CN111948718B - 页岩气储层总有机碳含量预测方法及装置 - Google Patents
页岩气储层总有机碳含量预测方法及装置 Download PDFInfo
- Publication number
- CN111948718B CN111948718B CN202010705207.4A CN202010705207A CN111948718B CN 111948718 B CN111948718 B CN 111948718B CN 202010705207 A CN202010705207 A CN 202010705207A CN 111948718 B CN111948718 B CN 111948718B
- Authority
- CN
- China
- Prior art keywords
- organic carbon
- total organic
- data
- shale gas
- logging
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 339
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 339
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000005457 optimization Methods 0.000 claims abstract description 63
- 238000004458 analytical method Methods 0.000 claims abstract description 61
- 238000004364 calculation method Methods 0.000 claims abstract description 61
- 239000002245 particle Substances 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 230000009286 beneficial effect Effects 0.000 claims abstract description 6
- 238000012706 support-vector machine Methods 0.000 claims description 45
- 238000012360 testing method Methods 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 37
- 230000004044 response Effects 0.000 claims description 32
- 238000013508 migration Methods 0.000 claims description 24
- 230000005012 migration Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 11
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 8
- 239000011707 mineral Substances 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000002349 favourable effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 14
- 238000011160 research Methods 0.000 description 12
- 239000011435 rock Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 7
- 239000012530 fluid Substances 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 239000011148 porous material Substances 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 229920006395 saturated elastomer Polymers 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000002734 clay mineral Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002637 fluid replacement therapy Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种页岩气储层总有机碳含量预测方法及装置，该方法包括：对页岩气储层的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据；对选出的对总有机碳含量敏感的测井数据，通过粒子群算法进行参数优化计算，得到总有机碳连续数据；对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会分析，确定储层总有机碳门槛值范围；根据储层总有机碳门槛值范围和预计算的总有机碳反演数据，确定页岩气总有机碳有利区数据。本发明提高了页岩气储层总有机碳含量的预测精度，与现有技术对比，对页岩气储层的地球物理资料进行扰动分析，避免了传统总有机碳含量预测方法会导致信息遗漏的问题，可满足对页岩气储层精细预测的需求。
Description
技术领域
本发明涉及常规地球物理勘探技术领域，特别涉及一种页岩气储层总有机碳含量预测方法及装置。
背景技术
随着常规油气资源日益匮乏，页岩气作为典型的非常规油气，已成为我国油气勘探开发的重要领域，其中页岩气总有机碳(TOC)含量是反映页岩气富集程度及生烃潜力的关键参数之一。目前常规的页岩气储层反演是从岩心刻度后的测井解释TOC含量出发，通过建立密度与TOC含量的线性拟合方程，得到计算总有机碳含量的经验公式；再利用三维地震数据，采用叠前地震反演获得的密度体，根据经验公式计算出TOC数据体，从而得到TOC含量。
然而页岩气储层具有复杂多变的矿物组成、致密性、超低基质渗透率和非均质各向异性等特点。受复杂地质及实验岩心样品采集难、样品分析过程复杂等多种因素的影响，常规室内测试分析获得的TOC岩心数据有限且结果有失准确；利用多元线性拟合法得到的TOC预测曲线，在相关系数选择上因舍弃相关性小测井参数，其解释结果一定程度上导致部分地球物理信息遗漏；并且利用密度建立的TOC预测曲线的线性拟合公式，均存在相关性不高、预测精度低的问题，无法满足页岩气储层精细预测的需求。
发明内容
本发明实施例提供了一种页岩气储层总有机碳含量预测方法，用以提高页岩气储层总有机碳含量预测精度，该方法包括：
对页岩气储层的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据；
