CN112576238A - 一种低渗透油藏剩余油位置与含量测定系统、方法及应用 - Google Patents
一种低渗透油藏剩余油位置与含量测定系统、方法及应用 Download PDFInfo
- Publication number
- CN112576238A CN112576238A CN202011394362.5A CN202011394362A CN112576238A CN 112576238 A CN112576238 A CN 112576238A CN 202011394362 A CN202011394362 A CN 202011394362A CN 112576238 A CN112576238 A CN 112576238A
- Authority
- CN
- China
- Prior art keywords
- permeability
- data
- oil
- content
- residual oil
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000035699 permeability Effects 0.000 claims abstract description 63
- 238000007477 logistic regression Methods 0.000 claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 230000000704 physical effect Effects 0.000 claims abstract description 12
- 238000011161 development Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 239000010410 layer Substances 0.000 claims description 25
- 239000011229 interlayer Substances 0.000 claims description 22
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000013501 data transformation Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 239000004576 sand Substances 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 6
- 238000011002 quantification Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 abstract description 4
- 239000003345 natural gas Substances 0.000 abstract description 2
- 239000003209 petroleum derivative Substances 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract 1
- 238000013139 quantization Methods 0.000 abstract 1
- 239000003921 oil Substances 0.000 description 90
- 238000011156 evaluation Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012067 mathematical method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于石油天然气勘探与开发技术领域,公开了一种低渗透油藏剩余油位置与含量测定系统、方法及应用,在测井资料物性及非均质参数解释基础上,首先进行数据预处理,并对分布范围较大的渗透率及其级差参数作对数变换,然后对所有参数采用标准化标准差完成归一化;采用逻辑回归的机器学习方法,进行F‑score评分及序列迭代作降维处理,对已知类进行训练挖掘潜在数据模式以预测未知类。本发明基于逻辑回归算法,在井间插值、平面展布方面具有通用性、实用性、量化程度高的优点,本发明中的训练集和测试集的准确率分别为81%和84%,逻辑概率值与剩余油饱和度的相关性R2提高0.4,其等值线与剩余油边界的吻合程度达80%以上。
Description
技术领域
本发明属于石油天然气勘探与开发技术领域,尤其涉及一种基于逻辑回归算法的低渗透油藏剩余油位置与含量测定系统及方法。
