CN110824563A - 一种基于Xgboost算法的储层岩性预测方法 - Google Patents
一种基于Xgboost算法的储层岩性预测方法 Download PDFInfo
- Publication number
- CN110824563A CN110824563A CN201910997740.XA CN201910997740A CN110824563A CN 110824563 A CN110824563 A CN 110824563A CN 201910997740 A CN201910997740 A CN 201910997740A CN 110824563 A CN110824563 A CN 110824563A
- Authority
- CN
- China
- Prior art keywords
- data
- seismic attribute
- lithology
- seismic
- attribute data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000010521 absorption reaction Methods 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012952 Resampling Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000007480 spreading Effects 0.000 claims description 3
- 238000003892 spreading Methods 0.000 claims description 3
- 208000035126 Facies Diseases 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000009897 systematic effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005553 drilling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
- G01V1/362—Effecting static or dynamic corrections; Stacking
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于Xgboost算法的储层岩性预测方法：叠后地震属性提取，获得振幅类、频率类、时间类及吸收衰减类地震属性体；地震属性时深转换，获得深度域地震属性体；对测井岩性数据和深度域地震属性数据重采样，获得纵向采样精度一致的测井岩性数据和深度域地震属性数据；地震属性数据归一化处理，获得无量纲地震属性数据体；提取地震属性数据的井旁道数据，获得与测井岩性数据在同深度对应的各类井旁道地震属性数据；模型训练，采用Xgboost算法获得储层岩性预测体；模型评估，通过修改Xgboost算法中的敏感参数，优化算法模型，获得最佳储层岩性预测数据体。本发明能够提高储层岩性预测的精度和准确率。
Description
技术领域
本发明涉及油气藏勘探开发领域，更具体的说，是涉及一种基于Xgboost算法的储层岩性预测方法。
背景技术
目前油气勘探开发行业常用储层岩性预测方法包括基于地震信息的储层岩性反演、沉积(微)相模式约束的储层岩性预测、基于生产资料的储层岩性预测，或以上方法的综合运用。
基于地震信息的储层岩性预测是目前业内常用并且有效的方法，但也存在问题，主要表现为：由叠前或叠后地震数据，经过数学变换而得出的有关地震波的几何学、运动学、动力学或统计学特征的地震属性，与地下地质目标间的对应关系往往并不唯一，多数地震属性是构造、地层、岩性与油气等综合因素的反映；地震资料一般受分辨率限制，对薄储层岩性预测很难实现。
基于沉积(微)相模式约束的储层岩性预测存在的问题是相模式的多样性，决定了井间储层岩性预测的多解性，而且相研究大多都应用了地震资料，与基于地震信息的储层岩性预测存在同样问题。
基于生产资料的储层岩性预测很大程度依赖于生产资料的丰富程度，大多数油田很难取得系统、丰富的生产资料。
以上三种方法的综合应用除了系统、丰富的资料以外，研究者的经验往往起决定性作用。因此在资料不系统、不完善情况下，如何实现不依赖于研究者经验的高效、高精度储层岩性预测是该方法实现的目标。
随着石油行业大数据时代的到来，基于机器学习、模糊逻辑、案例推理等领域的人工智能研究，正在催生具有多知识库、多主体的第四代大型多专家协作系统，帮助深度挖掘油气行业潜力。
发明内容
