CN111461386A - 基于bp神经网络的页岩气甜点预测方法 - Google Patents
基于bp神经网络的页岩气甜点预测方法 Download PDFInfo
- Publication number
- CN111461386A CN111461386A CN201911381155.3A CN201911381155A CN111461386A CN 111461386 A CN111461386 A CN 111461386A CN 201911381155 A CN201911381155 A CN 201911381155A CN 111461386 A CN111461386 A CN 111461386A
- Authority
- CN
- China
- Prior art keywords
- shale
- sweet spot
- neural network
- shale gas
- reservoir
- 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
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"
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Geology (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Biomedical Technology (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Artificial Intelligence (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
本发明提供了一种基于BP神经网络的页岩气甜点预测方法,属于地质探勘领域。其包括:考获取储层甜点、保存甜点和压力系数甜点中的各项地质参数,评价与页岩气含气量相关的地质特征参数,将所述地质特征参数经BP神经网络模型建立与页岩气含气量对应的映射关系,获得各地质特征参数的最优权重,通过量化叠加各个参数平面图件,得到页岩储层的甜点分布预测模型。这种预测方法通过系统分析储层甜点、保存甜点以及压力系数甜点中各项地质参数对页岩含气量的影响,结合BP神经网络,明确不同构造区甜点的地质参数的权重,量化预测页岩储层的页岩气甜点区的分布。
Description
技术领域
本发明涉及页岩气领域,具体而言,涉及一种基于BP神经网络的页岩气甜点预测方法。
背景技术
页岩气资源丰富,有望缓解面临的能源危机。然而,由于页岩地层复杂,其勘探开发难度大、且页岩气钻井成本远高于常规石油钻井。这就需要在对页岩气储层进行开发时,准确预测并识别未来勘探的“甜点”潜力区。
据Jarvie等(2007年)给出北美页岩甜点的参考指标主要为静态参数,包含三大类型,页岩分布(埋藏深度、页岩厚度与横向分布、断裂分布);页岩组成(有机质类型和丰度,粘土矿物、脆性矿物);页岩属性(热成熟度、孔隙度、渗透率)。但我国四川盆地及周缘海相页岩层系热演化程度高、埋藏时间长、经历构造期次多导致其地质条件复杂。其页岩气含气量影响因素不仅受前期静态沉积指标影响,更受后期构造运动导致的保存参数变化影响。可知,现有北美页岩评价方法难以满足对海相页岩甜点的预测。
此外,目前存在的这种甜点地质参数评价与优选甜点区的方法均存在以定性描述为主、简单主观赋值打分、多参数综合评价仅是通过简单叠加、保存条件指标评价单一难以量化等问题。这就导致预测过程中,难以对地质特征参数进行量化,叠加法预测的结果可比较性差;同时,没有考虑各个地质特征参数对含气量影响的权重,叠加法得到的预测平面图也无法判断研究区内的甜点区域或趋势的变化。
发明内容
本发明的目的在于提供一种基于BP神经网络的页岩气甜点预测方法,通过系统分析储层甜点、保存甜点以及压力系数甜点中各项地质参数对页岩含气量的影响,结合BP神经网络,明确不同构造区甜点的地质参数的权重,量化预测页岩储层的页岩气甜点区的分布。
为了实现本发明的上述目的,特采用以下技术方案:
一种基于BP神经网络的页岩气甜点预测方法,其包括:
