CN110969272B - 一种基于测井数据概率统计预测油藏流动单元类型的方法 - Google Patents

一种基于测井数据概率统计预测油藏流动单元类型的方法 Download PDF

Info

Publication number
CN110969272B
CN110969272B CN201811136158.6A CN201811136158A CN110969272B CN 110969272 B CN110969272 B CN 110969272B CN 201811136158 A CN201811136158 A CN 201811136158A CN 110969272 B CN110969272 B CN 110969272B
Authority
CN
China
Prior art keywords
probability
type
flow unit
flow
values
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
Application number
CN201811136158.6A
Other languages
English (en)
Other versions
CN110969272A (zh
Inventor
索重辉
张卫华
刘卫华
薛诗桂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Petroleum and Chemical Corp
Sinopec Geophysical Research Institute
Original Assignee
China Petroleum and Chemical Corp
Sinopec Geophysical Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Petroleum and Chemical Corp, Sinopec Geophysical Research Institute filed Critical China Petroleum and Chemical Corp
Priority to CN201811136158.6A priority Critical patent/CN110969272B/zh
Publication of CN110969272A publication Critical patent/CN110969272A/zh
Application granted granted Critical
Publication of CN110969272B publication Critical patent/CN110969272B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Marine Sciences & Fisheries (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于测井数据概率统计预测油藏流动单元类型的方法，属于地球物理解释领域。该方法首先根据训练样本集建立每类流动单元对应的测井曲线的概率密度模板，然后将待预测分类的一组测井曲线值与每类流动单元对应的概率密度模板逐一进行比较，求出每种测井曲线值在每类流动单元中的概率值，最后利用概率值预测待预测分类的一组测井曲线值对应的油藏流动单元类型。本发明仅需提供训练样本数据，对测试数据直接输出分类结果，极大简化了传统的油藏流动单元分类过程。本发明还充分利用了各种测井信息，使得预测结果中蕴含了“不同测井曲线值的大小对不同流动单元类型划分的贡献大小不同”信息，测试结果更加可靠，分析过程更加直观可控。

