CN111766635A - 砂体连通程度分析方法和系统 - Google Patents
砂体连通程度分析方法和系统 Download PDFInfo
- Publication number
- CN111766635A CN111766635A CN201910261073.9A CN201910261073A CN111766635A CN 111766635 A CN111766635 A CN 111766635A CN 201910261073 A CN201910261073 A CN 201910261073A CN 111766635 A CN111766635 A CN 111766635A
- Authority
- CN
- China
- Prior art keywords
- neural network
- wells
- sand body
- body communication
- well
- 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
- 239000004576 sand Substances 0.000 title claims abstract description 243
- 238000004891 communication Methods 0.000 title claims abstract description 148
- 238000004458 analytical method Methods 0.000 title claims abstract description 128
- 238000013528 artificial neural network Methods 0.000 claims abstract description 223
- 238000011161 development Methods 0.000 claims abstract description 81
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 127
- 238000012360 testing method Methods 0.000 claims description 118
- 238000000034 method Methods 0.000 claims description 68
- 238000012216 screening Methods 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 23
- 230000035699 permeability Effects 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 239000011435 rock Substances 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 19
- 230000002829 reductive effect Effects 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 abstract description 11
- 238000011084 recovery Methods 0.000 abstract description 11
- 238000009826 distribution Methods 0.000 abstract description 8
- 239000010410 layer Substances 0.000 description 136
- 230000006870 function Effects 0.000 description 111
- 230000004913 activation Effects 0.000 description 41
- 210000002569 neuron Anatomy 0.000 description 36
- 230000008569 process Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 18
- 238000004088 simulation Methods 0.000 description 12
- 238000012546 transfer Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 239000011229 interlayer Substances 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 239000000126 substance Substances 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000002347 injection Methods 0.000 description 5
- 239000007924 injection Substances 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000010355 oscillation Effects 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 4
- 230000002035 prolonged effect Effects 0.000 description 4
- 239000004575 stone Substances 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005251 gamma ray Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000011423 initialization method Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 208000035126 Facies Diseases 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
- G01V5/04—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity specially adapted for well-logging
- G01V5/06—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity specially adapted for well-logging for detecting naturally radioactive minerals
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- High Energy & Nuclear Physics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种砂体连通程度分析方法和系统，根据砂泥岩发育情况和井距筛选待分析井；利用预设的BP神经网络模型预测至少两口井的砂体连通程度，能够有效减少运算量，并通过采用BP神经网络实现砂体连通程度分析，能够快速、高效、准确判断各类接触关系的砂体连通程度，利于河流相砂岩油藏开发中后期剩余油的开采，为河流相砂岩油藏开发中后期剩余油分布预测提供基础，同时为改善河道砂体开发效果、提高油田采收率提供重要技术支撑。
Description
技术领域
本发明涉及碎屑岩油藏开发技术领域，尤其涉及一种砂体连通程度分析方法和系统。
背景技术
在河流沉积序列中，不同类型河流能量变化较大。受可容纳空间及沉积物供给的影响，常出现同期不同河道横向错叠或不同期次河道纵向切叠等现象。多变的叠置样式导致河流相砂体的展布规模及连通状况十分复杂，砂体连通性研究难度大。
国内大多数河流相油藏都处于注水开发后期，厘清单砂体横向及纵向连通程度，对于油田及时调整注采井网、提高采收率具有重要的意义。
目前，砂体连通性分析时通常对整个工区的所有井进行分析处理，而油田进入开发中后期，一个油藏可能有几百到上千口开发井，通过分析整个工区所有井的数据来判断井间砂体的连通性的方式计算量庞大，不能快速判断各类接触关系的砂体连通程度，不利于河流相砂岩油藏开发中后期剩余油的开采。
发明内容
有鉴于此，本发明提供一种砂体连通程度分析方法、系统、电子设备以及计算机可读存储介质，根据砂泥岩发育情况和井距筛选待分析井，有效减少运算量，并通过采用BP神经网络定量分析砂体连通程度，能够快速判断各类接触关系的砂体连通程度，利于河流相砂岩油藏开发中后期剩余油的开采。
为了实现上述目的，本发明采用如下技术方案：
第一方面，提供一种砂体连通程度分析方法，包括：
根据砂泥岩发育情况和井距筛选待分析井；
利用预设的BP神经网络模型预测至少两口井的砂体连通程度。
进一步地，该根据砂泥岩发育情况和井距筛选待分析井，包括：
获取一工区所有井的测井解释数据，该测井解释数据包括用于表征砂泥岩发育情况的GR值；
根据该GR值获取该工区中发育砂岩的井；
根据两口井之间的井距在获取的发育砂岩的井中获取待分析井。
进一步地，该根据该GR值获取该工区中发育砂岩的井，包括：
对所有井的GR值进行归一化；
获取归一化后的GR值小于预设阈值的井作为该工区中发育砂岩的井。
进一步地，该根据两口井之间的井距在获取的发育砂岩的井中获取待分析井，包括：