获取储层甜点、保存甜点和压力系数甜点中的各项地质参数,评价与页岩气含气量相关的地质特征参数,将所述地质特征参数经BP神经网络模型建立与页岩气含气量对应的映射关系,获得各地质特征参数的最优权重,通过量化叠加各个参数平面图件,得到页岩储层的甜点分布预测模型。
进一步地,在本发明较佳的实施例中,上述储层甜点中的特征数据包括:有机碳含量、热演化程度、孔隙度、渗透率及脆性矿物量。
进一步地,在本发明较佳的实施例中,上述保存甜点中的特征数据包括埋深;上述压力系数甜点中的特征数据包括压力系数。
进一步地,在本发明较佳的实施例中,上述页岩气甜点的预测模型如下:
Gas=a·Dep+b·TOC+c·Ro+d·φ+e·K+f·BM+g·P
式中,Dep为待勘探区页岩储层的埋深;TOC为待勘探区页岩储层的有机碳含量;Ro为待勘探区页岩储层的热演化程度;φ为待勘探区页岩储层的孔隙度;K为待勘探区页岩储层的渗透率;BM为待勘探区页岩储层中脆性矿物含量;P为待勘探区页岩储层的压力系数;a、b、c、d、e、f以及h均为各所述地质参数的最优权重值。
进一步地,在本发明较佳的实施例中,上述BP神经网络采用三层BP网络拓扑结构,包括输入层、隐含迭代计算层和输出层。
进一步地,在本发明较佳的实施例中,上述输入层的节点数为7;隐含迭代计算层为三层,节点数分别为7、10、1;输出层的节点为1。
进一步地,在本发明较佳的实施例中,上述对BP神经网络进行训练包括:以多组页岩气钻井的特征数据及其相应的页岩气含气量作为训练样本集中的样本数据,任意选取多组样本数据输入至BP神经网络进行训练,直至训练结果的误差小于预设误差阈值。
进一步地,在本发明较佳的实施例中,上述在对BP神经网络进行训练时,根据样本数据量确认训练次数,当观察到数据结果趋于稳定并在阈值范围即可停止训练。
进一步地,在本发明较佳的实施例中,上述在对BP神经网络进行训练时,预设误差阈值为0.001。
与现有技术相比,本发明的有益效果为:
本申请提供的基于BP神经网络的页岩气甜点预测方法,通过系统分析储层甜点、保存甜点以及压力系数甜点中各项地质参数对页岩含气量的影响,结合BP神经网络,明确不同构造区甜点的地质参数的权重,量化预测页岩储层的页岩气甜点区的分布。
通过这种预测方法所得到的甜点区分布位置更细化、准确,且甜点顺序面积显示更直观,有助于避免因为简单图层叠加造成的主观判断错误,能够有效预测研究区内甜点位置的变化,由此,也有助于在成熟探区内寻找遗漏的甜点区域。此外,该方法还有助于对低勘探程度下的构造复杂区页岩气甜点进行量化选区。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,以下将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的研究区龙马溪组沉积相分布定量分布图。
图2为本发明实施例提供的研究区含气量与龙马溪组页岩厚度关系图。
图3为本发明实施例提供的研究区龙马溪组富有机质泥岩厚度分布图。
图4为本发明实施例提供的研究区含气量与龙马溪组页岩有机碳含量关系图。
图5为本发明实施例提供的研究区龙马溪组有机碳含量分布图。
图6为本发明实施例提供的研究区含气量与龙马溪组页岩热演化程度关系图。
图7为本发明实施例提供的研究区龙马溪组热演化程度图。
图8为本发明实施例提供的研究区龙马溪组孔隙度分布图。
图9为本发明实施例提供的研究区含气量与孔隙度关系图。
图10为本发明实施例提供的研究区含气量与比表面关系图。
图11为本发明实施例提供的研究区含气量与渗透率关系图。
图12为本发明实施例提供的研究区矿物成分三角关系图。
图13为本发明实施例提供的研究区生物成因硅质含量与有机碳含量关系图。
图14为本发明实施例提供的研究区龙马溪组脆性矿物分布图。
图15为本发明实施例提供的四川盆地盆缘残余向斜龙马溪组距离露头距离图。
图16为本发明实施例提供的研究区含气量与页岩露头出露距离关系图。
图17为本发明实施例提供的研究区龙马溪组埋深等值线图。
图18为本发明实施例提供的研究区龙马溪组地层构造斜率分布图。
图19为本发明实施例提供的研究区龙马溪组埋深等值线图。
图20为本发明实施例提供的BP神经网络识别页岩气甜点区的流程图;
图21为本发明实施例提供的BP神经网络识别页岩气甜点区的算法示意图;
图22为本发明实施例提供的四川盆地及周缘海相页岩复杂区预测甜点分布图;
图23为本发明实施例提供的前期研究黔北地区页岩甜点区域分布图;
