CN112731544B - 一种基于机器监督学习识别页岩纹层组合类型的方法 - Google Patents
一种基于机器监督学习识别页岩纹层组合类型的方法 Download PDFInfo
- Publication number
- CN112731544B CN112731544B CN202011542353.6A CN202011542353A CN112731544B CN 112731544 B CN112731544 B CN 112731544B CN 202011542353 A CN202011542353 A CN 202011542353A CN 112731544 B CN112731544 B CN 112731544B
- Authority
- CN
- China
- Prior art keywords
- mineral
- data
- learning
- model
- shale
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 92
- 239000011707 mineral Substances 0.000 claims abstract description 92
- 238000011161 development Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 27
- 239000011435 rock Substances 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 241000446313 Lamella Species 0.000 claims description 7
- 238000002441 X-ray diffraction Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 210000003462 vein Anatomy 0.000 abstract 2
- 239000010453 quartz Substances 0.000 description 24
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 24
- 239000010433 feldspar Substances 0.000 description 19
- 239000011028 pyrite Substances 0.000 description 17
- 229910052683 pyrite Inorganic materials 0.000 description 17
- NIFIFKQPDTWWGU-UHFFFAOYSA-N pyrite Chemical compound [Fe+2].[S-][S-] NIFIFKQPDTWWGU-UHFFFAOYSA-N 0.000 description 17
- 239000002734 clay mineral Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- 239000003079 shale oil Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 206010040925 Skin striae Diseases 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 229910052570 clay Inorganic materials 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
- G01V5/04—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity specially adapted for well-logging
- G01V5/08—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity specially adapted for well-logging using primary nuclear radiation sources or X-rays
- G01V5/12—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity specially adapted for well-logging using primary nuclear radiation sources or X-rays using gamma or X-ray sources
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
- G01N23/2055—Analysing diffraction patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/05—Investigating materials by wave or particle radiation by diffraction, scatter or reflection
