CN113361638A - 一种复杂储层岩性识别方法、装置、设备及存储介质 - Google Patents
一种复杂储层岩性识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113361638A CN113361638A CN202110747549.7A CN202110747549A CN113361638A CN 113361638 A CN113361638 A CN 113361638A CN 202110747549 A CN202110747549 A CN 202110747549A CN 113361638 A CN113361638 A CN 113361638A
- Authority
- CN
- China
- Prior art keywords
- lithology
- random forest
- complex reservoir
- training
- forest algorithm
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 239000011435 rock Substances 0.000 claims abstract description 62
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 238000007637 random forest analysis Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000035945 sensitivity Effects 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 17
- 239000012530 fluid Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 6
- 230000000704 physical effect Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 12
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 239000011148 porous material Substances 0.000 description 13
- 206010017076 Fracture Diseases 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 229920006395 saturated elastomer Polymers 0.000 description 5
- 235000019738 Limestone Nutrition 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 239000006028 limestone Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 208000010392 Bone Fractures Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002637 fluid replacement therapy Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Mining & Mineral Resources (AREA)
- Evolutionary Computation (AREA)
- Geology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种复杂储层岩性识别方法、装置、设备及存储介质，该方法包括：建立适用于实际工区的岩石物理模型；通过岩石物理模型生成岩性标签和多元属性参数；根据生成的岩性标签和多元属性参数，利用随机森林算法和交会分析方法筛选出对岩性敏感的敏感性特征；将筛选出的敏感性特征和岩性标签作为训练样本，利用随机森林算法训练生成岩性识别器；运用岩性识别器进行岩性识别。这样通过岩石物理模型将多元属性纳入到岩性识别的问题中，利用岩石物理模型制作的岩性标签和随机森林算法，训练生成岩性识别器，既能提高实际生产中岩性识别的准确率，也能增强机器学习算法的泛化性。
Description
技术领域
本发明涉及岩性识别领域，特别是涉及一种复杂储层岩性识别方法、装置、设备及存储介质。
背景技术
目前，岩性识别是储层评价的重要工作之一，是求解储层参数的基础，对岩性准确的识别具有非常重要的意义。不同类型的储层孔隙结构、流体、物性参数不尽相同，导致不同储层的弹性响应也是不一样的，给岩性识别带来了极大的挑战。