Description

一种基于测井数据概率统计预测油藏流动单元类型的方法
技术领域
本发明属于地球物理解释领域，具体涉及一种基于测井数据概率统计预测油藏流动单元类型的方法。
背景技术
流动单元是侧向上和垂向上连续的储集层单元，其内部具有相似的影响流体流动的岩相特征和岩石物理特征，储层流动单元划分是研究油田剩余油分布的一种重要方法。常规的流动单元划分，通常是建立在沉积环境、成岩作用、构造因素、岩石微观孔隙结构和储层物性等研究和认识的基础上，通过分析地层流动带指数FZI(Flow Zone Index)、砂地比、渗透率、孔隙度、渗透率突进系数、渗透率均值系数和隔夹层分布密度等储层参数，对流动单元进行划分。不同的储层参数组合，可能导致不同的流动单元划分结果。
目前常见的流动单元分类方法，主要有精细沉积学研究方法、岩石物理相识别做法、FZI划分法、岩石物性三参数综合研究法、生产动态资料划分法、非均质综合指数法等。通过分析地质、测井、动态资料等，结合聚类分析、判别分析、神经网络分类等算法，进行划分。
对油田开发后期剩余油分布研究来说，流动单元划分是很重要的一项研究内容。但是传统分类方法考虑因素较多，计算过程复杂，工作量大，并且分类效果受多种因素影响。
发明内容
本发明的目的在于解决上述现有技术中存在的难题，提供一种基于测井数据概率统计预测油藏流动单元类型的方法，通过提供分类样本训练数据，用概率统计的方法自动计算各类流动单元各种测井曲线值的概率密度分布，依此为依据并结合各类流动单元所占比例，对待预测测井曲线的流动单元进行自动分类，极大简化了流动单元的分类过程，提高自动化水平，提高分类准确度。
本发明是通过以下技术方案实现的：
一种基于测井数据概率统计预测油藏流动单元类型的方法，所述方法首先根据训练样本集建立每类流动单元对应的测井曲线的概率密度模板，然后将待预测分类的一组测井曲线值与每类流动单元对应的概率密度模板逐一进行比较，求出每种测井曲线值在每类流动单元中的概率值，最后利用概率值预测待预测分类的一组测井曲线值对应的油藏流动单元类型。
所述方法包括：
假设油藏工区共有n种测井曲线，根据测井曲线值的不同，划分为m类流动单元；所述训练样本集包括Num个训练样本，每个训练样本包括n种测井曲线值，且每个训练样本的流动单元类型是已知的；所述待预测分类的一组测井曲线值包括n种测井曲线值；
第一步，对训练样本集中每个训练样本的所有测井曲线值和待预测分类的一组测井曲线值分别进行归一化处理，将所有测井曲线值归一化到0～1的范围内，即每种测井曲线值的最大值设为1，最小值设为0；
第二步，对训练样本集中的所有训练样本分别进行统计：统计各个训练样本中的第i类流动单元的第j种测井曲线的概率分布，并拟合得到每类流动单元对应的n个测井曲线的概率密度模板，其中，i∈1～m，j∈1～n；
第三步，将待预测分类的一组测井曲线值与第二步得到的各个概率密度模板逐一进行比较，共得到m×n个概率值；
第四步，将第三步得到的同一类流动单元的n个概率值相乘，得到该类流动单元的总概率值Pi；
第五步，将m类流动单元的总概率值Pi由大到小进行排序得到总概率值序列，判断总概率值序列中最大的总概率值是否与其他总概率值不属于同一个数量级，如果是，则判定待预测分类的一组测井曲线值的流动单元类型为最大的总概率值对应的流动单元类型，然后转入第七步；如果否，则找到属于同一数量级的前k个总概率值Pi；1<k≤m，然后转入第六步；
第六步，根据前k个总概率值Pi对应的流动单元在训练样本集中所占的比例，确定待预测分类的一组测井曲线值的流动单元类型；
第七步，输出待预测分类的一组测井曲线值的流动单元类型。
所述第二步中的拟合得到每类流动单元对应的n个测井曲线的概率密度模板的操作包括：
利用统计得到的所有训练样本中的第i类流动单元的第j种测井曲线的概率分布，采用高斯曲线进行拟合得到每类流动单元对应的n个概率密度曲线，所述概率密度曲线所在的坐标图即为概率密度模板；所述概率密度模板的横坐标是归一化后的测井曲线值，纵坐标是概率；