图24为本发明实施例提供的BP神经网络方法预测黔北地区甜点分布图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述,但是本领域技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限制本发明的范围。实施例中未注明具体条件者,按照常规条件或制造商建议的条件进行。
本实施方式提供一种基于BP神经网络的页岩气甜点预测方法。
由于现有技术中对“甜点”的定义多为定型化描述、无法定量,且不同学者对“甜点”的定义不同。在本发明中,“甜点”指油气富集的、在当前经济技术条件下可有效开发的层段和区域,考虑广泛适用性,以含气量>2m3/t作为参考指标。即,在本发明的实施例中,页岩气甜点含气量的下限是2m3/t。
此外,选取四川盆地及周缘区域为研究区作为本发明实施方式的方法的应用区,对本发明的方法进行详细说明。换言之,本发明实施方式中的方法也可以应用到其它页岩气有利区的甜点预测。
这种基于BP神经网络的页岩气甜点预测方法,包括:
步骤1:获取储层甜点、保存甜点和压力系数甜点中的各项地质参数,评价与页岩气含气量相关的地质参数。
其中,储层甜点、保存甜点、压力系数甜点的参数为:
1.储层甜点包含优质相带、地球化学甜点、储集物性甜点三方面,其中,优质相带评判参数包括优质页岩厚度及岩相古地理展布;地球化学甜点评价参数的选取主要考虑有机质丰度、成熟度;储集物性甜点包括页岩孔隙度、渗透率、比表面及脆性矿物分布。
2.保存甜点包含构造样式(褶皱样式、断裂样式、褶皱-断裂组合样式、埋藏史类型)、封盖类型(封盖层组合类型、构造封盖类型、顶底板特征)分析。
3.压力系数甜点主要考虑压力系数分布。
较为具体地,影响页岩气甜点的主要地质因素包括:
(1)沉积相带与厚度分布:
针对四川盆地及周缘区域沉积特征、地层分布特征等方面进行研究,表明:海相优质烃源岩的发育受水体中生物生产率、沉积速率、海底深部流体活动、沉积环境和水体环境等多方面因素控制,沉积环境还可以综合反映原始生产力、沉积速率及有机质保存条件等因素。其中,深水陆棚沉积物主要形成缺氧、滞留环境沉积,有利页岩有机质保存,故对页岩气生成有利;向滨岸过度时有机质减少,页岩生成物质基础减弱。因此,在对研究区内沉积相分布及厚度分布等值线图进行数值化处理中,将沉积相按深水陆棚、浅水陆棚及滨岸体系分别赋值>2、>1和<0,如图1所示。
通过统计四川盆地及周缘构造复杂去页岩钻井成果,表明含气量与富有机质泥岩厚度有明显正相关关系(如图2所示),四川盆地五峰-龙马溪组黑色页岩分布稳定,厚度较大,对页岩甜点区形成提供有利支撑(如图3所示)。
(2)地化甜点:
沉积岩中有机质的丰度和类型是生成油气的物质基础,但有机质只有一定量的有机物质并达到一定的热演化程度才能开始大量生烃。通过对热演化程度与含气量指数关系进行分析,认为最有利于页岩气形成与富集的热演化程度(Ro)为1.1~3.0%。
请参照图4和图5,四川盆地内钻井数据表明,TOC与含气量的呈正相相关关系。若以含气量2m3/t为甜点下限,TOC甜点下限约为2.5%,在区内高值区主要分布于长宁、涪陵-武隆、巫溪一带。
请参照图6和图7,四川盆地盆内与盆外钻井Ro与含气量呈先增后减趋势。盆内页岩埋藏深时间长,热演化程度更高,处于干气阶段大量有机质孔隙发育并逐渐开始坍塌,影响储集空间,故含气量有一定程度降低;盆外因抬升早,主体仍处于高-过成熟演化阶段,较盆内热演化程度低,故在热演化较低和适中的区域含气量更高,在高演化区间含气量同样逐步降低。
(3)储集性甜点:
请参照图8,对研究区志留系龙马溪组的孔隙度与含气量进行统计,范围为0.5~7.5%。请参照图9,相关性分析结果表明,含气量随孔隙度增大而线性增加。此外,孔隙度与含气量关系出现分区特征:盆外复杂区:两低(低孔隙度低含气量);盆内高陡带:两高(高孔隙度高含气量)。
请参照图8,研究区五峰组-龙马溪组孔隙度特征在平面分布特征总体上在威远、宜宾-泸州为高值,盆内向盆外逐步减少。
请参照图10,对研究区内比表面积与含气量进行统计表明,比表面积和含气量呈正相关关系。
请参照图11和12,对志留系龙马溪组含气量和渗透率数据进行相关性分析,四川盆地及周缘龙马溪组页岩含气量与渗透率相关性不甚明显,在盆内外相关系数分别为负相关性和正相关性,说明其控制因素可能存在较大差异。如盆内保存条件好,裂缝相对不发育,渗透率越低含气性经改造后越高,而盆外总体含气量较低,相关性不明显,弱正相关性可能反映出储层孔隙间连通性较差,受裂缝沟通使含气量稍微增加的可能。