对选出的对总有机碳含量敏感的测井数据，通过粒子群算法进行参数优化计算，得到总有机碳连续数据；
对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会分析，确定储层总有机碳门槛值范围；
根据储层总有机碳门槛值范围和预计算的总有机碳反演数据，确定页岩气总有机碳有利区数据；
其中，对选出的对总有机碳含量敏感的测井数据，通过粒子群算法进行参数优化计算，得到总有机碳连续数据，包括：
以选出的对总有机碳含量敏感的测井数据作为训练样本，随机生成训练集和测试集，训练集和测试集由不同深度下不同类别样品组成，每个样品包含多种可以反映TOC的变量；
通过粒子群算法，根据训练集进行支持向量机模型的参数优化计算，根据测试集进行支持向量机模型的参数优化计算结果的测试，在测试通过后根据支持向量机模型的参数优化计算结果建立页岩气总有机碳预测模型；
根据页岩气总有机碳预测模型，预测生成总有机碳连续数据；
通过粒子群算法，根据训练集进行支持向量机模型的参数优化计算，包括：
利用PSO结合SVM模型进行参数优化选择；
还包括，通过如下方法对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会分析，确定储层总有机碳门槛值范围：
从测井资料中获取储层的测井响应特征；
从地震资料中获取储层地震响应特征，并从储层地震响应特征中获取保真保幅的地震数据；
根据工区测井解释的优质页岩段，通过井震标定，利用测井响应特征和地震响应特征得到优质页岩的响应模式，对总有机碳含量敏感的测井数据交会分析，确定储层TOC的门槛值范围。
本发明实施例还提供了一种页岩气储层总有机碳含量预测装置，用以提高页岩气储层总有机碳含量预测精度，该装置包括：
敏感测井数据优选模块，用于对页岩气储层的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据；
总有机碳连续数据计算模块，用于对选出的对总有机碳含量敏感的测井数据，通过粒子群算法进行参数优化计算，得到总有机碳连续数据；
门槛值范围计算模块，用于对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会分析，确定储层总有机碳门槛值范围；
总有机碳有利区数据确定模块，用于根据储层总有机碳门槛值范围和预计算的总有机碳反演数据，确定页岩气总有机碳有利区数据；
其中，总有机碳连续数据计算模块具体用于：
以选出的对总有机碳含量敏感的测井数据作为训练样本，随机生成训练集和测试集，训练集和测试集由不同深度下不同类别样品组成，每个样品包含多种可以反映TOC的变量；
通过粒子群算法，根据训练集进行支持向量机模型的参数优化计算，根据测试集进行支持向量机模型的参数优化计算结果的测试，在测试通过后根据支持向量机模型的参数优化计算结果建立页岩气总有机碳预测模型；
根据页岩气总有机碳预测模型，预测生成总有机碳连续数据；
通过粒子群算法，根据训练集进行支持向量机模型的参数优化计算，包括：
利用PSO结合SVM模型进行参数优化选择；
门槛值范围计算模块还用于，通过如下方法对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会分析，确定储层总有机碳门槛值范围：
从测井资料中获取储层的测井响应特征；
从地震资料中获取储层地震响应特征，并从储层地震响应特征中获取保真保幅的地震数据；
根据工区测井解释的优质页岩段，通过井震标定，利用测井响应特征和地震响应特征得到优质页岩的响应模式，对总有机碳含量敏感的测井数据交会分析，确定储层TOC的门槛值范围。
本发明实施例还提供了一种计算机设备，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，所述处理器执行所述计算机程序时实现上述页岩气储层总有机碳含量预测方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述页岩气储层总有机碳含量预测方法。
本发明实施例中，对页岩气储层的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据；对选出的对总有机碳含量敏感的测井数据，通过粒子群算法进行参数优化计算，得到总有机碳连续数据；对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会分析，确定储层总有机碳门槛值范围；根据储层总有机碳门槛值范围和预计算的总有机碳反演数据，确定页岩气总有机碳有利区数据，从而以页岩气总有机碳有利区数据显示总有机碳含量，实现对页岩气储层总有机碳含量的精细预测，提高了页岩气储层总有机碳含量的预测精度，与现有技术对比，对页岩气储层的地球物理资料进行扰动分析，避免了传统总有机碳含量预测方法会导致信息遗漏的问题，可满足对页岩气储层精细预测的需求。
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，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，下面描述中的附图仅仅是本发明的一些实施例，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。
图1是本发明实施例提供的一种页岩气储层总有机碳含量预测方法的流程示意图；
图2是本发明实施例提供的一种页岩气储层总有机碳含量预测方法实例的流程示意图；
图3是本发明实施例提供的一种页岩气储层总有机碳含量预测方法实例的流程示意图；
图4是本发明实施例提供的一种页岩气储层总有机碳含量预测方法实例的流程示意图；
图5是本发明实施例提供的一种页岩气储层总有机碳含量预测方法实例的流程示意图；
图6是本发明实施例提供的一种页岩气储层总有机碳含量预测方法实例的流程示意图；
图7是本发明实施例提供的一种页岩气储层总有机碳含量预测方法实例的流程示意图；
图8是本发明实施例提供的一种页岩气储层总有机碳含量预测方法实例的流程示意图；
图9是本发明实施例提供的一种页岩气储层总有机碳含量预测装置的结构示意图。
具体实施方式
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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
在本发明实施例中，提供了一种页岩气储层总有机碳含量预测方法，如图1所示，该方法包括如下步骤：
步骤101：对页岩气储层的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据；
步骤102：对选出的对总有机碳含量敏感的测井数据，通过粒子群算法进行参数优化计算，得到总有机碳连续数据；
步骤103：对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会分析，确定储层总有机碳门槛值范围；
步骤104：根据储层总有机碳门槛值范围和预计算的总有机碳反演数据，确定页岩气总有机碳有利区数据。
