CN112987125A - 一种基于测井数据的页岩脆性指数预测方法 - Google Patents

Abstract

本发明实施例公开了一种基于测井数据的页岩脆性指数预测方法，包括采集岩心，提取所述岩心对应采集井的初始测井曲线，对采集的所述岩心进行三轴压缩试验以获取应力‑应变曲线，计算试验测定脆性指数；采用线性回归和敏感性分析从初始测井曲线中识别并选择有效测井曲线，对所述有效测井曲线进行标准化处理后通过主成分分析和反向传播神经网络法建立预测模型；对所述预测模型进行预测性能评估，并基于评估结果对所述预测模型进行再次训练和修正。本发明利用常规测井数据和实验室测定的脆性指数，使用主成分分析和反向传播神经网络建立模型进行脆性指数的预测，从而达到缩减计算量以及提高预测准确度的目的。

Description

一种基于测井数据的页岩脆性指数预测方法

技术领域

本发明实施例涉及测井数据处理技术领域，具体涉及一种基于测井数据的页岩脆性指数预测方法。

背景技术

多级水力压裂已成为非常规页岩气开采过程中应用最广泛、最有效的提高页岩气产量的方法之一。实践生产表明，并不是所有的页岩气藏都是合适的水力压裂层段。页岩的脆性是影响压裂难度的重要力学性能之一。在现有技术中认为高脆性页岩有利于压裂增产，主要表现在三个方面：(1)高脆性页岩有利于天然裂缝的形成和保存；(2)人工裂缝易在脆性较好的页岩中产生和扩展；(3)脆性页岩中压裂缝的愈合时间较长。因此，脆性的定量评价对选择合理压裂层段起着至关重要的作用。

目前对于页岩脆性指数(brittleness index，简称BI。)的计算方式主要包括以下三类：

基于矿物组分的岩石脆性指数评价方法，岩石矿物的含量可通过室内实验或测井资料获取，从而计算脆性指数。然而，目前关于脆性矿物的认定未能达成共识，部分矿物是否应被划分为脆性矿物存在争议。其次，每种矿物被赋予相同的权重系数，这意味着每种矿物对岩石脆性的贡献相同。然而不同矿物在力学性质上存在明显的差异，因此认为不同矿物具有相同权重系数缺乏充分的科学依据。另外，该方法没有考虑岩石孔隙度和岩石结构等影响因素。因此，基于矿物组分的岩石脆性指数评价方法不能准确评估岩石的脆性。

基于弹性参数的岩石脆性指数评价方法，此方法认为杨氏模量越高，泊松比越低，岩石脆性越好。然而，关于杨氏模量和泊松比是否可用来评价脆性存在较大的争论。因为这两个参数仅是对应非永久(弹性)变形的弹性参数，但材料的破坏不仅包括非永久变形，还包括永久变形(即破裂)。此外，有研究发现该模型计算的脆性指数几乎保持不变，甚至随着围压的增大而增大。这一结果与围压减小会增加岩石脆性这一事实相矛盾。因此，基于弹性参数的岩石脆性指数评价方法是否具有科学性有待考究。

基于岩石应力-应变曲线的能量脆性指数评价方法，岩石试样在外部载荷作用下的完整应力-应变曲线反映了试样的变形和破裂特征。基于能量守恒的应力-应变曲线计算岩石脆性指数法准确地分析了岩样吸收能量和耗散能量关系，该方法具有充分的科学严谨性，但是其存在的一些缺点阻碍了广泛应用。第一，当岩石样品无法获得或不完整时，很难进行实验测定。第二，实验测定时间和金钱成本高。第三，利用该方法得到的脆性指数结果为不连续的散点，会导致部分潜在压裂层段被忽略。

由于岩石的脆性特征是岩石在一定的地层条件下的岩石不同矿物组成、结构和物理力学性质的综合结果。因此，仅根据一种或两种测井曲线估算的脆性指数不能全面体现岩石的脆性特征。此外，使用简单的经验公式(如线性拟合)计算得到的脆性指数不够精确，因为这种粗略的经验关系会导致预测值与真实值相差较大。

发明内容

为此，本发明实施例提供一种基于测井数据的页岩脆性指数预测方法，利用常规测井数据和实验室测定的脆性指数，使用主成分分析和反向传播神经网络建立模型进行脆性指数预测，以解决现有技术中的问题。