脆性矿物含量与含气量密切相关,直接影响页岩气后期压裂。脆性矿物含量高,可压性好。研究区内脆性矿物含量总体大于40%,主要以生物成因硅为主,且与含气量有一定正相关性。由此说明随着生物含量的增加,生气物质基础增加、保存条件变好,进而含气量增加。平面上,硅质矿物含量呈现由盆内西南向盆外东南增加的趋势(如图12、13和14所示),总体事宜压裂。
(4)保存甜点:
总体上,盆内保存条件较好,仅高陡构造及川南长宁背斜主体附近保存条件中等,主要考虑埋深或者局部深大断裂影响;而盆外褶皱区则需要考虑褶皱宽度、倾角、埋深及断裂分布,产状高陡(或曲率较大)曲率较大部位通常构造变形较强,断裂和裂缝较发育,影响页岩含气性。
请参照图15,盆内构造演化相对简单,但埋深变化大,存在隐伏断裂,故断裂分布和埋深影响更甚;盆外复杂区向斜单元形态各异,构造演化复杂,多期断裂叠加,埋深变化大,故露头距离、构造曲率(倾角)、断裂分布与埋深均需要考虑。
研究钻井离露头出露距离与含气量的关系表明,钻井离露头距离越远含气量越高,呈明显正向相关关系(如图16和表1所示)。
表1.四川盆地页岩气钻井统计表
请参照图17、18和19,盆内川西南与川东高陡褶皱带地层倾角变化相对较大,其余区域产状总体平缓,地层埋藏深度除高陡向斜埋深较浅外其余总体埋深较大;盆外背斜分布区断裂发育,龙马溪组地层被断层、褶皱破坏、地层埋深较小、地层连续连片分布的面积较小,而向斜发育区,地层埋藏深度变化较大、连续连片分布地层面积整体呈现褶皱核部地层较缓、两翼产状陡峭特征。断层本次主要考虑一级、二级断裂,分布主要位于盆缘及盆外部位,距一级断裂10km以上保存条件较好;距二级走滑断裂3-5km以上保存条件较好;距三级断裂1~3km以上保存条件较好。
进一步地,上述BP神经网络采用三层BP网络拓扑结构,包括输入层、隐含迭代计算层和输出层。
进一步地,上述输入层的节点数为7;隐含迭代计算层为三层,节点数为7、10、1;输出层的节点为1。
在本实施方式中,利用神经网络数学方法对甜点进行识别,数据处理共3层,包括输入层(埋深、Toc、Ro、孔隙度、渗透率、脆性矿物及压力系数等)、隐含迭代计算层和输出层,各层之间实行全连接。
步骤2:地质特征参数经BP神经网络模型建立与页岩气含气量对应的映射关系,获得各地质特征参数的最优权重。
进一步地,在本发明较佳的实施例中,上述对BP神经网络进行训练包括:
以多组页岩气钻井的特征数据及其相应的页岩气含气量作为训练样本集中的样本数据,任意选取多组样本数据输入至BP神经网络进行训练,根据每组样本数据的训练结果作为BP神经网络中神经元的连接权值,直至训练结果的误差小于预设误差阈值。
在对BP神经网络进行训练时,根据样本数据量确认训练次数,预设误差阈值为0.001。当观察到数据结构趋于稳定并在阈值范围即可停止训练。
在本实施例中,以1万~10万次训练次数对样本数据进行训练,并且,当训练次数达到1万次以上时,数据趋于稳定。
在本实施方式中,BP神经网络数据训练共4个过程:输入模式由输入层经中间层向输出层的“模式顺传播”过程;网络的希望输出与网络实际输出之差的误差信号由输出层经中间层向输入层逐层修正连接权的“误差逆传播”过程;由“模式顺传播”与“误差逆传播”的反复交替进行的网络“记忆训练”过程;网络趋于收敛即网络的全局误差趋向极小值的过程。
步骤3:将各个地质特征参数以及对应的各个参数平面图件进行量化叠加,得到页岩储层的甜点分布预测模型。
页岩气甜点的预测模型如下所示:
Gas=a·Dep+b·TOC+c·Ro+d·φ+e·K+f·BM+g·P
式中,Dep为待勘探区页岩储层的埋深;TOC为待勘探区页岩储层的有机碳含量;Ro为待勘探区页岩储层的热演化程度;φ为待勘探区页岩储层的孔隙度;K为待勘探区页岩储层的渗透率;BM为待勘探区页岩储层中脆性矿物含量;P为待勘探区页岩储层的压力系数;a、b、c、d、e、f以及h均为各所述地质参数的最优权重值。
以下结合实施例对本发明的特征和性能作进一步的详细描述:
实施例1
本实施例提供一种基于BP神经网络的页岩气甜点预测方法,流程图如图20所示,该方法根据页岩气储层的基本特征,结合四川盆地及周缘地质特点,以地质参数特征为特征数据,通过BP神经网络对页岩气“甜点”进行识别预测。