本发明实施例中，对页岩气储层的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据；对选出的对总有机碳含量敏感的测井数据，通过粒子群算法进行参数优化计算，得到总有机碳连续数据；对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会分析，确定储层总有机碳门槛值范围；根据储层总有机碳门槛值范围和预计算的总有机碳反演数据，确定页岩气总有机碳有利区数据，从而以页岩气总有机碳有利区数据显示总有机碳含量，实现对页岩气储层总有机碳含量的精细预测，提高了页岩气储层总有机碳含量的预测精度，与现有技术对比，对页岩气储层的地球物理资料进行扰动分析，避免了传统总有机碳含量预测方法会导致信息遗漏的问题，可满足对页岩气储层精细预测的需求。
具体实施时，首先对页岩气储层的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据。
实施例中，首先可以获取待研究区的页岩气储层的地球物理资料，其中，地球物理资料可以包括测井数据、地震数据、地震测试数据和钻井数据。之后，对页岩气储层的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据。
在上述实施例中，通过获取待研究区的页岩气储层的地球物理资料，可全面分析与该页岩气储层相关的数据，有助于避免传统总有机碳含量预测方法会导致信息遗漏的问题，可满足对页岩气储层精细预测的需求。
具体实施时，本发明实施例提供的页岩气储层总有机碳含量预测方法还可以包括：对页岩气储层的地球物理资料进行预处理，得到预处理后的地球物理资料。而选出对总有机碳含量敏感的测井数据的方法有多种，例如，可以包括：对预处理后的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据。
实施例中，对页岩气储层的地球物理资料进行预处理的方法有多种，例如，可以包括：对页岩气储层的地球物理资料进行测井曲线深度校正、测井曲线环境校正、多井测井曲线一致性校正或储层段测井曲线重构等。
在上述实施例中，对页岩气储层的地球物理资料进行预处理，在后续对地球物理资料进行扰动分析时，可以消除非地层因素等的影响，得到反映地层真实情况的测井曲线，使测井曲线更真实反映地层地球物理特征，并且在后续SVM(Support Vector Machine，支持向量机)建模中消除数量级差异对计算结果的影响，又可以优化整个SVM模型的学习速度。
具体实施时，对页岩气储层的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据的方法有多种，例如，可以包括：在预建立的页岩气岩石物理储层模型中，将地球物理资料中测井数据作为矿物成分，以不同的总有机碳含量，对地球物理资料中测井数据进行扰动分析，生成总有机碳扰动模型；根据总有机碳扰动模型，选出对总有机碳含量敏感的测井数据。
实施例中，本发明实施例提供的页岩气储层总有机碳含量预测方法还可以包括：按如下方式建立页岩气岩石物理储层模型：
首先将有机页岩的基质，作为有机成分干酪根和非有机成分“粘土”矿物组成的两相混合物，并通过各向异性微分等效介质模型，构建该两相混合物的等效弹性张量与孔隙度、流体饱和度及孔隙纵横比的关系式。其中，该各向异性微分等效介质模型为Differential Effective Medium(DEM)；采用各向异性微分等效介质模型，将干燥的孔隙包含物加入到有机页岩基质中，得到孔隙介质干岩石的等效弹性张量关系式；采用Brown-Korringa(布朗-科林加)各向异性流体替换理论，由干岩石等效弹性张量得到流体饱和岩石等效弹性张量；根据流体饱和岩石等效弹性张量，建立有机页岩各向异性岩石物理模型。
实施例中，建立页岩气岩石物理储层模型，并将地球物理资料中测井数据作为矿物成分，以不同的总有机碳含量，对地球物理资料中测井数据进行扰动分析，如分析在不同的TOC含量下，测井曲线和弹性参数的变化，可优选出对TOC反映比较敏感的测井参数。
在上述实施例中，根据总有机碳扰动模型，选出对总有机碳含量敏感的测井数据，有助于实现对页岩气储层总有机碳含量的精细预测，及提高页岩气储层总有机碳含量的预测精度。
具体实施时，在选出对总有机碳含量敏感的测井数据后，对选出的对总有机碳含量敏感的测井数据，通过粒子群算法进行参数优化计算，得到总有机碳连续数据。而通过粒子群算法进行参数优化计算，得到总有机碳连续数据的方法有多种，例如，可以包括：以选出的对总有机碳含量敏感的测井数据作为训练样本，随机生成训练集和测试集；通过粒子群算法，根据训练集进行支持向量机模型的参数优化计算，根据测试集进行支持向量机模型的参数优化计算结果的测试，在测试通过后根据支持向量机模型的参数优化计算结果建立页岩气总有机碳预测模型；根据页岩气总有机碳预测模型，预测生成总有机碳连续数据。
实施例中，将选出的对总有机碳含量敏感的测井数据作为训练样本，随机产生训练集和测试集，利用PSO(Particle Swarm Optimization，粒子群优化算法)进行SVM模型进行参数优化选择，得到PSO-SVM模型的最优参数，建立页岩气总有机碳预测模型；根据页岩气总有机碳预测模型，预测生成总有机碳连续数据。
在上述实施例中，利用了粒子群算法下的支持向量机技术，将低维空间的非线性关系转变为高维空间的线性关系。支持向量机技术的原理是：运用核函数，将低维空间中的自变量通过非线性关系映射到高维空间中，然后在高维空间运用线性判别函数来实现原来空间的非线性问题，通过构建决策函数最终输出预测值。因此可提高TOC预测的精度。通过建立的页岩气总有机碳预测模型，预测生成总有机碳连续数据，可生成总有机碳连续数据，可以提高总有机碳含量储层预测精度。
具体实施时，在得到总有机碳连续数据后，对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会分析，确定储层总有机碳门槛值范围。
实施例中，分析对总有机碳含量敏感的测井数据与利用PSO-SVM模型计算的总有机碳连续数据的交会关系，可以确定对总有机碳含量敏感的测井数据在页岩气地震反演中的门槛值范围。
在上述实施例中，通过对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会分析，确定储层总有机碳门槛值范围，可以更好的进行总有机碳含量储层精细预测。
具体实施时，在确定储层总有机碳门槛值范围后，根据储层总有机碳门槛值范围和预计算的总有机碳反演数据，确定页岩气总有机碳有利区数据。
实施例中，通过储层总有机碳门槛值范围可在预计算的总有机碳反演数据中，确定页岩气总有机碳有利区数据。其中，页岩气总有机碳有利区数据可用于显示总有机碳含量。
在上述实施例中，以预计算的总有机碳反演数据，结合储层总有机碳门槛值范围，可实现对研究区页岩气储层TOC的精细预测。
具体实施时，本发明实施例提供的页岩气储层总有机碳含量预测方法还可以包括：获取页岩气储层的取心资料；将生成的总有机碳连续数据与取心资料进行对比，验证页岩气总有机碳预测模型的精度。
实施例中，利用PSO-SVM模型计算可得到总有机碳连续数据，将总有机碳连续数据与页岩气储层的取心资料进行对比，可分析页岩气总有机碳预测模型的误差。
在上述实施例中，将生成的总有机碳连续数据与取心资料进行对比，可验证页岩气总有机碳预测模型的精度，有助于工作人员用于调整页岩气总有机碳预测模型。