为了实现上述目的，本发明的实施方式提供如下技术方案：

一种基于测井数据的页岩脆性指数预测方法，包括如下步骤：

步骤100、采集多份岩心样本，并提取所有岩心样本对应的采集井的初始测井曲线，对采集的所述岩心样本进行三轴压缩试验以获取应力-应变曲线，并计算试验测定脆性指数，获得由初始测井曲线和实验测定脆性指数组成的多份数据集；

步骤200、利用主成分分析和反向传播神经网络算法构建BI预测模型；

其中，对部分的数据集中的所述初始测井曲线进行线性回归和敏感性分析获得的有效测井曲线作为BI预测模型的输入控制变量，与所述部分的数据集中的所述初始测井曲线对应的实验测定脆性指数作为BI预测模型的输出值；

利用主成分分析对所述输入控制变量进行主成分的提取，并将提取的结果输入反向传播神经网络算法来获取预测值；

步骤300、通过未经过步骤200的部分的数据集对所述BI预测模型进行预测性能评估，并基于评估结果对所述BI预测模型进行训练和参数修正。

进一步地，在步骤100中，计算试验测定脆性指数的具体方法为：

步骤101、选择岩心样本，并在对应的采集井内进行深度匹配，再利用岩心描述报告和初始测井曲线对深度进行校正；

步骤102、设定模拟地层压力，利用三轴压缩试验系统在模拟地层压力的条件下对多个岩心样本依次进行三轴压缩试验；

步骤103、以设定的恒定加载速率加载压力，记录加载压力并测量岩心样本的轴向应变率；

步骤104、在同一个坐标系上建立岩心的应力-应变曲线，并基于应力-应变曲线计算试验测定脆性指数。

进一步地，在步骤200中识别并选择有效测井曲线的方法包括：

线性回归拟合，对应每个所述岩心，获取每个所述采集井的全部初始测井曲线，对所有的所述初始测井曲线进行预处理获得不同类型的测井数据；获取每个所述岩心的所述试验测定脆性指数，在同一坐标系上基于所述试验测定脆性指数和所对应的测井数据建立散点图并进行拟合计算相关系数，根据相关系数的阈值识别并选择有效测井曲线；