在概率密度曲线中设有调节参数c，c的值越大，拟合程度越低，c的值越小，拟合程度越高。
所述第三步的操作包括：
设待预测分类的一组测井曲线值分别为L1,L2,L3,…,Ln，将其分别与第i 类流动单元的概率密度模板进行比较得到每个测井曲线值对应第i类流动单元的概率，包括：L1对应第i类流动单元的概率Pi L1,L2对应第i类流动单元的概率Pi L2,以此类推，直到Ln对应第i类流动单元的概率Pi Ln；依次对m类流动单元处理完后，共得到的m×n个概率值。
所述将其分别与第i类流动单元的概率密度模板进行比较得到每个测井曲线值对应第i类流动单元的概率的操作包括：
依次对n种测井曲线值中的每种测井曲线值进行以下处理：
在第i类流动单元的概率密度模板中，过该种测井曲线值对应的横坐标上的点做垂直线，过该垂直线与概率密度曲线的交点做水平线，该水平线与纵坐标的交点对应的数值即为该种测井曲线值的概率。
所述第四步的操作包括：
依次对每一类流动单元进行以下处理：
总概率值Pi＝Pi L1×Pi L2×…×Pi Ln，Pi的大小代表了待预测分类的一组测井曲线属于第i类流动单元的概率。
所述第六步的操作包括：
分别统计前k个总概率值Pi对应的流动单元在训练样本集中所占的比例；
按照前k个总概率值Pi对应的流动单元在训练样本集中所占的比例给待预测分类的一组测井曲线值分配流动单元类型，使预测出的流动单元类型中的每类流动单元所占的比例与该类流动单元在训练样本集中所占的比例相同。
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计算机可执行的至少一个程序，所述至少一个程序被所述计算机执行时使所述计算机执行本发明的基于测井数据概率统计预测油藏流动单元类型的方法中的步骤。
与现有技术相比，本发明的有益效果是：本发明仅需提供训练样本数据，对测试数据直接输出分类结果，极大简化了传统的油藏流动单元分类过程。此外，本发明还充分利用了各种测井信息，使得预测结果中蕴含了“不同测井曲线值的大小对不同流动单元类型划分的贡献大小不同”信息，测试结果可靠，预测效果可用模板概率密度曲线的拟合参数c调节控制，相对于神经网络、深度学习等分类方法，本发明的分析过程更加直观可控。本发明不但可用于油田开发剩余油的流动单元划分，还可以应用于测井岩性分类、测井沉积微相分类等类似的石油地质研究工作中。
附图说明
图1为本发明测井概率统计预测流动单元类型的流程图(图中FZI为Flow ZoneIndex简写)；
图2-1为1类流动单元的训练样本的概率密度模板，参数c＝0.001；
图2-2为2类流动单元的训练样本的概率密度模板，参数c＝0.001；
图2-3为3类流动单元的训练样本的概率密度模板，参数c＝0.001；
图3-1为1类流动单元的训练样本的概率密度模板，参数c＝0.2；
图3-2为2类流动单元的训练样本的概率密度模板，参数c＝0.2；
图3-3为3类流动单元的训练样本的概率密度模板，参数c＝0.2；
图4-1依据图2-1的训练模板对100组测试样本预测结果的质控显示；
图4-2依据图2-2的训练模板对100组测试样本预测结果的质控显示；
图4-3依据图2-3的训练模板对100组测试样本预测结果的质控显示；
图5-1依据图3-1训练模板对100组测试样本预测结果的质控显示；
图5-2依据图3-2训练模板对100组测试样本预测结果的质控显示；
图5-3依据图3-3训练模板对100组测试样本预测结果的质控显示。
具体实施方式
下面结合附图对本发明作进一步详细描述：
本发明针对传统油藏流动单元类型划分方法复杂，效率低的特点，提出了一种通过建立概率统计训练模板，输入测井数据组，直接依据模板预测油藏流动单元类型的方法。通过提供流动单元分类的训练样本数据，建立不同流动单元对应不同测井曲线的概率密度模板，然后将待预测分类的一组测井曲线值与这些不同模板逐一比较，求出每种测井曲线值在每个流动单元中的概率值，再将同一流动单元类型所有测井曲线的概率值相乘，得到该流动单元总的概率。最后，比较不同流动单元的总概率，取最大概率对应的流动单位为预测结果。
