CN110988996A - 一种基于Adaboost回归算法的储层孔隙度预测方法 - Google Patents

一种基于Adaboost回归算法的储层孔隙度预测方法 Download PDF

Info

Publication number
CN110988996A
CN110988996A CN201911168495.8A CN201911168495A CN110988996A CN 110988996 A CN110988996 A CN 110988996A CN 201911168495 A CN201911168495 A CN 201911168495A CN 110988996 A CN110988996 A CN 110988996A
Authority
CN
China
Prior art keywords
porosity
data
seismic attribute
regression algorithm
model
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
Application number
CN201911168495.8A
Other languages
English (en)
Inventor
史长林
魏莉
张剑
杨丽娜
许胜利
吴蔚
但玲玲
牛雪
田盼盼
李芳芳
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 National Offshore Oil Corp CNOOC
CNOOC Energy Technology and Services Ltd
Original Assignee
China National Offshore Oil Corp CNOOC
CNOOC Energy Technology and Services Ltd
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 National Offshore Oil Corp CNOOC, CNOOC Energy Technology and Services Ltd filed Critical China National Offshore Oil Corp CNOOC
Priority to CN201911168495.8A priority Critical patent/CN110988996A/zh
Publication of CN110988996A publication Critical patent/CN110988996A/zh
Pending legal-status Critical Current

Links

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
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • G01V1/50—Analysing data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/61—Analysis by combining or comparing a seismic data set with other data
    • G01V2210/616—Data from specific type of measurement
    • G01V2210/6169—Data from specific type of measurement using well-logging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/624—Reservoir parameters

Landscapes

  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • Remote Sensing (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Adaboost回归算法的储层孔隙度预测方法，本发明通过将Adaboost回归算法融入到储层孔隙度预测过程中，利用Adaboost回归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、客观的储层孔隙度预测体，提高工作效率。

Description

一种基于Adaboost回归算法的储层孔隙度预测方法
技术领域
本发明属于油气藏勘探开发技术领域，具体涉及一种基于Adaboost回归算法的储层孔隙度预测方法。
背景技术
目前油气勘探开发行业常用储层孔隙度预测方法包括基于地震信息的储层孔隙度反演、岩相模式约束的储层孔隙度预测、基于生产资料的储层孔隙度预测，或以上方法的综合运用。
基于地震信息的储层孔隙度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、孔隙度与油气等综合因素的反映；地震资料一般受分辨率限制，对薄储层孔隙度预测很难实现。
基于岩相约束的储层孔隙度预测存在的问题是相模式的多样性，决定了井间储层孔隙度预测的多解性，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孔隙度预测存在同样问题。
基于生产资料的储层孔隙度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、高精度储层孔隙度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
为了解决应用常规技术预测复杂地质体孔隙度时，受资料少、不系统等限制，孔隙度识别准确率低，预测风险大等难题，本发明提供了一种基于机器学习Adaboost的多地震属性信息融合的储层孔隙度预测方法，以提高储层孔隙度预测的精度和准确率。
本发明是通过以下技术方案实现的：
一种基于Adaboost回归算法的储层孔隙度预测方法，按照下列步骤进行：
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属性；
步骤二：地震属性时深转换，获得深度域地震属性体；
步骤三：测井孔隙度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孔隙度数据和深度域地震属性数据；
步骤四：地震属性数据标准化处理，获得无量纲地震属性数据体；
步骤五：井旁道地震属性数据提取，获得与测井孔隙度数据对应的井旁道地震属性数据；
步骤六：模型训练，采用Adaboost回归算法获得储层孔隙度预测模型；
步骤七：模型评估，通过修改Adaboost回归算法中的敏感参数，优化算法模型，获得最佳储层孔隙度预测体。
其中，步骤一具体包括：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。
其中，步骤二具体包括：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。
其中，步骤三具体包括：将各深度域地震属性体粗化至地质模型中，将测井解释的孔隙度数据粗化至地质模型中。
其中，步骤四具体包括：将多量纲的地震属性数据体通过标准化处理，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。
其中，步骤五具体包括：提取步骤四处理的地震属性数据的井旁道数据，获得与测井孔隙度数据对应的各类井旁道地震属性数据。
其中，步骤六具体包括：以步骤三粗化的测井孔隙度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Adaboost方法，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，得到三维储层孔隙度预测体。
其中，步骤七具体包括：通过调整Adaboost回归算法中的敏感参数，不断优化算法模型，获得与已知数据吻合，孔隙度平面分布与纵向展布特征与地质认识一致的预测孔隙度数据体。
本发明的有益效果是：本发明通过将Adaboost回归算法融入到储层孔隙度预测过程中，利用Adaboost回归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、客观的储层孔隙度预测体，提高工作效率。
附图说明
图1：本发明实施例的粗化至地质模型中的地震属性体；
图2：本发明实施例的测井解释数据与Adaboost回归算法预测数据对比图；
图3：本发明实施例的Adaboost回归算法预测的储层孔隙度预测体；
图4：采用本发明实施例中的方法制得的储层孔隙度预测图。
图5：采用原方法制得的储层孔隙度预测图。
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，可以根据以上附图获得其他的相关附图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合具体实施例进一步说明本发明的技术方案。
实施例1
一种基于Adaboost回归算法的储层孔隙度预测方法，包括以下步骤：
步骤一：叠后地震属性提取。
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，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：测井孔隙度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孔隙度数据和深度域地震数据，如图2。
将各深度域地震属性体粗化至地质模型中，将测井解释的孔隙度数据粗化至地质模型中。
步骤四：数据标准化处理，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标准化处理，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：地震属性体井旁道数据提取
提取各无量纲地震属性数据的井旁道数据，获得与单井岩相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，获得岩相预测体
以测井孔隙度数据和井旁道地震属性数据为训练对象，通过Adaboost方法，训练单井孔隙度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；将各地震属性体数据带入训练模型，推算井间各网格中的孔隙度分布数据，得到三维储层孔隙度预测体，如图3。
步骤七：模型评估，获得最佳储层孔隙度预测数据。
通过调整Adaboost回归算法中的敏感参数，不断优化算法模型，获得与检验井数据吻合，与动态认识一致的孔隙度预测数据体。孔隙度预测精度及准确度均比原孔隙度反演方法预测结果好，如图4-5。
实施例2Q油田储层孔隙度预测
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Q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(测井孔隙度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(地震属性数据标准化处理，获得无量纲地震属性数据体)将各地震属性体用标准化公式做标准化处理。
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，获得孔隙度预测体)通过Adaboost方法，训练单井孔隙度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孔隙度类型，得到三维孔隙度预测体。
按照步骤七(模型评估，获得最佳储层孔隙度预测数据)通过调整Adaboost回归算法中的敏感参数，不断优化算法模型，最终获得与Q油田检验井数据吻合，储层孔隙度平面分布与纵向展布特征与地质特征、生产动态一致的预测数据。
通过本发明方法进行多地震属性的储层孔隙度预测，较原储层孔隙度反演的方法经过对比发现：Adaboost储层孔隙度预测方法是数据驱动的机器运算方法，不需要人工反演分析，整体工作效率提高近5倍，将储层孔隙度预测部分的工作时间由5周缩短至1周；本发明方法将高分辨率的测井解释数据与相对低分辨率的地震信息进行机器学习匹配后进行井间储层孔隙度预测，比单纯依靠地震数据的人工反演方法具有更高的准确度和分辨率。经过盲井验证，本发明方法的单井吻合度达到85％，而原方法，该吻合度仅有70％。上述研究成果，指导Q油田开发方案部署，取得了良好的效果。
以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。

