CN112612935A - 一种基于自推理模型的完整测井数据获取方法 - Google Patents

一种基于自推理模型的完整测井数据获取方法 Download PDF

Info

Publication number
CN112612935A
CN112612935A CN202011489321.4A CN202011489321A CN112612935A CN 112612935 A CN112612935 A CN 112612935A CN 202011489321 A CN202011489321 A CN 202011489321A CN 112612935 A CN112612935 A CN 112612935A
Authority
CN
China
Prior art keywords
data
point
value
max
self
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
CN202011489321.4A
Other languages
English (en)
Other versions
CN112612935B (zh
Inventor
翁文勇
陆胤
杨武剑
玛青
陈观林
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.)
Hangzhou City University
Original Assignee
Hangzhou City University
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 Hangzhou City University filed Critical Hangzhou City University
Priority to CN202011489321.4A priority Critical patent/CN112612935B/zh
Publication of CN112612935A publication Critical patent/CN112612935A/zh
Priority to US17/548,608 priority patent/US20220186601A1/en
Application granted granted Critical
Publication of CN112612935B publication Critical patent/CN112612935B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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
    • E21B47/002—Survey of boreholes or wells by visual inspection
    • E21B47/0025—Survey of boreholes or wells by visual inspection generating an image of the borehole wall using down-hole measurements, e.g. acoustic or electric
    • 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
    • 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
    • E21B47/005—Monitoring or checking of cementation quality or level
    • 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
    • E21B47/06—Measuring temperature or pressure
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • 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
    • E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Mining & Mineral Resources (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • Geophysics (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Remote Sensing (AREA)
  • Acoustics & Sound (AREA)
  • Software Systems (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于自推理模型的完整测井数据获取方法，通过生成质量较好的点位预测数据，实现多深度范围内的储层基质储集性评价，其步骤如下：(1)采集储层的成像测井数据和实验室观测数据。(2)输入的成像测井数据和其他通过实验室观测等方法获取的数据，对数据进行归一化处理；(3)对已知连续数据进行去噪；(4)标定待补全数据的点位；(5)按预定次序进行点位数据补全。(6)恢复数据量纲获得补全后的完整测井数据。本发明通过在测井数据分析中，对实验室观测数据进行自动补全，获得了较好的预测数据，为后续岩层评价分析奠定了基础，有助于油、气、煤等资源勘探开发。