在实际生产中已经有许多岩性识别的方法，传统的方法就是基于测井资料采用交会分析的方法，但是这种方法往往工作量比较大且准确率比较低。随着人工智能的发展，以及多学科间的交叉应用，机器学习算法开始被运用到岩性识别中，如BP神经网络、贝叶斯分类算法和聚类分析法等等。机器学习岩性识别的思路就是将简单筛选的测井曲线进行输入，将取芯得到的岩性作为标签，建立两者之间的非线性关系，进而达到岩性识别的目的。但是这种方法的泛化性较差，只适用于当前井，并没有研究表明这种方法可以推广到其他工区和其他井，且实际生产中取芯的数量比较少，制作大量的标签存在困难。
因此，如何解决传统岩性识别方法存在的工作量大、泛化性差和标签获取困难等问题，是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种复杂储层岩性识别方法、装置、设备及存储介质，可以提高实际生产中岩性识别的准确率，增强机器学习算法的泛化性。其具体方案如下：
一种复杂储层岩性识别方法，包括：
建立适用于实际工区的岩石物理模型；
通过所述岩石物理模型生成岩性标签和多元属性参数；
根据生成的所述岩性标签和所述多元属性参数，利用随机森林算法和交会分析方法筛选出对岩性敏感的敏感性特征；
将筛选出的所述敏感性特征和所述岩性标签作为训练样本，利用随机森林算法训练生成岩性识别器；
运用所述岩性识别器进行岩性识别。
优选地，在本发明实施例提供的上述复杂储层岩性识别方法中，所述建立适用于实际工区的岩石物理模型，包括：
根据不同的岩石物理理论，建立岩石物理模型；
利用实际工区的测井数据和实验数据约束所述岩石物理模型，使所述岩石物理模型适用于实际工区。
优选地，在本发明实施例提供的上述复杂储层岩性识别方法中，所述根据生成的所述岩性标签和所述多元属性参数，利用随机森林算法和交会分析方法筛选出对岩性敏感的敏感性特征，包括：
利用随机森林算法对生成的所述岩性标签和所述多元属性参数进行预分类；
根据预分类的结果，统计特征敏感性大小；
结合各特征之间的相关系数，筛选出对岩性敏感且相关性小的敏感性特征；
利用交会分析方法对筛选出的所述敏感性特征进行三维交会分析和二维交会分析，以对筛选出的所述敏感性特征进行验证。
优选地，在本发明实施例提供的上述复杂储层岩性识别方法中，所述多元属性参数包括物性参数、弹性参数和流体参数。
优选地，在本发明实施例提供的上述复杂储层岩性识别方法中，所述利用随机森林算法训练生成岩性识别器，包括：
利用bootstrap重抽样方法从所述训练样本中抽取多个bootstrap样本；
对每个bootstrap样本进行决策树建模；
组合多棵决策树的预测,通过投票得出岩性识别的预测结果。
优选地，在本发明实施例提供的上述复杂储层岩性识别方法中，在所述利用随机森林算法训练生成岩性识别器的同时，还包括：
向所述训练样本加入不同信噪比的高斯噪音，测试所述岩性识别器的岩性识别准确率。
本发明实施例还提供了一种复杂储层岩性识别装置，包括：
模型建立模块，用于建立适用于实际工区的岩石物理模型；
参数生成模块，用于通过所述岩石物理模型生成岩性标签和多元属性参数；
特征筛选模块，用于根据生成的所述岩性标签和所述多元属性参数，利用随机森林算法和交会分析方法筛选出对岩性敏感的敏感性特征；
识别器生成模块，用于将筛选出的所述敏感性特征和所述岩性标签作为训练样本，利用随机森林算法训练生成岩性识别器；
岩性识别模块，用于运用训练完成的所述岩性识别器进行岩性识别。
优选地，在本发明实施例提供的上述复杂储层岩性识别装置中，还包括：
准确率测试模块，用于向所述训练样本加入不同信噪比的高斯噪音，测试所述岩性识别器的岩性识别准确率。
本发明实施例还提供了一种复杂储层岩性识别设备，包括处理器和存储器，其中，所述处理器执行所述存储器中存储的计算机程序时实现如本发明实施例提供的上述复杂储层岩性识别方法。
本发明实施例还提供了一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如本发明实施例提供的上述复杂储层岩性识别方法。
从上述技术方案可以看出，本发明所提供的一种复杂储层岩性识别方法，包括：建立适用于实际工区的岩石物理模型；通过岩石物理模型生成岩性标签和多元属性参数；根据生成的岩性标签和多元属性参数，利用随机森林算法和交会分析方法筛选出对岩性敏感的敏感性特征；将筛选出的敏感性特征和岩性标签作为训练样本，利用随机森林算法训练生成岩性识别器；运用岩性识别器进行岩性识别。
本发明通过岩石物理模型将多元属性纳入到岩性识别的问题中，利用岩石物理模型制作的岩性标签和随机森林算法，训练生成岩性识别器，既能提高实际生产中岩性识别的准确率，也能增强机器学习算法的泛化性，并且生成的岩性识别器可不用再训练便可以运用到实际工区，这样更加有利于油气勘探开发。此外，本发明还针对复杂储层岩性识别方法提供了相应的装置、设备及计算机可读存储介质，进一步使得上述方法更具有实用性，该装置、设备及计算机可读存储介质具有相应的优点。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关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本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的复杂储层岩性识别方法的流程图；
图2为本发明实施例提供的复杂储层岩性识别方法的具体流程图；
