CN112083144A - 断层启闭性预测方法、装置、计算机设备和存储介质 - Google Patents

Abstract

公开了一种用于预测含油气盆地断层启闭性的方法，该方法包括：基于已勘探断层中的多个利用断层上下盘钻井数据能够判识其启闭性的特定断面点中的每一个的启闭状态和相关的多个敏感性地质参数，通过机器学习分类算法构建断层启闭性预测模型；基于待预测断层的断面各目标位置的位置参数和多个敏感性地质参数，建立待预测断层断面数据集；和以待预测断层断面数据集中的多个敏感性地质参数为输入项，通过断层启闭性预测模型以输出项形式获得待预测断层的断面各目标位置的断层启闭性结果。该方法能够实现在断层不同位置表现出非均一性的断层断面启闭性的定量化预测或识别。

Description

断层启闭性预测方法、装置、计算机设备和存储介质

技术领域

本发明属于油气田勘探开发领域，具体涉及一种用于预测含油气盆地断层启闭性的方法、装置、计算机设备和计算机可读存储介质。

背景技术

大量的勘探实践表明，含油气盆地内断层的启闭性特征是控制油气运移和聚集的关键因素之一，其对于油气的富集规律具有重要的作用。在断层活动期间，开启断层可以成为油气发生垂向运移的重要通道，从而控制了优势运移路径的方向；封闭断层可以成为油气聚集的遮挡边界，从而形成断层遮挡的油气藏。上述断层在油气运移中的双重性直接影响了含油气盆地中的油气勘探，因此长期受到国内外学者的关注。

但是，在断层启闭性研究中存在的问题主要包括：(1)业界公认断层启闭性是多种地质因素耦合下的结果，单一的影响参数很难对断层启闭性起着绝对的控制作用。然而，目前断层启闭性的研究方法往往是定性-半定量的方法，难于实现综合多地质因素的断层启闭性预测；(2)同一条断层在三维空间上的各种影响因素的变化很大，使得在走向上不同位置和剖面上不同深度上的启闭性具有差异，导致启闭性在断层的不同空间位置表现出很强的非均一性；另外，在不同地质历史时期，影响断层启闭性的各种地质参数随着构造和沉积特征而变化。但是，多数研究手段很难刻画断层封闭性的非均质性，仅能够简单的给出断层整体上呈现开启还是封闭；(3)断层封闭性评价方法更多是理论研究，对油气勘探的实际指导意义有限，更重要的是多数方法中所需的参数很难利用常规的勘探开发数据获得。

发明内容

为了解决现有技术中不能实现在断层不同位置表现出非均一性的断层断面启闭性的定量化预测或识别的技术问题，本发明提供一种用于预测含油气盆地断层启闭性的方法、装置、计算机设备和计算机可读存储介质。

根据本发明的第一方面，本发明提供一种用于预测含油气盆地断层启闭性的方法，所述方法包括以下步骤：

基于已勘探断层中的多个利用断层上下盘钻井数据能够判识其启闭性的特定断面点中的每一个的启闭状态和相关的多个敏感性地质参数，通过机器学习分类算法构建断层启闭性预测模型；

基于所述待预测断层的断面各目标位置的位置参数和多个敏感性地质参数，建立待预测断层断面数据集；和

以所述待预测断层断面数据集中的多个敏感性地质参数为输入项，通过所述断层启闭性预测模型以输出项形式获得所述待预测断层的断面各目标位置的断层启闭性结果。

根据本发明的方法，进一步地，基于已勘探断层中的多个利用断层上下盘钻井数据能够判识其启闭性的特定断面点中的每一个的启闭状态和相关的多个敏感性地质参数，通过机器学习分类算法构建断层启闭性预测模型的步骤包括：

以所述特定断面点的启闭状态和多个敏感性地质参数为样本数据建立学习数据集；

将所述学习数据集随机地划分为训练集和验证集；

以所述训练集中的多个敏感性地质参数为输入项并且以所述训练集中的特定断面点启闭状态为输出项，对机器学习分类算法进行训练；和

利用所述验证集进行验证。

根据本发明的方法，进一步地，所述特定断面点和所述断面各目标位置的多个敏感性地质参数为选自断距、错断泥岩厚度、断面点埋深、断层倾角、流体压力、断层走向、断层泥比率、断面正应力和断层启闭系数中的多个参数。