Description

一种基于自推理模型的完整测井数据获取方法
技术领域
本发明涉及一种基于自推理模型的完整测井数据获取方法，尤其涉及采用补全测井中数据缺失部位的模拟补全获得完整的测井数据，实现多深度范围内岩层地质相的分析和分类的方法。
背景技术
测井，也叫地球物理测井，是利用岩层的电化学特性、导电特性、声学特性、放射性等地球物理特性，测量地球物理参数的方法。成像测井是目前的主要测井方法。通过测井方法，可以获取到大量岩层的物理化学特性数据，为地层分析等工作提供基础。为更好地研究分析地层情况，在测井过程中通常会采集一部分岩芯段，通过观察、分析和研究，还可以了解：地层的时代、岩性、沉积特征；地层的物理、化学性质和含油、气、水状况；地下构造情况(如断层、节理以及它们的倾向、倾角等)；油、气、水运动和分布状况，以及地层结构的变化情况。
由于通过实验室观测分析岩芯工作量巨大，不可能对全井进行观测分析，通过数值模拟方式对其他位置的相关参数进行预测补全可为后续地层分析工作提供辅助。迄今为止对于测井数据的补全方法的研究并不多，目前采用的方法一般是基于线性回归，但是由于缺失数据的点位要远远大于有数据的点位，这些方法补全的数据质量往往不高，不能为如储层基质储集性评价等后续的分析工作提供有效的辅助。
发明内容
本发明提供一种基于自推理模型的完整测井数据获取方法，通过对输入的成像测井数据和其他通过实验室观测等方法获取的数据，自动补全缺失点位的数据获得完整测井数据，并对岩层进行地质相分析和分类。
本发明采用的技术方案是：
一种基于自推理模型的完整测井数据获取方法，包括如下步骤：
(1)采集岩层的成像测井数据和实验室观测数据。
(2)数据归一化处理：对成像测井数据、实验室观测数据进行数据归一化处理，形成无量纲数据。
(3)连续数据去噪：对步骤(2)处理后的连续数据进行去噪。
(4)待补全数据点位标定：按已知同类数据的点位间隔自动标定步骤(3)得到的去噪后数据的待补全数据点位。
(5)点位数据推理补全：利用基于自推理模型的自动补全算法，对步骤(4)标定的待补全数据点位进行推理计算，自动生成这些点位的数据，具体为：
为每个待补全数据点位生成二元组
Figure BDA0002840280080000021
其中
Figure BDA0002840280080000022
表示当前待补全数据点位可能的值，P表示当前待补全数据点位取
Figure BDA0002840280080000023
值的概率。在二元组中取概率最大的
Figure BDA0002840280080000024
值作为待补全数据点位的预测值，完成数据补全。所述为每个待补全数据点位生成二元组
Figure BDA0002840280080000025
包括如下步骤:
(a)选取成像测井数据、实验室观测数据归一化后对应数据项的所有取值构成该数组中
Figure BDA0002840280080000026
值列表。
(b)取待补全数据点位v的其他已知数据项组成集合DSv＝{D1,D2,..,Dm}，m表示补全数据的数据项数量。
(c)取当前测井数据集中，与集合DSv距离最近的R/20个点位的所有数据，组成集合ITEMa；取历史数据中，与集合DSv距离最近的R个点位的所有数据，组成集合ITEMb；其中R为当前测井数据集点位数量；其他点位与当前点位距离的值为两个点位所有已知项的差值的绝对值和。
(d)
Figure BDA0002840280080000027
(6)数据后处理：即：逆向执行步骤(2)方法，恢复所有数据的量纲。
根据完整的测井数据可以进行不同深度岩层地质相的分析和分类，包括岩层储集性评价、煤岩物性确定等，有助于油、气、煤等资源勘探开发。
进一步地，所述步骤(2)具体为：对成像测井数据、实验室观测数据中的各数据项按预先设定的规则转换为0～10000之间的整数值，其中深度值转换为0-N的连续整数，其他定量值在定义极值的基础上按规则投影转换，定性值按预设值转换。
