CN114707597A - 一种河流相致密砂岩储层复杂岩相智能化识别方法及系统 - Google Patents
一种河流相致密砂岩储层复杂岩相智能化识别方法及系统 Download PDFInfo
- Publication number
- CN114707597A CN114707597A CN202210331130.8A CN202210331130A CN114707597A CN 114707597 A CN114707597 A CN 114707597A CN 202210331130 A CN202210331130 A CN 202210331130A CN 114707597 A CN114707597 A CN 114707597A
- Authority
- CN
- China
- Prior art keywords
- lithofacies
- logging
- facies
- complex
- neural network
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请涉及岩相识别领域,公开了一种河流相致密砂岩储层复杂岩相智能化识别方法及系统,包括:建立岩相识别标签库;对岩相特征及其测井响应特征进行分析,确定岩相特征初始界限值;构建并训练智能化识别模型;该模型包括界限值模块、径向基神经网络和多层感知器神经网络;界限值模块用于根据岩相特征初始界限值将岩相识别标签库划分为两个样本数据集;第一个数据集输入至径向基神经网络进行训练,第二个数据集输入至多层感知器神经网络进行训练;将待识别岩相测井数据和岩相特征输入至训练好的模型中,得到复杂岩相识别成果图。该方法识别精度高、推广性强,为储层结构及非均质性特征精细解剖研究提供有效途径。
Description
技术领域
本发明涉及岩相识别领域,特别是涉及一种河流相致密砂岩储层复杂岩相智能化识别方法及系统。
背景技术
河流相致密砂岩储层是一类重要的石油、天然气储层,如鄂尔多斯盆地苏里格气田山西组及石盒子组主力含气层、大牛地气田下石盒子组盒1~3段均为河流相致密砂岩储层。然而河流相致密砂岩储层内部结构复杂、非均质性强,不同河流类型之间沉积、储层特征差异大,进而导致发育该类储层的油气田在开发后期面临单井产能逐年降低、甜点储层优选难等关键技术难题,而解决这些问题的关键是开展砂体结构及其非均质性特征精细解剖研究。岩相作为特定水动力条件下的基本沉积单元,是开展砂体结构及非均质性特征研究的基本单元。
岩相的概念最早由Miall在1978年提出,根据岩石的岩性类型和层理特征对岩相进行了不同的分类。目前,岩相的识别与表征都以单井岩相解释为基础,其主要可归纳为三类方法:其一是常规测井识别方法,包括交会图法、构造特征参数法、曲线重叠法等,但这些方法普遍符合率较低,且对解释人员的经验和知识依赖较多;其二是特殊测井识别方法,包括利用地层倾角测井资料建立不同岩相的倾角成果图模式进行识别,通过成像测井图像资料直接对岩相进行识别,但这两种方法的测井资料费用昂贵、成本较高,无法在密井网区块推广;其三是主成分分析、聚类分析以及决策树等机器学习算法,但这些算法欠缺考虑地质特征、地质特征约束下的测井数据特征与算法原理之间的契合性,进而导致所使用的方法缺乏合理性论证或机理上的认识。综上,复杂岩相的精确识别与解释仍存在识别精度低、难以推广、缺乏机理论证等问题。
因此,如何建立识别精度高、推广性强且具有机理论证的识别方法用于复杂岩相的单井识别与解释能有效表征河流相致密砂岩储层复杂的结构特征,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河流相致密砂岩储层复杂岩相智能化识别方法及系统,识别精度高、推广性强,为储层结构及非均质性特征精细解剖研究提供有效途径。其具体方案如下:
一种河流相致密砂岩储层复杂岩相智能化识别方法,包括:
建立岩相识别标签库;
基于所述岩相识别标签库对岩相特征及其测井响应特征进行分析,确定岩相特征初始界限值;
构建智能化识别模型;所述智能化识别模型包括界限值模块、径向基神经网络和多层感知器神经网络;所述界限值模块用于接收所述岩相特征初始界限值,并根据所述岩相特征初始界限值将所述岩相识别标签库划分为第一样本数据集和第二样本数据集;
训练所述智能化识别模型,将所述第一样本数据集输入至所述径向基神经网络进行训练,同时将所述第二样本数据集输入至所述多层感知器神经网络进行训练;
将待识别岩相测井数据和岩相特征输入至训练好的所述智能化识别模型中,得到复杂岩相识别成果图。
优选地,在本发明实施例提供的上述河流相致密砂岩储层复杂岩相智能化识别方法中,建立岩相识别标签库,包括:
观察描述取心井目的层段岩心,识别岩相类型,并赋予每种岩相类型特定的符号;
提取目的层段中每种测井曲线的最大值和最小值,按照min-max标准化的方式对各测井曲线进行归一化处理,以将各测井曲线包含的响应数值均映射到0和1之间;
针对识别出的每种岩相类型,读取所有测井曲线归一化后的测井响应数值,并绘制蛛网图;
根据所述蛛网图,分析不同测井曲线对不同岩相类型的敏感性,仅建立岩相识别标签库。
优选地,在本发明实施例提供的上述河流相致密砂岩储层复杂岩相智能化识别方法中,绘制蛛网图,包括:
以一个点为起点向外划出多条直线,每条直线表示一种测井曲线;
对于任意一个岩相类型,在每条直线上标出该岩相类型相对应测井曲线归一化后的测井响应数值点;
将该岩相类型在每条直线上的点用直线进行连接,绘制出蛛网图。
优选地,在本发明实施例提供的上述河流相致密砂岩储层复杂岩相智能化识别方法中,根据所述蛛网图,分析不同测井曲线对不同岩相类型的敏感性,包括:
在所述蛛网图的任意一个直线上,若不同岩相类型在该直线上对应的数值点越接近,则该直线表示的测井曲线对不同岩相类型区分越不敏感;若不同岩相类型在该直线上对应的数值点越远离,则该直线表示的测井曲线对不同岩相类型区分越敏感。
优选地,在本发明实施例提供的上述河流相致密砂岩储层复杂岩相智能化识别方法中,基于所述岩相识别标签库对岩相特征及其测井响应特征进行分析,确定岩相特征初始界限值,包括:
计算所述岩相识别标签库中岩相单元的岩相密度和岩相频率;
计算同类岩相密度均值和同类岩相频率均值;
绘制不同河流相的各类岩相平均岩相密度分布图和平均岩相频率分布图;
分析不同河流相的各类岩相的不同测井响应特征并绘制不同测井数据频率分布直方图;
根据各类岩相平均岩相密度分布图、平均岩相频率分布图和不同测井数据频率分布直方图,分析岩相特征分布情况、测井响应受围岩的影响和测井数据分布情况,综合分析结果得到岩相密度界限值和岩相频率界限值来作为岩相特征初始界限值。
优选地,在本发明实施例提供的上述河流相致密砂岩储层复杂岩相智能化识别方法中,所述第一样本数据集包括岩相密度大于所述岩相密度界限值,岩相频率小于所述岩相频率界限值的样本数据;
所述第二样本数据集包括岩相密度小于所述岩相密度界限值,岩相频率大于所述岩相频率界限值的样本数据。
优选地,在本发明实施例提供的上述河流相致密砂岩储层复杂岩相智能化识别方法中,所述径向基神经网络的隐藏层激活函数为Softmax型函数,输出层激活函数为恒等式,误差函数为平方和;
所述多层感知器神经网络的隐藏层激活函数为S型函数,输出层激活函数为Softmax型函数,误差函数为交叉熵。