根据本发明的方法，进一步地，所述特定断面点的启闭状态通过以下方式获得：

利用所述特定断面点处断层上下盘的钻井数据绘制垂直断层走向的油藏剖面，根据所述油藏剖面判识所述特定断面点的启闭状态。

根据本发明的方法，进一步地，所述特定断面点的多个敏感性地质参数通过以下方式获得：利用三维地震数据、钻井数据和地质构造信息绘制地质剖面并且在所述地质剖面中进行测量和计算。

根据本发明的方法，进一步地，所述机器学习分类算法为选自支持向量机、决策树、K-近邻分类、神经网络和深度学习中的一种。

根据本发明的方法，进一步地，所述待预测断层的断面各目标位置的位置参数和多个敏感性地质参数通过以下方式获得：

构建所述待预测断层的三维或二维断面；

将所述待预测断层的三维或二维断面进行网格化以获得每个网格的位置参数；

利用三维地震数据、钻井数据和地质构造信息绘制多个地质剖面并且在所述多个地质剖面中进行测量和计算以获得各地质剖面与断面交点处的多个敏感性地质参数；和

通过克里金插值方法对所述待预测断层的三维或二维断面的每个网格的多个敏感性地质参数赋值。

根据本发明的方法，进一步地，所述方法还包括以下步骤：

将所述断层启闭性结果以图像形式输出。

根据本发明的方法，进一步地，在训练过程中采用交叉验证方法和超参数寻优算法。

根据本发明的方法，进一步地，将所述学习数据集和所述待预测断层断面数据集中的多个敏感性地质参数进行归一化处理并且将所述学习数据集中的每个特定断面点的启闭状态进行数值化处理。

根据本发明的第二方面，提供了一种用于预测含油气盆地断层启闭性的装置，所述装置包括：

模型构建单元，用于基于已勘探断层中的多个利用断层上下盘钻井数据能够判识其启闭性的特定断面点中的每一个的启闭状态和相关的多个敏感性地质参数，通过机器学习分类算法构建断层启闭性预测模型；

断面数据集建立单元，用于基于所述待预测断层的断面各目标位置的位置参数和多个敏感性地质参数，建立待预测断层断面数据集；和

预测单元，用于以所述待预测断层断面数据集中的多个敏感性地质参数为输入项，通过所述断层启闭性预测模型以输出项形式获得所述待预测断层的断面各目标位置的断层启闭性结果。

根据本发明的第三方面，提供了一种计算机设备，包括处理器和与所述处理器连接的存储器，所述存储器存储有指令，所述指令可被所述处理器加载并执行根据本发明第一方面所述的方法。

根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有指令，所述指令可被处理器加载并执行根据本发明第一方面所述的方法。

有益效果

根据本发明，基于机器学习，综合可以利用常规的勘探开发数据获取的多个影响断层启闭性的敏感性地质参数，能够实现在断层不同位置表现出非均一性的断层面启闭性的定量化预测或识别，利用该方法能够全面、客观地预测或识别断层面在空间中不同位置的启闭特征，从而为油气勘探确定优势运移方向、寻找断层油气藏等提供依据，具有广泛的应用前景。

附图说明

图1是显示根据本发明的方法的流程的示意图。

图2显示了根据本发明的方法的一个实施例，中国东部渤海湾盆地埕北断阶带内断层的级次及其平面分布位置图，其中图2(a)显示了地震剖面，图2(b)显示了不同级次的断层平面几何分布形态。

图3为显示根据本发明的方法的一个实施例绘制的垂直断层走向的油藏剖面并且根据所述油藏剖面判识特定断面点的启闭状态的示意图。

图4直观地显示了断距(L)、错断泥岩厚度(h)、断面点埋深(D)、断层倾角(FD)、流体压力(P)、断层走向(FS)、断层泥比率(SGR)、断面正应力(δ)和断层启闭系数(FOI)的测量和计算方法。

图5显示了特定断面点中的开启断面点与封闭断面点的断距、错断泥岩厚度、断面点埋深、断层倾角、流体压力、断层走向、断层泥比率、断面正应力和断层启闭系数的密度概率分布对比图。

