CN112036430A - 一种基于随机森林算法的储层含油性预测方法 - Google Patents
一种基于随机森林算法的储层含油性预测方法 Download PDFInfo
- Publication number
- CN112036430A CN112036430A CN202010508032.8A CN202010508032A CN112036430A CN 112036430 A CN112036430 A CN 112036430A CN 202010508032 A CN202010508032 A CN 202010508032A CN 112036430 A CN112036430 A CN 112036430A
- Authority
- CN
- China
- Prior art keywords
- data
- oil
- attribute data
- seismic attribute
- bearing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 31
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- 238000003892 spreading Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009897 systematic effect Effects 0.000 description 3
- 208000035126 Facies Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于随机森林算法的储层含油性预测方法,时深转换获得深度域地震属性数据;将深度域地震属性数据、测井解释的含油性数据粗化至地质模型中;对深度域地震属性数据进行标准化处理,获得无量纲地震属性数据;以粗化后的测井解释的含油性数据和井点处的无量纲地震属性数据为训练对象,通过随机森林算法形成训练模型,将井间的无量纲地震属性数据带入训练模型,得到三维储层含油性预测体;优化获得最佳储层含油性预测体。本发明利用随机森林算法强大的集成学习能力,自动提取地震数据的隐藏特征,拟合地震数据与测井数据的关系,获取更为可靠、客观的储层含油性预测体,提高储层含油性预测的精度和准确率,帮助深度挖掘油气行业潜力。
Description
技术领域
本发明涉及油气藏勘探开发领域,尤其涉及一种基于随机森林算法的储层含油性预测方法。
背景技术
目前油气勘探开发行业常用的储层含油性预测方法包括:基于地震信息的储层含油性反演预测、岩相模式约束的储层含油性预测、基于生产资料的储层含油性预测,或以上方法的综合运用。
基于地震信息的储层含油性反演预测是目前业内常用并且有效的方法,但也存在一些问题,主要表现为:由叠前或叠后地震数据,经过数学变换而得出的有关地震波的几何学、运动学、动力学或统计学特征的地震属性数据,与地下地质目标间的对应关系往往并不唯一,多数地震属性数据是构造、地层、含油性与油气等综合因素的反映。
基于岩相约束的储层含油性预测存在的问题是相模式的多样性,决定了井间储层含油性预测的多解性,而且相研究大多都应用了地震资料,又与基于地震信息的储层含油性反演预测存在同样的问题。
基于生产资料的储层含油性预测很大程度依赖于生产资料的丰富程度,大多数油田很难取得系统、丰富的生产资料。
以上三种方法的综合运用,除了系统、丰富的资料以外,研究者的经验往往起到决定性作用。
因此在资料不系统、不完善的情况下,如何在不依赖于研究者经验的情况下高效、高精度预测储层含油性是油气勘探开发行业亟待解决的问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于随机森林算法的储层含油性预测方法,是一种基于机器学习随机森林算法的多地震属性数据信息融合的储层含油性预测方法,以提高储层含油性预测的精度和准确率。
本发明的技术目的通过下述技术方案予以实现。
一种基于随机森林算法的储层含油性预测方法,包括以下步骤:
步骤1:对时间域地震属性数据进行时深转换,获得深度域地震属性数据;
在步骤1中,以单井时深关系资料(VSP资料)、时间层位解释数据为基础,利用协同克里金算法,建立工区内速度模型;以速度模型为约束,将地震属性数据进行时深转换,获得深度域振幅类、频率类、时间类及吸收衰减类地震属性数据。
步骤2:分别将步骤1获得的各深度域地震属性数据和测井解释的含油性数据粗化至地质模型中,获得纵向精度一致的深度域地震属性数据和测井解释的含油性数据。
步骤3:对步骤1获得的各深度域地震属性数据进行标准化处理,获得无量纲地震属性数据。
步骤4:以步骤2粗化后的测井解释的含油性数据和步骤3处理后的井点处的无量纲地震属性数据为训练对象,通过随机森林算法形成训练模型,将步骤3处理后的井间的无量纲地震属性数据带入训练模型,得到三维储层含油性预测体;
在步骤4中,以步骤2粗化后的测井解释的含油性数据和步骤3处理后的井点处的地震属性数据为训练对象,通过随机森林算法训练测井解释的含油性数据与井点处的地震属性数据之间的复杂非线性关系,形成训练模型;将步骤3处理后的井间的无量纲地震属性数据带入训练模型,推算井间各网格中的含油性分布数据,得到三维储层含油性预测体。