在获取的发育砂岩的井中，筛选两口井之间的井距小于2倍平均井距的井作为待分析井。
进一步地，该利用预设的BP神经网络模型预测至少两口井的砂体连通程度，包括：
从至少两口井的测井解释数据中筛选特征参数；
将该特征参数作为预测样本，输入预设的BP神经网络，该BP神经网络的输出表征该至少两口井的砂体连通程度。
进一步地，该从至少两口井的测井解释数据中筛选特征参数，包括：
当需要分析该至少两口井的横向砂体连通程度时，从至少两口井的测井解释数据中筛选井距、砂地比、渗透率和油藏品质因子作为该特征参数。
进一步地，砂体连通程度分析方法还包括：
构建一BP神经网络；
根据多个历史测井解释数据获取该BP神经网络的训练样本集；
应用该训练样本集对该BP神经网络进行模型训练。
进一步地，该BP神经网络由输入层、至少一中间层以及输出层依次组成，特征参数经输入层输入后，在该BP神经网络中进行层层映射，得到各层对应于该特征参数不同的表现形式。
进一步地，砂体连通程度分析方法还包括：
根据至少一个测试用历史测井解释数据得到测试样本；
应用该测试样本对该BP神经网络进行模型测试，并将该BP神经网络的输出作为测试结果；
基于该测试结果及至少一个测试用历史测井解释数据的已知分析结果，判断当前BP神经网络是否符合预设要求；
若是，则将当前BP神经网络作为用于分析砂体连通程度的目标BP神经网络。
进一步地，砂体连通程度分析方法还包括：
若当前BP神经网络不符合预设要求，则应用更新后的训练样本集重新对该BP神经网络进行模型训练。
进一步地，在将该特征参数作为预测样本，输入预设的BP神经网络之前，还包括：
对该特征参数进行归一化处理。
第二方面，提供一种砂体连通程度分析系统，包括：
筛选装置，根据砂泥岩发育情况和井距筛选待分析井；
预测装置，利用预设的BP神经网络模型预测至少两口井的砂体连通程度。
进一步地，该筛选装置包括：
砂泥岩发育情况获取模块，获取一工区所有井的测井解释数据，该测井解释数据包括用于表征砂泥岩发育情况的GR值；
发育砂岩井获取模块，根据该GR值获取该工区中发育砂岩的井；
待分析井获取模块，根据两口井之间的井距在获取的发育砂岩的井中获取待分析井。
进一步地，该发育砂岩井获取模块包括：
GR归一化单元，对所有井的GR值进行归一化；
GR比较单元，获取归一化后的GR值小于预设阈值的井作为该工区中发育砂岩的井。
进一步地，该待分析井获取模块包括：
井距筛选单元，在获取的发育砂岩的井中，筛选两口井之间的井距小于2倍平均井距的井作为待分析井。
进一步地，该预测装置包括：
筛选模块，从至少两口井的测井解释数据中筛选特征参数；
分析模块，将该特征参数作为预测样本，输入预设的BP神经网络，该BP神经网络的输出表征该至少两口井的砂体连通程度。
进一步地，该筛选模块包括：
分析筛选单元，当需要分析该至少两口井的横向砂体连通程度时，从至少两口井的测井解释数据中筛选井距、砂地比、渗透率和油藏品质因子作为该特征参数。
进一步地，该预测装置还包括：
建模模块，构建一BP神经网络；
训练样本获取模块，根据多个历史测井解释数据获取该BP神经网络的训练样本集；
训练模块，应用该训练样本集对该BP神经网络进行模型训练。
进一步地，该BP神经网络由输入层、至少一中间层以及输出层依次组成，特征参数经输入层输入后，在该BP神经网络中进行层层映射，得到各层对应于该特征参数不同的表现形式。
进一步地，该预测装置还包括：
测试样本获取模块，根据至少一个测试用历史测井解释数据得到测试样本；
测试模块，应用该测试样本对该BP神经网络进行模型测试，并将该BP神经网络的输出作为测试结果；
模型精度判断模块，基于该测试结果及至少一个测试用历史测井解释数据的已知分析结果，判断当前BP神经网络是否符合预设要求；
模型输出模块，在当前BP神经网络符合预设要求时，将当前BP神经网络作为用于分析砂体连通程度的目标BP神经网络。
进一步地，该预测装置还包括：
模型优化模块，在当前BP神经网络不符合预设要求时，应用更新后的训练样本集重新对该BP神经网络进行模型训练。
进一步地，该预测装置还包括：
归一化模块，对该特征参数进行归一化处理。
第三方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现上述的砂体连通程度分析方法的步骤。
第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的砂体连通程度分析方法的步骤。
本发明提供的砂体连通程度分析方法、系统、电子设备以及计算机可读存储介质，根据砂泥岩发育情况和井距筛选待分析井；利用预设的BP神经网络模型预测至少两口井的砂体连通程度。其中，根据砂泥岩发育情况和井距筛选待分析井，有效减少运算量，并通过采用BP神经网络实现砂体连通程度分析，能够快速、高效、准确判断各类接触关系的砂体连通程度，利于河流相砂岩油藏开发中后期剩余油的开采，为河流相砂岩油藏开发中后期剩余油分布预测提供基础，同时为改善河道砂体开发效果、提高油田采收率提供重要技术支撑。
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中的服务器S1与客户端设备B1之间的架构示意图；
图2为本发明实施例中的服务器S1、客户端设备B1及数据库服务器S2之间的架构示意图；
图3是本发明实施例中的砂体连通程度分析方法的流程示意图一；
图4示出了图3中步骤S1的具体步骤；
图5示出了图3中步骤S2的具体步骤；
图6示出了图3中步骤S2的另一种具体步骤；
图7为本发明实施例中的BP神经网络的结构示意图；
图8示出了图3中步骤S2的再一种具体步骤；
图9示出了本发明实施例中用于分析横向砂体连通程度的BP神经网络结构示例；
图10示出了应用本发明实施例中的砂体连通程度分析方法后的砂体横向连通性分析BP网络仿真结果线性回归分析图；
图11示出了应用本发明实施例中的砂体连通程度分析方法后得到的砂体横向连通性分析BP网络预测结果；
图12是本发明实施例中的砂体连通程度分析系统的结构框图一；
图13示出了图12中预测装置200的结构图一；
图14示出了图12中预测装置200的结构图二；
图15是本发明实施例中的砂体连通程度分析系统中测试机构的结构框图；
图16为本发明实施例电子设备的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都应当属于本申请保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
储层砂体连通性一般指成因单元砂体在垂向上和侧向上相互接触连通的方式及程度，是影响油气田的开发的重要因素。化学驱是注水砂岩油藏大幅度提高采收率的主要接替技术，对于处于高采出程度、高含水期的老油田，水驱开发的动用程度相对较高，提高采收率空间较小，探索和试验化学驱已迫在眉睫。
以往的化学驱储层均为中高渗透率的厚层油藏，储层砂体连通性均较好，通常仅需筛选出声波时差大于指定阈值、电阻率大于指定阈值的目的层段，便可以在注入井对应射孔和化学驱开发。然而，针对薄互层中低渗透率的砂岩油藏，由于该油藏的非均质性较强，砂体连通性差异较大，如此，在进行化学驱开发之前，有必要先确定该油藏中目的层段的储层砂体连通性，以便指导化学驱选层开发。
然而，河流相砂体沉积的复杂性和多期的切叠性导致砂体连通性研究难度大，针对薄互层中低渗透率的砂岩油藏，目前确定该油藏中目的层段的储层砂体连通性的方法大多数只是建立了简单的砂体连通模式，砂体连通性分析时通常对整个工区的所有井进行分析处理，而油田进入开发中后期，一个油藏可能有几百到上千口开发井，通过分析整个工区所有井的数据来判断井间砂体的连通性的方式计算量庞大，不能快速判断各类接触关系的砂体连通程度，不利于河流相砂岩油藏开发中后期剩余油的开采。
为解决现有技术中的技术问题，本发明实施例提供一种砂体连通程度分析方法，根据砂泥岩发育情况和井距筛选待分析井，有效减少运算量，并通过采用BP神经网络实现砂体连通程度分析，能够快速、高效、准确判断各类接触关系的砂体连通程度，利于河流相砂岩油藏开发中后期剩余油的开采，为河流相砂岩油藏开发中后期剩余油分布预测提供基础，同时为改善河道砂体开发效果、提高油田采收率提供重要技术支撑。
有鉴于此，本申请提供了一种基于BP神经网络砂体连通程度分析系统，该装置可以为一种服务器S1，参见图1，该服务器S1可以与至少一个客户端设备B1通信连接，所述客户端设备B1可以将一工区所有井的测井解释数据发送至所述服务器S1，所述服务器S1可以在线接收所述测井解释数据。所述服务器S1可以在线或者离线对获取的测井解释数据进行预处理，根据砂泥岩发育情况和井距筛选待分析井；利用预设的BP神经网络模型预测至少两口井的砂体连通程度。而后，所述服务器S1可以将所述至少两口井的砂体连通程度在线发送至所述客户端设备B1。所述客户端设备B1可以在线接收所述至少两口井的砂体连通程度。
另外，参见图2，所述服务器S1还可以与至少一个数据库服务器S2通信连接，所述数据库服务器S2用于存储历史测井解释数据。所述数据库服务器S2在线将所述历史测井解释数据发送至所述服务器S1，所述服务器S1可以在线接收所述历史测井解释数据，而后根据多个历史测井解释数据获取BP神经网络的训练样本集，应用所述训练样本集对BP神经网络进行模型训练。
基于上述内容，所述数据库服务器S2还可以用于存储测试用历史测井解释数据。所述数据库服务器S2在线将所述测试用历史测井解释数据发送至所述服务器S1，所述服务器S1可以在线接收所述测试用历史测井解释数据，而后根据至少一个测试用历史测井解释数据得到测试样本，并应用所述测试样本对所述BP神经网络进行模型测试，并将该BP神经网络的输出作为测试结果，再基于所述测试结果及至少一个测试用历史测井解释数据的已知分析结果，判断当前BP神经网络是否符合预设要求，若是，则将当前BP神经网络作为用于分析砂体连通程度的目标BP神经网络；若当前BP神经网络不符合所述预设要求，则对当前BP神经网络进行优化和/或应用更新后的训练样本集重新对该BP神经网络进行模型训练。
