CN110717301A - 一种基于支持向量机算法的流动单元信息分类识别方法 - Google Patents
一种基于支持向量机算法的流动单元信息分类识别方法 Download PDFInfo
- Publication number
- CN110717301A CN110717301A CN201910889252.7A CN201910889252A CN110717301A CN 110717301 A CN110717301 A CN 110717301A CN 201910889252 A CN201910889252 A CN 201910889252A CN 110717301 A CN110717301 A CN 110717301A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- flow unit
- flow
- support vector
- vector machine
- 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
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000011148 porous material Substances 0.000 claims description 31
- 238000004519 manufacturing process Methods 0.000 claims description 27
- 230000035699 permeability Effects 0.000 claims description 26
- 238000000151 deposition Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 21
- 230000008021 deposition Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 239000011229 interlayer Substances 0.000 claims description 14
- 230000000704 physical effect Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 238000011158 quantitative evaluation Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 10
- 239000012530 fluid Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 2
- 230000035515 penetration Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 27
- 238000011160 research Methods 0.000 abstract description 27
- 230000008901 benefit Effects 0.000 abstract description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 3
- 239000003345 natural gas Substances 0.000 abstract description 2
- 239000003209 petroleum derivative Substances 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 58
- 239000010410 layer Substances 0.000 description 33
- 230000000694 effects Effects 0.000 description 31
- 238000009826 distribution Methods 0.000 description 26
- 239000004576 sand Substances 0.000 description 19
- 238000002347 injection Methods 0.000 description 16
- 239000007924 injection Substances 0.000 description 16
- 238000010521 absorption reaction Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 10
- 238000009412 basement excavation Methods 0.000 description 9
- 239000003129 oil well Substances 0.000 description 7
- 230000004888 barrier function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000007789 gas Substances 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000004062 sedimentation Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 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
- 238000005325 percolation Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于石油天然气勘探与开发技术领域，公开了一种基于支持向量机算法的流动单元信息分类识别方法，样本集合的确定及数据预处理，并采用MATLAB中的mapminmax函数完成样本数据的归一化处理；采用C‑SVM分类技术，进行模型构建及参数寻优；利用测试样本对建立的预测模型进行预测与检验。本发明采用在非线性问题上处理能力较强的基于支持向量机算法的流动单元信息分类识别方法。本发明具有较高的吻合度，利用支持向量机算法开展流动单元研究的可信度较高，对剩余油潜力预测具有一定的参考价值。支持向量机算法在解决研究目标与多个因素相关的线性或非线性问题时，具有精度高、速度快、通用性强的优点。