敏感性分析，根据不同初始测井曲线所表征的地质背景在线性回归拟合的基础上对所有初始测井曲线进行识别和选择。

进一步地，在步骤200中，对所述有效曲线进行标准化处理后再进行主成分分析，进行标准化处理的具体方法为：

设定a_i为输入控制变量第i个值的标准值，i＝1,2,……，n，n为岩心样本的个数；

则

其中，

x_i为变量的第i个值，

为变量的均值。

进一步地，在步骤200中，主成分分析包括如下步骤：

设定共有n个岩心，且每个所述岩心观测p个指标，则岩心数据表示为：

X＝[x_ij]_p×n＝(X₁,X₂,...,X_P)＇；

X_i＝(x_i1,x_i2,...,x_in)；

则所述X的相关阵R为：

R＝(r_ij)_p×p,

其中，

设定R的特征值为λ，特征向量为E，令(λI-R)E＝0；

其中，E＝[E₁，E₂，……，E_p]，I为单位矩阵。

进一步地，将所述特征值按照降序排列，则有：

λ₁≥λ₂≥……≥λ_p≥0；

记第i个主成分为Pc_i，且Pc_i＝E_iX，并记主成分集合为Pc，其中，Pc＝[Pc₁，Pc₂，……，Pc_p]；

设定θ_i为Pc_i对原始数据的贡献率，ξ_k为前K个主成分对原始数据的累积贡献率，则：

进一步地，选择主成分的方法包括：

根据累计贡献率ξ_k＞80％-95％，选取主成分的个数；

根据特征值λ的大小，通常提取λ＞1的Pc_i为主成分。

进一步地，设定反向传播神经网络模型包括一个输入层、一个或多个隐含层和一个输出层，则所述反向传播神经网络法包括如下步骤：

提取主成分作为输入层的输入变量；

设定隐含层的训练算法，基于所述训练算法对所述输入变量进行训练计算直至输出数据和目标值之间的均方差误差达到验证阈值时，停止所述训练算法；

其中，所述验证阈值设定为MSE，则：

式中，m为输入个数，Y_k为数据点k的预测目标变量，y_k为数据点k的预测输出变量；

设定输出层的激活函数为f(x)，则：

进一步地，所述隐含层的层数由所述反向传播神经网络模型的架构确定，且所述隐含层的节点数由所述反向传播神经网络模型的学习需求确定；

所述输入层的节点数由输入层的维数确定，所述输出层的节点数由输出层的维数确定。

进一步地，对所述预测模型进行预测性能评估具体包括决定系数和平均绝对百分比误差；

将数据集随机分为三个子集分别作为训练子集、验证子集和测试子集，分别将训练子集、验证子集和测试子集的预测脆性指数与所述试验测定脆性指数进行对比，所述训练子集、验证子集和测试子集中各个数据点与1:1对角线的距离作为决定系数，记为R²；

记平均绝对百分比误差为MAPE，则：

其中，A_i为实测值，F_i为预测值，n为岩心个数。

本发明的实施方式具有如下优点：

本发明利用常规测井数据和实验室测定的脆性指数，使用主成分分析和反向传播神经网络建立模型进行脆性指数的预测，从而达到缩减计算量以及提高预测准确度的目的。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。

图1为本发明实施方式中的流程示意图；

图2为本发明实施方式中三轴压缩下不同代表岩样的应力-应变曲线；

图3为本发明实施方式中PCA-BPNN模型及BPNN模型构建流程图；

图4为本发明实施方式中由应力-应变曲线得到的BIcore与常规测井参数的关系；

图5为本发明实施方式中提供的多份岩心样本的三轴压缩试验装置结构示意图；

图6为本发明实施方式中提供的三轴压缩试验装置的内筒体的结构示意图。

图中：

1-外筒体；2-内筒体；3-配压空隙；4-固定传感轴；5-盖体；6-密封分隔板；7-轴向压动作杆；8-导向轴；9-侧压施力板；10-导向套；11-传动套管；21-中空柱状主体；22-贯穿流道。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供了一种基于测井数据的页岩脆性指数预测方法，包括如下步骤：

步骤100、采集多份岩心样本，并提取所有岩心样本对应的采集井的初始测井曲线，对采集的所述岩心样本进行三轴压缩试验以获取应力-应变曲线，并计算试验测定脆性指数，获得由初始测井曲线和实验测定脆性指数组成的多份数据集；

步骤200、利用主成分分析和反向传播神经网络算法构建BI预测模型，对部分的数据集中的所述初始测井曲线进行线性回归和敏感性分析获得的有效测井曲线作为BI预测模型的输入控制变量，与所述部分的数据集中的所述初始测井曲线对应的实验测定脆性指数作为BI预测模型的输出值；

其中，利用主成分分析对所述输入控制变量进行主成分的提取，并将提取的结果输入反向传播神经网络算法来获取预测值；

步骤300、通过未经过步骤200的部分的数据集对所述BI预测模型进行预测性能评估，并基于评估结果对所述BI预测模型进行训练和参数修正。

在步骤100中，计算试验测定脆性指数的具体方法为：

步骤101、选择岩心，并在对应的采集井内进行深度匹配，再利用岩心描述报告和初始测井曲线对深度进行校正；

步骤102、设定模拟地层压力，利用三轴压缩试验系统在模拟地层压力的条件下对多个岩心依次进行三轴压缩试验；

步骤103、以设定的恒定加载速率加载压力，记录加载压力并测量岩心的轴向应变率；

步骤104、在同一个坐标系上建立岩心的应力-应变曲线，并基于应力-应变曲线计算试验测定脆性指数。

在本发明中，以四川盆地的3口井作为实施例进一步说明，在该实施例中共采集了同套目的层段的63个钻孔岩心样品。取样前必须进行深度匹配，利用岩心描述报告将岩心样品与预处理测井曲线进行匹配。在样品选择过程中应注意以下几点:

(1)在采样深度区间内，应存在常规测井资料；

(2)为保证神经网络能够学习多种样本模式，应采用不同岩性特征的岩石；

(3)应避免在岩层突变界面和薄层取样，因为这些样本的测井资料容易受到围岩的影响。

为了获取岩样的应力-应变曲线，计算岩样的脆性指数，利用TAW-1000刚性岩石三轴压缩试验系统，对采集的63块岩芯进行了三轴压缩试验。加载能力为1000KN，最大围压达80Mpa。模拟地层压力将围压设置为30MPa。所有岩芯被磨制为直径25mm、高60mm的圆柱。为避免潜在各向异性对岩石破裂行为的影响，岩样层理面应垂直于实验仪器气缸轴线。此外，在样品制备过程中损坏的岩石样品应被移除。实验在0.12mm/min的恒定加载速率下进行。图2为部分样品的全应力-应变曲线及其力学参数的示例。