进一步地，所述定量值在定义极值的基础上按规则投影转换包括:线性投影和对数投影。按数据点分布进行选择，其中，对于数据点分布较为均匀的采用线性投影，数据点分布局部密集的采用对数投影。
进一步地，所述步骤(3)可以采用二维曲线拟合、曲率极值消峰方法等进行去噪。
进一步地，所述步骤(3)具体为：
(3.1)以深度值作为X坐标，归一化处理后的其他数据为Y坐标，计算各已知数据项在各坐标的突变率SIx,组成点位突变率向量(S1x,S2x,...,SMx)，所述突变率SIx的计算方法如下：
SIx＝[(Yx-Yx-3)*0.2+(Yx-Yx-2)*0.3+(Yx-Yx-1)*0.5]/(Ymax-Ymin) X>Xmin+2
SIx＝[(Yx-Yx-2)*0.4+(Yx-Yx-1)*0.6]/(Ymax-Ymin) X＝Xmin+2
SIx＝(Yx-Yx-1)/(Ymax-Ymin) X＝Xmin+1
Yx表示在某数据项在X坐标位置的数值；Ymax表示该项数值的最大值；Ymin表示该项数值的最小值；Xmin表示X坐标最小值，I＝1,2，…，M，M为数据项数量。
(3.2)所有点位的突变率向量组成M*N的突变率矩阵，并以行为单位进行归一化处理，其中，M为数据项数量，N为点位数量；
(3.3)根据突变率矩阵识别噪点，具体包括如下子步骤：
(3.3.1)对于归一化后矩阵中的每个元素S’ij，计算其差异系数Kij，其值为S’ij与其所在列的所有元素的差的绝对值和/(M-1)，形成K矩阵，其中i,j分别表示行号和列号， i＝1,2，…，M，j＝1,2，…，N；
(3.3.2)对于K矩阵中的每一行，计算其均值Kavg和最大值Kmax，并求Kij在区间[Kmax-(Kmax-Kavg)/10,Kmax]的点位数量，如果满足条件点位数量>N/20，则认为该行数据未发现异常点位，否则进入步骤(3.3.3)；
(3.3.3)提取Kij≥Kmax的点位，如果点位数量≤3，则将其标记为异常点，进入步骤(2.3.4)；如果点位数量>3,则结束识别过程；
(3.3.4)令Kmax＝Kmax-(Kmax-Kavg)/100，踢除已标识的异常点位数据后，转到步骤(3.3.3)。
(3.4)替换噪点点位数据。
进一步地，所述步骤(3.4)具体为：对于异常点位k，提取前一个正常点位数据 Yc和后一个正常点位数据Yd,则点位k的数据值Yk＝Yc+(Yd-Yc)*(k-c)/(d-c)。
进一步地，噪点去除采用二维曲线拟合、曲率极值消峰方法。
进一步地，所述步骤(4)中，还包括确定补全次序步骤，具体为：
(A)计算各数据项的数据完成度：含已加入排序点位数据的已有数据点位数与点位总数的比值。
(B)取完成度最低的数据项，在该数据项的所有待补全数据点位中，取存在与已有数据点位距离最近的点位加入任务列表。重新计算该数据项的完成度后，重复执行步骤(B)，直至排序完成。
本发明的有益效果是：本发明采用对实验室观测数据进行自动补全，从而获取完整的测井数据，实现对多深度范围内岩层地质相的分析和分类。在进行数据补全时，本发明对已知数据进行了去噪处理，提升了源数据的可用性，利用概率方法实现了计算复杂度可控的算法，获得了较高质量的预测数据，提高了缺失数据的补全有效性，为后续分析奠定了基础，使得岩层分析具有可靠性，有助于油、气、煤等资源勘探开发。
附图说明
图1：本发明一种基于自推理模型的完整测井数据获取方法的流程图；
图2：噪点识别过程及数据变换过程图。
具体实施方式
下面结合具体实施方式和附图对本发明作进一步说明。
本发明的一种基于自推理模型的完整测井数据获取方法，该方法通过采集储层的成像测井数据和实验室观测数据，利用一种基于自推理模型的测井数据自动补全方法对实验室观测数据进行自动补全获得完整的测井数据。其中，成像测井数据项包括 BIT、CAL、DAZOD、DEVOD、GR、M2R1、M2R2、M2R3、M2R6、M2R9、M2RX、 SPDH、CNC、KTH、ZDEN、DTC、DTS、DTST、PR、VPVS、YXHD、PERM、PORO、 VSH、SO等，实验室观测数据项包括胶结物情况、岩心POR、岩心PERM、总面孔率、溶蚀孔隙、均值喉道半径、贡献喉道半径、排驱压力等。利用补全后的岩段完整数据，可以对岩层的地质项进行判别和分类，如对岩层的储集性进行分类评价，以识别优质储层。本发明的基于自推理模型的完整测井数据获取方法，包括如下步骤(如图1-2所示)：