图3为本发明实施例提供的随机森林算法示意图；
图4为本发明实施例提供的敏感性特征大小统计示意图；
图5为本发明实施例提供的特征斯皮尔曼相关系数示意图；
图6为本发明实施例提供的敏感性特征三维交会分析示意图；
图7为本发明实施例提供的敏感性特征二维交会分析示意图；
图8a为本发明实施例提供的真实岩性标签；
图8b、图8d、图8f、图8h分别为本发明实施例提供的信噪比为10、30、50和无噪音数据岩性的预测结果；
图8c、图8e、图8g、图8i分别为本发明实施例提供的信噪比为10、30、50和无噪音岩性预测结果对应的概率值；
图9为本发明实施例提供的复杂储层岩性识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
本发明提供一种复杂储层岩性识别方法，如图1和图2所示，包括以下步骤：
S101、建立适用于实际工区的岩石物理模型；
在实际应用中，复杂岩性储层由于埋藏较深，受多期构造作用的影响，导致岩石结构复杂。孔隙、裂缝和流体分布不均匀也对储层的物性和弹性带来了很大的影响。基于一定的假设条件，建立在一定程度上符合实际储层岩石的岩石物理理论模型，通过模型近似的表征岩石的弹性性质。该步骤可以是基于不同的岩石物理理论建立适用于实际工区的理论岩石物理模型。
S102、通过岩石物理模型生成岩性标签和多元属性参数；
具体地，利用岩石物理模型可以生成大量的岩性标签和多元属性参数。在具体实施时，多元属性参数可以包括物性参数、弹性参数和流体参数。该步骤可以通过岩石物理模型将弹性参数、物性参数和流体参数联系起来纳入到岩性识别的问题中，通过建立的岩石物理模型，设置合理的参数采样范围，生成大量的多元属性参数，使其覆盖所有可能的取值，并且制作相应的岩性标签。
S103、根据生成的岩性标签和多元属性参数，利用随机森林算法和交会分析方法筛选出对岩性敏感的敏感性特征；
具体地，根据生成的岩性数据，利用随机森林算法中的特征重要性排序方法，统计这些参数对岩性的敏感性大小，通过交会分析的方法和相关系数大小进一步筛选出对岩性敏感且相关性较小的参数，后续在构建岩性识别分类器的时候将这些参数作为随机森林算法的输入特征。
S104、将筛选出的敏感性特征和岩性标签作为训练样本，利用随机森林算法训练生成岩性识别器；
具体地，为了提高岩性识别的准确率，增强岩性识别器的抗噪能力，该步骤采用了一种基于统计学习理论的机器学习算法-随机森林(Random Forest)算法构建岩性识别器。筛选出的敏感性特征和岩性标签作为随机森林算法(机器学习)的输入特征。
S105、运用岩性识别器进行岩性识别；
需要说明的是，由于建立的岩石物理模型适用于实际工区，步骤S104训练生成的岩性识别器可不用再训练便可以运用到实际工区，以完成实际生产中的岩性识别工作。
在本发明实施例提供的上述复杂储层岩性识别方法中，结合了复杂储层岩石物理建模和机器学习算法，通过岩石物理模型将多元属性纳入到岩性识别的问题中，通过岩石物理模型制作大量的岩性标签数据，然后结合随机森林算法建立岩性识别器，运用生成的岩性识别器进行岩性识别，既能提高实际生产中岩性识别的准确率，也能增强机器学习算法的泛化性，并且生成的岩性识别器可不用再训练便可以运用到实际工区，这样更加有利于油气勘探开发。
在具体实施时，在本发明实施例提供的上述复杂储层岩性识别方法中，步骤S101建立适用于实际工区的岩石物理模型，可以包括：首先，根据不同的岩石物理理论，建立岩石物理模型；然后，利用实际工区的测井数据和实验数据约束岩石物理模型，使岩石物理模型适用于实际工区。需要说明的是，从岩石物理理论出发，考虑到了实际储层中的裂缝发育情况、孔隙分布以及孔隙结构，可以利用实际工区的测井数据和实验室超声测量数据对建立的岩石物理模型进行约束，然后利用该岩石物理模型制作大量的岩性标签。
在具体实施时，在本发明实施例提供的上述复杂储层岩性识别方法中，步骤S103根据生成的岩性标签和多元属性参数，利用随机森林算法和交会分析方法筛选出对岩性敏感的敏感性特征，可以包括：首先，利用随机森林算法对生成的岩性标签和多元属性参数进行预分类；然后，根据预分类的结果，统计特征敏感性大小；结合各特征之间的相关系数，筛选出对岩性敏感且相关性小的敏感性特征；最后，利用交会分析方法对筛选出的敏感性特征进行三维交会分析和二维交会分析，以对筛选出的敏感性特征进行验证。
在具体实施时，在本发明实施例提供的上述复杂储层岩性识别方法中，步骤S104利用随机森林算法训练生成岩性识别器，如图3所示，可以包括：首先，利用bootstrap重抽样方法从训练样本中抽取多个bootstrap样本；然后，对每个bootstrap样本进行决策树建模；最后，组合多棵决策树的预测,通过投票得出岩性识别的预测结果。
在具体实施时，在本发明实施例提供的上述复杂储层岩性识别方法中，在执行步骤S104利用随机森林算法训练生成岩性识别器的同时，还可以包括：向训练样本加入不同信噪比的高斯噪音，测试岩性识别器的岩性识别准确率。这样可以测试该岩性分类器的鲁棒性，从而能使用该岩性分类器进行实际工区的岩性识别。
下面以一种常规的砂岩储层，以及两种复杂储层裂缝型灰岩、致密砂岩作为岩性识别测试的例子，需要建立适用于三种储层的岩石物理模型。