背景技术
目前:剩余油研究是开发地质和石油工程的重要任务。众多学者研究与总结了剩余油分布的控制因素及模式,共同点在于影响因素都包括地质因素及开发因素两大类,剩余油在平面上多分布于中—强非均质、渗透性变差、封闭断层及微构造起伏高点、夹层阻滞、注采系统不完善等部位。鉴于上述认识,似乎在研究前就已知道剩余油富集区,而实际上油藏内部剩余油分布规律相当复杂。剩余油位置、含量、演化趋势等的评价或预测皆是学问与技术。
剩余油评价方法主要包括地质分析法、测井方法、地震方法、室内实验法、油藏工程法、油藏数值模拟法和数学方法等。在数学方法中,以熵权法、灰色关联法和模糊数学方法多被文献报道且重复报道。但随着勘探开发的不断深化,各大油田和研究单位以飞快的速度积累着海量数据,数据量一大就存在真伪难辨的问题,如数据来源和样式未做深入的整编和归一化处理、同类不同源的数据存在差异、同一目标存在不同的分析结果、部分数据表现为错误值或异常值、第n手资料、数据篡改或造假等。由于数据量大及数据不确定性大问题的存在,识别有效信息的能力被提出了较高的要求。因此,寻找一种能够克服数据不确定性较大这一问题的数学方法,以达到提高剩余油评价的准确度和效率的目的,显得非常有现实意义。
近几年,由于数据量的扩大及计算机计算能力的增强,机器学习焕发出新的活力。避开人为干扰与数据噪声,对已知类进行训练并借以预测未知类,从中挖出潜在数据模式或知识规律,是机器学习的主要特点。机器学习方法在岩性识别、有利储层评价、流体性质判别等地质领域已经取得了应用,在剩余油定量评价中的应用尚在起步,且未见使用逻辑回归这一机器学习方法。此外,在机器学习过程中,起积极或消极作用的两类属性同时存在,纳入过多的属性可能会使模型效果变差,因此筛选出积极属性尤为重要,这一过程叫特征选择或特征降维。如何优选出积极属性集使之应用于机器学习模型以达到最好的效果,是剩余油分布评价的关键,将特征选择和机器学习形成一个较为系统的技术流程图,还也可以借鉴、推广到其他指导油气勘探开发的案例中。
通过上述分析,现有技术存在的问题及缺陷为:传统的数据方法难以避开人为干扰和数据噪声,难以准确挖掘出各地质参数与剩余油之间的潜在数据模式。
解决以上问题及缺陷的难度为:避开数据噪声,从低渗透油藏众多地质影响因素中快速提取积极有效的因素,采用有效识别方法,从而高效、准确地进行剩余油评价,一种有效的低渗透油藏剩余油评价方法是上述技术问题的关键,如何避开数据噪声又提高精度是上述技术问题的重点。
解决以上问题及缺陷的意义为:可以极大程度地避开人为干扰和数据噪声,提高低渗透油藏剩余油定量评价工作的效率和精确度,更快更准地确定剩余油富集区位置及其富集程度,指导剩余油挖潜、油气增产,为相似案例研究工作提供参考和帮助。
发明内容
针对现有技术存在的问题,本发明提供了一种低渗透油藏剩余油位置与含量测定系统、方法及应用。
本发明是这样实现的,一种低渗透油藏剩余油位置与含量测定方法包括:在测井资料物性及非均质参数解释基础上,数据预处理中,对分布范围较大的渗透率及其级差参数作对数变换,然后对所有参数采用标准化标准差完成归一化。采用逻辑回归的机器学习方法,并进行F-score评分及序列迭代作降维处理,对已知类进行训练挖掘潜在数据模式以预测未知类,实现某一位置的含油可能性及含油多少预测的双重量化。
进一步,所述低渗透油藏剩余油位置与含量测定方法具体包括:
步骤一,数据采集:根据获得的测井资料等数据解释物性及非均质参数等,为后续步骤提供数据;
所述物性及非均质参数包括:砂体厚度(H)、泥质含量(Vsh)、孔隙度(Por)、渗透率(K)、渗透率变异系数(Vk)、渗透率级差(Jk)、渗透率突进系数(Tk)、夹层厚度(T)、夹层频率(P)、夹层密度(D)共10种特征参数。根据实际生产资料,将所有样本分为油类、非油类两类。
步骤二,数据变换:通过对数变换、标准差标准化等公式,消除不同参数之间的量纲差异,保障低渗透油藏剩余油位置与含量测定的可靠;
1)对数变换:低渗透油藏中,渗透率和渗透率级差这两个参数的数据分布范围较大,采用对数变换,即变换后数据=log10(变换前数据)。由于低渗透油藏中渗透率参数有(0.01~1)×10-3μm2的部分,为使对数变换后的渗透率参数为正数,在原基础上加3。标准化后的参数用ZX表示,如标准化后的砂体厚度H为ZH。
2)标准差标准化:将其他参数和对数变换后的渗透率、渗透率级差等所有参数标准差标准化,公式为标准化后数据=(样本值-平均值)÷标准差,得到各项参数平均值约为0,方差约为1,极差降低。
步骤三,特征评分:采用F-score评分公式得到特征序列,保证各参数的贡献得到准确体现;
所述的F-score评分公式为:
步骤四,逻辑回归模型建立及特征降维:选用逻辑回归模型,根据F-score评分序列依次迭代,由训练集准确率、测试集准确率的大小比较,获得最优特征子集;
