CN113671569B - 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
CN113671569B
CN113671569B CN202110965543.7A CN202110965543A CN113671569B CN 113671569 B CN113671569 B CN 113671569B CN 202110965543 A CN202110965543 A CN 202110965543A CN 113671569 B CN113671569 B CN 113671569B
Authority
CN
China
Prior art keywords
well
depth
formation temperature
machine learning
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.)
Active
Application number
CN202110965543.7A
Other languages
English (en)
Other versions
CN113671569A (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

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. for interpretation or for event detection
    • 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. for interpretation or for event detection
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Measuring Temperature Or Quantity Of Heat (AREA)

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、输入已知井的垂深声波测井/>地层温度/>临井的垂深声波测井/>或井周围平均速度体Va；
S2、用步骤S1输入的已知井的垂深声波测井/>计算已知井的平均速度/>用步骤S1输入的临井的垂深/>声波测井/>计算临井的平均速度/>
(1)计算已知井的层速度
其中，是第i个深度的层速度，/>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
其中，是第i个深度的层速度，/>是第i个深度，/>是第i-1个深度，/>是第i-1个深度对应的时间，/>是第i个深度对应的时间。
(3)计算已知井的平均速度
其中，是i个深度的平均速度，/>是第i个深度，/>是第i个深度对应的时间；
(4)计算临井的层速度
其中，是第j个深度的层速度，/>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
其中，是第j个深度的层速度，/>是第j个深度，/>是第j-1个深度，/>是第j-1个深度对应的时间，/>是第j个深度对应的时间；
(6)计算临井的平均速度
其中，是j个深度的平均速度，/>是第j个深度，/>是第j个深度对应的时间。
S3、机器学习已知井的平均速度与地层温度/>的非线性函数NLAI。
其中，AI是机器学习函数，是已知井的平均速度，/>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临井平均速度预测临井的地层温度/>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；
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，是临井的平均速度，/>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、输入已知井的垂深声波测井/>地层温度/>临井的垂深声波测井/>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声波测井/>计算已知井的平均速度/>用步骤S1输入的临井的垂深/>声波测井/>计算临井的平均速度/>
(1)计算已知井的层速度
其中，是第i个深度的层速度，/>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
其中，是第i个深度的层速度，/>是第i个深度，/>是第i-1个深度，/>是第i-1个深度对应的时间，/>是第i个深度对应的时间。
(3)计算已知井的平均速度
其中，是i个深度的平均速度，/>是第i个深度，/>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
其中，是第j个深度的层速度，/>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
其中，是第j个深度的层速度，/>是第j个深度，/>是第j-1个深度，/>是第j-1个深度对应的时间，/>是第j个深度对应的时间。
(6)计算临井的平均速度
其中，是j个深度的平均速度，/>是第j个深度，/>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与地层温度/>的非线性函数NLAI。
其中，AI是机器学习函数，是已知井的平均速度，/>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临井平均速度预测临井的地层温度或用步骤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。
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，是临井的平均速度，/>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 (2)

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；
包括以下步骤：
S1、输入已知井的垂深声波测井/>地层温度/>临井的垂深/>声波测井/>
S2、用步骤S1输入的已知井的垂深声波测井/>计算已知井的平均速度/>用步骤S1输入的临井的垂深/>声波测井/>计算临井的平均速度/>
S2的具体过程包括：
(1)计算已知井的层速度
其中，是第i个深度的层速度，/>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
其中，是第i个深度的层速度，/>是第i个深度，/>是第i-1个深度，/>是第i-1个深度对应的时间，/>是第i个深度对应的时间；
(3)计算已知井的平均速度
其中，是i个深度的平均速度，/>是第i个深度，/>是第i个深度对应的时间；
(4)计算临井的层速度
其中，是第j个深度的层速度，/>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
其中，是第j个深度的层速度，/>是第j个深度，/>是第j-1个深度，/>是第j-1个深度对应的时间，/>是第j个深度对应的时间；
(6)计算临井的平均速度
其中，是j个深度的平均速度，/>是第j个深度，/>是第j个深度对应的时间；
S3、机器学习已知井的平均速度与地层温度/>的非线性函数NLAI；
其中，AI是机器学习函数，是已知井的平均速度，/>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临井平均速度预测临井的地层温度
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，是临井的平均速度，/>是临井的地层温度。
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，S1中，还包括输入井周围平均速度体Va；
S4中，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 CN113671569A (zh) 2021-11-19
CN113671569B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116411946A (zh) * 2021-12-31 2023-07-11 中国石油天然气股份有限公司 地层温度预测方法、装置、设备、可读存储介质及产品

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
CN113671569A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
Mohamadian et al. A geomechanical approach to casing collapse prediction in oil and gas wells aided by machine learning
US11098582B1 (en) Determination of calibrated minimum horizontal stress magnitude using fracture closure pressure and multiple mechanical earth model realizations
Elkatatny et al. Development of a new correlation to determine the static Young’s modulus
CN106761677B (zh) 页岩气水平井单井产能的测井预测方法
WO2009002872A1 (en) Method, system and apparatus for determining rock strength using sonic logging
CN106842301B (zh) 一种凝灰质砂岩有利储层的定量识别与预测方法
US20090225628A1 (en) Estimating seismic anisotropy of shales
CN104047598A (zh) 非均质古岩溶碳酸盐岩储层产能预测方法
Gowida et al. Prediction of sonic wave transit times from drilling parameters while horizontal drilling in carbonate rocks using neural networks
Rajabi et al. Prediction of shear wave velocity by extreme learning machine technique from well log data
CN113671569B (zh) 利用声波测井资料机器学习非线性预测地层温度方法
Gowida et al. Synthetic well-log generation: New approach to predict formation bulk density while drilling using neural networks and fuzzy logic
CN108304959B (zh) 提高地层流体压力预测精度的方法
Abdulraheem Prediction of Poisson's ratio for carbonate rocks using ANN and fuzzy logic type-2 approaches
Nasser et al. Prestack 3D and 4D seismic inversion for reservoir static and dynamic properties
Wang et al. Pore pressure prediction based on rock physics theory and its application in seismic inversion
CN118428406B (zh) 一种基于lstm-pinn法的地层孔隙压力测井预测方法
Zhang et al. Determination of earth stresses using inverse analysis based on coupled numerical modelling and soft computing
Maity et al. Understanding near-field fiberoptic observations in the context of completion designs, fracturing effectiveness, and drainage characteristics. A case study from the hydraulic fracturing test site (HFTS-2) in Delaware basin
CN115017834B (zh) 地层压力预测方法和装置
Naji et al. Intelligent approach for investigating reservoir heterogeneity effect on sonic shear wave
Sayers et al. Determination of in-situ stress and rock strength using borehole acoustic data
CN114814938A (zh) 基于波形相似的待钻地层地震速度随钻预测方法及系统
Abdulraheem Generation of Synthetic Sonic Slowness Logs from Real-Time Drilling Sensors Using Artificial Neural Network
Ouadfeul Unconventional Hydrocarbon Resources: Prediction and Modeling Using Artificial Intelligence Approaches

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