基于上述内容，所述客户端设备B1可以具有显示界面，使得用户能够根据界面查看所述服务器S1发送的所述至少两口井的砂体连通程度。
可以理解的是，所述客户端设备B1可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中，进行砂体连通程度分析的部分可以在如上述内容所述的服务器S1侧执行，即，如图1所示的架构，也可以所有的操作都在所述客户端设备B1中完成，且该所述客户端设备B1可以直接与数据库服务器S2进行通信连接。具体可以根据所述客户端设备B1的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备B1中完成，所述客户端设备B1还可以包括处理器，用于进行砂体连通程度分析的具体处理。
所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST协议(Representational State Transfer，表述性状态转移协议)等。
在本申请的一个或多个实施例中，所述测试用历史测井解释数据为未包含在用于模型训练的历史测井解释数据中的，且针对所述测试用历史测井解释数据，需获取其已知分析结果。
在本申请的一个或多个实施例中，所述历史测井解释数据为测井公司提供的测井解释数据，具体包括：GR(自然伽马)值、井距、砂地比、夹层密度、渗透率、孔隙度、隔层厚度、隔夹层渗透率、砂岩厚度、含水饱和度、含氧饱和度、岩性、泥质含量、裂缝情况等参数。
本申请采用基于BP神经网络的砂体连通程度分析方法，根据砂泥岩发育情况和井距筛选待分析井，有效减少运算量，并有效利用了BP神经网络的自学习能力，在储层模型的网络结构确定后，根据实际的地质情况从已知储层地质信息中来确定BP神经网络的学习样本，然后对BP神经网络进行训练，通过调节BP神经网络各个神经元之间的连接，确定BP神经网络中储层参数及其相关地质变量之间的非线性关系，实现给定的输入输出的关系，从而使所建模型能够得到所需要的储层参数的未知信息，进而实现快速定量评判河道横向及横向砂体连通程度，并为剩余油挖潜及油藏高效开发提供技术指导。具体通过下述实施例及应用场景进行具体说明。
本申请实施例提供的砂体连通程度分析方法，采用两步法快速判别砂体连通程度，第一步根据所选数据快速评判砂体样本；第二步应用BP神经网络算法，根据实际的地质情况从已知储层地质信息中来确定网络的学习样本，然后对网络进行训练，通过调节网络各个神经元之间的连接，确定网络中储层参数及其相关地质变量之间的非线性关系，实现给定的输入输出的关系，从而使所建模型能够得到所需要的储层参数的未知信息。
图3是本发明实施例中的砂体连通程度分析方法的流程示意图一。如图3所示，该砂体连通程度分析方法具体包括如下内容：
步骤S1：根据砂泥岩发育情况和井距筛选待分析井。
具体地，油田进入开发中后期，一个油藏可能有几百到上千口开发井，判断井间砂体的连通性计算量庞大。为了简化运算量，首先筛选出需要参与下一步运算的数据，即有必要进行连通性判断的井。
一口井不发育砂岩(或称发育泥岩)，则该井与相邻井均不连通。所以，首先根据砂泥岩发育情况和井距剔除掉发育泥岩的井和井距过远的井对。
步骤S2：利用预设的BP神经网络模型预测至少两口井的砂体连通程度。
其中，有效利用BP神经网络的自学习能力，快速定量评判河道横向及横向砂体连通程度。
具体地，在判断为可能连通的至少两口井中，通过合适的学习样本，建立BP神经网络模型以表征砂体连通性与砂体特征参数之间的关系，从而预测砂体的联通关系。
本发明实施例提供的砂体连通程度分析方法，根据砂泥岩发育情况和井距筛选待分析井，有效减少运算量，并通过采用BP神经网络实现砂体连通程度分析，能够快速、高效、准确判断各类接触关系的砂体连通程度，利于河流相砂岩油藏开发中后期剩余油的开采，为河流相砂岩油藏开发中后期剩余油分布预测提供基础，同时为改善河道砂体开发效果、提高油田采收率提供重要技术支撑。
图4示出了图3中步骤S1的具体步骤。参见图4，该步骤S1具体可以包括以下内容：
步骤S1a：获取一工区所有井的测井解释数据，该测井解释数据包括用于表征砂泥岩发育情况的GR值。
步骤S1b：根据该GR值获取该工区中发育砂岩的井。
具体地，对所有井的GR值进行归一化；获取归一化后的GR值小于预设阈值的井作为该工区中发育砂岩的井。
举例来说，选取GR(自然伽马)曲线表征砂泥岩发育情况，将该工区所有井的测井解释数据中的GR值归一化到[0,1]之间，GR<0.7的井发育砂体，GR>0.7的井不发育砂体。
步骤S1c：根据两口井之间的井距在获取的发育砂岩的井中获取待分析井。
具体地，在获取的发育砂岩的井中，筛选两口井之间的井距小于2倍平均井距的井作为待分析井。
需要说明的是，若两口井之间的井距大于平均井距的2倍，则因距离过远，不必讨论砂体的联通程度。
综上，在一个小层内，通过筛选发育砂体GR<0.7、同时井距小于2倍平均井距的两口井之间关系判定为可能连通，再进行连通性评价，能够有效减少运算量，提高评价速度。
在一个可选的实施例中，参见图5，该步骤S2可以包括以下内容：
步骤S100：从至少两口井的测井解释数据中筛选特征参数。
其中，该至少两口井可包含：采油井、注水井等，根据具体的连通程度分析需求来选取，当仅需要分析两口井的砂体连通程度时，则仅提供两口井的测井解释数据即可，当需要分析多口井的砂体连通程度时，则提供多口井的测井解释数据。
另外，该测井解释数据为测井公司提供，具体包括：GR(自然伽马)值、井距、砂地比、夹层密度、渗透率、孔隙度、隔层厚度、隔夹层渗透率、砂岩厚度、含水饱和度、含氧饱和度、岩性、泥质含量、裂缝情况等参数。
具体地，当需要分析该至少两口井的横向砂体连通程度时，从至少两口井的测井解释数据中筛选井距、砂地比、渗透率和油藏品质因子作为该特征参数。
其中，井距、砂地比与砂体规模相关，渗透率表征砂体特征，油藏品质因子RQI表征岩相及岩石物理特征。其中，
其中K为渗透率，φ为孔隙度。
步骤S200：将特征参数作为预测样本，输入预设的BP神经网络，该BP神经网络的输出表征该至少两口井的砂体连通程度。
其中，BP神经网络是人工神经网络的一种，人工神经网络(Artificial NeuralNetworks，ANN)是一种用于分布式并行信息处理的非线性数学模型，这种由大量的处理单元连接而成的复杂自适应信息处理系统，可通过调节内部各节点的连接关系，对输入信息进行分析判断以不断逼近正确输出。BP神经网络的学习过程由前向传播和误差逆向传播过程组成，体现了人工神经网络最精华的部分，具有较好的自学习、自联想功能，成为当前应用最为广泛的人工神经网络模型之一。
BP(Back-Propagation)算法是Rumelhart等在1986年提出的。它是基于误差前向传播算法的一种具有非线性连续转移函数的多层前馈网络。由于多层前馈网络的训练经常采用误差反向传播算法，人们常把多层前馈网络直接称为BP网络。BP神经元与其它神经元类似，不同的是BP神经元的传输函数f为非线性函数。BP网络是一种具有三层或三层以上的神经网络，包括输入层、中间层(隐藏层)和输出层。上下层之间实现全连接，而每层神经元之间无连接。
具体地，BP(back propagation)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，具有任意复杂的模式分类能力和优良的多维函数映射能力，BP算法以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。从结构上讲，BP网络具有输入层、隐藏层(又称中间层)和输出层，网络的中间层数、各层的神经元个数可根据具体情况任意设定，并且随着结构的差异其性能也有所不同。
可以理解的是，在本申请中，特征参数经输入层输入后，在该BP神经网络中进行层层映射，得到各层对应于该特征参数不同的表现形式。最后一层的激活函数为S型函数，用于输出砂体连通程度，可以分别以1、2、3代表连通性好、中、差。
从上述描述可知，本申请实施例提供的砂体连通程度分析方法，通过利用BP神经网络的任意复杂的模式分类能力和优良的多维函数映射能力，通过对样本数据自学习，学习到各参数与砂体连通程度之间的内在联系，进而实现快速、高效、准确判断各类接触关系的砂体连通程度。
另外，值得说明的是，在进行横向砂体连通程度分析时，通过申请人对测井解释数据、地质资料特性以及已知案例的大量分析和试验，最终采用井距、砂地比、渗透率和油藏品质因子作为评价砂体连通程度的特征参数，综合考虑了砂体规模、砂体特征、岩相及岩石物理特征等，以便准确反映连通程度，是实现准确评价砂体连通程度的基石。
在一个可选的实施例中，该砂体连通程度分析方法在步骤S200之前，还可以包括以下步骤：
对该特征参数进行归一化处理。
其中，为了消除输入变量不同量纲的数据对BP神经网络训练和预测效果的影响，对所有样本数据进行归一化处理，使其转化为分布在[0,1]区间内，以保证BP神经网络激活函数运行的稳定性。
另外，归一化是把数变为(0，1)之间的小数使数据计算更加快速便捷的常用计算方式，对参数进行归一化为本领域的常用技术手段，在此不再赘述。
进一步有效提高分析砂体连通程度的准确性，在本申请的一实施例中，本申请还提供所述砂体连通程度分析方法中在步骤S100之前执行的模型建立及训练过程。参见图6，该模型建立及训练过程具体包括以下内容：
步骤S10：构建一BP神经网络，参见图7。
其中，该BP神经网络由输入层、至少一中间层以及输出层依次组成，特征参数经输入层输入后，在该BP神经网络中进行层层映射，得到各层对应于该特征参数不同的表现形式。
具体地，该构建一BP神经网络的过程主要包括：设计网络结构、选择激活函数、选取初始权值、选取学习速率。
(1)设计网络结构
