CN111984928B - 一种测井资料计算页岩油储层有机碳含量的方法 - Google Patents
一种测井资料计算页岩油储层有机碳含量的方法 Download PDFInfo
- Publication number
- CN111984928B CN111984928B CN202010832175.4A CN202010832175A CN111984928B CN 111984928 B CN111984928 B CN 111984928B CN 202010832175 A CN202010832175 A CN 202010832175A CN 111984928 B CN111984928 B CN 111984928B
- Authority
- CN
- China
- Prior art keywords
- value
- output
- sample
- layer
- neural network
- 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 63
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000003079 shale oil Substances 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 106
- 238000011160 research Methods 0.000 claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000011545 laboratory measurement Methods 0.000 claims abstract description 19
- 238000005553 drilling Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000009897 systematic effect Effects 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 76
- 238000012549 training Methods 0.000 claims description 68
- 230000006870 function Effects 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 6
- 230000000704 physical effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 208000019888 Circadian rhythm sleep disease Diseases 0.000 claims description 2
- 208000001456 Jet Lag Syndrome Diseases 0.000 claims description 2
- 208000033915 jet lag type circadian rhythm sleep disease Diseases 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 1
- 239000011435 rock Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000006071 cream Substances 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种测井资料计算页岩油储层有机碳含量的方法,包括以下步骤:S1.对研究区块的取心井段的岩心钻井深度与测井深度进行深度归位处理;S2.对研究区块的每口井的测井资料进行标准化处理,消除测井资料的系统误差;S3.利用研究区块的取心井段的岩心样品有机碳含量实验室测量资料,采用人工神经网络分析法,建立研究区块的页岩油储层有机碳含量与测井资料的非线性关系,建立取心井段的岩心样品有机碳含量测量值与测井值之间的神经网络计算模型;S4.将建立的神经网络计算模型应用到研究区块的非取心井中,计算研究区块的非取心井的页岩油储层有机碳含量。该方法能够准确地得到页岩储层的有机碳含量。
Description
技术领域
本申请涉及储层领域,尤其涉及一种测井资料计算页岩油储层有机碳含量的方法。
背景技术
有机碳含量TOC是指岩石中除去碳酸盐、石墨中无机碳以外的碳,即以碳元素表示岩石中有机质的含量。在烃源岩评价中通常采用有机碳含量作为烃源岩有机质丰度指标。
基于测井资料的有机碳含量的计算方法目前主要有ΔlogR法、密度法、自然伽马指示法、元素测井指示法等,其中ΔlogR法是目前公认的应用最为广泛的方法之一。这些方法都是利用单一测井曲线资料(电阻率测井、密度测井或自然伽马测井等)采用线性拟合法,建立储层有机碳含量与测井曲线间的线性关系,而在页岩油储层有机碳含量的求取过程中,发现由于页岩油储层岩石组分多样,孔隙结构复杂,单一测井曲线与储层有机碳含量(TOC)的相关性不好,线性拟合计算结果与实验室测量结果误差较大。