具体实施时，本发明实施例提供的页岩气储层总有机碳含量预测方法还可以包括：按如下方式预计算总有机碳反演数据：获取三维地震叠前时间偏移数据；对三维地震叠前时间偏移数据进行叠前地震反演，得到弹性参数反演数据；对三维地震叠前时间偏移数据进行测井曲线反演，得到测井参数反演数据；分别从弹性参数反演数据和测井参数反演数据，选出对总有机碳含量敏感的弹性参数反演数据和测井参数反演数据；通过粒子群算法，对选出的对总有机碳含量敏感的弹性参数反演数据和测井参数反演数据进行参数优化计算，确定出总有机碳反演数据。
实施例中，获取三维地震叠前时间偏移数据，例如，可以包括：获取三维地震叠前时间偏移数据体。对三维地震叠前时间偏移数据进行叠前地震反演，得到弹性参数反演数据，例如，可以包括：对研究区的三维地震叠前时间偏移数据体进行叠前同时反演，得到弹性参数反演数据，其中，弹性参数反演数据可以包括密度数据体、纵波数据体和横波数据体等；对三维地震叠前时间偏移数据进行测井曲线反演，得到测井参数反演数据，例如，可以包括：对研究区的三维地震叠前时间偏移数据体进行测井曲线反演，得到测井参数反演数据，其中，测井参数反演数据可以包括伽马反演数据体、自然电位反演数据体、补偿中子反演数据体和电阻率反演数据体等。通过粒子群算法，对弹性参数反演数据和测井参数反演数据进行参数优化计算，可优选出对总有机碳含量敏感的总有机碳反演数据，其中，对总有机碳含量敏感的总有机碳反演数据可以包括对页岩气TOC反映较为敏感的反演地震数据体。
举一实例，如选择四川盆地YX区块Z井区作为研究工区，以志留系龙马溪组作为研究的目的层段。对该实例中选择的研究区，以本发明实施例提供的页岩气储层总有机碳含量预测方法，进行页岩气储层总有机碳含量预测的流程图可如图2所示。
在获取研究区的地球物理资料后进行如下步骤，其中，地球物理资料可以包括测井数据和地震测试数据；
步骤S100：对测井数据进行预处理，得到预处理后的地球物理资料；
步骤S200：通过建立页岩气岩石物理储层模型；
步骤S300：将页岩气储层的地球物理资料，如TOC测井数据，作为矿物成分，分析在不同TOC含量下，测井曲线和弹性参数的变化，从而优选出对总有机碳含量敏感的测井数据，如对TOC反映比较敏感的测井参数；
步骤S400：将对总有机碳含量敏感的测井数据，如对TOC反映比较敏感的测井参数，作为训练样本，随机产生训练集和测试集，利用PSO算法进行SVM模型参数优化选择，得到PSO-SVM模型的最优参数，建立页岩气总有机碳预测模型(页岩气TOC预测模型)；之后利用PSO-SVM模型计算得到总有机碳连续数据(TOC测井曲线)，与取心资料(岩心TOC)进行对比，分析误差大小，验证页岩气总有机碳预测模型的精度；
步骤S500：对研究区的三维地震叠前时间偏移数据体进行叠前同时反演，得到密度数据体、纵波数据体和横波数据体；获取三维地震叠前时间偏移数据体。对三维地震叠前时间偏移数据进行叠前地震反演，得到弹性参数反演数据，例如，可以包括：对研究区的三维地震叠前时间偏移数据体进行叠前同时反演，得到弹性参数反演数据，其中，弹性参数反演数据可以包括密度数据体、纵波数据体和横波数据体等；对三维地震叠前时间偏移数据进行测井曲线反演，得到测井参数反演数据，例如，可以包括：对研究区的三维地震叠前时间偏移数据体进行测井曲线反演，得到测井参数反演数据，其中，测井参数反演数据可以包括伽马反演数据体、自然电位反演数据体、补偿中子反演数据体和电阻率反演数据体等；之后分析对总有机碳含量敏感的测井数据(TOC敏感参数)与利用PSO-SVM法计算的总有机碳连续数据(TOC含量)的交会关系，确定所优选参数在页岩气地震反演的门槛值；
步骤S600：在对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会后，得到TOC敏感参数交会分析的结果，之后优选出对页岩气TOC反映较为敏感的反演地震数据体；将优选的地震数据体同样利用PSO-SVM模型计算得到TOC反演数据体，从而实现对研究区页岩气储层TOC的精细预测。
步骤S100的流程示意图，如图3所示。图3中，步骤S110：首先对研究区块目的层的地球物理资料，如测井资料，进行分析；发明人发现测井资料存在以下问题：测井系列不统一，导致不同井测量数值存在差异；部分井井眼垮塌，导致测井曲线失真；测井仪器不稳定，导致曲线发生突变等问题；步骤S120，对页岩气储层的地球物理资料进行预处理，其中，预处理技术主要包括：测井曲线深度校正、测井曲线环境校正、多井测井曲线一致性校正、储层段测井曲线重构等。
在本实例中，通过预处理，可使曲线更能真实反映地层地球物理特征，并且在后续SVM建模中既消除数量级差异对计算结果的影响，又优化整个SVM的学习速度。
步骤S200的流程示意图，如图4所示。图4中，步骤S210：把有机页岩的基质看作有机成分干酪根和非有机成分“粘土”矿物组成的两相混合物，通过各向异性微分等效介质(DEM)模型构建其等效弹性张量与孔隙度、流体饱和度及孔隙纵横比的关系式；步骤S220：采用各向异性DEM模型，将干燥的孔隙包含物加入到有机页岩基质中，得到孔隙介质干岩石的等效弹性张量关系式；步骤S230：采用Brown-Korringa各向异性流体替换理论，由干岩石等效弹性张量得到流体饱和岩石等效弹性张量。根据流体饱和岩石等效弹性张量，建立有机页岩各向异性岩石物理模型。
步骤S300的流程示意图，如图5所示，图5是本发明实施例提供的一种页岩气储层总有机碳含量预测方法实例的流程示意图。步骤S310：测井曲线的优选是建立总有机碳扰动模型的关键，通过分析YX区块Z井的地球物理资料中测井数据在测井曲线上的响应特征主要表现为高伽马、高声波时差、低密度的特征，选择自然伽马、声波速度和密度作为总有机碳扰动模型分析曲线；步骤S320：通过建立页岩气岩石物理模型，将地球物理资料中测井数据作为矿物组分，建立关于总有机碳(TOC)扰动模型。扰动分析的主要目的是利用页岩气岩石物理模型，通过改变矿物组分，可获得对总有机碳含量敏感的测井数据，如对储层TOC反映敏感的叠前弹性参数；步骤S330：在校正后的测井曲线的基础上，可将TOC含量逐渐增加，如增加3％、6％、9％时，在不同TOC含量下，对地球物理资料中测井数据进行扰动分析，如根据密度、纵波速度、横波速度、纵波阻抗、泊松比、自然伽马、等变化情况，寻找对TOC含量最敏感的参数；步骤S340：通过扰动分析可知，本实例中，在TOC含量增加时，自然伽马、密度、速度、阻抗和泊松比都明显降低，则可重点选择TOC含量增加最大时(即TOC含量增加9％)的扰动分析结果进行定量研究，找出其中变化率最大的参数，就是对总有机碳含量敏感的测井数据。在本实例中，可经研究发现：拉梅常数×密度、自然伽马对TOC反映最敏感，为对总有机碳含量敏感的测井数据。
支持向量机(SVM)是建立在统计学习理论和结构风险最小化基础上的一种新的机器学习方法，基本思想是运用核函数，将低维空间中的自变量x通过非线性关系映射到高维空间中，然后在高维空间运用线性判别函数来实现原来空间的非线性问题，通过构建决策函数最终输出预测值Φ。在样本集是非线性的情况下，可以通过非线性函数/>将样本集数据x映射到一个高维的线性空间，在高维线性空间中完成决策函数的构建，即：
其中，ω是权值向量，b是偏置参数
基于统计学习理论的结构风险最小化思想，支持向量机可以采用极小化优化模型来构建决策函数，即
