CN111594156B - 一种天然气水合物饱和度计算方法及系统 - Google Patents
一种天然气水合物饱和度计算方法及系统 Download PDFInfo
- Publication number
- CN111594156B CN111594156B CN202010281422.6A CN202010281422A CN111594156B CN 111594156 B CN111594156 B CN 111594156B CN 202010281422 A CN202010281422 A CN 202010281422A CN 111594156 B CN111594156 B CN 111594156B
- Authority
- CN
- China
- Prior art keywords
- natural gas
- gas hydrate
- saturation
- logging
- 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.)
- Active
Links
- NMJORVOYSJLJGU-UHFFFAOYSA-N methane clathrate Chemical compound C.C.C.C.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O NMJORVOYSJLJGU-UHFFFAOYSA-N 0.000 title claims abstract description 87
- 238000004364 calculation method Methods 0.000 title claims description 32
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 54
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000015572 biosynthetic process Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 10
- 238000005755 formation reaction Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000007789 gas Substances 0.000 description 6
- 239000003345 natural gas Substances 0.000 description 6
- 239000011148 porous material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000003208 petroleum Substances 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 239000004927 clay Substances 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- -1 natural gas hydrates Chemical class 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000008398 formation water Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036571 hydration Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004058 oil shale Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK 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
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Geophysics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种天然气水合物饱和度计算方法及系统，该方法包括：基于已分类的样本数据及贝叶斯算法建立判别函数，并通过所述判别函数对样本数据和待判别测井数据进行分类；通过决策超平面在多维空间中对不同组样本的划分，建立天然气水合物饱和度与判别函数的关系，以计算天然气水合物饱和度。通过该方案可以综合有效利用各测井曲线，提高天然气水合物饱和度计算的准确性。
Description
技术领域
本发明涉及油气勘探领域，尤其涉及一种天然气水合物饱和度计算方法及系统。
背景技术
在天然气勘探过程中，需要预先探明天然气位置及储量，对于天然气水合物开采，由于开采难度更大，更需要提前探测其位置及存储量。由于天然气水合物的赋存机理与常规油气不同，主要是通过低渗透性岩层来抑制孔隙中的烃类气体逸散，因此天然气水合物储层多为粉砂岩、泥岩和油页岩等低孔低渗储层，这导致天然气水合物的测井识别与储层参数计算难度加大。