Claims (8)

1.一种基于Adaboost回归算法的储层孔隙度预测方法，其特征在于，按照下列步骤进行：
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属性；
步骤二：地震属性时深转换，获得深度域地震属性体；
步骤三：测井孔隙度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孔隙度数据和深度域地震属性数据；
步骤四：地震属性数据标准化处理，获得无量纲地震属性数据体；
步骤五：井旁道地震属性数据提取，获得与测井孔隙度数据对应的井旁道地震属性数据；
步骤六：模型训练，采用Adaboost回归算法获得储层孔隙度预测模型；
步骤七：模型评估，通过修改Adaboost回归算法中的敏感参数，优化算法模型，获得最佳储层孔隙度预测体。
2.根据权利要求1所述的一种基于Adaboost回归算法的储层孔隙度预测方法，其特征在于：在步骤一中，所述叠后地震属性包括振幅类、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所述的一种基于Adaboost回归算法的储层孔隙度预测方法，其特征在于，所述步骤二包括：以单井时深关系资料、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。
4.根据权利要求1所述的一种基于Adaboost回归算法的储层孔隙度预测方法，其特征在于，所述步骤三包括：将各深度域地震属性体粗化至地质模型中，将测井解释的孔隙度数据粗化至地质模型中。
5.根据权利要求1所述的一种基于Adaboost回归算法的储层孔隙度预测方法，其特征在于，所述步骤四包括：将多量纲的地震属性数据体通过标准化处理，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。
6.根据权利要求1所述的一种基于Adaboost回归算法的储层孔隙度预测方法，其特征在于：所述步骤五包括：提取步骤四处理的地震属性数据的井旁道数据，获得与测井孔隙度数据对应的各类井旁道地震属性数据。
7.根据权利要求1所述的一种基于Adaboost回归算法的储层孔隙度预测方法，其特征在于：所述步骤六包括：以步骤三粗化的测井孔隙度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Adaboost方法，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，得到三维储层孔隙度预测体。
8.根据权利要求1所述的一种基于Adaboost回归算法的储层孔隙度预测方法，其特征在于：所述步骤七包括：通过调整Adaboost回归算法中的敏感参数，不断优化算法模型，获得与已知数据吻合，孔隙度平面分布与纵向展布特征与地质认识一致的预测孔隙度数据体。
CN201911168495.8A 2019-11-25 2019-11-25 一种基于Adaboost回归算法的储层孔隙度预测方法 Pending CN110988996A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911168495.8A CN110988996A (zh) 2019-11-25 2019-11-25 一种基于Adaboost回归算法的储层孔隙度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911168495.8A CN110988996A (zh) 2019-11-25 2019-11-25 一种基于Adaboost回归算法的储层孔隙度预测方法

