CN114035227A - 基于随钻xrd全岩录井的变质岩潜山储层孔隙度预测方法 - Google Patents

基于随钻xrd全岩录井的变质岩潜山储层孔隙度预测方法 Download PDF

Info

Publication number
CN114035227A
CN114035227A CN202111369031.0A CN202111369031A CN114035227A CN 114035227 A CN114035227 A CN 114035227A CN 202111369031 A CN202111369031 A CN 202111369031A CN 114035227 A CN114035227 A CN 114035227A
Authority
CN
China
Prior art keywords
porosity
rock
reservoir
data
mineral
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
CN202111369031.0A
Other languages
English (en)
Other versions
CN114035227B (zh
Inventor
谭忠健
胡云
李辉
李鸿儒
郭明宇
谭伟雄
张向前
马金鑫
马猛
符强
任宏
杨旭
陈铭帅
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.)
China National Offshore Oil Corp CNOOC
CNOOC China Ltd Tianjin Branch
Original Assignee
China National Offshore Oil Corp CNOOC
CNOOC China Ltd Tianjin Branch
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 China National Offshore Oil Corp CNOOC, CNOOC China Ltd Tianjin Branch filed Critical China National Offshore Oil Corp CNOOC
Priority to CN202111369031.0A priority Critical patent/CN114035227B/zh
Publication of CN114035227A publication Critical patent/CN114035227A/zh
Application granted granted Critical
Publication of CN114035227B publication Critical patent/CN114035227B/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. 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
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
    • 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
    • G01V1/282—Application of seismic models, synthetic seismograms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/624—Reservoir parameters
    • G01V2210/6244—Porosity
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本公开涉及一种基于随钻XRD全岩录井的变质岩潜山储层孔隙度预测方法，涉及油气勘测技术领域。其中，所述的储层孔隙度的预测方法，包括：获取变质岩潜山储层井场录井数据对应的预测模型及待预测的变质岩潜山储层井场录井数据；确定影响所述待预测的变质岩潜山储层井场录井数据孔隙度的造岩矿物；基于影响所述孔隙度的造岩矿物及所述预测模型，对所述待预测的变质岩潜山的储层孔隙度进行预测。本公开实施例可实现变质岩潜山的储层孔隙度预测。

Description

基于随钻XRD全岩录井的变质岩潜山储层孔隙度预测方法
技术领域
本公开涉及油气勘测技术领域，尤其涉及一种基于随钻XRD全岩录井的变质岩潜山储层孔隙度预测方法。
背景技术
X射线衍射是晶体的“指纹”，不同的物质具有不同的X射线衍射特征峰值，可以通过比较衍射线位置与强度，区分出不同的矿物成分。近些年，随着便携式X射线衍射仪的发展，X衍射全岩录井成为主流的录井方法之一，XRD(X射线衍射分析)录井可以连续采集分析岩屑样本的矿物相对含量和标准图谱，包括石英、钾长石、斜长石、方解石、白云石、黄铁矿等近30种矿物成分，已经成为中深层地层界定和岩性判断的重要手段。
变质岩潜山经历长期地质作用，油藏埋藏深度大，储集空间结构复杂，岩石类型多样，储集岩孔渗性能在平面和垂向上分布极不均匀，评价难度较大，现有的评价方法不能很好的解释储层物性情况，亟需建立一套有效的孔隙度定性定量评价方法。
由于裂缝系统的大小和规模是制约变质岩潜山储层有效性的关键因素，而裂缝的产生和演化过程受控于变质岩储层的地质力学特性，与造岩矿物的构成息息相关。因此，从造岩矿物与储层裂缝发育相关性的角度出发，探索基于随钻XRD全岩录井的变质岩潜山储层孔隙度预测，可能形成一套行之有效的变质岩潜山储层孔隙度预测理论方法。
目前，从矿物含量和孔隙度之间的关系进行半定量的研究和分析成果较少，有必要寻求一种专门的方法，分析各种矿物含量对孔隙度大小的影响，揭示影响变质岩潜山储层孔隙度的主要矿物类型，并利用工区已有矿物含量数据以及相对应的孔隙度值，进行模型训练，建立矿物组分和孔隙度的映射关系，最终实现根据该地区的矿物含量值来预测该地区未知的孔隙度值。需要注意，由于不同地区影响孔隙度的矿物因素存在很大的差别，因此在使用本方法时，应选择同一地区的数据，以免误差较大。
发明内容
本公开提出了一种基于随钻XRD全岩录井的变质岩潜山储层孔隙度预测方法技术方案。
根据本公开的一方面，提供了一种储层孔隙度的预测方法，包括：
获取变质岩潜山储层井场录井数据对应的预测模型及待预测的变质岩潜山储层井场录井数据；
确定影响所述待预测的变质岩潜山储层井场录井数据孔隙度的造岩矿物；
基于影响所述孔隙度的造岩矿物及所述预测模型，对所述待预测的变质岩潜山的储层孔隙度进行预测。
优选地，在所述获取变质岩潜山储层井场录井数据对应的预测模型之前，训练所述预测模型，其训练的方法，包括：
获取矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据；
根据所述矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据确定影响孔隙度的造岩矿物；
基于所述影响孔隙度的造岩矿物及其对应的孔隙度标准样本数据，对预测模型进行训练，得到变质岩潜山储层井场录井数据对应的预测模型；
以及/或，
所述确定影响所述待预测的变质岩潜山储层井场录井数据孔隙度的造岩矿物的方法，包括：
获取所述预测模型训练时对应的造岩矿物；
根据所述预测模型训练时对应的造岩矿物对所述待预测的变质岩潜山储层井场录井数据进行选择，得到影响所述待预测的变质岩潜山储层井场录井数据孔隙度的造岩矿物。
优选地，所述根据所述矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据确定影响孔隙度的造岩矿物的方法，包括：
获取预设的灰色关联度；
分别计算所述矿物种类和含量标准样本数据中矿物种类的含量与对应的所述孔隙度标准样本数据中孔隙度的多个差值；
根据所述多个差值确定所述矿物种类的关联系对应的灰色关联度；
根据所述灰色关联度及所述预设的灰色关联度，确定影响孔隙度的造岩矿物。