约束条件为：
其中，C为惩罚因子，表示对超出误差ε的样本的惩罚程度；ζi,为松弛因子，ε为误差上限；
粒子群(PSO)作为优化领域中的有效算法，其优化原理是先初始化待优化的问题，以原始输入数据为起点进行循环迭代，直到得到能够评价数据适应度的输出数据，然后根据输出数据开展寻优活动，最终实现模型解集的优化目的。
在SVM参数寻优过程中可以取得良好的效果。对于状态属性：
其中，表示粒子i在t时刻的位置，[LD,UD]表示/>的取值范围；
其中，表示粒子i在t时刻的速度，[vmin,D,vmax,D]表示/>的取值范围；
则PSO传统意义迭代公式如下：
其中，v为粒子速度，ω为惯性权重，c为学习因子，ξ和η为介于[0,1]的随机数，x为粒子的当前位置，为表示第i个粒子经过的最优位置，/>表示种群的最优位置。
上式中，ω起着平衡全局和局部搜索的作用，较大的ω有较好的全局收敛能力，反之则有较强的局部收敛能力。学习因子c1和c2分别控制着粒子寻找个体最优位置和全局最优位置的能力。
本发明实施例可通过利用MATLAB建立PSO-SVM预测模型，继而可选择对TOC影响较大的自然伽马(GR)、密度(DEN)、拉梅常数(λ)3个参数作为输入参数，将总有机碳连续数据作为输出参数。
在选出的对总有机碳含量敏感的测井数据中，选取建立TOC模型所需样品作为训练集和检验模型可靠性所需样品作为验证集，其中训练集可占总数据的85％，验证集可占15％。训练集和验证集由不同深度下不同类别样品组成，每个样品包含多种可以反映TOC的变量，例如，每个样品包含3种可以反映TOC的变量。
步骤S400的流程示意图，如图6所示，图6是本发明实施例提供的一种页岩气储层总有机碳含量预测方法实例的流程示意图。通过粒子群算法，根据训练集进行支持向量机模型的参数优化计算，根据测试集进行支持向量机模型的参数优化计算结果的测试，在测试通过后根据支持向量机模型的参数优化计算结果建立页岩气总有机碳预测模型，可包括如下步骤：步骤S410：可将模型的适应度函数定义为训练样本的预测误差，即最小预测误差所对应的粒子位置便是函数所对应的最优解；步骤S420可包括如下步骤：(1)随机初始化粒子群(种群)位置和速度；(2)计算每个粒子的适应度函数；(3)适应度标定：将当前适应值和个体历史最佳位置适应值进行对照，如果前者较高，则用当前位置代替个体历史最佳位置；(4)将当前适应值和全局最佳位置适应值进行对照，如果前者较高，则用当前位置代替全局最佳位置；(5)速度更新及个体更新：通过利用PSO算法进行粒子速度和位置的更新，(6)如未满足终止条件，则返回步骤(2)；反之则执行下一步，直到得到了最优参数C和σ值；步骤S430：按如下公式，将最优参数C和σ值进行SVM模型训练，再运用测试集验证模型的预测精准度。此步骤为通过粒子群算法，根据训练集进行支持向量机模型的参数优化计算；根据测试集进行支持向量机模型的参数优化计算结果的测试，因此可得到页岩气总有机碳的预测结果，如
步骤S500的流程示意图，如图7所示，图7是本发明实施例提供的一种页岩气储层总有机碳含量预测方法实例的流程示意图。步骤S510：对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会分析，确定储层总有机碳门槛值范围的方法有多种，例如，可以包括：首先可从测井资料中获取储层的测井响应特征；以及，从地震资料中获取储层地震响应特征，并从储层地震响应特征中获取保真保幅的地震数据；以及根据工区测井解释的优质页岩段，通过井震标定，利用测井响应特征和地震响应特征得到优质页岩的响应模式，对总有机碳含量敏感的测井数据(可简称为对TOC敏感参数)的交会分析，确定储层TOC的门槛值范围；步骤S520：首先可以优选地震反演方法，获取三维地震叠前时间偏移数据，可以包括：获取地震数据Seis(x,y,t)；对三维地震叠前时间偏移数据进行叠前地震反演，得到弹性参数反演数据；对三维地震叠前时间偏移数据进行测井曲线反演，得到测井参数反演数据，例如，可以包括：根据优质页岩的响应模式，对地震数据Seis(x,y,t)进行叠前地震弹性参数反演和测井曲线反演，获得弹性参数反演体：ρ＝(x,y,t),纵波速度Vp＝(x,y,t),横波速度Vs＝(x,y,t)和测井曲线反演体：GR＝(x,y,t)，自然电位SP＝(x,y,t)，电阻率RT＝(x,y,t)，补偿中子CNL＝(x,y,t)。
在本实例中，可使用Strata软件，通过选择合适的子波、模型、反演参数，可以把地震数据反演为需要的地震反演数据体。
步骤S600的流程示意图，如图8所示，图8是本发明实施例提供的一种页岩气储层总有机碳含量预测方法实例的流程示意图。步骤S610：首先获取优选的对TOC敏感的弹性参数反演数据体和测井曲线反演数据体；
步骤S620，采用PSO-SVM模型将对弹性参数反演数据体和测井参数反演数据体，进行参数优化计算，将参数优化计算后的弹性参数反演数据和测井参数反演数据转换为对总有机碳含量敏感的总有机碳反演数据，再通过确定的TOC门槛值范围，从而可以实现页岩气储层的定量精细预测，如下所示：
在本实例中，同样利用MATLAB建立了PSO-SVM预测模型，通过粒子群算法，对弹性参数反演数据和测井参数反演数据进行参数优化计算，确定对总有机碳含量敏感的总有机碳反演数据，如选择出对TOC影响较大的自然伽马反演数据体(GR(x,y,t))、密度反演数据体(DEN(X,Y,T))和拉梅常数反演数据体(λ(X,Y,T))3个参数作为输入参数，将对总有机碳含量敏感的总有机碳反演数据作为输出参数。
在本实施例中，通过以上流程，最终可根据储层总有机碳门槛值范围和预计算的总有机碳反演数据，确定页岩气总有机碳有利区数据，实现对页岩气储层总有机碳含量的精细预测。
本发明实施例中，对页岩气储层的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据；对选出的对总有机碳含量敏感的测井数据，通过粒子群算法进行参数优化计算，得到总有机碳连续数据；对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会分析，确定储层总有机碳门槛值范围；根据储层总有机碳门槛值范围和预计算的总有机碳反演数据，确定页岩气总有机碳有利区数据，从而以页岩气总有机碳有利区数据显示总有机碳含量，实现对页岩气储层总有机碳含量的精细预测，提高了页岩气储层总有机碳含量的预测精度，与现有技术对比，对页岩气储层的地球物理资料进行扰动分析，避免了传统总有机碳含量预测方法会导致信息遗漏的问题，可满足对页岩气储层精细预测的需求。
如上所述，本发明实施例的主要目的，在于解决传统总有机碳含量预测方法中参数选择和技术的不足的问题，以及利用解释TOC与密度曲线建立的线性拟合公式精度低，不能精细刻画页岩气储层TOC的问题。本发明实施例提供了一种非线性拟合的计算页岩气TOC含量的方法，通过粒子群算法对支持向量机方法进行优化，利用优化后的支持向量机方法对TOC含量进行预测，利用了多种技术方法分别确定TOC含量与测井数据和地震数据间的非线性关系，提高了TOC含量预测的准确性，避免了仅适用单一密度进行线性回归公式预测精度低的缺点，可以对页岩气储层TOC进行更加准确可靠的预测，从而更好的实现页岩气的油气性评价。
