CN113671569A - 利用声波测井资料机器学习非线性预测地层温度方法 - Google Patents

利用声波测井资料机器学习非线性预测地层温度方法 Download PDF

Info

Publication number
CN113671569A
CN113671569A CN202110965543.7A CN202110965543A CN113671569A CN 113671569 A CN113671569 A CN 113671569A CN 202110965543 A CN202110965543 A CN 202110965543A CN 113671569 A CN113671569 A CN 113671569A
Authority
CN
China
Prior art keywords
well
depth
formation temperature
velocity
average velocity
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
CN202110965543.7A
Other languages
English (en)
Other versions
CN113671569B (zh
Inventor
李建国
刘博�
王松
严海滔
李清锋
吉晓阳
王渝
赵继龙
谭丰羽
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.)
Optical Science and Technology Chengdu Ltd of CNPC
Original Assignee
Optical Science and Technology Chengdu Ltd of CNPC
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 Optical Science and Technology Chengdu Ltd of CNPC filed Critical Optical Science and Technology Chengdu Ltd of CNPC
Priority to CN202110965543.7A priority Critical patent/CN113671569B/zh
Publication of CN113671569A publication Critical patent/CN113671569A/zh
Application granted granted Critical
Publication of CN113671569B publication Critical patent/CN113671569B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
    • G01V1/30—Analysis
    • G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
    • G01V1/30—Analysis
    • G01V1/303—Analysis for determining velocity profiles or travel times
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

本发明提供一种利用声波测井资料机器学习非线性预测地层温度方法，利用已知井的声波测井资料计算平均速度，机器学习平均速度与地层温度的非线性函数，利用临井的声波测井资料预测临井的地层温度；利用已知井周围的平均速度体，机器学习非线性预测已知井周围的地层温度体本发明将声波测井资料转换为平均速度，通过机器学习建立平均速度与地层温度的非线性函数，预测临井的地层温度或井周围的地层温度体，快速、简单、有效。

