CN112541523A - 一种泥质含量计算方法和装置 - Google Patents

一种泥质含量计算方法和装置 Download PDF

Info

Publication number
CN112541523A
CN112541523A CN202011282762.7A CN202011282762A CN112541523A CN 112541523 A CN112541523 A CN 112541523A CN 202011282762 A CN202011282762 A CN 202011282762A CN 112541523 A CN112541523 A CN 112541523A
Authority
CN
China
Prior art keywords
gamma
stratum
models
content
mud content
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
Application number
CN202011282762.7A
Other languages
English (en)
Other versions
CN112541523B (zh
Inventor
王猛
董宇
徐大年
杨玉卿
张志强
刘海波
刘志杰
王晓飞
范川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Oilfield Services Ltd
Original Assignee
China Oilfield Services Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Oilfield Services Ltd filed Critical China Oilfield Services Ltd
Priority to CN202011282762.7A priority Critical patent/CN112541523B/zh
Publication of CN112541523A publication Critical patent/CN112541523A/zh
Application granted granted Critical
Publication of CN112541523B publication Critical patent/CN112541523B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请实施例公开了一种泥质含量计算方法和装置，该方法包括：获取第一常规测井数据，并获取n个分类模型、m个高伽马地层模型和m个低伽马地层模型；将第一常规测井数据输入n个分类模型，以对第一常规测井数据进行地层分类；依据分类结果将常规测井曲线输入到对应的地层模型中获取m×n条泥质含量预测曲线；地层模型包括：m个高伽马地层模型和m个低伽马地层模型；从m×n条泥质含量预测曲线中筛选出一条泥质含量预测曲线作为最终泥质含量预测曲线；通过质量评估算法确定最终泥质含量预测曲线的质量等级。通过该实施例方案，提高了计算精度和可靠性，并实现了对预测结果进行质量评估。