步骤5:优化训练模型,获得最佳储层含油性预测体;
在步骤5中,通过调整步骤4的随机森林算法中的相关参数,不断优化训练模型,选取出交叉验证得分最高的模型,获得与已知数据吻合,含油性平面分布与纵向展布特征与地质特征、生产动态一致的最佳预测含油性数据体。
在步骤5中,所述参数包括n_estimators、max_depth、min_samples_leaf。
与现有技术相比,本发明通过将随机森林算法融入到储层含油性预测过程中,利用随机森林算法强大的集成学习能力,自动提取地震数据的隐藏特征,拟合地震数据与测井数据的关系,获取更为可靠、客观的储层含油性预测体,而不受资料少、不系统等等因素的限制,不但提高储层含油性预测的精度和准确率,也提高了工作效率,能够帮助深度挖掘油气行业潜力。
附图说明
图1为本发明实施例的粗化至地质模型中的地震属性数据;
图2为本发明实施例的测井解释数据与随机森林算法预测数据对比图;
图3为本发明实施例通过随机森林算法得到的储层含油性预测体;
图4为本发明实施例方法的储层含油性预测效果图;
图5为基于地震反演方法的储层含油性预测效果图。
附表说明
表1为本发明实施例的标准化后的无量纲地震属性数据
具体实施方式
以下结合具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以Q油田为例,利用本发明的基于随机森林算法的储层含油性预测方法对其储层含油性进行预测,具体过程如下:
步骤1:以单井时深关系资料(VSP资料)、时间层位解释数据为基础,利用协同克里金算法,建立工区内速度模型;以速度模型为约束,将地震属性数据进行时深转换,获得深度域振幅类、频率类、时间类及吸收衰减类地震属性数据;
步骤2:通过对步骤1获得的深度域地震属性数据和测井解释的含油性数据粗化至地质模型中,获得纵向采样精度一致的深度域地震属性数据和测井解释的含油性数据,如图1所示;
步骤3:对步骤1获得的各深度域地震属性数据进行标准化处理,获得无量纲地震属性数据,如表1所示:
表1无量纲地震属性数据
rms | sweetness | amp | frequency | phase |
-0.61 | -0.47 | 0.35 | 0.03 | 3.07 |
0.62 | -0.91 | 2.94 | -0.66 | -0.20 |
1.43 | -1.37 | 2.38 | 0.12 | -0.38 |
-0.61 | -0.46 | 0.29 | 0.05 | 1.96 |
0.81 | -0.97 | 2.99 | -0.60 | -0.10 |
2.24 | -1.48 | 3.18 | 0.10 | -0.32 |
-0.61 | -0.50 | 0.28 | 0.16 | 1.03 |
0.87 | -1.07 | 3.13 | -0.58 | 0.02 |
2.84 | -1.41 | 3.97 | 0.07 | -0.24 |
-0.61 | -0.53 | 0.28 | 0.36 | 0.31 |
0.83 | -1.20 | 2.91 | -0.56 | 0.18 |
2.82 | -1.20 | 3.83 | 0.03 | -0.13 |
-0.61 | -0.54 | 0.28 | 0.65 | -0.18 |
0.86 | -1.26 | 3.37 | -0.56 | 0.13 |
2.74 | -1.03 | 3.47 | 0.02 | 0.02 |
-0.61 | -0.56 | 0.27 | 0.92 | -0.41 |
0.65 | -1.28 | 3.68 | -0.52 | 0.02 |
步骤4:以步骤2粗化后的测井解释的含油性数据和步骤3处理后的井点处的无量纲地震属性数据为训练对象,通过随机森林算法形成训练模型;将步骤3处理后的井间的无量纲地震属性数据带入训练模型,推算井间各网格中的含油性分布数据,得到三维储层含油性预测体,如图2和图3所示;
步骤5:通过调整步骤4的随机森林算法中的n_estimators、max_depth、min_samples_leaf等参数,不断优化训练模型,选取出交叉验证得分最高的模型,获得与已知数据吻合,含油性平面分布与纵向展布特征与地质特征、生产动态一致的最佳预测含油性数据体。本发明方法的储层含油性预测效果明显优于原含油性反演方法的预测结果,如图4和5所示。
通过本发明方法进行多地震属性数据的储层含油性预测,较原储层含油性反演预测方法经过对比发现:基于随机森林算法的储层含油性预测方法是数据驱动的机器运算方法,不需要人工反演分析,整体工作效率提高近3倍,将储层含油性预测部分的工作时间由3周缩短至1周;本发明方法将高分辨率的测井解释数据与相对低分辨率的地震信息进行机器学习匹配后进行井间储层含油性预测,比单纯依靠地震数据的人工反演方法具有更高的准确度和分辨率。经过盲井验证,本发明方法的单井吻合度能达到80%,而原储层含油性反演预测方法的单井吻合度仅有65%。
根据上述储层含油性预测结果指导Q油田开发方案部署,取得了良好的效果。