其中，f，破坏应力；σr，残余应力；Wet，总弹性能；Wer，残余弹性能；We，消耗弹性能；Wr，破裂能；Wp，塑性能；Wa，补充能；BI1，We/Wr比率；BI2，We/(We+Wp)比；BIcore，实验测定的脆性指数，记为BIcore＝BI1+BI2。

在本发明中为了比较其优越性，同时建立反向传播神经网络模型(BPNN)和利用降维工具主成分分析(PCA)对BPNN算法优化建立的模型(PCA-BPNN)。

BPNN是一种人工智能方法，它可以通过不断地试错学习过程，在预测值控制变量(输入变量)和预测值(输出变量)之间建立复杂的非线性关系。该方法已成功应用于油气勘探开发领域，例如渗透率、孔隙度和有机碳含量的预测。然而，该方法在BI预测方面却鲜有应用。在本研究要建立的BI预测模型中，输出值为实验测得的脆性指数(BIcore)。值得注意的是，BPNN模型的预测精度很大程度上取决于输入变量的准确性和适用性。因此，采用线性回归和敏感性分析来选择有效的测井曲线。然而，所选择的测井曲线之间存在信息重叠。过量和高度相关的输入变量使BPNN的学习过程复杂化，这可能降低模型的预测精度。为了解决这一问题，利用降维工具主成分分析(PCA)对BPNN算法进行优化，采用主成分分析优化后的BPNN称为PCA-BPNN。将测井数据中提取出的主成分作为PCA-BPNN模型的输入变量。为了对比，同时建立了未经过主成分分析优化的BPNN模型，即直接将选取的测井数据作为输入变量。然后确定模型参数，建立这两个模型的结构。图3为PCA-BPNN模型及BPNN模型构建流程图。

在步骤200中识别并选择有效测井曲线的方法包括：

线性回归拟合，对应每个所述岩心，获取每个所述采集井的全部初始测井曲线，对所有的所述初始测井曲线进行预处理获得不同类型的测井数据；获取每个所述岩心的所述试验测定脆性指数，在同一坐标系上基于所述试验测定脆性指数和所对应的测井数据建立散点图并进行拟合计算相关系数，根据相关系数的阈值识别并选择有效测井曲线；

敏感性分析，根据不同初始测井曲线所表征的地质背景在线性回归拟合的基础上对所有初始测井曲线进行识别和选择。

以上两种方法具体为：

选择合适的测井变量进行脆性评价是建立模型的关键步骤。选择与BIcore值有较强的相关性的测井曲线，可以实现脆性指数的准确预测。本研究收集了完整的常规测井数据集，包括自然伽马(GR)、密度(DEN)、声波(DT)、中子孔隙度(CNL)、自然电位(SP)和深部侧向电阻率测井(LLD)。表1列出了实验脆性值(BIcore)和相应的常规测井数据的基本统计数据。在这些测井资料中，首先排除了LLD测井，因为LLD测井反映了地层电阻率，而地层电阻率主要受地层流体的控制，与岩石的力学性质和破裂行为无密切关联。将实验测定的样本BIcore值和相应的测井数据的进行线性回归拟合分析，从而选择有效的测井数据(图4)。

表1实验脆性值(BIcore)和相应的常规测井数据的基本统计数据

测井曲线	符号和单位	最小值	最大值	平均值	标准偏差
						自然伽马(GR)	GR(API)	47	118	75.49	12.45
自然电位(SP)	SP(mV)	-26	13	-3.78	9.18
						声波(DT)	DT(us/m)	193	231	206.65	8.64
密度(DEN)	DEN(g/cm3)	2.09	2.84	2.52	0.17
						中子孔隙度(CNL)	CNL(％)	6	26	12.71	4.65
深部侧向电阻率测井(LLD)	LLD(ohm)	25	1784	360.79	407.56
						实验测定的脆性指数	BIcore	0.18	0.88	0.56	0.22