Description
技术领域
本发明属于石油天然气勘探与开发技术领域，尤其涉及一种基于支持向量机算法的流动单元信息分类识别方法。
背景技术
目前，最接近的现有技术：随着油气勘探程度的深入及常规油气资源的减少，浊积扇低渗透油藏作为非常规油气藏资源的重要类型之一，逐渐成为勘探开发的热点，展现出较大的含油气潜力。对浊积扇储层油水分布规律的研究相对滞后，成为目前制约浊积扇储层大规模开发的主要因素。相对于常规砂岩储层，浊积扇储层地下构型结构复杂，内部砂体形态、规模、延伸状况存在明显差异，砂体内广泛发育的隔层和夹层使得厚油层被分割成了多个连通或不连通的流动单元。目前，已有不少学者开展了浊积扇储层构型研究，但流动单元研究相对较少。流动单元有利于深入的了解储层的非均质性，对储层的储集物性、渗流能力好坏给予一个准确地判断，同时就剩余油预测和提高采收率提供重要的理论支撑。
目前，国内外学者对流动单元的研究多基于统计学的聚类分析，而低渗透储层流动单元受多种地质因素的影响，且流动性能好坏与各地质因素间的关系复杂，但低渗透储层地质参数及流动单元评价参数的非均质性强，因此，传统的聚类分析技术难以准确刻画各地质参数与流动单元之间的非线性关系，难以将它们之间的非线性关系进行很好定量刻画。近年来，支持向量机算法越来越多的被运用到复杂岩性识别、裂缝预测、测井曲线分层及储层产能评价等多个方面。
综上所述，现有技术存在的问题是：传统的聚类分析技术难以准确刻画各地质参数与流动单元之间的非线性关系。
解决上述技术问题的难度：如何从大量的低渗透储层流动单元的众多地质影响因素，快速识别出有效的影响信息，采用有效识别方法，从而高效、准确地进行流动单元分类，一种有效的流动单元信息分类识别方法是上述技术问题的关键，如何提高识别精度是上述技术问题的重点。
解决上述技术问题的意义：解决上述问题可以极大地提高油气田地下地质工作的效率和精确度，更快更准地确定低渗透储层流动单元分类，为后续研究剩余油分布、进行剩余油挖潜奠定基础。
发明内容
针对现有技术存在的问题，本发明提供了一种基于支持向量机算法的流动单元信息分类识别方法。
本发明是这样实现的，一种基于支持向量机算法的流动单元信息分类识别方法，所述基于支持向量机算法的流动单元信息分类识别方法包括以下步骤：
第一步，样本集合的确定及数据预处理；采用MATLAB中的mapminmax函数完成样本数据的归一化处理；
第二步，采用C-SVM分类技术，模型构建及参数寻优；
第三步，利用测试样本对建立的预测模型进行预测与检验。
进一步，所述第一步包括：一个包含有n组流动单元样本数据的样本集，每组样本中有m+1个储层参数，x1i，x2i，…，xmi，yi，i＝1，2，…，n；其中，n＞m-1；将包含有前m个储层参数的n个样本定义为n个向量：
xi＝(x1i，x2i…xmi)(i＝1，2，…n)；
通过分析流动单元已知样本集输入特征xi和输出结果yi间的映射关系，建立最优的分类函数y＝f(x)，实现对未知样本流动单元类型的预测：
进一步，所述第二步包括：采用C-SVM分类技术通过增加惩罚参数C，控制错分样本的数量，得到的分类函数是一个关于向量x的非线性表达式：
式中，α表示拉格朗日乘子向量，α＝(α1，α2，α3，…αn)0≤αi≤C；C表示对错误分类的惩罚程度，C大于0，约束条件是
exp(-g||x-xi||2)是实现非线性映射的高斯核函数；g为高斯核参数，g大于0；b表示为分类阈值，通过任意一组支持向量xi求得，当αi＞0时的xi；
αi、C、g均可由下式求得，是一个二次型寻优问题，存在最优解；
进一步，建立支持向量机预测模型的步骤如下：利用n组学习样本对模型进行训练，以求取分类函数，公式y＝SVM(x1，x2，x3，…x13)；其次，将n组学习样本代入公式y＝SVM(x1，x2，x3，…x13)，求得每组学习样本所对应的预测值y1，y2，…，yn，根据预测结果检验算法的拟合精度。
进一步，第三步模型预测与检验，利用公式的N组测试样本对建立的预测模型进行检验；将N组测试样本代入公式y＝SVM(x1，x2，x3，…x13)，计算出每组测试样本所对应的预测值yn+1，yn+2，…，yn+N，并根据预测结果计算模型的分类准确率；分类准确率较高，则将建立的流动单元预测模型应用于非取心井流动单元定量评价；
xi＝(x1i，x2i…xmi)(i＝n+1，n+2，…n+N)。
进一步，所述基于支持向量机算法的流动单元信息分类识别方法的流动单元定量评价参数的选取依据及对储层流动单元渗流能力的影响包括：
1)储集特征参数，孔隙度
渗透率K及含油饱和度So反映储层储集能力的重要特征参数；孔隙度、渗透率，是反映储层宏观物性特征的参数；含油饱和度，反映储层流体特征；
2)孔隙结构特征参数，孔喉半径R35、流动带指标FZI及油藏品质指数RQI反映储层的微观孔隙结构特征和流动特征；
3)沉积特征参数，沉积微相、砂岩厚度H及泥质含量Vsh反映储层沉积特征的评价参数；沉积微相，对不同类型的沉积微相进行赋值(本发明的实施例的各沉积微相赋值为：水道主体、朵叶体赋值为1，水道侧缘赋值为0.67，水道间、中扇侧缘、扇缘赋值为0.33，湖泥赋值为0)；砂岩厚度，选取砂岩厚度作为流动单元评价参数；泥质含量，反映储层岩性特征；
4)非均质特征参数，渗透率突进系数Tk和级差Jk，反映储层非均质性的重要参数；隔夹层厚度Dh和隔夹层密度Dk，选取非均质性特征参数作为流动单元的评价参数。
本发明的另一目的在于提供一种应用所述基于支持向量机算法的流动单元信息分类识别方法的信息数据处理终端。
本发明的另一目的在于提供一种所述基于支持向量机算法的流动单元信息分类识别方法在剩余油潜力预测中的应用。
综上所述，本发明的优点及积极效果为：本发明采用在非线性问题上处理能力较强的基于支持向量机算法的流动单元信息分类识别方法。本发明通过与油田开发动态资料对比发现，具有较高的吻合度，利用支持向量机算法开展流动单元研究的可信度较高，对剩余油潜力预测具有一定的参考价值。支持向量机算法在解决研究目标与多个因素相关的线性或非线性问题时，具有精度高、速度快、通用性强和理论完善等优点。流动单元是表征储层渗流性能好坏的最小地质单元，对油藏描述及剩余油分布预测意义重大。本发明以大芦湖油田樊29块沙三中亚段储层为实施例，运用孔喉半径(R35)法并结合沉积特征、流动特征、物性特征及生产动态特征将取心井储层划分为I，II，III，IV四类流动单元。在此基础上，选取与浊积扇低渗储层渗流特征相关的13个储层特征参数，利用支持向量机(SVM)算法开展未取心井流动单元定量评价，并通过对52组测试样本的检验可知支持向量机预测模型的正判率达90.38％。利用生产动态资料对流动单元定量评价结果进行合理性验证。验证结果表明，流动单元划分结果与油井初期产能、吸水特征及水淹特征具有较强的相关性。因此，基于支持向量机的流动单元划分结果是合理的，具有显著的分类效果，应用该算法开展流动单元研究具有广阔的前景。