第一种：建立常规砂岩储层岩石物理模型。
针对常规砂岩储层来说，首先根据岩石中各矿物组分的体积含量利用Voigt-Ruess-Hill平均方程计算岩石基质的体积模量和剪切模量：
其中，
式中，fi表示第i个介质的体积含量，Mi表示第i个介质的弹性模量(剪切模量和体积模量)，MVRH代表岩石基质的体积模量和剪切模量。
然后假设岩石中含有硬孔隙和软孔隙两种孔隙，利用Kuster-Toksoz理论计算得到岩石骨架的体积模量和剪切模量：
其中的求和是对多种包含物种类，它们中分别有体积分量xi，且
系数Pmi和Qmi描述了在背景介质m中加入包含物材料i后的效果。其中，
表示岩石骨架的体积模量，
表示岩石骨架的剪切模量。
利用Wood模型计算得到混合流体的体积模量：
其中fi和Ki分别是各组成成分的体积分量和体积模量。
最后利用Gassmann方程计算饱和流体的体积模量Ksat和剪切模量μsat：
第二种：建立致密砂岩储层岩石物理模型。
对于致密砂岩储层来说，岩石的非均质性、微观孔隙结构和孔隙流体分布相当复杂，饱和不同流体时，波的传播引起流体流动使岩石整体弹性变化更加复杂。本发明可以利用简单喷射流模型(Gurevich et al.,2010)来表征致密砂岩中的波致流效应，简单喷射流的思想就是在中高频条件下对岩石的干骨架进行修正，使软孔隙被流体饱和，而硬孔隙保持干燥的状态，最后利用Gassman方程进行流体替换。修正后的干骨架模量为：
式中，Kmf(P,ω)是不同频率和压力条件下修正骨架的体积模量，μmf(P,ω)是相应的修正骨架的剪切模量，Kh是高有效压力下干燥岩石的体积模量，φc为软孔隙度，
为流体体积模量。
第三种：建立裂缝型灰岩储层岩石物理模型。
对于裂缝型灰岩储层来说，基质孔隙和裂缝同时发育且裂缝定向排列会引起储层的各向异性，对储层弹性性质有重大影响，本发明利用滑移模型将裂缝加入岩石基质中，然后利用各向异性的Gassmann方程进行流体替换得到饱和岩石的模量：
式中，
代表饱和介质的刚度系数；
代表是干燥介质的刚度系数，
表示各向异性介质的孔隙空间模量。
具体的岩石物理模型参数设置见表一：
表一 三种岩性的岩石物理模型的参数设置
接下来要进行敏感性特征的筛选：
本次测试一共生成3000个数据，每种岩性各1000个，2500个做训练，500个做测试。首先利用随机森林算法进行预分类，输入特征一共13个，包括弹性参数(密度、纵横波速度比、纵横波速度、λ、λρ、体积模量、剪切模量、纵横波阻抗)、物性参数(孔隙度、泥质含量)和流体参数(流体体积模量)，三种岩性作为标签。如图4所示，根据预分类的结果统计特征敏感性大小，可以发现最敏感的7个特征影响大小总和超过了0.89。如图5所示，结合各特征之间的相关系数，进一步筛选掉7个特征中相关性大的特征，得到孔隙度、泥质含量、纵横波速度比和λρ对岩性最敏感且相关性较小的四个特征。
对筛选出来的四个岩性敏感性特征做了交会分析。从图6示出的图三维分析结果可以发现孔隙度、λρ和Vp/Vs对三种岩性有很好的区分性；从图7示出的二维交会分析结果可以发现泥质含量不能很好的区分这三种岩性，这也验证了图4的影响大小统计，泥质含量是这四个特征中影响最小的。
最后将筛选得到的特征作为随机森林算法的输入特征，岩性作为标签，建立岩性识别分类器，另外为了测试分类器的鲁棒性，还测试了向数据中加入信噪比为10，30，50的高斯噪音的岩性分类准确率。图8a是真实岩性标签，上面对应的是裂缝型灰岩，中间对应的是致密砂岩，下面对应的是常规砂岩。图8b、图8d、图8f、图8h分别是信噪比为10、30、50和无噪音数据岩性的预测结果，图8c、图8e、图8g、图8i分别是信噪比为10、30、50和无噪音岩性预测结果对应的概率值。从图8a至图8i中可以发现在无噪音和信噪比很高的时候，岩性识别器的效果是很好的，预测结果的概率值也都在1附近，随着信噪比降低，岩性识别器预测错误的频率变高了，而且相应的概率值范围变大了，说明岩性识别器不确定性增加了，但是整体来说准确率还是比较高的。
测试准确率统计见表二。其中3个特征代表输入特征不包括泥质含量，是为了测试泥质含量在岩性识别中的重要性。
表二 基于机器学习算法的岩性识别测试结果
根据测试结果，本发明可以发现输入无论是三个特征还是四个特征，随机森林岩性识别器的表现都很好，在加入泥质含量这个特征时，岩性识别器的识别准确率提高了不到1％。当数据没有噪音时，四个特征的识别准确率达到了99％，另外，这个岩性识别器是比较抗噪的，在加入了不同信噪比的高斯噪音之后，四个特征识别岩性的准确率能保证在80％以上，这是一个很好的识别结果，可以将该分类器运用到实际工区中完成岩性识别工作。
基于同一发明构思，本发明实施例还提供了一种复杂储层岩性识别装置，由于该装置解决问题的原理与前述一种复杂储层岩性识别方法相似，因此该装置的实施可以参见复杂储层岩性识别方法的实施，重复之处不再赘述。
在具体实施时，本发明实施例提供的复杂储层岩性识别装置，如图9所示，具体可以包括：
模型建立模块11，用于建立适用于实际工区的岩石物理模型；
参数生成模块12，用于通过岩石物理模型生成岩性标签和多元属性参数；
特征筛选模块13，用于根据生成的岩性标签和多元属性参数，利用随机森林算法和交会分析方法筛选出对岩性敏感的敏感性特征；