由图4的结果表明，BIcore与GR、SP、DEN呈正相关，与DT和CNL呈负相关，决定系数R²值相对较低，为0.4左右。

除线性回归拟合分析外，还对测井数据与BIcore进行了敏感性分析。用相关系数(r)作为研究脆性指数与测井资料相关性的重要指标。相关系数绝对值越大，说明该参数对脆性指数的影响越大。正r值和负r值分别表示测井资料与BIcore呈正相关和负相关。

以下对测井资料与BIcore相关性做进一步的解释说明：

5个测井变量与BIcore值的相关系数约为0.6(表2)，这些结果可以从岩石物理的角度解释。结果显示，GR与脆性指数值呈负相关关系，相关系数为0.663。由于铀在有机质中的富集会导致岩石具有相对强烈的放射性，总有机碳(TOC)含量高的页岩产生高伽马射线值。而有机质主要富集于硅质页岩和碳质页岩中，该类岩石由于含有较高含量的石英和碳酸盐矿物而往往具有高脆性。因此，高脆性的岩石一般具有高GR(即TOC丰富)的特征。

岩石孔隙度的增加会导致岩石脆性的降低。因此，三种孔隙度测井(DT、CNL、DEN)对脆性指数的预测有重要影响。此外，DT和DEN在弹性参数(杨氏模量和泊松比)的计算中起着关键作用，而中子孔隙度(CNL)与内摩擦角密切相关。弹性参数和内摩擦角是重要的力学参数，与岩石的脆性密切相关。因此，这三种测井曲线可以作为预测脆性指数的有效测井曲线。

因为自然电位测井曲线能反映岩层的粘土矿物含量和孔隙度，而粘土矿物被认为是降低岩石脆性的塑性矿物。所以自然电位测井与脆性指数值表现出较强相关性，因而也被认为是重要的脆性指数影响参数。

根据以上结果，认为GR、SP、DT、DEN和CNL是预测BI的有效参数，因此，将这五条测井曲线作为原始输入参数，来建立准确的BI预测模型。

表2测井变量与样本实验脆性指标值的相关系数

r	GR	SP	DT	DEN	CNL	BI<sub>core</sub>
							GR	1
SP	0.221	1
							DT	0.204	0.527	1
DEN	-0.240	-0.303	-0.579	1
							CNL	0.434	0.547	0.585	-0.338	1
BI<sub>core</sub>	0.663	0.568	-0.613	0.661	-0.653	1

在步骤200中对所述有效测井曲线进行标准化处理的具体方法为：

设定a_i为变量第i个值的标准值，i＝1,2,……，n，n为岩心的个数；

则

其中，

x_i为变量的第i个值，

为所有变量的均值。

作为本发明的一种优选方案，在步骤200中，主成分分析包括如下步骤：

设定共有n个岩心，且每个所述岩心观测p个指标，则岩心数据表示为：

X＝[x_ij]_p×n＝(X₁,X₂,...,X_P)＇；

X_i＝(x_i1,x_i2,...,x_in)；

则所述X的相关阵R为：

R＝(r_ij)_p×p,

其中，

设定R的特征值为λ，特征向量为E，令(λI-R)E＝0；

其中，E＝[E₁，E₂，……，E_p]，I为单位矩阵。

作为本发明的一种优选方案，将所述特征值按照降序排列，则有：

λ₁≥λ₂≥……≥λ_p≥0；

记第i个主成分为Pc_i，且Pc_i＝E_iX，并记主成分集合为Pc，其中，Pc＝[Pc₁，Pc₂，……，Pc_p]；

设定θ_i为Pc_i对原始数据的贡献率，ξ_k为前K个主成分对原始数据的累积贡献率，则：

作为本发明的一种优选方案，选择主成分的方法包括：

根据累计贡献率ξ_k＞80％-95％，选取主成分的个数；

根据特征值λ的大小，通常提取λ＞1的Pc_i为主成分。

由表2可知，五条测井曲线之间存在着相关性，因此可进行主成分分析。对于PCA-BPNN模型，将选取的5条测井曲线作为原始的5维数据集，根据主成分分析方法从原始数据中提取主成分，提取的主成分作为PCA-BPNN神经网络模型的输入变量。主成分分析计算出的五个主成分对应的特征值和累积贡献如表6所示，选取了前三个累计贡献率(ξk)为85.69％的主成分，表明这三个主成分包含了原始变量85.69％的信息。

表3五条测井曲线的主成分贡献分析

主成分序号	特征值	累积贡献率(％)
			第1主成分	2.639	52.78
第2主成分	0.897	70.71
			第3主成分	0.749	85.69
第4主成分	0.427	94.23
			第5主成分	0.289	100.00

作为本发明的一种优选方案，设定反向传播神经网络模型包括一个输入层、一个或多个隐含层和一个输出层，则所述反向传播神经网络法包括如下步骤：

提取主成分作为输入层的输入变量；

设定隐含层的训练算法，基于所述训练算法对所述输入变量进行训练计算直至输出数据和目标值之间的均方差误差达到验证阈值时，停止所述训练算法；

其中，所述验证阈值设定为MSE，则：

式中，m为输入个数，Y_k为数据点k的预测目标变量，y_k为数据点k的预测输出变量；

设定输出层的激活函数为f(x)，则：

作为本发明的一种优选方案，所述隐含层的层数由所述反向传播神经网络模型的架构确定，且所述隐含层的节点数由所述反向传播神经网络模型的学习需求确定；

所述输入层的节点数由输入层的维数确定，所述输出层的节点数由输出层的维数确定。

作为本发明的一种优选方案，对所述预测模型进行预测性能评估具体包括决定系数和平均绝对百分比误差；

决定系数，将数据集随机分为三个子集分别作为训练子集、验证子集和测试子集，分别将训练子集、验证子集和全体数据的预测脆性指数与所述试验测定脆性指数进行对比，所述训练子集、验证子集和测试子集中各个数据点与1:1对角线的距离作为决定系数，记为R²；

记平均绝对百分比误差为MAPE，则：

其中，A_i为实测值，F_i为预测值，n为岩心个数。

进一步地，在进行本发明中，由于需要的进行BI预测模型的训练数据体量较大，而现有的三轴压缩实现装置一次只能够进行一组数据集的采集，费时费力。

并且，则需要对三轴压缩试验装置进行反复的使用，每次使用用需要进行调零，这些由于试验装置操作的机械误差，很容易造成初始测井曲线的线性回归和敏感性分析的过程中出现数据偏差，在主成分分析时，可提取的有效初始测井曲线减少，BI预测模型在最终的性能评估时，也容易因为训练子集的体量减少，验证子集不足而造成BI预测模型对预测值的误差增大。

为此，如图5和图6所示，本发明在上述的基础上还提供了一种用于对多份岩心样本同时进行三轴压缩试验装置，包括安装在底座上的外筒体1，以及等间距环形阵列在外筒体1内的用于形成三轴压力室的多个内筒体2，三轴压力室和内筒体3之间设置有配压空隙3，内筒体2通过固定传感轴4安装在外筒体1上，其中内筒体2内用于放置岩心样本。

通过在外筒体1内环形设置多个内筒体2来实现在一个测量实验中，同时实现多个岩心样本的压缩实验，并且通过现有的同步的轴压系统、侧压系统以及孔隙水压读取系统的连接，即可简单的实现多份岩心样本的三轴压缩实验，大大的增加预测模型的训练数据的采集效率。

外筒体1的顶部设置有盖体5，位于盖体5与内筒体2顶部之间的外筒体1内设置有密封分隔板6，密封分隔板6上设置有与内筒体2一一对应的轴向压动作杆7，其中轴向压动作杆7即现有的轴压系统的动作执行机构，用于向位于内筒体2中的岩心进行轴向压力的施加，且轴向压动作杆7与内筒体2的轴线保持一致，轴向压动作杆7的顶部延伸出盖体5，轴向压力动作杆7与密封分隔板6固定连接。

盖体5的轴线上设置有导向轴8，导向轴8沿外筒体1的轴线延伸至外筒体1的内底部，导向轴8上套装有侧压施力板9，侧压施力板9通过传动套管11套装在导向轴8上，侧压施力板9位于密封分隔板6底部的导向轴8的轴身上，且传动套管11的顶部轴向延伸出盖体5，侧压施力板9的直径与多个环形阵列的内筒体2形成的环形柱体的内径的直径相同。