附图说明
图1是本发明实施例提供的基于支持向量机算法的流动单元信息分类识别方法流程图。
图2是本发明实施例提供的孔喉半径法划分流动单元示意图。
图3是本发明实施例提供的大芦湖油田樊29块取心井流动单元分类结果示意图；
图中：(a)FZI与RQI交汇图；(b)渗透率与孔隙度交汇图；(c)F29井流动单元划分结果。
图4是本发明实施例提供的利用支持向量机算法划分流动单元流程图。
图5是本发明实施例提供的SVM模型参数寻优示意图。
图6是本发明实施例提供的大芦湖油田樊29块不同类型流动单元油井初期产能特征示意图。
图7是本发明实施例提供的大芦湖油田樊29块吸水剖面与流动单元类型的关系示意图。
图8是本发明实施例提供的大芦湖油田樊29块43小层初期含水率、夹层厚度及流动单元叠合图。
图9是本发明实施例提供的大芦湖油田樊29块43小层剩余油与流动单元叠合图。
图10是本发明实施例提供的43小层不同类型流动单元剩余地质储量分布示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于支持向量机算法的流动单元信息分类识别方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于支持向量机算法的流动单元信息分类识别方法包括以下步骤：
S101：样本集合的确定及数据预处理；采用MATLAB中的mapminmax函数完成样本数据的归一化处理；
S102：采用C-SVM分类技术，模型构建及参数寻优(训练集样本的训练过程)；
S103：利用测试样本对建立的预测模型进行预测与检验。
下面结合具体实施例对本发明的技术效果作详细的描述。
1、区域地质背景
大芦湖油田位于东营凹陷博兴洼陷西北部，正理庄－樊家继承性鼻状构造带的北端，西邻青城凸起。樊29块位于大芦湖油田的中部，鼻状构造的高部位，该区构造活动较弱，构造形态相对简单，是一被断层切割的穹隆背斜构造。其主力含油层系为沙三中亚段四砂层组，主要发育42、43、44、45四个小层(41小层在研究区不发育)，油藏埋深2800-3100m，地质储量丰富，探明储量583×104t。
樊29块四砂层组为典型的滑塌浊积扇沉积，形成于沙三段沉积中期。该时期，沉积水体增大，物源供应充足，碎屑物质在水流作用下在高青地区快速堆积，高青扇三角洲沉积体系范围扩大，一度向博兴断层下降盘推进，东北部受地形的影响，在樊家古鼻状构造部位停滞不前，沉积体快速堆积，滑塌浊积扇沉积体系因而形成。樊29块浊积扇沉积体系呈扇形展布，主要发育中扇、外扇亚相，内扇亚相不发育。岩性类型主要包括含砾砂岩、细砂岩、粉砂岩、泥质粉砂岩及泥岩。沉积体系内各水道砂体横向、纵向迁移变化快，展布规律及连通程度复杂。此外，成岩作用的改造导致储层非均质强烈，储层物性、渗流能力较差。目的层段平均孔隙度为15.9％，平均渗透率为11.6×10-3μm2，为中深层的低渗透油藏。
2流动单元类型及特征
2.1流动单元类型
大芦湖油田樊29块浊积扇低渗透储层受沉积环境、成岩作用等多重因素的影响，储层孔隙结构复杂，非均质性强烈、储层物性和渗流能力较差，不同部位渗流差异明显。因此，合理选取流动单元评价方法和表征研究区储层特征的评价参数就显得极为关键。由于孔隙结构对流体渗流特征分布具有较大的控制作用，本发明在综合考虑影响流动单元分布的诸多因素的基础上，以孔喉半径(R35)法为主，并结合储层沉积特征、物性特征、流动特征及生产动态特征进行取心井流动单元的分类评价。
基于岩心分析化验资料，计算关键井的流动单元评价参数。其中，孔隙度、渗透率及孔喉半径(R35)等可通过岩心测试资料获取，流动分层指标(FZI)和油藏品指数(RQI)的计算过程如下所示：
目前国内外常用的计算FZI和RQI指数的经验公式是由Amaefule提出的，其原理基于修正的Kozeny－Carman方程，并由此推导出FZI和RQI值。公式如下：
式中：
为孔隙体积与颗粒体积的比；RQI为油藏品质指标；
FZI指数反映储层的孔喉结构特征，FZI值相同的样本点分属同类流动单元，FZI值不同的样本点分属不同类流动单元。但由于实际应用中计算误差的存在，同类流动单元的FZI值往往围绕某一数值呈正态分布。基于岩心资料计算出RQI和FZI指数后，即可用于流动单元的划分。
通过对研究区取心井孔喉半径(R35)的累积概率曲线分析发现，R35存在四个主要的分布区间(图2)。此外，结合流动特征参数(FZI、RQI)、物性特征参数(孔隙度、渗透率)的分析表明划分为4类流动单元比较合理(图3a、b)。因此，以孔喉半径(R35)分布特征为主，结合流动特征、物性特征将研究区划分为四类流动单元。并通过与生产动态特征及储层沉积特征的对比分析表明，流动单元划分结果与初期产能特征及储层沉积特征具有较高的吻合度(表1)。由此可见，从孔隙结构、孔渗关系及初期产能等多方面特征综合来看，研究区储层可以被划分为I、II、III、IV四类流动单元。其中，I类流动单元孔喉半径(R35)大于3.55μm；II类流动单元孔喉半径(R35)介于2.7～3.55μm之间；III类流动单元孔喉半径(R35)介于1.2～2.7μm之间；IV类流动单元，孔喉半径(R35)小于1.2μm。各类流动单元特征参数分布见表1。
2.2流动单元特征
I类储层流动单元主要发育在浊积水道主水道微相或朵叶体微相，岩性以含砾砂岩、中细砂岩为主。该类流动单元渗流能力最好，渗透率大于20.1×10-3μm2，平均渗透率为24.33×10-3μm2；孔喉半径(R35)大于3.55μm，平均值为4.13μm，；FZI值分布于0.335～0.503之间，平均值为0.387；油藏开采初期产油、累油相对较高，注水开发见效快，水驱效果好，常首先发育水淹且为中高水淹，现今综合含水率90％以上。
II类储层流动单元主要发育在浊积水道微相或朵叶体微相，岩性以细砂岩、粉砂岩为主。渗流能力仅次于I类储层流动单元，渗透率分布于11.2×10-3～20.2×10-3μm2之间，平均渗透率16.83×10-3μm2；孔喉半径(R35)分布于2.70～3.55μm之间，平均值为3.17μm；FZI值分布于0.145～0.340之间，平均值为0.279；油藏开采初期产油、累油相对较高，注水开发效果好，仅次于I类流动单元。