包括以下步骤:
A.收集四川盆地及周缘页岩气钻井的井位信息,得到四川盆地及周缘页岩地质参数,如表2所示。
B.考察储层甜点、保存甜点和压力系数甜点中的各项地质参数,获取与页岩气含气量相关的地质参数作为特征数据。在本实施例中,发明人经考察后,选取的特征数据为:埋深、Toc、Ro、孔隙度、渗透率、脆性矿物及压力系数。
表2.四川盆地及周缘钻井参数表
C.将上述步骤B中的特征数据输入至BP神经网络中,将特征数据与其页岩气含气量建立映射关系。
D.以多组页岩气钻井的特征数据及其相应的页岩气含气量作为训练样本集中的样本数据,任意选取多组样本数据输入至BP神经网络进行训练,根据每组样本数据的训练结果调整BP神经网络中神经元的连接权值,直至训练结果的误差小于预设误差阈值(如图21所示),得到每个特征数据的最优权重值。
E.将各特征数据的最优权重值对BP神经网络进行赋值,得到页岩储层的页岩气甜点预测模型:
Gas=0.002·Dep+0.0015·TOC-0.002·Ro+0.0015·φ+0.0003·K+0.001·BM+0.0016·P
通过步骤E得到的甜点预测模型,结合量化参数平面图,获得四川盆地及周缘海相页岩复杂区甜点分布图(如图22所示)。由图可见,在整个研究区内,靠近四川盆地内灰度较深的部分以及盆内和盆外分裂带灰度变化的部分为页岩气甜点预测位置。并且,能够有效预测到盆地内甜点的位置的变化趋势,有助于在低勘探区进行页岩气的开发。由此可知,通过该方法预测的结果具备较高的可比较性,可直观判断有利区块内甜点区域和非甜点区域。另一方面,通过多元线性回归分析各个影响参数的权重,通过量化叠加最终预测页岩气甜点区域以及优化排序,对未开采的有利区块内甜点区域具有明确指导意义。
由此可见,通过这种预测方法所得到的甜点区分布位置更细化、准确,且甜点顺序面积显示更直观,有助于避免因为简单图层叠加造成的主观判断错误,能够有效预测研究区内甜点位置的变化,也有助于在成熟探区内寻找遗漏的甜点区域。此外,该方法还有助于对低勘探程度下的构造复杂区页岩气甜点进行量化选区。
实施例2
本实施例采用与实施例1相似的基于BP神经网络的页岩气甜点预测方法,对黔北正安-务川地区于龙马溪组页岩气甜点进行预测。
图23为前期研究中某地区龙马溪组页岩有利区域分布,其中按页岩厚度大于15m划分为研究页岩甜点区。根据本次研究确定的神经网络算法预测甜点分布流程,通过量化叠加各页岩气地质参数平面分布后综合绘制黔北地区页岩甜点区分布图(图24所示)。对比可见,量化计算的甜点位置吻合性较好,具体甜点位置更细化、甜点顺序面积更直观显示。
尽管已用具体实施例来说明和描述了本发明,然而应意识到,在不背离本发明的精神和范围的情况下可以作出许多其它的更改和修改。因此,这意味着在所附权利要求中包括属于本发明范围内的所有这些变化和修改。
Claims (10)
1.一种基于BP神经网络的页岩气甜点预测方法,其特征在于,其包括:
获取储层甜点、保存甜点和压力系数甜点中的各项地质参数,评价与页岩气含气量相关的地质特征参数,将所述地质特征参数经BP神经网络模型建立与页岩气含气量对应的映射关系,获得各地质特征参数的最优权重,通过量化叠加各个参数平面图件,得到页岩储层的甜点分布预测模型。
2.根据权利要求1所述的基于BP神经网络的页岩气甜点预测方法,其特征在于,所述储层甜点中的特征数据包括:有机碳含量、热演化程度、孔隙度、渗透率及脆性矿物量。
3.根据权利要求1所述的基于BP神经网络的页岩气甜点预测方法,其特征在于,所述保存甜点中的特征数据包括埋深。
4.根据权利要求1所述的基于BP神经网络的页岩气甜点预测方法,其特征在于,所述压力系数甜点中的特征数据包括压力系数。
5.根据权利要求1所述的基于BP神经网络的页岩气甜点预测方法,所述页岩气甜点的预测模型如下:
Gas=a·Dep+b·TOC+c·Ro+d·φ+e·K+f·BM+g·P
式中,Dep为待勘探区页岩储层的埋深;TOC为待勘探区页岩储层的有机碳含量;Ro为待勘探区页岩储层的热演化程度;φ为待勘探区页岩储层的孔隙度;K为待勘探区页岩储层的渗透率;BM为待勘探区页岩储层中脆性矿物含量;P为待勘探区页岩储层的压力系数;a、b、c、d、e、f以及h均为各所述地质参数的最优权重值。