BP神经网络结构的设计包括两部分，一是确定网络层数，二是选取各层所含神经元的数目。一个BP神经网络一定具有一个输入层和一个输出层，而隐藏层(又称中间层)的数目则灵活可变。研究表明，增加隐藏层层数可以提高BP神经网络的非线性映射能力，使网络解决复杂非线性问题的能力增强，但隐藏层过多会延长网络的学习时间。HechtNicolson证明当各节点具有不同阈值时，对于任何闭区域内的一个连续函数都可以用一个隐藏层的网络来逼近，即一个三层的BP神经网络可以完成任意n维到m维的映射。因此，本申请可采用三层BP神经网络建立模型，通过观察和调整隐藏层的节点数目来降低误差、提高精度。
隐藏层节点数目的多少对网络性能影响很大，过少会导致网络学习能力不足，过多则会使训练时间延长，且容易出现“过拟合”现象。以下是申请人通过大量实验总结出的几个估算公式：
H＝log2II∈(0.02I,4I) (1-1)
其中，I—输入层节点数，O—输出层节点数，H—隐藏层节点数，a为常数，在运算时会根据经验或者模型运算需求或者精度要求进行选取。实际应用中，也可以通过自适应的方法确定隐藏层节点数目，即根据训练误差动态地增加或减少节点。
在本申请研究过程中，通过设置固定的输入层节点数，同时根据分析的需要定义好分类输出时所需要的类别输出层节点数，通过公式1-3计算出隐藏层节点数。
输入层和输出层的节点数目一般由实际问题决定。输入层是外界信号与BP神经网络联结的纽带，其节点数取决于数据源的维数和输入特征向量的维数。当BP神经网络作为分类器时，输出层节点数等于所需信息类别数。
(2)选择激活函数
激活函数是指对神经元所受刺激变换为输出的一种处理方式，它是控制网络最终输出的重要函数。误差在反向调节过程中，激活函数的导数是求解误差梯度的重要参数。如果激活函数导数的范围很小、很窄，则权值的修正量也很小，从而影响网络的收敛速度。为了保证BP神经网络规模小、易于训练且泛化能力强，激活函数应简单、易于运算，满足可微、有界等条件，在有界的输入时能给出有界的输出，并与待解问题相匹配。
常用的激活函数是S型函数，其偏导数简单而易于表示，同时具有很好的非线性映射能力。S型函数包括log-sigmoid型激活函数(输入值任意，输出值为0～1)和tan-sigmoid型激活函数(输入值任意，输出值为–1～1)，表达式如下：
(3)选取初始权值
选取不同的初始权值，不会影响网络的收敛精度，但有可能造成网络陷入某一局部极小值。此外，BP神经网络权值的初始化决定了网络的训练从误差曲面上哪一点开始。如果初始权值随机产生，则搜索将从随机点开始，因此初始化方法对于缩短网络的训练时间至关重要。
神经元的激活函数都是关于零点对称的，如果每个神经元的净输入都在零点附近，则其输出都处在激活函数的中心点。中心点不仅远离激活函数的两个饱和区，而且是变化最敏感的区域，必然会加快网络的学习速度。从全局来看，影响网络训练的因素除初始权值外，还有网络结构、激活函数及学习速率等。在其他因素一定的条件下，本发明实施例将权值初始值的范围应该在[–0.5,0.5]区间内，这样可以保证每个神经元的权值都能够在它们的S型激活函数变化最大之处进行调节。
(4)选取学习速率
BP算法的理论基础是梯度下降法，在学习过程中利用该方法使权重沿误差曲面的负梯度方向调整。学习速率也称学习步长，是决定每一次循环训练中权重变化量大小的关键因素。
标准BP神经网络在学习过程中，学习速率始终保持不变。学习速率选取过大，则每次权值的变化量就大，可能导致网络在误差最小值附近来回跳动，产生振荡现象，网络因此变得发散而无法收敛；学习速率选取较小，则可能使训练时间延长，收敛速度较慢，但能保证网络的误差值不跳出误差表面的低谷而最终趋于最小误差值。因此本申请实施例中学习速率的取值范围在[0.01,0.8]之间，以保证系统稳定性。
在网络设计过程中，一般要经过几个不同的学习速率的训练，通过观察每一次训练后误差平方和的下降速率来判断所选定的学习速率是否合适。如果下降很快，说明学习速率合适；若出现振荡现象，则说明学习速率过大。为了减少寻找学习速率的训练次数及训练时间，最佳策略是采用变化的自适应学习速率，使网络的训练在不同阶段自动设置学习速率的大小。
步骤S20：根据多个历史测井解释数据获取该BP神经网络的训练样本集。
具体地，在已知砂体连通程度的历史测井解释数据中选取训练样本集，该训练样本集不仅包含历史测井解释数据，还包含该历史测井解释数据对应的砂体连通程度，作为正向传播时分析BP神经网络分析精度的标签。
步骤S30：应用该训练样本集对该BP神经网络进行模型训练。
其中，该模型训练过程包括两个部分：信号的正向传播和误差的反向传播。在信号的正向传播过程中，输入数据信号先是进入了输入层，然后经过各个中间层的层层映射学习，信号到达了输出层并开始计算实际的输出结果(即网络预测结果)与期望的输出结果(即标签)之间的误差，接着就进入了误差反向传播的阶段，在这个阶段，会通过链式求导的方式，将误差回传，并分摊给各个节点，用来对参数权值进行修正，这样循环往复的进行正向传播和反向传播，不断地调整权值，直到误差足够小或是达到指定的训练次数。
简单来说，模型训练过程实际就是调整插入在输入层和输出层之间的隐藏层，可以将隐藏层看作是一个或多个神经元网络，该神经元网络是通过不断正向传递和反向传递运算调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，运算即告停止。即通过神经元的不断调整连接，使得BP神经网络的分析结果逼近期望结果。
为了能够进一步有效提高分析砂体连通程度的准确性，在本申请的一实施例中，本申请还提供所述砂体连通程度分析方法中在步骤S100之前以及步骤S30之后执行的模型测试过程，参见图8，所述模型测试过程包括以下内容：
步骤S40：根据至少一个测试用历史测井解释数据得到测试样本。
其中，测试用历史测井解释数据为未包含在用于模型训练的历史测井解释数据中的，且针对所述测试用历史测井解释数据，需获取其已知分析结果。
步骤S50：应用该测试样本对该BP神经网络进行模型测试，并将该BP神经网络的输出作为测试结果。
即：利用已知分析结果的测试用历史测井解释数据来验证模型的分析效果。
步骤S60：基于该测试结果及至少一个测试用历史测井解释数据的已知分析结果，判断当前BP神经网络是否符合预设要求。
若是，则执行步骤S70，若否，则执行步骤S80。
其中，判断当前BP神经网络是否符合预设要求的标准为：该测试结果与该测试用历史测井解释数据的已知分析结果相同或误差在一定范围内。
步骤S70：将当前BP神经网络作为用于分析砂体连通程度的目标BP神经网络。
步骤S80：更新训练样本集，然后返回步骤S30，重新对该BP神经网络进行模型训练。
当然，在一个可选的实施例中，若当前BP神经网络不符合预设要求时，也可以对当前BP神经网络进行优化，然后将优化后的BP神经网络作为用于分析砂体连通程度的目标BP神经网络。
基于上述内容，本申请提供一种利用本发明实施例砂体连通程度分析方法分析河道砂体横向连通程度的场景，具体内容如下：
(1)构建一横向BP神经网络，如图9所示。
前已述及，BP神经网络的输入层Layer1节点数目取决于输入变量的个数，即这些节点能代表每个数据源。本例中已确定了4个评判砂体横向连通程度的输入特征参数，而每个输入特征参数均包括两个相邻单砂体的具体数据，故该BP神经网络的输入层Layer1节点数为8，BP神经网络的期望输出是砂体连通等级，即1(好)、2(中)或3(差)，因此输出层Layer3节点数目为1。
本例采用包含一个隐藏层Layer2的三层BP神经网络结构。对于隐藏层Layer2节点数目(即神经元个数)，根据经验及反复训练综合比较后确定为7。
另外，本例中选用log-sigmoid型激活函数为隐层神经元传递函数；输出层神经元传递函数为purelin型激活函数，其中，purelin型激活函数为隐含层神经元传递线性函数，表达式为：f(x)＝x,即线性关系式，x为隐含层输入变量，使输入与神经元输出成线性关系，种纯线性传递函数可以拓宽网络输出。
(2)根据多口井的多个历史测井解释数据获取该横向BP神经网络的训练样本集，该训练样本集含有58个训练样本及其对应的标签，参见表1。
表1横向训练样本
(3)应用上述训练样本集对该横向BP神经网络进行模型训练。
其中，设置训练参数如下：学习步长为25；动量因子为0.9；训练精度为0.001；最大训练次数为10000。
另外，选用均方差函数(MSE)为性能函数，表示实际输出与期望输出之间的均方误差。训练函数为traingdx函数(traingdx函数为matlab的内置函数名称，即train函数，traingdx全称为带冲量的梯度下降和具有自适应学习速率的反向传播训练函数。是matlab建立神经网络的3个主要函数之一)，该函数将自适应修改学习速率的算法和动量批梯度下降算法有机结合，使BP网络具有训练速度快、收敛误差小等特点。traingdx网络学习训练函数语法可以表示为：
[net,tr,Y1,E]＝train(net,X,Y)
其中，X为网络实际输入；Y为网络应有输出；tr为训练跟踪信息；Y1为网络实际输出；E为误差矩阵。
训练结束后，利用matlab中的sim函数(sim函数是matlab建立神经网络的3个函数之一，应用sim函数对训练后的网络进行仿真模拟出输出结果)进行网络仿真，sim函数语法表达式为：
Y＝sim(net,X)
其中，net为网络；X为测试样本，输入给网络的K×N矩阵，其中K为网络输入个数，N为数据样本数；Y为输出矩阵Q×N，其中Q为网络输出个数。
仿真模拟输出后，调用postreg函数(postreg函数为matlab中检验仿真预测与实际期望的函数，可以将训练后输出结果与目标实际输出结果进行线性回归，对比最终神经网络模拟输出效果)对训练后网络的仿真输出和目标输出作线性回归分析，以检验训练效果。postreg为检验仿真预测与实际值的函数，其语法表达式为：