Description

利用声波测井资料机器学习非线性预测地层温度方法
技术领域
本发明涉及地球物理勘探、石油钻探领域，包括声波测井资料解释、地层温度解释、地层温度预测、机器学习，是一种利用声波测井资料机器学习非线性预测地层温度方法。
背景技术
地层温度对油气的生成、运移和聚集等有重要作用，对油、气、水和岩石的物理性质也存在不可忽视的影响。因此，研究地层温度的分布、变化规律以及由此产生的影响等，可以解决石油地质、地球物理勘探、石油钻探、油气勘探开发中的许多重要的问题。
发明内容
本发明提出了一种利用声波测井资料机器学习非线性预测地层温度方法，该方法利用已知井的声波测井资料计算平均速度，机器学习平均速度与地层温度的非线性函数，利用临井的声波测井资料预测临井的地层温度。该方法也可以利用已知井周围的平均速度体，机器学习非线性预测已知井周围的地层温度体。
具体的技术方案为：
利用声波测井资料机器学习非线性预测地层温度方法，包括以下步骤：
S1、输入已知井的垂深
Figure BDA0003223713620000011
声波测井
Figure BDA0003223713620000012
地层温度
Figure BDA0003223713620000013
临井的垂深
Figure BDA0003223713620000014
声波测井
Figure BDA0003223713620000015
或井周围平均速度体Va；
S2、用步骤S1输入的已知井的垂深
Figure BDA0003223713620000016
声波测井
Figure BDA0003223713620000017
计算已知井的平均速度
Figure BDA0003223713620000018
用步骤S1输入的临井的垂深
Figure BDA0003223713620000019
声波测井
Figure BDA00032237136200000110
计算临井的平均速度
Figure BDA00032237136200000111
(1)计算已知井的层速度
Figure BDA00032237136200000112
Figure BDA00032237136200000113
其中，
Figure BDA00032237136200000114
是第i个深度的层速度，
Figure BDA00032237136200000115
是第i个深度的声波测井；C是系数：DTwk单位为微秒/米时，C为1000000，DTwk单位为微秒/英寸时，C为304800。
(2)计算已知井的时深关系
Figure BDA00032237136200000116
Figure BDA00032237136200000117
其中，
Figure BDA00032237136200000118
是第i个深度的层速度，
Figure BDA00032237136200000119
是第i个深度，
Figure BDA00032237136200000120
是第i-1个深度，
Figure BDA00032237136200000121
是第i-1个深度对应的时间，
Figure BDA00032237136200000122
是第i个深度对应的时间。
(3)计算已知井的平均速度
Figure BDA0003223713620000021
Figure BDA0003223713620000022
其中，
Figure BDA0003223713620000023
是i个深度的平均速度，
Figure BDA0003223713620000024
是第i个深度，
Figure BDA0003223713620000025
是第i个深度对应的时间；
(4)计算临井的层速度
Figure BDA0003223713620000026
Figure BDA0003223713620000027
其中，
Figure BDA0003223713620000028
是第j个深度的层速度，
Figure BDA0003223713620000029
是第j个深度的声波测井；C是系数：DTwc单位为微秒/米时，C为1000000，DTwc单位为微秒/英寸时，C为304800；
(5)计算临井的时深关系
Figure BDA00032237136200000210
Figure BDA00032237136200000211
其中，
Figure BDA00032237136200000212
是第j个深度的层速度，
Figure BDA00032237136200000213
是第j个深度，
Figure BDA00032237136200000214
是第j-1个深度，
Figure BDA00032237136200000215
是第j-1个深度对应的时间，
Figure BDA00032237136200000216
是第j个深度对应的时间；
(6)计算临井的平均速度
Figure BDA00032237136200000217
Figure BDA00032237136200000218
其中，
Figure BDA00032237136200000219
是j个深度的平均速度，
Figure BDA00032237136200000220
是第j个深度，
Figure BDA00032237136200000221
是第j个深度对应的时间。
S3、机器学习已知井的平均速度
Figure BDA00032237136200000222
与地层温度
Figure BDA00032237136200000223
的非线性函数NLAI。
Figure BDA00032237136200000224
其中，AI是机器学习函数，
Figure BDA00032237136200000225
是已知井的平均速度，
Figure BDA00032237136200000226
是已知井的地层温度，NLAI是机器学习后得到的平均速度与地层温度的非线性函数。
S4、用步骤S3的非线性函数NLAI、步骤S2临井平均速度
Figure BDA00032237136200000227
预测临井的地层温度
Figure BDA00032237136200000228
或用步骤S3的非线性函数NLAI、步骤S1的井周围平均速度体Va，预测井周围地层温度体TempCube；
Figure BDA00032237136200000229
其中，NLAI是机器学习后得到的平均速度与地层温度的非线性函数，
Figure BDA00032237136200000230
是临井的平均速度，
Figure BDA00032237136200000231
是临井的地层温度；
TempCube＝NLAI(Va)
其中，NLAI是机器学习后得到的平均速度与地层温度的非线性函数，Va是井周围的平均速度体，TempCube是井周围的地层温度体。
本发明将声波测井资料转换为平均速度，通过机器学习建立平均速度与地层温度的非线性函数，预测临井的地层温度或井周围的地层温度体，快速、简单、有效。