对于天然气水合物的储量，可以通过储层的孔隙度和饱和度来衡量，一般孔隙度计算相对容易，而天然气水合物的饱和度计算通常是重难点。在天然气水合物的饱和度计算模型中，一种是将水合物看作岩石中的矿物颗粒成分，对于温压条件已经发生变化的冻土深度以下的地层而言，天然气水合物会由固态直接气化，而将水合物看作矿物颗粒成分难以表征实际测井环境；另一种是将天然气水合物当作孔隙中的流体，从而方便引入油气解释中的饱和度计算模型，这类饱和度计算方法通常有电阻率法和声波时差法。电阻率法有阿尔奇公式、修正阿尔奇公式、双水模型、印度尼西亚公式等，声波时差法有时间平均方程、修正伍德方程、等效介质理论、热弹性理论、BGTL理论、K-T方程等，对于每一种饱和度算法都有其适用范围，不同算法的饱和度计算结果相差非常大。这些常规饱和度计算模型通常只用到某一项关键测井参数，而基于石油或天然气的单一测井曲线计算饱和度的方法难以全面表征水合物的实际赋存情况，影响饱和度计算结果的准确性。
发明内容
有鉴于此，本发明实施例提供了一种天然气水合物饱和度计算方法及系统，以解决现有天然气水合物饱和度计算准确性不高的问题。
在本发明实施例的第一方面，提供了一种天然气水合物饱和度计算方法，包括：
基于已分类的样本数据及贝叶斯算法建立判别函数，并通过所述判别函数对样本数据和待判别测井数据进行分类；
通过决策超平面在多维空间中对不同组样本的划分，建立天然气水合物饱和度与判别函数的关系，以计算天然气水合物饱和度。
在本发明实施例的第二方面，提供了一种天然气水合物饱和度计算系统，包括：
分类模块，用于基于已分类的样本数据及贝叶斯算法建立判别函数，并通过所述判别函数对样本数据和待判别测井数据进行分类；
计算模块，用于通过决策超平面在多维空间中对不同组样本的划分，建立天然气水合物饱和度与判别函数的关系，以计算天然气水合物饱和度。
在本发明实施例中，基于已分类的样本数据及贝叶斯算法建立判别函数，并通过所述判别函数对样本数据和待判别测井数据进行分类；通过决策超平面在多维空间中对不同组样本的划分，建立天然气水合物饱和度与判别函数的关系，以计算天然气水合物饱和度。可以有效综合利用各测井曲线信息，提高计算精度，解决了现有天然气水合物饱和度计算准确度不高的问题。同时，该方案实现方式简单，计算速度快，可以及时提供关键气层位和取芯测试深度的建议。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，对本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他附图。
图1为本发明的一个实施例提供的天然气水合物饱和度计算方法的流程示意图；
图2为本发明的一个实施例提供的天然气水合物饱和度计算方法的效果示意图；
图3为本发明的一个实施例提供的天然气水合物饱和度计算方法的效果示意图；
图4为本发明的一个实施例提供的天然气水合物饱和度计算系统的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述，意指覆盖不排他的包含，如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。
请参阅图1，图1为本发明实施例提供的天然气水合物饱和度计算方法的流程示意图，包括：
S101、基于已分类的样本数据及贝叶斯算法建立判别函数，并通过所述判别函数对样本数据和待判别测井数据进行分类；
所述贝叶斯算法中建立在待预测参数的先验估计和已知参数对未知参数的条件分布的基础上，计算该未知参数的后验概率分布，获得最大后验概率时对应的参数值作为未知参数的预测结果。
可选的，对测井数据进行深度校正、环境校正，挑选预订数量测井质量较好、测井曲线稳定的深度段测井数据作为样本，为贝叶斯判别做样本准备。
其中，岩性类值i共有M组(即i＝1,2…M)；每组样本j有Ni行(即j＝1,2…Ni)，各组样本k共N行(k＝1,2…L；k1＝1,2…L；k2＝1,2…L)；有效测井参数k共L列。令待判别数据向量Yj第j行测井数据，yjk为向量Yj中的第k列测井参数，所述待判别数据可以是回代的样本数据，也可以是新输入的测井数据。
进一步的，重新排列学习样本，将所有的N个采样点的样本数据重新分为M组岩性(含天然气水合物的岩性和不含天然气水合物的岩性独立为两种岩性)，每个深度的测井数据根据组号次序重新排列为：Xij＝(xij1,xij2...xijL)。
在贝叶斯判别分类过程中，通过样本数据的平均值表征L维空间中样本集合体的中心坐标，各组岩性的每一种测井参数的平均值可以写为：
采用多维变量的高斯密度函数模拟天然气水合物储层的类条件密度，L维空间中的高斯分布显示为一个L维的椭球体，贝叶斯判别中的协方差矩阵表征椭球体的长轴方向及大小的信息，协方差矩阵的逆矩阵P-1为L×L的矩阵：
基于最小错误率，计算由测井参数均值和协方差特征表示的核函数为高斯分布的判别函数：
其中，表示测井参数平均值，xijk为样本数据，/>P-1表示协方差矩阵的逆矩阵,Fij(Yj)表示判别函数，在M×(L+1)的判别函数系数矩阵中/>岩性类值i共有M组(即i＝1,2…M)；每组样本j有Ni行，各组样本k共N行，有效测井参数k共L列(k1＝1,2…L；k2＝1,2…L)；
公式(4)计算结果的最大值对应的i值为样本数据或待判别测井数据的岩性类值。可以根据判别类值与实际类值的统计计算学习样本数据的拟合度，或者待预测待数据的精确度。
S102、通过决策超平面在多维空间中对不同组样本的划分，建立天然气水合物饱和度与判别函数的关系，以计算天然气水合物饱和度。
不同于机器学习中直接将测井、地震数据与已知的储层物性参数关联起来，贝叶斯判别函数饱和度算法是一种基于数个假设的饱和度估计算法，不需要饱和度的实验测试资料和地区经验参数，适用于天然气水合物勘探阶段的饱和度估测。一般可以假设：(1)先假设天然气水合物饱和度值与各测井值之间为线性相关，若天然气水合物饱和度与测井值有明确的非线性相关，则可以通过另外建立测井曲线值和饱和度的关系式来消除非线性的影响因素；(2)假设样本数据中存在纯天然气水合物储层，或者提供具体深度的天然气水合物饱和度信息；(3)假设学习样本足够多且满足高斯分布，符合本文的贝叶斯密度函数模型，且不同储层中的天然气水合物引起的测井参数值变化规律一致。