根据训练集含油属性和按F-score评分大小顺序依次输入的参数,通过逻辑回归这一有监督机器学习模型实现对测试集含油属性的判别,根据测试集准确率剔除引入后使效果变差的参数特征,获得模型效果最好时对应的逻辑回归公式F的方程系数。
步骤五,模型检验及推广应用:利用逻辑回归模型获得的逻辑回归公式,对测试集、全体样本进行检验、解释和推广应用;
(1)将工区全部案例数值带入逻辑回归公式F后,再代入P=(e^F)÷(1+e^F),得到整个工区各个层位各井点的逻辑概率值。其中e为数学中的欧拉数,其值约2.71828···。逻辑概率值小于0.5,则判为含油层,逻辑概率值大于等于0.5,则判为非油层。
(2)根据井点的逻辑概率值数据,通过井间插值,完成整个工区各个层位的含油概率平面展布图。
本发明的另一目的在于提供一种低渗透油藏剩余油位置与含量测定系统,所述低渗透油藏剩余油位置与含量测定系统包括:
原始数据采集模块,用于获取测井数据、生产数据等,根据测井资料解释物性及非均质参数;
数据变换数据采集模块,用于通过对数变换、标准差标准化等公式,消除不同参数之间的量纲差异;
特征评分数据采集模块,用于采用F-score评分公式得到特征序列;
逻辑回归模型建立及特征降维数据采集模块,用于选用逻辑回归模型,根据F-score评分序列依次迭代,由训练集准确率、测试集准确率的大小比较,获得最优特征子集;
模型检验及应用数据采集模块,用于利用逻辑回归模型获得的逻辑回归公式,对测试集、全体样本进行检验、解释和应用。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明建立了一种基于逻辑回归算法的低渗透油藏剩余油位置与含量测定方法,将F-score与Logistic相结合,充分且最大限度地利用数据,极大程度地避开数据噪声,对已知类进行训练挖出潜在数据模式以预测未知类,实现某一位置的含油可能性及含油多少预测的双重量化,在井间插值、平面展布研究方面具有通用性、实用性、量化程度高和效率的优点。
本发明在实施例中对训练集进行训练并特征降维的过程中,在F-score特征序列迭代后,确定工区的含油概率的方程式为P=(e^F)/(1+e^F),其中F=0.009ZH-0.114ZVsh-0.784Zpor-0.225ZVk-0.037ZTk+0.366ZD-1.255ZlogK-0.201ZlogJk+1.051,训练和测试样本集的准确率分别为81%和84%。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,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低渗透油藏剩余油位置与含量测定方法流程图。
图2是本发明实施例提供的F-score评分及序列图。
图3是本发明实施例提供的F-score序列迭代降维处理图。
图4是本发明实施例提供的测试集模型检验示意图。
图5是本发明实施例提供的正理庄151块部分小层剩余油饱和度相关性对比示意图。
图6是本发明实施例提供的正理庄151块部分小层剩余油分布和模型逻辑概率等值线图对比示意图。
图中:(a)1-1小层实际生产结果;(b)1-1小层模型评价结果;(c)2-2小层实际生产结果;(d)2-2小层模型评价结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。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。
针对现有技术存在的问题,本发明提供了一种低渗透油藏剩余油位置与含量测定系统及方法,下面结合附图对本发明作详细的描述。
本发明实施例提供的低渗透油藏剩余油位置与含量测定方法在测井资料物性及非均质参数解释基础上,数据预处理中,对分布范围较大的渗透率及其级差参数作对数变换,然后对所有参数采用标准化标准差完成归一化。采用逻辑回归的机器学习方法,并进行F-score评分及序列迭代作降维处理,对已知类进行训练挖出潜在数据模式以预测未知类,实现某一位置的含油可能性及含油多少的双重量化。
如图1所示,本发明实施例提供的低渗透油藏剩余油位置与含量测定方法包括:
S101:数据采集:获取测井数据、生产数据,根据测井资料解释物性及非均质参数;
S102:数据变换:通过对数变换、标准差标准化公式,消除不同参数之间的量纲差异;
S103:特征评分:采用F-score评分公式得到特征序列;
S104:逻辑回归模型建立及特征降维:选用逻辑回归模型,根据F-score评分序列依次迭代,由训练集准确率、测试集准确率的大小比较,获得最优特征子集;
S105:模型检验及应用:利用逻辑回归模型获得的逻辑回归公式,对测试集、全体样本进行检验、解释和应用。