通过设置密封分隔板6，则能够将外筒体1的空间分为两部分，在进行三轴压缩实验时，密封分隔板6跟随轴向压动作杆7移动，则能够同步的压缩内筒体2所在的外筒体1的腔体，是的所有的内筒体2的内环境一致，并且又能够通过密封分隔板6的顶部和外筒体1形成的腔体进行轴向压力的补偿，以及将补偿的部分作为误差参数，来提高整体的测量精度。

在多个环形阵列的内筒体2形成环形柱体的内径顶部安装有与侧压施力板9相配合的导向套10。

由于要收集完整的常规测井数据集，以及在最后的岩石的力学性质和破裂行为的物理结构表征需要与预测值的理论数据进行对比，现有的也只是通过人眼观察岩心样本的变换，并进行手动的记录，无法准确的获知岩心样本的在三轴施压后的物理表征结果数据和预测值进行对应。

为此，本发明中内筒体2包括中空柱状主体21，以及沿中空柱状主体21的轴向设置在中空柱状主体21表面的贯穿流道22，贯穿流道22连通中空柱状主体21的内部和外部，岩心样本放置在中空柱状主体21内，在外置驱动装置的作用下驱动传动套管11沿导向轴8的轴向移动，使侧压施力板9对侧压施力板9底部的空间区域进行一个预设压力值的试压动作，由此产生的状态数据，可以通过固定传感轴4获取配压空隙3此时的状态值，在三轴压缩实验完成后，通过侧压施力板9进行预设压力值的试压动作，来获取固定传感轴4获取的配压空隙值3，通过两个数值的比对，可以准确的获知岩心样本的破坏或剪切后的物理结构特征。

进一步说明的是，位于侧压施力板9底部的空间区域在收到侧压施力板9的轴向压力时，会通过贯穿流道22进入配压空隙3，从而形成对岩心样本的侧压。

而由于配压空隙3的作用包括两部分：

一是、当配压空隙3在三轴压缩实验时，其配压空隙3的压力远大于贯穿流道22进入配压空隙3的出口处形成的压力沿岩心样本径向的压力，来保证在三轴实验时，岩心样本表面收到的侧压均匀；

二是、在进行试压动作时，配压空隙3的压力小于或等于贯穿流道22进入配压空隙3的出口处形成的压力沿岩心样本径向的压力，这样则能够通过多个贯穿流道22对岩心样本径向压力来获取岩心样本的表面受压模型。

进一步说明的是，传动套管11和轴向压动作杆7的驱动装置相互独立，本发明通过将轴向压动作杆7和侧压施力板9的驱动装置均通过外置的支架安装在盖体5上，由于驱动装置可以采用现有的驱动方式，或者通过现有的驱动方式的简单结合即可，不是本发明的设计重点。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种基于测井数据的页岩脆性指数预测方法，其特征在于，包括如下步骤：

步骤100、采集多份岩心样本，并提取所有岩心样本对应的采集井的初始测井曲线，对采集的所述岩心样本进行三轴压缩试验以获取应力-应变曲线，并计算试验测定脆性指数，获得由初始测井曲线和实验测定脆性指数组成的多份数据集；

步骤200、利用主成分分析和反向传播神经网络算法构建BI预测模型；

其中，对部分的数据集中的所述初始测井曲线进行线性回归和敏感性分析获得的有效测井曲线作为BI预测模型的输入控制变量，与所述部分的数据集中的所述初始测井曲线对应的实验测定脆性指数作为为BI预测模型的输出值；