在常规贝叶斯判别算法的判别过程当中，每组测井参数通过判别函数计算出判别结果后仅仅比较最大值，并未继续挖掘Fij(Yj)的含义。在对比第j行样本的M种岩性的贝叶斯判别函数Fij(Yj)大小时，判别函数系数矩阵为常数矩阵，故每一条测井曲线均与Fij(Yj)呈线性相关，这使得贝叶斯判别的判别机理最终表现为对不同组样本空间进行划分。当区分砂岩和泥岩时，可以认为对应的Fij(Yj)主要代表了地层孔隙度和泥质含量的差异；当区分天然气水合物储层和水层时，可以认为对应的Fij(Yj)主要代表了地层的孔隙度和含水饱和度的差异。由于孔隙度比较容易确定，可以由此建立天然气水合物饱和度与判别函数的关系。
通过比对第j个深度处的待判别测井数据的天然气水合物的饱和度Sj可以得到SBDF公式：
其中，最大Sj对应的样本序号标记为J，某一岩性在含天然气水合物时的岩性组号为i1，在为纯水层时的岩性组号i2；第j个深度处的地层总孔隙度为φj，第j个深度处的地层总孔隙度为φJ。
需要注意的是，在没有天然气水合物饱和度的实验测试资料时，由于YJ的选取对于贝叶斯判别饱和度的影响非常大，故在样本的选取当中，应当最大程度增加天然气水合物储层的样本数量，同时剔除掉因仪器测量故障、井壁坍塌等非储层因素引起的异常数据样本；另外，即使SJ的值不确定，那么在相同岩性之间，通过SBDF公式计算出的饱和度之间也具有相对的比较意义；而在能够获取有效的天然气水合物饱和度的岩心测试资料时，则可以直接将该岩心深度处的测井数据标记为SBDF公式中的第J组样本，并赋值SJ，计算Fi1j(YJ)、Fi2j(YJ)，这样的岩心数据标定可以使得Sj的计算结果更加准确。
常规的饱和度计算公式可以表示为：S＝uxw+v。
基于电阻率实验数据的经验公式—阿尔奇公式在计算天然气水合物饱和度Sh时可以变化为：
其中，Rt为电阻率测井值(Ω.m)；a和b为比例系数，m为胶结系数；n为饱和度指数，φ为地层孔隙度(％)，Rw为孔隙中地层水的电阻率值(Ω.m)。
基于声波数据的理论公式—修正wood方程在计算天然气水合物饱和度Sh时可以变化为：
其中，AC为声波时差值(μs/m)，φ为地层孔隙度(％)，ρ是密度测井值(g/cm3)，下标中的ma表示骨架中的参数，w表示水的参数，h表示天然气水合物的参数，密度测井(DEN)和自然伽马测井(GR)可以认为DEN、GR与Sh为线性相关。
优选的，将学习样本和待判别测井数据统一进行幂函数转化处理(x→xw，y→yw)，根据上式用替代Rt，用AC2替代AC。因为贝叶斯判别的过程对数据空间进行决策超平面划分，SBDF算法考虑的同样是线性关系，可以不考虑u和v项。然后将空间转换处理后的测井数据代入贝叶斯判别和SBDF计算中，可得到基于常规饱和度模型的SBDF-CS算法。
其中，所述SBDF算法即基于线性模型的贝叶斯判别函数饱和度算法(Saturationfrom Bayesian Discriminant Function with Linear Correlation)，所述SBDF-CS算法即考虑常规饱和度模型的贝叶斯判别函数饱和度算法(Saturation from BayesianDiscriminant Function considering Conventional Saturationmodel)。
在本实施例，通过SBDF和SBDF-CS算法计算天然气水合物饱和度具有以下优点：1.算法的计算精度较高，在理论模型和岩心测试资料的比对中均得到证实；2.模型源自于对学习样本空间的统计分割，因此具有明确的统计学意义和更好的地区储层针对性，需要地质资料较少且适用于不同的储层；3.算法的学习样本数据选自于测井响应显著的储层段，参数完全来自于学习样本或实验测试资料，因此饱和度计算结果非常客观；4.算法适用于综合解释天然气水合物的多物理场响应，降低单一测井参数计算饱和度的多解性问题；(5)算法的实现方式简单、计算速度快，可以及时提供关键试气层位和取芯测试深度的建议。
图2和图3均为天然气水合物饱和度计算方法的效果示意图，通过图2中的不同理论模型的饱和度误差可以得到交会图图3，统计结果显示SBDF对不同饱和度的平均误差为11.1％，SBDF-CS为12.2％，两种算法结果与理论值的误差大都在30％以内，远小于常规饱和度模型通过常规参数得到的计算误差。由于该实验的理论模型测井数据采用的是石油测井中的泥质含量、孔隙度、饱和度计算模型，故结合理论公式推导和理论模型实验，可以认为SBDF,SBDF-CS算法同样适用于石油及其衍生的测井解释过程。
从图1的Lithology in SBDF和Lithology in SBDF-CS两道中发现，模型饱和度的值在大于25％的时候，贝叶斯判别结果正确，在小于25％时，受非天然气水合物储层段的测井曲线噪声范围的影响，岩性均被错判为非天然气水合物储层。由此引发的图1中SBDF和SBDF-CS算法均在20％模型饱和度处归零，这也就是说决策超平面方程式在实际的样本数据空间划分时，受非天然气水合物饱和度因素的干扰，会向着含天然气水合物的样本空间偏移，最终导致天然气水合物饱和度低的储层段被误判为非水合物储层。而这些地层因为测井曲线波动较小且与噪声波动非常相似的缘故，不论是通过人工经验识别还是机器数学判别，都是非常难以判定正确的。可以让决策超平面向样本的非储层空间移动，在贝叶斯判别算法中表现为增加天然气水合物样本的判别函数式中的先验概率值。针对不同的天然气水合物储层样本，先简单地增加相同的概率值，然后应用于实际井处理中。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图4为本发明实施例提供的一种天然气水合物饱和度计算系统的结构示意图，该系统包括：