本发明的方法具体如图1所示，包括：
首先，假设某油藏工区共有n种测井曲线，根据测井曲线值的不同，可划分为m类流动单元。
第一步，对样本数据和待测试数据分别进行归一化预处理，将不同测井曲线值的范围归一化到0～1范围；样本数据指训练样本集，所述训练样本集包括Num个训练样本，每个训练样本包括n种测井曲线值；待测试数据指待预测分类的一组测井曲线值，所述待预测分类的一组测井曲线值包括n种测井曲线值。
第二步，制作该工区的训练样本集(可以利用其他前期的流动单元划分结论，对相应的测井曲线进行标定)：对n种测井曲线，m类流动单元，分别统计训练样本集中的第i类流动单元(i∈1～m)的第j种测井曲线(j∈1～n)概率分布，并拟合出相应的概率密度曲线，生成的概率密度曲线所在的坐标图即为训练样本的概率密度模板(如图2-1到图2-3、图3-1到图3-3所示)。拟合曲线的方法有很多种，有多项式拟合、样条插值等，本发明中为了使拟合曲线的趋势与统计分布值更加吻合，并且不出现负值，故采用了高斯曲线(即正态分布曲线) 叠加后求均值的方法，模拟样本分布，
Figure RE-GDA0001848105320000061
其中μk是每一个样本标准化后的测井值，范围在0-1之间；Num为样本总数量；c为调节参数，控制函数形态的的拟合精度；X为测井值的等距离离散采样点，范围在0-1之间；Y为对应X点的拟合概率密度值，范围在0-1之间。为了更好地拟合概率密度曲线，本发明设置了调节参数c，参数c的值越大，拟合程度越低； c的值越小，拟合程度越高(如图2-1到图2-3、图3-1到图3-3所示)。参数c 反映了概率密度曲线与实际分布吻合程度的趋势，可用来对训练模板进行质控和调节。以3类流动单元，5种测井曲线为例，图2-1到图2-3，以及图3-1到图3-3是参数c取不同值时的比较，其中图2-1到图2-3中的参数c＝0.001；图3-1到图3-3中的参数c＝0.2。
第三步，将待预测分类的一组测井曲线值与第二步得到的概率密度模板逐一进行比较，得出所有流动单元类所有测井曲线值分别出现的概率。举例来说，如有一组待测样本，n种测井数值分别为(L1,L2,L3,…,Ln)，将其分别与第i 类(i∈1～m)流动单元的概率密度模板比较，依据该值在模板中对应位置的概率密度曲线(概率密度曲线的横坐标是标准化后的测井数值，范围在0-1之间；纵坐标是概率，概率值小于1。根据概率密度的定义，所有测井值的累计概率之和等于1，所以每一个范围内的测井值对应的概率必定小于1)，可得到第i类流动单元的第1种测井曲线值为L1时的概率Pi L1(通过测井数值对应的横坐标上的点做垂直线，过该垂直线与曲线的交点做水平线，该水平线与纵坐标的交点对应的数值即概率值),第i类流动单元的第2种测井曲线值为L2时的概率 Pi L2,…,第i类流动单元的第n种测井曲线值为Ln时的概率Pi Ln。直至与所有类别的流动单元均比较完(共m类)，共得到m×n个概率值。
第四步，针对待预测分类的一组测井曲线值，将第三步得到的同一类流动单元的n个测井曲线的概率值相乘，即得到该类流动单元总的概率值 Pi＝Pi L1×Pi L2×…×Pi Ln，则Pi值(i∈1～m)的大小代表了待预测分类测井曲线(L1,L2, L3,…,Ln)属于第i类流动单元的概率大小。
第五步，对所有的Pi值(i∈1～m)由大到小进行排序得到序列，如果Pi序列中最大值Max(Pi)远大于其他Pi值(“远大于”即最大值与其它值不在同一个数量级)，则说明待预测分类测井曲线(L1,L2,L3,…,Ln)属于Max(Pi)对应的流动单元类别。否则，找到前k个(1<k≤m)位于同一数量级的Pi值(Pi值越大，说明它属于第i种流动单元的可能性(概率)越大。但是，如果前k个较大的 Pi值都在同一数量级，则说明这一组测井曲线的流动单元类别区分性不好，成为这种流动单元的可能性概率在同一个水平，因此需要进一步考虑这几种流动单元出现的几率大小来判断有可能属于哪一种流动单元)，然后转至第六步。