本发明的目的是为了解决应用常规技术预测复杂地质体岩性时，受资料少、不系统、分辨率低等限制，岩性识别精度低，预测风险大等难题，提出一种基于Xgboost算法的储层岩性预测方法，以提高储层岩性预测的精度和准确率。
本发明的目的是通过以下技术方案实现的。
本发明基于Xgboost算法的储层岩性预测方法，包括以下过程：
步骤一：叠后地震属性提取，获得振幅类、频率类、时间类及吸收衰减类地震属性体；
步骤二：地震属性时深转换，获得深度域地震属性体；
步骤三：将各深度域地震属性体和测井岩性数据分别粗化至地质模型中，对测井岩性数据和深度域地震属性数据重采样，获得纵向采样精度一致的测井岩性数据和深度域地震属性数据；
步骤四：地震属性数据归一化处理，获得无量纲地震属性数据体；
步骤五：提取步骤四处理的地震属性数据的井旁道数据，获得与测井岩性数据在同深度对应的各类井旁道地震属性数据；
步骤六：模型训练，采用Xgboost算法获得储层岩性预测体；
步骤七：模型评估，通过修改Xgboost算法中的敏感参数，优化算法模型，获得最佳储层岩性预测数据体。
步骤二具体过程包括：以单井时深关系资料(VSP资料)、时间层位解释数据为基础，利用协同克里金算法，建立工区内速度模型；以速度模型为约束，将步骤一提取的各类地震属性体进行时深转换，获得深度域振幅类、频率类、时间类及吸收衰减类地震属性体。
步骤六具体过程包括：以步骤三粗化的测井岩性数据和步骤五提取的井旁道地震属性数据为训练对象，通过Xgboost方法，训练单井岩性数据与井旁道地震属性之间的复杂非线性关系，形成训练模型；将步骤四的各类地震属性数据带入训练模型中，推算井间各网格中的岩性分布数据，得到三维储层岩性预测体。
步骤七具体过程包括：通过调整Xgboost算法中的敏感参数，不断优化算法模型，获得与已知数据吻合，与生产特征吻合，与岩相平面分布与纵向展布特征与地质认识一致的预测数据体。
与现有技术相比，本发明的技术方案所带来的有益效果是：
本发明通过将Xgboost算法融入到储层岩性预测过程中，利用Xgboost算法强大的集成学习能力，自动提取地震数据的隐藏特征，拟合地震数据与测井数据关系，获取更为可靠、客观的储层岩性预测体，提高工作效率。
附图说明
图1：本发明实施例中提取的地震属性数据；
图2：本发明实施例的测井解释数据与地震属性数据重采样结果；
图3：本发明实施例的Xgboost算法预测的储层岩性预测体；
图4：本发明实施例的测井解释数据与Xgboost算法预测数据对比图；
图5、图6：本发明实施例方法(图5)与原储层岩性预测(图6)效果对比。
具体实施方式
下面结合附图对本发明作进一步的描述。
本发明基于Xgboost算法的储层岩性预测方法，包括以下过程：
步骤一：叠后地震属性提取，分别提取获得振幅类、频率类、时间类及吸收衰减类等地震属性体，如图1。
步骤二：地震属性时深转换，获得深度域地震属性体。
以单井时深关系资料(VSP资料)、时间层位解释数据为基础，利用协同克里金算法，建立工区内速度模型；以速度模型为约束，将步骤一提取的各类地震属性体进行时深转换，获得深度域振幅类、频率类、时间类及吸收衰减类地震属性体。
步骤三：将各深度域地震属性体和测井岩性数据分别粗化至地质模型中，对测井岩性数据和深度域地震属性数据重采样，获得纵向采样精度一致的测井岩性数据和深度域地震属性数据，如图2。
步骤四：地震属性数据归一化处理，获得无量纲地震属性数据体。
将多量纲的地震属性数据体通过归一化处理，转化为无量纲的数据，便于不同单位或量级的指标进行比较和加权。
步骤五：井旁道地震属性数据提取
提取步骤四处理的各无量纲地震属性数据的井旁道数据，获得与测井岩性数据在同深度一一对应的各类井旁道地震属性数据。
步骤六：模型训练，采用Xgboost算法获得储层岩性预测体。
以步骤三粗化的测井岩性数据和步骤五提取的井旁道地震属性数据为训练对象，通过Xgboost方法，训练单井岩性数据与井旁道地震属性之间的复杂非线性关系，形成训练模型；将步骤四的各类地震属性数据带入训练模型中，推算井间各网格中的岩性分布数据，得到三维储层岩性预测体，如图3。
步骤七：模型评估，通过修改Xgboost算法中的敏感参数，优化算法模型，获得最佳储层岩性预测数据体。
通过调整Xgboost算法中的敏感参数，不断优化算法模型，获得与已知数据吻合，与生产特征吻合，与岩相平面分布与纵向展布特征与地质认识一致的预测数据体。
实施例：印尼Windri油田储层岩性预测
印尼Windri油田所涉工区70km2，拥有108口井的测井解释数据和地震资料。通过上述技术方案，对该工区的砂岩储层进行预测研究。
根据Windri油田的地震资料获取情况，按照步骤一分别提取振幅类、频率类、时间类及吸收衰减类等地震属性体。
按照步骤二(地震属性时深转换，获得深度域地震属性体)方法与流程，获得相应的深度域地震属性体。