Description

一种泥质含量计算方法和装置
技术领域
本文涉及石油勘探技术，尤指一种泥质含量计算方法和装置。
背景技术
目前，国内外计算储层泥质含量通常是采用自然伽马、自然电位及自然伽马能谱等等测井曲线。其中自然伽马能谱计算精度最高，但绝大多数井并没有该测井资料，自然电位法受岩性、流体性质、砂体厚度等因素的影响，计算结果通常偏大，自然伽马是最常用的方法，但在某些含有放射性矿物的地层，其计算的伽马值通常偏大。
发明内容
本申请实施例提供了一种泥质含量计算方法和装置，能够提高计算精度和可靠性，并实现对预测结果进行质量评估。
本申请实施例提供了一种泥质含量计算方法，可以包括：
获取第一常规测井数据，并获取n个分类模型、m个高伽马地层模型和m个低伽马地层模型；其中，所述分类模型是通过包含高伽马地层编码、低伽马地层编码和测井数据的分类样本集，利用预设的机器学习算法进行训练时，基于所述机器学习算法的未设定的随机种子数以及K-Fold交叉验证进行n次最优参数搜索获取的；所述高伽马地层模型和所述低伽马地层模型是通过用岩心和自然伽马能谱标定计算的泥质含量曲线，与常规的测井数据进行重采样构成回归样本集，利用预设的机器学习回归算法进行训练时，基于所述机器学习回归算法的未设定的随机种子数以及K-Fold交叉验证进行m次最优参数搜索获取的；m和n为大于1的正整数；
将所述第一常规测井数据输入所述n个分类模型，由所述n个分类模型对所述第一常规测井数据进行地层分类；
依据分类结果将常规测井曲线输入到对应的地层模型中获取m×n条泥质含量预测曲线；所述地层模型可以包括：所述m个高伽马地层模型和所述m个低伽马地层模型；
从所述m×n条泥质含量预测曲线中筛选出一条最优泥质含量预测曲线作为最终泥质含量预测曲线；
通过预设的质量评估算法确定所述最终泥质含量预测曲线的质量等级。
在本申请的示例性实施例中，所述获取n个分类模型可以包括：
直接调取存储的n个分类模型；或者，创建所述n个分类模型；
和/或，
所述获取m个高伽马地层模型和m个低伽马地层模型可以包括：
直接调取存储的m个高伽马地层模型和m个低伽马地层模型；或者，创建所述m个高伽马地层模型和m个低伽马地层模型。
在本申请的示例性实施例中，所述创建所述n个分类模型可以包括：
根据自然伽马能谱测井数据或岩心分析数据标定样本井的泥质含量曲线，对所述泥质含量曲线进行采样获取泥质含量学习样本数据，根据实际情况将地层划分为高伽马地层和低伽马地层，由此将学习样本数据划分为两类：高伽马地层学习样本数据和低伽马地层学习样本数据；
对常规的测井数据和所述泥质含量学习样本数据进行预处理，将处理好的测井数据和泥质含量学习样本数据格式化为分类样本集；其中，所述分类样本集中对于高伽马地层的数据和低伽马地层的数据分别设置有不同的编号；
将设置有不同编号的分类样本集输入具有初始参数的预设的机器学习算法中，在未设定所述机器学习算法的随机种子数的情况下，采用K-Fold交叉验证方法，以最优参数搜索的方式自动搜索n次，以获取n个关于所述机器学习算法的第一局部最优参数；
将n个所述第一局部最优参数分别输入所述机器学习算法中，获取n个分类模型；其中，所述预处理包括：对所述常规的测井数据和标定好的泥质含量学习样本数据进行数据清洗和集成，对所述常规的测井数据和地层的编号进行相关性分析，获取相关性最高的多条测井数据。
在本申请的示例性实施例中，创建m个高伽马地层模型可以包括：
用岩心和自然伽马能谱标定计算泥质含量曲线，构建样本集时并不采用岩心和自然伽马能谱数据，仅对高伽马地层的常规测井数据和标定后的泥质含量曲线进行重采样；
对重采样的常规测井数据和泥质含量学习样本数据进行相关性分析，获取相关性最高的多条测井数据，与泥质含量学习样本数据构成高伽马地层回归样本集；
将所述高伽马地层回归样本集输入具有初始参数的预设的机器学习回归算法中，在未设定所述机器学习回归算法的随机种子数的情况下，采用K-Fold交叉验证方法，以最优参数搜索的方式自动搜索m次，以获取m个关于所述机器学习回归算法的第二局部最优参数；