识别器生成模块14，用于将筛选出的敏感性特征和岩性标签作为训练样本，利用随机森林算法训练生成岩性识别器；
岩性识别模块15，用于运用训练完成的岩性识别器进行岩性识别。
在本发明实施例提供的上述复杂储层岩性识别装置中，可以通过上述五个模块的相互作用，通过岩石物理模型将多元属性纳入到岩性识别的问题中，利用岩石物理模型制作的岩性标签和随机森林算法，训练生成岩性识别器，既能提高实际生产中岩性识别的准确率，也能增强机器学习算法的泛化性，并且生成的岩性识别器可不用再训练便直接能够运用到实际工区，这样更加有利于油气勘探开发。
在具体实施时，在本发明实施例提供的上述复杂储层岩性识别装置中，还可以包括：
准确率测试模块，用于向训练样本加入不同信噪比的高斯噪音，测试岩性识别器的岩性识别准确率。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容，在此不再进行赘述。
相应地，本发明实施例还公开了一种复杂储层岩性识别设备，包括处理器和存储器；其中，处理器执行存储器中存储的计算机程序时实现前述实施例公开的复杂储层岩性识别方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
进一步地，本发明还公开了一种计算机可读存储介质，用于存储计算机程序；计算机程序被处理器执行时实现前述公开的复杂储层岩性识别方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备、存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
综上，本发明实施例提供的一种复杂储层岩性识别方法，包括：建立适用于实际工区的岩石物理模型；通过岩石物理模型生成岩性标签和多元属性参数；根据生成的岩性标签和多元属性参数，利用随机森林算法和交会分析方法筛选出对岩性敏感的敏感性特征；将筛选出的敏感性特征和岩性标签作为训练样本，利用随机森林算法训练生成岩性识别器；运用岩性识别器进行岩性识别。这样通过岩石物理模型将多元属性纳入到岩性识别的问题中，利用岩石物理模型制作的岩性标签和随机森林算法，训练生成岩性识别器，既能提高实际生产中岩性识别的准确率，也能增强机器学习算法的泛化性，并且生成的岩性识别器可不用再训练便可以运用到实际工区，更加有利于油气勘探开发。此外，本发明还针对复杂储层岩性识别方法提供了相应的装置、设备及计算机可读存储介质，进一步使得上述方法更具有实用性，该装置、设备及计算机可读存储介质具有相应的优点。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的复杂储层岩性识别方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种复杂储层岩性识别方法，其特征在于，包括：
建立适用于实际工区的岩石物理模型；
通过所述岩石物理模型生成岩性标签和多元属性参数；
根据生成的所述岩性标签和所述多元属性参数，利用随机森林算法和交会分析方法筛选出对岩性敏感的敏感性特征；
将筛选出的所述敏感性特征和所述岩性标签作为训练样本，利用随机森林算法训练生成岩性识别器；
运用所述岩性识别器进行岩性识别。
2.根据权利要求1所述的复杂储层岩性识别方法，其特征在于，所述建立适用于实际工区的岩石物理模型，包括：
根据不同的岩石物理理论，建立岩石物理模型；
利用实际工区的测井数据和实验数据约束所述岩石物理模型，使所述岩石物理模型适用于实际工区。
3.根据权利要求2所述的复杂储层岩性识别方法，其特征在于，所述根据生成的所述岩性标签和所述多元属性参数，利用随机森林算法和交会分析方法筛选出对岩性敏感的敏感性特征，包括：
利用随机森林算法对生成的所述岩性标签和所述多元属性参数进行预分类；
根据预分类的结果，统计特征敏感性大小；
结合各特征之间的相关系数，筛选出对岩性敏感且相关性小的敏感性特征；
利用交会分析方法对筛选出的所述敏感性特征进行三维交会分析和二维交会分析，以对筛选出的所述敏感性特征进行验证。
4.根据权利要求3所述的复杂储层岩性识别方法，其特征在于，所述多元属性参数包括物性参数、弹性参数和流体参数。
5.根据权利要求4所述的复杂储层岩性识别方法，其特征在于，所述利用随机森林算法训练生成岩性识别器，包括：
利用bootstrap重抽样方法从所述训练样本中抽取多个bootstrap样本；
对每个bootstrap样本进行决策树建模；
组合多棵决策树的预测,通过投票得出岩性识别的预测结果。
6.根据权利要求5所述的复杂储层岩性识别方法，其特征在于，在所述利用随机森林算法训练生成岩性识别器的同时，还包括：
向所述训练样本加入不同信噪比的高斯噪音，测试所述岩性识别器的岩性识别准确率。
7.一种复杂储层岩性识别装置，其特征在于，包括：
模型建立模块，用于建立适用于实际工区的岩石物理模型；
参数生成模块，用于通过所述岩石物理模型生成岩性标签和多元属性参数；
特征筛选模块，用于根据生成的所述岩性标签和所述多元属性参数，利用随机森林算法和交会分析方法筛选出对岩性敏感的敏感性特征；