第六步，依据前k个(1<k≤m)最大的Pi值对应的流动单元类型占总训练样本数量的比例，给待预测分类的一组测井曲线值(L1,L2,L3,…,Ln)随机分配流动单元类型，使得最终预测的流动单元种类数量比例符合实际情况。具体如下：根据样本中这k种流动单元出现的几率大小，随机选择一个流动单元进行赋值，但使总的预测结果中各类流动单元的概率分布与其在统计样本中出现的分布一致。如统计样本中第i类流动单元占总体的40％，第j类流动单元个数占总体的20％，则预测结果中的i，j类流动单元数量也分别占总数量的40％和20％左右。
图2-1到图2-3与图3-1到图3-3的区别在于调整了模板的概率拟合曲线吻合程度，可以看出，前者拟合程度接近真实分布；后者拟合程度低，仅大体反映了概率变化整体趋势。
本发明的一个实施例如下：
这里用已标定好流动单元类型的100组测井曲线样本数据(即训练样本集包括了100个训练样本)进行了测试，每个训练样本包含5种测井曲线值(分别为声波时差AC、自然伽马GR、八侧向电阻率RFOC、深感应电阻率RILD、中感应电阻率RILM)，共分为3类流动单元。为了方便验证，将3类流动单元分段排列，其中第1～40组测试数据设为1类流动单元，第41～58组测试数据设为2 类流动单元，第59～100组测试数据设为3类流动单元。
第一步，先将所有训练样本及测试测井值归一化在0～1之间。
第二步，依据训练样本拟合出概率密度曲线，生成图2-1到图2-3的概率密度模板，该模板包含了每一种流动单元类别对应不同测井曲线的概率密度分布情况。
第三步，将每一组测试样本(此处是为了验证可靠性，使用的是训练样本) 与图2-1到图2-3模板对照，依据该值所在模板的位置从概率密度曲线上提取出相应的概率值，得到图4-1到图4-3所示的预测结果(图4-1到图4-3中的横坐标为样本序号，纵坐标为概率值)。图4-1到图4-3中的上部第一行代表100 个样本的AC值分别属于1类流动单元、2类流动单元和3类流动单元的概率；第二行代表100个样本的GR值分别属于1类流动单元、2类流动单元和3类流动单元的概率；依次类推，第五行代表100个样本的RILM值分别属于1类流动单元、2类流动单元和3类流动单元的概率。
第四步，按照流动单元对应的类型，将图4-1到图4-3中上边5行概率图沿纵向方向依次相乘，得到其下面一行(第六行)总的流动单元类别预测概率图。该曲线展示了对100个测试样本的预测结果，可以看出：第1类流动单元前40个样本的概率值明显高于其他样本；第2类流动单元高概率样本主要集中在41～58组范围之间；第3类流动单元高概率样本主要分布在59组以后。其显示结果与流动单元的实际标定情况吻合程度非常高，也进一步验证了本发明的可靠性。
图5-1到图5-3的预测结果是由图3-1到图3-3的训练模板概率密度拟合曲线得到的，其预测效果相比图4-1到图4-3明显变差，说明拟合参数c在预测结果中其到重要作用。c值越低，拟合程度越高，预测结果对模板依赖程度愈高。在实际应用中，应通过质控显示，调整c选取一个合理数值。
测试结果显示，对于训练样本数据的识别率可以得到95％以上，而对于其他样本以外的数据，识别正确率可以达到80％以上。当然，预测效果也受训练样本数据的准确性影响，好的训练样本数据会明显提高预测结果，差的训练样本数据也会降低预测准确率。
本发明无需考虑沉积、成岩、构造等地质因素影响，但又充分利用了各种测井曲线所蕴含的地质信息，考虑了不同测井值的大小对流动单元类型有概率上的影响，分类的结果也符合实际的概率分布。不同于神经网络分类方法的黑箱操作，本发明操作过程参数可调，训练样本模板和预测概率结果可随时监控，分类效率和准确率较高。
上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。