本发明实施例中还提供了一种页岩气储层总有机碳含量预测装置，如下面的实施例所述。由于该装置解决问题的原理与页岩气储层总有机碳含量预测方法相似，因此该装置的实施可以参见页岩气储层总有机碳含量预测方法的实施，重复之处不再赘述。
图9是本发明实施例的页岩气储层总有机碳含量预测装置的一种结构框图，如图9所示，可以包括：
敏感测井数据优选模块01，用于对页岩气储层的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据；
总有机碳连续数据计算模块02，用于对选出的对总有机碳含量敏感的测井数据，通过粒子群算法进行参数优化计算，得到总有机碳连续数据；
门槛值范围计算模块03，用于对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会分析，确定储层总有机碳门槛值范围；
总有机碳有利区数据确定模块04，用于根据储层总有机碳门槛值范围和预计算的总有机碳反演数据，确定页岩气总有机碳有利区数据。
在一个实施例中，本发明实施例提供的页岩气储层总有机碳含量预测装置还可以包括：预处理模块，可用于：对页岩气储层的地球物理资料进行预处理，得到预处理后的地球物理资料；敏感测井数据优选模块，具体可用于：对预处理后的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据。
在一个实施例中，敏感测井数据优选模块，具体可用于：在预建立的页岩气岩石物理储层模型中，将地球物理资料中测井数据作为矿物成分，以不同的总有机碳含量，对地球物理资料中测井数据进行扰动分析，生成总有机碳扰动模型；根据总有机碳扰动模型，选出对总有机碳含量敏感的测井数据。
在一个实施例中，总有机碳连续数据计算模块，具体可用于：以选出的对总有机碳含量敏感的测井数据作为训练样本，随机生成训练集和测试集；通过粒子群算法，根据训练集进行支持向量机模型的参数优化计算，根据测试集进行支持向量机模型的参数优化计算结果的测试，在测试通过后根据支持向量机模型的参数优化计算结果建立页岩气总有机碳预测模型；根据页岩气总有机碳预测模型，预测生成总有机碳连续数据。
在一个实施例中，本发明实施例提供的页岩气储层总有机碳含量预测装置还可以包括：精度验证模块，可用于：获取页岩气储层的取心资料；将生成的总有机碳连续数据与取心资料进行对比，验证页岩气总有机碳预测模型的精度。
在一个实施例中，本发明实施例提供的页岩气储层总有机碳含量预测装置还可以包括：总有机碳反演数据计算模块，用于：获取三维地震叠前时间偏移数据；对三维地震叠前时间偏移数据进行叠前地震反演，得到弹性参数反演数据；对三维地震叠前时间偏移数据进行测井曲线反演，得到测井参数反演数据；分别从弹性参数反演数据和测井参数反演数据，选出对总有机碳含量敏感的弹性参数反演数据和测井参数反演数据；通过粒子群算法，对选出的对总有机碳含量敏感的弹性参数反演数据和测井参数反演数据进行参数优化计算，确定出总有机碳反演数据。
本发明实施例还提供了一种计算机设备，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，所述处理器执行所述计算机程序时实现上述所述方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
本发明实施例中，对页岩气储层的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据；对选出的对总有机碳含量敏感的测井数据，通过粒子群算法进行参数优化计算，得到总有机碳连续数据；对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会分析，确定储层总有机碳门槛值范围；根据储层总有机碳门槛值范围和预计算的总有机碳反演数据，确定页岩气总有机碳有利区数据，从而以页岩气总有机碳有利区数据显示总有机碳含量，实现对页岩气储层总有机碳含量的精细预测，提高了页岩气储层总有机碳含量的预测精度，与现有技术对比，对页岩气储层的地球物理资料进行扰动分析，避免了传统总有机碳含量预测方法会导致信息遗漏的问题，可满足对页岩气储层精细预测的需求。
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。
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。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种页岩气储层总有机碳含量预测方法，其特征在于，包括：
对页岩气储层的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据；
对选出的对总有机碳含量敏感的测井数据，通过粒子群算法进行参数优化计算，得到总有机碳连续数据；
对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会分析，确定储层总有机碳门槛值范围；
根据储层总有机碳门槛值范围和预计算的总有机碳反演数据，确定页岩气总有机碳有利区数据；
其中，对选出的对总有机碳含量敏感的测井数据，通过粒子群算法进行参数优化计算，得到总有机碳连续数据，包括：
以选出的对总有机碳含量敏感的测井数据作为训练样本，随机生成训练集和测试集，训练集和测试集由不同深度下不同类别样品组成，每个样品包含多种可以反映TOC的变量；
通过粒子群算法，根据训练集进行支持向量机模型的参数优化计算，根据测试集进行支持向量机模型的参数优化计算结果的测试，在测试通过后根据支持向量机模型的参数优化计算结果建立页岩气总有机碳预测模型；
根据页岩气总有机碳预测模型，预测生成总有机碳连续数据；
通过粒子群算法，根据训练集进行支持向量机模型的参数优化计算，包括：
利用PSO结合SVM模型进行参数优化选择；
还包括，通过如下方法对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会分析，确定储层总有机碳门槛值范围：
从测井资料中获取储层的测井响应特征；
从地震资料中获取储层地震响应特征，并从储层地震响应特征中获取保真保幅的地震数据；
根据工区测井解释的优质页岩段，通过井震标定，利用测井响应特征和地震响应特征得到优质页岩的响应模式，对总有机碳含量敏感的测井数据交会分析，确定储层TOC的门槛值范围。
2.如权利要求1所述的方法，其特征在于，还包括：
对页岩气储层的地球物理资料进行预处理，得到预处理后的地球物理资料；
对页岩气储层的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据，包括：对预处理后的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据。
3.如权利要求1所述的方法，其特征在于，对页岩气储层的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据，包括：
在预建立的页岩气岩石物理储层模型中，将地球物理资料中测井数据作为矿物成分，以不同的总有机碳含量，对地球物理资料中测井数据进行扰动分析，生成总有机碳扰动模型；
根据总有机碳扰动模型，选出对总有机碳含量敏感的测井数据。