III类储层流动单元分布广泛，在浊积水道、水道侧缘及中扇侧缘微相均有发育，岩性以粉砂岩和细粉砂岩为主，沉积物粒度较I类、II类储层流动单元明显偏细。III类储层流动单元渗流能力一般，渗透率分布于4.5×10-3～11.2×10-3μm2之间，平均渗透率9.36×10-3μm2；孔喉半径(R35)分布于1.20～2.70μm之间，平均值为1.94μm；FZI值分布于0.065～0.240之间，平均值为0.145；油藏开采初期开发效果差，日产油、累油相对较低。
IV类储层流动单元主要发育在中扇侧缘及扇缘微相，岩性以粉细砂岩、泥质粉砂岩为主。渗流能力最差，渗透率小于4.5×10-3μm2，平均渗透率3.32×10-3μm2；孔喉半径(R35)小于1.20μm，平均值为0.81μm；FZI分布于0.035～0.110之间；油藏开采初期开发效果最差，动用程度最低。
表1大芦湖油田樊29块流动单元特征参数
注:1.所列数据均为研究区沙三中亚段四砂层组储层各砂体数据的平均值；2.生产动态参数为开采时间、油层厚度相近的油井初期产能、含水资料。
3基于SVM的流动单元定量评价
本发明在综合考虑研究区地质情况的基础上，采用支持向量机算法开展流动单元研究。其优点主要体现在以下几个方面：①研究区取心井数量有限，岩心样本数据较少，而支持向量机在小样本数据分类方面具有显著的优势，能够获取现有信息下的最优解；②樊29块四砂层组为典型的浊积扇低渗透储层，储层流动单元分布受多种地质因素的影响，评价参数选取过少时较难反映储层的全部信息，而参数选取过多会造成运算的复杂性。SVM算法通过引入非线性变换将实际问题的运算空间映射到新的高维特征空间，算法的复杂程度与样本的维度无关，对于解决高维度的实际问题具有独特的理论优势。③算法最终将流动单元模式分类问题转化成为一个二次型寻优问题，理论上存在全局最优解。
总体来说，SVM算法在解决小样本、高维度、非线性的分类识别问题时，具有精度高、速度快、通用性强和理论完善等优点。因此，本发明选取SVM算法开展非取心井流动单元定量评价。
3.1流动单元定量评价参数
研究区为典型的浊积扇低渗储层，储层地下构型结构复杂，内部水道砂体横向、纵向迁移变化快，展布规律及连通程度复杂。砂体内部广泛发育的隔层和夹层对储层内部流体渗流具有一定的遮挡作用，导致隔夹层上下发育同类或不同类型的流动单元。此外，受沉积环境、成岩作用等多重因素的影响，储层孔隙结构复杂，非均质性强烈、储层物性和渗流能力较差，不同部位渗流差异明显。
由于浊积扇储层特征及成因机制复杂，储层流动单元分布受储集因素、孔隙结构因素、沉积因素及非均质因素等多重因素的影响，仅仅依靠单一参数难以反映储层流动单元的全部特征。因此，本发明充分考虑了影响流动单元分布的诸多因素，如储层储集特征、微观孔隙结构特征、流动特征、沉积特征及非均质特征等。在此基础上，结合研究区储层特征优选了13个储层特征参数(由于研究区动态参数较少，因此定量评价时不再选用动态参数)，以期更加全面的反映储层特征，合理准确的进行流动单元分类评价。
各参数的选取依据及其对储层流动单元渗流能力的影响如下：
1)储集特征参数。孔隙度渗透率(K)及含油饱和度(So)是反映储层储集能力的重要特征参数。a.孔隙度、渗透率，是反映储层宏观物性特征的参数，与储层质量具有明显的正相关性，研究区为典型的低渗透储层，目的层平均渗透率11.6×10-3μm2。b.含油饱和度，反映储层流体特征，含油饱和度越大储层质量越好。储集物性是影响低渗储层流动单元分布的重要因素，因此选取孔隙度、渗透率及含油饱和度作为评价参数。
2)孔隙结构特征参数。孔喉半径(R35)、流动带指标(FZI)及油藏品质指数(RQI)反映储层的微观孔隙结构特征和流动特征，是体现储层渗流能力的特征参数。由于孔隙结构对低渗储层流体渗流特征分布具有较大的控制作用，因此选取微观孔隙结构参数作为流动单元评价的地质参数。
3)沉积特征参数。沉积微相、砂岩厚度(H)及泥质含量(Vsh)是反映储层沉积特征的主要评价参数。a.沉积微相，不同类型的沉积微相发育的流动单元类型存在明显差异。依据浊积扇储层各沉积微相储集性能的差异，对不同类型的沉积微相进行赋值，其中，水道主体、朵叶体赋值为1，水道侧缘赋值为0.67，水道间、中扇侧缘、扇缘赋值为0.33，湖泥赋值为0。b.砂岩厚度，与储层质量具有明显的正相关性，厚度越大储层质量越好，该区浊积扇沉积体系中常发育多期砂体叠置，砂体厚度变化较大，因此选取砂岩厚度作为流动单元评价参数。c.泥质含量，主要反映储层岩性特征，泥质含量越高，储层渗流能力越差。
4)非均质特征参数。a.渗透率突进系数(Tk)和级差(Jk)，是反映储层非均质性的重要参数，渗透率突进系数和级差越大，非均质性越强，储层渗流能力越差。反之，渗流能力越强，流动单元属性越好。b.隔夹层厚度(Dh)和隔夹层密度(Dk)，研究区隔夹层分布广泛，横向厚度变化较大，单井钻遇率在90％以上。其形态、规模、延伸状况对油水分布具有明显的控制作用，是影响储层流动单元分布的重要因素。浊积扇储层受沉积环境、成岩作用等多重因素的影响，储层非均质性强烈，因此选取非均质性特征参数作为流动单元的评价参数。
3.2支持向量机算法原理
SVM算法是建立在统计学习理论上的一种新型机器学习方法，其基本实现途径是通过核函数的引入，将非线性问题(输入空间)映射到到新的高维特征空间，在高维特征空间中构造最优决策曲面并进行样本分类。支持向量机在解决研究目标与多个不确定特征相关的非线性问题时，具有精度高、速度快、通用性强和理论完善等优点。本发明采用SVM算法实现利用影响储层渗流特征的13个储层特征参数完成对樊29块沙三中亚段四砂层组储层流动单元的定量评价(图4)。利用SVM算法划分流动单元基本流程如下所示：
1)已知样本集合的确定及数据预处理。假设一个包含有n组流动单元样本数据的样本集，每组样本中有m+1个储层参数(即x1i，x2i，…，xmi，yi)(i＝1，2，…，n)。其中，n＞m-1，而实际应用时n往往远远大于m-1。故可以将包含有前m个储层参数的n个样本可以定义为n个向量，即：
xi＝(x1i，x2i…xmi)(i＝1，2，…n) (4)
支持向量机划分流动单元的基本思想是通过分析流动单元已知样本集输入特征xi和输出结果yi间的映射关系，建立最优的分类函数y＝f(x)(即式(5)达到最小时的f(x))，进而实现对未知样本流动单元类型的预测：
为避免各参数间量纲的差异导致运算困难，影响学习效果，所有样本数据在进入支持向量机之前，都要进行归一化处理，将样本中储层参数的值映射到[0，1]。本发明采用MATLAB中的mapminmax函数完成样本数据的归一化处理。