优选地，所述根据所述多个差值确定所述矿物种类的关联系对应的灰色关联度的方法，包括：
计算所述多个差值对应的多个绝对值，并根据所述多个绝对值确定两极最大差及两极最小差；
分别根据所述多个绝对值、所述两极最大差及所述两极最小差确定所述矿物种类的关联系数；
根据所述每种矿物的样本数目及其对应的关联系数确定所述每种矿物对应的灰色关联度。
优选地，所述分别根据所述多个绝对值、所述两极最大差及所述两极最小差确定所述矿物种类的关联系数的方法，还包括：
获取所述两极最大差对应的预设分辨系数；
根据所述预设分辨系数对所述两极最大差进行修正，得到修正后的两极最大差；
分别根据所述多个绝对值、所述修正后的两极最大差及所述两极最小差确定所述矿物种类的关联系数。
优选地，在所述根据所述矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据确定影响孔隙度的造岩矿物之前，对所述矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据进行归一化处理，得到归一化的矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据；
以及/或，
在获取矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据之前，确定所述矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据，其确定方法，包括：
获取待确定的矿物种类和含量样本数据对应的孔隙度样本数据，以及工区的孔隙度范围；
若所述孔隙度样本数据覆盖所述工区的孔隙度范围，则将所述孔隙度样本数据确定为孔隙度标准样本数据，以及将所述孔隙度样本数据对应的矿物种类和含量样本数据确定为矿物种类和含量标准样本数据。
优选地，在所述获取待预测的变质岩潜山储层井场录井数据之前，采集所述待预测的变质岩潜山储层井场录井数据，其采集方法，包括：
获取设定采样间距、设定干燥度及设定粒度；
在振动筛出砂口下方，按照所述设定采样间距，连续收集岩屑；
若清洗后的所述岩屑满足设定干燥度，并对所述岩屑进行研磨，并实时检测研磨后的所述岩屑对应的粒度；
若所述粒度小于或等于所述设定粒度，则对所述岩屑进行测试，得到不同深度地层岩石基质对应的待预测的变质岩潜山储层井场录井数据；
以及/或，
在所述基于影响所述孔隙度的造岩矿物及所述预测模型，对所述待预测的变质岩潜山的储层孔隙度进行预测之前，还包括：
获取对应的误差波动范围；
判断所述待预测的变质岩潜山储层井场录井数据是否在所述对应的误差波动范围内；
若在所述对应的误差波动范围内，则所述待预测的变质岩潜山储层井场录井数据为正常数据，可以用于对所述待预测的变质岩潜山的储层孔隙度进行预测；否则，对所述待预测的变质岩潜山储层井场录井数据进行重新测量或校正。
优选地，所述获取对应的误差波动范围之前，确定对应的误差波动范围，其确定方法，包括：
获取机误差的分布密度函数及给定的多个误差波动范围；
根据所述分布密度函数，确定所述给定的多个误差波动范围内的多个概率；
根据所述多个概率选择设定概率对应的误差波动范围。
根据本公开的一方面，提供了一种储层孔隙度的预测装置，包括：
获取单元，用于获取变质岩潜山储层井场录井数据对应的预测模型及待预测的变质岩潜山储层井场录井数据；
确定单元，用于确定影响所述待预测的变质岩潜山储层井场录井数据孔隙度的造岩矿物；
预测单元，用于基于影响所述孔隙度的造岩矿物及所述预测模型，对所述待预测的变质岩潜山的储层孔隙度进行预测。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述储层孔隙度的预测方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述储层孔隙度的预测方法。
本公开提出的一种基于随钻XRD全岩录井的变质岩潜山储层孔隙度预测方法是实施例，可以实现变质岩潜山的储层孔隙度的预测，以解决目前不能分析各种矿物含量对孔隙度大小的影响，以至于不能揭示影响变质岩潜山储层孔隙度的主要矿物类型的问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的储层孔隙度的预测方法的流程图；
图2示出根据本公开实施例的矿物数据和孔隙度数据解释结果随钻成图；
图3是根据一示例性实施例示出的一种电子设备800的框图；
图4是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了储层孔隙度的预测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种储层孔隙度的预测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
本发明的目的在于，提供一种基于随钻XRD全岩录井的变质岩潜山储层孔隙度预测方法及装置、电子设备和存储介质，实现变质岩潜山储层孔隙度的实时、连续、有效的预测。
图1示出根据本公开实施例的储层孔隙度的预测方法的流程图，如图1所示，所述储层孔隙度的预测方法，包括：步骤S101：获取变质岩潜山储层井场录井数据对应的预测模型及待预测的变质岩潜山储层井场录井数据；步骤S102：确定影响所述待预测的变质岩潜山储层井场录井数据孔隙度的造岩矿物；步骤S103：基于影响所述孔隙度的造岩矿物及所述预测模型，对所述待预测的变质岩潜山的储层孔隙度进行预测。可以实现变质岩潜山的储层孔隙度的预测，以解决目前不能分析各种矿物含量对孔隙度大小的影响，以至于不能揭示影响变质岩潜山储层孔隙度的主要矿物类型的问题。
步骤S101：获取变质岩潜山储层井场录井数据对应的预测模型及待预测的变质岩潜山储层井场录井数据。
在本公开中，在所述获取变质岩潜山储层井场录井数据对应的预测模型之前，训练所述预测模型，其训练的方法，包括：获取矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据；根据所述矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据确定影响孔隙度的造岩矿物；基于所述影响孔隙度的造岩矿物及其对应的孔隙度标准样本数据，对预测模型进行训练，得到变质岩潜山储层井场录井数据对应的预测模型。
技术方法1：基于灰色关联分析法的主要造岩矿物(影响孔隙度的造岩矿物)筛选和降维处理(即，获取矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据；根据所述矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据确定影响孔隙度的造岩矿物)。
具体地说，选取壁心和岩屑，开展孔隙度实验和XRD衍射实验，建立矿物含量和孔隙度标准样本数据库，得到矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据；利用灰色关联分析法，计算分析不同矿物组分和孔隙度之间的灰色关联度，明确变质岩潜山储层孔隙度的造岩矿物的主次顺序，筛选影响孔隙发育的主要造岩矿物，构建预测模型(例如，BP神经网络)的基础训练集。
在本公开的实施例及其他可能的实施例中，所述预测模型可以选择一元线性回归、多元线性回归、非线性方法、趋势外推法、分解分析方法、指数平滑法、ARMA自回归滑动平均模型、ARIMA差分整合移动平均自回归模型、状态空间模型、马尔科夫预测法、数据挖掘方法，及人工智能(深度学习)或机器学习的一种。例如，本公开可以采用BP(Back-ProPagation)神经网络预测模型。
技术方法2：基于BP神经网络法的孔隙度和主要造岩矿物关系的模型构建。基于BP神经网络预测模型的孔隙度和主要造岩矿物(影响孔隙度的造岩矿物)关系的模型构建的方法，包括以下步骤：利用BP神经网络基础训练集(影响孔隙度的造岩矿物及其对应的孔隙度标准样本数据)，构建BP神经网络输入层、隐含层和输出层节点参数和训练方法，形成得到孔隙度和主要造岩矿物关系映射的训练模型。