附图说明
图1为实施例已知井的声波测井资料；横坐标为声波时差(单位：微秒/米)；纵坐标为垂深(单位：米)；
图2为实施例临井的声波测井资料；横坐标为声波时差(单位：微秒/米)；纵坐标为垂深(单位：米)；
图3为实施例已知井的地层温度；横坐标为地层温度(单位：度)；纵坐标为垂深(单位：米)；
图4为实施例已知井的平均速度；横坐标为平均速度(单位：米/秒)；纵坐标为垂深(单位：米)；
图5为实施例临井的平均速度；横坐标为平均速度(单位：米/秒)；纵坐标为垂深(单位：米)；
图6为实施例已知井的机器学习；横坐标为地层温度(单位：米/秒)；纵坐标为垂深(单位：米)；
图7为实施例机器学习预测的临井地层温度；横坐标为地层温度(单位：米/秒)；纵坐标为垂深(单位：米)。
具体实施方式
结合实施例说明本发明的具体技术方案。
S1、输入已知井的垂深
Figure BDA0003223713620000031
声波测井
Figure BDA0003223713620000032
地层温度
Figure BDA0003223713620000033
临井的垂深
Figure BDA0003223713620000034
声波测井
Figure BDA0003223713620000035
或井周围平均速度体Va。
输入的已知井的声波测井资料，如图1；输入的已知井的地层温度如图3；输入的临井声波测井资料，如图2。
S2用步骤S1输入的已知井的垂深
Figure BDA0003223713620000036
声波测井
Figure BDA0003223713620000037
计算已知井的平均速度
Figure BDA0003223713620000038
用步骤S1输入的临井的垂深
Figure BDA0003223713620000039
声波测井
Figure BDA00032237136200000310
计算临井的平均速度
Figure BDA00032237136200000311
(1)计算已知井的层速度
Figure BDA00032237136200000312
Figure BDA00032237136200000313
其中，
Figure BDA00032237136200000314
是第i个深度的层速度，
Figure BDA00032237136200000315
是第i个深度的声波测井；C是系数：DTwk单位为微秒/米时，C为1000000，DTwk单位为微秒/英寸时，C为304800。
(2)计算已知井的时深关系
Figure BDA0003223713620000041
Figure BDA0003223713620000042
其中，
Figure BDA0003223713620000043
是第i个深度的层速度，
Figure BDA0003223713620000044
是第i个深度，
Figure BDA0003223713620000045
是第i-1个深度，
Figure BDA0003223713620000046
是第i-1个深度对应的时间，
Figure BDA0003223713620000047
是第i个深度对应的时间。
(3)计算已知井的平均速度
Figure BDA0003223713620000048
Figure BDA0003223713620000049
其中，
Figure BDA00032237136200000410
是i个深度的平均速度，
Figure BDA00032237136200000411
是第i个深度，
Figure BDA00032237136200000412
是第i个深度对应的时间。
已知井的平均速度，如图4。
(4)计算临井的层速度
Figure BDA00032237136200000413
Figure BDA00032237136200000414
其中，
Figure BDA00032237136200000415
是第j个深度的层速度，
Figure BDA00032237136200000416
是第j个深度的声波测井；C是系数：DTwc单位为微秒/米时，C为1000000，DTwc单位为微秒/英寸时，C为304800。
(5)计算临井的时深关系
Figure BDA00032237136200000417
Figure BDA00032237136200000418
其中，
Figure BDA00032237136200000419
是第j个深度的层速度，
Figure BDA00032237136200000420
是第j个深度，
Figure BDA00032237136200000421
是第j-1个深度，
Figure BDA00032237136200000422
是第j-1个深度对应的时间，
Figure BDA00032237136200000423
是第j个深度对应的时间。
(6)计算临井的平均速度
Figure BDA00032237136200000424
Figure BDA00032237136200000425
其中，
Figure BDA00032237136200000426
是j个深度的平均速度，
Figure BDA00032237136200000427
是第j个深度，
Figure BDA00032237136200000428
是第j个深度对应的时间。
临井的平均速度，如图5。
S3、机器学习已知井的平均速度
Figure BDA00032237136200000429
与地层温度
Figure BDA00032237136200000430
的非线性函数NLAI。
Figure BDA00032237136200000431
其中，AI是机器学习函数，
Figure BDA00032237136200000432
是已知井的平均速度，
Figure BDA00032237136200000433
是已知井的地层温度，NLAI是机器学习后得到的平均速度与地层温度的非线性函数。
已知井的机器学习，如图6。
S4、用步骤S3的非线性函数NLAI、步骤S2临井平均速度
Figure BDA0003223713620000051
预测临井的地层温度
Figure BDA0003223713620000052
或用步骤S3的非线性函数NLAI、步骤S1的井周围平均速度体Va，预测井周围地层温度体TempCube。
Figure BDA0003223713620000053
其中，NLAI是机器学习后得到的平均速度与地层温度的非线性函数，
Figure BDA0003223713620000054
是临井的平均速度，
Figure BDA0003223713620000055
是临井的地层温度。
TempCube＝NLAI(Va)
其中，NLAI是机器学习后得到的平均速度与地层温度的非线性函数，Va是井周围的平均速度体，TempCube是井周围的地层温度体。
机器学习预测的临井地层温度，如图7。