按照步骤三(测井岩性数据和深度域地震属性数据重采样，获得纵向采样精度一致的测井数据和深度域地震属性数据)分别将测井数据和深度域地震属性数据粗化至工区地质模型当中。
按照步骤四(地震属性数据归一化处理，获得无量纲地震属性数据体)将各地震属性体用归一化公式做归一化处理。
按照步骤五(井旁道地震属性体数据提取)提取各无量纲地震属性数据的井旁道数据。
按照步骤六(模型训练，获得岩性预测体)通过Xgboost方法，训练单井岩性数据与井旁道地震属性之间的复杂非线性关系，形成训练模型；将步骤四的各类地震属性数据带入训练模型中，计算井间未知区域的岩性类型，得到三维岩性预测体。
按照步骤七(模型评估，获得最佳储层岩性预测数据)通过调整Xgboost算法中的敏感参数，不断优化算法模型，最终获得与Windri油田检验井数据吻合，如图4，预测岩性预测精度及准确度均比原岩性预测结果好，如图5-6。
通过本发明方法进行多地震属性的储层岩性预测，较原储层岩性反演的方法经过对比发现：工作效率提高近4倍，将储层岩性预测部分的工作时间由4周缩短至1周；预测精度提升近1.5倍，经过盲井验证，本发明方法的单井吻合度达到91％，而原方法，该吻合度仅有75％。
上述研究成果，指导Windri油田开发方案部署，取得了良好的效果，在调整井方案中，新钻井砂岩钻遇率高，砂体连通情况认识清楚。
尽管上面结合附图对本发明的功能及工作过程进行了描述，但本发明并不局限于上述的具体功能和工作过程，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以做出很多形式，这些均属于本发明的保护之内。
Claims (4)
1.一种基于Xgboost算法的储层岩性预测方法，其特征在于，包括以下过程：
步骤一：叠后地震属性提取，获得振幅类、频率类、时间类及吸收衰减类地震属性体；
步骤二：地震属性时深转换，获得深度域地震属性体；
步骤三：将各深度域地震属性体和测井岩性数据分别粗化至地质模型中，对测井岩性数据和深度域地震属性数据重采样，获得纵向采样精度一致的测井岩性数据和深度域地震属性数据；
步骤四：地震属性数据归一化处理，获得无量纲地震属性数据体；
步骤五：提取步骤四处理的地震属性数据的井旁道数据，获得与测井岩性数据在同深度对应的各类井旁道地震属性数据；
步骤六：模型训练，采用Xgboost算法获得储层岩性预测体；
步骤七：模型评估，通过修改Xgboost算法中的敏感参数，优化算法模型，获得最佳储层岩性预测数据体。
2.根据权利要求1所述的基于Xgboost算法的储层岩性预测方法，其特征在于，步骤二具体过程包括：以单井时深关系资料(VSP资料)、时间层位解释数据为基础，利用协同克里金算法，建立工区内速度模型；以速度模型为约束，将步骤一提取的各类地震属性体进行时深转换，获得深度域振幅类、频率类、时间类及吸收衰减类地震属性体。
3.根据权利要求1所述的基于Xgboost算法的储层岩性预测方法，其特征在于，步骤六具体过程包括：以步骤三粗化的测井岩性数据和步骤五提取的井旁道地震属性数据为训练对象，通过Xgboost方法，训练单井岩性数据与井旁道地震属性之间的复杂非线性关系，形成训练模型；将步骤四的各类地震属性数据带入训练模型中，推算井间各网格中的岩性分布数据，得到三维储层岩性预测体。
4.根据权利要求1所述的基于Xgboost算法的储层岩性预测方法，其特征在于，步骤七具体过程包括：通过调整Xgboost算法中的敏感参数，不断优化算法模型，获得与已知数据吻合，与生产特征吻合，与岩相平面分布与纵向展布特征与地质认识一致的预测数据体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910997740.XA CN110824563A (zh) | 2019-10-21 | 2019-10-21 | 一种基于Xgboost算法的储层岩性预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910997740.XA CN110824563A (zh) | 2019-10-21 | 2019-10-21 | 一种基于Xgboost算法的储层岩性预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110824563A true CN110824563A (zh) | 2020-02-21 |
Family
ID=69549783
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910997740.XA Pending CN110824563A (zh) | 2019-10-21 | 2019-10-21 | 一种基于Xgboost算法的储层岩性预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110824563A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111460739A (zh) * | 2020-04-24 | 2020-07-28 | 成都捷科思石油天然气技术发展有限公司 | 一种不同类型储层预测的方法 |