本发明提供的低渗透油藏剩余油位置与含量测定方法业内的普通技术人员还可以采用其他的步骤实施,图1的本发明提供的低渗透油藏剩余油位置与含量测定方法仅仅是一个具体实施例而已。
下面结合具体实施例对本发明的技术方案作进一步的说明。
以正理庄油田樊151块低渗透滩坝油藏的藏剩余油位置与含量评价为例来说明本发明的具体实施方案。
本发明实施例提供的基于逻辑回归算法的低渗透油藏剩余油位置与含量测定方法,具体实施方案如下:
1,数据采集:
获取测井数据、测井解释数据、生产数据等。根据开发地质学研究内容获取微相数据、非均质参数等,所述建立的物性及非均质参数包括:砂体厚度(H)、泥质含量(Vsh)、孔隙度(Por)、渗透率(K)、渗透率变异系数(Vk)、渗透率级差(Jk)、渗透率突进系数(Tk)、夹层厚度(T)、夹层频率(P)、夹层密度(D)共10种特征参数,作为逻辑回归模型的输入参数,来实现剩余油的定量评价。根据实际生产资料,将样本分为油类、非油类两类。本发明选取439个层,其中148个为油层,291个为非油层,每个层都可以看成是一个至少11维的行向量。
将全部样本集按6:4的比例划分为训练集和测试集两部分,由训练集相应的输入参数和含油结果,运用逻辑回归方法建立精度可靠的潜在数据模式,然后通过测试集的数据对数据模式的准确性进行检测和验证。本发明选取的439个层按比例划分出263个训练样本和176个测试样本。
2,数据变换:
数据变换是以消除特征间的量纲差异为目的的数据标准化,易于操作的方法包括简单函数变换(平方变换、开方变换、对数变换、差分运算等)、离差标准化((样本值-最小值)/(最大值-最小值))、标准差标准化((样本值-平均值)/标准差)、小数定标规范化(样本值/10k)和属性构造(人为定义与创造某一参数)等。在数据变换中,离差标准化的缺点为若某个参数数值很大,标准化后的各值接近于0且差别小。标准差标准化是使用最多的标准化方法。
低渗透油藏中,渗透率和渗透率级差这两个参数的数据分布范围较大,采用对数变换,即变换后数据=log10(变换前数据)可以缩小量纲。由于低渗透油藏中渗透率参数有(0.01~1)×10-3μm2的部分,为使对数变换后的渗透率参数为正数,在原基础上加3。实施例中渗透率的范围为(0.01~237.39)×10-3μm2,对数变换且加3后的数据范围为1~5.38;渗透率级差的范围为1.1~652,对数变换后的数据范围为0.04~2.8。
10个特征参数的原始值的极差、平均值、标准差见表1,标准差标准化之后的结果见表2,各项参数平均值和方差分别约为0和1,极差降低,达到了数据范围缩小,量纲较为一致的目的。将标准化后的参数用ZX表示,如砂体厚度H标准化后记为ZH。
表1非均质参数及原始值特征
表2非均质参数及其衍生参数标准差标准化后取值特征
3,特征评分:
F-score特征选择方法能够衡量某一特征在两类及以上间的辨别能力,F-score值越大,该特征的辨别力越强。对于正类、负类两类数据集而言,第i个特征的F-score的计算公式为:
将标准差标准化后的砂体厚度(ZH)、泥质含量(ZVsh)、孔隙度(ZPor)、渗透率(ZlogK)(由Z(logK+3)简化,下同)、渗透率变异系数(ZVk)、渗透率级差(ZlogJk)、渗透率突进系数(ZTk)、夹层厚度(ZT)、夹层频率(ZP)、夹层密度(ZD)按油类、非油类进行F-score公式评分,评分结果按大小排序如表3和图2所示。各参数特征的F-score值均小于0.5,渗透率、孔隙度和泥质含量这三个物性参数的辨别力最强,渗透率变异系数、渗透率突进系数和渗透率级差这三个渗透率非均质参数次之,砂体厚度和夹层密度、夹层厚度、夹层频率这三个夹层参数辨别力较为有限。
表3每个特征参数的F-score值
4,逻辑回归模型建立及特征降维:
根据训练集含油属性,按F-score评分大小顺序依次输入渗透率、孔隙度、泥质含量···夹层厚度、夹层频率等10个参数,通过逻辑回归这一有监督机器学习模型实现对测试集含油属性的判别,根据测试集准确率剔除引入后使效果变差的参数特征,如表4和图2所示。引入渗透率到夹层密度这8个参数时,训练集和测试集的准确率整体都呈增大趋势,训练集准确率由77.65%增大到80.68%,测试集准确率由74.86%增大到84%;而后引入夹层厚度和夹层频率这两个参数时,训练集和测试集的准确率整体都略有减小,训练集准确率由80.68%降低到79.92%,测试集准确率由84%降低到81.14%。由此认为,仅引入F-score评分排在前面的8个特征时,逻辑回归模型的效果最好,训练集准确率为80.68%,测试集准确率为84%。
表4F-score序列迭代降维过程中逻辑回归模型训练和解释结果