图6展示了采用径向基核函数，在K＝6的情况下的遗传算法寻优过程。

图7显示了SVM预测模型在验证集中的预测结果和实测结果对比图。

图8显示了利用克里金插值方法实现断面网格的断层倾角属性赋值。

图9显示了三号断层断面启闭性的预测结果图(黑色代表封闭，白色代表开启)。

图10是显示根据本发明的装置的示意图。

具体实施方式

为使本申请实施方案的目的、技术方案和优点更加清楚，下面将结合本申请实施方案或实施例中的附图，对本发明进行清楚、完整地描述，显然，所描述的实施方案或实施例是本申请一部分实施方案或实施例，仅仅示例性地说明本发明，而不用来限制本发明的范围。

图1是显示根据本发明的方法的流程的示意图。参考图1，根据该实施方案的用于预测含油气盆地断层启闭性的方法包括以下步骤：

S100：基于已勘探断层中的多个利用断层上下盘钻井数据能够判识其启闭性的特定断面点中的每一个的启闭状态和相关的多个敏感性地质参数，通过机器学习分类算法构建断层启闭性预测模型；

S101：基于所述待预测断层的断面各目标位置的位置参数和多个敏感性地质参数，建立待预测断层断面数据集；和

S102：以所述待预测断层断面数据集中的多个敏感性地质参数为输入项，通过所述断层启闭性预测模型以输出项形式获得所述待预测断层的断面各目标位置的断层启闭性结果。

在本发明中，已勘探断层是指经过钻井勘探的断层、或某一断层中的经过钻井勘探的断层部分；而待预测断层是指其断层启闭性需要进行预测的断层、或某一断层中的其断层启闭性需要进行预测的断层部分。已勘探断层与待预测断层可以是两个不同的断层，但具有相同的断层级别，也可以是同一断层的不同部分。断层级别可以利用三维地震数据对含油气盆地各断层进行划分，并且按断层级别绘制各断层的平面几何分布形态。

在一个或多个实施方案中，S100步骤可以包括：以所述特定断面点的启闭状态和多个敏感性地质参数为样本数据建立学习数据集；将所述学习数据集随机地划分为训练集和验证集；以所述训练集中的多个敏感性地质参数为输入项并且以所述训练集中的特定断面点启闭状态为输出项，对机器学习分类算法进行训练；和利用所述验证集进行验证。

在一个或多个具体实施方案中，为了获取多个特定断面点中的每一个的启闭状态，可以利用所述特定断面点处断层上下盘的钻井数据绘制垂直断层走向的油藏剖面，根据所述油藏剖面判识所述特定断面点的启闭状态。首先，可以利用三维地震数据对含油气盆地各断层进行级别划分并且按断层级别绘制各断层的平面几何分布形态。具体地，在本实施例中，基于三维地震数据对含油气盆地内的各断层进行研究，确定各断层的级别和空间几何分布，可以将各断层划分为主断层和次级断层两个级别，并且按断层级别绘制各断层的平面几何分布形态。图2显示了根据本发明的方法的一个实施例，中国东部渤海湾盆地埕北断阶带内断层的级次及其平面分布位置图，其中由图2(a)所示的利用三维地震数据得到的地震剖面的断层解释，将各断层分为主断层和次级断层，其中一、二、三、四、五和六号断层均为主断层，其余为次级断层，继而通过对三维地震内地震剖面的综合解释，获得了图2(b)所示的不同级次的断层平面几何分布形态。之后，利用特定断面点处断层上下盘的钻井数据绘制垂直断层走向的油藏剖面，根据所述油藏剖面判识所述特定断面点的启闭状态。参考图2(b)，以一、二、四、五和六号主断层为对象，绘制垂直断层走向的油藏剖面，上述油藏剖面均满足在断层上下盘具有较为丰富的钻井数据(尤其是试油数据)，可以确定上下盘的油气显示。利用上下盘的油气显示作为判识指标，判断特定断面点的启闭性。图3为显示根据本发明的方法的一个实施例绘制的垂直断层走向的油藏剖面并且根据所述油藏剖面判识特定断面点的启闭状态的示意图，其中根据如图3(a)所示的油藏剖面判识该断面点为封闭性，根据如图3(b)所示的油藏剖面判识该断面点为开启性，根据如图3(c)所示的油藏剖面判识该断面点为开启性，而根据如图3(d)所示的油藏剖面判识该断面点的启闭性为未知。为了保证学习数据集(即，具启闭性标签断面点数据集)具有足够的数据量，数据可以来自三维地震资料覆盖区内的不同断层，值得注意的是不同级别断层的数据不可混用，应依据断层级别分别建立相应的数据集。