- G01N2223/056—Investigating materials by wave or particle radiation by diffraction, scatter or reflection diffraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/10—Different kinds of radiation or particles
- G01N2223/101—Different kinds of radiation or particles electromagnetic radiation
- G01N2223/1016—X-ray
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/616—Specific applications or type of materials earth materials
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- High Energy & Nuclear Physics (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Geophysics (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Crystallography & Structural Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于机器监督学习识别页岩纹层组合类型的方法，步骤1：确定主要发育的矿物类型，作为机器监督学习所需的预测目标值；步骤2：选取对矿物敏感的测井数据，作为机器监督学习所需的输入参数；步骤3：建立和评估机器监督学习的模型，对输入参数和预测目标值进行模型开发工作；步骤4：明确不同纹层组合矿物组分含量差异性；步骤5：利用开发模型，以连续常规测井新数据作为输入参数，定量预测其对应深度矿物组分含量，并结合不同纹层组合矿物组分含量差异性，进行纹层组合类型在垂向上的连续判别。本发明提出了基于机器监督学习，建立“常规测井数据‑矿物组分预测‑纹层组合判别”的模式，实现页岩纹层组合类型识别的方法。
Description
技术领域
本发明涉及石油天然气勘探与开发领域，尤其涉及的是一种基于机器监督学习识别页岩纹层组合类型的方法。
背景技术
纹层是指沉积物或沉积岩中的最小原始沉积层。纹层状页岩储层页理发育、有机质丰度及脆性矿物含量高的特征为页岩油的富集创造了优势条件，尤以富有机质页岩与其间所夹薄储集层间互时，排烃效率和储集性能最优，是页岩油勘探开发最为有利的储层类型。但是，页岩层系纹层类型复杂，垂向变化频繁，非均质性极强。因此，纹层及其组合关系纵向上连续的分布特征，成为页岩油勘探开发的重要研究内容之一。
纹层组合类型的差异性在矿物组分的变化上突出明显，从而利用矿物组分的差异性可以实现纹层组合类型的判别。要对页岩纹层纵向上连续分布特征进行研究，就需要具有连续的矿物资料，但是，岩心资料全井段取心困难，资料有限；元素俘获能谱等特殊测井技术可以获取连续的矿物组分信息，囿于测试成本高，现场应用广泛性具有一定局限。
目前，现场资料中最为基础的为常规测井数据，在垂向连续性、资料丰富程度上具有极大优势，基于机器监督学习，利用常规测井数据对矿物组分的高精度定量预测已有成功先例。因此，通过机器监督学习，建立常规测井资料与矿物组分的对应关系，将可间接以纹层组合矿物组分差异性为划分依据，实现页岩纹层组合类型判别及其纵向上的连续展布特征。
发明内容
本发明提供一种基于机器监督学习识别页岩纹层组合类型的方法，用于实现页岩纹层组合的垂向连续展布特征，以识别页岩纹层组合类型为目标，提出了基于机器监督学习，建立“常规测井数据-矿物组分预测-纹层组合判别”的模式，实现页岩纹层组合类型识别的方法。
一种基于机器监督学习识别页岩纹层组合类型的方法，包括以下步骤：
步骤1：对页岩储层不同类型纹层的典型岩心进行矿物组分含量分析，借助X射线衍射全岩分析技术，确定主要发育的矿物类型，作为机器监督学习所需的预测目标值；
步骤2：针对上述确定的主要矿物类型，与常规测井数据进行相关性分析，选取对矿物敏感的测井数据，作为机器监督学习所需的输入参数；
步骤3：基于机器监督学习，采用Tensorflow在线开放源代码软件库，采用python3.0设计语言进行机械学习的程序编写工作，使用Keras建立和评估机器监督学习的模型，对输入参数(测井数据)和预测目标值(矿物类型)进行模型开发工作，具体步骤如下：
步骤301：将由预测目标值数据及其对应输入参数组成的样本集，导入在线神经网络设计软件，为机器监督学习作数据准备；
步骤302：对输入参数进行标准化处理，将其线性变换映射至[0，1]范围内，公式为：Xn＝(X-Xmin)/(Xmax-Xmin)
其中Xn为标准化后数值；X为原始样本数据，Xmin和Xmax分别为样本集各类型测井数据的最小值和最大值；
步骤303：采用随机的方式将样品集按照3：1分为训练集和测试集两类，其中75％的数据用以训练，以寻找最佳模型，剩余25％的数据不参与训练过程，用以测试模型有效性；
步骤304：通过对训练集迭代学习，优化神经网络参数：以神经网络参数之一，即隐藏层神经元个数为例，根据Kolmogorov定理公式(s＝2m+1)及经验公式
得出调试范围，在保证其他参数相同的状态下，对设置范围内的参数进行逐一调试，并对开发模型训练集和测试集所得矿物预测值与实测值进行散点测绘，对拟合直线进行衡量，相关系数最高(斜率为1为理想状态)的模型为最优模型；
步骤4：通过页岩层系的大量全岩分析数据，针对矿物类型，建立不同纹层组合内的频率分布图，明确不同纹层组合矿物组分差异性；