6.根据权利要求1所述的基于BP神经网络的页岩气甜点预测方法,其特征在于,所述BP神经网络采用三层BP网络拓扑结构,包括输入层、隐含迭代计算层和输出层。
7.根据权利要求6所述的基于BP神经网络的页岩气甜点预测方法,其特征在于,所述输入层的节点数为7;所述隐含迭代计算层为三层,节点数分别为7、10、1;所述输出层的节点为1。
8.根据权利要求1所述的基于BP神经网络的页岩气甜点预测方法,其特征在于,对所述BP神经网络进行训练包括:
以多组页岩气钻井的特征数据及其相应的页岩气含气量作为训练样本集中的样本数据,任意选取多组所述样本数据输入至所述BP神经网络进行训练,直至所述训练结果的误差小于预设误差阈值。
9.根据权利要求8所述的基于BP神经网络的页岩气甜点预测方法,其特征在于,在对所述BP神经网络进行训练时,根据样本数据量确认训练次数,当观察到数据结果趋于稳定并在阈值范围即可停止训练。
10.根据权利要求8所述的基于BP神经网络的页岩气甜点预测方法,其特征在于,在对所述BP神经网络进行训练时,预设误差阈值为0.001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911381155.3A CN111461386B (zh) | 2019-12-27 | 2019-12-27 | 基于bp神经网络的页岩气甜点预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911381155.3A CN111461386B (zh) | 2019-12-27 | 2019-12-27 | 基于bp神经网络的页岩气甜点预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461386A true CN111461386A (zh) | 2020-07-28 |
CN111461386B CN111461386B (zh) | 2023-08-22 |
Family
ID=71679180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911381155.3A Active CN111461386B (zh) | 2019-12-27 | 2019-12-27 | 基于bp神经网络的页岩气甜点预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461386B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112253087A (zh) * | 2020-10-20 | 2021-01-22 | 河南理工大学 | 一种基于多源测井资料的生物扰动储集层物性计算方法 |
CN112580165A (zh) * | 2020-12-14 | 2021-03-30 | 山东大学 | 一种敞开式tbm穿越不良地质刀盘卡机预测方法及系统 |
CN112578475A (zh) * | 2020-11-23 | 2021-03-30 | 中海石油(中国)有限公司 | 基于数据挖掘的致密储层双甜点识别方法 |
CN114429075A (zh) * | 2021-09-13 | 2022-05-03 | 中国石油化工股份有限公司 | 一种基于bp神经网络的页岩比表面积参数建模方法 |
CN114991745A (zh) * | 2021-11-01 | 2022-09-02 | 中国石油天然气股份有限公司 | 一种页岩油储层甜点识别方法和装置 |
CN116168172A (zh) * | 2023-04-19 | 2023-05-26 | 武汉中旺亿能科技发展有限公司 | 页岩油气甜点预测方法、装置、设备及存储介质 |
CN117272841A (zh) * | 2023-11-21 | 2023-12-22 | 西南石油大学 | 一种基于混合神经网络的页岩气甜点预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070016389A1 (en) * | 2005-06-24 | 2007-01-18 | Cetin Ozgen | Method and system for accelerating and improving the history matching of a reservoir simulation model |