在一个或多个具体实施方案中，所述敏感性地质参数可以包括选自断距(L)、错断泥岩厚度(h)、断面点埋深(D)、断层倾角(FD)、流体压力(P)、断层走向(FS)、断层泥比率(SGR)、断面正应力(δ)和断层启闭系数(FOI)中的多个参数。为了获取多个特定断面点中的每一个的敏感性地质参数，可以利用三维地震数据、钻井数据和地质构造信息绘制地质剖面并且在所述地质剖面中进行测量和计算。作为一个实例，图2(a)显示了利用三维地震数据得到的地震剖面。地质构造信息可以包括构造应力等。钻井数据可以包括井位、井口海拔、井斜、录井数据、测井数据、地层压力测试数据等。图4直观地显示了断距(L)、错断泥岩厚度(h)、断面点埋深(D)、断层倾角(FD)、流体压力(P)、断层走向(FS)、断层泥比率(SGR)、断面正应力(δ)和断层启闭系数(FOI)的测量和计算方法。

在一个或多个具体实施方案中，可以通过对比开启性和封闭性特定断面点的断距、错断泥岩厚度、断面点埋深、断层倾角、流体压力、断层走向、断层泥比率、断面正应力和断层启闭系数的密度概率分布，从中确定所述敏感性地质参数。在本实施例中，图5显示了特定断面点中的开启断面点与封闭断面点的断距、错断泥岩厚度、断面点埋深、断层倾角、流体压力、断层走向、断层泥比率、断面正应力和断层启闭系数的密度概率分布对比图。如图5所示，通过对比开启断面点与封闭断面点的断距、错断泥岩厚度、断面点埋深、断层倾角、流体压力、断层走向、断层泥比率、断面正应力和断层启闭系数的密度概率分布，发现除断距和断面点埋深外的其他7个参数，对于断面点启闭性具有更高的敏感性。因此，在本实施例中，确定错断泥岩厚度、断层倾角、流体压力、断层走向、断层泥比率、断面正应力和断层启闭系数这7个参数作为敏感性地质参数。

在一个或多个具体实施方案中，以所述特定断面点的启闭状态和敏感性地质参数为样本数据建立学习数据集。在本实施例中，利用特定断面点的上述7个敏感性地质参数和启闭状态标签组成学习数据集。在一个或多个具体实施方案中，将所述学习数据集随机地划分为训练集和验证集。在本实施例中，将所述学习数据集按照3∶1随机分配为为训练集和验证集。作为一个实例，表1显示了训练集中的部分数据，而表2显示了验证集中的部分数据。

表1训练集中的部分数据

表2验证集中的部分数据

可以将所述学习数据集(包括训练集和验证集)中的样本数据进行数据转换处理。在本实施例中，可以将所述学习数据集中的特定断面点启闭状态标签进行数值化处理，例如，将开启状态设置为1，封闭状态设置为0，并且可以将所述学习数据集中的敏感性地质参数进行归一化处理，例如，将学习数据集中的每个敏感性地质参数均归一化到[-1，1]之间，其方法为：

x_i，j′＝(x_i，j-x_i，sve)/(x_i，max-x_i，min) 公式(1)

式中，x_i，j为第i组敏感性地质参数中的第j个数据，x_i，ave，x_i，max和x_i，min分别是第i组敏感性地质参数中的数据的平均值、最大值和最小值，x_i，j′为第i个敏感性地质参数中的第j个数据的归一值。

在一个或多个具体实施方案中，所述机器学习分类算法可以为选自支持向量机(SVM)、决策树、K-近邻分类、神经网络和深度学习中的一种。在本实施例中，采用支持向量机(SVM)作为机器学习分类算法。作为一个实例，支持向量机可以选用线性不可分支持向量机。对于线性不可分支持向量机，需要选取合适的核函数。合适的核函数一般通过尝试来确定。线性不可分支持向量机中的核函数可以包括：(1)多项式核函数：Φ(x_i，x_j)＝[γ(x_i ^fx_j)+r]^d；(2)径向基核函数(RBF)：Φ(x_i，x_j)＝exp(γ||x_i-x_j||²)；(3)Sigmoid核函数：Φ(x_i，x_j)＝tan h(γ(x_i ^tx_j)+r)；其中γ，r，d，h，g为核函数的核参数。