| CN111596354A (zh) * | 2020-05-11 | 2020-08-28 | 同济大学 | 一种机器学习框架下考虑空间约束的地震储层预测方法 |
| CN111983691A (zh) * | 2020-08-18 | 2020-11-24 | 北京北斗天巡科技有限公司 | 一种多模型融合的储层预测方法及软件系统 |
| CN112036430A (zh) * | 2020-06-05 | 2020-12-04 | 中国海洋石油集团有限公司 | 一种基于随机森林算法的储层含油性预测方法 |
| CN113393335A (zh) * | 2020-03-13 | 2021-09-14 | 中国石油天然气集团有限公司 | 基于多地震属性优化的储层油气预测方法及装置 |
| CN113642772A (zh) * | 2021-07-13 | 2021-11-12 | 重庆科技学院 | 基于机器学习的测井储层识别预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6374185B1 (en) * | 2000-02-18 | 2002-04-16 | Rdsp I, L.P. | Method for generating an estimate of lithological characteristics of a region of the earth's subsurface |
| CN106873033A (zh) * | 2017-03-13 | 2017-06-20 | 中国海洋石油总公司 | 一种基于神经网络的多属性地震信息融合裂缝预测的方法 |
| CN109345007A (zh) * | 2018-09-13 | 2019-02-15 | 中国石油大学(华东) | 一种基于XGBoost特征选择的有利储层发育区预测方法 |
| CN109919184A (zh) * | 2019-01-28 | 2019-06-21 | 中国石油大学(北京) | 一种基于测井数据的多井复杂岩性智能识别方法及系统 |
-
2019
- 2019-10-21 CN CN201910997740.XA patent/CN110824563A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6374185B1 (en) * | 2000-02-18 | 2002-04-16 | Rdsp I, L.P. | Method for generating an estimate of lithological characteristics of a region of the earth's subsurface |
| CN106873033A (zh) * | 2017-03-13 | 2017-06-20 | 中国海洋石油总公司 | 一种基于神经网络的多属性地震信息融合裂缝预测的方法 |
| CN109345007A (zh) * | 2018-09-13 | 2019-02-15 | 中国石油大学(华东) | 一种基于XGBoost特征选择的有利储层发育区预测方法 |
| CN109919184A (zh) * | 2019-01-28 | 2019-06-21 | 中国石油大学(北京) | 一种基于测井数据的多井复杂岩性智能识别方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| MOHAMMAD ALI SEBTOSHEIKH ET AL.: "Lithology prediction by support vector classifiers using inverted seismic attributes data and petrophysical logs as a new approach and investigation of training data set size effect on its performance in a heterogeneous carbonate reservoir", 《JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING》 * |
| 徐岩等: "松辽盆地徐深气田火山岩气藏地质约束-测井地震建模方法探讨", 《地球物理学报》 * |