将m个所述第二局部最优参数分别输入所述机器学习回归算法中，获取m个高伽马地层模型。
在本申请的示例性实施例中，创建m个低伽马地层模型可以包括：
用岩心和自然伽马能谱标定计算泥质含量曲线，构建样本集时并不采用岩心和自然伽马能谱数据，仅对低伽马地层的常规测井数据和标定后的泥质含量曲线进行重采样；
对重采样的常规测井数据和泥质含量学习样本数据进行相关性分析，获取相关性最高的多条测井数据，与泥质含量学习样本数据构成高伽马地层回归样本集；
将所述低伽马地层回归样本集输入具有初始参数的预设的机器学习回归算法中，在未设定所述机器学习回归算法的随机种子数的情况下，采用K-Fold交叉验证方法，以最优参数搜索的方式自动搜索m次，以获取m个关于所述机器学习回归算法的第三局部最优参数；
将m个所述第三局部最优参数分别输入所述机器学习回归算法中，获取m个低伽马地层模型。
在本申请的示例性实施例中，所述从所述m×n条泥质含量预测曲线中筛选出一条最优泥质含量预测曲线作为最终泥质含量预测曲线可以包括：
将所述m×n条泥质含量预测曲线两两之间分别计算相关性系数；
计算每条泥质含量预测曲线对应的多个相关性系数的平均值，以获取该条泥质含量预测曲线的平均相关性系数；
获取平均相关性系数最大的一条泥质含量预测曲线，作为所述最优泥质含量预测曲线。
在本申请的示例性实施例中，所述通过预设的质量评估算法确定所述最终泥质含量预测曲线的质量等级可以包括：
根据预设的变异系数计算关系式计算所述最终泥质含量预测曲线的各深度点的变异系数；
根据所述变异系数的大小确定所述最终泥质含量预测曲线的质量等级；
其中，所述变异系数越小，确定所述最终泥质含量预测曲线在该深度点处的质量等级越高；所述变异系数越大，确定所述最终泥质含量预测曲线在该深度点处的质量等级越低。
在本申请的示例性实施例中，所述变异系数计算关系式可以包括：
Figure BDA0002781328380000041
其中，cv为所述变异系数；y1为所述最终泥质含量预测曲线一个深度处的泥质含量值；yi为第i条泥质含量预测曲线与所述最终泥质含量预测曲线的同一深度处的泥质含量值。
在本申请的示例性实施例中，所述变异系数满足0～5％时，质量等级为优；
所述变异系数满足5％～10％时，质量等级为良；
所述变异系数满足10％～15％时，质量等级为中；
所述变异系数满足大于15％时，质量等级为差。
在本申请的示例性实施例中，所述泥质含量计算方法适用于各种不同性质的地层的泥质含量预测。
本申请实施例还提供了一种泥质含量计算装置，可以包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现上述任意一项所述的泥质含量计算方法。
与相关技术相比，本申请实施例可以包括获取第一常规测井数据，并获取n个分类模型、m个高伽马地层模型和m个低伽马地层模型；其中，所述分类模型是通过包含高伽马地层编码、低伽马地层编码和测井数据的分类样本集，对预设的机器学习算法进行训练时，基于所述机器学习算法的未设定的随机种子数以及K-Fold交叉验证进行n次最优参数搜索获取的；所述高伽马地层模型和所述低伽马地层模型是通过用岩心和自然伽马能谱标定计算的泥质含量曲线，分别与高伽马地层和低伽马地层的常规的测井数据进行重采样构成高伽马回归样本集和低伽马回归样本集，利用预设的机器学习回归算法进行训练时，基于所述机器学习回归算法的未设定的随机种子数以及K-Fold交叉验证进行m次最优参数搜索获取的；m和n为大于1的正整数，将所述第一常规测井数据输入所述n个分类模型，由所述n个分类模型对所述第一常规测井数据进行地层分类；将分类结果输入所述高伽马地层模型和所述低伽马地层模型获取m×n条泥质含量预测曲线；从所述m×n条泥质含量预测曲线中筛选出一条最优泥质含量预测曲线作为最终泥质含量预测曲线；通过预设的质量评估算法确定所述最终泥质含量预测曲线的质量等级。通过该实施例方案，提高了计算精度和可靠性，并实现了对预测结果进行质量评估。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1为本申请实施例的泥质含量计算方法流程图；