在一个或多个具体实施方案中，以所述训练集中的多个敏感性地质参数为输入项并且以所述训练集中的特定断面点启闭状态为输出项，对机器学习分类算法进行训练，并且利用所述验证集进行验证，从而构建所述断层启闭性预测模型。在本实施例中，以训练集中的上述7项敏感性地质参数作为输入项并且以所述训练集中的特定断面点启闭状态为输出项，对SVM进行训练。在模型训练过程中，采用交叉验证方法和超参数寻优算法，以提高训练模型的鲁棒性，避免欠拟合和过拟合现象的发生。训练集交叉验证精度和验证集识别准确率均应高于85％。在本实施例中，采用K-折交叉验证方法并且利用遗传算法对上述训练过程中的超参数进行寻优。K-折交叉验证是将训练集分为K组，将每组数据均作为依次验证集，用以得到其他K-1组数据训练下模型的预测准确率，用这K个模型的平均准确率作为K-折交叉验证的性能指标，即交叉验证精度。在本实施例中，选取了3～9间的整数作为K值，分别计算了在不同K值下的交叉验证精度。对于遗传算法，在选取某一核函数类型后，确定核函数参数以及惩罚因子的分布范围，在上述范围内随机挑选核函数参数和惩罚因子组合形成初代群体(个体数目为50个)，将交叉验证精度作为适应度函数值。将初代群体中的每个个体依次导入支持向量机模型，训练得到交叉验证精度，选择初代群体中交叉验证精度最高的10个体组合进行交叉和变异，形成新一代群体并进行循环操作，循环至300代为止。循环过程保留每代中交叉验证精度最高的个体，进而选取所有代中精度最高的个体的参数组合进行模型训练。作为实例，图6展示了采用径向基核函数，在K＝6的情况下的遗传算法寻优过程，从而确定核函数类型在内的相关参数(参见表3)。

表3不同核函数和K折交叉验证参数组合下的的交叉验证精度

在表3中，径向基核函数和K＝6条件下训练得到的SVM预测模型具有最高的交叉验证精度。利用验证集，对该条件获得的SVM预测模型进行验证。作为实例，图7显示了SVM预测模型在验证集中的预测结果和实测结果对比图，识别准确率可以达到86.21％，表明该预测模型可以满足对断层启闭性进行预测的要求。

为了建立待预测断层断面数据集，在一个或多个实施方案中，首先获取待预测断层的断面各目标位置的位置参数和多个敏感性地质参数。待预测断层断面各目标位置的多个敏感性地质参数与每个特定断面点的多个敏感性地质参数是相应的。在一个或多个具体实施方案中，所述待预测断层的断面各目标位置的位置参数和多个敏感性地质参数可以如下获得：构建所述待预测断层的三维或二维断面；将所述待预测断层的三维或二维断面进行网格化以获得每个网格的位置参数；利用三维地震数据、钻井数据和地质构造信息绘制多个地质剖面并且在所述多个地质剖面中进行测量和计算以获得各地质剖面与断面交点处的多个敏感性地质参数；和通过克里金插值方法对所述待预测断层的三维或二维断面的每个网格的多个敏感性地质参数赋值。待预测断层断面可以直接使用三维断面，也可以使用二维断面。二维断面利用二维投影方式来构建。在本实施例中，参考图2(b)，沿作为待预测断层的三号断层的走向方向，将断层划分为27段，自断层一侧开始，将各段断层依次投影到二维平面中，并保证每部分的前端均与前一段断层的末端相连，从而形成三维断面的二维投影。在构建待预测断层断面之后，可以将断面网格化。网格化可依据实际需要，将三维断面或二维断面按不同网格大小进行划分，也可以以相同网格大小划分。在本实施例中，水平和垂直方向的网格数分别是800和400。在本实施例中，在网格化处理之后，参考图2(b)，首先绘制作为待预测断层的三号断层上虚线所在位置的地质剖面(27个地质剖面)，测量和计算敏感性地质参数(423个敏感地质参数组)，其测量和计算方法与已勘探断层中的特定断面点的测量和计算方法相同，如图4所示。随后，利用克里金插值方法为每个网格赋值敏感性地质参数。图8展示了敏感地质参数中倾角的赋值(图8中的黑圈数字标识所处位置为地质剖面)。克里金插值方法的具体操作过程可以描述为，在经过网格化的随机场中，利用已知网格点的数值大小和空间位置，统计获得地质属性在该随机场中的变异函数，利用该函数和已知网格点数据，对未知网格点进行线性无偏最优估计。在一个或多个实施方案中，基于所述待预测断层的断面各目标位置的位置参数和多个敏感性地质参数，建立待预测断层断面数据集。作为一个实例，表4显示了待预测断层断面数据集中的部分数据，与学习数据集相比，待预测数据集除了敏感地质参数外，还需包括每个数据在断面上水平方向和垂直方向上的网格位置。在本实施例中，在建立待预测断层断面数据集之后，可以将待预测断层断面数据集中的多个敏感性地质参数进行归一化处理。其归一化处理方法与学习数据集中的归一化处理方法相同。

