CN113027438A - 基于人工智能算法的测井数据预测油气储层岩性的方法 - Google Patents

Abstract

本发明公开了一种基于人工智能算法的测井数据预测油气储层岩性的方法，该方法包括：对已知的岩性数据和对应的测井数据进行选取、补充、清洗和数据标准化，以得到标准化岩性数据和标准化测井数据；基于标准化岩性数据、标准化测井数据和人工智能算法进行模型训练，得到预测模型；利用所述预测模型和待预测探井的测井数据计算岩性数据，以预测油气储层岩性。该方法在具有测井数据和部分岩心数据的前提下，能够快速有效地预测中、深部油气储层的各地层岩性数据。

Description

基于人工智能算法的测井数据预测油气储层岩性的方法

技术领域

本发明属于油气储层岩性预测技术领域，具体涉及一种基于人工智能算法的测井数据预测油气储层岩性的方法。

背景技术

目前已有钻井取样结合岩心分析技术能确定取样地层的岩性数据；对于中、深部储层，某口钻井往往只能取到部分岩心样品，而由于成本或者其它条件限制，有些钻井没有岩心样品；在只有测井数据和部分岩心数据的前提下，如何有效计算中、深部油气储层的各地层岩性数据，进行储层岩性预测，目前尚无高效的算法。

有鉴于此，本领域技术人员亟需提供一种基于人工智能算法的测井数据预测油气储层岩性的方法用于解决上述问题。

发明内容

(一)要解决的技术问题

本发明解决的技术问题是在只有测井数据和部分岩心数据的前提下，如何有效计算中、深部油气储层的各地层岩性数据，进行储层岩性预测。

(二)技术方案

本发明提供了一种基于人工智能算法的测井数据预测油气储层岩性的方法，该方法包括以下步骤：

对已知的岩性数据和对应的测井数据进行选取、补充、清洗和数据标准化，以得到标准化岩性数据和标准化测井数据；

基于所述标准化岩性数据、所述标准化测井数据和人工智能算法进行模型训练，得到预测模型；

利用所述预测模型和待预测探井的测井数据计算岩性数据，以预测油气储层岩性。

在一些实施例中，所述对已知的岩性数据和对应的测井数据进行选取，具体包括如下步骤：

依次去除待选取岩性数据和待选取测井数据，确定去除待选取岩性数据或待选取测井数据后对应的方差变化率；

在方差变化率小于设定变化率的情况下，保留对应的岩性数据和测井数据，以作为典型样本。

在一些实施例中，所述对已知的岩性数据和对应的测井数据进行补充，具体包括如下步骤：

比较岩性数据和测井数据的垂向深度范围；

选取相同深度区间上的岩性数据和测井数据，利用设定插值法进行数据补充；

其中，设定插值法为最近插值法、直接平均法、均匀分布法或正态分布法。

在一些实施例中，所述对已知的岩性数据和对应的测井数据进行标准化，具体为：

利用极差公式依次对岩性数据和测井数据进行标准化处理，以使标准化后数据分布于区间[0,1]。

在一些实施例中，所述基于标准化岩性数据、标准化测井数据和人工智能算法进行模型训练，具体包括如下步骤：

按照沉积相对所述标准化测井数据进行分类，并按照岩层对所述标准化测井数据和所述标准化岩性数据进行分类；

选取最小二乘支持向量机(Least Square Support Vector Machine，LS-SVM)模型对按照岩层分类后的标准化测井数据和标准化岩性数据进行模型训练，以建立预测模型。