识别器生成模块，用于将筛选出的所述敏感性特征和所述岩性标签作为训练样本，利用随机森林算法训练生成岩性识别器；
岩性识别模块，用于运用训练完成的所述岩性识别器进行岩性识别。
8.根据权利要求7所述的复杂储层岩性识别装置，其特征在于，还包括：
准确率测试模块，用于向所述训练样本加入不同信噪比的高斯噪音，测试所述岩性识别器的岩性识别准确率。
9.一种复杂储层岩性识别设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中存储的计算机程序时实现如权利要求1至6任一项所述的复杂储层岩性识别方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的复杂储层岩性识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110747549.7A CN113361638A (zh) | 2021-07-01 | 2021-07-01 | 一种复杂储层岩性识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110747549.7A CN113361638A (zh) | 2021-07-01 | 2021-07-01 | 一种复杂储层岩性识别方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113361638A true CN113361638A (zh) | 2021-09-07 |
Family
ID=77537763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110747549.7A Pending CN113361638A (zh) | 2021-07-01 | 2021-07-01 | 一种复杂储层岩性识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113361638A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114358441A (zh) * | 2022-01-19 | 2022-04-15 | 西南石油大学 | 一种致密气产量的智能分段预测方法 |
| CN114776304A (zh) * | 2022-05-30 | 2022-07-22 | 广州海洋地质调查局 | 一种深海矿产异常区识别的方法、装置、设备及介质 |
| CN115270959A (zh) * | 2022-07-27 | 2022-11-01 | 中国石油大学(北京) | 基于递归特征消除融合随机森林的页岩岩性识别法及装置 |
| CN115545357A (zh) * | 2022-11-30 | 2022-12-30 | 深圳市峰和数智科技有限公司 | 一种提升模型性能的方法、地层岩性预测方法及相关设备 |
| CN114358441B (zh) * | 2022-01-19 | 2024-05-31 | 西南石油大学 | 一种致密气产量的智能分段预测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033637A (zh) * | 2021-03-16 | 2021-06-25 | 电子科技大学 | 一种基于岩石物理样本增强的集成学习岩相预测方法 |
-
2021
- 2021-07-01 CN CN202110747549.7A patent/CN113361638A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033637A (zh) * | 2021-03-16 | 2021-06-25 | 电子科技大学 | 一种基于岩石物理样本增强的集成学习岩相预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 冯刚等: "基于机器学习的多类型储层流体识别", 《第四届油气地球物理学术年会论文集》, pages 1 - 4 * |
| 刘坚等: "基于优化随机森林模型的滑坡易发性评价", 《武汉大学学报 信息科学版》, pages 1085 - 1091 * |
| 王志宏等: "随机森林分类方法在储层岩性识别中的应用", 《辽宁工程技术大学学报（自然科学版）》, pages 1083 - 1088 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114358441A (zh) * | 2022-01-19 | 2022-04-15 | 西南石油大学 | 一种致密气产量的智能分段预测方法 |
| CN114358441B (zh) * | 2022-01-19 | 2024-05-31 | 西南石油大学 | 一种致密气产量的智能分段预测方法 |
| CN114776304A (zh) * | 2022-05-30 | 2022-07-22 | 广州海洋地质调查局 | 一种深海矿产异常区识别的方法、装置、设备及介质 |