[m,b,r]＝postreg(a,t)
a＝sim(net,X)
其中，t表示实际期望值；m表示实际期望值和预测值的拟合系数，越靠近1表明二者越接近；b表示实际期望值和预测值的拟合截距，越靠近0表明效果越好；r表示实际期望值和预测值的相关系数。
如图10所示，58个训练样本的回判正确率为94.2％，相关系数为1.929，吻合程度较高。
(4)根据至少一个测试用历史测井解释数据得到测试样本，本例中该测试样本的数量为12个，且每个测试样本均包含筛选井距、砂地比、渗透率和油藏品质因子四个参数，且每个测试样本对应一个已知分析结果。
其中，测试样本的选取数量没有限制，可随机进行选取，但是为了使得到的激活函数能够更准确地进行分析，应选择尽量多的测试样本，但是测试样本数量过多也会对运算时间和不收敛问题存在影响，所以，可根据实际需要，将测试样本数量：训练样本数量＝0.3～1之间，以保证函数运算的稳定性和时效性。
(5)将该测试样本输入训练后的横向BP神经网络中进行模型测试，将该横向BP神经网络的输出作为测试结果。
(6)基于该测试结果及至少一个测试用历史测井解释数据的已知分析结果，判断当前横向BP神经网络是否符合预设要求。
具体地，可以将该测试结果及至少一个测试用历史测井解释数据的已知分析结果进行比较，当二者相同或者基本相同或者相差在预设范围内时，则认为该当前横向BP神经网络符合预设要求，适于实际应用的需求。
需要说明的是，在实际应用中，不要求BP神经网络的分析精度达到百分之百，一般要求精度在80％以上即可，有些应用场合甚至要求更低的精度，具体需要根据具体的应用需求确定。而BP神经网络的分析精度与模型的结构(比如隐藏层的层数、神经元的个数等)、模型函数、训练样本数量以及训练样本个性化程度等因素有关，因此，对于BP神经网络的训练是否完成，需要根据其测试时的精度来判断，在对BP神经网络的分析精度要求较高的场合，需适当增加测试样本以及训练样本的数量，在对BP神经网络的分析精度要求较低的场合，可以适当减少测试样本及训练样本的数量。
(7)若当前横向BP神经网络符合预设要求，则将当前横向BP神经网络作为用于分析砂体连通程度的目标BP神经网络；若当前BP神经网络不符合预设要求，则对当前横向BP神经网络进行优化和/或应用更新后的训练样本集重新对该横向BP神经网络进行模型训练，重复执行步骤(3)至步骤(6)，直至当前BP横向神经网络符合预设要求，则将当前横向BP神经网络作为用于分析砂体连通程度的目标BP神经网络。
具体地，针对本例，测试结果如表2和图11所示，12个测试样本中有2个发生错判，预测正确率为83.3％，说明该模型基本满足地质学中的实际应用要求。
表2横向检验样本预测结果
(8)根据砂泥岩发育情况和井距筛选待分析井。
(9)从待分析井中的至少两个井的测井解释数据中筛选特征参数，特征参数具体为井距、砂地比、渗透率和油藏品质因子。
(10)对该特征参数进行归一化处理。
为了消除输入变量不同量纲的数据对网络训练、测试和分析效果的影响，需要对所有输入样本进行归一化处理，使其转化为分布在[0,1]区间内，以保证激活函数运行的稳定性。
(11)将归一化处理后的特征参数作为预测样本，输入预设的横向BP神经网络，该横向BP神经网络的输出表征该至少两个井的横向砂体连通程度。
基于同一发明构思，本申请实施例还提供了一种砂体连通程度分析系统，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于砂体连通程度分析系统解决问题的原理与上述方法相似，因此砂体连通程度分析系统的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图12是本发明实施例中的砂体连通程度分析系统的结构框图一。如图12所示，该砂体连通程度分析系统具体包括：筛选装置1000以及预测装置2000。
筛选装置1000根据砂泥岩发育情况和井距筛选待分析井。
具体地，油田进入开发中后期，一个油藏可能有几百到上千口开发井，判断井间砂体的连通性计算量庞大。为了简化运算量，首先筛选出需要参与下一步运算的数据，即有必要进行连通性判断的井。
一口井不发育砂岩(或称发育泥岩)，则该井与相邻井均不连通。所以，首先根据砂泥岩发育情况和井距剔除掉发育泥岩的井和井距过远的井对。
预测装置2000利用预设的BP神经网络模型预测至少两口井的砂体连通程度。
其中，有效利用BP神经网络的自学习能力，快速定量评判河道横向及横向砂体连通程度。
具体地，在判断为可能连通的至少两口井中，通过合适的学习样本，建立BP神经网络模型以表征砂体连通性与砂体特征参数之间的关系，从而预测砂体的联通关系。
本发明实施例提供的砂体连通程度分析系统，根据砂泥岩发育情况和井距筛选待分析井，有效减少运算量，并通过采用BP神经网络实现砂体连通程度分析，能够快速、高效、准确判断各类接触关系的砂体连通程度，利于河流相砂岩油藏开发中后期剩余油的开采，为河流相砂岩油藏开发中后期剩余油分布预测提供基础，同时为改善河道砂体开发效果、提高油田采收率提供重要技术支撑。
在一个可选的实施例中，该筛选装置1000可以包括：砂泥岩发育情况获取模块、发育砂岩井获取模块以及待分析井获取模块。
砂泥岩发育情况获取模块获取一工区所有井的测井解释数据，该测井解释数据包括用于表征砂泥岩发育情况的GR值。
发育砂岩井获取模块根据该GR值获取该工区中发育砂岩的井。
其中，该发育砂岩井获取模块可以包括：GR归一化单元以及GR比较单元。
GR归一化单元，对所有井的GR值进行归一化；GR比较单元，获取归一化后的GR值小于预设阈值的井作为该工区中发育砂岩的井。
举例来说，选取GR(自然伽马)曲线表征砂泥岩发育情况，将该工区所有井的测井解释数据中的GR值归一化到[0,1]之间，GR<0.7的井发育砂体，GR>0.7的井不发育砂体。
待分析井获取模块根据两口井之间的井距在获取的发育砂岩的井中获取待分析井。
具体地，该待分析井获取模块可以包括：井距筛选单元。
井距筛选单元在获取的发育砂岩的井中，筛选两口井之间的井距小于2倍平均井距的井作为待分析井。
需要说明的是，若两口井之间的井距大于平均井距的2倍，则因距离过远，不必讨论砂体的联通程度。
综上，在一个小层内，通过筛选发育砂体GR<0.7、同时井距小于2倍平均井距的两口井之间关系判定为可能连通，再进行连通性评价，能够有效减少运算量，提高评价速度。
在一个可选的实施例中，该预测装置2000可以包括：筛选模块10以及分析模块30，参见图13。
筛选模块10从至少两口井的测井解释数据中筛选特征参数。
其中，该至少两口井可包含：采油井、注水井等，根据具体的连通程度分析需求来选取，当仅需要分析两口井的砂体连通程度时，则仅提供两口井的测井解释数据即可，当需要分析多口井的砂体连通程度时，则提供多口井的测井解释数据。
另外，该测井解释数据为测井公司提供，具体包括：GR(自然伽马)值、井距、砂地比、夹层密度、渗透率、孔隙度、隔层厚度、隔夹层渗透率、砂岩厚度、含水饱和度、含氧饱和度、岩性、泥质含量、裂缝情况等参数。
具体地，该筛选模块10可以包括：分析筛选单元。
该分析筛选单元当需要分析该至少两口井的横向砂体连通程度时，从至少两口井的测井解释数据中筛选井距、砂地比、渗透率和油藏品质因子作为该特征参数。
其中，井距、砂地比与砂体规模相关，渗透率表征砂体特征，油藏品质因子RQI表征岩相及岩石物理特征。其中，
其中K为渗透率，φ为孔隙度。
分析模块30将特征参数作为预测样本，输入预设的BP神经网络，该BP神经网络的输出表征该至少两口井的砂体连通程度。
其中，BP(back propagation)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，具有任意复杂的模式分类能力和优良的多维函数映射能力，BP算法以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。从结构上讲，BP网络具有输入层、隐藏层(又称中间层)和输出层，网络的中间层数、各层的神经元个数可根据具体情况任意设定，并且随着结构的差异其性能也有所不同。
可以理解的是，在本申请中，特征参数经输入层输入后，在该BP神经网络中进行层层映射，得到各层对应于该特征参数不同的表现形式。最后一层的激活函数为S型函数，用于输出砂体连通程度，可以分别以1、2、3代表连通性好、中、差。
从上述描述可知，本申请实施例提供的砂体连通程度分析系统，通过利用BP神经网络的任意复杂的模式分类能力和优良的多维函数映射能力，通过对样本数据自学习，学习到各参数与砂体连通程度之间的内在联系，进而实现快速、高效、准确判断各类接触关系的砂体连通程度。
另外，值得说明的是，在进行横向砂体连通程度分析时，通过申请人对测井解释数据、地质资料特性以及已知案例的大量分析和试验，最终采用井距、砂地比、渗透率和油藏品质因子作为评价砂体连通程度的特征参数，综合考虑了砂体规模、砂体特征、岩相及岩石物理特征等，以便准确反映连通程度，是实现准确评价砂体连通程度的基石。
在一个可选的实施例中，该砂体连通程度分析系统还可以包括：归一化模块20，用于对该特征参数进行归一化处理。
其中，为了消除输入变量不同量纲的数据对BP神经网络训练和预测效果的影响，对所有样本数据进行归一化处理，使其转化为分布在[0,1]区间内，以保证BP神经网络激活函数运行的稳定性。
另外，归一化是把数变为(0，1)之间的小数使数据计算更加快速便捷的常用计算方式，对参数进行归一化为本领域的常用技术手段，在此不再赘述。
在一个可选的实施例中，该预测装置2000还可以包括：建模模块40、训练样本获取模块50以及训练模块60，参见图14。
建模模块40构建一BP神经网络。
其中，该BP神经网络由输入层、至少一中间层以及输出层依次组成，特征参数经输入层输入后，在该BP神经网络中进行层层映射，得到各层对应于该特征参数不同的表现形式。