步骤1：构建BP神经网络基础训练集。
具体地说，构建BP神经网络基础训练集，包括：影响孔隙度的造岩矿物及其对应的孔隙度标准样本数据。
步骤2：网络初始化。
具体地说，假设输入层的节点个数为n，隐含层的节点个数为l,输出层的节点个数为m。输入层到隐含层的权重ωij,输入层到隐含层的偏置为aj，隐含层输出层的偏置为bk。学习速率η，激励函数为g(x)；其中激励g(x)取Sigmoid函数。Sigmoid函数的数学表达式，如下：
Figure BDA0003349502060000071
步骤3：神经网络隐含层和输出层的输出。
具体地说，通过各节点正向逐层处理后，得到神经网络的隐含层输出和输出层的输出。
隐含层的输出：
Figure BDA0003349502060000072
输出层的输出：
Figure BDA0003349502060000073
步骤4：计算网络实际输出与期望输出的误差传递和迭代。
误差公式为：
Figure BDA0003349502060000074
其中，Yk为期望输出，令Yk-Ok＝ek，则E可以表示为：
Figure BDA0003349502060000075
其中，以上公式中，i＝1,2,…,n；j＝1,2,…l；k＝1,2,…,m；将误差逐层反向传至之前各层，从而使神经网络的连接权值误差减小。
步骤5：孔隙度-优势矿物训练模型(即，基于所述影响孔隙度的造岩矿物及其对应的孔隙度标准样本数据，对预测模型进行训练，得到变质岩潜山储层井场录井数据对应的预测模型)。
具体地说，当训练样本集的误差减小到符合预期要求为止，停止训练，得到孔隙度-优势矿物模型训练模型(即，质岩潜山储层井场录井数据对应的预测模型)。
技术方法3：基于随钻XRD全岩录井的变质岩潜山储层孔隙度预测(获取待预测的变质岩潜山储层井场录井数据；确定影响所述待预测的变质岩潜山储层井场录井数据孔隙度的造岩矿物；基于影响所述孔隙度的造岩矿物及所述预测模型，对所述待预测的变质岩潜山的储层孔隙度进行预测)。
具体地说，实时采集和存储XRD衍射录井仪数据(待预测的变质岩潜山储层井场录井数据)，并对XRD衍射录井仪数据滤波，判断和识别异常数据，并通过重新取样和测定，对异常数据进行更新、补充和完善；再利用技术方法1筛选影响孔隙度的主要造岩矿物，构建BP神经网络预测数据集，最终利用方法2预测对应的孔隙度值，形成基于随钻XRD全岩录井的变质岩潜山储层孔隙度预测方法。
在本公开中，所述根据所述矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据确定影响孔隙度的造岩矿物的方法，包括：获取预设的灰色关联度；分别计算所述矿物种类和含量标准样本数据中矿物种类的含量与对应的所述孔隙度标准样本数据中孔隙度的多个差值；根据所述多个差值确定所述矿物种类的关联系对应的灰色关联度；根据所述灰色关联度及所述预设的灰色关联度，确定影响孔隙度的造岩矿物。
其中，所述根据所述灰色关联度及所述预设的灰色关联度，确定影响孔隙度的造岩矿物的方法，包括：若所述灰色关联度大于所述预设的灰色关联度，则将所述灰色关联度对应的造岩矿物确定为影响孔隙度的造岩矿物。
在本公开的实施例及其他可能的实施例中，预设的灰色关联度可为0.78。具体地说，根据灰色关联度，分析不同矿物对孔隙度的影响程度。灰色关联度越大，表明与孔隙度的关系越密切。经过大量实验，选取关联度系数0.78为界限值，高于0.78的作为优势矿物保留，对数据样本降维，提高运算速度。剔除与孔隙度灰色关联度系数小于0.78的矿物数据，作为BP神经网络基础训练的输入样本数据，孔隙度作为输出样本数据，构建BP神经网络基础训练集。
在本公开中，所述根据所述多个差值确定所述矿物种类的关联系对应的灰色关联度的方法，包括：计算所述多个差值对应的多个绝对值，并根据所述多个绝对值确定两极最大差及两极最小差；分别根据所述多个绝对值、所述两极最大差及所述两极最小差确定所述矿物种类的关联系数；根据所述每种矿物的样本数目及其对应的关联系数确定所述每种矿物对应的灰色关联度。其中，所述根据所述每种矿物的样本数目及其对应的关联系数确定所述每种矿物对应的灰色关联度的方法，包括：根据所述每种矿物的样本数目及其对应的关联系数取均值，得到所述每种矿物对应的灰色关联度。
在本公开中，所述分别根据所述多个绝对值、所述两极最大差及所述两极最小差确定所述矿物种类的关联系数的方法，还包括：获取所述两极最大差对应的预设分辨系数；根据所述预设分辨系数对所述两极最大差进行修正，得到修正后的两极最大差；分别根据所述多个绝对值、所述修正后的两极最大差及所述两极最小差确定所述矿物种类的关联系数。
在本公开的实施例及其他可能的实施例中，计算各造岩矿物组分与孔隙度之间的关联性(关联系数)，计算方法如下：
Figure BDA0003349502060000091
式中，孔隙度数据序列为：x0＝{x0(k)|k＝1,2,…,n}＝{x0(1),x0(2),…,x0(n)}；造岩矿物数据序为：xi＝{xi(k)|k＝1,2,…,n}＝{xi(1),xi(2),…,xi(n)}，且i＝1,2,…,m。
若令Δi(k)＝|x0(k)-xi(k)|,代入上式得：
Figure BDA0003349502060000092
其中，ρ∈[0,1],被称为分辨系数。一般来讲分辨系数ρ越大，分辨率越大；分辨系数ρ越小，分辨率越小；当分辨系数ρ≤0.5463时，分辨力最好，通常情况下取ρ＝0.5。式中，
Figure BDA0003349502060000093
和
Figure BDA0003349502060000094
为两极最小差、两极最大差。
其中，分别计算所述矿物种类和含量标准样本数据中矿物种类的含量与对应的所述孔隙度标准样本数据中孔隙度的多个差值Δi(k)＝|x0(k)-xi(k)|，孔隙度数据序列为孔隙度标准样本数据中连续收集岩屑的不同时刻的孔隙度，造岩矿物数据序为矿物种类和含量标准样本数据中连续收集岩屑的不同时刻的矿物种类的含量，具体可详见下面更为具体的实施例。
其中，所述根据所述每种矿物的样本数目及其对应的关联系数确定所述每种矿物对应的灰色关联度的方法，包括：根据所述每种矿物的样本数目及其对应的关联系数取均值，得到所述每种矿物对应的灰色关联度。具体地说，灰色关联度计算，关联系数是描述比较数列与参考数列在某时刻关联程度的一种指标，由于各个时刻都有一个关联度，因此信息显得过于分散，不便于比较，因此给出灰色关联度定义，如下：
Figure BDA0003349502060000095
记ri为数列xi对参考数列x0的关联度。根据上式可知，关联度是把各个时刻(连续收集岩屑的不同时刻)的关联系数所求得算数平均值。
在本公开中，在所述根据所述矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据确定影响孔隙度的造岩矿物之前，对所述矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据进行归一化处理，得到归一化的矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据。
在本公开的实施例及其他可能的实施例中，归一化处理的方法可为min-max标准化(Min-max normalization)，log函数转换，atan函数转换，z-score标准化(zero-menanormalization)的一种或几种。
为保证建模与系统分析质量，对收集来的孔隙度数据序列和造岩矿物数据序列，进行归一化处理，计算方法如下：
Figure BDA0003349502060000101
式中：第k个测点(连续收集岩屑的不同时刻)x(k)为某种造岩矿物的含量以及/或其对应的孔隙度；
Figure BDA0003349502060000102
为造岩矿物含量均值以及/或其对应的孔隙度均值；所述某种造岩矿物的含量以及/或其对应的孔隙度x(k)除以造岩矿物含量均值以及/或其对应的孔隙度均值，得到归一化的矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据y(k)。