2)模型构建及参数寻优(训练集样本的训练过程)。本发明采用了C-SVM分类技术，该算法通过增加惩罚参数C，来控制错分样本的数量。最终得到的分类函数(即分类模型)是一个关于向量x的非线性表达式：
式中，α-拉格朗日乘子向量，α＝(α1，α2，α3，…αn)，0≤αi≤C；C-表示对错误分类的惩罚程度，C大于0，约束条件是
exp(-g||x-xi||2)是实现非线性映射的高斯核函数；g为高斯核参数，g大于0；b-为分类阈值，可通过任意一组支持向量xi求得(即当αi＞0时的xi，最终建立的SVM预测模型只与这些向量有关)。
αi、C、g均可由下式(7)求得，这是一个二次型寻优问题，存在最优解。
建立支持向量机预测模型的基本步骤如下：首先，利用n组学习样本对模型进行训练，以求取分类函数(训练过程)，即公式(6)；其次，将n组学习样本代入公式(6)，求得每组学习样本所对应的预测值y1，y2，…，yn，根据预测结果检验算法的拟合精度。
3)模型预测与检验(测试集样本的检验过程)。利用式(8)所示的N组测试样本对建立的预测模型进行检验。将N组测试样本代入公式(6)，计算出每组测试样本所对应的预测值yn+1，yn+2，…，yn+N，并根据预测结果计算模型的分类准确率。若分类准确率较高，则可将建立的流动单元预测模型应用于非取心井流动单元定量评价。
xi＝(x1i，x2i…xmi)(i＝n+1，n+2，…n+N) (8)
3.3算法应用
3.3.1原始样本提取
本发明以樊29块10口关键井的122个样本数据作为支持向量机模型的学习样本和测试样本，样本数据示例如表2所示。每个样本包括13个输入变量(x1，x2，…，x13)及1个输出变量(y)。其中，输入变量x涵盖了流动单元样本的所有特征(分别对应选取的13个流动单元评价参数)；输出变量y为流动单元的类别标签，以y＝{I，II，III，IV}表示，其中I类代表流动单元渗流能力最好，II类代表流动单元渗流能力次之，III类代表流动单元渗流能力一般，IV类代表流动单元渗流能力最差。
表2支持向量样本数据示例
3.3.2预测结果与分析
样本数据分配时，为避免训练样本过少而导致模型精度不佳或测试样本不足造成预测局限性。一般选取样本数据的1/2～2/3作为学习样本对模型进行训练。因此，随机选取70组学习样本组成训练集对模型进行训练，并建立SVM预测模型；选取52组测试样本对流动单元预测模型进行检验(表3)。通过70组学习样本的训练过程建立流动单元预测模型，即求出流动单元类别(y)与流动单元评价参数(x1，x2，…，x13)之间的关系式。训练结果表明，当C＝16777216，g＝0.002时，模型达到最优，此时的交叉检验精度为88.57％，具有较高的拟合度(图5)。计算结果如公式(6)所示，为一个“显式”的表达式：
y＝SVM(x1,x2，x3，…x13) (6)
式中：SVM表示非线性函数。该函数可以用公式(3)的形式具体给出，因此称为“显式”表达式，但由于样本维度较高，求得的公式太长而不必具体写出。利用52组测试样本对已建立的流动单元预测模型进行检验。结果表明，52组测试样本仅出现5个错判，测试样本的整体正判率为90.38％，具有较高的预测精度(表3)。错判的5个样本均为邻类流动单元之间的错判。其中，一个III类流动单元错判为II类，一个II类流动单元错判为I类，3个III类流动单元错判为IV类。推断误差出现的原因是由于学习样本不足(用70组学习样本对52组测试样本进行预测，学习样本数目略显不足)，但9.62％的错判率已经满足地质上的要求。
表3 SVM模型预测精度分析
4合理性验证
4.1流动单元与初始产能的相关性
随着开发阶段的深入，储层内压力会发生明显变化，进而影响产能的分布。因此，油井初期的产能最能科学的反映储层真实的渗流特征差异。不同类型流动单元的初始产能存在明显差异。同一类型流动单元，由于油层厚度、投产层位、投产时间的不同，初期产能也存在明显差异，总体呈现出投产时间越早，油层厚度越大，初始产能越高的趋势。为了保证对比结果的科学性，选取只投产一种流动单元，且投产时间、油层厚度相近的油井，分析不同类型流动单元初期产能的分布特征。研究发现，流动单元类型与油井初期产能分布存在明显的相关性。I类、II类流动单元对应的初期产能较高，油层平均每米日产油、日产液相对较高；III类流动单元对应的初期产能次之，油层平均每米日产油、日产液相对较低；IV类流动单元初期产能较差，动用程度较低(图6)。
4.2流动单元与吸水强度的相关性
通过对研究区吸水剖面统计结果分析表明：流动单元与吸水强度具有明显的相关性，不同类型流动单元吸水能力存在明显差异，同类流动单元吸水强度相似。其中，I类储层流动单元吸水能力最强，如F10-1井吸水强度为17.8m3/(d·m)，注水效果最好；II类储层流动单元，如F5-13井、F7-13井、F11-13井也表现出较强的吸水能力，注水效果较好；III类、IV类储层流动单元，如F5-9井、F7-9井、F11-15井，吸水能力较弱，注水效果较差(图7)。
由于不同层段砂体吸水强度存在差异性，注入水在各层的见效快慢不同。高渗透层与低渗透层存在渗流阻力差，注入水往往沿着高渗透层突进，导致层间矛盾突出日益严重，甚至可能出现注入水由低渗透层倒灌至高渗透层的现象。因此，在注水开发时为避免同一口井不同类型流动单元吸水能力存在的差异性，造成的水驱效果的差异性。应尽量避免同时射开不同类型的流动单元砂体，降低层间干扰，提高水驱效果。
4.3流动单元与水淹程度的相关性
流动单元的平面展布特征对注入水的流动速度和流动方向具有较大的影响，表现在平面上不同类型的流动单元注水见效快慢和水淹特征存在明显区别。本发明以大芦湖油田樊29块四砂层组的主力含油层系43小层为例，分析了储层流动单元与初期水淹程度的相关性(图8)。
发现，储层渗流能力与水淹程度存在明显的相关性，渗流能力较好的流动单元，初期含水率上升快，油层易发生水淹；渗透能力较差的流动单元水淹见效慢，初期含水率较低。此外，渗流屏障的发育也会影响注入水的渗流方向和渗流速度。研究区构造活动较弱，断层发育较少，仅局部发育少量钙质渗流屏障，因此主要分析泥质渗流屏障对水淹程度的影响。平面上，受渗流屏障遮挡作用的影响可能出现渗流能力较强的I类、II类流动单元水淹程度一般，如F6-12井、F8-8井、F14-17井及F5-13井储层渗流能力较强，但由于夹层厚度较大，渗流屏障较为发育，导致储层的初期水淹程度较低。虽然储层受渗流屏障等因素的影响，储层注水受效存在差异性，但平面上流动单元与水淹程度整体还是体现趋势对应关系。平面上，不同类型流动单元的水淹特征存在差异明显，中、高水淹区域主要分布于I类、II类流动单元中，低水淹区域主要分布于III类、IV类流动单元中。