Claims (4)

1.利用声波测井资料机器学习非线性预测地层温度方法，其特征在于，利用已知井的声波测井资料计算平均速度，机器学习平均速度与地层温度的非线性函数，利用临井的声波测井资料预测临井的地层温度；利用已知井周围的平均速度体，机器学习非线性预测已知井周围的地层温度体。
2.根据权利要求1所述的利用声波测井资料机器学习非线性预测地层温度方法，其特征在于，包括以下步骤：
S1、输入已知井的垂深
Figure FDA0003223713610000011
声波测井
Figure FDA0003223713610000012
地层温度
Figure FDA0003223713610000013
临井的垂深
Figure FDA0003223713610000014
声波测井
Figure FDA0003223713610000015
S2、用步骤S1输入的已知井的垂深
Figure FDA0003223713610000016
声波测井
Figure FDA0003223713610000017
计算已知井的平均速度
Figure FDA0003223713610000018
用步骤S1输入的临井的垂深
Figure FDA0003223713610000019
声波测井
Figure FDA00032237136100000110
计算临井的平均速度
Figure FDA00032237136100000111
S3、机器学习已知井的平均速度
Figure FDA00032237136100000112
与地层温度
Figure FDA00032237136100000113
的非线性函数NLAI；
Figure FDA00032237136100000114
其中，AI是机器学习函数，
Figure FDA00032237136100000115
是已知井的平均速度，
Figure FDA00032237136100000116
是已知井的地层温度，NLAI是机器学习后得到的平均速度与地层温度的非线性函数；
S4、用步骤S3的非线性函数NLAI、步骤S2临井平均速度
Figure FDA00032237136100000117
预测临井的地层温度
Figure FDA00032237136100000118
Figure FDA00032237136100000119
其中，NLAI是机器学习后得到的平均速度与地层温度的非线性函数，
Figure FDA00032237136100000120
是临井的平均速度，
Figure FDA00032237136100000121
是临井的地层温度。
3.根据权利要求2所述的利用声波测井资料机器学习非线性预测地层温度方法，其特征在于，S2的具体过程包括：
(1)计算已知井的层速度
Figure FDA00032237136100000122
Figure FDA0003223713610000021
其中，
Figure FDA0003223713610000022
是第i个深度的层速度，
Figure FDA0003223713610000023
是第i个深度的声波测井；C是系数：DTwk单位为微秒/米时，C为1000000，DTwk单位为微秒/英寸时，C为304800；
(2)计算已知井的时深关系
Figure FDA0003223713610000024
Figure FDA0003223713610000025
其中，
Figure FDA0003223713610000026
是第i个深度的层速度，
Figure FDA0003223713610000027
是第i个深度，
Figure FDA0003223713610000028
是第i-1个深度，
Figure FDA0003223713610000029
是第i-1个深度对应的时间，
Figure FDA00032237136100000210
是第i个深度对应的时间；
(3)计算已知井的平均速度
Figure FDA00032237136100000211
Figure FDA00032237136100000212
其中，
Figure FDA00032237136100000213
是i个深度的平均速度，
Figure FDA00032237136100000214
是第i个深度，
Figure FDA00032237136100000215
是第i个深度对应的时间；
(4)计算临井的层速度
Figure FDA00032237136100000216
Figure FDA00032237136100000217
其中，
Figure FDA00032237136100000218
是第j个深度的层速度，
Figure FDA00032237136100000219
是第j个深度的声波测井；C是系数：DTwc单位为微秒/米时，C为1000000，DTwc单位为微秒/英寸时，C为304800；
(5)计算临井的时深关系
Figure FDA00032237136100000220
Figure FDA00032237136100000221
其中，
Figure FDA00032237136100000222
是第j个深度的层速度，
Figure FDA00032237136100000223
是第j个深度，
Figure FDA00032237136100000224
是第j-1个深度，
Figure FDA00032237136100000225
是第j-1个深度对应的时间，
Figure FDA00032237136100000226
是第j个深度对应的时间；
(6)计算临井的平均速度
Figure FDA00032237136100000227
Figure FDA00032237136100000228
其中，
Figure FDA00032237136100000229
是j个深度的平均速度，
Figure FDA00032237136100000230
是第j个深度，
Figure FDA00032237136100000231
是第j个深度对应的时间。
4.根据权利要求2或3所述的利用声波测井资料机器学习非线性预测地层温度方法，其特征在于，S1中，或者，还包括输入井周围平均速度体Va；
S4中，或者，用步骤S3的非线性函数NLAI、步骤S1的井周围平均速度体Va，预测井周围地层温度体TempCube；
TempCube＝NLAI(Va)
其中，NLAI是机器学习后得到的平均速度与地层温度的非线性函数，Va是井周围的平均速度体，TempCube是井周围的地层温度体。
CN202110965543.7A 2021-08-23 2021-08-23 利用声波测井资料机器学习非线性预测地层温度方法 Active CN113671569B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110965543.7A CN113671569B (zh) 2021-08-23 2021-08-23 利用声波测井资料机器学习非线性预测地层温度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110965543.7A CN113671569B (zh) 2021-08-23 2021-08-23 利用声波测井资料机器学习非线性预测地层温度方法