图2为本申请实施例的组合模型计算流程示意图；
图3为本申请实施例的泥质含量计算效果示意图；
图4为本申请实施例的泥质含量计算装置组成框图。
具体实施方式
本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。
本申请实施例提供了一种泥质含量计算方法，如图1所示，可以包括步骤S101-S105：
S101、获取第一常规测井数据，并获取n个分类模型、m个高伽马地层模型和m个低伽马地层模型。m和n为大于1的正整数。
在本申请的示例性实施例中，所述分类模型是通过包含高伽马地层编码、低伽马地层编码和测井数据构成的分类样本集，对预设的机器学习算法进行训练时，基于所述机器学习算法的未设定的随机种子数以及K-Fold交叉验证进行n次最优参数搜索获取的。
在本申请的示例性实施例中，所述高伽马地层模型和所述低伽马地层模型是通过用岩心和自然伽马能谱标定计算的泥质含量曲线，与常规测井数据重采样构成回归样本集(高伽马地层回归样本集和低伽马地层回归样本集)，利用预设的机器学习回归算法进行训练时，基于所述机器学习回归算法的未设定的随机种子数以及K-Fold交叉验证进行m次最优参数搜索获取的。
S102、将所述第一常规测井数据输入所述n个分类模型，由所述n个分类模型对所述第一常规测井数据进行地层分类。
S103、依据分类结果将常规测井曲线输入到对应的地层模型中获取m×n条泥质含量预测曲线；所述地层模型可以包括：所述m个高伽马地层模型和所述m个低伽马地层模型。
S104、从所述m×n条泥质含量预测曲线中筛选出一条最优泥质含量预测曲线作为最终泥质含量预测曲线。
S105、通过预设的质量评估算法确定所述最终泥质含量预测曲线的质量等级。
在本申请的示例性实施例中，本申请实施例利用不同区域的常规测井资料(即测井数据)和岩心分析资料(如岩心泥质含量学习样本数据)，构建了一种基于机器学习组合模型的泥质含量计算方法，该方法适用于各种地层情况，且输出结果优选方案保证输出结果最优化，且完成了全井段每个深度处预测泥质含量曲线的质量评估。
在本申请的示例性实施例中，为了克服常规测井资料适用范围较窄、计算精度较低的难题，本申请实施例提供的基于机器学习的泥质含量计算方法利用自然伽马能谱资料及岩心分析对泥质含量曲线进行标定，并将地层分为高放射性地层(即高伽马地层)和低放射性地层(即低伽马地层)，应用计算学习算法训练组合模型(即n个分类模型、m个高伽马地层模型和m个低伽马地层模型的组合)，该组合模型能够适用于各种地层情况的储层泥质含量计算，提高计算精度，无调节参数环节，并且对组合模型预测结果进行了质量评估，能为测井分析家提供更为准确可靠的泥质含量信息。
在本申请的示例性实施例中，所述获取n个分类模型可以包括：
直接调取存储的n个分类模型；或者，创建所述n个分类模型。
和/或，
所述获取m个高伽马地层模型和m个低伽马地层模型可以包括：
直接调取存储的m个高伽马地层模型和m个低伽马地层模型；或者，创建所述m个高伽马地层模型和m个低伽马地层模型。
在本申请的示例性实施例中，所述创建所述n个分类模型可以包括：
根据自然伽马能谱测井数据或岩心分析数据标定样本井的泥质含量曲线，对所述泥质含量曲线进行采样获取泥质含量学习样本数据，根据实际情况将地层划分为高伽马地层和低伽马地层，由此将学习样本数据划分为两类：高伽马地层学习样本数据和低伽马地层学习样本数据；
对常规的测井数据和所述泥质含量学习样本数据进行预处理，将处理好的测井数据和泥质含量学习样本数据格式化为分类样本集；其中，所述分类样本集中对于高伽马地层的数据和低伽马地层的数据分别设置有不同的编号；