步骤5：利用开发模型，以连续常规测井新数据作为输入参数，定量预测其对应深度矿物组分含量，结合上述分析所得不同纹层组合类型矿物组分含量差异性，按照所建开发模型的矿物预测精度由高至低逐级判别的原则，进行垂向上纹层组合类型的连续判别。
本发明在基于机器监督学习上，利用常规测井数据预测对应深度矿物组分含量，结合不同纹层类型矿物组分含量的差异性，对页岩储层纹层组合垂向分布特征进行连续判别，解决了当前在岩心资料有限条件下，非均质强的页岩纹层组合垂向连续性展布判别困难的问题。
附图说明
图1为本发明方法实施例中长73亚段页岩层系矿物含量均值特征图；
图2为本发明方法实施例中石英预测丰度与实测丰度线性相关图之一；
图3为本发明方法实施例中石英预测丰度与实测丰度线性相关图之二；
图4为本发明方法实施例中长石预测丰度与实测丰度线性相关图之一；
图5为本发明方法实施例中长石预测丰度与实测丰度线性相关图之二；
图6为本发明方法实施例中黄铁矿预测丰度与实测丰度线性相关图之一；
图7为本发明方法实施例中黄铁矿预测丰度与实测丰度线性相关图之二；
图8为本发明方法实施例中粘土矿物预测丰度与实测丰度线性相关图之一；
图9为本发明方法实施例中粘土矿物预测丰度与实测丰度线性相关图之二；
图10为本发明方法实施例中鄂尔多斯盆地长73亚段富有机质页岩层系不同类型纹层组合中石英分布差异性示意图；
图11为本发明方法实施例中鄂尔多斯盆地长73亚段富有机质页岩层系不同类型纹层组合中长石分布差异性示意图；
图12为本发明方法实施例中鄂尔多斯盆地长73亚段富有机质页岩层系不同类型纹层组合中黄铁矿分布差异性示意图；
图13为本发明方法实施例中鄂尔多斯盆地长73亚段富有机质页岩层系不同类型纹层组合中粘土矿物分布差异性示意图；
图14为本发明方法实施例中鄂尔多斯盆地长73亚段富有机质页岩层系宁70井矿物组分预测结果及纹层组合纵向分布图。
具体实施方式
为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。但是，本发明可以用许多不同的形式来实现，并不限于本说明书所描述的实施例。除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本说明书中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
本发明的一个实施例是，提供一种基于机器监督学习识别页岩纹层组合类型的方法，具体包括以下步骤：
步骤1：对页岩储层不同类型纹层的典型岩心进行矿物组分含量分析，借助X射线衍射全岩分析技术，确定主要发育的矿物类型，作为机器监督学习所需的预测目标值；
步骤2：针对上述确定的主要矿物类型，与常规测井数据进行相关性分析，选取对矿物敏感的测井数据，作为机器监督学习所需的输入参数；
步骤3：基于机器监督学习，采用Tensorflow在线开放源代码软件库，采用python3.0设计语言进行机械学习的程序编写工作，使用Keras建立和评估机器监督学习的模型，对输入参数(测井数据)和预测目标值(矿物类型)进行模型开发工作，具体步骤如下：
步骤301：将由预测目标值数据及其对应输入参数组成的样本集，导入在线神经网络设计软件，为机器监督学习作数据准备。
步骤302：对输入参数进行标准化处理，将其线性变换映射至[0，1]范围内，公式为：
Xn＝(X-Xmin)/(Xmax-Xmin)
其中Xn为标准化后数值；X为原始样本数据，Xmin和Xmax分别为样本集各类型测井数据的最小值和最大值。
步骤303：采用随机的方式将样品集按照3：1分为训练集和测试集两类，其中75％的数据用以训练，以寻找最佳模型，剩余25％的数据不参与训练过程，用以测试模型有效性。
步骤304：通过对训练集迭代学习，优化神经网络参数：以神经网络参数之一，即隐藏层神经元个数为例，根据Kolmogorov定理公式(s＝2m+1)及经验公式
得出调试范围，在保证其他参数相同的状态下，对设置范围内的参数进行逐一调试，并对开发模型训练集和测试集所得矿物预测值与实测值进行散点测绘，对拟合直线进行衡量，其中相关系数最高(斜率为1为理想状态)的模型为最优模型。
步骤4：通过页岩层系的大量全岩分析数据，针对主要发育的矿物类型，建立不同纹层组合内的频率分布图，明确不同纹层组合矿物组分差异性。
步骤5：利用开发模型，以连续常规测井新数据作为输入参数，定量预测其对应深度矿物组分含量，结合上述分析所得不同纹层组合类型矿物组分含量差异性，按照所建开发模型的矿物预测精度由高至低逐级判别的原则，进行垂向上纹层组合类型的连续判别。
实施例二
在上述实施例的基础上，以鄂尔多斯盆地延长组长73亚段富有机质页岩层系为例，说明基于机器监督学习识别页岩纹层组合类型的具体技术方法：第一步：对页岩储层不同类型纹层组合的典型岩心进行X射线衍射全岩分析，确定主要发育的矿物类型为石英、长石、黄铁矿和黏土矿物，所述石英、长石、黄铁矿和黏土矿物共占全岩矿物成分平均组成的96.8％，如图1所示，图1中石英占全岩矿物成分的35％，长石占全岩矿物成分的12.8％，黄铁矿占全岩矿物成分的17.8％，黏土矿物占全岩矿物成分的31.2％，其他矿物占全岩矿物成分的3.2％。上述中石英、长石、黄铁矿和黏土作为机器监督学习所需的预测目标值。
步骤2：针对上述确定的主要矿物类型，与常规测井数据进行相关性分析，选取对矿物敏感的测井数据为自然伽马测井GR、声波时差测井AC、自然电位测井SP、中子测井CNL、密度测井DEN，作为机器监督学习所需的输入参数，见表1：
表1矿物与测井数据相关性分析表