在本公开中，在获取矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据之前，确定所述矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据，其确定方法，包括：获取待确定的矿物种类和含量样本数据对应的孔隙度样本数据，以及工区的孔隙度范围；若所述孔隙度样本数据覆盖所述工区的孔隙度范围，则将所述孔隙度样本数据确定为孔隙度标准样本数据，以及将所述孔隙度样本数据对应的矿物种类和含量样本数据确定为矿物种类和含量标准样本数据。
在本公开的实施例及其他可能的实施例中，选择某一变质岩潜山储层井场录井数据，选取壁心和岩屑，样品应覆盖工区的孔隙度主要范围。开展XRD衍射实验，建立矿物种类和含量数据标准样本数据库，得到矿物种类和含量标准样本数据；开展孔隙度实验，建立孔隙度标准样本数据库，得到矿物种类和含量标准样本数据对应的孔隙度标准样本数据。
在本公开中，在所述获取待预测的变质岩潜山储层井场录井数据之前，采集所述待预测的变质岩潜山储层井场录井数据，其采集方法，包括：获取设定采样间距、设定干燥度及设定粒度；在振动筛出砂口下方，按照所述设定采样间距，连续收集岩屑；若清洗后的所述岩屑满足设定干燥度，并对所述岩屑进行研磨，并实时检测研磨后的所述岩屑对应的粒度；若所述粒度小于或等于所述设定粒度，则对所述岩屑进行测试，得到不同深度地层岩石基质对应的待预测的变质岩潜山储层井场录井数据。
在本公开的实施例及其他可能的实施例中，在振动筛出砂口下方，按照采样间距，连续收集新鲜岩屑，并对岩屑充分清洗、干燥和研磨。研磨使岩屑成粉末状，粒度小于20um(设定粒度)，制备出XRD岩屑样品。将制备好的岩屑样品放入便携式XRD衍射仪，测试其X射线衍射谱图，分析不同深度地层岩石基质的矿物种类和含量数据，实时传递给数据库，存储为原始数据表(不同深度地层岩石基质对应的待预测的变质岩潜山储层井场录井数据)。
在本公开中，在所述基于影响所述孔隙度的造岩矿物及所述预测模型，对所述待预测的变质岩潜山的储层孔隙度进行预测之前，还包括：获取对应的误差波动范围；判断所述待预测的变质岩潜山储层井场录井数据的误差是否在所述对应的误差波动范围内；若在所述对应的误差波动范围内，则所述待预测的变质岩潜山储层井场录井数据为正常数据，可以用于对所述待预测的变质岩潜山的储层孔隙度进行预测；否则，对所述待预测的变质岩潜山储层井场录井数据进行重新测量或校正。
在本公开的实施例及其他可能的实施例中，对应的误差波动范围可为[μ-3δ,μ+3δ]或[μ-2δ,μ+2δ]，μ为数学期望，δ为随机误差。
在本公开的实施例及其他可能的实施例中，所述获取对应的误差波动范围之前，确定对应的误差波动范围，其确定方法，包括：获取机误差的分布密度函数及给定的多个误差波动范围；根据所述分布密度函数，确定所述给定的多个误差波动范围内的多个概率；根据所述多个概率选择设定概率对应的误差波动范围。
异常数据识别滤波。若待预测的变质岩潜山储层井场录井数据的误差不在所述对应的误差波动范围内，则所述待预测的变质岩潜山储层井场录井数据为正常数据同一区域变质岩潜山储层的矿物组分测量总体及其误差分布符合正态分布，随机误差的分布密度为：
Figure BDA0003349502060000111
式中：δ为随机误差；若不考虑系统误差，则δ＝x-μ；μ为X的数学期望；σ为随机误差δ的标准差，也是测量总体X的标准差。
由分布密度f(δ)的定义可知，δ在δ1和δ2之间内取值的概率应为相应区间上密度函数的积分，即
Figure BDA0003349502060000112
对于给定的误差界限±δ，即可根据t＝δ/σ，由概率积分求得值出现在[-δ,+δ]范围内的概率。随机误差在范围内出现在[μ-3δ,μ+3δ]的概率0.9973，出现在[μ-2δ,μ+2δ]的概率0.9545。
根据获取的XRD全岩录井数据，计算出其随机误差的标准差，选择[μ-3δ,μ+3δ]或[μ-2δ,μ+2δ]区间为数据误差正常的波动范围。当XRD全岩录井数据某一测点的误差超过其范围时，该测点为异常点，需要重新测量和校正。
异常点数据补充和完善。XRD全岩录井数据异常点多为取样的代表性造成的，对于异常点位置，重新取样，清洗，干燥，研磨，搅拌均匀，测量3-5组数据稳定值，把新的测量结果，补充和替换原优势矿物数据表中的数据，并存储为滤波优势矿物数据表。
步骤S102：确定影响所述待预测的变质岩潜山储层井场录井数据孔隙度的造岩矿物。
在本公开中，所述确定影响所述待预测的变质岩潜山储层井场录井数据孔隙度的造岩矿物的方法，包括：获取所述预测模型训练时对应的造岩矿物；根据所述预测模型训练时对应的造岩矿物对所述待预测的变质岩潜山储层井场录井数据进行选择，得到影响所述待预测的变质岩潜山储层井场录井数据孔隙度的造岩矿物。
步骤S103：基于影响所述孔隙度的造岩矿物及所述预测模型，对所述待预测的变质岩潜山的储层孔隙度进行预测。
为了实现本公开的发明目的，包括以下三个技术方法，其具体相应描述，可参照上述方法的详细描述。
技术方法1：基于灰色关联分析法的主要造岩矿物筛选和降维处理。
选取壁心和岩屑，开展孔隙度实验和XRD衍射实验，建立矿物含量和孔隙度标准样本数据库，利用灰色关联分析法，计算分析不同矿物组分和孔隙度之间的灰色关联度，明确变质岩潜山储层孔隙度的造岩矿物的主次顺序，筛选影响孔隙发育的主要造岩矿物，构建BP神经网络基础训练集。
技术方法2：基于BP神经网络法的孔隙度和主要造岩矿物关系的模型构建。
利用BP神经网络基础训练集，构建BP神经网络输入层、隐含层和输出层节点参数和训练方法，形成得到孔隙度和主要造岩矿物关系映射的训练模型。
技术方法3：基于随钻XRD全岩录井的变质岩潜山储层孔隙度预测。
实时采集和存储XRD衍射录井仪数据，并对原始数据滤波，判断和识别异常数据，并通过重新取样和测定，对异常数据进行更新、补充和完善；再利用技术方法1筛选影响孔隙度的主要造岩矿物，构建BP神经网络预测数据集，最终利用方法2预测对应的孔隙度值，形成基于随钻XRD全岩录井的变质岩潜山储层孔隙度预测方法。
技术方法1的实现主要包括以下步骤：
步骤1：建立标准数据样本
选择某一变质岩潜山储层井场录井数据，选取壁心和岩屑，样品应覆盖工区的孔隙度主要范围。开展XRD衍射实验，建立矿物种类和含量数据标准样本数据库；开展孔隙度实验，建立孔隙度标准样本数据库。
步骤2：数据归一化处理。
为保证建模与系统分析质量，对收集来的孔隙度数据序列和造岩矿物数据序列，进行归一化处理。
步骤3：关联系数计算。
计算各造岩矿物组分与孔隙度之间的关联性，计算方法如下：
Figure BDA0003349502060000131
式中，孔隙度数据序列：x0＝{x0(k)|k＝1,2,…,n}＝{x0(1),x0(2),…,x0(n)}；造岩矿物数据序为：xi＝{xi(k)k＝1,2,…,n}＝{xi(1),xi(2),…,xi(n)}，且i＝1,2,…,m；若令Δi(k)＝|x0(k)-xi(k)|，代入上式得：
Figure BDA0003349502060000132
其中，ρ∈[0,1],被称为分辨系数。一般来讲分辨系数ρ越大，分辨率越大；分辨系数ρ越小，分辨率越小；当分辨系数ρ≤0.5463时，分辨力最好，通常情况下取ρ＝0.5。称(1)式中
Figure BDA0003349502060000133
和
Figure BDA0003349502060000134
为两极最小差、两极最大差。
步骤4：灰色关联度计算。
关联系数是描述比较数列与参考数列在某时刻关联程度的一种指标，由于各个时刻都有一个关联度，因此信息显得过于分散，不便于比较，因此给出灰色关联度定义，如下：
Figure BDA0003349502060000135
记ri为数列xi对参考数列x0的关联度。根据上式可知，关联度是把各个时刻的关联系数所求得算数平均值。
步骤5：界定影响孔隙度优势矿物，进行降维处理。
根据灰色关联度，分析不同矿物对孔隙度的影响程度。灰色关联度越大，表明与孔隙度的关系越密切。经过大量实验，选取关联度系数0.78为界限值，高于0.78的作为优势矿物保留，对数据样本降维，提高运算速度。