将设置有不同编号的分类样本集输入具有初始参数的预设的机器学习算法中，在未设定所述机器学习算法的随机种子数的情况下，采用K-Fold交叉验证方法，以最优参数搜索的方式自动搜索n次，以获取n个关于所述机器学习算法的第一局部最优参数；
将n个所述第一局部最优参数分别输入所述机器学习算法中，获取n个分类模型。
在本申请的示例性实施例中，所述对常规的测井数据和所述泥质含量学习样本数据进行预处理可以包括：
对所述常规的测井数据和标定好的泥质含量学习样本数据进行数据清洗和集成，对所述常规的测井数据和地层的编号进行相关性分析，获取相关性最高的多条测井数据。
在本申请的示例性实施例中，可以收集大量各个海域、地区及地层含有自然伽马能谱测井项目或岩心分析泥质含量具有代表性的井作为样本井，测井资料标准化排除的仪器影响，以自然伽马能谱测井或岩心分析资料标定泥质含量曲线(作为用于样本的泥质含量学习样本数据)，并将地层分为高伽马地层和低伽马地层。对标定好的泥质含量和常规测井资料进行相关性交互分析，剔除异常数据和无关数据，为保证两类地层数据量相同，可对两类地层的测井曲线采用不同采样间隔进行重采样。
在本申请的示例性实施例中，获取分类样本集后，可以将分类样本集输入预设的机器学习算法，该机器学习算法此时具有初始参数，并且不要设定机器学习算法的随机数种子。对高低伽马地层可以采用标签编码，例如，将高伽马地层编码为0，将低伽马地层编码为1。可以以常规测井资料(测井数据)为输入数据，地层编码为期望输出，在不设定随机中子数的前提下，将K-Fold定义为划分训练数据和测试数据的函数，搜索最优参数，应用机器学习分类算法训练分类模型，重复以上步骤n次(n为常数，一般取1000)，可得到n个不同的分类模型。
在本申请的示例性实施例中，创建m个高伽马地层模型可以包括：
用岩心和自然伽马能谱标定计算泥质含量曲线，构建样本集时并不采用岩心和自然伽马能谱数据，仅对高伽马地层的常规测井数据和标定后的泥质含量曲线进行重采样；
对重采样的常规测井数据和泥质含量学习样本数据进行相关性分析，获取相关性最高的多条测井数据，与泥质含量学习样本数据构成高伽马地层回归样本集；
将所述高伽马地层回归样本集输入具有初始参数的预设的机器学习回归算法中，在未设定所述机器学习回归算法的随机种子数的情况下，采用K-Fold交叉验证方法，以最优参数搜索的方式自动搜索m次，以获取m个关于所述机器学习回归算法的第二局部最优参数；
将m个所述第二局部最优参数分别输入所述机器学习回归算法中，获取m个高伽马地层模型。
在本申请的示例性实施例中，创建m个低伽马地层模型可以包括：
用岩心和自然伽马能谱标定计算泥质含量曲线，构建样本集时并不采用岩心和自然伽马能谱数据，仅对低伽马地层的常规测井数据和标定后的泥质含量曲线进行重采样；
对重采样的常规测井数据和泥质含量学习样本数据进行相关性分析，获取相关性最高的多条测井数据，与泥质含量学习样本数据构成高伽马地层回归样本集；
将所述低伽马地层回归样本集输入具有初始参数的预设的机器学习回归算法中，在未设定所述机器学习回归算法的随机种子数的情况下，采用K-Fold交叉验证方法，以最优参数搜索的方式自动搜索m次，以获取m个关于所述机器学习回归算法的第三局部最优参数；
将m个所述第三局部最优参数分别输入所述机器学习回归算法中，获取m个低伽马地层模型。
在本申请的示例性实施例中，可以将高伽马地层数据与低伽马地层数据分开，分别以常规测井资料为输入数据，泥质含量值为期望输出，在不设定随机中子数的前提下，将K-Fold定义为划分训练数据和测试数据的函数，搜索最优参数，应用机器学习回归算法分别训练高伽马地层模型、低伽马地层模型，重复以上步骤m次(m为常数，一般取1000)，可得到2m个不同的模型(高伽马地层模型、低伽马地层模型)。
在本申请的示例性实施例中，可以将新井测井资料(第一常规测井数据)标准化后，先输入到分类模型中进行地层分类，再按分类结果分别输入到高伽马地层模型和低伽马地层模型中，可得到n×m种输出结果。