利用主成分分析对所述输入控制变量进行主成分的提取，并将提取的结果输入反向传播神经网络算法来获取预测值；

步骤300、通过未经过步骤200的部分的数据集对所述BI预测模型进行预测性能评估，并基于评估结果对所述BI预测模型进行训练和参数修正。

2.根据权利要求1所述的一种基于测井数据的页岩脆性指数预测方法，其特征在于，在步骤100中，计算试验测定脆性指数的具体方法为：

步骤101、选择岩心样本，并在对应的采集井内进行深度匹配，再利用岩心描述报告和初始测井曲线对深度进行校正；

步骤102、设定模拟地层压力，利用三轴压缩试验系统在模拟地层压力的条件下对多个岩心样本依次进行三轴压缩试验；

步骤103、以设定的恒定加载速率加载压力，记录加载压力并测量岩心样本的轴向应变率；

步骤104、在同一个坐标系上建立岩心的应力-应变曲线，并基于应力-应变曲线计算试验测定脆性指数。

3.根据权利要求1所述的一种基于测井数据的页岩脆性指数预测方法，其特征在于，在步骤200中识别并选择有效测井曲线的方法包括：

线性回归拟合，对应每个所述岩心，获取每个所述采集井的全部初始测井曲线，对所有的所述初始测井曲线进行预处理获得不同类型的测井数据；获取每个所述岩心的所述试验测定脆性指数，在同一坐标系上基于所述试验测定脆性指数和所对应的测井数据建立散点图并进行拟合计算相关系数，根据相关系数的阈值识别并选择有效测井曲线；

敏感性分析，根据不同初始测井曲线所表征的地质背景在线性回归拟合的基础上对所有初始测井曲线进行识别和选择。

4.根据权利要求3所述的一种基于测井数据的页岩脆性指数预测方法，其特征在于，在步骤200中，对所述有效曲线进行标准化处理后再进行主成分分析，进行标准化处理的具体方法为：

设定a_i为输入控制变量第i个值的标准值，i＝1,2,……，n，n为岩心样本的个数；

则

其中，

x_i为变量的第i个值，

为变量的均值。

5.根据权利要求4所述的一种基于测井数据的页岩脆性指数预测方法，其特征在于，在步骤200中，主成分分析包括如下步骤：

设定共有n个岩心，且每个所述岩心观测p个指标，则岩心数据表示为：

X＝[x_ij]_p×n＝(X₁,X₂,...,X_P)＇；

X_i＝(x_i1,x_i2,...,x_in)；

则所述X的相关阵R为：

R＝(r_ij)_p×p,

其中，

设定R的特征值为λ，特征向量为E，令(λI-R)E＝0；

其中，E＝[E₁，E₂，……，E_p]，I为单位矩阵。

6.根据权利要求5所述的一种基于测井数据的页岩脆性指数预测方法，其特征在于，将所述特征值按照降序排列，则有：

λ₁≥λ₂≥……≥λ_p≥0；

记第i个主成分为Pc_i，且Pc_i＝E_iX，并记主成分集合为Pc，其中，Pc＝[Pc₁，Pc₂，……，Pc_p]；

设定θ_i为Pc_i对原始数据的贡献率，ξ_k为前K个主成分对原始数据的累积贡献率，则：

7.根据权利要求6所述的一种基于测井数据的页岩脆性指数预测方法，其特征在于，选择主成分的方法包括：

根据累计贡献率ξ_k＞80％-95％，选取主成分的个数；

根据特征值λ的大小，通常提取λ＞1的Pc_i为主成分。

8.根据权利要求4所述的一种基于测井数据的页岩脆性指数预测方法，其特征在于，设定反向传播神经网络模型包括一个输入层、一个或多个隐含层和一个输出层，则所述反向传播神经网络法包括如下步骤：

提取主成分作为输入层的输入变量；

设定隐含层的训练算法，基于所述训练算法对所述输入变量进行训练计算直至输出数据和目标值之间的均方差误差达到验证阈值时，停止所述训练算法；

其中，所述验证阈值设定为MSE，则：

式中，m为输入个数，Y_k为数据点k的预测目标变量，y_k为数据点k的预测输出变量；

设定输出层的激活函数为f(x)，则：

9.根据权利要求8所述的一种基于测井数据的页岩脆性指数预测方法，其特征在于，所述隐含层的层数由所述反向传播神经网络模型的架构确定，且所述隐含层的节点数由所述反向传播神经网络模型的学习需求确定；

所述输入层的节点数由输入层的维数确定，所述输出层的节点数由输出层的维数确定。

10.根据权利要求1所述的一种基于测井数据的页岩脆性指数预测方法，其特征在于，对所述预测模型进行预测性能评估具体包括决定系数和平均绝对百分比误差；

将数据集随机分为三个子集分别作为训练子集、验证子集和测试子集，分别将训练子集、验证子集和测试子集的预测脆性指数与所述试验测定脆性指数进行对比，所述训练子集、验证子集和测试子集中各个数据点与1:1对角线的距离作为决定系数，记为R²；

记平均绝对百分比误差为MAPE，则：

其中，A_i为实测值，F_i为预测值，n为岩心个数。

Images