步骤3：基于机器监督学习，采用Tensorflow在线开放源代码软件库，采用python3.0设计语言进行机械学习的程序编写工作，使用Keras建立和评估监督机器学习的模型，对输入参数和预测目标值进行模型开发工作，具体步骤如下：
步骤301：将由矿物含量数据及其对应深度测井数据组成的样本集，导入在线神经网络设计软件，为机器监督学习作数据准备；
步骤302：对测井数据进行标准化处理，将其线性变换映射至[0，1]范围内，公式为：Xn＝(X-Xmin)/(Xmax-Xmin)
其中Xn为标准化后数值；X为原始样本数据，Xmin和Xmax分别为样本集各类型测井数据的最小值和最大值；
步骤303：采用随机的方式将样品集按照3：1分为训练集和测试集两类，其中训练集数据为56组，用以训练来寻找最佳模型，测试集数据为剩余的19组，不参与训练过程，用以测试模型有效性；
步骤304：通过训练及优化神经网络参数，并对开发模型训练集和测试集所得矿物预测值与实测值进行散点测绘，对拟合直线进行衡量，确定开发的神经网络最优结构参数为：隐含层层数为1，隐藏层神经元为9，学习率为0.01，循环训练次数为2000；神经网络激活函数(Activation Functions)使用“rule”；优化器(Optimizer)使用“adam”；损失函数(Loss Function)使用均方误差“MSE”。
最优神经网络结构验证结果如下：训练集和测试集所得矿物预测值与实测值散点测绘的线性系数近似为1，整体保持在0.83以上，由于长石与测井曲线相关性较低且自身含量占比小，拟合较差，但预测效果仍在理想范围内，线性系数维持在0.6以上，如图2-图9所示，图2中，石英矿物训练集的预测丰度与实测丰度线性系数为0.9237；图3中，石英矿物测试集的预测丰度与实测丰度线性系数为0.8457；图4中，长石矿物训练集的预测丰度与实测丰度线性系数为0.6675；图5中，长石矿物测试集的预测丰度与实测丰度线性系数为0.6765；图6中，黄铁矿矿物训练集的预测丰度与实测丰度线性系数为0.8925；图7中，黄铁矿矿物测试集的预测丰度与实测丰度线性系数为0.9254；图8中，粘土矿物训练集的预测丰度与实测丰度线性系数为0.8993；图9中，粘土矿物测试集的预测丰度与实测丰度线性系数为0.8377。
步骤4：通过页岩层系的大量X射线衍射全岩分析数据，明确鄂尔多斯盆地延长组长73亚段页岩层不同类型纹层组合的矿物组分差异性，其中“富有机质+粉砂级长英质”二元纹层组合页岩的矿物组分整体呈现长石富集，石英和黄铁矿含量中等，粘土矿物含量低的特征；“富有机质+富凝灰质”二元纹层组合页岩的矿物组分整体呈现黄铁矿富集，石英和粘土矿物含量中等，长石含量低的特征；块状构造泥岩的矿物组分整体呈现石英和粘土矿物富集，长石含量低，黄铁矿含量极低的特征，如图10-图13所示，图10中，“富有机质+粉砂级长英质”二元纹层组合页岩、“富有机质+富凝灰质”二元纹层组合页岩及块状构造泥岩的石英百分含量主要分布范围为分别为15％～35％、15％～30％、35％～55％；图11中，“富有机质+粉砂级长英质”二元纹层组合页岩、“富有机质+富凝灰质”二元纹层组合页岩及块状构造泥岩的长石百分含量主要分布范围为分别为10％～25％、0％～15％、0％～10％；图12中，“富有机质+粉砂级长英质”二元纹层组合页岩、“富有机质+富凝灰质”二元纹层组合页岩及块状构造泥岩的黄铁矿百分含量主要分布范围为分别为10％～35％、25％～45％、0％～5％；图13中，“富有机质+粉砂级长英质”二元纹层组合页岩、“富有机质+富凝灰质”二元纹层组合页岩及块状构造泥岩的粘土矿物百分含量主要分布范围为分别为10％～35％、25％～45％、35％～55％。步骤5：利用开发模型，针对长73亚段富有机质云岩层系典型井宁70井进行垂向连续矿物组分预测及纹层组合判别。以宁70井连续常规测井数据作为输入参数，定量预测其对应深度矿物组分含量，结合上述分析所得不同纹层类型矿物组分含量差异性，进行垂向上纹层类型的连续判别，纹层组合类型的判别原则以矿物预测精度由高至低(黄铁矿、石英、粘土矿物、长石)进行逐级判别为准：①优先以黄铁矿预测值进行划分，其中低值判断为块状页岩，并结合石英相对高值；高值判断为二元纹层组合页岩；并结合石英相对低值。②其次针对黄铁矿高值分布区进行划分，其中波谷判断为“富有机质+粉砂级长英质”二元纹层组合页岩，并结合长石含量为高值、粘土矿物含量为低值；波峰判断为“富有机质+富凝灰质”二元纹层组合页岩，并结合长石含量为低值、粘土矿物含量为相对高值。
宁70井的矿物预测值与实测值吻合较好；通过“常规测井数据-矿物成分预测-纹层组合判别”的模式，对该井富有机质页岩段纹层组合类型进行垂向的连续预判结果与岩心镜下观察结果相符合，如图14所，图14中，矿物组分含量高的石英、黄铁矿、粘土矿物测井响应明显，预测偏差明显小于含量低的矿物组分(长石)，但低含量矿物垂向变化趋势仍与实测值相符合；应用开发模型，预测宁70井泥页岩段厚度共计8.5m，其中“富有机质+粉砂级长英质”二元纹层组合页岩判别厚度为4.4m，占比最大；“富有机质+富凝灰质”二元纹层组合页岩判别厚度为3.6m；块状泥岩判别厚度为0.4m。本发明在基于机器监督学习上，利用常规测井数据预测对应深度矿物组分含量，结合不同纹层类型矿物组分含量的差异性，对页岩储层纹层组合垂向分布特征进行连续判别，解决了当前在岩心资料有限条件下，非均质强的页岩纹层组合垂向连续性展布判别困难的问题。
需要说明的是，上述各技术特征继续相互组合，形成未在上面列举的各种实施例，均视为本发明说明书记载的范围；并且，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (1)