1、数据归一化处理：
对于所有数据项(ITEM)，预先定义归一化处理规则，根据原始数据的形态，可以通过两种规则进行归一化转换：
a.定量数据转化规则通过三元组定义R＝(RT,MIN,MAX)定义，其中RT表示投影规则，MIN表示原始数据的最小值，MAX表示原始数据的最大值。目前RT的取值可为1、2。其中，对于数据点分布较为均匀的采用线性投影，数据点分布局部密集的采用对数投影。
RT＝1时采用线性投影转化，原始数据S归一化后值D可通过如下公式计算：
D＝10000*(S-MIN)/(MAX-MIN)D值在计算后四舍五入取整
RT＝2时采用对数投影转化，原始数据S归一化后值D可通过如下公式计算：
D＝10000*lg(S-MIN)/lg(MAX-MIN)D值在计算后四舍五入取整
b.定性数据转化规则通过枚举方式进行数值转换，即为每一个可能的定性值投影到一个0-10000之间的数值。
c.所有深度值从小到大转换为0-N的连续整数。
2、连续数据去噪：
对每一项涵盖整个测井深度范围的数据(成像测井数据大多为这类数据)进行数据去噪。
a.以深度值作为X坐标，归一化处理后的数据为Y坐标，计算每一项数据 I(I＝1,2，…，M)在所有X坐标中的突变率，计算方法如下：
SIx＝[(Yx-Yx-3)*0.2+(Yx-Yx-2)*0.3+(Yx-Yx-1)*0.5]/(Ymax-Ymin) X>Xmin+2
SIx＝[(Yx-Yx-2)*0.4+(Yx-Yx-1)*0.6]/(Ymax-Ymin) X＝Xmin+2
SIx＝(Yx-Yx-1)/(Ymax-Ymin) X＝Xmin+1
Yx表示在某数据项在X坐标位置的数值；Ymax表示该项数值的最大值；Ymin表示该项数值的最小值；Xmin表示X坐标最小值。
b.X点位的所有数据项的突变率组成该点的突变率向量，所有点位的突变向量组合成如下所示的突变率矩阵：
S11 S12 S13 S14 ... S1N
S21 S22 S23 S24 ... S2N
...
SM1 SM2 SM3 SM4 ... SMN
M为数据项数量；N为点位数量。
c.对矩阵以行为单位进行归一化处理，S’ij＝(Sij-Simin)/(Simax-Simin)，i＝1,2，…，M， j＝1,2，…，N，形成如下所示的新矩阵：
S’11 S’12 S’13 S’14 ... S’1N
S’21 S’22 S’23 S’24 ...S’2N
...
S’M1 S’M2 S’M3 SM4 ...S’MN
d.在上述矩阵中识别异常突变率，识别方法如下：
第一步：对于矩阵中的每个元素，计算其差异系数Kij，其值为S’ij与其所在列的所有元素的差的绝对值和/(M-1)，形成K矩阵；
第二步：对于K矩阵中的每一行，计算其均值Kavg和最大值Kmax，并求Kij在区间[Kmax-(Kmax-Kavg)/10,Kmax]的点位数量，如果满足条件点位数量>N/20，则认为该行数据未发现异常点位，否则进入下一步；
第三步：提取Kij>＝Kmax的点位，如果点位数量<＝3，则将其标记为异常点，进入第四步，如果点位数量>3,则结束识别过程；
第四步：令Kmax＝Kmax-(Kmax-Kavg)/100，踢除已标识的异常点位数据后，转到第三步。
e.调整上一步识别出的异常点位k的数据，调整方法为:提取前一个正常点位数据Yc和后一个正常点位数据Yd,待调整点位的数据值Yk＝Yc+(Yd-Yc)*(k-c)/(d-c)。
3、待补全数据点位标定：