在一些实施例中，所述按照沉积相对所述标准化测井数据进行分类，并按照岩层对所述标准化测井数据和所述标准化岩性数据进行分类，具体包括如下步骤：

依据深度开设窗口，在所述窗口内每隔设定深度选取一组标准化岩性数据和与准化岩性数据对应的标准化测井数据；

将选取的标准化测井数据记为x_i∈Rⁿ,i＝1,2,3…m，将对应的标准化岩性数据记为y_i∈R,i＝1,2,3…m，以优化标准化岩性数据和标准化测井数据。

在一些实施例中，所述选取LS-SVM模型对按照岩层分类后的标准化测井数据和标准化岩性数据进行模型训练，具体包括如下步骤：

将优化后的标准化岩性数据和对应的标准化测井数据代入如下模型：

S＝{(x₁,y₁)…(x_m,y_m)}；

式中，x_i∈Rⁿ，y_i∈R,i＝1,2,3…m；

在Rⁿ上寻找函数f(x)，使y_i＝f(x_i)，其中，i＝1,2,3…m；

通过求解系统确定预测模型。

在一些实施例中，所述通过求解系统确定预测函数，包括：

通过如下求解系统确定预测模型系数：

式中，π＝(π_k,j)，

y^T＝[y₁,…,y_m]，a^T＝[a₁,…,a_m]；1^T＝[1,1,…,1]，1＝[1,1,…,1]^T，核函数K(x_k，x_j)通常取为径向基核函数，γ为调节参数；

得出预测模型系数如下：

a＝A^-1(y-b1)；

其中，A＝π+γ^-1I；

得出预测模型如下：

在一些实施例中，在建立预测模型之后，还包括：通过交叉验证法验证模型的准确性。

在一些实施例中，所述岩性数据包括孔隙度、渗透率和热导率。

(三)有益效果

本发明提供的基于人工智能算法的测井数据预测油气储层岩性的方法，通过对已知的部分岩性数据和对应的测井数据进行数据处理获得预测模型，进而可以预测全部探井油气储层岩性数据。弥补岩心缺失区岩性数据无法采集的缺陷，可以省略钻井取样获取岩心的过程，快速预测出油气储层岩性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，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一种基于人工智能算法的测井数据预测油气储层岩性的方法的流程示意图；

图2是本发明实施例提供的一种基于人工智能算法的测井数据预测油气储层岩性的应用对象示意图。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本发明的原理，但不能用来限制本发明的范围，即本发明不限于所描述的实施例，在不脱离本发明的精神的前提下覆盖了零件、部件和连接方式的任何修改、替换和改进。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参照附图并结合实施例来详细说明本申请。

需要明确的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本发明并不局限于上文所描述并在图中示出的特定步骤和结构。并且，为了简明起见，这里省略对已知方法技术的详细描述。

由于成本或者其它条件限制，有些钻井没有岩心样品，本公开实施例主要发明构思为基于人工智能算法，计算全井垂向不同岩层的岩性参数，进一步，利用邻近井的全井测井数据，预测邻近井不同岩层的岩性参数，从而实现在无岩心样本的情况下，快速预测油气储层岩性。

根据本发明实施例提供了一种基于人工智能算法的测井数据预测油气储层岩性的方法，如图1所示，该方法包括如下步骤：

S101，对已知的岩性数据和对应的测井数据进行选取、补充、清洗和数据标准化，以得到标准化岩性数据和标准化测井数据。

其中，并非所有测井数据的属性都对油气储层岩性具有敏感性，在选取测井数据时，考虑对不同岩性数据中的岩性参数进行测井数据的属性的对应选择。

在一些实施例中，岩性数据包括孔隙度、渗透率和热导率。据经验，与孔隙度、渗透率、饱和度分别对应的测井曲线类型是某几类曲线数据，可依据相关性对测井数据的属性进行选取。

在进行模型训练时，为提高模型的准确性，对某一固定深度，必须有相应的测井数据与岩心数据。在一些实施例中，在有缺失数据的情况下，使用最近点插值的方法，把测井曲线对应到岩心刻度上。

因为每种测井曲线采用不同的单位，数据的量纲和量级都不同，而孔隙度、渗透率等岩性数据的单位和量级也不同，为了均衡不同测井曲线和岩性数据的影响，在进行后续处理前对每种数据分别标准化。

S102，基于标准化岩性数据、标准化测井数据和人工智能算法进行模型训练，得到预测模型。

测井数据估计孔隙度、渗透率和热导率等岩性参数的传统回归经验公式方法虽然有一定可行性，但具有精度不高、所需样本数较多、难以有效推广等缺点，因此，在本公开实施例中基于已知的岩性数据和对应的测井数据进行模型预测。