发明内容
本申请提供一种测井资料计算页岩油储层有机碳含量的方法,旨在改善现有技术中的页岩油储层有机碳含量的求取值误差较大的问题。
本申请的技术方案是:
一种测井资料计算页岩油储层有机碳含量的方法,包括以下步骤:
S1.对研究区块的取心井段的岩心钻井深度与测井深度进行深度归位处理;
S2.对所述研究区块的每口井的测井资料进行标准化处理,消除测井资料的系统误差;
S3.利用所述研究区块的所述取心井段的岩心样品有机碳含量实验室测量资料,采用人工神经网络分析法,建立所述研究区块的页岩油储层有机碳含量与测井资料的非线性关系,建立所述取心井段的所述岩心样品有机碳含量测量值与测井值之间的神经网络计算模型;
S4.将建立的所述神经网络计算模型应用到所述研究区块的非取心井中,计算所述研究区块的所述非取心井的页岩油储层有机碳含量。
作为本申请的一种技术方案,在步骤S1中,根据所述研究区块的所述取心井段的岩性特征确定所述取心井段标志层顶界或者底界的钻井深度D1,然后在所述研究区块的所述取心井段的测井曲线上找到与所述标志层的顶界或者底界相对应的测井深度D2,测井深度D2与钻井深度D1之间的差值就是所述取心井段测井深度与钻井深度的校正值,即:
ΔD=D2-D1;
所述取心井段的所述岩心样品在测井曲线上的归位深度D2,与所述就是岩心样品的钻井深度D1,之间的关系为:
D2’=D1’+ΔD。
作为本申请的一种技术方案,在步骤S2中,确定所述研究区块的标准层,统计钻遇所述标准层的所有所述井的所述标准层的第一测井特征值,用直方图统计法确定所述研究区块的标准层的第二测井特征值;根据每口所述井的所述第一测井特征值与所述研究区块的所述第二测井特征值的差值,确定所述研究区块内的每口所述井的测井资料的校正量。
作为本申请的一种技术方案,在步骤S2中,所述测井资料包括声波时差测井和补偿密度测井资料。
作为本申请的一种技术方案,在步骤S2中,所述标准层包括厚度均匀分布且物性均匀分布的泥岩或者膏泥岩。
作为本申请的一种技术方案,在步骤S3中,首先选择训练样本,所述训练样本在所述测井资料上的测井响应值用向量X表示,将所述训练样本的测井响应值作为神经网络分析的输入层向量X:
X=(Xi1,Xi2,…,Xij,…,Xin);
i=1,2,…,m;j=1,2,…,n;
其中,m代表样本数,n代表有n个测井响应值,Xij是第i个样本的第j个测井响应值;
所述训练样本的实验室测量有机碳含量测量值用向量Y表示,将所述训练样本的实验室测量有机碳含量测量值作为神经网络分析的输出层向量Y:
Y=(Yi),i=1,2,…,m;
其中,m代表训练样本数,Yi代表第i个训练样本的实验室测量有机碳含量测量值;
选择好所述训练样本后,对所述训练样本的输入值、输出值采用最大-最小标准化法做归一化处理;对所述训练样本进行ANN神经网络训练,设置神经网络隐藏层个数、置信度以及训练学习次数;其中,第N层的每个神经元都与第N-1层的所有神经元连接,第N-1层神经元的输出就是第N层神经元的输入;在(0,1)范围内随机初始化网络的连接权值和偏移量,计算当前参数条件下的神经网络训练输出值,计算所述神经网络训练输出值与所述训练样本输出值的均方误差;若所述均方误差不符合给定标准,则根据所述均方误差计算输出神经元和隐藏神经元的梯度,反向更新神经网络的连接权值和偏移量;根据更新的神经网络的连接权值和偏移量重新训练计算输出值,再计算所述神经网络训练输出值与所述训练样本输出值的均方误差;如此反复计算,直到误差或学习迭代次数达到条件,停止学习,确定所述神经网络的连接权值和偏移量。
作为本申请的一种技术方案,在步骤S3中,所述最大-最小标准化处理是对原始数据进行线性变换,设属性A的最小值和最大值分别是minA和maxA,将属性A的一个原始值通过最大-最小标准化映射到区间(0,1),则计算公式为:
其中,A为输入变量或者输出变量,A′为变量A归一化后的值。
作为本申请的一种技术方案,在步骤S3中,所述神经网络训练输出值的计算、所述更新的神经网络的连接权值以及所述更新的神经网络的偏移量的算法为:
假设神经网络隐藏层有q个节点,隐藏层第h个节点的输入权重为W=(W1h,…,Wjh…,Wnh),Wjh为第j个输入节点到第h个隐藏节点的输入权值;输出层节点的输入权重为V=(V1,…,Vh…,Vq),Vh是第h个隐藏层节点到输出层节点的输入权值;
则第i个样本的所述隐藏层的第h个神经元的输入αih是:
其中,Wjh为第j个输入节点到第h个隐藏节点的输入权值;Xij是第i个样本的第j个测井响应值;i=1,…,m,m为样本数;j=1,…,n,n为所述输入层神经元个数;h=1,…,q,q为所述隐藏层神经元个数;
令函数为激励函数,
第i个样本的所述隐藏层的第h个神经元的输出是:
bih=f(αih+θh),
其中,αih是第i个样本的所述隐藏层的第h个神经元的输入变量;θh为第h个隐藏节点的输入偏移量;