本发明公开和提出的方法,本领域技术人员可通过借鉴本文内容,适当改变条件路线等环节实现,尽管本发明的方法和制备技术已通过较佳实施例子进行了描述,相关技术人员明显能在不脱离本发明内容、精神和范围内对本文所述的方法和技术路线进行改动或重新组合,来实现最终的制备技术。特别需要指出的是,所有相类似的替换和改动对本领域技术人员来说是显而易见的,他们都被视为包括在本发明精神、范围和内容中。
Claims (5)
1.一种基于随机森林算法的储层含油性预测方法,其特征在于,包括以下步骤:
步骤1:对时间域地震属性数据进行时深转换,获得深度域地震属性数据;
步骤2:分别将步骤1获得的各深度域地震属性数据和测井解释的含油性数据粗化至地质模型中,获得纵向精度一致的深度域地震属性数据和测井解释的含油性数据;
步骤3:对步骤1获得的各深度域地震属性数据进行标准化处理,获得无量纲地震属性数据;
步骤4:以步骤2粗化后的测井解释的含油性数据和步骤3处理后的井点处的无量纲地震属性数据为训练对象,通过随机森林算法形成训练模型,将步骤3处理后的井间的无量纲地震属性数据带入训练模型,得到三维储层含油性预测体;
步骤5:优化训练模型,获得最佳储层含油性预测体。
2.根据权利要求1所述的基于随机森林算法的储层含油性预测方法,其特征在于:在步骤1中,以单井时深关系资料(VSP资料)、时间层位解释数据为基础,利用协同克里金算法,建立工区内速度模型;以速度模型为约束,将地震属性数据进行时深转换,获得深度域振幅类、频率类、时间类及吸收衰减类地震属性数据。
3.根据权利要求1所述的基于随机森林算法的储层含油性预测方法,其特征在于:在步骤4中,以步骤2粗化后的测井解释的含油性数据和步骤3处理后的井点处的地震属性数据为训练对象,通过随机森林算法训练测井解释的含油性数据与井点处的地震属性数据之间的复杂非线性关系,形成训练模型;将步骤3处理后的井间的无量纲地震属性数据带入训练模型,推算井间各网格中的含油性分布数据,得到三维储层含油性预测体。
4.根据权利要求1所述的基于随机森林算法的储层含油性预测方法,其特征在于:在步骤5中,通过调整步骤4的随机森林算法中的相关参数,不断优化训练模型,选取出交叉验证得分最高的模型,获得与已知数据吻合,含油性平面分布与纵向展布特征与地质特征、生产动态一致的最佳预测含油性数据体。
5.根据权利要求4所述的基于随机森林算法的储层含油性预测方法,其特征在于:所述参数包括n_estimators、max_depth、min_samples_leaf。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010508032.8A CN112036430A (zh) | 2020-06-05 | 2020-06-05 | 一种基于随机森林算法的储层含油性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010508032.8A CN112036430A (zh) | 2020-06-05 | 2020-06-05 | 一种基于随机森林算法的储层含油性预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112036430A true CN112036430A (zh) | 2020-12-04 |
Family
ID=73579435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010508032.8A Pending CN112036430A (zh) | 2020-06-05 | 2020-06-05 | 一种基于随机森林算法的储层含油性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036430A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113738353A (zh) * | 2021-09-28 | 2021-12-03 | 中国石油大学(北京) | 一种含油页岩可动油量预测方法、系统、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102707317A (zh) * | 2010-10-27 | 2012-10-03 | 中国石油化工股份有限公司 | 一种利用地震波吸收衰减特征进行储层分析的方法 |
CN107942378A (zh) * | 2016-10-12 | 2018-04-20 | 中国石油化工股份有限公司 | 一种河流相低含砂率储层预测方法 |
CN110824563A (zh) * | 2019-10-21 | 2020-02-21 | 中国海洋石油集团有限公司 | 一种基于Xgboost算法的储层岩性预测方法 |
CN110988996A (zh) * | 2019-11-25 | 2020-04-10 | 中国海洋石油集团有限公司 | 一种基于Adaboost回归算法的储层孔隙度预测方法 |
-
2020
- 2020-06-05 CN CN202010508032.8A patent/CN112036430A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102707317A (zh) * | 2010-10-27 | 2012-10-03 | 中国石油化工股份有限公司 | 一种利用地震波吸收衰减特征进行储层分析的方法 |