| 李克文等: "一种基于机器学习的有利区评价新方法", 《特种油气藏》 * |
| 李国和等: "基于深度信念网络的多采样点岩性识别", 《地球物理学进展》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113393335A (zh) * | 2020-03-13 | 2021-09-14 | 中国石油天然气集团有限公司 | 基于多地震属性优化的储层油气预测方法及装置 |
| CN111460739A (zh) * | 2020-04-24 | 2020-07-28 | 成都捷科思石油天然气技术发展有限公司 | 一种不同类型储层预测的方法 |
| CN111596354A (zh) * | 2020-05-11 | 2020-08-28 | 同济大学 | 一种机器学习框架下考虑空间约束的地震储层预测方法 |
| CN111596354B (zh) * | 2020-05-11 | 2021-06-04 | 同济大学 | 一种机器学习框架下考虑空间约束的地震储层预测方法 |
| CN112036430A (zh) * | 2020-06-05 | 2020-12-04 | 中国海洋石油集团有限公司 | 一种基于随机森林算法的储层含油性预测方法 |
| CN111983691A (zh) * | 2020-08-18 | 2020-11-24 | 北京北斗天巡科技有限公司 | 一种多模型融合的储层预测方法及软件系统 |
| CN111983691B (zh) * | 2020-08-18 | 2023-10-13 | 郑州市混沌信息技术有限公司 | 一种多模型融合的储层预测方法及软件系统 |
| CN113642772A (zh) * | 2021-07-13 | 2021-11-12 | 重庆科技学院 | 基于机器学习的测井储层识别预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110824563A (zh) | 一种基于Xgboost算法的储层岩性预测方法 | |
| CN109061765B (zh) | 非均质薄砂岩互层油藏的圈闭评价方法 | |
| CN103454685B (zh) | 利用测井约束波阻抗反演预测砂体厚度的方法和装置 | |
| CN111257926B (zh) | 一种利用老旧地震资料进行古河谷铀储层预测的方法 | |
| CN104047597B (zh) | 含油气泥页岩地层测井曲线标准化方法 | |
| CN104698497B (zh) | 一种砂泥岩薄互层层位的精细标定方法 | |
| CN106842307B (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 | |
| CN102466815B (zh) | 三叠系碎屑岩油气藏识别方法 | |
| CN105044770A (zh) | 致密砂砾岩气藏储层定量预测方法 | |
| CN101236257A (zh) | 油井位置确定技术方法 | |
| CN105527653A (zh) | 一种基于地质信息的虚拟井构建方法 | |
| CN111983683B (zh) | 一种少井条件下盐下湖相灰岩储层预测方法和系统 | |
| CN105842733A (zh) | 页岩储层地震识别方法 | |
| CN103777245A (zh) | 基于地震资料的油气成藏条件定量评价方法 | |
| CN105629304A (zh) | 一种基于多属性的砂体叠合模式识别方法 | |
| CN111175819B (zh) | 井震多级约束的砂砾岩扇体沉积相带精细划分方法 | |
| CN106285642A (zh) | 一种基于地震资料的地层孔隙压力预测方法 | |
| CN105301647A (zh) | 区分灰质泥岩和砂岩的方法 | |
| CN109143337A (zh) | 一种浊积砂体储层建模方法 | |
| CN110988996A (zh) | 一种基于Adaboost回归算法的储层孔隙度预测方法 | |
| CN112505754B (zh) | 基于高精度层序格架模型的井震协同划分沉积微相的方法 | |
| CN103278852B (zh) | 利用地震数据体波形结构特征模型预测油气的方法 | |
| CN106990449B (zh) | 一种基于多维数据的陆相层序地层格架构建表征方法 | |
| CN106568918B (zh) | 页岩有机碳含量toc预测方法 | |
| CN103675906A (zh) | 用于提高复杂碎屑岩储层预测精度的多控储层预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |