CN110988997A - 一种基于机器学习的烃源岩三维空间展布定量预测技术 - Google Patents
一种基于机器学习的烃源岩三维空间展布定量预测技术 Download PDFInfo
- Publication number
- CN110988997A CN110988997A CN201911374241.1A CN201911374241A CN110988997A CN 110988997 A CN110988997 A CN 110988997A CN 201911374241 A CN201911374241 A CN 201911374241A CN 110988997 A CN110988997 A CN 110988997A
- Authority
- CN
- China
- Prior art keywords
- model
- carbon content
- organic carbon
- total organic
- machine learning
- 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
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
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机器学习的烃源岩三维空间展布定量预测技术,包括以下步骤:优选适合于小样本回归分析的支持向量机算法,通过支持向量机训练得到机器学习模型,通过对模型的N折交叉验证,保证模型的泛化性能;优选适合于大样本回归分析的随机森林算法,得到最小损失函数的模型;利用机器学习系列方法进行烃源岩三维空间展布预测,得到总有机碳含量在三维地震区块的空间展布,以及相应的模型泛化性能描述,预测误差分析等用于评估预测结果;本发明的有益效果:本发明通过机器学习方法,高精度、自动化的建立总有机碳含量地球化学参数与测井曲线、三维地震资料之间的关系,预测总有机碳含量在三维空间的展布。
Description
技术领域
本发明涉及地质层预测技术领域,具体涉及一种基于机器学习的烃源岩三维空间展布定量预测技术。
背景技术
近年来,随着测井技术的发展和三维地震资料的广泛应用,许多学者开始探索烃源岩地球化学参数与测井信息、地震信息之间的关系,在烃源岩地球化学参数中,总有机碳含量是烃源岩生烃能力的重要指标,是含油气盆地生烃研究和资源评价的一项重要参数,有机碳密度在1.0~1.4g/cc之间,远小于正常地层,总有机碳含量较高的地层在测井上通常表现为低密度、高放射性、高电阻率、高声波时差特征。
目前,比较成熟的建立总有机碳含量在地球化学与测井曲线关系的方法包括ΔlogR法和多元线性回归方法,ΔLogR方法依赖于读取声波-电阻率叠加曲线的基础,并依赖于对烃源岩成熟度Ro的测量结果,过程繁琐且对缺少Ro的井段不能进行总有机碳含量测井曲线的计算,由于测井曲线与总有机碳含量地球化学参数之间往往不是绝对的线性关系,在岩性变化较大的地层,线性回归方法计算总有机碳含量测井曲线的精度偏低。
在得到总有机碳含量测井曲线之后,许多学者尝试通过建立测井与地震资料的关系,预测总有机碳含量的三维空间展布,根据烃源岩低速特征,目前通过地震反演在波阻抗剖面和层速度剖面能定性识别烃源岩发育为止,但不能刻度画烃源岩的总有机碳含量大小,另一些学者尝试通过对三维地震资料提取多种属性,建立不同地震属性和烃源岩中总有机碳含量的质量分数之间的经验公式,得到三维总有机碳含量的质量分数数据体,经验公式很大程度上以来与人的判断,存在较大误差,在对新区的烃源岩预测上经验公式往往无法应用,还有学者采用概率神经网络算法进行总有机碳含量的空间展布预测,达到了比较好的预测结果,在地球物理领域训练数据相对较少的时候,神经网络层数稍微的变化即会导致给定网络层数过多或者过少,使得模型过拟合或者欠拟合,使得模型泛化性能不足。
发明内容
本发明的目的在于提供一种基于机器学习的烃源岩三维空间展布定量预测技术,通过机器学习方法,高精度、自动化的建立总有机碳含量地球化学参数与测井曲线、三维地震资料之间的关系,预测总有机碳含量在三维空间的展布。
为了实现上述目的,本发明采用如下技术方案:
一种基于机器学习的烃源岩三维空间展布定量预测技术,包括以下步骤:
步骤一:优选适合于小样本回归分析的支持向量机算法,建立总有机碳含量地球化学参数与测井曲线之间的关系,通过输入总有机碳含量地球化学参数和对应深度段的测井响应关系,即可通过支持向量机训练得到机器学习模型,通过对模型的N折交叉验证,保证模型的泛化性能;
步骤二:优选适合于大样本回归分析的随机森林算法,建立总有机碳含量测井曲线与三维多属性地震资料之间的关系,通过随机森林算法,建立总有机碳含量测井曲线和井旁道多属性地震资料的非线性关系,随机森林包含多棵决策树运算过程,能有效避免模型过拟合,提高模型泛化性能,通过随机森林建模能够得到最小损失函数的模型;
步骤三:利用机器学习系列方法进行烃源岩三维空间展布预测,自编程序,输入总有机碳含量地球化学参数、测井曲线、测井时深关系、地震数据体,进行相关模型建立参数的设置,便可完成自动化模型,预测得到总有机碳含量在三维地震区块的空间展布,以及相应的模型泛化性能描述,预测误差分析等用于评估预测结果。
优选地,在所述的步骤一中,在针对涠西南工区钻遇烃源岩测井的预测当中,支持向量机的预测相对误差能达到10%,而传统的ΔLogR方法和线性回归方法相对误差均为40%左右。
本发明的有益效果:
1)与现有技术相比,机器学习方法是一个适应性较强的方法,能应对不同应用场景,不需要特定的编程,通过优选机器学习方法,开发出一套独特的从地球化学到地震的烃源岩预测体系;
2)本发明通过支持向量机和随机森林两种机器学习算法,实现自动化建立总有机碳含量地球化学重要参数与测井、三维地震资料之间的关系,将局限分布岩心、岩屑测得的总有机碳含量地球化学重要参数,通过测井和三维地震资料,预测得到总有机碳含量的三维空间展布,总有机碳含量的三维空间展布即是烃源岩的空间展布特征,是确定盆地生烃能力的基础,对油气勘探具有重要意义;
3)本发明基于测井资料和井旁道建立的模型进行总有机碳含量的三维空间展布预测,能自动化建立测井与地震的关系模型,同时随机森林的决策树能自动完成模型分裂,并且在恰当的时候终止分裂,保证模型的泛化性能。
具体实施方式
下面将对本发明实施例中的技术方案进行描述。
一种基于机器学习的烃源岩三维空间展布定量预测技术,包括以下步骤:
步骤一:优选适合于小样本回归分析的支持向量机算法,建立总有机碳含量地球化学参数与测井曲线之间的关系,通过输入总有机碳含量地球化学参数和对应深度段的测井响应关系,即可通过支持向量机训练得到机器学习模型,通过对模型的N折交叉验证,保证模型的泛化性能;
步骤二:优选适合于大样本回归分析的随机森林算法,建立总有机碳含量测井曲线与三维多属性地震资料之间的关系,通过随机森林算法,建立总有机碳含量测井曲线和井旁道多属性地震资料的非线性关系,随机森林包含多棵决策树运算过程,能有效避免模型过拟合,提高模型泛化性能,通过随机森林建模能够得到最小损失函数的模型。
步骤三:利用机器学习系列方法进行烃源岩三维空间展布预测,自编程序,输入总有机碳含量地球化学参数、测井曲线、测井时深关系、地震数据体,进行相关模型建立参数的设置,便可完成自动化模型,预测得到总有机碳含量在三维地震区块的空间展布,以及相应的模型泛化性能描述,预测误差分析等用于评估预测结果。
在所述的步骤一中,在针对涠西南工区钻遇烃源岩测井的预测当中,支持向量机的预测相对误差能达到10%,而传统的ΔLogR方法和线性回归方法相对误差均为40%左右。
与现有技术相比,机器学习方法是一个适应性较强的方法,能应对不同应用场景,不需要特定的编程,通过优选机器学习方法,开发出一套独特的从地球化学到地震的烃源岩预测体系;本发明通过支持向量机和随机森林两种机器学习算法,实现自动化建立总有机碳含量地球化学重要参数与测井、三维地震资料之间的关系,将局限分布岩心、岩屑测得的总有机碳含量地球化学重要参数,通过测井和三维地震资料,预测得到总有机碳含量的三维空间展布,总有机碳含量的三维空间展布即是烃源岩的空间展布特征,是确定盆地生烃能力的基础,对油气勘探具有重要意义;本发明基于测井资料和井旁道建立的模型进行总有机碳含量的三维空间展布预测,能自动化建立测井与地震的关系模型,同时随机森林的决策树能自动完成模型分裂,并且在恰当的时候终止分裂,保证模型的泛化性能。
Claims (2)
1.一种基于机器学习的烃源岩三维空间展布定量预测技术,其特征在于包括以下步骤:
步骤一:优选适合于小样本回归分析的支持向量机算法,建立总有机碳含量地球化学参数与测井曲线之间的关系,通过输入总有机碳含量地球化学参数和对应深度段的测井响应关系,即可通过支持向量机训练得到机器学习模型,通过对模型的N折交叉验证,保证模型的泛化性能;
步骤二:优选适合于大样本回归分析的随机森林算法,建立总有机碳含量测井曲线与三维多属性地震资料之间的关系,通过随机森林算法,建立总有机碳含量测井曲线和井旁道多属性地震资料的非线性关系,随机森林包含多棵决策树运算过程,能有效避免模型过拟合,提高模型泛化性能,通过随机森林建模能够得到最小损失函数的模型;
步骤三:利用机器学习系列方法进行烃源岩三维空间展布预测,自编程序,输入总有机碳含量地球化学参数、测井曲线、测井时深关系、地震数据体,进行相关模型建立参数的设置,便可完成自动化模型,预测得到总有机碳含量在三维地震区块的空间展布,以及相应的模型泛化性能描述,预测误差分析等用于评估预测结果。
2.根据权利要求1所述的基于机器学习的烃源岩三维空间展布定量预测技术,其特征在于在所述的步骤一中,在针对涠西南工区钻遇烃源岩测井的预测当中,支持向量机的预测相对误差能达到10%,而传统的ΔLogR方法和线性回归方法相对误差均为40%左右。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911374241.1A CN110988997A (zh) | 2019-12-27 | 2019-12-27 | 一种基于机器学习的烃源岩三维空间展布定量预测技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911374241.1A CN110988997A (zh) | 2019-12-27 | 2019-12-27 | 一种基于机器学习的烃源岩三维空间展布定量预测技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110988997A true CN110988997A (zh) | 2020-04-10 |
Family
ID=70077721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911374241.1A Pending CN110988997A (zh) | 2019-12-27 | 2019-12-27 | 一种基于机器学习的烃源岩三维空间展布定量预测技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110988997A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489736A (zh) * | 2020-12-09 | 2021-03-12 | 中国石油大学(北京) | 一种矿物含量分析方法、装置、设备及存储介质 |
CN112687355A (zh) * | 2020-12-04 | 2021-04-20 | 复旦大学 | 一种机器学习辅助的聚合物合成逆分析方法 |
CN115796350A (zh) * | 2022-11-23 | 2023-03-14 | 长江大学 | 一种海域内少井区烃源岩总有机碳含量预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018170035A1 (en) * | 2017-03-14 | 2018-09-20 | Saudi Arabian Oil Company | Collaborative sensing and prediction of source rock properties |
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 |
CN109669210A (zh) * | 2018-11-29 | 2019-04-23 | 中国石油大学(华东) | 基于多种地震属性评价准则的有利区预测方法 |
CN110118994A (zh) * | 2019-05-24 | 2019-08-13 | 同济大学 | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 |
CN110442951A (zh) * | 2019-07-30 | 2019-11-12 | 西北大学 | 一种考虑密度因素的烃源岩总有机碳含量预测方法 |
-
2019
- 2019-12-27 CN CN201911374241.1A patent/CN110988997A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018170035A1 (en) * | 2017-03-14 | 2018-09-20 | Saudi Arabian Oil Company | Collaborative sensing and prediction of source rock properties |
CN109669210A (zh) * | 2018-11-29 | 2019-04-23 | 中国石油大学(华东) | 基于多种地震属性评价准则的有利区预测方法 |
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 |
CN110118994A (zh) * | 2019-05-24 | 2019-08-13 | 同济大学 | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 |
CN110442951A (zh) * | 2019-07-30 | 2019-11-12 | 西北大学 | 一种考虑密度因素的烃源岩总有机碳含量预测方法 |
Non-Patent Citations (1)
Title |
---|
张成龙 等: "基于支持向量机模型的烃源岩有机碳含量预测—以鄂尔多斯盆地为例", 《天然气地球科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112687355A (zh) * | 2020-12-04 | 2021-04-20 | 复旦大学 | 一种机器学习辅助的聚合物合成逆分析方法 |
CN112489736A (zh) * | 2020-12-09 | 2021-03-12 | 中国石油大学(北京) | 一种矿物含量分析方法、装置、设备及存储介质 |
CN115796350A (zh) * | 2022-11-23 | 2023-03-14 | 长江大学 | 一种海域内少井区烃源岩总有机碳含量预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
US20220170366A1 (en) | 3d in-situ characterization method for heterogeneity in generating and reserving performances of shale | |
CN104533400B (zh) | 一种重构测井曲线的方法 | |
CN110988997A (zh) | 一种基于机器学习的烃源岩三维空间展布定量预测技术 | |
CN107100611B (zh) | 一种地质勘探钻进过程双层智能钻速建模方法 | |
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 | |
CN104047598A (zh) | 非均质古岩溶碳酸盐岩储层产能预测方法 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN111767674A (zh) | 一种基于主动域适应的测井岩性识别方法 | |
CN114529110A (zh) | 一种基于深度神经网络模型的岩相反演方法及系统 | |
CN116305850A (zh) | 一种基于随机森林模型的地层热导率预测方法 | |
CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
CN111444621A (zh) | 基于动静态渗流界面的高含水油藏流动单元划分方法 | |
CN117251802B (zh) | 一种基于迁移学习的非均质储层参数预测方法及系统 | |
CN111751878B (zh) | 横波速度的预测方法和装置 | |
CN110118994B (zh) | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 | |
CN112253087A (zh) | 一种基于多源测井资料的生物扰动储集层物性计算方法 | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
CN111155980B (zh) | 一种水流优势通道识别方法及装置 | |
CN110568149B (zh) | 沉积盆地烃源岩生排烃史精细快速定量模拟方法 | |
CN114117898A (zh) | 一种基于机器学习算法的随钻伽马测井正演方法 | |
CN105528732B (zh) | 一种试气井产能预测方法 | |
CN117407841B (zh) | 一种基于优化集成算法的页岩层理缝预测方法 | |
CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
CN115619788B (zh) | 一种三维地质模型质量的自动化定量评价方法 |
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 |
Application publication date: 20200410 |
|
RJ01 | Rejection of invention patent application after publication |