在本申请的示例性实施例中，所述从所述m×n条泥质含量预测曲线中筛选出一条最优泥质含量预测曲线作为最终泥质含量预测曲线可以包括：
将所述m×n条泥质含量预测曲线两两之间分别计算相关性系数；
计算每条泥质含量预测曲线对应的多个相关性系数的平均值，以获取该条泥质含量预测曲线的平均相关性系数；
获取平均相关性系数最大的一条泥质含量预测曲线，作为所述最优泥质含量预测曲线。
在本申请的示例性实施例中，可以将所有输出结果(m×n条泥质含量预测曲线)两两之间计算相关系数(例如，通过皮尔逊pearson相关系数、spearman相关系数、kendall秩相关系数均可)，则每一条泥质含量预测曲线都可以有n×m-1个相关系数，将这n×m-1个相关系数进行叠加并除以n×m-1，则得到该条泥质含量预测曲线与其他泥质含量预测曲线的平均相关系数，对平均相关系数取绝对值并排序，将平均相关系数绝对值最大的泥质含量预测曲线作为最终的泥质含量预测曲线，如图2所示，其中，N1，N2，N3，……，Nn为n个分类模型，上面的M1，M2，M3，……，Mm为m个高伽马地层模型，下面的M1，M2，M3，……，Mm为m个低伽马地层模型，VSH1，VSH2，VSH3，……，VSHnm为n×m条泥质含量预测曲线，VSH为最终泥质含量预测曲线。
在本申请的示例性实施例中，所述通过预设的质量评估算法确定所述最终泥质含量预测曲线的质量等级可以包括：
根据预设的变异系数计算关系式计算所述最终泥质含量预测曲线的各深度点的变异系数；(对最终泥质含量预测曲线每一深度点均进行质量评估)
根据所述变异系数的大小确定所述最终泥质含量预测曲线的质量等级；
其中，所述变异系数越小，确定所述最终泥质含量预测曲线的质量在该深度点处的等级越高；所述变异系数越大，确定所述最终泥质含量预测曲线的质量在该深度点处的等级越低。
在本申请的示例性实施例中，所述变异系数计算关系式可以包括：
Figure BDA0002781328380000121
其中，cv为所述变异系数；y1为所述最终泥质含量预测曲线一个深度处的泥质含量值；yi为第i条泥质含量预测曲线与所述最终泥质含量预测曲线的同一深度处的泥质含量值。
在本申请的示例性实施例中，可以将最终泥质含量预测曲线命名为N1，余下n×m-1条预测曲线命名为：N2，N3，……，Nn×m-1，计算输出曲线每个深度处的变异系数cv。cv用于统计n条预测曲线之间的离散程度，若cv值越小，曲线之间的离散程度越小，预测结果可靠性越高，若cv值越大，曲线之间的离散程度越大，预测结果可靠性越低。
在本申请的示例性实施例中，所述变异系数满足0～5％时，质量等级为优；
所述变异系数满足5％～10％时，质量等级为良；
所述变异系数满足10％～15％时，质量等级为中；
所述变异系数满足大于15％时，质量等级为差。
在本申请的示例性实施例中，通过本申请实施例方案的应用，可以确定c
在0～5％为可靠性最高，为优，cv在5％～10％为可靠性较高，为良，cv在10％～15％为可靠性一般，为中，cv在大于15％时可靠性较差，为差。
在本申请的示例性实施例中，目前普遍认为最为可靠的泥质含量学习样本数据是岩心数据，为了检验模型的计算结果，应用该实验分析结果进行检验和标定。如图3所示，以A井的常规测井资料作为输入数据，应用本申请实施例方法计算泥质含量与岩心泥质含量高度重合，且预测质量评估为优，达到了测井泥质含量计算和质量评估的目的。
在本申请的示例性实施例中，所述泥质含量计算方法可以适用于各种不同性质的地层的泥质含量预测。
本申请实施例还提供了一种泥质含量计算装置，如图4所示，可以包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现上述任意一项所述的泥质含量计算方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