Publications (1)

Publication Number Publication Date
CN110988996A true CN110988996A (zh) 2020-04-10

Family

ID=70086641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911168495.8A Pending CN110988996A (zh) 2019-11-25 2019-11-25 一种基于Adaboost回归算法的储层孔隙度预测方法

Country Status (1)

Country Link
CN (1) CN110988996A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112085109A (zh) * 2020-09-14 2020-12-15 电子科技大学 基于主动学习的相控孔隙度预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009090464A1 (en) * 2007-12-27 2009-07-23 Schlumberger Technology B.V. Method for sonic indication of formation porosity and lithology
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
CN108020863A (zh) * 2017-11-28 2018-05-11 河海大学 一种基于地震奇偶函数的碳酸盐岩薄储层孔隙度预测方法
US20180217281A1 (en) * 2017-02-02 2018-08-02 Kyle J. Basler-Reeder Method for Rapid Calibration of Seismic Interval Attributes to Rock Properties for Assessment Uncertainty

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009090464A1 (en) * 2007-12-27 2009-07-23 Schlumberger Technology B.V. Method for sonic indication of formation porosity and lithology
US20180217281A1 (en) * 2017-02-02 2018-08-02 Kyle J. Basler-Reeder Method for Rapid Calibration of Seismic Interval Attributes to Rock Properties for Assessment Uncertainty
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
CN108020863A (zh) * 2017-11-28 2018-05-11 河海大学 一种基于地震奇偶函数的碳酸盐岩薄储层孔隙度预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
S. M. JALALALHOSSEINI ET AL.: "Predicting Porosity by Using Seismic Multi-Attributes and Well Data and Combining These Available Data by Geostatistical Methods in a South Iranian Oil Field", 《PETROLEUM SCIENCE AND TECHNOLOGY》 *
孙月成等: "三维数据体时深转换速度模型的精细构建方法", 《大庆石油地质与开发》 *
张新亮等: "基于地震多属性的孔隙度预测", 《新疆石油地质》 *
蒋必辞: "苏里格致密砂岩渗流分析及压裂产能预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 *
高强山: "基于随机回归森林的储层预测方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112085109A (zh) * 2020-09-14 2020-12-15 电子科技大学 基于主动学习的相控孔隙度预测方法

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
CN108931814B (zh) 一种基于多属性融合的基岩裂缝预测的方法
CN110824563A (zh) 一种基于Xgboost算法的储层岩性预测方法
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
CN111596978A (zh) 用人工智能进行岩相分类的网页显示方法、模块和系统
CN103245971A (zh) 井中断点引导的地震小断层解释方法及装置
CN101236257A (zh) 油井位置确定技术方法
CN110609320A (zh) 一种基于多尺度特征融合的叠前地震反射模式识别方法
CN107515957A (zh) 泥页岩层序地层划分方法
CN113703045A (zh) 一种基于轻量级网络的地震相识别方法
CN110988996A (zh) 一种基于Adaboost回归算法的储层孔隙度预测方法
CN116699719A (zh) 利用三维地质建模技术定位预测矿体的方法
CN109143337A (zh) 一种浊积砂体储层建模方法
CN105242312A (zh) 一种刻画中小型伸展断陷盆地生长逆断层的方法
CN106501146B (zh) 一种致密油藏物性上限确定方法及装置
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
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
CN117452518A (zh) 基于多学科数据融合聚类算法的储层岩性预测方法
CN103278852B (zh) 利用地震数据体波形结构特征模型预测油气的方法
Partovi et al. Reservoir rock characterization using wavelet transform and fractal dimension
CN112036430A (zh) 一种基于随机森林算法的储层含油性预测方法
CN114137610A (zh) 联合监督和非监督学习的低勘探区地层和岩性地震评价方法
CN106484989A (zh) 一种利用测井资料计算机自动快速划分煤阶类型的方法
Soma et al. On site mapping of microseismicity at Cooper Basin, Australia HDR project by the Japanese team
Eze Modeling the Spatial Distribution of Natural Fractures in Shale Reservoirs using Machine Learning and Geostatistical Methods

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: 20200410