CN107942378A (zh) * | 2016-10-12 | 2018-04-20 | 中国石油化工股份有限公司 | 一种河流相低含砂率储层预测方法 |
CN110824563A (zh) * | 2019-10-21 | 2020-02-21 | 中国海洋石油集团有限公司 | 一种基于Xgboost算法的储层岩性预测方法 |
CN110988996A (zh) * | 2019-11-25 | 2020-04-10 | 中国海洋石油集团有限公司 | 一种基于Adaboost回归算法的储层孔隙度预测方法 |
Non-Patent Citations (1)
Title |
---|
高强山: "基于随机回归森林的储层预测方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, pages 1 - 2 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113738353A (zh) * | 2021-09-28 | 2021-12-03 | 中国石油大学(北京) | 一种含油页岩可动油量预测方法、系统、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109061765B (zh) | 非均质薄砂岩互层油藏的圈闭评价方法 | |
CN106842307B (zh) | 一种基于正演约束下波形分类再检索的储层精细预测方法 | |
CN110824563A (zh) | 一种基于Xgboost算法的储层岩性预测方法 | |
CN102176054B (zh) | 近地表综合信息处理解释方法 | |
CN106556866B (zh) | 一种利用岩石物理模板对储层定量解释的方法 | |
CN101236257A (zh) | 油井位置确定技术方法 | |
CN111596354B (zh) | 一种机器学习框架下考虑空间约束的地震储层预测方法 | |
CN111161403A (zh) | 一种基于钻孔数据空间插值获取沉积地层顶底面的方法 | |
CN112036430A (zh) | 一种基于随机森林算法的储层含油性预测方法 | |
CN110988996A (zh) | 一种基于Adaboost回归算法的储层孔隙度预测方法 | |
CN104422960A (zh) | 基于信号低频强异常自适应提取的地震资料流体识别方法 | |
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 | |
CN103278852B (zh) | 利用地震数据体波形结构特征模型预测油气的方法 | |
CN111796325B (zh) | 分频迭代约束的随机反演方法 | |
Soma et al. | On site mapping of microseismicity at Cooper Basin, Australia HDR project by the Japanese team | |
CN109736791A (zh) | 一种油气开发中面向储层的二次解释技术方法 | |
CN111983689B (zh) | 一种近源电磁震电联合gr反演方法 | |
CN113376692B (zh) | 致密砂岩气水平井压裂改造方案优化方法及装置 | |
CN112147696B (zh) | 基于储集性能指数的页岩储集性能地震评价方法及系统 | |
CN107765329A (zh) | 页岩储层地震识别方法 | |
RU2201606C1 (ru) | Способ типизации и корреляции нефтегазопродуктивных горных пород по скважинным спектрально-временным параметрам | |
CN107132588B (zh) | 利用测井曲线对构造进行精细校正的方法 | |
Zhu | Application of multiple wells-constrained sparse pulse inversion technology in coalfield 3D seismic prospecting | |
Iloghalu | Application of neural networks technique in lithofacies classifications used for 3-D reservoir geological modelling and exploration studies: a novel computer-based methodology for depositional environment interpretation | |
CN117388924A (zh) | 一种地质导向方法及装置 |
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 |