Claims (10)

1.一种泥质含量计算方法，其特征在于，包括：
获取第一常规测井数据，并获取n个分类模型、m个高伽马地层模型和m个低伽马地层模型；m和n为大于1的正整数；
将所述第一常规测井数据输入所述n个分类模型，由所述n个分类模型对所述第一常规测井数据进行地层分类；
依据分类结果将常规测井曲线输入到对应的地层模型中获取m×n条泥质含量预测曲线；所述地层模型包括：所述m个高伽马地层模型和所述m个低伽马地层模型；
从所述m×n条泥质含量预测曲线中筛选出一条最优泥质含量预测曲线作为最终泥质含量预测曲线；
通过预设的质量评估算法确定所述最终泥质含量预测曲线的质量等级。
2.根据权利要求1所述的泥质含量计算方法，其特征在于，所述获取n个分类模型包括：
直接调取存储的n个分类模型；或者，创建所述n个分类模型；
和/或，
所述获取m个高伽马地层模型和m个低伽马地层模型包括：
直接调取存储的m个高伽马地层模型和m个低伽马地层模型；或者，创建所述m个高伽马地层模型和m个低伽马地层模型。
3.根据权利要求2所述的泥质含量计算方法，其特征在于，所述创建所述n个分类模型包括：
根据自然伽马能谱测井数据或岩心分析数据标定样本井的泥质含量曲线，对所述泥质含量曲线进行采样获取泥质含量学习样本数据，将地层划分为高伽马地层和低伽马地层，并将所述学习样本数据划分为两类：高伽马地层学习样本数据和低伽马地层学习样本数据；
对常规的测井数据和所述泥质含量学习样本数据进行预处理，将处理好的测井数据和泥质含量学习样本数据格式化为分类样本集；其中，所述分类样本集中对于高伽马地层的数据和低伽马地层的数据分别设置有不同的编号；
将设置有不同编号的分类样本集输入具有初始参数的预设的机器学习算法中，在未设定所述机器学习算法的随机种子数的情况下，采用K-Fold交叉验证方法，以最优参数搜索的方式自动搜索n次，以获取n个关于所述机器学习算法的第一局部最优参数；
将n个所述第一局部最优参数分别输入所述机器学习算法中，获取n个分类模型；其中，所述预处理包括：对所述常规的测井数据和标定好的泥质含量学习样本数据进行数据清洗和集成，对所述常规的测井数据和地层的编号进行相关性分析，获取相关性最高的多条测井数据。
4.根据权利要求3所述的泥质含量计算方法，其特征在于，创建m个高伽马地层模型包括：
用岩心和自然伽马能谱标定计算泥质含量曲线，对高伽马地层的常规测井数据和标定后的泥质含量曲线进行重采样；
对重采样的常规测井数据和泥质含量学习样本数据进行相关性分析，获取相关性最高的多条测井数据，与泥质含量学习样本数据构成高伽马地层回归样本集；
将所述高伽马地层回归样本集输入具有初始参数的预设的机器学习回归算法中，在未设定所述机器学习回归算法的随机种子数的情况下，采用K-Fold交叉验证方法，以最优参数搜索的方式自动搜索m次，以获取m个关于所述机器学习回归算法的第二局部最优参数；
将m个所述第二局部最优参数分别输入所述机器学习回归算法中，获取m个高伽马地层模型。
5.根据权利要求3所述的泥质含量计算方法，其特征在于，创建m个低伽马地层模型包括：
用岩心和自然伽马能谱标定计算泥质含量曲线，对低伽马地层的常规测井数据和标定后的泥质含量曲线进行重采样；
对重采样的常规测井数据和泥质含量学习样本数据进行相关性分析，获取相关性最高的多条测井数据，与泥质含量学习样本数据构成高伽马地层回归样本集；
将所述低伽马地层回归样本集输入具有初始参数的预设的机器学习回归算法中，在未设定所述机器学习回归算法的随机种子数的情况下，采用K-Fold交叉验证方法，以最优参数搜索的方式自动搜索m次，以获取m个关于所述机器学习回归算法的第三局部最优参数；
将m个所述第三局部最优参数分别输入所述机器学习回归算法中，获取m个低伽马地层模型。
6.根据权利要求1所述的泥质含量计算方法，其特征在于，所述从所述m×n条泥质含量预测曲线中筛选出一条最优泥质含量预测曲线作为最终泥质含量预测曲线包括：
将所述m×n条泥质含量预测曲线两两之间分别计算相关性系数；
计算每条泥质含量预测曲线对应的多个相关性系数的平均值，以获取该条泥质含量预测曲线的平均相关性系数；
获取平均相关性系数最大的一条泥质含量预测曲线，作为所述最优泥质含量预测曲线。
7.根据权利要求1所述的泥质含量计算方法，其特征在于，所述通过预设的质量评估算法确定所述最终泥质含量预测曲线的质量等级包括：
根据预设的变异系数计算关系式计算所述最终泥质含量预测曲线的各深度点的变异系数；
根据所述变异系数的大小确定所述最终泥质含量预测曲线的质量等级；
其中，所述变异系数越小，确定所述最终泥质含量预测曲线在该深度点的质量等级越高；所述变异系数越大，确定所述最终泥质含量预测曲线在该深度点的质量等级越低。
8.根据权利要求7所述的泥质含量计算方法，其特征在于，所述变异系数计算关系式包括：
Figure FDA0002781328370000041
其中，cv为所述变异系数；y1为所述最终泥质含量预测曲线一个深度处的泥质含量值；yi为第i条泥质含量预测曲线与所述最终泥质含量预测曲线的同一深度处的泥质含量值。
9.根据权利要求7所述的泥质含量计算方法，其特征在于，
所述变异系数满足0～5％时，质量等级为优；
所述变异系数满足5％～10％时，质量等级为良；
所述变异系数满足10％～15％时，质量等级为中；
所述变异系数满足大于15％时，质量等级为差。
10.一种泥质含量计算装置，包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，其特征在于，当所述指令被所述处理器执行时，实现如权利要求1-9任意一项所述的泥质含量计算方法。
CN202011282762.7A 2020-11-17 2020-11-17 一种泥质含量计算方法和装置 Active CN112541523B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011282762.7A CN112541523B (zh) 2020-11-17 2020-11-17 一种泥质含量计算方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011282762.7A CN112541523B (zh) 2020-11-17 2020-11-17 一种泥质含量计算方法和装置