表4待预测断层断面数据集中的部分数据

在一个或多个实施方案中，以所述待预测断层断面数据集中的多个敏感性地质参数为输入项，通过所述断层启闭性预测模型以输出项形式获得所述待预测断层的断面各目标位置的断层启闭性结果。在本实施例中，通过SVM预测模型获得所述待预测断层断面比如三号断层每个网格的断层启闭性结果。

在一个或多个具体实施方案中，将所述断层启闭性结果以图像形式输出。在本实施例中，将三号断层每个网格的断层启闭性预测结果(也称为启闭性标签)转换为RGB数值或灰度值，以断面中每个网格作为一个像素点输出断面启闭性图像。作为实例，将开启和闭合预测结果分别设定为黑色(灰度值为0)和白色(灰度值为255)，每个网格作为一个像素点输出，从而得到断层启闭性的断面分布图(如图9所示)。

图10是显示根据本发明的装置的示意图。参考图10，根据该实施方案的用于预测含油气盆地断层启闭性的装置包括：

模型构建单元201，用于基于已勘探断层中的多个利用断层上下盘钻井数据能够判识其启闭性的特定断面点中的每一个的启闭状态和相关的多个敏感性地质参数，通过机器学习分类算法构建断层启闭性预测模型；

断面数据集建立单元202，用于基于所述待预测断层的断面各目标位置的位置参数和多个敏感性地质参数，建立待预测断层断面数据集；和

预测单元203，用于以所述待预测断层断面数据集中的多个敏感性地质参数为输入项，通过所述断层启闭性预测模型以输出项形式获得所述待预测断层的断面各目标位置的断层启闭性结果。

根据本发明的装置还可以包括其他单元，比如，特定断面点启闭状态判识单元，特定断面点敏感性参数获取单元，待预测断层参数获取单元(用于获取待预测断层的断面各目标位置的位置参数和多个敏感性地质参数等等)。

根据本发明，还提供了一种计算机设备，包括处理器和与所述处理器连接的存储器，所述存储器存储有指令，所述指令可被所述处理器加载并执行根据本发明所述的方法。

处理器可以是中央处理器(CPU)等。存储器可以是任何类型的易失性或非易失性存储设备或者它们的组合，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，闪存等。

根据本发明，还提供了一种计算机可读存储介质，其上存储有指令，所述指令可被处理器加载并执行根据本发明所述的方法。

本发明的计算机可读存储介质可以是例如但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的具体例子可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

上述实施例仅例示性的说明了本发明，而非用于限制本发明。熟知本领域的技术人员应当理解，在不偏离本发明的精神和范围的情况下，对本发明实施例所作的任何更改和变化均落在本发明的范围内。且本发明的保护范围应由所附的权利要求确定。

Claims (13)

1.一种用于预测含油气盆地断层启闭性的方法，其特征在于，所述方法包括以下步骤：

基于已勘探断层中的多个利用断层上下盘钻井数据能够判识其启闭性的特定断面点中的每一个的启闭状态和相关的多个敏感性地质参数，通过机器学习分类算法构建断层启闭性预测模型；