Publications (2)

Publication Number Publication Date
CN113671569A true CN113671569A (zh) 2021-11-19
CN113671569B CN113671569B (zh) 2023-12-22

Family

ID=78544871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110965543.7A Active CN113671569B (zh) 2021-08-23 2021-08-23 利用声波测井资料机器学习非线性预测地层温度方法

Country Status (1)

Country Link
CN (1) CN113671569B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1427137A (zh) * 2001-11-30 2003-07-02 施卢默格海外有限公司 预测地层温度的方法
CN104813197A (zh) * 2012-08-20 2015-07-29 挪威国家石油公司 由地球物理学数据和运动学重建约束的温度建模
CA2913827A1 (en) * 2015-02-23 2016-03-21 Nexen Energy Ulc Methods, systems and devices for predicting reservoir properties
CN107229076A (zh) * 2016-03-25 2017-10-03 中国石油化工股份有限公司 一种基于测井资料进行温度响应特征分析的方法
CN113033648A (zh) * 2021-03-19 2021-06-25 中海石油(中国)有限公司海南分公司 一种使用机器学习算法实现测井解释的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1427137A (zh) * 2001-11-30 2003-07-02 施卢默格海外有限公司 预测地层温度的方法
CN104813197A (zh) * 2012-08-20 2015-07-29 挪威国家石油公司 由地球物理学数据和运动学重建约束的温度建模
CA2913827A1 (en) * 2015-02-23 2016-03-21 Nexen Energy Ulc Methods, systems and devices for predicting reservoir properties
CN107229076A (zh) * 2016-03-25 2017-10-03 中国石油化工股份有限公司 一种基于测井资料进行温度响应特征分析的方法
CN113033648A (zh) * 2021-03-19 2021-06-25 中海石油(中国)有限公司海南分公司 一种使用机器学习算法实现测井解释的方法

Also Published As

Publication number Publication date
CN113671569B (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
Elkatatny et al. Development of a new correlation to determine the static Young’s modulus
Mohamadian et al. A geomechanical approach to casing collapse prediction in oil and gas wells aided by machine learning
Passelègue et al. Initial effective stress controls the nature of earthquakes
US11098582B1 (en) Determination of calibrated minimum horizontal stress magnitude using fracture closure pressure and multiple mechanical earth model realizations
US8243549B2 (en) Estimating seismic anisotropy of shales
GB2479440A (en) Determining field fractures using geomechanical forward modelling
Gholami et al. Geomechanical and numerical studies of casing damages in a reservoir with solid production
Abbas et al. Stability analysis of highly deviated boreholes to minimize drilling risks and nonproductive time
CN110426751A (zh) 一种利用测井资料预测横波时差的方法
Gowida et al. Prediction of sonic wave transit times from drilling parameters while horizontal drilling in carbonate rocks using neural networks
Ugwu et al. Integrated approach to geopressure detection in the X-field, Onshore Niger Delta
Rabe et al. Development of a new correlation to estimate the unconfined compressive strength of a Chicontepec Formation
Rajabi et al. Prediction of shear wave velocity by extreme learning machine technique from well log data
Ienaga et al. Borehole image analysis of the Nankai Accretionary Wedge, ODP Leg 196: Structural and stress studies
Jamshidi et al. Real-time estimation of elastic properties of formation rocks based on drilling data by using an artificial neural network
Kano et al. Broadband hydroseismograms observed by closed borehole wells in the Kamioka mine, central Japan: Response of pore pressure to seismic waves from 0.05 to 2 Hz
Tariq et al. A new look into the prediction of static Young's modulus and unconfined compressive strength of carbonate using artificial intelligence tools
Welch et al. Modelling the evolution of natural fracture networks
Akamatsu et al. Changes in elastic wave velocity during brittle deformation of gabbro and peridotite: Implications for oceanic Moho reflectivity
Zhang et al. Determination of earth stresses using inverse analysis based on coupled numerical modelling and soft computing
CN113671569A (zh) 利用声波测井资料机器学习非线性预测地层温度方法
Bazyrov et al. Time-dependent hydro-geomechanical reservoir simulation of field production
Verma et al. Development of one dimensional geomechanical model for a tight gas reservoir
Naji et al. Prediction of sonic shear wave using artificial neural network
Maksimov et al. Prediction and Early Detection of Karsts—An Overview of Methods and Technologies for Safer Drilling in Carbonates

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