第i个样本的所述输出层神经元的输入是:
其中,Vh是第h个隐藏层节点到输出层节点的输入权值,bih是第i个样本的所述隐藏层的第h个神经元的输出权值;
第i个样本所述输出层神经元的输出是:
其中,βi是第i个样本所述输出层神经元的输入值,为输出层节点的输入偏移量;
那么第i个样本在神经网络输出节点上的误差函数为:
其中,Yi为第i个样本期望输出值,Y′i为第i个样本的神经网络的所述输出层神经元的输出值;
则所有样本在神经网络的所述输出层的总均方误差为:
其中,i=1,…,m,m为样本数;Yi为第i个样本期望输出值,Y′i为第i个样本的神经网络的所述输出层神经元的输出值;
在训练神经网络时,任意参数的迭代更新公式为:
γ′=γ+Δγ,
其中,γ为任意待求变量的第N次迭代值,γ′为待求变量的第N+1次迭代值,Δγ为迭代值增量;
所述隐藏层第h个神经元到所述输出层的权值Vh的更新过程为:
其中,η为学习步长,范围为(0,1);m为样本数,Ei为第i个样本在神经网络输出节点上的误差函数,Y′i为第i个样本的神经网络的所述输出层神经元的输出值,βi是第i个样本所述输出层神经元的输入值,Vh是第h个隐藏层节点到输出层节点的输入权值,Yi为第i个样本期望输出值,bih是第i个样本的所述隐藏层的第h个神经元的输出权值;
所述输出层的偏移值更新为:
其中,i=1,…,m,m为样本数;Ei为第i个样本在神经网络输出节点上的误差函数,Y′i为第i个样本神经网络输出值,为输出层节点的输入偏移量,Yi为第i个样本期望值;
从输入层第j个神经元到所述隐藏层第h个节点的权值Wjh的更新过程为:
其中,η为学习步长,范围为(0,1);m为样本数,Ei为第i个样本在神经网络输出节点上的误差函数,Y′i为第i个样本神经网络输出值,βi是第i个样本所述输出层神经元的输入值,bih是第i个样本的所述隐藏层的第h个神经元的输出权值,Wjh为第j个输入节点到第h个隐藏节点的输入权值,Yi为第i个样本期望值,Vh是第h个隐藏层节点到输出层节点的输入权值,Xij是第i个样本的第j个测井响应值;
从所述输入层到所述隐藏层第h个节点的偏移量θh的更新过程为:
其中,i=1,…,m,m为样本数;Ei为第i个样本在神经网络输出节点上的误差函数,Y′i为第i个样本神经网络输出值,βi是第i个样本所述输出层神经元的输入值,bih是第i个样本的所述隐藏层的第h个神经元的输出权值,θh为第h个隐藏节点的输入偏移量,Yi为第i个样本期望值,Vh是第h个隐藏层节点到输出层节点的输入权值;
至此,所述均方误差被逆向传播到所述隐藏层。
本申请的有益效果:
本申请提供了一种测井资料计算页岩油储层有机碳含量的方法,该方法利用研究区块的取心井段的岩心样品有机碳含量实验室测量资料,采用人工神经网络分析法,建立研究区块的页岩油储层有机碳含量与测井资料的非线性关系,建立取心井段的岩心样品有机碳含量测量值与测井值之间的神经网络计算模型,从而将建立的神经网络计算模型应用到研究区块的非取心井中,计算研究区块的非取心井的页岩油储层有机碳含量。由此可见,该方法能够通过研究区块的多条测井曲线资料,采用人工神经网络分析法来计算页岩油储层有机碳含量,大大提高了拟合精度,取得了较好的应用效果,其能够快速准确的计算出该区的页岩油储层的有机碳含量,大大提高了工区页岩油储层的有机碳含量的计算效率,同时省时省力。
附图说明
为了更清楚地说明本申请实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的对训练样本的输入值和输出值做归一化处理的示意图;
图2为本申请实施例提供的蚌页油2井潜34十韵律神经网络模型有机碳含量计算成果与实验室岩心测量的有机碳含量计算成果对比图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和展示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,需要说明的是,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,在本申请中,除非另有明确的规定和限定,第一特征在第二特征之上或之下可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征之上、上方和上面包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征之下、下方和下面包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
此外,术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
实施例:
请参照图1,配合参照图2,本申请实施例提供一种测井资料计算页岩油储层有机碳含量的方法,其主要包括以下步骤:
S1.对研究区块的取心井段的岩心钻井深度与测井深度进行深度归位处理;
S2.对研究区块的每口井的测井资料进行标准化处理,消除测井资料的系统误差;