基于与所述已勘探断层同级别的待预测断层的断面各目标位置的位置参数和多个敏感性地质参数，建立待预测断层断面数据集；和以所述待预测断层断面数据集中的多个敏感性地质参数为输入项，通过所述断层启闭性预测模型以输出项形式获得所述待预测断层的断面各目标位置的断层启闭性结果。

2.根据权利要求1所述的方法，其特征在于，基于已勘探断层中的多个利用断层上下盘钻井数据能够判识其启闭性的特定断面点中的每一个的启闭状态和相关的多个敏感性地质参数，通过机器学习分类算法构建断层启闭性预测模型的步骤包括：

以所述特定断面点的启闭状态和多个敏感性地质参数为样本数据建立学习数据集；

将所述学习数据集随机地划分为训练集和验证集；

以所述训练集中的多个敏感性地质参数为输入项并且以所述训练集中的特定断面点启闭状态为输出项，对机器学习分类算法进行训练；和

利用所述验证集进行验证。

3.根据权利要求1或2所述的方法，其特征在于，所述特定断面点和所述断面各目标位置的多个敏感性地质参数为选自断距、错断泥岩厚度、断面点埋深、断层倾角、流体压力、断层走向、断层泥比率、断面正应力和断层启闭系数中的多个参数。

4.根据权利要求3所述的方法，其特征在于，所述特定断面点的启闭状态通过以下方式获得：

利用所述特定断面点处断层上下盘的钻井数据绘制垂直断层走向的油藏剖面，根据所述油藏剖面判识所述特定断面点的启闭状态。

5.根据权利要求3所述的方法，其特征在于，所述特定断面点的多个敏感性地质参数通过以下方式获得：利用三维地震数据、钻井数据和地质构造信息绘制地质剖面并且在所述地质剖面中进行测量和计算。

6.根据权利要求1所述的方法，其特征在于，所述机器学习分类算法为选自支持向量机、决策树、K-近邻分类、神经网络和深度学习中的一种。

7.根据权利要求3所述的方法，其特征在于，所述待预测断层的断面各目标位置的位置参数和多个敏感性地质参数通过以下方式获得：

构建所述待预测断层的三维或二维断面；

将所述待预测断层的三维或二维断面进行网格化以获得每个网格的位置参数；

利用三维地震数据、钻井数据和地质构造信息绘制多个地质剖面并且在所述多个地质剖面中进行测量和计算以获得各地质剖面与断面交点处的多个敏感性地质参数；和

通过克里金插值方法对所述待预测断层的三维或二维断面的每个网格的多个敏感性地质参数赋值。

8.根据权利要求1或2所述的方法，所述方法还包括以下步骤：

将所述断层启闭性结果以图像形式输出。

9.根据权利要求2所述的方法，其特征在于，在训练过程中采用交叉验证方法和超参数寻优算法。

10.根据权利要求2所述的方法，其特征在于，将所述学习数据集和所述待预测断层断面数据集中的多个敏感性地质参数进行归一化处理并且将所述学习数据集中的每个特定断面点的启闭状态进行数值化处理。

11.一种用于预测含油气盆地断层启闭性的装置，其特征在于，所述装置包括：

模型构建单元，用于基于已勘探断层中的多个利用断层上下盘钻井数据能够判识其启闭性的特定断面点中的每一个的启闭状态和相关的多个敏感性地质参数，通过机器学习分类算法构建断层启闭性预测模型；

断面数据集建立单元，用于基于所述待预测断层的断面各目标位置的位置参数和多个敏感性地质参数，建立待预测断层断面数据集；和

预测单元，用于以所述待预测断层断面数据集中的多个敏感性地质参数为输入项，通过所述断层启闭性预测模型以输出项形式获得所述待预测断层的断面各目标位置的断层启闭性结果。

12.一种计算机设备，其特征在于，包括处理器和与所述处理器连接的存储器，所述存储器存储有指令，所述指令可被所述处理器加载并执行根据权利要求1-10任一项所述的方法。

13.一种计算机可读存储介质，其上存储有指令，其特征在于，所述指令可被处理器加载并执行根据权利要求1-10任一项所述的方法。

Images