S103，利用预测模型和待预测探井的测井数据计算岩性数据，以预测油气储层岩性。

在得到预测模型后，通过预测模型和待预测探井的测井数据对待预测探井的储层参数进行预测估计，将待预测探井的测井数据作为输入，得到的输出结果是对应的孔隙度或渗透率，以完成预测油气储层岩性。

在一些实施例中，步骤S101中，对已知的岩性数据和对应的测井数据进行选取，具体包括如下步骤：依次去除待选取岩性数据和待选取测井数据，确定去除待选取岩性数据或待选取测井数据后对应的方差变化率；在方差变化率小于设定变化率的情况下，保留对应的岩性数据和测井数据，以作为典型样本。

并非所有测井数据的属性都对油气储层岩性具有敏感性，在选取测井数据时，考虑对不同岩性数据中的岩性参数进行测井数据的属性的对应选择。

选取的测井曲线样本应有代表性，训练样本要具有典型性，能反映总体中数据的变化规律。而断层附近和破碎带附近的数据较特殊，不能作为训练和估计样本，需要剔除。钻井断层附近和破碎带附近的测井曲线变化剧烈，所测孔隙度、渗透率空间变化大，测井曲线与测井数据对应关系误差大，很难正确反映属性对应关系。另外，训练样本的选择受一定的地质条件制约，并且训练样本要有一定的区分度，能代表不同地层的各种不同情况。

在本公开实施例中，通过最大方差变化率的分析，找出不够典型的样本。依次去除待选取岩性数据和待选取测井数据，确定去除待选取岩性数据或待选取测井数据后对应的方差变化率，如果某个样本对大部分属性参数都引起了较大的方差变化率，则将其剔除。样本选取虽然减少了样本数，但提高了测井属性与储层参数的相关性，所以从总体上减小了出现假相关的概率。

在一些实施例中，步骤S101中，对已知的岩性数据和对应的测井数据进行补充，具体包括如下步骤：比较岩性数据和测井数据的垂向深度范围；选取相同深度区间上的岩性数据和测井数据，利用设定插值法进行数据补充；其中，设定插值法为最近插值法、直接平均法、均匀分布法或正态分布法。

在根据测井曲线与岩心数据建立模型时，岩心数据是在不等距的深度上取的分段平均值，会存在数据分布不均匀的情况，而测井曲线每隔固定深度就有相应测量值，分布均匀。本公开实施例需要进行插值处理，以对数据进行补充，将测井数据对应到测井曲线上。

在一些实施例中，步骤S101中，对已知的岩性数据和对应的测井数据进行标准化，具体包括如下步骤：利用极差公式依次对岩性数据和测井数据进行标准化处理，以使标准化后数据分布于区间[0,1]。

在一些实施例中，步骤S102中，基于标准化岩性数据、标准化测井数据和人工智能算法进行模型训练，具体包括如下步骤：按照沉积相对标准化测井数据进行分类，并按照岩层对标准化测井数据和标准化岩性数据进行分类；选取LS-SVM模型对按照岩层分类后的标准化测井数据和标准化岩性数据进行模型训练，以建立预测模型。

不同的沉积相的测井曲线与相应岩心的模型关系可能差别较大，所以首先应对研究区按沉积相进行区分，相同沉积相的井位数据归为一类，不同沉积相的井位分别讨论。

SVM模型作为一种非线性的模式识别工具，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，同时具有较强的鲁棒性、容错性、全局最优性，SVM核心思想是通过核函数将非线性问题映射到一个高维特征空间，在高维空间中基于结构风险最小化原理构造线性回归函数。LS-SVM是一种改进的SVM算法，其不同之处在于将不等式约束条件转变成等式约束，并用训练误差来替代松弛变量。

在使用传统经验公式的方法中，一般考虑用与待估计的参数有关的测井曲线进行建模与预测。例如：经验认为补偿密度(DEN)、中子(CNL)、声波(AC)等测井曲线与孔隙度关系密切，那就要包含这几种测井曲线在内建模估计孔隙度。但是在LS-SVM中，并无此种要求，只要是能反应孔隙度这一性质的测井曲线都能用来一起同时建模。值得注意的是，如果要用某井数据所建模型去预测另外一口井的孔隙度，那么这两口井建模与预测时所选取的测井曲线种类必须相同。