引入F-score评分排在前面的8个特征时,逻辑回归模型的效果最好,对应的逻辑回归公式F的方程系数如表5所示,故建立的公式为F=0.009ZH-0.114ZVsh-0.784Zpor-0.225ZVk-0.037ZTk+0.366ZD-1.255ZlogK-0.201ZlogJk+1.051。
表5逻辑回归方程系数值
5,模型检验及应用:
将工区全部439个案例数值带入逻辑回归公式F后再代入P=(e^F)÷(1+e^F),得到整个工区各个层位各井点的逻辑概率值,如表6所示,其中e为数学中的欧拉数,其值约2.71828···。逻辑概率值小于0.5,则判为含油层,逻辑概率值大于等于0.5,则判为非油层。测试集预测模式如图5所示。42个油类和104个非油类判对,16个油类和12个非油类判误,整体准确率为84%。
表6各小层非均质、剩余油参数及逻辑回归模型预测值
Logistic模型获得的含油概率与实际生产具有较好的关系。由表7和图5可见,研究区目的层439个含油饱和度与Logistic概率值的相关性R2高达0.44,100个月产油量与Logistic概率值的相关性R2为0.13,明显优于剩余油数据与传统的熵权法计算的非均质指数的相关性(R2≤0.05)。1-1、1-2、2-2、2-5等小层中含油饱和度与熵权非均质指数的相关性R2均为0.01,1-4小层的相关性R2最高达0.15,而1-1、1-2、1-4、2-2、2-5等小层中含油饱和度与Logistic概率值的相关性R2均为0.26~0.71,以2-5小层最高。
表7模型预测值与剩余油数据相关性对比
通过井间插值完成整个工区各个层位的含油概率平面展布图。
Logistic概率值与含油饱和度的展布情况如表8和图6所示,Logistic概率值小于0.5的井处剩余油富集。在1-1小层中,剩余油的边界与Logistic概率值等值线的吻合程度达80%(12/15),与Logistic概率值分布范围为0.4~0.5、0.2~0.4和0~0.2的等值线的吻合程度分别为80%(4/5)、71.43%(5/7)和100%(3/3);在2-2小层中,剩余油的边界与Logistic概率值等值线的吻合程度达84.62%(11/13),与Logistic概率值分布范围为0.4~0.5、0.2~0.4和0~0.2的等值线的吻合程度分别为33.33%(1/3)、85.71%(6/7)和100%(3/3)。
表8平面上逻辑概率值与剩余油边界的吻合率
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种低渗透油藏剩余油位置与含量测定方法,其特征在于,所述低渗透油藏剩余油位置与含量测定方法包括:获取测井资料物性及非均质参数,数据预处理对分布范围较大的渗透率及其级差参数作对数变换;对所有参数采用标准化标准差完成归一化;采用逻辑回归的机器学习方法,并进行F-score评分及序列迭代作降维处理,对已知类进行训练挖掘潜在数据模式以预测未知类,实现某一位置的含油可能性及含油多少预测的双重量化。
2.如权利要求1所述的低渗透油藏剩余油位置与含量测定方法,其特征在于,所述低渗透油藏剩余油位置与含量测定方法具体包括:
步骤一,数据采集:获取测井数据、生产数据,根据测井资料解释物性及非均质参数;
步骤二,数据变换:通过对数变换、标准差标准化公式,消除不同参数之间的量纲差异;
步骤三,特征评分:采用F-score评分公式得到特征序列;
步骤四,逻辑回归模型建立及特征降维:选用逻辑回归模型,根据F-score评分序列依次迭代,由训练集准确率、测试集准确率的大小比较,获得最优特征子集;
步骤五,模型检验及应用:利用逻辑回归模型获得的逻辑回归公式,对测试集、全体样本进行检验、解释和应用。
3.如权利要求2所述的低渗透油藏剩余油位置与含量测定方法,其特征在于,步骤一中,所述物性及非均质参数包括:砂体厚度(H)、泥质含量(Vsh)、孔隙度(Por)、渗透率(K)、渗透率变异系数(Vk)、渗透率级差(Jk)、渗透率突进系数(Tk)、夹层厚度(T)、夹层频率(P)、夹层密度(D)共10种特征参数。
4.如权利要求2所述的低渗透油藏剩余油位置与含量测定方法,其特征在于,步骤二中,所述数据变换具体包括:
1)对数变换:渗透率和渗透率级差采用对数变换,即变换后数据=log10(变换前数据);
2)标准差标准化:将其他参数和对数变换后的渗透率、渗透率级差的标准差标准化,公式为:
标准化后数据=(样本值-平均值)÷标准差。
5.如权利要求4所述的低渗透油藏剩余油位置与含量测定方法,其特征在于,对数变换中,由于低渗透油藏中渗透率参数有0.01~1×10-3μm2的部分,为使对数变换后的渗透率参数为正数,在原基础上加3。
7.如权利要求2所述的低渗透油藏剩余油位置与含量测定方法,其特征在于,步骤四中,样本集按6:4划分训练集和测试集两部分,根据训练集含油属性和按F-score评分大小顺序依次输入的参数,通过逻辑回归模型实现对测试集含油属性的判别,根据测试集准确率剔除引入后使效果变差的参数特征,获得模型效果最好时对应的逻辑回归公式F的方程系数。