分类模块410，用于基于已分类的样本数据及贝叶斯算法建立判别函数，并通过所述判别函数对样本数据和待判别测井数据进行分类；
可选的，对测井数据进行深度校正和环境校正，选择预定数量测井曲线稳定、测井质量优良的深度段的测井数据作为样本。
可选的，所述待判别测井数据为回代的样本数据或新输入的测井数据。
具体的，基于最小错误率，计算由测井参数均值和协方差特征表示的核函数为高斯分布的判别函数：
其中，表示测井参数平均值，xijk为样本数据，/>P-1表示协方差矩阵的逆矩阵,Fij(Yj)表示判别函数，在M×(L+1)的判别函数系数矩阵中/>岩性类值i共有M组(即i＝1,2…M)；每组样本j有Ni行，各组样本k共N行，有效测井参数k共L列(k1＝1,2…L；k2＝1,2…L)；
公式(3)计算结果的最大值对应的i值为样本数据或待判别测井数据的岩性类值。
计算模块420，用于通过决策超平面在多维空间中对不同组样本的划分，建立天然气水合物饱和度与判别函数的关系，以计算天然气水合物饱和度。
优选的，通过比对第j个深度处的待判别测井数据的天然气水合物的饱和度Sj可以得到SBDF公式：
其中，最大Sj对应的样本序号标记为J，某一岩性在含天然气水合物时的岩性组号为i1，在为纯水层时的岩性组号i2；第j个深度处的地层总孔隙度为φj，第j个深度处的地层总孔隙度为φJ。
可选的，增加天然气水合物储层的的样本数量，并剔除非储层因素引起的异常数据样本。
优选的，所述通过比对第j个深度处的待判别测井数据的天然气水合物的饱和度Sj可以得到SBDF公式还包括：
将学习样本和待判别测井数据统一进行幂函数转化处理，将转化处理后的测井数据代入SBDF公式中。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括步骤S101至S102，所述的存储介质包括如：ROM/RAM、磁碟、光盘等。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种天然气水合物饱和度计算方法，其特征在于，包括：
基于已分类的样本数据及贝叶斯算法建立判别函数，并通过所述判别函数对样本数据和待判别测井数据进行分类；
其中，基于最小错误率，计算由测井参数均值和协方差特征表示的核函数为高斯分布的判别函数：
其中，表示测井参数平均值，xijk为样本数据，ni表示每组样本数量，yjk表示待判别测井数据，/>P-1表示协方差矩阵的逆矩阵,Fij(Yj)表示判别函数，在M×(L+1)的判别函数系数矩阵中/>岩性类值i共有M组；每组样本j有Ni行，各组样本k共L列，有效测井参数k共L列，N表示采样点数量；
公式(3)计算结果的最大值对应的i值为样本数据或待判别测井数据的岩性类值；
通过决策超平面在多维空间中对不同组样本的划分，建立天然气水合物饱和度与判别函数的关系，以计算天然气水合物饱和度；
其中，通过比对第j个深度处的待判别测井数据的天然气水合物的饱和度sj可以得到SBDF公式：
其中，最大Sj对应的样本序号标记为J，某一岩性在含天然气水合物时的岩性组号为i1，在为纯水层时的岩性组号i2；第j个深度处的地层总孔隙度为φj，第J个深度处的地层总孔隙度为φJ。
2.根据权利要求1所述的方法，其特征在于，所述基于已分类的样本数据采用贝叶斯算法建立判别函数包括：
对测井数据进行深度校正和环境校正，选择预定数量测井曲线稳定、测井质量优良的深度段的测井数据作为样本。
3.根据权利要求1所述的方法，其特征在于，所述待判别测井数据为回代的样本数据或新输入的测井数据。
4.根据权利要求1所述的方法，其特征在于，所述通过比对第j个深度处的待判别测井数据的天然气水合物的饱和度sj可以得到SBDF公式还包括：
增加天然气水合物储层的的样本数量，并剔除非储层因素引起的异常数据样本。
5.根据权利要求1所述的方法，其特征在于，所述通过比对第j个深度处的待判别测井数据的天然气水合物的饱和度sj可以得到SBDF公式还包括：
将学习样本和待判别测井数据统一进行幂函数转化处理，将转化处理后的测井数据代入SBDF公式中。
6.一种天然气水合物饱和度计算系统，其特征在于，包括：
分类模块，用于基于已分类的样本数据及贝叶斯算法建立判别函数，并通过所述判别函数对样本数据和待判别测井数据进行分类；
其中，基于最小错误率，计算由测井参数均值和协方差特征表示的核函数为高斯分布的判别函数：
其中，表示测井参数平均值，xijk为样本数据，ni表示每组样本数量，yjk表示待判别测井数据，/>P-1表示协方差矩阵的逆矩阵,Fij(Yj)表示判别函数，在M×(L+1)的判别函数系数矩阵中/>岩性类值i共有M组；每组样本j有Ni行，各组样本k共L列，有效测井参数k共L列，N表示采样点数量；
公式(3)计算结果的最大值对应的i值为样本数据或待判别测井数据的岩性类值；
计算模块，用于通过决策超平面在多维空间中对不同组样本的划分，建立天然气水合物饱和度与判别函数的关系，以计算天然气水合物饱和度；
其中，通过比对第j个深度处的待判别测井数据的天然气水合物的饱和度sj可以得到SBDF公式：