具体地，该构建一BP神经网络的过程主要包括：设计网络结构、选择激活函数、选取初始权值、选取学习速率。
(1)设计网络结构
BP神经网络结构的设计包括两部分，一是确定网络层数，二是选取各层所含神经元的数目。一个BP神经网络一定具有一个输入层和一个输出层，而隐藏层(又称中间层)的数目则灵活可变。研究表明，增加隐藏层层数可以提高BP神经网络的非线性映射能力，使网络解决复杂非线性问题的能力增强，但隐藏层过多会延长网络的学习时间。HechtNicolson证明当各节点具有不同阈值时，对于任何闭区域内的一个连续函数都可以用一个隐藏层的网络来逼近，即一个三层的BP神经网络可以完成任意n维到m维的映射。因此，本申请可采用三层BP神经网络建立模型，通过观察和调整隐藏层的节点数目来降低误差、提高精度。
隐藏层节点数目的多少对网络性能影响很大，过少会导致网络学习能力不足，过多则会使训练时间延长，且容易出现“过拟合”现象。以下是申请人通过大量实验总结出的几个估算公式：
H＝log2II∈(0.02I,4I) (1-1)
其中，I—输入层节点数，O—输出层节点数，H—隐藏层节点数，a为常数，在运算时会根据经验或者模型运算需求或者精度要求进行选取。实际应用中，也可以通过自适应的方法确定隐藏层节点数目，即根据训练误差动态地增加或减少节点。
在本申请研究过程中，通过设置固定的输入层节点数，同时根据分析的需要定义好分类输出时所需要的类别输出层节点数，通过公式1-3计算出隐藏层节点数。
输入层和输出层的节点数目一般由实际问题决定。输入层是外界信号与BP神经网络联结的纽带，其节点数取决于数据源的维数和输入特征向量的维数。当BP神经网络作为分类器时，输出层节点数等于所需信息类别数。
具体地，BP神经网络的输入层节点数目取决于输入变量的个数，即这些节点能代表每个数据源。BP神经网络的期望输出是砂体连通等级，即1(好)、2(中)或3(差)，因此输出层节点数目为1。
(2)选择激活函数
激活函数是指对神经元所受刺激变换为输出的一种处理方式，它是控制网络最终输出的重要函数。误差在反向调节过程中，激活函数的导数是求解误差梯度的重要参数。如果激活函数导数的范围很小、很窄，则权值的修正量也很小，从而影响网络的收敛速度。为了保证BP神经网络规模小、易于训练且泛化能力强，激活函数应简单、易于运算，满足可微、有界等条件，在有界的输入时能给出有界的输出，并与待解问题相匹配。
常用的激活函数是S型函数，其偏导数简单而易于表示，同时具有很好的非线性映射能力。S型函数包括log-sigmoid型激活函数(输入值任意，输出值为0～1)和tan-sigmoid型激活函数(输入值任意，输出值为–1～1)，表达式如下：
输出层神经元传递函数可以选择purelin型激活函数，其中，purelin型激活函数为隐含层神经元传递线性函数，表达式为：f(x)＝x,即线性关系式，x为隐含层输入变量，使输入与神经元输出成线性关系，种纯线性传递函数可以拓宽网络输出。
(3)选取初始权值
选取不同的初始权值，不会影响网络的收敛精度，但有可能造成网络陷入某一局部极小值。此外，BP神经网络权值的初始化决定了网络的训练从误差曲面上哪一点开始。如果初始权值随机产生，则搜索将从随机点开始，因此初始化方法对于缩短网络的训练时间至关重要。
神经元的激活函数都是关于零点对称的，如果每个神经元的净输入都在零点附近，则其输出都处在激活函数的中心点。中心点不仅远离激活函数的两个饱和区，而且是变化最敏感的区域，必然会加快网络的学习速度。从全局来看，影响网络训练的因素除初始权值外，还有网络结构、激活函数及学习速率等。在其他因素一定的条件下，本发明实施例将权值初始值的范围应该在[–0.5,0.5]区间内，这样可以保证每个神经元的权值都能够在它们的S型激活函数变化最大之处进行调节。
(4)选取学习速率
BP算法的理论基础是梯度下降法，在学习过程中利用该方法使权重沿误差曲面的负梯度方向调整。学习速率也称学习步长，是决定每一次循环训练中权重变化量大小的关键因素。
标准BP神经网络在学习过程中，学习速率始终保持不变。学习速率选取过大，则每次权值的变化量就大，可能导致网络在误差最小值附近来回跳动，产生振荡现象，网络因此变得发散而无法收敛；学习速率选取较小，则可能使训练时间延长，收敛速度较慢，但能保证网络的误差值不跳出误差表面的低谷而最终趋于最小误差值。因此本申请实施例中学习速率的取值范围在[0.01,0.8]之间，以保证系统稳定性。
在网络设计过程中，一般要经过几个不同的学习速率的训练，通过观察每一次训练后误差平方和的下降速率来判断所选定的学习速率是否合适。如果下降很快，说明学习速率合适；若出现振荡现象，则说明学习速率过大。为了减少寻找学习速率的训练次数及训练时间，最佳策略是采用变化的自适应学习速率，使网络的训练在不同阶段自动设置学习速率的大小。
训练样本获取模块50根据多个历史测井解释数据获取该BP神经网络的训练样本集。
具体地，在已知砂体连通程度的历史测井解释数据中选取训练样本集，该训练样本集不仅包含历史测井解释数据，还包含该历史测井解释数据对应的砂体连通程度，作为正向传播时分析BP神经网络分析精度的标签。
训练模块60应用该训练样本集对该BP神经网络进行模型训练。
其中，该模型训练过程包括两个部分：信号的正向传播和误差的反向传播。在信号的正向传播过程中，输入数据信号先是进入了输入层，然后经过各个中间层的层层映射学习，信号到达了输出层并开始计算实际的输出结果(即网络预测结果)与期望的输出结果(即标签)之间的误差，接着就进入了误差反向传播的阶段，在这个阶段，会通过链式求导的方式，将误差回传，并分摊给各个节点，用来对参数权值进行修正，这样循环往复的进行正向传播和反向传播，不断地调整权值，直到误差足够小或是达到指定的训练次数。
简单来说，模型训练过程实际就是调整插入在输入层和输出层之间的隐藏层，可以将隐藏层看作是一个或多个神经元网络，该神经元网络是通过不断正向传递和反向传递运算调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，运算即告停止。即通过神经元的不断调整连接，使得BP神经网络的分析结果逼近期望结果。
其中，训练时可选用均方差函数(MSE)为性能函数，表示实际输出与期望输出之间的均方误差。训练函数可为traingdx函数(traingdx函数为matlab的内置函数名称，即train函数，traingdx全称为带冲量的梯度下降和具有自适应学习速率的反向传播训练函数。是matlab建立神经网络的3个主要函数之一)，该函数将自适应修改学习速率的算法和动量批梯度下降算法有机结合，使BP网络具有训练速度快、收敛误差小等特点。
训练结束后，可利用matlab中的sim函数(sim函数是matlab建立神经网络的3个函数之一，应用sim函数对训练后的网络进行仿真模拟出输出结果)进行网络仿真。
仿真模拟输出后，可调用postreg函数(postreg函数为matlab中检验仿真预测与实际期望的函数，可以将训练后输出结果与目标实际输出结果进行线性回归，对比最终神经网络模拟输出效果)对训练后网络的仿真输出和目标输出作线性回归分析，以检验训练效果。
在一个可选的实施例中，该预测装置2000还可以包括：BP神经网络测试机构。该BP神经网络测试机构具体包括：测试样本获取模块70、测试模块80、模型精度判断模块90、模型输出模块91以及模型优化模块92，参见图15。
测试样本获取模块70根据至少一个测试用历史测井解释数据得到测试样本。
其中，测试用历史测井解释数据为未包含在用于模型训练的历史测井解释数据中的，且针对所述测试用历史测井解释数据，需获取其已知分析结果。
其中，测试样本的选取数量没有限制，可随机进行选取，但是为了使得到的激活函数能够更准确地进行分析，应选择尽量多的测试样本，但是测试样本数量过多也会对运算时间和不收敛问题存在影响，所以，可根据实际需要，将测试样本数量：训练样本数量＝0.3～1之间，以保证函数运算的稳定性和时效性。
测试模块80应用该测试样本对该BP神经网络进行模型测试，并将该BP神经网络的输出作为测试结果。
即：利用已知分析结果的测试用历史测井解释数据来验证模型的分析效果。
其中，每个测试样本对应一个已知分析结果(也称标签)。
模型精度判断模块90基于该测试结果及至少一个测试用历史测井解释数据的已知分析结果，判断当前BP神经网络是否符合预设要求。
其中，判断当前BP神经网络是否符合预设要求的标准为：该测试结果与该测试用历史测井解释数据的已知分析结果相同或误差在一定范围内。
具体地，可以将该测试结果及至少一个测试用历史测井解释数据的已知分析结果进行比较，当二者相同或者基本相同或者相差在预设范围内时，则认为该当前横向BP神经网络符合预设要求，适于实际应用的需求。
需要说明的是，在实际应用中，不要求BP神经网络的分析精度达到百分之百，一般要求精度在80％以上即可，有些应用场合甚至要求更低的精度，具体需要根据具体的应用需求确定。而BP神经网络的分析精度与模型的结构(比如隐藏层的层数、神经元的个数等)、模型函数、训练样本数量以及训练样本个性化程度等因素有关，因此，对于BP神经网络的训练是否完成，需要根据其测试时的精度来判断，在对BP神经网络的分析精度要求较高的场合，需适当增加测试样本以及训练样本的数量，在对BP神经网络的分析精度要求较低的场合，可以适当减少测试样本及训练样本的数量。
模型输出模块91在模型精度判断模块90判断出当前BP神经网络符合预设要求时，将当前BP神经网络作为用于分析砂体连通程度的目标BP神经网络。
模型优化模块92在模型精度判断模块90判断出当前BP神经网络不符合预设要求时，对当前BP神经网络进行优化和/或应用更新后的训练样本集重新对该BP神经网络进行模型训练。
其中，为了消除输入变量不同量纲的数据对网络训练、测试和分析效果的影响，需要对所有输入样本进行归一化处理，使其转化为分布在[0,1]区间内，以保证激活函数运行的稳定性。