综合以上分析表明，流动单元划分结果与区块的产能特征、储层吸水状况及水淹特征具有很好的匹配性，进而验证了流动单元划分的合理性。因此，采用支持向量机算法建立的流动单元预测模型能够较好的反映樊29块浊积扇储层的岩石物理特征，支持向量机算法为流动单元研究提供一种新的手段，具有较显著的分类效果，应用该算法开展流动单元研究具有广阔的前景。
5基于流动单元的剩余油分布规律
基于流动单元的剩余油预测，应与当前的开发阶段相吻合，不同开发阶段的剩余油分布不同。大芦湖油田樊29块浊积扇油藏于1992年投入开采，经过二十余年的注水开发，目前已进入中高含水的开发中晚期。本发明从生产动态资料入手，利用地质动态分析法，并结合物质平衡原理，从地质与生产动态资料相结合的角度开展剩余油研究。首先，依据地质资料，采用容积法计算全区的单井单层地质储量；其次，利用生产动态资料，求取各单井的产油量；最后，依据物质平衡原理，通过原始地质储量与产油量的差值得到剩余储量，进而求取各单层的剩余油饱和度。并以主力含油层系43小层为例，分析了流动单元控制下的剩余油分布模式(表4)。
表4 43小层不同类型流动单元储量统计表
不同类型流动单元内剩余油可动用储量及采出程度不同。其中，I类流动单元的储集物性、渗流能力最好，注水开发见效快，开采程度较高，采出程度为36.98％，但由于原始含油饱和度较高，仍有一定的剩余油富集，剩余地质储量占总剩余储量的11.00％。II类流动单元的渗流能力较好，仅次于I类流动单元，注水开发效果好，采出程度为25.65％，平均剩余油饱和度为35.27％，剩余地质储量占总剩余储量的28.78％，具有一定的挖潜空间，仍是今后开发的潜力区。III类流动单元的储集物性、渗流能力较差，注水开发效果差，采出程度为21.16％，但该类流动单元分布范围较广，剩余地质储量高，占总剩余地质储量的50％以上，平均剩余油饱和度为32.56％，因此是下一步挖潜的主要目标区。IV类流动单元的储集物性、渗流能力最差，注水开发效果差，水驱难以推进，油藏开采程度小于20％。但IV类流动单元内的原始含油饱和度较低，剩余油地质储量小，开采难度大，因此开采价值小，不作为下一步挖潜的目标区(表4)。此外，I类和II类、II类和III类、III类和IV类流动单元的边缘结合部位仍具有较高的剩余地质储量(图9)。
综合以上研究，总结出樊29块浊积扇油藏现今的剩余油潜力分布。I类流动单元注水开发效果好，开采程度较高，剩余油饱和度相对较低，剩余地质储量小，不再作为下一步挖潜的主要目标区。剩余油主要集中于II类、III类流动单元中，剩余地质储量高，是下一步调整挖潜的主要目标区。IV类流动单元内的原始含油饱和度较低，剩余油地质储量小，开采难度大，开采价值小，不作为下一步挖潜的目标区。此外，不同类型流动单元的边缘结合部位仍具有较高的剩余地质储量(图9、图10)。
1)在综合考虑影响流动单元分布的诸多因素的基础上，运用孔喉半径(R35)法并结合沉积特征、流动特征、物性特征及生产动态特征将取心井储层划分为I，II，III，IV四类流动单元。其中，I类、II类流动单元储集物性和渗流能力最好，具有较高的油井初期产能，主要发育于浊积水道及朵叶体微相；III类流动单元的储集物性和渗流能力次之，常呈大面积连片分布，在浊积水道、水道侧缘及中扇侧缘微相均有发育。IV类流动单元渗流能力最差，仅发育在中扇侧缘及扇缘微相，初期产能较差，动用程度较低。
2)在取心井流动单元划分的基础上，选取了13个与浊积扇低渗储层渗流特征相关的储层特征参数，采用支持向量机算法开展未取心井流动单元定量评价，并通过对52组测试样本的检验可知支持向量机预测模型的正判率达90.38％，具有较高的预测精度。利用生产动态资料对流动单元划分结果进行验证。结果表明，流动单元划分结果与油井初期产能、吸水特征及水淹特征具有较强的相关性，说明基于支持向量机的流动单元划分结果是合理的，具有显著的分类效果，利用该算法开展流动单元研究具有广阔的前景。
3)通过流动单元与剩余油的叠合分析，总结出流动单元控制下的剩余油潜力分布。I类流动单元注水开发见效快，开采程度最高，剩余地质储量小，不再作为下一步挖潜的重点。当前剩余油主要集中于II类、III类流动单元中，剩余地质储量高，是下一步调整挖潜的主要目标区。此外，不同类型流动单元的边缘结合部位仍具有较高的剩余地质储量。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于支持向量机算法的流动单元信息分类识别方法，其特征在于，所述基于支持向量机算法的流动单元信息分类识别方法包括以下步骤：
第一步，样本集合的确定及数据预处理；并采用MATLAB中的mapminmax函数完成样本数据的归一化处理；
第二步，采用C-SVM分类技术，进行模型构建及参数寻优；
第三步，利用测试样本对建立的预测模型进行预测与检验。
2.如权利要求1所述的基于支持向量机算法的流动单元信息分类识别方法，其特征在于，所述第一步包括：一个包含有n组流动单元样本数据的样本集，每组样本中有m+1个储层参数，x1i，x2i，…，xmi，yi，i＝1，2，…，n；其中，n＞m-1；将包含有前m个储层参数的n个样本定义为n个向量：
xi＝(x1i，x2i...xmi)(i＝1，2，...n)；
通过分析流动单元已知样本集输入特征xi和输出结果yi间的映射关系，建立最优的分类函数y＝f(x)，实现对未知样本流动单元类型的预测：
3.如权利要求1所述的基于支持向量机算法的流动单元信息分类识别方法，其特征在于，所述第二步包括：采用C-SVM分类技术通过增加惩罚参数C，控制错分样本的数量，得到的分类函数是一个关于向量x的非线性表达式：
式中，α表示拉格朗日乘子向量，α＝(α1，α2，α3，...αn)0≤αi≤C；C表示对错误分类的惩罚程度，C大于0，约束条件是
exp(-g||x-xi||2)是实现非线性映射的高斯核函数；g为高斯核参数，g大于0；b表示为分类阈值，通过任意一组支持向量xi求得，当αi＞0时的xi；
αi、C、g均可由下式求得，是一个二次型寻优问题，存在最优解；
4.如权利要求3所述的基于支持向量机算法的流动单元信息分类识别方法，其特征在于，建立支持向量机预测模型的步骤如下：利用n组学习样本对模型进行训练，以求取分类函数，公式y＝SVM(x1，x2，x3，...x13)；其次，将n组学习样本代入公式y＝SVM(x1，x2，x3，...x13)，求得每组学习样本所对应的预测值y1，y2，…，yn，根据预测结果检验算法的拟合精度。