Claims (7)

1.一种基于测井数据概率统计预测油藏流动单元类型的方法，其特征在于：所述方法首先根据训练样本集建立每类流动单元对应的测井曲线的概率密度模板，然后将待预测分类的一组测井曲线值与每类流动单元对应的概率密度模板逐一进行比较，求出每种测井曲线值在每类流动单元中的概率值，最后利用概率值预测待预测分类的一组测井曲线值对应的油藏流动单元类型；
所述方法包括：
假设油藏工区共有n种测井曲线，根据测井曲线值的不同，划分为m类流动单元；所述训练样本集包括Num个训练样本，每个训练样本包括n种测井曲线值，且每个训练样本的流动单元类型是已知的；所述待预测分类的一组测井曲线值包括n种测井曲线值；
第一步，对训练样本集中每个训练样本的所有测井曲线值和待预测分类的一组测井曲线值分别进行归一化处理，将所有测井曲线值归一化到0~1的范围内，即每种测井曲线值的最大值设为1，最小值设为0；
第二步，对训练样本集中的所有训练样本分别进行统计：统计各个训练样本中的第i类流动单元的第j种测井曲线的概率分布，并拟合得到每类流动单元对应的n个测井曲线的概率密度模板，其中，i∈1~m，j∈1~n；
第三步，将待预测分类的一组测井曲线值与第二步得到的各个概率密度模板逐一进行比较，共得到m×n个概率值；
第四步，将第三步得到的同一类流动单元的n个概率值相乘，得到该类流动单元的总概率值Pi；
第五步，将m类流动单元的总概率值Pi由大到小进行排序得到总概率值序列，判断总概率值序列中最大的总概率值是否与其他总概率值不属于同一个数量级，如果是，则判定待预测分类的一组测井曲线值的流动单元类型为最大的总概率值对应的流动单元类型，然后转入第七步；如果否，则找到属于同一数量级的前k个总概率值Pi；1<k≤m，然后转入第六步；
第六步，根据前k个总概率值Pi对应的流动单元在训练样本集中所占的比例，确定待预测分类的一组测井曲线值的流动单元类型；
第七步，输出待预测分类的一组测井曲线值的流动单元类型。
2.根据权利要求1所述的基于测井数据概率统计预测油藏流动单元类型的方法，其特征在于：所述第二步中的拟合得到每类流动单元对应的n个测井曲线的概率密度模板的操作包括：
利用统计得到的所有训练样本中的第i类流动单元的第j种测井曲线的概率分布，采用高斯曲线进行拟合得到每类流动单元对应的n个概率密度曲线，所述概率密度曲线所在的坐标图即为概率密度模板；所述概率密度模板的横坐标是归一化后的测井曲线值，纵坐标是概率；
在概率密度曲线中设有调节参数c，c的值越大，拟合程度越低，c的值越小，拟合程度越高。
3.根据权利要求2所述的基于测井数据概率统计预测油藏流动单元类型的方法，其特征在于：所述第三步的操作包括：
设待预测分类的一组测井曲线值分别为L1, L2, L3,…, Ln，将其分别与第i类流动单元的概率密度模板进行比较得到每个测井曲线值对应第i类流动单元的概率，包括：L1对应第i类流动单元的概率Pi L1, L2对应第i类流动单元的概率Pi L2, 以此类推，直到Ln对应第i类流动单元的概率Pi Ln；依次对m类流动单元处理完后，共得到的m×n个概率值。
4.根据权利要求3所述的基于测井数据概率统计预测油藏流动单元类型的方法，其特征在于：所述将其分别与第i类流动单元的概率密度模板进行比较得到每个测井曲线值对应第i类流动单元的概率的操作包括：
依次对n种测井曲线值中的每种测井曲线值进行以下处理：
在第i类流动单元的概率密度模板中，过该种测井曲线值对应的横坐标上的点做垂直线，过该垂直线与概率密度曲线的交点做水平线，该水平线与纵坐标的交点对应的数值即为该种测井曲线值的概率。
5.根据权利要求4所述的基于测井数据概率统计预测油藏流动单元类型的方法，其特征在于：所述第四步的操作包括：
依次对每一类流动单元进行以下处理：
总概率值Pi=Pi L1×Pi L2×…×Pi Ln，Pi的大小代表了待预测分类的一组测井曲线属于第i类流动单元的概率。
6.根据权利要求5所述的基于测井数据概率统计预测油藏流动单元类型的方法，其特征在于：所述第六步的操作包括：
分别统计前k个总概率值Pi对应的流动单元在训练样本集中所占的比例；
按照前k个总概率值Pi对应的流动单元在训练样本集中所占的比例给待预测分类的一组测井曲线值分配流动单元类型，使预测出的流动单元类型中的每类流动单元所占的比例与该类流动单元在训练样本集中所占的比例相同。
7.一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计算机可执行的至少一个程序，所述至少一个程序被所述计算机执行时使所述计算机执行如权利要求1-6任一项所述的基于测井数据概率统计预测油藏流动单元类型的方法中的步骤。
CN201811136158.6A 2018-09-28 2018-09-28 一种基于测井数据概率统计预测油藏流动单元类型的方法 Active CN110969272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811136158.6A CN110969272B (zh) 2018-09-28 2018-09-28 一种基于测井数据概率统计预测油藏流动单元类型的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811136158.6A CN110969272B (zh) 2018-09-28 2018-09-28 一种基于测井数据概率统计预测油藏流动单元类型的方法