步骤6：构建BP神经网络基础训练集
剔除与孔隙度灰色关联度系数小于0.78的矿物数据，作为BP神经网络基础训练的输入样本数据，孔隙度作为输出样本数据，构建BP神经网络基础训练集。
技术方法2的实现主要包括以下步骤：
步骤1：构建BP神经网络基础训练集。
步骤2：网络初始化。
假设输入层的节点个数为n，隐含层的节点个数为l,输出层的节点个数为m。输入层到隐含层的权重ωij,输入层到隐含层的偏置为aj，隐含层输出层的偏置为bk。学习速率η，激励函数为g(x)；其中激励g(x)取Sigmoid函数，如下：
Figure BDA0003349502060000141
步骤3：神经网络隐含层和输出层的输出
通过各节点正向逐层处理后，得到神经网络的隐含层输出和输出层的输出。
隐含层的输出：
Figure BDA0003349502060000142
输出层的输出：
Figure BDA0003349502060000143
步骤4：计算网络实际输出与期望输出的误差传递和迭代。
误差公式为：
Figure BDA0003349502060000144
其中，Yk为期望输出，令Yk-Ok＝ek，则E可以表示为：
Figure BDA0003349502060000145
其中，以上公式中，i＝1,2,…,n；j＝1,2,…l；k＝1,2,…,m。将误差逐层反向传至之前各层，从而使神经网络的连接权值误差减小。
步骤5：孔隙度-优势矿物训练模型。
当训练样本集的误差减小到符合预期要求为止，停止训练，得到孔隙度-优势矿物模型训练模型。
技术方法3的实现主要包括以下步骤：
步骤1：XRD岩屑样品制备。
在振动筛出砂口下方，按照采样间距，连续收集新鲜岩屑，并对岩屑充分清洗、干燥和研磨。研磨使岩屑成粉末状，粒度小于20um，制备出XRD岩屑样品。
步骤2：全岩矿物测量和采集。
将制备好的岩屑样品放入便携式XRD衍射仪，测试其X射线衍射谱图，分析不同深度地层岩石基质的矿物种类和含量数据，实时传递给数据库，存储为原始数据表。
步骤3：优势矿物数据筛选。
按照技术方法1，剔除与孔隙度灰色关联度系数小于0.78的矿物数据，筛选保留与孔隙度灰色关联度系数大于等于0.78的造岩矿物组分，存储为优势矿物数据库表。
步骤4：异常数据识别滤波。
同一区域变质岩潜山储层的矿物组分测量总体及其误差分布符合正态分布，随机误差的分布密度为：
Figure BDA0003349502060000151
式中：δ为随机误差；若不考虑系统误差，则δ＝x-μ；μ为X的数学期望；σ为随机误差δ的标准差，也是测量总体X的标准差。
由分布密度f(δ)的定义可知，δ在δ1和δ2之间内取值的概率应为相应区间上密度函数的积分，即
Figure BDA0003349502060000152
对于给定的误差界限±δ，即可根据t＝δ/σ，由概率积分求得值出现在[-δ,+δ]范围内的概率。随机误差在范围内出现在[μ-3δ,μ+3δ]的概率0.9973，出现在[μ-2δ,μ+2δ]的概率0.9545。
根据获取的XRD全岩录井数据，计算出其随机误差的标准差，选择[μ-3δ,μ+3δ]或[μ-2δ,μ+2δ]区间为数据误差正常的波动范围。当XRD全岩录井数据某一测点的误差超过其范围时，该测点为异常点，需要重新测量和校正。
步骤5：异常点数据补充和完善。
XRD全岩录井数据异常点多为取样的代表性造成的，对于异常点位置，重新取样，清洗，干燥，研磨，搅拌均匀，测量3-5组数据稳定值，把新的测量结果，补充和替换原优势矿物数据表中的数据，并存储为滤波优势矿物数据表。
步骤6：孔隙度值预测。
按照技术方法2中孔隙度-优势矿物训练模型，对滤波优势矿物数据进行BP神经网络训练，预测相应的孔隙度值。
步骤7：解释剖面实时绘制。
将技术方法1、技术方法2和技术方法3形成模块，嵌入便携式X射线衍射仪的井场录井采集系统中，随钻实时预测地层孔隙度值，并对滤波矿物数据和孔隙度数据解释结果随钻成图，实时定量预报储层物性情况。图2示出根据本公开实施例的矿物数据和孔隙度数据解释结果随钻成图。
综上所述，本发明利用便携式X射线衍射仪的井场录井采集的基础数据，建立了一套变质岩潜山储层孔隙度定量预测方法，并集成到便携式X射线衍射仪数据采集系统中，随钻实时预测地层孔隙度值，并直观成图，再结合工程录井、气测录井等资料，提供时效性很强的储层识别方法和决策依据。
基于上述描述，以下结合相应数据，进行更为详细的描述。
技术方法1的实现主要包括以下步骤：
步骤1：建立标准样本数据库。
选择某一变质岩潜山储层井场录井数据，选取壁心和岩屑，样品应覆盖工区的孔隙度主要范围。开展XRD衍射实验，建立矿物种类和含量数据标准样本数据库；开展孔隙度实验，建立孔隙度标准样本数据库。
表一：某井场录井数据
Figure BDA0003349502060000161
Figure BDA0003349502060000171
Figure BDA0003349502060000181
步骤2：数据归一化处理。
为保证建模与系统分析质量，对收集来的孔隙度数据序列和造岩矿物数据序列，进行归一化处理。
表二：数据预处理(归一化处理)
Figure BDA0003349502060000182
Figure BDA0003349502060000191
步骤3：关联系数计算。
计算各造岩矿物组分与孔隙的的关联性，计算方法如下：
Figure BDA0003349502060000192
式中，孔隙度数据序列：x0＝{x0(k)|k＝1,2,…,n}＝{x0(1),x0(2),…,x0(n)}；造岩矿物数据序为：xi＝{xi(k)|k＝1,2,…,n}＝{xi(1),xi(2),…,xi(n)}，且i＝1,2,…,m。
若令Δi(k)＝|x0(k)-xi(k)|，代入上式得：
Figure BDA0003349502060000193
其中，ρ∈[0,1],被称为分辨系数。一般来讲分辨系数ρ越大，分辨率越大；分辨系数ρ越小，分辨率越小；当分辨系数ρ≤0.5463时，分辨力最好，通常情况下取ρ＝0.5。称(1)式中
Figure BDA0003349502060000201
和
Figure BDA0003349502060000202
为两极最小差、两极最大差。
表三：灰色关联系数
Figure BDA0003349502060000203
Figure BDA0003349502060000211
步骤4：灰色关联度计算。
关联系数是描述比较数列与参考数列在某时刻关联程度的一种指标，由于各个时刻都有一个关联度，因此信息显得过于分散，不便于比较，因此给出灰色关联度定义，如下：
Figure BDA0003349502060000212
记ri为数列xi对参考数列x0的关联度。根据上式可知，关联度是把各个时刻的关联系数求算数平均值。
步骤5：界定影响孔隙度优势矿物，进行降维处理。
Figure BDA0003349502060000213
根据灰色关联度，分析不同矿物对孔隙度的影响程度。灰色关联度越大，表明与孔隙度的关系越密切。经过大量实验，选取关联度系数0.78为界限值，高于0.78的作为优势矿物保留，对数据样本降维，提高运算速度。
步骤6：构建BP神经网络基础训练集。
剔除与孔隙度灰色关联度系数小于0.78的矿物数据，作为BP神经网络基础训练的输入样本数据，孔隙度作为输出样本数据，构建BP神经网络基础训练集。
技术方法2的实现主要包括以下步骤：
步骤1：构建BP神经网络基础训练集。
步骤2：网络初始化。
假设输入层的节点个数为n，隐含层的节点个数为l,输出层的节点个数为m。输入层到隐含层的权重ωij,输入层到隐含层的偏置为aj，隐含层输出层的偏置为bk。学习速率η，激励函数为g(x)；其中激励函数g(x)取Sigmoid函数。如下：
Figure BDA0003349502060000221
步骤3：神经网络隐含层和输出层的输出。
通过各节点正向逐层处理后，得到神经网络的隐含层输出和输出层的输出。
隐含层的输出：
Figure BDA0003349502060000222
输出层的输出：
Figure BDA0003349502060000223