5.如权利要求1所述的基于支持向量机算法的流动单元信息分类识别方法，其特征在于，第三步模型预测与检验，利用公式的N组测试样本对建立的预测模型进行检验；将N组测试样本代入公式y＝SVM(x1，x2，x3，...x13)，计算出每组测试样本所对应的预测值yn+1，yn+2，…，yn+N，并根据预测结果计算模型的分类准确率；分类准确率满足生产需求，则将建立的流动单元预测模型应用于非取心井流动单元定量评价；
xi＝(x1i，x2i...xmi)(i＝n+1，n+2，...n+N)。
6.如权利要求1所述的基于支持向量机算法的流动单元信息分类识别方法，其特征在于，所述基于支持向量机算法的流动单元信息分类识别方法的流动单元定量评价参数的选取依据及对储层流动单元渗流能力的影响包括：
1)储集特征参数，孔隙度
渗透率K及含油饱和度So反映储层储集能力的重要特征参数；孔隙度、渗透率，是反映储层宏观物性特征的参数；含油饱和度，反映储层流体特征；
2)孔隙结构特征参数，孔喉半径R35、流动层段指标FZI及油藏品质指数RQI反映储层的微观孔隙结构特征和流动特征；
3)沉积特征参数，沉积微相、砂岩厚度H及泥质含量Vsh反映储层沉积特征的评价参数；沉积微相，对不同类型的沉积微相进行赋值(本发明实施例的各沉积微相赋值为：水道主体、朵叶体赋值为1，水道侧缘赋值为0.67，水道间、中扇侧缘、扇缘赋值为0.33，湖泥赋值为0)；砂岩厚度，选取砂岩厚度作为流动单元评价参数；泥质含量，反映储层岩性特征；
4)非均质特征参数，渗透率突进系数Tk和级差Jk，反映储层非均质性的重要参数；隔夹层厚度Dh和隔夹层密度Dk，选取非均质性特征参数作为流动单元的评价参数。
7.一种应用权利要求1～6任意一项所述基于支持向量机算法的流动单元信息分类识别方法的信息数据处理终端。
8.一种如权利要求1～6任意一项所述基于支持向量机算法的流动单元信息分类识别方法在剩余油潜力预测中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910889252.7A CN110717301B (zh) | 2019-09-19 | 2019-09-19 | 一种基于支持向量机算法的流动单元信息分类识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910889252.7A CN110717301B (zh) | 2019-09-19 | 2019-09-19 | 一种基于支持向量机算法的流动单元信息分类识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110717301A true CN110717301A (zh) | 2020-01-21 |
| CN110717301B CN110717301B (zh) | 2024-06-28 |
Family
ID=69210642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910889252.7A Active CN110717301B (zh) | 2019-09-19 | 2019-09-19 | 一种基于支持向量机算法的流动单元信息分类识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110717301B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111239820A (zh) * | 2020-02-19 | 2020-06-05 | 西南石油大学 | 一种基于井震模式拟合的深海朵叶储层构型表征方法 |
| CN111723858A (zh) * | 2020-06-16 | 2020-09-29 | 中冶宝钢技术服务有限公司 | 基于svm的料堆质量估算方法、装置、电子设备和介质 |
| CN111749688A (zh) * | 2020-08-10 | 2020-10-09 | 西南石油大学 | 一种优势渗流通道发育层位和方向的预测方法 |
| CN112560246A (zh) * | 2020-12-07 | 2021-03-26 | 中海石油(中国)有限公司 | 一种目标井散点地层压力系数的预测方法 |
| CN112576238A (zh) * | 2020-12-02 | 2021-03-30 | 中国石油大学(华东) | 一种低渗透油藏剩余油位置与含量测定系统、方法及应用 |
| CN112598340A (zh) * | 2021-03-04 | 2021-04-02 | 成都飞机工业（集团）有限责任公司 | 一种基于不确定性支持向量机的数据模型比较方法 |
| CN113723169A (zh) * | 2021-04-26 | 2021-11-30 | 中国科学院自动化研究所 | 基于SlowFast的行为识别方法、系统及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104992178A (zh) * | 2015-06-16 | 2015-10-21 | 中国石油化工股份有限公司 | 基于支持向量机模拟交会图的致密砂岩流体类型识别方法 |
| CN106545337A (zh) * | 2016-11-25 | 2017-03-29 | 西南石油大学 | 一种基于支持向量机的沉积微相测井识别方法 |
| CN107590506A (zh) * | 2017-08-17 | 2018-01-16 | 北京航空航天大学 | 一种基于特征处理的复杂设备故障诊断方法 |
-
2019
- 2019-09-19 CN CN201910889252.7A patent/CN110717301B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104992178A (zh) * | 2015-06-16 | 2015-10-21 | 中国石油化工股份有限公司 | 基于支持向量机模拟交会图的致密砂岩流体类型识别方法 |
| CN106545337A (zh) * | 2016-11-25 | 2017-03-29 | 西南石油大学 | 一种基于支持向量机的沉积微相测井识别方法 |
| CN107590506A (zh) * | 2017-08-17 | 2018-01-16 | 北京航空航天大学 | 一种基于特征处理的复杂设备故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 周炜;马德胜;唐仲华;杨思玉;: "储层流动单元评价及剩余油分布:以辽河油田沈95区块为例", 地质科技情报, no. 03, 15 May 2013 (2013-05-15) * |