其中，最大Sj对应的样本序号标记为J，某一岩性在含天然气水合物时的岩性组号为i1，在为纯水层时的岩性组号i2；第j个深度处的地层总孔隙度为φj，第J个深度处的地层总孔隙度为φJ。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010281422.6A CN111594156B (zh) | 2020-04-10 | 2020-04-10 | 一种天然气水合物饱和度计算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010281422.6A CN111594156B (zh) | 2020-04-10 | 2020-04-10 | 一种天然气水合物饱和度计算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111594156A CN111594156A (zh) | 2020-08-28 |
| CN111594156B true CN111594156B (zh) | 2023-10-13 |
Family
ID=72183489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010281422.6A Active CN111594156B (zh) | 2020-04-10 | 2020-04-10 | 一种天然气水合物饱和度计算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111594156B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114897923B (zh) * | 2022-05-25 | 2023-07-21 | 中国海洋大学 | 天然气水合物ct图像阈值分割方法、系统、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103063701A (zh) * | 2012-12-26 | 2013-04-24 | 中国科学院广州能源研究所 | 一种天然气水合物沉积物热导率测量装置 |
| CN103604836A (zh) * | 2013-10-25 | 2014-02-26 | 中国石油天然气股份有限公司 | 一种测定天然气水合物储层饱和度的方法及设备 |
| CN109582923A (zh) * | 2018-11-06 | 2019-04-05 | 广州海洋地质调查局 | 一种基于双参数计算水合物饱和度的方法及处理终端 |
| CN110579802A (zh) * | 2019-10-09 | 2019-12-17 | 中国科学院海洋研究所 | 一种天然气水合物储层物性参数的高精度反演方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5396589B2 (ja) * | 2007-06-21 | 2014-01-22 | シュルンベルジェ ホールディングス リミテッド | マルチアトリビュート地震探査データによるガスハイドレートの特徴付け |
-
2020
- 2020-04-10 CN CN202010281422.6A patent/CN111594156B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103063701A (zh) * | 2012-12-26 | 2013-04-24 | 中国科学院广州能源研究所 | 一种天然气水合物沉积物热导率测量装置 |
| CN103604836A (zh) * | 2013-10-25 | 2014-02-26 | 中国石油天然气股份有限公司 | 一种测定天然气水合物储层饱和度的方法及设备 |
| CN109582923A (zh) * | 2018-11-06 | 2019-04-05 | 广州海洋地质调查局 | 一种基于双参数计算水合物饱和度的方法及处理终端 |
| CN110579802A (zh) * | 2019-10-09 | 2019-12-17 | 中国科学院海洋研究所 | 一种天然气水合物储层物性参数的高精度反演方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111594156A (zh) | 2020-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Otchere et al. | Application of gradient boosting regression model for the evaluation of feature selection techniques in improving reservoir characterisation predictions | |
| US10324229B2 (en) | System and method of pore type classification for petrophysical rock typing | |
| Grana et al. | Quantitative log interpretation and uncertainty propagation of petrophysical properties and facies classification from rock-physics modeling and formation evaluation analysis | |
| US8364447B2 (en) | Method, program and computer system for conciliating hydrocarbon reservoir model data | |