Publications (2)

Publication Number Publication Date
CN110969272A CN110969272A (zh) 2020-04-07
CN110969272B true CN110969272B (zh) 2022-07-05

Family

ID=70026593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811136158.6A Active CN110969272B (zh) 2018-09-28 2018-09-28 一种基于测井数据概率统计预测油藏流动单元类型的方法

Country Status (1)

Country Link
CN (1) CN110969272B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127598A (zh) * 2016-06-29 2016-11-16 太原理工大学 一种基于地球物理测井信息的构造煤预测方法
CN107345481A (zh) * 2017-05-16 2017-11-14 中国矿业大学(北京) 煤田测井曲线标准化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9275339B2 (en) * 2012-04-24 2016-03-01 Raytheon Company System and method for probabilistic name matching

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127598A (zh) * 2016-06-29 2016-11-16 太原理工大学 一种基于地球物理测井信息的构造煤预测方法
CN107345481A (zh) * 2017-05-16 2017-11-14 中国矿业大学(北京) 煤田测井曲线标准化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于Fisher和概率法的储层流动单元指数分类判别方法;代玲等;《复杂油气藏》;20210630(第2期);73-79 *
贝叶斯推论在储层渗透率预测中的应用;喻鹏等;《中南大学学报(自然科学版)》;20150331;970-982 *
鄂尔多斯盆地延长组长2油层组油气富集规律――以永宁油田任山区块为例;谢伟等;《岩性油气藏》;20171001(第05期);36-45 *
高邮凹陷S地区S19块阜宁组低孔低渗储层测井评价技术研究;刘梦青;《中国优秀硕士学位论文全文数据库 (基础科学辑)》;20210930(第09期);A011-71 *

Also Published As

Publication number Publication date
CN110969272A (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN109061765B (zh) 非均质薄砂岩互层油藏的圈闭评价方法
CN104747185B (zh) 非均质油藏储层综合分类评价方法
CN107728231B (zh) 一种预测核磁共振测井横向弛豫时间t2分布的方法
CN103336305B (zh) 一种基于灰色理论划分致密砂岩储层岩石物理相的方法
CN109800954A (zh) 基于测井数据的储层评价新方法
CN110533237A (zh) 一种砂岩储层含油气产能预测方法
CN103376468A (zh) 基于神经网络函数逼近算法的储层参数定量表征方法
CN106991509A (zh) 基于径向基函数神经网络模型的测井曲线预测方法
CN113379256A (zh) 一种Kmeans-随机森林的储层评价预测方法
CN117272841B (zh) 一种基于混合神经网络的页岩气甜点预测方法
CN116427915A (zh) 基于随机森林的常规测井曲线裂缝密度预测方法及系统
CN111079783A (zh) 一种基于多核集成学习识别地层岩性参数的方法
CN106569272A (zh) 一种基于数据性质空间升维的地震属性融合方法
CN117452518B (zh) 基于多学科数据融合聚类算法的储层岩性预测方法
CN118039029A (zh) 基于机器学习和锆石成分识别花岗岩类型的方法及系统
CN114114414A (zh) 一种页岩储层“甜点”信息人工智能预测方法
CN109031461A (zh) 碳酸盐岩孔隙型油气储层定量识别方法及区域定量化方法
CN110969272B (zh) 一种基于测井数据概率统计预测油藏流动单元类型的方法
CN104880737A (zh) 测井资料识别地下流体类型的多元Logistic方法
CN110399649B (zh) 一种基于成岩指示元素的变质岩量化识别方法
CN116658148A (zh) 岩性识别方法
CN114021644A (zh) 一种基于K-means和去丛聚法的区域代表性地下水位计算方法
CN116542345A (zh) 用于测井岩性预测的机器学习模型训练方法
CN110570102A (zh) 一种储层评价方法
CN112835113B (zh) 一种层序约束下的岩性识别方法

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
GR01 Patent grant
GR01 Patent grant