步骤4：计算网络实际输出与期望输出的误差传递和迭代
误差公式为：
Figure BDA0003349502060000224
其中，Yk为期望输出，令Yk-Ok＝ek，则E可以表示为：
Figure BDA0003349502060000225
在以上公式中，i＝1,2,…,n；j＝1,2,…l；k＝1,2,…,m；将误差逐层反向传至之前各层，从而使神经网络的连接权值误差减小。
步骤5：孔隙度-优势矿物训练模型。
当训练样本集的误差减小到符合预期要求为止，停止训练，得到孔隙度-优势矿物模型训练模型。
技术方法3的实现主要包括以下步骤：
步骤1：XRD岩屑样品制备。
在振动筛出砂口下方，按照采样间距，连续收集新鲜岩屑，并对岩屑充分清洗、干燥和研磨。研磨使岩屑成粉末粒度小于20um，制备出XRD岩屑样品。
步骤2：全岩矿物测量和采集。
将制备好的岩屑样品放入便携式XRD衍射仪，测试其X射线衍射谱图，分析不同深度地层岩石基质的矿物种类和含量数据，实时传递给数据库，存储为原始数据表。
步骤3：优势矿物数据筛选。
按照技术方法1，剔除与孔隙度灰色关联度系数小于0.78的矿物数据，筛选保留与孔隙度灰色关联度系数大于等于0.78的造岩矿物组分，存储为优势矿物数据库表。
步骤4：异常数据识别滤波。
同一区域变质岩潜山储层的矿物组分测量总体及其误差分布符合正态分布，随机误差的分布密度为：
Figure BDA0003349502060000231
式中，δ为随机误差；若不考虑系统误差，则δ＝x-μ；μ为X的数学期望；σ为随机误差δ的标准差，也是测量总体X的标准差。
由分布密度f(δ)的定义可知，δ在δ1和δ2之间内取值的概率应为相应区间上密度函数的积分，即
Figure BDA0003349502060000232
对于给定的误差界限±δ，即可根据t＝δ/σ，由概率积分求得值出现在[-δ,+δ]范围内的概率。随机误差在范围内出现在[μ-3δ,μ+3δ]的概率0.9973，出现在[μ-2δ,μ+2δ]的概率0.9545。
根据获取的XRD全岩录井数据，计算出其标准差，选择[μ-3δ,μ+3δ]或[μ-2δ,μ+2δ]区间为数据误差正常的波动范围。当XRD全岩录井数据某一测点的误差超过其范围时，该测点为异常点，需要重新测量和校正。
步骤5：异常点数据补充和完善。
XRD全岩录井数据异常点多为取样的代表性造成的，对于异常点位置，重新取样，清洗，干燥，研磨，搅拌均约，测量3-5组数据稳定值，把新的测量结果，补充和替换原优势矿物数据表中的数据，并存储为滤波优势矿物数据表。
步骤6：孔隙度值预测。
按照技术方法2中孔隙度-优势矿物训练模型，对滤波优势矿物数据进行BP神经网络训练，预测相应的孔隙度值。
步骤7：解释剖面实时绘制。
将技术方法1、技术方法2和技术方法3形成模块，嵌入便携式X射线衍射仪的井场录井采集系统中，随钻实时预测地层孔隙度值，并对滤波矿物数据和孔隙度数据解释结果随钻成图，实时定量预报储层物性情况。
储层孔隙度的预测方法的执行主体可以是储层孔隙度的预测装置，例如，储层孔隙度的预测方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该储层孔隙度的预测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本领域技术人员可以理解，在具体实施方式的上述储层孔隙度的预测方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开还提出了一种储层孔隙度的预测装置，，所述储层孔隙度的预测装置，包括：获取单元，用于获取变质岩潜山储层井场录井数据对应的预测模型及待预测的变质岩潜山储层井场录井数据；确定单元，用于确定影响所述待预测的变质岩潜山储层井场录井数据孔隙度的造岩矿物；预测单元，用于基于影响所述孔隙度的造岩矿物及所述预测模型，对所述待预测的变质岩潜山的储层孔隙度进行预测。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文储层孔隙度的预测方法实施例描述的方法，其具体实现可以参照上文储层孔隙度的预测方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述储层孔隙度的预测方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述储层孔隙度的预测方法。电子设备可以被提供为终端、服务器或其它形态的设备。
图3是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图3，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图4是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图4，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种储层孔隙度的预测方法，其特征在于，包括：
获取变质岩潜山储层井场录井数据对应的预测模型及待预测的变质岩潜山储层井场录井数据；
确定影响所述待预测的变质岩潜山储层井场录井数据孔隙度的造岩矿物；
基于影响所述孔隙度的造岩矿物及所述预测模型，对所述待预测的变质岩潜山的储层孔隙度进行预测。
2.根据权利要求1所述的储层孔隙度的预测方法，其特征在于，在所述获取变质岩潜山储层井场录井数据对应的预测模型之前，训练所述预测模型，其训练的方法，包括：
获取矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据；
根据所述矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据确定影响孔隙度的造岩矿物；
基于所述影响孔隙度的造岩矿物及其对应的孔隙度标准样本数据，对预测模型进行训练，得到变质岩潜山储层井场录井数据对应的预测模型；
以及/或，
所述确定影响所述待预测的变质岩潜山储层井场录井数据孔隙度的造岩矿物的方法，包括：
获取所述预测模型训练时对应的造岩矿物；
根据所述预测模型训练时对应的造岩矿物对所述待预测的变质岩潜山储层井场录井数据进行选择，得到影响所述待预测的变质岩潜山储层井场录井数据孔隙度的造岩矿物。
3.根据权利要求2所述的储层孔隙度的预测方法，其特征在于，所述根据所述矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据确定影响孔隙度的造岩矿物的方法，包括：
获取预设的灰色关联度；
分别计算所述矿物种类和含量标准样本数据中矿物种类的含量与对应的所述孔隙度标准样本数据中孔隙度的多个差值；
根据所述多个差值确定所述矿物种类的关联系对应的灰色关联度；
根据所述灰色关联度及所述预设的灰色关联度，确定影响孔隙度的造岩矿物。
4.根据权利要求3所述的储层孔隙度的预测方法，其特征在于，所述根据所述多个差值确定所述矿物种类的关联系对应的灰色关联度的方法，包括：
计算所述多个差值对应的多个绝对值，并根据所述多个绝对值确定两极最大差及两极最小差；
分别根据所述多个绝对值、所述两极最大差及所述两极最小差确定所述矿物种类的关联系数；
根据所述每种矿物的样本数目及其对应的关联系数确定所述每种矿物对应的灰色关联度。
5.根据权利要求4所述的储层孔隙度的预测方法，其特征在于，所述分别根据所述多个绝对值、所述两极最大差及所述两极最小差确定所述矿物种类的关联系数的方法，还包括：
获取所述两极最大差对应的预设分辨系数；
根据所述预设分辨系数对所述两极最大差进行修正，得到修正后的两极最大差；
分别根据所述多个绝对值、所述修正后的两极最大差及所述两极最小差确定所述矿物种类的关联系数。
6.根据权利要求2-5任一项所述的储层孔隙度的预测方法，其特征在于，在所述根据所述矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据确定影响孔隙度的造岩矿物之前，对所述矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据进行归一化处理，得到归一化的矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据；