4.如权利要求1所述的方法，其特征在于，还包括：
获取页岩气储层的取心资料；
将生成的总有机碳连续数据与取心资料进行对比，验证页岩气总有机碳预测模型的精度。
5.如权利要求1所述的方法，其特征在于，还包括：按如下方式预计算总有机碳反演数据：
获取三维地震叠前时间偏移数据；
对三维地震叠前时间偏移数据进行叠前地震反演，得到弹性参数反演数据；
对三维地震叠前时间偏移数据进行测井曲线反演，得到测井参数反演数据；
分别从弹性参数反演数据和测井参数反演数据，选出对总有机碳含量敏感的弹性参数反演数据和测井参数反演数据；
通过粒子群算法，对选出的对总有机碳含量敏感的弹性参数反演数据和测井参数反演数据进行参数优化计算，确定出总有机碳反演数据。
6.一种页岩气储层总有机碳含量预测装置，其特征在于，包括：
敏感测井数据优选模块，用于对页岩气储层的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据；
总有机碳连续数据计算模块，用于对选出的对总有机碳含量敏感的测井数据，通过粒子群算法进行参数优化计算，得到总有机碳连续数据；
门槛值范围计算模块，用于对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会分析，确定储层总有机碳门槛值范围；
总有机碳有利区数据确定模块，用于根据储层总有机碳门槛值范围和预计算的总有机碳反演数据，确定页岩气总有机碳有利区数据；
其中，总有机碳连续数据计算模块具体用于：
以选出的对总有机碳含量敏感的测井数据作为训练样本，随机生成训练集和测试集，训练集和测试集由不同深度下不同类别样品组成，每个样品包含多种可以反映TOC的变量；
通过粒子群算法，根据训练集进行支持向量机模型的参数优化计算，根据测试集进行支持向量机模型的参数优化计算结果的测试，在测试通过后根据支持向量机模型的参数优化计算结果建立页岩气总有机碳预测模型；
根据页岩气总有机碳预测模型，预测生成总有机碳连续数据；
通过粒子群算法，根据训练集进行支持向量机模型的参数优化计算，包括：
利用PSO结合SVM模型进行参数优化选择；
门槛值范围计算模块还用于，通过如下方法对选出的对总有机碳含量敏感的测井数据和总有机碳连续数据进行交会分析，确定储层总有机碳门槛值范围：
从测井资料中获取储层的测井响应特征；
从地震资料中获取储层地震响应特征，并从储层地震响应特征中获取保真保幅的地震数据；
根据工区测井解释的优质页岩段，通过井震标定，利用测井响应特征和地震响应特征得到优质页岩的响应模式，对总有机碳含量敏感的测井数据交会分析，确定储层TOC的门槛值范围。
7.如权利要求6所述的装置，其特征在于，还包括：预处理模块，用于：对页岩气储层的地球物理资料进行预处理，得到预处理后的地球物理资料；
敏感测井数据优选模块，具体用于：对预处理后的地球物理资料进行扰动分析，选出对总有机碳含量敏感的测井数据。
8.一种计算机设备，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计算机程序时实现权利要求1至5任一所述方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010705207.4A CN111948718B (zh) | 2020-07-21 | 2020-07-21 | 页岩气储层总有机碳含量预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010705207.4A CN111948718B (zh) | 2020-07-21 | 2020-07-21 | 页岩气储层总有机碳含量预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111948718A CN111948718A (zh) | 2020-11-17 |
| CN111948718B true CN111948718B (zh) | 2023-11-28 |
Family
ID=73340752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010705207.4A Active CN111948718B (zh) | 2020-07-21 | 2020-07-21 | 页岩气储层总有机碳含量预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111948718B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116066064B (zh) * | 2021-12-16 | 2023-12-19 | 中国石油天然气集团有限公司 | 一种利用元素录井计算页岩气储层孔隙度的方法 |
| 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 (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104656157A (zh) * | 2015-02-13 | 2015-05-27 | 中南大学 | 一种识别页岩气甜点区的方法及装置 |
| CN104977618A (zh) * | 2014-04-09 | 2015-10-14 | 中国石油集团东方地球物理勘探有限责任公司 | 一种评价页岩气储层及寻找甜点区的方法 |
| CN108222925A (zh) * | 2017-12-08 | 2018-06-29 | 中国石油集团川庆钻探工程有限公司 | 页岩气储层分级综合评价方法 |
| CN113552621A (zh) * | 2020-04-23 | 2021-10-26 | 中国石油天然气集团有限公司 | 页岩气地应力确定方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8332155B2 (en) * | 2010-09-13 | 2012-12-11 | Chevron U.S.A. Inc. | System and method for hydrocarbon gas pay zone characterization in a subterranean reservoir |
-
2020
- 2020-07-21 CN CN202010705207.4A patent/CN111948718B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104977618A (zh) * | 2014-04-09 | 2015-10-14 | 中国石油集团东方地球物理勘探有限责任公司 | 一种评价页岩气储层及寻找甜点区的方法 |
| CN104656157A (zh) * | 2015-02-13 | 2015-05-27 | 中南大学 | 一种识别页岩气甜点区的方法及装置 |
| CN108222925A (zh) * | 2017-12-08 | 2018-06-29 | 中国石油集团川庆钻探工程有限公司 | 页岩气储层分级综合评价方法 |