1.一种基于机器监督学习识别页岩纹层组合类型的方法，其特征在于，包括以下步骤：
步骤1：对页岩储层不同类型纹层的典型岩心进行矿物组分含量分析，借助X射线衍射全岩分析技术，确定矿物类型，作为机器监督学习所需的预测目标值；
步骤2：针对步骤1中的矿物类型，与常规测井数据进行相关性分析，选取对矿物敏感的测井数据，作为机器监督学习所需的输入参数；
步骤3：基于机器监督学习，采用Tensorflow在线开放源代码软件库，采用python3.0设计语言进行机械学习的程序编写工作，使用Keras建立和评估机器监督学习的模型，对测井数据作为输入参数和矿物类型作为预测目标值进行模型开发；
步骤4：通过页岩层系的大量全岩分析数据，针对矿物类型，建立不同纹层组合内的频率分布图，明确不同纹层组合矿物组分差异性；
步骤5：利用开发模型，以连续常规测井新数据作为输入参数，定量预测其对应深度矿物组分含量，结合上述分析所得不同纹层组合类型矿物组分含量差异性，按照所建开发模型的矿物预测精度由高至低逐级判别的原则，进行垂向上纹层组合类型的连续判别；
其中，步骤3的具体步骤如下：
步骤301：将由预测目标值数据及其对应输入参数组成的样本集，导入在线神经网络设计软件，为机器监督学习作数据准备；
步骤302：对输入参数进行标准化处理，将其线性变换映射至[0，1]范围内，公式为：Xn＝(X-Xmin)/(Xmax-Xmin)
其中Xn为标准化后数值；X为原始样本数据，Xmin和Xmax分别为样本集各类型测井数据的最小值和最大值；
步骤303：采用随机的方式将样品集按照3：1分为训练集和测试集两类，其中75％的数据用以训练，以寻找最佳模型，剩余25％的数据不参与训练过程，用以测试模型有效性；
步骤304：通过对训练集迭代学习，优化神经网络参数：根据Kolmogorov定理公式及经验公式得出隐藏层神经元个数的调试范围，其中，Kolmogorov定理公式为s＝2m+1；经验公式为：
在保证其他参数相同的状态下，对设置范围内的参数进行逐一调试，并对开发模型训练集和测试集所得矿物预测值与实测值进行散点测绘，对拟合直线进行衡量，其中相关系数最高的模型为最优模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011542353.6A CN112731544B (zh) | 2020-12-22 | 2020-12-22 | 一种基于机器监督学习识别页岩纹层组合类型的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011542353.6A CN112731544B (zh) | 2020-12-22 | 2020-12-22 | 一种基于机器监督学习识别页岩纹层组合类型的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112731544A CN112731544A (zh) | 2021-04-30 |
| CN112731544B true CN112731544B (zh) | 2022-07-15 |
Family
ID=75604729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011542353.6A Active CN112731544B (zh) | 2020-12-22 | 2020-12-22 | 一种基于机器监督学习识别页岩纹层组合类型的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112731544B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118470022A (zh) * | 2024-07-12 | 2024-08-09 | 武汉中旺亿能科技发展有限公司 | 一种页岩储层页理发育的机器学习型定量表征方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102519853A (zh) * | 2011-12-05 | 2012-06-27 | 中国石油大学(华东) | 孔隙结构约束下有效储层采出工业孔隙度下限求取方法 |
| CN104316971A (zh) * | 2014-10-21 | 2015-01-28 | 中国石油天然气股份有限公司 | 一种非弹性散射和俘获伽马能谱联合解析方法 |
| AU2012394402A1 (en) * | 2012-11-16 | 2015-05-07 | Halliburton Energy Services, Inc. | Triple phase evaluation of formation fluids |
| CN107515290A (zh) * | 2016-06-15 | 2017-12-26 | 中国石油化工股份有限公司 | 岩石矿物组分含量定量计算方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105572757A (zh) * | 2015-11-03 | 2016-05-11 | 山东科技大学 | 一种描述煤系细粒沉积结构的方法 |
-
2020
- 2020-12-22 CN CN202011542353.6A patent/CN112731544B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102519853A (zh) * | 2011-12-05 | 2012-06-27 | 中国石油大学(华东) | 孔隙结构约束下有效储层采出工业孔隙度下限求取方法 |