CN104453875A (zh) * | 2014-10-29 | 2015-03-25 | 中国石油集团川庆钻探工程有限公司 | 基于自组织竞争神经网络的页岩气储层识别方法 |
WO2016041189A1 (zh) * | 2014-09-19 | 2016-03-24 | 杨顺伟 | 一种评价页岩气储层及寻找甜点区的方法 |
CN108229011A (zh) * | 2017-12-29 | 2018-06-29 | 中国地质大学(武汉) | 一种页岩岩相发育主控因素判断方法、设备及存储设备 |
-
2019
- 2019-12-27 CN CN201911381155.3A patent/CN111461386B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070016389A1 (en) * | 2005-06-24 | 2007-01-18 | Cetin Ozgen | Method and system for accelerating and improving the history matching of a reservoir simulation model |
WO2016041189A1 (zh) * | 2014-09-19 | 2016-03-24 | 杨顺伟 | 一种评价页岩气储层及寻找甜点区的方法 |
CN104453875A (zh) * | 2014-10-29 | 2015-03-25 | 中国石油集团川庆钻探工程有限公司 | 基于自组织竞争神经网络的页岩气储层识别方法 |
CN108229011A (zh) * | 2017-12-29 | 2018-06-29 | 中国地质大学(武汉) | 一种页岩岩相发育主控因素判断方法、设备及存储设备 |
Non-Patent Citations (6)
Title |
---|
SHENG CHEN 等: "Predicting gas content in high-maturity marine shales using artificial intelligence based seismic multiple-attributes analysis: A case study from the lower Silurian Longmaxi Formation, Sichuan Basin, China", 《MARINE AND PETROLEUM GEOLOGY》 * |
周广照等: "优化BP神经网络在川西上三叠统陆相页岩含气性预测中的应用", 《矿物岩石》 * |
巫盛洪等: "人工神经网络油气预测技术在四川气区的应用", 《天然气工业》 * |
庞小婷: "涪陵地区五峰-龙马溪组页岩定性和定量评价", 《2019油气田勘探与开发国际会议》 * |
王彬等: "利用人工神经网络优选页岩气有利开发区域", 《重庆科技学院学报(自然科学版)》 * |
钱辰等: "基于机器学习的页岩气甜点评价及其应用综述", 《2019油气田勘探与开发国际会议》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112253087A (zh) * | 2020-10-20 | 2021-01-22 | 河南理工大学 | 一种基于多源测井资料的生物扰动储集层物性计算方法 |
CN112578475A (zh) * | 2020-11-23 | 2021-03-30 | 中海石油(中国)有限公司 | 基于数据挖掘的致密储层双甜点识别方法 |
CN112580165A (zh) * | 2020-12-14 | 2021-03-30 | 山东大学 | 一种敞开式tbm穿越不良地质刀盘卡机预测方法及系统 |
CN114429075A (zh) * | 2021-09-13 | 2022-05-03 | 中国石油化工股份有限公司 | 一种基于bp神经网络的页岩比表面积参数建模方法 |
CN114991745A (zh) * | 2021-11-01 | 2022-09-02 | 中国石油天然气股份有限公司 | 一种页岩油储层甜点识别方法和装置 |