选取不同的样本，所得到的相应的模型参数将会不同，所建模型有一定区别，但在进行回归预测时，影响不会太大，原因在于LS-SVM模型能依据少量样本抽取模型特征进行分类与回归分析。关键是样本数据的质量高低，数据质量越高，能反应数据间的本质关系，所建模型效果越好。另外值得注意的是，如果能先对某一井位的岩心进行分类，然后用分类数据进行建模与预测，效果会更好。

另外，LS-SVM方法的有效性从理论上是加以证明了的。在实际应用中，关于模型效果，一般的处理做法是与现有的其它方法进行比较，另外的一种方法是用有已知结果的数据进行试验比较。如果用经验公式明显效果不好的数据，用LS-SVM模型效果明显，那么该模型的有效性就是显然的。

在一具体实施例中，首先建立一个LS-SVM模型A区分细砂岩与非细砂岩，该分类模型A可应用于其它井位，区分不同岩层，然后考虑由细砂岩层测井曲线和岩心孔隙度、渗透率数据，建立LS-SVM回归模型B，预测其它同一沉积相井位的细砂岩层的孔隙度、渗透率等。

在一些实施例中，按照沉积相对标准化测井数据进行分类，并按照岩层对标准化测井数据和标准化岩性数据进行分类，具体包括如下步骤：依据深度开设窗口，在窗口内每隔设定深度选取一组标准化岩性数据和与准化岩性数据对应的标准化测井数据；将选取的标准化测井数据记为x_i∈Rⁿ,i＝1,2,3…m，将对应的标准化岩性数据记为y_i∈R,i＝1,2,3…m，以优化标准化岩性数据和标准化测井数据。

在一些实施例中，选取LS-SVM模型对按照岩层分类后的标准化测井数据和标准化岩性数据进行模型训练，具体包括如下步骤：将优化后的标准化岩性数据和对应的标准化测井数据代入如下模型：

S＝{(x₁,y₁)…(x_m,y_m)}；

式中，x_i∈Rⁿ，y_i∈R,i＝1,2,3…m；

在Rⁿ上寻找函数f(x)，使y_i＝f(x_i)，其中，i＝1,2,3…m；通过求解系统确定预测模型。

在一些实施例中，通过求解系统确定预测函数，包括：

通过如下求解系统确定预测模型系数：

式中，π＝(π_k,j)，

y^T＝[y₁,…,y_m]，a^T＝[a₁,…,a_m]；1^T＝[1,1,…,1]，1＝[1,1,…,1]^T，核函数K(x_k，x_j)通常取为径向基核函数，γ为调节参数；

得出预测模型系数如下：

a＝A^-1(y-b1)；

其中，A＝π+γ^-1I；

得出预测模型如下：

具体地，1，表示的是列矩阵，1^T表示转置矩阵。

在一些实施例中，在建立预测模型之后，还包括：通过交叉验证法验证模型的准确性。

如图2所示，测井1和测井2分别是某具有复杂储层结构的油气田中相距较远的两口井，由图2中的测井1的测井数据和岩心数据，结合测井2的测井数据，由本方法可准确高效识别测井2附近的储层岩性。

本发明提供的基于人工智能算法的测井数据预测油气储层岩性的方法，通过对已知的部分岩性数据和对应的测井数据进行数据处理获得预测模型，进而可以预测全部探井油气储层岩性数据。弥补岩心缺失区岩性数据无法采集的缺陷，可以省略钻井取样获取岩心的过程，快速预测出油气储层岩性。

需要明确的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本发明并不局限于上文所描述并在图中示出的特定步骤和结构。并且，为了简明起见，这里省略对已知方法技术的详细描述。

以上仅为本申请的实施例而已，并不限制于本申请。在不脱离本发明的范围的情况下对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围内。

Claims (10)