需要补全的数据项一般为实验室观测数据，这些数据只在测井深度范围的一部分有值，其他点位需要进行数据补全，在数据补全前需要标定需要补全数据的点位。点位的标定以该数据项已有数据的最小深度间隔为步长，以已有数据点位为基础在空白区域标定点位。
标定后待补全数据点位可用如下数据结构表达：
Items＝[item1,item2,...,itemm]m表示需补全数据的数据项数量；
Itemt＝[X1,X2,...,Xn]n表示第t个数据项需补全数据的点位数量，Xi为第i个点位的深度值。由于各数据项的已知数据值深度步长不一，最终各数据项值的数量也不一致。
点位标定后，需要确定补全次序，排序后的推理任务列表可表示为二元组(ITEM,X) 的数组表达，后续推理算法通过该次序进行推理计算。排序方法如下：
第一步，计算各数据项的数据完成度，即已有数据点位数(含已加入排序点位数据)除以点位总数。
第二步，取完成度最低的数据项，在该数据项的所有待补全数据点位中，取存在与已有数据点位距离最近的点位加入任务列表。重新计算该数据项的完成度后，重复执行第二步，直至排序完成。
4、点位数据推理补全：
待补全数据的生成通过一个自推理模型完成，该模型综合利用点位已知的所有数据项值结合历史经验推理获得预测数据。模型每次根据规则取一个点位数据项进行推理。
a为每个待推理数据项建立一个所有可能值的数组PARR，每个节点存放二元组
Figure BDA0002840280080000071
其中
Figure BDA0002840280080000072
表示可能的值，P表示当前推理点位取
Figure BDA0002840280080000073
值的概率。该数组中
Figure BDA0002840280080000074
值列表的选取规则为：对于定性值取其所有枚举值；对于定量值取0-10000间的固定步长数据；步长为数据项预设值。
b从推理任务列表中按顺序取出一个二元组JOB＝(ITEM,X)，并计算ITEM指向的数据项的PARR中各
Figure BDA0002840280080000075
值的概率P，计算方法如下：
第一步：取当前点位v的其他已知数据项组成集合DSv＝{D1,D2,..,Dm}；
第二步：取当前测井数据集中，与该集合DSv距离最近的R/20个点位的所有数据，组成集合ITEMa；取历史数据(优选大于50个测井数据，其中包含10％以上的实测数据)中，与该集合DSv距离最近的R个点位的所有数据,组成集合ITEMb；其中R为当前测井点位数量；其他点位与当前点位距离的值为两个点位所有已知项的差值的绝对值和。
第三步：
Figure BDA0002840280080000076
c在PARR中取概率最大的
Figure BDA0002840280080000077
值作为点位的预测值。重复步骤b，完成剩余点位的预测。
5、数据后处理，恢复数据量纲：
该步骤为归一化处理的逆过程，处理后恢复数据量纲从而获得补全后的完整测井数据。
利用本发明方法补全后获得的完整测井数据，可以进行岩石学特征的分析，包括岩心的岩性、岩心的碎屑颗粒粒度、岩心的沉积构造、岩石的古流水类型、岩石的孔隙度、岩石的渗透率和岩石的孔隙结构等。例如，可利用物性数据、补全的孔喉数据 (面空率、孔喉半径等)、观测的岩相数据进行储层基质储集性评价。
本发明通过数据归一化处理，简化了不同数据量纲问题带来的计算复杂度，可提升效率，且采用了多种归一化处理方式，可保证数据不失真。本发明设计了一种连续数据的去噪方法，该方法通过识别突变点位标定异常数据，有利于去除影响预测算法稳定性的点位，提高预测算法准确度；本发明重复利用了历史井位数据，通过概率方法进行数据预测，可重复利用历史数据进行预测，且计算复杂度可控。本发明获得了较高质量的预测数据，提高了缺失数据的补全有效性，实现了对储层基质多深度范围内的岩层地质相的分析，有助于油、气、煤等资源勘探开发。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。