| 徐守余;路研;王亚;: "基于支持向量机的浊积扇低渗透储层流动单元研究", 吉林大学学报(地球科学版), no. 05, 20 September 2018 (2018-09-20) * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111239820A (zh) * | 2020-02-19 | 2020-06-05 | 西南石油大学 | 一种基于井震模式拟合的深海朵叶储层构型表征方法 |
| CN111239820B (zh) * | 2020-02-19 | 2022-03-08 | 西南石油大学 | 一种基于井震模式拟合的深海朵叶储层构型表征方法 |
| CN111723858A (zh) * | 2020-06-16 | 2020-09-29 | 中冶宝钢技术服务有限公司 | 基于svm的料堆质量估算方法、装置、电子设备和介质 |
| CN111749688A (zh) * | 2020-08-10 | 2020-10-09 | 西南石油大学 | 一种优势渗流通道发育层位和方向的预测方法 |
| CN112576238A (zh) * | 2020-12-02 | 2021-03-30 | 中国石油大学(华东) | 一种低渗透油藏剩余油位置与含量测定系统、方法及应用 |
| CN112560246A (zh) * | 2020-12-07 | 2021-03-26 | 中海石油(中国)有限公司 | 一种目标井散点地层压力系数的预测方法 |
| CN112560246B (zh) * | 2020-12-07 | 2024-04-26 | 中海石油(中国)有限公司 | 一种目标井散点地层压力系数的预测方法 |
| CN112598340A (zh) * | 2021-03-04 | 2021-04-02 | 成都飞机工业（集团）有限责任公司 | 一种基于不确定性支持向量机的数据模型比较方法 |
| CN113723169A (zh) * | 2021-04-26 | 2021-11-30 | 中国科学院自动化研究所 | 基于SlowFast的行为识别方法、系统及设备 |
| CN113723169B (zh) * | 2021-04-26 | 2024-04-30 | 中国科学院自动化研究所 | 基于SlowFast的行为识别方法、系统及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110717301B (zh) | 2024-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110717301B (zh) | 一种基于支持向量机算法的流动单元信息分类识别方法 | |
| CN107703560B (zh) | 一种基于三重信息的泥页岩岩相精细识别方法 | |
| CN104747185B (zh) | 非均质油藏储层综合分类评价方法 | |
| CN108846540B (zh) | 致密砂岩气田的采收率标定方法及装置 | |
| CN104965979A (zh) | 一种致密砂岩有效储层识别方法 | |
| CN104747144B (zh) | 一种基于天然气多层系分压合求的地质选层方法 | |
| CN106842307A (zh) | 一种基于正演约束下波形分类再检索的储层精细预测方法 | |
| CN110608023B (zh) | 稠油分层注汽的适应性界限分析评价方法 | |
| CN107965318A (zh) | 一种火山岩油藏有效储层定量分类的方法 | |
| CN104564006A (zh) | 一种低渗气井压裂产水能力判断方法 | |
| CN107165621B (zh) | 一种利用聚类方法识别多井沉积微相的方法 | |
| CN104251137A (zh) | 河流相厚油层层内夹层识别预测方法 | |
| CN108088779B (zh) | 一种致密储层和常规储层储集空间分类方法 | |
| CN110242291A (zh) | 一种超强非均质油气储层非均质性表征方法 | |
| CN114994789A (zh) | 基于动静态信息融合的致密气藏河道砂体连通性验证方法 | |
| CN108561129A (zh) | 小断块油藏油水过渡带剩余油快速评价方法 | |
| CN109239783B (zh) | 一种井震结合中取舍地震信息的方法 | |
| Zhao et al. | Streamline simulation based vector flow field characterization and reconstruction method for high water cut reservoir | |
| Su et al. | Application of ultra-deep sandstone reservoirs prediction technology under controlled seismic facies in Yudong block of Tabei Uplift, Tarim Basin, China | |
| CN111287739B (zh) | 一种基于地层原油粘度的剩余油分布预测方法 | |
| CN115506788A (zh) | 底水稠油油藏夹层品质判别方法 | |
| CN107060744A (zh) | 一种测井地质评价系统 | |
| Fu et al. | Artificial Intelligence Method of Flow Unit Division Based on Waveform Clustering: A Case Study on Zhetybay Oil Field, South Mangyshalk Basin, Kazakhstan | |
| CN113818859B (zh) | 一种低渗透油藏的极限井距确定方法、判定方法与装置 | |
| Su et al. | Genetic mechanism and prediction of the distribution of thief zones in the Donghe sandstone reservoir in the Hade Oilfield |
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 |