| AU2012394402A1 (en) * | 2012-11-16 | 2015-05-07 | Halliburton Energy Services, Inc. | Triple phase evaluation of formation fluids |
| CN104316971A (zh) * | 2014-10-21 | 2015-01-28 | 中国石油天然气股份有限公司 | 一种非弹性散射和俘获伽马能谱联合解析方法 |
| CN107515290A (zh) * | 2016-06-15 | 2017-12-26 | 中国石油化工股份有限公司 | 岩石矿物组分含量定量计算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 鄂尔多斯盆地致密油勘探开发新进展及规模富集可开发主控因素;付金华，等;《中国石油勘探》;20150930;第20卷(第5期);9-19 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112731544A (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103867194B (zh) | 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 | |
| CN105528522A (zh) | 一种基于空间网格计算连续性油气藏资源量的方法及装置 | |
| CN109115987B (zh) | 一种基于岩石物理模型的流体因子的评价方法及装置 | |
| KR101148835B1 (ko) | 물리검층 자료의 통계분석을 이용한 오일샌드 저류층 암상 예측방법 및 이를 구현하는 시스템 | |
| 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 | |
| CN109636094A (zh) | 低渗透油田储层类型识别方法和装置 | |
| CN103345566A (zh) | 基于地质内涵的化探异常识别与评价方法 | |
| CN105869060A (zh) | 一种细粒岩微细纹层分类方法 | |
| CN112731544B (zh) | 一种基于机器监督学习识别页岩纹层组合类型的方法 | |
| CN113033648A (zh) | 一种使用机器学习算法实现测井解释的方法 | |
| CN111175819B (zh) | 井震多级约束的砂砾岩扇体沉积相带精细划分方法 | |
| Leung et al. | Sample truncation strategies for outlier removal in geochemical data: the MCD robust distance approach versus t-SNE ensemble clustering | |
| CN111694855B (zh) | 储层敏感性智能预测数据处理方法及装置 | |
| CN113534284A (zh) | 一种利用水质参数推测砂体氧化带发育特征的方法 | |
| CN104880737A (zh) | 测井资料识别地下流体类型的多元Logistic方法 | |
| CN111155980B (zh) | 一种水流优势通道识别方法及装置 | |
| CN112147713B (zh) | 泥页岩总有机碳含量分段预测方法 | |
| CN111691878B (zh) | 用于页岩的岩相品质分级评价方法及装置 | |
| CN111580179B (zh) | 一种有机碳含量确定方法、装置及系统 | |
| CN106285661A (zh) | 一种基于判定指数的低阻油层识别方法及装置 | |
| CN115755184A (zh) | 盆地边缘地区油气勘探潜力快速评价方法及装置 | |
| Zhao et al. | Investigating the spatial distribution of antimony geochemical anomalies located in the Yunnan-Guizhou-Guangxi region, China | |
| Guo et al. | Prediction of hydrocarbon source rock distribution using logging curves: A case study of Es3 2 source rock in Nanpu Sag, Huanghua depression, Bohai Bay Basin | |
| Palmer | Using AI and Machine Learning to Indicate Shale Anisotropy and Assist in Completions Design | |
| Jarzyna et al. | Total organic carbon from well logging-statistical approach, Polish shale gas formation case study |
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 |