S3.在岩心测井深度归位和区域测井资料标准化的基础上,利用研究区块的取心井段的岩心样品有机碳含量实验室测量资料,采用人工神经网络分析法,建立研究区块的页岩油储层有机碳含量与测井资料的非线性关系,建立取心井段的岩心样品有机碳含量测量值与测井值之间的神经网络计算模型,从而达到运用测井资料计算储层有机碳含量的目的。;
S4.将建立的神经网络计算模型应用到研究区块的非取心井中,计算研究区块的非取心井的页岩油储层有机碳含量。
需要说明的是,在本实施例中,在步骤S1中,根据研究区块的取心井段的岩性特征确定取心井段标志层顶界或者底界的钻井深度D1,然后在研究区块的取心井段的测井曲线上找到与标志层的顶界或者底界相对应的测井深度D2,测井深度D2与钻井深度D1之间的差值就是取心井段测井深度与钻井深度的校正值,即:ΔD=D2-D1;因此,取心井段的岩心样品在测井曲线上的归位深度D2’与就是岩心样品的钻井深度D1’之间的关系为:D2’=D1’+ΔD。
岩心样品的测井深度归位目的就是,其能够确保根据岩心深度提取的测井特征值与岩心测量值反映的是同一储层的特征。
需要说明的是,就一个油田而言,属于同一层系的砂岩体或其它岩性,一般都具有相同的沉积环境和近似的参数分布特征,测井资料标准化正是利用这一特性,通过标准化处理消除区域内不同时期、不同仪器所测量的测井资料之间存在的系统误差。利用标准化处理过的测井资料开展的研究成果,在区域上具有适用性。测井资料标准化处理的具体方法是:首先确定区域的标准层,通过在区域内选定一个分布稳定、物性相近或有规律地变化、且有一定厚度的岩层,如泥岩、膏泥岩或孔隙度分布稳定的砂岩作为标准层。
进一步地,在步骤S2中,确定研究区块的标准层,统计钻遇标准层的所有井的标准层的第一测井特征值,用直方图统计法确定研究区块的标准层的第二测井特征值;根据每口井的第一测井特征值与研究区块的第二测井特征值的差值,确定研究区块内的每口井的测井资料的校正量。
需要说明的是,在本实施例中,在步骤S2中,测井资料主要针对声波时差测井和补偿密度测井资料做了该标准化处理;在其他的实施例中,也可以采用其他的测井资料进行标准化处理,而并不仅仅局限于本实施例中的资料。
需要说明的是,在本实施例中,在步骤S2中,标准层可以采用厚度均匀分布且物性均匀分布的泥岩或者膏泥岩。
需要说明的是,在本实施例中,在步骤S3中,首先选择训练样本,训练样本在测井资料上的测井响应值用向量X表示,将训练样本的测井响应值作为神经网络分析的输入层向量X:
X=(Xi1,Xi2,…,Xij,…,Xin);
i=1,2,…,m;j=1,2,…,n;
其中,m代表样本数,n代表有n个测井响应值,Xij是第i个样本的第j个测井响应值;
训练样本的实验室测量有机碳含量测量值用向量Y表示,将训练样本的实验室测量有机碳含量测量值作为神经网络分析的输出层向量Y:
Y=(Yi),i=1,2,…,m;
其中,m代表训练样本数,Yi代表第i个训练样本的实验室测量有机碳含量测量值;
选择好训练样本后,对训练样本的输入值、输出值采用最大-最小标准化法做归一化处理;对训练样本进行ANN神经网络训练,设置神经网络隐藏层个数、置信度以及训练学习次数;其中,第N层的每个神经元都与第N-1层的所有神经元连接,第N-1层神经元的输出就是第N层神经元的输入;每个神经元的连接都有一个连接权值,首先在(0,1)范围内随机初始化网络的连接权值和偏移量,计算当前参数条件下的神经网络训练输出值,计算神经网络训练输出值与训练样本输出值的均方误差;若均方误差不符合给定标准,则根据均方误差计算输出神经元和隐藏神经元的梯度,反向更新神经网络的连接权值和偏移量;根据更新的神经网络的连接权值和偏移量重新训练计算输出值,再计算神经网络训练输出值与训练样本输出值的均方误差;如此反复计算,直到误差或学习迭代次数达到条件,停止学习,确定神经网络的连接权值和偏移量。
在步骤S3中,最大-最小标准化处理是对原始数据进行线性变换,设属性A的最小值和最大值分别是minA和maxA,将属性A的一个原始值通过最大-最小标准化映射到区间(0,1),则计算公式为:
其中,A为输入变量或者输出变量,A′为变量A归一化后的值。
在步骤S3中,神经网络训练输出值的计算、更新的神经网络的连接权值以及更新的神经网络的偏移量的算法为:
假设神经网络隐藏层有q个节点,隐藏层第h个节点的输入权重为W=(W1h,…,Wjh…,Wnh),Wjh为第j个输入节点到第h个隐藏节点的输入权值;输出层节点的输入权重为V=(V1,…,Vh…,Vq),Vh是第h个隐藏层节点到输出层节点的输入权值;
则第i个样本的隐藏层的第h个神经元的输入αih是:
其中,Wjh为第j个输入节点到第h个隐藏节点的输入权值;Xij是第i个样本的第j个测井响应值;i=1,…,m,m为样本数;j=1,…,n,n为所述输入层神经元个数;h=1,…,q,q为隐藏层神经元个数;
令函数为激励函数,
第i个样本的隐藏层的第h个神经元的输出是:
bih=f(αih+θh),
其中,αih是第i个样本的隐藏层的第h个神经元的输入变量;θh为第h个隐藏节点的输入偏移量;
第i个样本的输出层神经元的输入是:
其中,Vh是第h个隐藏层节点到输出层节点的输入权值,bih是第i个样本的隐藏层的第h个神经元的输出权值;
第i个样本的输出层神经元的输出是:
其中,βi是第i个样本的输出层神经元的输入值,为输出层节点的输入偏移量;
那么第i个样本在神经网络输出节点上的误差函数为:
其中,Yi为第i个样本期望输出值,Y′i为第i个样本的神经网络的输出层神经元的输出值;
则所有样本在神经网络的输出层的总均方误差为:
其中,i=1,…,m,m为样本数;Yi为第i个样本期望输出值,Y′i为第i个样本的神经网络的输出层神经元的输出值;
在训练神经网络时,任意参数的迭代更新公式为:
γ′=γ+Δγ,
其中,γ为任意待求变量的第N次迭代值,γ′为待求变量的第N+1次迭代值,Δγ为迭代值增量;
则隐藏层第h个神经元到输出层的权值Vh的更新过程为:
其中,η为学习步长,范围为(0,1);m为样本数,Ei为第i个样本在神经网络输出节点上的误差函数,Y′i为第i个样本的神经网络的输出层神经元的输出值,βi是第i个样本的输出层神经元的输入值,Vh是第h个隐藏层节点到输出层节点的输入权值,Yi为第i个样本期望输出值,bih是第i个样本的隐藏层的第h个神经元的输出权值;
则输出层的偏移值更新为:
其中,i=1,…,m,m为样本数;Ei为第i个样本在神经网络输出节点上的误差函数,Y′i为第i个样本神经网络输出值,为输出层节点的输入偏移量,Yi为第i个样本期望值;
从输入层第j个神经元到隐藏层第h个节点的权值Wjh的更新过程为:
其中,η为学习步长,范围为(0,1);m为样本数,Ei为第i个样本在神经网络输出节点上的误差函数,Y′i为第i个样本神经网络输出值,βi是第i个样本所述输出层神经元的输入值,bih是第i个样本的隐藏层的第h个神经元的输出权值,Wjh为第j个输入节点到第h个隐藏节点的输入权值,Yi为第i个样本期望值,Vh是第h个隐藏层节点到输出层节点的输入权值,Xij是第i个样本的第j个测井响应值;
从输入层到隐藏层第h个节点的偏移量θh的更新过程为:
其中,i=1,…,m,m为样本数;Ei为第i个样本在神经网络输出节点上的误差函数,Y′i为第i个样本神经网络输出值,βi是第i个样本的输出层神经元的输入值,bih是第i个样本的隐藏层的第h个神经元的输出权值,θh为第h个隐藏节点的输入偏移量,Yi为第i个样本期望值,Vh是第h个隐藏层节点到输出层节点的输入权值;
至此,均方误差被逆向传播到隐藏层。
通过ANN神经网络训练,确定神经网络的所有连接权值和偏移量,从而建立了岩心样品TOC测量值与测井值之间的神经网络计算模型,为页岩油烃源岩资源评价提供依据。
将本方法应用在江汉油田盐间页岩油储层的有机碳含量的计算中,通过其蚌页油1井和蚌页油2井的应用,取得比较好的应用效果;这两口井的TOC计算值与岩心分析TOC相关系数达到0.67。
需要说明的是,在本实施例中,蚌页油1井和蚌页油2井是两口取心井,在区域测井资料标准化的基础上,以蚌页油1井的TOC实验室测量样本作为神经网络训练样本,以蚌页油2的实验室TOC测量样本井作为检验样本。
本实施例中,样本输入变量选取了常规测井的自然伽马(GR)、声波时差(AC)、补偿密度(DEN)、补偿中子(CNL)和深侧向电阻率(LLD)五条曲线,输出变量为样本实验室测量TOC。
首先,对训练样本的输入值和输出值做归一化处理,即对样本的输入变量自然伽马(GR)、声波时差(AC)、补偿密度(DEN)、补偿中子(CNL)和深侧向电阻率(LLD)和输出变量实验室测量TOC进行归一化处理(见图1),图1是输入变量自然伽马(GR)、声波时差(AC)、补偿密度(DEN)、补偿中子(CNL)和深侧向电阻率(LLD)及输出变量实验室测量TOC值归一化后的频率分布图;以归一化后的训练样本进行神经网络学习训练,确定神经网络中各神经元的连接权值和偏移量,建立神经网络训练模型,再将神经网络训练模型推广到蚌页油2井进行验证(见图2),图2中最右道实线曲线TOCANN.TOC_PRED1是利用测井曲线根据神经网络模型计算的TOC值,以杆状图表示的TOC.TOC_1是样本实验室测量的TOC值,从图中可以看出神经网络模型具有较好的计算结果。
由此可见,该方法能够通过研究区块的多条测井曲线资料,采用人工神经网络分析法来计算页岩油储层有机碳含量,大大提高了拟合精度,取得了较好的应用效果,其能够快速准确的计算出该区的页岩油储层的有机碳含量,大大提高了工区页岩油储层的有机碳含量的计算效率,同时省时省力。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,应包含在本申请的保护范围之内。
Claims (6)
1.一种测井资料计算页岩油储层有机碳含量的方法,其特征在于,包括以下步骤:
S1.对研究区块的取心井段的岩心钻井深度与测井深度进行深度归位处理;在步骤S1中,根据所述研究区块的所述取心井段的岩性特征确定所述取心井段标志层顶界或者底界的钻井深度D1,然后在所述研究区块的所述取心井段的测井曲线上找到与所述标志层的顶界或者底界相对应的测井深度D2,测井深度D2与钻井深度D1之间的差值就是所述取心井段测井深度与钻井深度的校正值,即:
ΔD=D2-D1;
所述取心井段的所述岩心样品在测井曲线上的归位深度D2’与所述就是岩心样品的钻井深度D1’之间的关系为:
D2’=D1’+ΔD;
S2.对所述研究区块的每口井的测井资料进行标准化处理,消除测井资料的系统误差;
S3.利用所述研究区块的所述取心井段的岩心样品有机碳含量实验室测量资料,采用人工神经网络分析法,建立所述研究区块的页岩油储层有机碳含量与测井资料的非线性关系,建立所述取心井段的所述岩心样品有机碳含量测量值与测井值之间的神经网络计算模型;在步骤S3中,首先选择训练样本,所述训练样本在所述测井资料上的测井响应值用向量X表示,将所述训练样本的测井响应值作为神经网络分析的输入层向量X:
X=(Xi1,Xi2,…,Xij,…,Xin);
i=1,2,…,m;j=1,2,…,n;
其中,m代表样本数,n代表有n个测井响应值,Xij是第i个样本的第j个测井响应值;
所述训练样本的实验室测量有机碳含量测量值用向量Y表示,将所述训练样本的实验室测量有机碳含量测量值作为神经网络分析的输出层向量Y:
Y=(Yi),i=1,2,…,m;
其中,m代表训练样本数,Yi代表第i个训练样本的实验室测量有机碳含量测量值;
选择好所述训练样本后,对所述训练样本的输入值、输出值采用最大-最小标准化法做归一化处理;对所述训练样本进行神经网络训练,设置神经网络隐藏层个数、置信度以及训练学习次数;其中,第N层的每个神经元都与第N-1层的所有神经元连接,第N-1层神经元的输出就是第N层神经元的输入;在(0,1)范围内随机初始化网络的连接权值和偏移量,计算当前参数条件下的神经网络训练输出值,计算所述神经网络训练输出值与所述训练样本输出值的均方误差;若所述均方误差不符合给定标准,则根据所述均方误差计算输出神经元和隐藏神经元的梯度,反向更新神经网络的连接权值和偏移量;根据更新的神经网络的连接权值和偏移量重新训练计算输出值,再计算所述神经网络训练输出值与所述训练样本输出值的均方误差;如此反复计算,直到误差或学习迭代次数达到条件,停止学习,确定所述神经网络的连接权值和偏移量;
S4.将建立的所述神经网络计算模型应用到所述研究区块的非取心井中,计算所述研究区块的所述非取心井的页岩油储层有机碳含量。
2.根据权利要求1所述的测井资料计算页岩油储层有机碳含量的方法,其特征在于,在步骤S2中,确定所述研究区块的标准层,统计钻遇所述标准层的所有所述井的所述标准层的第一测井特征值,用直方图统计法确定所述研究区块的标准层的第二测井特征值;根据每口所述井的所述第一测井特征值与所述研究区块的所述第二测井特征值的差值,确定所述研究区块内的每口所述井的测井资料的校正量。
3.根据权利要求2所述的测井资料计算页岩油储层有机碳含量的方法,其特征在于,在步骤S2中,所述测井资料包括声波时差测井和补偿密度测井资料。
4.根据权利要求2所述的测井资料计算页岩油储层有机碳含量的方法,其特征在于,在步骤S2中,所述标准层包括厚度均匀分布且物性均匀分布的泥岩或者膏泥岩。
5.根据权利要求1所述的测井资料计算页岩油储层有机碳含量的方法,其特征在于,在步骤S3中,所述最大-最小标准化处理是对原始数据进行线性变换,设属性A的最小值和最大值分别是minA和maxA,将属性A的一个原始值通过最大-最小标准化映射到区间(0,1),则计算公式为:
其中,A为输入变量或者输出变量,A′为变量A归一化后的值。
6.根据权利要求1所述的测井资料计算页岩油储层有机碳含量的方法,其特征在于,在步骤S3中,所述神经网络训练输出值的计算、所述更新的神经网络的连接权值以及所述更新的神经网络的偏移量的算法为:
假设神经网络隐藏层有q个节点,隐藏层第h个节点的输入权重为W=(W1h,…,Wjh…,Wnh),Wjh为第j个输入节点到第h个隐藏节点的输入权值;输出层节点的输入权重为V=(V1,…,Vh…,Vq),Vh是第h个隐藏层节点到输出层节点的输入权值;
则第i个样本的所述隐藏层的第h个神经元的输入αih是:
其中,i=1,…,m,m为样本数;j=1,…,n,n为所述输入层神经元个数;h=1,…,q,q为所述隐藏层神经元个数;Wjh为第j个输入节点到第h个隐藏节点的输入权值;Xij是第i个样本的第j个测井响应值;
令函数为激励函数,
则第i个样本的所述隐藏层的第h个神经元的输出bih是:
bih=f(αih+θh),
其中,αih是第i个样本的所述隐藏层的第h个神经元的输入变量;θh为第h个隐藏节点的输入偏移量;
第i个样本的所述输出层神经元的输入βi是:
其中,Vh是第h个隐藏层节点到输出层节点的输入权值,bih是第i个样本的所述隐藏层的第h个神经元的输出权值;
第i个样本所述输出层神经元的输出是:
其中,βi是第i个样本所述输出层神经元的输入值,为所述输出层节点的输入偏移量;
那么第i个样本在神经网络输出节点上的误差函数Ei为:
其中,Yi为第i个样本期望输出值,Yi′为第i个样本的神经网络的所述输出层神经元的输出值;
则所有样本在神经网络的所述输出层的总均方误差E为:
其中,i=1,…,m,m为样本数;Yi为第i个样本期望输出值,Yi′为第i个样本的神经网络的所述输出层神经元的输出值;
在训练神经网络时,任意参数的迭代更新公式为:
γ′=γ+Δγ,
其中,γ为任意待求变量的第N次迭代值,γ′为待求变量的第N+1次迭代值,Δγ为迭代值增量;
所述隐藏层第h个神经元到所述输出层的权值Vh的更新过程为:
其中,η为学习步长,范围为(0,1);m为样本数,Ei为第i个样本在神经网络输出节点上的误差函数,Yi′为第i个样本的神经网络的所述输出层神经元的输出值,βi是第i个样本所述输出层神经元的输入值,Vh是第h个隐藏层节点到输出层节点的输入权值,Yi为第i个样本期望输出值,bih是第i个样本的所述隐藏层的第h个神经元的输出权值;
所述输出层的偏移值更新为:
其中,i=1,…,m,m为样本数;Ei为第i个样本在神经网络输出节点上的误差函数,Yi′为第i个样本神经网络输出值,为输出层节点的输入偏移量,Yi为第i个样本期望值;
从输入层第j个神经元到所述隐藏层第h个节点的权值Wjh的更新过程为:
其中,η为学习步长,范围为(0,1);m为样本数,Ei为第i个样本在神经网络输出节点上的误差函数,Yi′为第i个样本神经网络输出值,βi是第i个样本所述输出层神经元的输入值,bih是第i个样本的所述隐藏层的第h个神经元的输出权值,Wjh为第j个输入节点到第h个隐藏节点的输入权值,Yi为第i个样本期望值,Vh是第h个隐藏层节点到输出层节点的输入权值,Xij是第i个样本的第j个测井响应值;
从所述输入层到所述隐藏层第h个节点的偏移量θh的更新过程为:
其中,i=1,…,m,m为样本数;Ei为第i个样本在神经网络输出节点上的误差函数,Yi′为第i个样本神经网络输出值,βi是第i个样本所述输出层神经元的输入值,bih是第i个样本的所述隐藏层的第h个神经元的输出权值,θh为第h个隐藏节点的输入偏移量,Yi为第i个样本期望值,Vh是第h个隐藏层节点到输出层节点的输入权值;
至此,所述均方误差被逆向传播到所述隐藏层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010832175.4A CN111984928B (zh) | 2020-08-18 | 2020-08-18 | 一种测井资料计算页岩油储层有机碳含量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010832175.4A CN111984928B (zh) | 2020-08-18 | 2020-08-18 | 一种测井资料计算页岩油储层有机碳含量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111984928A CN111984928A (zh) | 2020-11-24 |
CN111984928B true CN111984928B (zh) | 2024-02-20 |
Family
ID=73435648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010832175.4A Active CN111984928B (zh) | 2020-08-18 | 2020-08-18 | 一种测井资料计算页岩油储层有机碳含量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111984928B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115032361A (zh) * | 2021-03-03 | 2022-09-09 | 中国石油化工股份有限公司 | 基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法 |
WO2024077538A1 (en) * | 2022-10-13 | 2024-04-18 | Saudi Arabian Oil Company | Methods and systems for predicting lithology and formation boundary ahead of the bit |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5251286A (en) * | 1992-03-16 | 1993-10-05 | Texaco, Inc. | Method for estimating formation permeability from wireline logs using neural networks |
CN103670388A (zh) * | 2013-12-12 | 2014-03-26 | 中国石油天然气股份有限公司 | 一种泥页岩有机碳含量的评价方法 |
CN111048163A (zh) * | 2019-12-18 | 2020-04-21 | 延安大学 | 一种基于高阶神经网络的页岩油滞留烃量(s1)评价方法 |