优选地,在本发明实施例提供的上述河流相致密砂岩储层复杂岩相智能化识别方法中,在训练所述智能化识别模型的过程中,包括:
调整所述径向基神经网络和所述多层感知器神经网络的隐藏层神经元个数及隐藏层层数、循环次数;
调整所述界限值模块中的所述岩相特征初始界限值。
优选地,在本发明实施例提供的上述河流相致密砂岩储层复杂岩相智能化识别方法中,在将待识别岩相测井数据和岩相特征输入至训练好的所述智能化识别模型中之前,还包括:
创建待识别岩相层确立模块;
将待识别岩相层的测井曲线数据输入所述待识别岩相层确立模块,得到待识别岩相层测井数据和岩相特征;所述岩相特征包括岩相密度、岩相频率。
本发明实施例还提供了一种河流相致密砂岩储层复杂岩相智能化识别系统,包括:
数据库建立模块,用于建立岩相识别标签库;
界限值确定模块,用于基于所述岩相识别标签库对岩相特征及其测井响应特征进行分析,确定岩相特征初始界限值;
模型构建模块,用于构建智能化识别模型;所述智能化识别模型包括界限值模块、径向基神经网络和多层感知器神经网络;所述界限值模块用于接收所述岩相特征初始界限值,并根据所述岩相特征初始界限值将所述岩相识别标签库划分为第一样本数据集和第二样本数据集;
模型训练模块,用于训练所述智能化识别模型,将所述第一样本数据集输入至所述径向基神经网络进行训练,同时将所述第二样本数据集输入至所述多层感知器神经网络进行训练;
模型推理模块,用于将待识别岩相测井数据和岩相特征输入至训练好的所述智能化识别模型中,得到复杂岩相识别成果图。
从上述技术方案可以看出,本发明所提供的一种河流相致密砂岩储层复杂岩相智能化识别方法,包括:建立岩相识别标签库;基于岩相识别标签库对岩相特征及其测井响应特征进行分析,确定岩相特征初始界限值;构建智能化识别模型;智能化识别模型包括界限值模块、径向基神经网络和多层感知器神经网络;界限值模块用于接收岩相特征初始界限值,并根据岩相特征初始界限值将岩相识别标签库划分为第一样本数据集和第二样本数据集;训练智能化识别模型,将第一样本数据集输入至径向基神经网络进行训练,同时将第二样本数据集输入至多层感知器神经网络进行训练;将待识别岩相测井数据和岩相特征输入至训练好的智能化识别模型中,得到复杂岩相识别成果图。
通过本发明提供的上述识别方法,可以有效实现河流相致密砂岩储层复杂岩相的识别,识别精度高、推广性强,为储层结构及非均质性特征精细解剖研究提供有效途径,对河流相致密砂岩储层高效开发具有重大意义。此外,本发明还针对河流相致密砂岩储层复杂岩相智能化识别方法提供了相应的系统,进一步使得上述方法更具有实用性,该系统具有相应的优点。
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河流相致密砂岩储层复杂岩相智能化识别方法的流程图;
图2为本发明实施例提供的径向基神经网络的结构示意图;
图3为本发明实施例提供的多层感知器神经网络的结构示意图;
图4为本发明实施例提供的不同岩相测井响应敏感性蛛网图;
图5为本发明实施例提供的目的层曲河相相储层岩相密度统计图;
图6为本发明实施例提供的目的层辫状河相储层岩相密度统计图;
图7为本发明实施例提供的目的层曲河相相储层岩相频率统计图;
图8为本发明实施例提供的目的层辫状河相储层岩相频率统计图;
图9a至图9h分别为本发明实施例提供的目的层曲河相储层各类岩相测井数据频率分布直方图;
图10a至图10h分别为本发明实施例提供的目的层辫状河相储层各类岩相测井数据频率分布直方图;
图11为本发明实施例提供的河流相致密砂岩储层待识别岩相层成果图;
图12为本发明实施例提供的河流相致密砂岩储层复杂岩相识别成果图;
图13为本发明实施例提供的河流相致密砂岩储层复杂岩相智能化识别系统的结构示意图。