| CN113552621A (zh) * | 2020-04-23 | 2021-10-26 | 中国石油天然气集团有限公司 | 页岩气地应力确定方法和装置 |
Non-Patent Citations (5)
| Title |
|---|
| 四川长宁页岩总有机碳地震定量预测方法;侯华星，等;《东北石油大学学报》;20161031;第40卷(第5期);18-27 * |
| 四川长宁页岩总有机碳地震定量预测方法;侯华星，等;东北石油大学学报;第40卷(第5期);18-27 * |
| 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;张成龙，等;《天然气地球科学》;20190531;第30卷(第5期);761-768 * |
| 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;张成龙，等;天然气地球科学;第30卷(第5期);761-768 * |
| 滨里海盆地东缘中区块碳酸盐岩储层渗透率预测研究;赵培强，等;石油科学通报;第5卷(第1期);39-48 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111948718A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11704579B2 (en) | Earth modeling methods using machine learning | |
| CN109478208A (zh) | 用于石油勘探和生产评估的综合数据和过程集成的迭代且可重复的工作流程 | |
| Qian et al. | Intelligent prediction and integral analysis of shale oil and gas sweet spots | |
| CN105445791A (zh) | 一种基于多种地震属性的地层孔隙压力预测方法 | |
| US20100185424A1 (en) | Method, Program and Computer System for Conciliating Hydrocarbon Reservoir Model Data | |
| US11699099B2 (en) | Confidence volumes for earth modeling using machine learning | |
| CN111948718B (zh) | 页岩气储层总有机碳含量预测方法及装置 | |
| Maschio et al. | A new methodology for history matching combining iterative discrete Latin Hypercube with multi-start simulated annealing | |
| Elkatatny et al. | An artificial intelligent approach to predict static Poisson's ratio | |
| Shi et al. | Prediction of shear wave velocity using machine learning technique, multiple regression and well logs | |
| León Carrera et al. | Accounting for diagenesis overprint in carbonate reservoirs using parametrization technique and optimization workflow for production data matching | |
| 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 | |
| Wang et al. | On the Feasibility of An Ensemble Multi-Fidelity Neural Network for Fast Data Assimilation for Subsurface Flow in Porous Media | |
| CN114428286A (zh) | 一种基于叠前地震数据的含气饱和度预测方法 | |
| Qian et al. | A rock physics driven Bayesian inversion for TOC in the Fuling shale gas reservoir | |
| Azizzadeh Mehmandoust Olya et al. | Hydrocarbon reservoir potential mapping through Permeability estimation by a CUDNNLSTM Deep Learning Algorithm | |
| CN113267809B (zh) | I类页岩储层预测方法及装置 | |
| Nuo et al. | Application of multigene genetic programming for estimating elastic modulus of reservoir rocks | |
| CN113138412A (zh) | 深层页岩气孔隙度地震预测方法及装置 | |
| Nath et al. | Prediction and analysis of geomechanical properties using deep learning: A Permian Basin case study | |
| Wang et al. | Determination of Total organic carbon (TOC) content in shale formations by analyzing well logging measurements | |
| Zhang et al. | Interpretable machine learning model for shear wave estimation in a carbonate reservoir using LightGBM and SHAP: a case study in the Amu Darya right bank | |
| Lee et al. | Predicting S-wave sonic logs using machine learning with conventional logs for the Delaware Basin, Texas | |
| CN117236172B (zh) | 一种针对火成岩的深度学习低频模型构建方法及系统 | |
| Bassoult | Artificial Intelligence (AI) Inside of Rock Physics Modelling, Case of Study in Tight Sand Reservoir. |
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 |