以及/或，
在获取矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据之前，确定所述矿物种类和含量标准样本数据及其对应的孔隙度标准样本数据，其确定方法，包括：
获取待确定的矿物种类和含量样本数据对应的孔隙度样本数据，以及工区的孔隙度范围；
若所述孔隙度样本数据覆盖所述工区的孔隙度范围，则将所述孔隙度样本数据确定为孔隙度标准样本数据，以及将所述孔隙度样本数据对应的矿物种类和含量样本数据确定为矿物种类和含量标准样本数据。
7.根据权利要求1-6任一项所述的储层孔隙度的预测方法，其特征在于，在所述获取待预测的变质岩潜山储层井场录井数据之前，采集所述待预测的变质岩潜山储层井场录井数据，其采集方法，包括：
获取设定采样间距、设定干燥度及设定粒度；
在振动筛出砂口下方，按照所述设定采样间距，连续收集岩屑；
若清洗后的所述岩屑满足设定干燥度，并对所述岩屑进行研磨，并实时检测研磨后的所述岩屑对应的粒度；
若所述粒度小于或等于所述设定粒度，则对所述岩屑进行测试，得到不同深度地层岩石基质对应的待预测的变质岩潜山储层井场录井数据；
以及/或，
在所述基于影响所述孔隙度的造岩矿物及所述预测模型，对所述待预测的变质岩潜山的储层孔隙度进行预测之前，还包括：
获取对应的误差波动范围；
判断所述待预测的变质岩潜山储层井场录井数据是否在所述对应的误差波动范围内；
若在所述对应的误差波动范围内，则所述待预测的变质岩潜山储层井场录井数据为正常数据，可以用于对所述待预测的变质岩潜山的储层孔隙度进行预测；否则，对所述待预测的变质岩潜山储层井场录井数据进行重新测量或校正。
8.一种储层孔隙度的预测装置，其特征在于，包括：
获取单元，用于获取变质岩潜山储层井场录井数据对应的预测模型及待预测的变质岩潜山储层井场录井数据；
确定单元，用于确定影响所述待预测的变质岩潜山储层井场录井数据孔隙度的造岩矿物；
预测单元，用于基于影响所述孔隙度的造岩矿物及所述预测模型，对所述待预测的变质岩潜山的储层孔隙度进行预测。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的储层孔隙度的预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的储层孔隙度的预测方法。
CN202111369031.0A 2021-11-11 2021-11-11 基于随钻xrd全岩录井的变质岩潜山储层孔隙度预测方法 Active CN114035227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111369031.0A CN114035227B (zh) 2021-11-11 2021-11-11 基于随钻xrd全岩录井的变质岩潜山储层孔隙度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111369031.0A CN114035227B (zh) 2021-11-11 2021-11-11 基于随钻xrd全岩录井的变质岩潜山储层孔隙度预测方法

Publications (2)

Publication Number Publication Date
CN114035227A true CN114035227A (zh) 2022-02-11
CN114035227B CN114035227B (zh) 2023-07-07

Family

ID=80138048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111369031.0A Active CN114035227B (zh) 2021-11-11 2021-11-11 基于随钻xrd全岩录井的变质岩潜山储层孔隙度预测方法

Country Status (1)

Country Link
CN (1) CN114035227B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104360414A (zh) * 2014-10-28 2015-02-18 中国石油天然气股份有限公司 一种潜山裂缝的识别方法及系统
US20160124115A1 (en) * 2014-10-23 2016-05-05 Chevron U.S.A. Inc. System and Method of Pore Type Classification for Petrophysical Rock Typing
CN106950347A (zh) * 2017-03-03 2017-07-14 中国石油大学(华东) 一种评价泥页岩各组分体积的方法
CN107218032A (zh) * 2017-05-02 2017-09-29 中国石油大学(北京) 致密储层甜度评价方法和装置
CN107829731A (zh) * 2017-11-06 2018-03-23 陈国军 一种黏土蚀变的火山岩孔隙度校正方法
CN109710968A (zh) * 2018-11-14 2019-05-03 中国石油天然气股份有限公司 一种基岩潜山裂缝预测方法及装置
FR3073556A1 (fr) * 2017-11-14 2019-05-17 Landmark Graphics Corporation Conversion de donnees de mecanique des roches d'une contrainte de confinement en une pression interstitielle pour des simulateurs de reservoir
CN109934257A (zh) * 2019-01-30 2019-06-25 中国石油大学(华东) 一种基于机器学习的基岩潜山油藏岩石类型识别方法
CN110717249A (zh) * 2019-09-16 2020-01-21 中国石油大学(北京) 页岩气储层测井孔隙度快速预测方法及系统
CN111316294A (zh) * 2017-09-15 2020-06-19 沙特阿拉伯石油公司 使用神经网络推断烃储层的岩石物理特性
CN111946336A (zh) * 2020-09-06 2020-11-17 中国石油天然气集团有限公司 基于矿物分析数据获取页岩油储层核磁孔隙度的方法
CN112016753A (zh) * 2020-08-31 2020-12-01 中国海洋石油集团有限公司 基于三元耦合的变质岩潜山产能预测方法
CN112211624A (zh) * 2020-10-03 2021-01-12 中国石油天然气集团有限公司 储层的破裂压力确定方法及装置、电子设备和存储介质
CN113075731A (zh) * 2021-03-24 2021-07-06 东北石油大学 深层储层连续性井筒数字建模方法及装置
CN113138107A (zh) * 2021-04-15 2021-07-20 东北石油大学 基于随钻岩屑录井资料的岩石脆性评价方法
US20210270130A1 (en) * 2020-03-02 2021-09-02 Saudi Arabian Oil Company Method and system for diagenesis-based rock classification
US20210319257A1 (en) * 2020-04-14 2021-10-14 Schlumberger Technology Corporation Cuttings Imaging for Determining Geological Properties
CN113533160A (zh) * 2021-07-06 2021-10-22 长江大学 一种岩石孔隙度测量方法及装置