CN116168172A (zh) * | 2023-04-19 | 2023-05-26 | 武汉中旺亿能科技发展有限公司 | 页岩油气甜点预测方法、装置、设备及存储介质 |
CN117272841A (zh) * | 2023-11-21 | 2023-12-22 | 西南石油大学 | 一种基于混合神经网络的页岩气甜点预测方法 |
CN117272841B (zh) * | 2023-11-21 | 2024-01-26 | 西南石油大学 | 一种基于混合神经网络的页岩气甜点预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111461386B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461386A (zh) | 基于bp神经网络的页岩气甜点预测方法 | |
CN111046585B (zh) | 基于多元线性回归分析的页岩气甜点预测方法 | |
CN104239743B (zh) | 确定岩性油气藏成藏概率的方法和装置 | |
CN112034521B (zh) | 一种欠压实与生烃混合成因地层超压的预测方法 | |
CN105888659A (zh) | 确定岩性油气藏成藏概率的方法及装置 | |
CN113608265A (zh) | 一种基于深度混合神经网络的储层预测方法 | |
CN109633743A (zh) | 一种基于波形分类地震相技术预测煤层厚度的方法 | |
CN113033648A (zh) | 一种使用机器学习算法实现测井解释的方法 | |
Zhuoheng et al. | Production characteristics and sweet-spots mapping of the Upper Devonian–Lower Mississippian Bakken Formation tight oil in southeastern Saskatchewan, Canada | |
CN114462237A (zh) | 一种泥页岩油气甜点预测方法 | |
Chen et al. | Geological risk mapping and prospect evaluation using multivariate and Bayesian statistical methods, western Sverdrup Basin of Canada | |
CN108805158B (zh) | 一种致密油储层成岩相划分方法 | |
CN112185469B (zh) | 一种预测海域天然气水合物有利聚集区的方法 | |
CN111460725A (zh) | 基于多层次模糊识别的页岩气甜点预测 | |
CN111101935B (zh) | 一种少井条件下的油页岩预测方法 | |
CN112177605A (zh) | 一种海域天然气水合物有利聚集区主控因素的确定方法 | |
CN106568918B (zh) | 页岩有机碳含量toc预测方法 | |
CN110930020B (zh) | 非常规油气资源的经济可采资源量确定方法 | |
CN115730834A (zh) | 一种基于脆性的咸化湖相页岩油储层可压裂性评价方法 | |
CN116335648A (zh) | 基于随钻录测井资料的砾岩水平井甜点品质定量评价方法 | |
CN111505720B (zh) | 一种岩性圈闭的刻画方法 | |
CN116047602B (zh) | 基于生烃数值模拟的ii型水合物饱和度预测方法 | |
CN115079261B (zh) | 一种基于多参数定量解释模板的致密砂岩气储层评价方法 | |
Wardhana et al. | Exploring the overlooked seurula potential in Arun field; a preliminary study from outcrops and subsurface data in North Sumatra Basin | |
CN113031065B (zh) | 一种油田砂体地质建模方法 |
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 |