Publications (2)

Publication Number Publication Date
CN112541523A true CN112541523A (zh) 2021-03-23
CN112541523B CN112541523B (zh) 2023-02-28

Family

ID=75014234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011282762.7A Active CN112541523B (zh) 2020-11-17 2020-11-17 一种泥质含量计算方法和装置

Country Status (1)

Country Link
CN (1) CN112541523B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114482995A (zh) * 2022-03-10 2022-05-13 西南石油大学 一种细粒沉积物泥质含量精细确定方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103809217A (zh) * 2014-01-20 2014-05-21 西安石油大学 一种计算高、低伽马交互储层泥质含量的方法
CN103867194A (zh) * 2014-02-14 2014-06-18 中国石油天然气股份有限公司 一种砂体结构的测井表征方法与钻井层段选择方法及装置
CN105093304A (zh) * 2014-05-15 2015-11-25 中国石油化工股份有限公司 一种地球物理勘探利用测井曲线自动求取岩性曲线的方法
CN106223942A (zh) * 2016-08-26 2016-12-14 中国石油新疆油田分公司勘探开发研究院 一种基于测井曲线重构的砾岩油藏泥质含量计算方法
US20200123898A1 (en) * 2018-10-19 2020-04-23 Saudi Arabian Oil Company Predicting carbonate porosity based on petrographic data
WO2020082824A1 (zh) * 2018-10-25 2020-04-30 北京国双科技有限公司 模型生成方法及装置、岩性识别方法及装置
CN111255435A (zh) * 2020-01-17 2020-06-09 西安石油大学 一种复杂储层泥质含量计算方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103809217A (zh) * 2014-01-20 2014-05-21 西安石油大学 一种计算高、低伽马交互储层泥质含量的方法
CN103867194A (zh) * 2014-02-14 2014-06-18 中国石油天然气股份有限公司 一种砂体结构的测井表征方法与钻井层段选择方法及装置
CN105093304A (zh) * 2014-05-15 2015-11-25 中国石油化工股份有限公司 一种地球物理勘探利用测井曲线自动求取岩性曲线的方法
CN106223942A (zh) * 2016-08-26 2016-12-14 中国石油新疆油田分公司勘探开发研究院 一种基于测井曲线重构的砾岩油藏泥质含量计算方法
US20200123898A1 (en) * 2018-10-19 2020-04-23 Saudi Arabian Oil Company Predicting carbonate porosity based on petrographic data
WO2020082824A1 (zh) * 2018-10-25 2020-04-30 北京国双科技有限公司 模型生成方法及装置、岩性识别方法及装置
CN111104819A (zh) * 2018-10-25 2020-05-05 北京国双科技有限公司 模型生成方法及装置、岩性识别方法及装置
CN111255435A (zh) * 2020-01-17 2020-06-09 西安石油大学 一种复杂储层泥质含量计算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAIBO LIANG等: "Research and Application of Element Logging Intelligent Identification Model Based on Data Mining", 《IEEE ACCESS》 *
刘之的: "南梁油田长4+5储层泥质含量计算方法", 《西安石油大学学报(自然科学版)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114482995A (zh) * 2022-03-10 2022-05-13 西南石油大学 一种细粒沉积物泥质含量精细确定方法

Also Published As

Publication number Publication date
CN112541523B (zh) 2023-02-28

Similar Documents

Publication Publication Date Title
CN106291701B (zh) 储层检测方法及装置
CN112576244B (zh) 一种孔隙度计算方法和装置
US8090538B2 (en) System and method for interpretation of well data
CN111665560B (zh) 油气层识别方法、装置、计算机设备及可读存储介质
CN112559957B (zh) 一种渗透率计算方法和装置
CN107219553A (zh) 基于gr分频反演的暗河充填预测方法
CN115393656B (zh) 一种用于随钻测井图像地层分类的自动分类方法
US20240177033A1 (en) Method, Device and Equipment for Selecting Key Geological Parameters of a To-Be-Prospected Block
CN116168224A (zh) 基于成像砾石含量的机器学习岩相自动识别方法
CN112796738A (zh) 一种阵列声波测井和常规测井结合的地层渗透率计算方法
CN112541523B (zh) 一种泥质含量计算方法和装置
WO2020142257A1 (en) Method and system for evaluating variability in subsurface models to support decision making for hydrocarbon operations
Chilton et al. Uncovering the Controls on Fluvial Bedrock Erodibility and Knickpoint Expression: A High‐Resolution Comparison of Bedrock Properties Between Knickpoints and Non‐Knickpoint Reaches
CN110399649B (zh) 一种基于成岩指示元素的变质岩量化识别方法
CN110552690A (zh) 一种页岩储层脆性评价的方法
Salakhov et al. A field-proven methodology for real-time drill bit condition assessment and drilling performance optimization
CN116562428A (zh) 一种基于机器学习的压裂施工参数优化方法
Kundu et al. Building variable saturation height functions with an improved rock typing scheme
CN115522912A (zh) 基于大数据的电缆吸附卡风险定量评价方法、系统及介质
CN109598049B (zh) 钻孔岩石裂隙发育程度及区域岩石裂隙发育规律的方法
Ashayeri et al. Using the Adaptive Variable Structure Regression Approach in Data Selection and Data Preparation for Improving Machine Learning-Based Performance Prediction in Unconventional Plays
CN112990320A (zh) 一种岩性的分类方法、装置、电子设备及存储介质
Lu et al. Prediction of the pore structure by machine learning techniques in the carbonate reservoirs in Iraq H oilfield
CN112069444A (zh) 一种利用测井资料计算储集层试井渗透率方法及计算机
CN114060015A (zh) 一种致密砂岩含气性的评价方法及装置

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
GR01 Patent grant
GR01 Patent grant