CN113625358A (zh) * 2021-08-11 2021-11-09 中国石油化工股份有限公司 判别岩石组分对致密砂岩储层物性影响程度的方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160124115A1 (en) * 2014-10-23 2016-05-05 Chevron U.S.A. Inc. System and Method of Pore Type Classification for Petrophysical Rock Typing
CN104360414A (zh) * 2014-10-28 2015-02-18 中国石油天然气股份有限公司 一种潜山裂缝的识别方法及系统
CN106950347A (zh) * 2017-03-03 2017-07-14 中国石油大学(华东) 一种评价泥页岩各组分体积的方法
CN107218032A (zh) * 2017-05-02 2017-09-29 中国石油大学(北京) 致密储层甜度评价方法和装置
CN111316294A (zh) * 2017-09-15 2020-06-19 沙特阿拉伯石油公司 使用神经网络推断烃储层的岩石物理特性
CN107829731A (zh) * 2017-11-06 2018-03-23 陈国军 一种黏土蚀变的火山岩孔隙度校正方法
FR3073556A1 (fr) * 2017-11-14 2019-05-17 Landmark Graphics Corporation Conversion de donnees de mecanique des roches d'une contrainte de confinement en une pression interstitielle pour des simulateurs de reservoir
CN109710968A (zh) * 2018-11-14 2019-05-03 中国石油天然气股份有限公司 一种基岩潜山裂缝预测方法及装置
CN109934257A (zh) * 2019-01-30 2019-06-25 中国石油大学(华东) 一种基于机器学习的基岩潜山油藏岩石类型识别方法
CN110717249A (zh) * 2019-09-16 2020-01-21 中国石油大学(北京) 页岩气储层测井孔隙度快速预测方法及系统
US20210270130A1 (en) * 2020-03-02 2021-09-02 Saudi Arabian Oil Company Method and system for diagenesis-based rock classification
US20210319257A1 (en) * 2020-04-14 2021-10-14 Schlumberger Technology Corporation Cuttings Imaging for Determining Geological Properties
CN112016753A (zh) * 2020-08-31 2020-12-01 中国海洋石油集团有限公司 基于三元耦合的变质岩潜山产能预测方法
CN111946336A (zh) * 2020-09-06 2020-11-17 中国石油天然气集团有限公司 基于矿物分析数据获取页岩油储层核磁孔隙度的方法
CN112211624A (zh) * 2020-10-03 2021-01-12 中国石油天然气集团有限公司 储层的破裂压力确定方法及装置、电子设备和存储介质
CN113075731A (zh) * 2021-03-24 2021-07-06 东北石油大学 深层储层连续性井筒数字建模方法及装置
CN113138107A (zh) * 2021-04-15 2021-07-20 东北石油大学 基于随钻岩屑录井资料的岩石脆性评价方法
CN113533160A (zh) * 2021-07-06 2021-10-22 长江大学 一种岩石孔隙度测量方法及装置
CN113625358A (zh) * 2021-08-11 2021-11-09 中国石油化工股份有限公司 判别岩石组分对致密砂岩储层物性影响程度的方法

Also Published As

Publication number Publication date
CN114035227B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
JP7187099B2 (ja) ニューラルネットワークを用いて炭化水素貯留層の石油物理特性を推測すること
Gissi et al. Addressing uncertainty in modelling cumulative impacts within maritime spatial planning in the Adriatic and Ionian region
US12117580B2 (en) Evaluation of rock physical properties from drill sounds through minimizing the effect of the drill bit rotation
CN110837114B (zh) 粗面质火山碎屑岩识别方法、装置及电子设备
US20210349001A1 (en) Real-time estimation of formation hydrocarbon mobility from mud gas data
Gervais et al. Probability maps of reservoir presence and sensitivity analysis in stratigraphic forward modeling
US20210104333A1 (en) Tool for predicting health and drug abuse crisis
US20220325613A1 (en) System and method for petrophysical modeling automation based on machine learning
CN113077019A (zh) 污染类型识别方法及装置和存储介质
CN114035227B (zh) 基于随钻xrd全岩录井的变质岩潜山储层孔隙度预测方法
CN107729822A (zh) 对象识别方法及装置
CN113216926A (zh) 页岩气井的筛选方法、装置、终端及存储介质
CN115935816A (zh) 钻井参数确定方法、装置、设备及存储介质
CN116796503A (zh) 一种页岩有机物碳含量计算模型建立方法和装置
CN111489010A (zh) 钻爆法隧道掌子面前方围岩级别智能预测方法及装置
CN115495865A (zh) 黏土矿物含量的确定方法及装置、电子设备和存储介质
WO2019111168A1 (en) Location calibration based on movement path and map objects
CN113282961A (zh) 一种基于电网数据采集的数据脱敏方法及系统
CN114137338B (zh) 一种设备运行状态监测方法、系统及存储介质
CN111814879B (zh) 储层岩石物理相的分类方法及装置、电子设备和存储介质
CN114167499B (zh) 生物礁自动识别的方法及装置、电子设备和存储介质
CN115704309A (zh) 一种复杂砂砾岩储层的产能确定方法、装置及电子设备
CN113791103A (zh) 页岩含油性的确定方法及装置、电子设备和存储介质
CN113139877B (zh) 页岩气井的筛选方法及装置
CN115841181B (zh) 剩余油分布预测方法、装置、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
GR01 Patent grant
GR01 Patent grant