8.如权利要求2所述的低渗透油藏剩余油位置与含量测定方法,其特征在于,步骤五中,所述模型检验及应用具体包括:
1)将工区全部案例数值带入逻辑回归公式F后,再代入P=(e^F)÷(1+e^F),得到整个工区各个层位各井点的逻辑概率值;其中e为数学中的欧拉数,其值约2.71828···;逻辑概率值小于0.5,则判为含油层,逻辑概率值大于等于0.5,则判为非油层;
2)根据井点的逻辑概率值数据,通过井间插值,完成整个工区各个层位的含油概率平面展布图。
9.一种实施权利要求1~8任意一项所述的低渗透油藏剩余油位置与含量测定方法的低渗透油藏剩余油位置与含量测定系统,其特征在于,所述低渗透油藏剩余油位置与含量测定系统包括:
原始数据采集模块,用于获取测井数据、生产数据等,根据测井资料解释物性及非均质参数;
数据变换数据采集模块,用于通过对数变换、标准差标准化等公式,消除不同参数之间的量纲差异;
特征评分数据采集模块,用于采用F-score评分公式得到特征序列;
逻辑回归模型建立及特征降维数据采集模块,用于选用逻辑回归模型,根据F-score评分序列依次迭代,由训练集准确率、测试集准确率的大小比较,获得最优特征子集;
模型检验及应用数据采集模块,用于利用逻辑回归模型获得的逻辑回归公式,对测试集、全体样本进行检验、解释和应用。
10.一种如权利要求1~8任意一项所述的低渗透油藏剩余油位置与含量测定方法在石油天然气勘探与开发中的用途。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011394362.5A CN112576238B (zh) | 2020-12-02 | 2020-12-02 | 一种低渗透油藏剩余油位置与含量测定系统、方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011394362.5A CN112576238B (zh) | 2020-12-02 | 2020-12-02 | 一种低渗透油藏剩余油位置与含量测定系统、方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112576238A true CN112576238A (zh) | 2021-03-30 |
CN112576238B CN112576238B (zh) | 2022-10-28 |
Family
ID=75126779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011394362.5A Active CN112576238B (zh) | 2020-12-02 | 2020-12-02 | 一种低渗透油藏剩余油位置与含量测定系统、方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112576238B (zh) |
Cited By (2)
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 |
CN114439500A (zh) * | 2021-12-16 | 2022-05-06 | 山东大学 | 基于随钻测试的tbm穿越不良地质智能掘进系统与方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120179379A1 (en) * | 2011-01-10 | 2012-07-12 | Saudi Arabian Oil Company | Flow Profile Modeling for Wells |
CN103206208A (zh) * | 2013-03-08 | 2013-07-17 | 中石化河南油田分公司石油勘探开发研究院 | 一种微观不同赋存状态剩余油宏观量化的方法 |
CN106468172A (zh) * | 2016-09-30 | 2017-03-01 | 西安石油大学 | 一种超低渗砂岩油藏低阻储层测井解释方法 |
CN107701179A (zh) * | 2017-09-15 | 2018-02-16 | 中石化石油工程技术服务有限公司 | 一种基于常规测井资料的页岩气储层的可压性评价方法 |
CN109919184A (zh) * | 2019-01-28 | 2019-06-21 | 中国石油大学(北京) | 一种基于测井数据的多井复杂岩性智能识别方法及系统 |
CN109973068A (zh) * | 2019-03-05 | 2019-07-05 | 中国石油大学(北京) | 油藏注水诱导裂缝的识别方法及装置 |
