869852.7A Active CN110717249B (zh) | 2019-09-16 | 2019-09-16 | 页岩气储层测井孔隙度快速预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717249B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931948A (zh) * | 2020-04-07 | 2020-11-13 | 北京工业大学 | 用于测量混凝土抗压强度的深度集成森林回归建模方法 |
CN111879804B (zh) * | 2020-07-03 | 2021-10-08 | 中国石油大学(北京) | 页岩的有机碳含量确定方法、装置及系统 |
CN114427451B (zh) * | 2020-09-11 | 2024-06-21 | 中国石油化工股份有限公司 | 一种基于随钻资料获取页岩储层静态参数的方法 |
CN112253087A (zh) * | 2020-10-20 | 2021-01-22 | 河南理工大学 | 一种基于多源测井资料的生物扰动储集层物性计算方法 |
CN112348831B (zh) * | 2020-11-05 | 2022-11-11 | 中国石油大学(华东) | 基于机器学习的页岩sem图像分割方法 |
CN113088359A (zh) * | 2021-03-30 | 2021-07-09 | 重庆大学 | 一种工艺参数驱动的三甘醇脱水装置三甘醇损耗量在线预测方法 |
CN113127469B (zh) * | 2021-04-27 | 2023-03-24 | 国网内蒙古东部电力有限公司信息通信分公司 | 一种三相不平衡数据的缺失值的填补方法及系统 |
CN113312784B (zh) * | 2021-06-09 | 2023-03-24 | 长江大学 | 预测页岩微观裂缝发育的方法、装置、设备及存储介质 |
CN114109352B (zh) * | 2021-06-17 | 2023-11-10 | 中国海洋石油集团有限公司 | 一种基于曲线相似度预测孔隙度的方法 |
CN113642157B (zh) * | 2021-07-20 | 2024-05-31 | 西南石油大学 | 一种基于高斯过程回归的页岩孔隙结构参数预测方法 |
CN113738353B (zh) * | 2021-09-28 | 2023-05-26 | 中国石油大学(北京) | 一种含油页岩可动油量预测方法、系统、设备和存储介质 |
CN114035227B (zh) * | 2021-11-11 | 2023-07-07 | 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 |
CN114280689A (zh) * | 2021-12-20 | 2022-04-05 | 中国石油大学(北京) | 基于岩石物理知识确定储层孔隙度的方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015137943A1 (en) * | 2014-03-12 | 2015-09-17 | Landmark Graphics Corporation | Ranking drilling locations among shale plays |
CN106223941A (zh) * | 2016-07-20 | 2016-12-14 | 中石化石油工程技术服务有限公司 | 基于测井资料的页岩气储层有机孔隙度确定方法 |
CN107525753A (zh) * | 2017-07-25 | 2017-12-29 | 中国石油大学(北京) | 确定孔隙曲折度的方法及装置 |
CN109285137A (zh) * | 2017-07-21 | 2019-01-29 | 中国石油大学(北京) | 页岩孔隙贡献度的获取方法及装置 |
CN109611087A (zh) * | 2018-12-11 | 2019-04-12 | 中国石油大学(北京) | 一种火山岩油藏储层参数智能预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108561126B (zh) * | 2018-03-13 | 2021-09-14 | 中石化石油工程技术服务有限公司 | 一种确定页岩气储层有机孔隙度的简易方法 |
-
2019
- 2019-09-16 CN CN201910869852.7A patent/CN110717249B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015137943A1 (en) * | 2014-03-12 | 2015-09-17 | Landmark Graphics Corporation | Ranking drilling locations among shale plays |
CN106223941A (zh) * | 2016-07-20 | 2016-12-14 | 中石化石油工程技术服务有限公司 | 基于测井资料的页岩气储层有机孔隙度确定方法 |
CN109285137A (zh) * | 2017-07-21 | 2019-01-29 | 中国石油大学(北京) | 页岩孔隙贡献度的获取方法及装置 |
CN107525753A (zh) * | 2017-07-25 | 2017-12-29 | 中国石油大学(北京) | 确定孔隙曲折度的方法及装置 |
CN109611087A (zh) * | 2018-12-11 | 2019-04-12 | 中国石油大学(北京) | 一种火山岩油藏储层参数智能预测方法及系统 |
Non-Patent Citations (5)
Title |
---|
PP-NFR: an improved hybrid learning approach for porosity prediction from seismic attributes using non-linear feature reduction;Jatin Bedi 等;《Journal of Applied Geophysics》;20190502;第166卷;第22-32页 * |
The linear random forest algorithm and its advantages in machine learning assisted logging regression modeling;Yile Ao 等;《Journal of Petroleum Science and Engineering》;20190331;第174卷;第776-789页 * |
强容噪性随机森林算法在地震储层预测中的应用;宋建国 等;《石油地球物理勘探》;20181015;第53卷(第5期);第954-960,881页 * |
随机森林在储层孔隙度预测中的应用;魏佳明 等;《智能计算机与应用》;20181031;第8卷(第5期);第79-82页 * |
页岩孔隙定性与定量方法的对比研究;张涛 等;《天然气勘探与开发》;20171225;第40卷(第4期);第34-43页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110717249A (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717249B (zh) | 页岩气储层测井孔隙度快速预测方法及系统 | |
CN111665560B (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
CN113919219A (zh) | 基于测井大数据的地层评价方法及系统 | |
WO2023221491A1 (zh) | 一种氦气资源规模序列的确定方法、装置和设备 | |
CN108957587A (zh) | 火成岩岩性识别方法及装置 | |
CN109298464B (zh) | 致密砂岩储层成岩相测井识别方法及装置 | |
CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
CN111707695B (zh) | 基于核磁共振数据确定储层渗透率的方法、装置及设备 | |
CN117473305A (zh) | 一种近邻信息增强的储层参数预测方法及系统 | |
CA3161034A1 (en) | Systems and methods for subsurface formation modelling | |
Andersen et al. | Machine learning based prediction of porosity and water saturation from Varg field reservoir well logs | |
CN116821786A (zh) | 一种低渗储层分类方法、装置及介质 | |
Yanran et al. | Mathematical modeling for total organic carbon content prediction with logging parameters by neural networks: A case study of shale gas well in South China | |
CN111594156B (zh) | 一种天然气水合物饱和度计算方法及系统 | |
CN113945992B (zh) | 泥岩、油页岩识别方法、装置、电子设备及介质 | |
CN112987122A (zh) | 一种泥质含量计算方法、装置、电子设备及存储介质 | |
CN114565116A (zh) | 一种低渗储层物性参数的预测方法和装置 | |
CN112861061A (zh) | 地质分层方法及系统、处理设备 | |
Lu et al. | Prediction of the pore structure by machine learning techniques in the carbonate reservoirs in Iraq H oilfield | |
CN111983677B (zh) | 基于Russell属性因子的储层孔隙度预测方法及装置 | |
US20240151868A1 (en) | Prediction of Permeability Distribution of Deep Buried Sandstones Using Machine Learning | |
CN117407841B (zh) | 一种基于优化集成算法的页岩层理缝预测方法 | |
CN117235628B (zh) | 一种基于混合贝叶斯深度网络测井曲线预测方法及系统 | |
CN113052356B (zh) | 油井单井产能预测方法、装置、电子设备和存储介质 | |
CN112241576B (zh) | 油气井完井处理方法及装置 |
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 |