Claims (8)

1.一种基于自推理模型的完整测井数据获取方法，其特征是：包括如下步骤：
(1)采集岩层的成像测井数据和实验室观测数据。
(2)对成像测井数据、实验室观测数据进行数据归一化处理，形成无量纲数据。
(3)对步骤(2)处理后的连续数据进行去噪。
(4)按已知同类数据的点位间隔自动标定步骤(3)得到的去噪后数据的待补全数据点位。
(5)对步骤(4)标定的待补全数据点位进行推理计算，自动生成这些点位的数据，具体为：
为每个待补全数据点位生成二元组
Figure FDA0002840280070000011
其中
Figure FDA0002840280070000012
表示当前待补全数据点位可能的值，P表示当前待补全数据点位取
Figure FDA0002840280070000013
值的概率。在二元组中取概率最大的
Figure FDA0002840280070000014
值作为待补全数据点位的预测值，完成数据补全。所述为每个待补全数据点位生成二元组
Figure FDA0002840280070000015
包括如下步骤:
(a)选取成像测井数据、实验室观测数据归一化后对应数据项的所有取值构成该数组中
Figure FDA0002840280070000016
值列表。
(b)取待补全数据点位v的其他已知数据项组成集合DSv＝{D1,D2,..,Dm}，m表示补全数据的数据项数量。
(c)取当前测井数据集中，与集合DSv距离最近的R/20个点位的所有数据，组成集合ITEMa；取历史数据中，与集合DSv距离最近的R个点位的所有数据，组成集合ITEMb；其中R为当前测井数据集点位数量；其他点位与当前点位距离的值为两个点位所有已知项的差值的绝对值和。
(d)
Figure FDA0002840280070000017
(6)数据后处理，恢复数据量纲获得补全后的完整测井数据。
2.根据权利要求1所述的基于自推理模型的完整测井数据获取方法，其特征是：成像测井数据项包括BIT、CAL、DAZOD、DEVOD、GR、M2R1、M2R2、M2R3、M2R6、M2R9、M2RX、SPDH、CNC、KTH、ZDEN、DTC、DTS、DTST、PR、VPVS、YXHD、PERM、PORO、VSH、SO等，实验室观测数据项包括胶结物情况、岩心POR、岩心PERM、总面孔率、溶蚀孔隙、均值喉道半径、贡献喉道半径、排驱压力等。
3.根据权利要求1所述的基于自推理模型的完整测井数据获取方法，其特征是：所述步骤(2)具体为：
对成像测井数据、实验室观测数据中的各数据项按预先设定的规则转换为0～10000之间的整数值，其中深度值转换为0-N的连续整数，其他定量值在定义极值的基础上按规则投影转换，定性值按预设值转换。
4.根据权利要求3所述的基于自推理模型的完整测井数据获取方法，其特征是：所述定量值在定义极值的基础上按规则投影转换包括:线性投影和对数投影。
5.根据权利要求1所述的基于自推理模型的完整测井数据获取方法，其特征是：所述步骤(3)具体为：
(3.1)以深度值作为X坐标，归一化处理后的其他数据为Y坐标，计算各已知数据项在各坐标的突变率SIx，组成点位突变率向量(S1x,S2x,...,SMx)，所述突变率SIx的计算方法如下：
SIx＝[(Yx-Yx-3)*0.2+(Yx-Yx-2)*0.3+(Yx-Yx-1)*0.5]/(Ymax-Ymin) X>Xmin+2
SIx＝[(Yx-Yx-2)*0.4+(Yx-Yx-1)*0.6]/(Ymax-Ymin) X＝Xmin+2
SIx＝(Yx-Yx-1)/(Ymax-Ymin) X＝Xmin+1
Yx表示在某数据项在X坐标位置的数值；Ymax表示该项数值的最大值；Ymin表示该项数值的最小值；Xmin表示X坐标最小值，I＝1,2，…，M，M为数据项数量。
(3.2)所有点位的突变率向量组成M*N的突变率矩阵，并以行为单位进行归一化处理，其中，M为数据项数量，N为点位数量；
(3.3)根据突变率矩阵识别噪点，具体包括如下子步骤：
(3.3.1)对于归一化后矩阵中的每个元素S’ij，计算其差异系数Kij，其值为S’ij与其所在列的所有元素的差的绝对值和/(M-1)，形成K矩阵，其中i＝1,2，…，M，j＝1,2，…，N；
(3.3.2)对于K矩阵中的每一行，计算其均值Kavg和最大值Kmax，并求Kij在区间[Kmax-(Kmax-Kavg)/10,Kmax]的点位数量，如果满足条件点位数量>N/20，则认为该行数据未发现异常点位，否则进入步骤(2.3.3)；
(3.3.3)提取Kij≥Kmax的点位，如果点位数量≤3，则将其标记为异常点，进入步骤(3.3.4)；如果点位数量>3,则结束识别过程；
(3.3.4)令Kmax＝Kmax-(Kmax-Kavg)/100，踢除已标识的异常点位数据后，转到步骤(3.3.3)。
(3.4)替换噪点点位数据。
6.根据权利要求1所述的基于自推理模型的完整测井数据获取方法，其特征是：所述步骤(3.4)具体为：对于异常点位k，提取前一个正常点位数据Yc和后一个正常点位数据Yd,则点位k的数据值Yk＝Yc+(Yd-Yc)*(k-c)/(d-c)。
7.根据权利要求1所述的基于自推理模型的完整测井数据获取方法，其特征是：噪点去除采用二维曲线拟合、曲率极值消峰方法。
8.根据权利要求1所述的基于自推理模型的完整测井数据获取方法，其特征是：所述步骤(4)中，还包括确定补全次序步骤，具体为：
(A)计算各数据项的数据完成度：含已加入排序点位数据的已有数据点位数与点位总数的比值。
(B)取完成度最低的数据项，在该数据项的所有待补全数据点位中，取存在与已有数据点位距离最近的点位加入任务列表。重新计算该数据项的完成度后，重复执行步骤(B)，直至排序完成。
CN202011489321.4A 2020-12-16 2020-12-16 一种基于自推理模型的完整测井数据获取方法 Active CN112612935B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011489321.4A CN112612935B (zh) 2020-12-16 2020-12-16 一种基于自推理模型的完整测井数据获取方法
US17/548,608 US20220186601A1 (en) 2020-12-16 2021-12-13 Method for obtaining overall logging data based on automated reasoning model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011489321.4A CN112612935B (zh) 2020-12-16 2020-12-16 一种基于自推理模型的完整测井数据获取方法