CN110130882A (zh) * | 2019-01-25 | 2019-08-16 | 中国石油天然气集团有限公司 | 一种基于测井测试资料的油藏区域评价方法 |
CN110288258A (zh) * | 2019-07-02 | 2019-09-27 | 中国石油化工股份有限公司 | 一种高含水油藏剩余油挖潜方法 |
CN110309489A (zh) * | 2019-06-13 | 2019-10-08 | 中国石油集团渤海钻探工程有限公司 | 基于Bayes判别分析及逻辑回归的油气层解释方法 |
CN110717301A (zh) * | 2019-09-19 | 2020-01-21 | 中国石油大学(华东) | 一种基于支持向量机算法的流动单元信息分类识别方法 |
CN111706317A (zh) * | 2020-05-26 | 2020-09-25 | 中国石油天然气集团有限公司 | 一种确定加密调整区低渗储层剩余油分布状况的方法 |
-
2020
- 2020-12-02 CN CN202011394362.5A patent/CN112576238B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120179379A1 (en) * | 2011-01-10 | 2012-07-12 | Saudi Arabian Oil Company | Flow Profile Modeling for Wells |
CN103206208A (zh) * | 2013-03-08 | 2013-07-17 | 中石化河南油田分公司石油勘探开发研究院 | 一种微观不同赋存状态剩余油宏观量化的方法 |
CN106468172A (zh) * | 2016-09-30 | 2017-03-01 | 西安石油大学 | 一种超低渗砂岩油藏低阻储层测井解释方法 |
CN107701179A (zh) * | 2017-09-15 | 2018-02-16 | 中石化石油工程技术服务有限公司 | 一种基于常规测井资料的页岩气储层的可压性评价方法 |
CN110130882A (zh) * | 2019-01-25 | 2019-08-16 | 中国石油天然气集团有限公司 | 一种基于测井测试资料的油藏区域评价方法 |
CN109919184A (zh) * | 2019-01-28 | 2019-06-21 | 中国石油大学(北京) | 一种基于测井数据的多井复杂岩性智能识别方法及系统 |
CN109973068A (zh) * | 2019-03-05 | 2019-07-05 | 中国石油大学(北京) | 油藏注水诱导裂缝的识别方法及装置 |
CN110309489A (zh) * | 2019-06-13 | 2019-10-08 | 中国石油集团渤海钻探工程有限公司 | 基于Bayes判别分析及逻辑回归的油气层解释方法 |
CN110288258A (zh) * | 2019-07-02 | 2019-09-27 | 中国石油化工股份有限公司 | 一种高含水油藏剩余油挖潜方法 |
CN110717301A (zh) * | 2019-09-19 | 2020-01-21 | 中国石油大学(华东) | 一种基于支持向量机算法的流动单元信息分类识别方法 |
CN111706317A (zh) * | 2020-05-26 | 2020-09-25 | 中国石油天然气集团有限公司 | 一种确定加密调整区低渗储层剩余油分布状况的方法 |
Cited By (3)
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 |
CN114439500A (zh) * | 2021-12-16 | 2022-05-06 | 山东大学 | 基于随钻测试的tbm穿越不良地质智能掘进系统与方法 |
CN114439500B (zh) * | 2021-12-16 | 2023-09-05 | 山东大学 | 基于随钻测试的tbm穿越不良地质智能掘进系统与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112576238B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8374974B2 (en) | Neural network training data selection using memory reduced cluster analysis for field model development | |
CN105760673B (zh) | 一种河流相储层地震敏感参数模板分析方法 | |