综上所述，本发明实施例提供的砂体连通程度分析系统，从至少两口井的测井解释数据中筛选特征参数，并对该特征参数进行归一化处理，然后将归一化处理后的特征参数作为预测样本，输入预设的BP神经网络，并将该BP神经网络的输出作为该至少两口井的砂体连通程度，即通过采用BP神经网络实现砂体连通程度分析，能够快速、高效、准确判断各类接触关系的砂体连通程度，利于河流相砂岩油藏开发中后期剩余油的开采，为河流相砂岩油藏开发中后期剩余油分布预测提供基础，同时为改善河道砂体开发效果、提高油田采收率提供重要技术支撑。
上述实施例阐明的装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为电子设备，具体的，电子设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个典型的实例中电子设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现下述步骤：
根据砂泥岩发育情况和井距筛选待分析井；
利用预设的BP神经网络模型预测至少两口井的砂体连通程度。
从上述描述可知，本发明实施例提供的电子设备，可用于分析砂体连通程度，根据砂泥岩发育情况和井距筛选待分析井，有效减少运算量，并通过采用BP神经网络实现砂体连通程度分析，能够快速、高效、准确判断各类接触关系的砂体连通程度，利于河流相砂岩油藏开发中后期剩余油的开采，为河流相砂岩油藏开发中后期剩余油分布预测提供基础，同时为改善河道砂体开发效果、提高油田采收率提供重要技术支撑。
下面参考图16，其示出了适于用来实现本申请实施例的电子设备600的结构示意图。
如图8所示，电子设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡，调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口606。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现下述步骤：
根据砂泥岩发育情况和井距筛选待分析井；
利用预设的BP神经网络模型预测至少两口井的砂体连通程度。
从上述描述可知，本发明实施例提供的计算机可读存储介质，可用于分析砂体连通程度，根据砂泥岩发育情况和井距筛选待分析井，有效减少运算量，并通过采用BP神经网络实现砂体连通程度分析，能够快速、高效、准确判断各类接触关系的砂体连通程度，利于河流相砂岩油藏开发中后期剩余油的开采，为河流相砂岩油藏开发中后期剩余油分布预测提供基础，同时为改善河道砂体开发效果、提高油田采收率提供重要技术支撑。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (24)
1.一种砂体连通程度分析方法，其特征在于，包括：
根据砂泥岩发育情况和井距筛选待分析井；
利用预设的BP神经网络模型预测至少两口井的砂体连通程度。
2.根据权利要求1所述的砂体连通程度分析方法，其特征在于，所述根据砂泥岩发育情况和井距筛选待分析井，包括：
获取一工区所有井的测井解释数据，所述测井解释数据包括用于表征砂泥岩发育情况的GR值；
根据所述GR值获取该工区中发育砂岩的井；
根据两口井之间的井距在获取的发育砂岩的井中获取待分析井。
3.根据权利要求2所述的砂体连通程度分析方法，其特征在于，所述根据所述GR值获取该工区中发育砂岩的井，包括：
对所有井的GR值进行归一化；
获取归一化后的GR值小于预设阈值的井作为该工区中发育砂岩的井。
4.根据权利要求2所述的砂体连通程度分析方法，其特征在于，所述根据两口井之间的井距在获取的发育砂岩的井中获取待分析井，包括：
在获取的发育砂岩的井中，筛选两口井之间的井距小于2倍平均井距的井作为待分析井。
5.根据权利要求1所述的砂体连通程度分析方法，其特征在于，所述利用预设的BP神经网络模型预测至少两口井的砂体连通程度，包括：
从至少两口井的测井解释数据中筛选特征参数；
将所述特征参数作为预测样本，输入预设的BP神经网络，该BP神经网络的输出表征该至少两口井的砂体连通程度。
6.根据权利要求5所述的砂体连通程度分析方法，其特征在于，所述从至少两口井的测井解释数据中筛选特征参数，包括：
当需要分析该至少两口井的横向砂体连通程度时，从至少两口井的测井解释数据中筛选井距、砂地比、渗透率和油藏品质因子作为该特征参数。
7.根据权利要求5或6所述的砂体连通程度分析方法，其特征在于，还包括：
构建一BP神经网络；
根据多个历史测井解释数据获取该BP神经网络的训练样本集；
应用所述训练样本集对所述BP神经网络进行模型训练。
8.根据权利要求7所述的砂体连通程度分析方法，其特征在于，所述BP神经网络由输入层、至少一中间层以及输出层依次组成，特征参数经输入层输入后，在所述BP神经网络中进行层层映射，得到各层对应于该特征参数不同的表现形式。
9.根据权利要求7所述的砂体连通程度分析方法，其特征在于，还包括：
根据至少一个测试用历史测井解释数据得到测试样本；
应用所述测试样本对所述BP神经网络进行模型测试，并将该BP神经网络的输出作为测试结果；
基于所述测试结果及至少一个测试用历史测井解释数据的已知分析结果，判断当前BP神经网络是否符合预设要求；
若是，则将当前BP神经网络作为用于分析砂体连通程度的目标BP神经网络。
10.根据权利要求9所述的砂体连通程度分析方法，其特征在于，还包括：
若当前BP神经网络不符合预设要求，则应用更新后的训练样本集重新对该BP神经网络进行模型训练。
11.根据权利要求5所述的砂体连通程度分析方法，其特征在于，在将所述特征参数作为预测样本，输入预设的BP神经网络之前，还包括：
对所述特征参数进行归一化处理。
12.一种砂体连通程度分析系统，其特征在于，包括：
筛选装置，根据砂泥岩发育情况和井距筛选待分析井；
预测装置，利用预设的BP神经网络模型预测至少两口井的砂体连通程度。
13.根据权利要求12所述的砂体连通程度分析系统，其特征在于，所述筛选装置包括：
砂泥岩发育情况获取模块，获取一工区所有井的测井解释数据，所述测井解释数据包括用于表征砂泥岩发育情况的GR值；
发育砂岩井获取模块，根据所述GR值获取该工区中发育砂岩的井；
待分析井获取模块，根据两口井之间的井距在获取的发育砂岩的井中获取待分析井。
14.根据权利要求13所述的砂体连通程度分析系统，其特征在于，所述发育砂岩井获取模块包括：
GR归一化单元，对所有井的GR值进行归一化；
GR比较单元，获取归一化后的GR值小于预设阈值的井作为该工区中发育砂岩的井。
15.根据权利要求13所述的砂体连通程度分析系统，其特征在于，所述待分析井获取模块包括：
井距筛选单元，在获取的发育砂岩的井中，筛选两口井之间的井距小于2倍平均井距的井作为待分析井。
16.根据权利要求12所述的砂体连通程度分析系统，其特征在于，所述预测装置包括：
筛选模块，从至少两口井的测井解释数据中筛选特征参数；
分析模块，将所述特征参数作为预测样本，输入预设的BP神经网络，该BP神经网络的输出表征该至少两口井的砂体连通程度。
17.根据权利要求16所述的砂体连通程度分析系统，其特征在于，所述筛选模块包括：
分析筛选单元，当需要分析该至少两口井的横向砂体连通程度时，从至少两口井的测井解释数据中筛选井距、砂地比、渗透率和油藏品质因子作为该特征参数。
18.根据权利要求16或17所述的砂体连通程度分析系统，其特征在于，所述预测装置还包括：
建模模块，构建一BP神经网络；
训练样本获取模块，根据多个历史测井解释数据获取该BP神经网络的训练样本集；
训练模块，应用所述训练样本集对所述BP神经网络进行模型训练。
19.根据权利要求18所述的砂体连通程度分析系统，其特征在于，所述BP神经网络由输入层、至少一中间层以及输出层依次组成，特征参数经输入层输入后，在所述BP神经网络中进行层层映射，得到各层对应于该特征参数不同的表现形式。
20.根据权利要求18所述的砂体连通程度分析系统，其特征在于，所述预测装置还包括：
测试样本获取模块，根据至少一个测试用历史测井解释数据得到测试样本；
测试模块，应用所述测试样本对所述BP神经网络进行模型测试，并将该BP神经网络的输出作为测试结果；
模型精度判断模块，基于所述测试结果及至少一个测试用历史测井解释数据的已知分析结果，判断当前BP神经网络是否符合预设要求；
模型输出模块，在当前BP神经网络符合预设要求时，将当前BP神经网络作为用于分析砂体连通程度的目标BP神经网络。
21.根据权利要求20所述的砂体连通程度分析系统，其特征在于，所述预测装置还包括：
模型优化模块，在当前BP神经网络不符合预设要求时，应用更新后的训练样本集重新对该BP神经网络进行模型训练。
22.根据权利要求16所述的砂体连通程度分析系统，其特征在于，所述预测装置还包括：
归一化模块，对所述特征参数进行归一化处理。
23.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至11任一项所述的砂体连通程度分析方法的步骤。
24.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至11任一项所述的砂体连通程度分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910261073.9A CN111766635B (zh) | 2019-04-02 | 2019-04-02 | 砂体连通程度分析方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910261073.9A CN111766635B (zh) | 2019-04-02 | 2019-04-02 | 砂体连通程度分析方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111766635A true CN111766635A (zh) | 2020-10-13 |