Publications (2)

Publication Number Publication Date
CN112612935A true CN112612935A (zh) 2021-04-06
CN112612935B CN112612935B (zh) 2022-03-29

Family

ID=75239967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011489321.4A Active CN112612935B (zh) 2020-12-16 2020-12-16 一种基于自推理模型的完整测井数据获取方法

Country Status (2)

Country Link
US (1) US20220186601A1 (zh)
CN (1) CN112612935B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557401B (zh) * 2024-01-12 2024-04-02 东华理工大学南昌校区 一种基于地质大数据的铀矿找矿靶区智能圈定方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105612538A (zh) * 2013-10-25 2016-05-25 兰德马克绘图国际公司 钻井操作期间的实时风险预测
US10002154B1 (en) * 2017-08-24 2018-06-19 Illumon Llc Computer data system data source having an update propagation graph with feedback cyclicality
CN108897975A (zh) * 2018-08-03 2018-11-27 新疆工程学院 基于深度信念网络的煤层气测井含气量预测方法
CN108952699A (zh) * 2018-07-30 2018-12-07 中国地质大学（武汉） 一种复杂地质钻进过程地层岩性智能识别方法
US10666569B1 (en) * 2016-09-23 2020-05-26 Amazon Technologies, Inc. Journal service with named clients
US10686805B2 (en) * 2015-12-11 2020-06-16 Servicenow, Inc. Computer network threat assessment
CN111666114A (zh) * 2020-04-28 2020-09-15 中国石油天然气集团有限公司 一种插件式测井数据转换方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108931814B (zh) * 2017-05-26 2020-10-20 中国石油化工股份有限公司 一种基于多属性融合的基岩裂缝预测的方法
US10990882B2 (en) * 2017-07-28 2021-04-27 International Business Machines Corporation Stratigraphic layer identification from seismic and well data with stratigraphic knowledge base
US11527174B2 (en) * 2018-06-18 2022-12-13 Pearson Education, Inc. System to evaluate dimensions of pronunciation quality
US20200110185A1 (en) * 2018-10-05 2020-04-09 Es Xplore, L.L.C. Passive electroseismic surveying
US11664108B2 (en) * 2018-11-29 2023-05-30 January, Inc. Systems, methods, and devices for biophysical modeling and response prediction