| CN114776304B (zh) * | 2022-05-30 | 2022-11-04 | 广州海洋地质调查局 | 一种深海矿产异常区识别的方法、装置、设备及介质 |
| CN115270959A (zh) * | 2022-07-27 | 2022-11-01 | 中国石油大学(北京) | 基于递归特征消除融合随机森林的页岩岩性识别法及装置 |
| CN115270959B (zh) * | 2022-07-27 | 2023-08-22 | 中国石油大学(北京) | 基于递归特征消除融合随机森林的页岩岩性识别法及装置 |
| CN115545357A (zh) * | 2022-11-30 | 2022-12-30 | 深圳市峰和数智科技有限公司 | 一种提升模型性能的方法、地层岩性预测方法及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113361638A (zh) | 一种复杂储层岩性识别方法、装置、设备及存储介质 | |
| Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
| Hardy et al. | Fractals in reservoir engineering | |
| Caers | Modeling uncertainty in the earth sciences | |
| Manzocchi | The connectivity of two‐dimensional networks of spatially correlated fractures | |
| CN107290782B (zh) | 储层孔隙度、含水饱和度和泥质含量参数同时反演新方法 | |
| Grana et al. | Quantitative log interpretation and uncertainty propagation of petrophysical properties and facies classification from rock-physics modeling and formation evaluation analysis | |
| US7558708B2 (en) | Method of reconstructing a stochastic model, representative of a porous heterogeneous medium, to improve its calibration by production data | |
| 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 | |
| US8874419B2 (en) | Method of developing a petroleum reservoir from a facies map construction | |
| CN101738639A (zh) | 提高岩石裂缝参数计算精度的方法 | |
| Gupta et al. | Rock typing in Wolfcamp formation | |
| CN106556867A (zh) | 基于贝叶斯分类的相控孔隙度反演方法 | |
| US20120290277A1 (en) | System and method for characterizing reservoir formation evaluation uncertainty | |
| CN103630939A (zh) | 一种气层识别评价方法 | |
| CN105137483A (zh) | 碳酸盐岩地层热液储层空间分布预测方法及系统 | |
| CN112796738A (zh) | 一种阵列声波测井和常规测井结合的地层渗透率计算方法 | |
| CN110609327A (zh) | 基于叠前地震属性的碳酸盐岩储集相预测方法及装置 | |
| CN114638300A (zh) | 一种识别页岩油气藏“甜点”的方法、装置及存储介质 | |
| Hartmann | From reality to model: Operationalism and the value chain of particle-size analysis of natural sediments | |
| CN105093332A (zh) | 一种横波速度的估算方法及装置 | |
| CN108415074B (zh) | 一种缝洞储集体地震响应特征分析方法及装置 | |
| Qian et al. | A rock physics driven Bayesian inversion for TOC in the Fuling shale gas reservoir | |
| CN110907996A (zh) | 一种致密气藏自动识别方法 | |
| CN115879020A (zh) | 储集体的分类刻画方法、装置、电子设备及存储介质 |
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 |