| CN111766635B CN111766635B (zh) | 2023-04-25 |
Family
ID=72718646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910261073.9A Active CN111766635B (zh) | 2019-04-02 | 2019-04-02 | 砂体连通程度分析方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111766635B (zh) |
Cited By (4)
| 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 |
| CN112396161A (zh) * | 2020-11-11 | 2021-02-23 | 中国科学技术大学 | 基于卷积神经网络的岩性剖面图构建方法、系统及设备 |
| CN112651175A (zh) * | 2020-12-23 | 2021-04-13 | 成都北方石油勘探开发技术有限公司 | 一种油藏注采方案优化设计方法 |
| CN114594526A (zh) * | 2020-12-03 | 2022-06-07 | 中国石油化工股份有限公司 | 河流相砂体井间平面连通性定量评价方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107330578A (zh) * | 2017-05-25 | 2017-11-07 | 中国石油天然气股份有限公司 | 砂体连通性评价方法及装置 |
| CN109447532A (zh) * | 2018-12-28 | 2019-03-08 | 中国石油大学(华东) | 一种基于数据驱动的油藏井间连通性确定方法 |
| CN109507734A (zh) * | 2019-01-07 | 2019-03-22 | 中海石油(中国)有限公司 | 一种海上油田复合砂体内部单砂体的对比方法 |
-
2019
- 2019-04-02 CN CN201910261073.9A patent/CN111766635B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107330578A (zh) * | 2017-05-25 | 2017-11-07 | 中国石油天然气股份有限公司 | 砂体连通性评价方法及装置 |
| CN109447532A (zh) * | 2018-12-28 | 2019-03-08 | 中国石油大学(华东) | 一种基于数据驱动的油藏井间连通性确定方法 |
| CN109507734A (zh) * | 2019-01-07 | 2019-03-22 | 中海石油(中国)有限公司 | 一种海上油田复合砂体内部单砂体的对比方法 |
Non-Patent Citations (4)
| Title |
|---|
| LIHUI LIU ET AL.: "Seismic Lithofacies Computation Method Based on Deep Learning", 《2017 CGS/SEG INTERNATIONAL GEOPHYSICAL CONFERENCE》 * |
| 周四春: "《核测井原理及应用》", 31 October 2016, 北京：中国原子能出版社 * |
| 李月等: "ＢＰ神经网络在砂体连通性评价中的应用", 《甘肃科学学报》 * |
| 王佳玮等: "萨尔图油田中区西部葡一组河道砂体连通性研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (5)
| 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 |
| CN112396161A (zh) * | 2020-11-11 | 2021-02-23 | 中国科学技术大学 | 基于卷积神经网络的岩性剖面图构建方法、系统及设备 |
| CN112396161B (zh) * | 2020-11-11 | 2022-09-06 | 中国科学技术大学 | 基于卷积神经网络的岩性剖面图构建方法、系统及设备 |
| CN114594526A (zh) * | 2020-12-03 | 2022-06-07 | 中国石油化工股份有限公司 | 河流相砂体井间平面连通性定量评价方法 |
| CN112651175A (zh) * | 2020-12-23 | 2021-04-13 | 成都北方石油勘探开发技术有限公司 | 一种油藏注采方案优化设计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111766635B (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111766635B (zh) | 砂体连通程度分析方法和系统 | |
| US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
| Khan et al. | Machine learning derived correlation to determine water saturation in complex lithologies | |
| CN109709607B (zh) | 一种预测薄层砂岩储层厚度方法及装置 | |
| CN111489034B (zh) | 一种油气储层渗透率预测模型的构建方法及其应用 | |
| CN111025384B (zh) | 基于波形分类交汇融合的储层预测方法和装置 | |
| CN105044775B (zh) | 一种地震流体反演识别方法和装置 | |
| Du et al. | The connectivity evaluation among wells in reservoir utilizing machine learning methods | |
| Chen et al. | Integration of principal-component-analysis and streamline information for the history matching of channelized reservoirs | |
| CN111914478A (zh) | 一种综合地质钻孔测井岩性识别方法 | |
| Lee et al. | Regeneration of channelized reservoirs using history-matched facies-probability map without inverse scheme | |
| CN114529110A (zh) | 一种基于深度神经网络模型的岩相反演方法及系统 | |
| CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
| Song et al. | Potential for vertical heterogeneity prediction in reservoir basing on machine learning methods | |
| Kashib et al. | A probabilistic approach to integrating dynamic data in reservoir models | |
| Song et al. | Ensemble deep learning-based porosity inversion from seismic attributes | |
| NO20200978A1 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter | |
| EP3948365A1 (en) | Automatic calibration of forward depositional models | |
| Malvić et al. | Neural networks in petroleum geology as interpretation tools | |
| Gudmundsdottir et al. | Inferring interwell connectivity in fractured geothermal reservoirs using neural networks | |
| CN114460639B (zh) | 页岩油储层渗透率的预测方法及装置 | |
| CN113900141B (zh) | 油气分布预测方法及装置 | |
| Alyaev et al. | Modeling extra-deep EM logs using a deep neural network | |
| CN112859171B (zh) | 利用有效裂缝进行储层连通性分析的方法和装置 | |
| Gervais et al. | Identifying influence areas with connectivity analysis–application to the local perturbation of heterogeneity distribution for history matching |
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 |