-
2020
- 2020-08-18 CN CN202010832175.4A patent/CN111984928B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5251286A (en) * | 1992-03-16 | 1993-10-05 | Texaco, Inc. | Method for estimating formation permeability from wireline logs using neural networks |
CN103670388A (zh) * | 2013-12-12 | 2014-03-26 | 中国石油天然气股份有限公司 | 一种泥页岩有机碳含量的评价方法 |
CN111048163A (zh) * | 2019-12-18 | 2020-04-21 | 延安大学 | 一种基于高阶神经网络的页岩油滞留烃量(s1)评价方法 |
Non-Patent Citations (1)
Title |
---|
鄂尔多斯盆地长7地层油页岩含油率预测;吴建兴;刘之的;徐德峰;;延安大学学报(自然科学版)(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111984928A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113553780B (zh) | 一种基于机器学习的地层孔隙压力预测方法 | |
CN110133720B (zh) | 一种基于统计岩石物理模型的横波速度预测方法 | |
CN111984928B (zh) | 一种测井资料计算页岩油储层有机碳含量的方法 | |
CN111489034B (zh) | 一种油气储层渗透率预测模型的构建方法及其应用 | |
CN109345007B (zh) | 一种基于XGBoost特征选择的有利储层发育区预测方法 | |
CN111598440B (zh) | 多角度驱动的复杂介质储层渗透率定量评价方法及系统 | |
CN113419284A (zh) | 一种基于聚类分析测井岩石物理相双甜点识别方法 | |
CN116305850B (zh) | 一种基于随机森林模型的地层热导率预测方法 | |
CN111767674A (zh) | 一种基于主动域适应的测井岩性识别方法 | |
CN114427457B (zh) | 潮坪相碳酸盐岩储层测井五性关系确定、及测井评价方法 | |
CN109655394B (zh) | 一种孔喉结构参数约束下的核磁共振t2谱渗透率计算方法 | |
CN106570524A (zh) | 一种储层流体类型的识别方法及装置 | |
Yanran et al. | Mathematical modeling for total organic carbon content prediction with logging parameters by neural networks: A case study of shale gas well in South China | |
CN115905917A (zh) | 综合静动态数据构建海域低渗气层分类曲线的方法 | |
CN111594156B (zh) | 一种天然气水合物饱和度计算方法及系统 | |
CN111929744B (zh) | 一种基于Kendall′s系数的多元信息储层分类方法 | |
CN113378999B (zh) | 一种基于云模型的致密砂岩储层分类定级方法 | |
CN116777229B (zh) | 一种地下水位预测方法、系统、终端及存储介质 | |
CN117908117A (zh) | 一种海上低渗储层物性相对优势区带预测方法 | |
CN116029401A (zh) | 一种钻井漏失预测模型建立、钻井漏失预测方法及装置 | |
Jacotă et al. | HETEROGENOUS DISTRIBUTION OF INITIAL WATER SATURATION USING ARTIFICIAL NEURAL NETWORKS | |
CN117759235A (zh) | 基于有限钻孔实现勘探矿产的方法 | |
Wong et al. | A modular signal processing model for permeability prediction in petroleum reservoir | |
Cai et al. | Study on Rock Mechanics Parameter Prediction Method Based on DTW Similarity and Machine-Learning Algorithms | |
CN117890995A (zh) | 基于常规测井资料的砾岩致密储层浊沸石含量计算方法 |
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 |