1.一种基于人工智能算法的测井数据预测油气储层岩性的方法，其特征在于，该方法包括以下步骤：

对已知的岩性数据和对应的测井数据进行选取、补充、清洗和数据标准化，以得到标准化岩性数据和标准化测井数据；

基于所述标准化岩性数据、所述标准化测井数据和人工智能算法进行模型训练，得到预测模型；

利用所述预测模型和待预测探井的测井数据计算岩性数据，以预测油气储层岩性。

2.根据权利要求1所述的基于人工智能算法的测井数据预测油气储层岩性的方法，其特征在于，所述对已知的岩性数据和对应的测井数据进行选取，具体包括如下步骤：

依次去除待选取岩性数据和待选取测井数据，确定去除待选取岩性数据或待选取测井数据后对应的方差变化率；

在方差变化率小于设定变化率的情况下，保留对应的岩性数据和测井数据，以作为典型样本。

3.根据权利要求1所述的基于人工智能算法的测井数据预测油气储层岩性的方法，其特征在于，所述对已知的岩性数据和对应的测井数据进行补充，具体包括如下步骤：

比较岩性数据和测井数据的垂向深度范围；

选取相同深度区间上的岩性数据和测井数据，利用设定插值法进行数据补充；

其中，设定插值法为最近插值法、直接平均法、均匀分布法或正态分布法。

4.根据权利要求1所述的基于人工智能算法的测井数据预测油气储层岩性的方法，其特征在于，所述对已知的岩性数据和对应的测井数据进行标准化，具体为：

利用极差公式依次对岩性数据和测井数据进行标准化处理，以使标准化后数据分布于区间[0,1]。

5.根据权利要求1-4中任一项所述的基于人工智能算法的测井数据预测油气储层岩性的方法，其特征在于，所述基于标准化岩性数据、标准化测井数据和人工智能算法进行模型训练，具体包括如下步骤：

按照沉积相对所述标准化测井数据进行分类，并按照岩层对所述标准化测井数据和所述标准化岩性数据进行分类；

选取最小二乘支持向量机LS-SVM模型对按照岩层分类后的标准化测井数据和标准化岩性数据进行模型训练，以建立预测模型。

6.根据权利要求5所述的基于人工智能算法的测井数据预测油气储层岩性的方法，其特征在于，所述按照沉积相对所述标准化测井数据进行分类，并按照岩层对所述标准化测井数据和所述标准化岩性数据进行分类，具体包括如下步骤：

依据深度开设窗口，在所述窗口内每隔设定深度选取一组标准化岩性数据和与准化岩性数据对应的标准化测井数据；

将选取的标准化测井数据记为x_i∈Rⁿ,i＝1,2,3…m，将对应的标准化岩性数据记为y_i∈R,i＝1,2,3…m，以优化标准化岩性数据和标准化测井数据。

7.根据权利要求6所述的基于人工智能算法的测井数据预测油气储层岩性的方法，其特征在于，所述选取LS-SVM模型对按照岩层分类后的标准化测井数据和标准化岩性数据进行模型训练，具体包括如下步骤：

将优化后的标准化岩性数据和对应的标准化测井数据代入如下模型：

S＝{(x₁,y₁)…(x_m,y_m)}；

式中，x_i∈Rⁿ，y_i∈R,i＝1,2,3…m；

在Rⁿ上寻找函数f(x)，使y_i＝f(x_i)，其中，i＝1,2,3…m；

通过求解系统确定预测模型。

8.根据权利要求7所述的基于人工智能算法的测井数据预测油气储层岩性的方法，其特征在于，所述通过求解系统确定预测函数，包括：

通过如下求解系统确定预测模型系数：

式中，π＝(π_k,j)，

y^T＝[y₁,…,y_m]，a^T＝[a₁,…,a_m]；1^T＝[1,1,…,1]，1＝[1,1,…,1]^T，核函数K(x_k，x_j)通常取为径向基核函数，γ为调节参数；

得出预测模型系数如下：

a＝A^-1(y-b1)；

其中，A＝π+γ^-1I；

得出预测模型如下：

9.根据权利要求5所述的基于人工智能算法的测井数据预测油气储层岩性的方法，其特征在于，在建立预测模型之后，还包括：

通过交叉验证法验证模型的准确性。

10.根据权利要求6-9中任一项所述的基于人工智能算法的测井数据预测油气储层岩性的方法，其特征在于，所述岩性数据包括孔隙度、渗透率和热导率。

Images