Kadkhodaie‐Ilkhchi et al. | A fuzzy logic approach to estimating hydraulic flow units from well log data: A case study from the Ahwaz oilfield, South Iran | |
CN112576238B (zh) | 一种低渗透油藏剩余油位置与含量测定系统、方法及应用 | |
CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
CN111665560A (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
Zhu et al. | Rapid identification of high-quality marine shale gas reservoirs based on the oversampling method and random forest algorithm | |
CN111738371B (zh) | 一种基于随机森林数据挖掘的地层裂缝条数预测方法 | |
CN113033648A (zh) | 一种使用机器学习算法实现测井解释的方法 | |
Hatampour et al. | Hydraulic flow units' estimation from seismic data using artificial intelligence systems, an example from a gas reservoir in the Persian Gulf | |
CN116427915A (zh) | 基于随机森林的常规测井曲线裂缝密度预测方法及系统 | |
Lu et al. | Lithology identification using graph neural network in continental shale oil reservoirs: A case study in Mahu Sag, Junggar Basin, Western China | |
CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
Abedini et al. | Porosity classification from thin sections using image analysis and neural networks including shallow and deep learning in Jahrum formation | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
CN111155980A (zh) | 一种水流优势通道识别方法及装置 | |
CN104880737A (zh) | 测井资料识别地下流体类型的多元Logistic方法 | |
Liu et al. | Optimizing construction parameters for fractured horizontal wells in shale oil | |
Carrasquilla et al. | Using facies, data mining and artificial intelligence concepts in the evaluation of a carbonate reservoir in Campos basin, Southeastern Brazil | |
CN117407841B (zh) | 一种基于优化集成算法的页岩层理缝预测方法 | |
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 | |
CN115291277B (zh) | 少井条件下基于多属性智能融合的储层构型解释方法 | |
de Oliveira et al. | Ensemble of heterogeneous classifiers applied to lithofacies classification using logs from different wells | |
CN116011234B (zh) | 一种融合地质力学和贝叶斯的压前套变风险等级判识方法 | |
Hasan et al. | Integrating CPI and Core Data into Logistic Regression for Lithofacies Modeling |
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 |