| US8874419B2 (en) | Method of developing a petroleum reservoir from a facies map construction | |
| AU2021261300B2 (en) | Method for estimating fluid saturation of a rock | |
| MX2014005443A (es) | Sistemas y metodos de prediccion de permeabilidad utilizando analisis discriminante cuadratico. | |
| Stephen et al. | Improved normalization of time‐lapse seismic data using normalized root mean square repeatability data to improve automatic production and seismic history matching in the Nelson field | |
| Penna et al. | Decameter-scale flow-unit classification in Brazilian presalt carbonates | |
| Koolivand-Salooki et al. | Application of genetic programing technique for predicting uniaxial compressive strength using reservoir formation properties | |
| Liu et al. | Bayesian discriminant analysis of lithofacies integrate the Fisher transformation and the kernel function estimation | |
| Rong et al. | Machine learning method for TOC prediction: Taking wufeng and longmaxi shales in the Sichuan Basin, Southwest China as an example | |
| Zeng et al. | Selective methods of TOC content estimation for organic-rich interbedded mudstone source rocks | |
| CN111594156B (zh) | 一种天然气水合物饱和度计算方法及系统 | |
| CN107831540A (zh) | 储层物性参数直接提取新方法 | |
| Cho et al. | Quasi 3D transdimensional Markov-chain Monte Carlo for seismic impedance inversion and uncertainty analysis | |
| CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
| Barach et al. | Development and identification of petrophysical rock types for effective reservoir characterization: Case study of the Kristine Field, Offshore Sabah | |
| US20230393303A1 (en) | Integrated diagenetic-depositional facies (iddf) characterization and 3d geomodeling | |
| D'Windt | Reservoir zonation and permeability estimation: A Bayesian approach | |
| Zhang | Ensemble methods of data assimilation in porous media flow for non-Gaussian prior probability density | |
| CN112987091A (zh) | 储层检测方法、装置、电子设备和存储介质 | |
| Tømmerås et al. | Prewell and postwell predictions of oil and gas columns using an iterative Monte Carlo technique with three-dimensional petroleum systems modeling | |
| Nath et al. | Prediction and analysis of geomechanical properties using deep learning: A Permian Basin case study | |
| Azizzadeh Mehmandoust Olya et al. | Hydrocarbon reservoir potential mapping through Permeability estimation by a CUDNNLSTM Deep Learning Algorithm |
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 |