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105612538A (zh) * 2013-10-25 2016-05-25 兰德马克绘图国际公司 钻井操作期间的实时风险预测
US10686805B2 (en) * 2015-12-11 2020-06-16 Servicenow, Inc. Computer network threat assessment
US10666569B1 (en) * 2016-09-23 2020-05-26 Amazon Technologies, Inc. Journal service with named clients
US10002154B1 (en) * 2017-08-24 2018-06-19 Illumon Llc Computer data system data source having an update propagation graph with feedback cyclicality
CN108952699A (zh) * 2018-07-30 2018-12-07 中国地质大学（武汉） 一种复杂地质钻进过程地层岩性智能识别方法
CN108897975A (zh) * 2018-08-03 2018-11-27 新疆工程学院 基于深度信念网络的煤层气测井含气量预测方法
CN111666114A (zh) * 2020-04-28 2020-09-15 中国石油天然气集团有限公司 一种插件式测井数据转换方法

Also Published As

Publication number Publication date
CN112612935B (zh) 2022-03-29
US20220186601A1 (en) 2022-06-16

Similar Documents

Publication Publication Date Title
CN111783825B (zh) 一种基于卷积神经网络学习的测井岩性识别方法
CN110674841B (zh) 一种基于聚类算法的测井曲线识别方法
RU2012152447A (ru) Выполняемый в окне статистический анализ для обнаружения аномалий в наборах геофизических данных
CN109800954B (zh) 基于测井数据的储层评价方法
CN103336305B (zh) 一种基于灰色理论划分致密砂岩储层岩石物理相的方法
CN115061219B (zh) 基于石油天然气探测的裂缝型储层预测识别方法及系统
CA3035734C (en) A system and method for estimating permeability using previously stored data, data analytics and imaging
US9285502B2 (en) System and method for lacunarity analysis
CN114997496B (zh) 一种基于时空序列数据约束的无监督储层智能分段方法
CN114723095A (zh) 缺失测井曲线预测方法及装置
Carvalho et al. Soil classification system from cone penetration test data applying distance-based machine learning algorithms
CN111626377B (zh) 一种岩相识别方法、装置、设备及存储介质
CN112612935B (zh) 一种基于自推理模型的完整测井数据获取方法
US9921329B2 (en) Automated method for selecting positions within formations from which to extract samples thereof
WO2024018277A2 (en) Machine learning based borehole data analysis
CN115345282A (zh) 基于变差函数模型的grnn平滑因子设置方法及系统
CN114239937A (zh) 储层含油气性预测方法、装置、计算机设备及存储介质
Bedi et al. SFA-GTM: seismic facies analysis based on generative topographic map and RBF
CN117407841B (zh) 一种基于优化集成算法的页岩层理缝预测方法
CN110570102A (zh) 一种储层评价方法
CN117174203B (zh) 用于砂岩铀矿的测井曲线响应分析方法
CN118430692B (zh) 一种三维找矿预测方法、系统、设备及介质
CN108898286A (zh) 储层裂缝发育程度的评价方法及装置
CN111542819A (zh) 用于改进的地下数据处理系统的装置和方法
Bertelli Application of an Artificial Neural Network for the CPT-based Soil Stratigraphy Classification

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