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。
本发明提供一种河流相致密砂岩储层复杂岩相智能化识别方法,如图1所示,包括以下步骤:
S101、建立岩相识别标签库;
S102、基于岩相识别标签库对岩相特征及其测井响应特征进行分析,确定岩相特征初始界限值;
在实际应用中,岩相特征包含岩相密度和岩相频率;岩相特征初始界限值包含岩相密度界限值和岩相频率界限值。
S103、构建智能化识别模型;智能化识别模型包括界限值模块、径向基神经网络和多层感知器神经网络;界限值模块用于接收岩相特征初始界限值,并根据岩相特征初始界限值将岩相识别标签库划分为第一样本数据集和第二样本数据集;
需要说明的是,如图2所示,径向基神经网络(RBFNN)是一种基于高斯核的局部逼近的三层神经网络,其包括输入层、隐层、输出层。RBFNN的基本思想为用径向基作为隐单元的“基”构成隐藏层空间,隐藏层对输入矢量进行变换,将低维的模式输入数据变换到高维空间内,使得在低维空间内的线性不可分问题在高维空间内线性可分。其基于高斯核的局部逼近的特点使得其网络结构简单,学习能力迅速,但也使得其针对数据分布较集中的样本学习能力较强,预测精度较高,反之样本的数据分布较为零散,RBFNN的学习速率及预测准确率会下降。
如图3所示,多层感知器神经网络(MLPNN)是一种全局逼近的由一组并行的多个感知器构成的神经网络,其含有多层节点,每层节点与网络的下一层节点完全连接。MLPNN的基本思想是基于全局逼近,利用单层感知器解决线性可分问题,构建多层感知器将线性边界组合成非线性边界以解决非线性可分问题,具有高度的非线性全局作用。基于多个线性边界组成非线性边界及全局逼近的特点,使得其面对数据分布较零散的样本,学习速率及预测准确率较高,反之样本数据分布较集中,其容易陷入局部极值导致学习速率及预测准确率下降。
将上述界限值模块、RBFNN与MLPNN联合,智能化识别模型可搭建完毕。
S104、训练智能化识别模型,将第一样本数据集输入至径向基神经网络进行训练,同时将第二样本数据集输入至多层感知器神经网络进行训练;
S105、将待识别岩相测井数据和岩相特征输入至训练好的智能化识别模型中,得到复杂岩相识别成果图。
在本发明实施例提供的上述河流相致密砂岩储层复杂岩相智能化识别方法中,可以有效实现河流相致密砂岩储层复杂岩相的识别,识别精度高、推广性强,为储层结构及非均质性特征精细解剖研究提供有效途径,对河流相致密砂岩储层高效开发具有重大意义。
进一步地,在具体实施时,在本发明实施例提供的上述河流相致密砂岩储层复杂岩相智能化识别方法中,步骤S101建立岩相识别标签库,具体可以包括:首先,观察描述取心井目的层段岩心,明确岩心的岩性和层理特征,识别岩相类型,并赋予每种岩相类型特定的符号;然后,提取目的层段中每种测井曲线的最大值和最小值,进而按照min-max标准化(Min-Max Normalization)的方式对各测井曲线进行归一化处理,从而将各测井曲线包含的响应数值均映射到[0,1]之间;之后,针对识别出的每种岩相类型,读取所有测井曲线归一化后的测井响应数值,并绘制蛛网图;根据蛛网图,分析不同测井曲线对不同岩相类型的敏感性,仅建立岩相识别标签库。
在具体实施时,上述步骤中绘制蛛网图,具体可以包括:画一个点,以该点为起点向外划出多条直线,每条直线表示一种测井曲线;对于任意一个岩相类型来说,在每条直线上标出该岩相类型相对应测井曲线归一化后的测井响应数值点;将该岩相类型在每条直线上的点用直线进行连接,绘制出蛛网图。
在具体实施时,上述步骤中根据蛛网图,分析不同测井曲线对不同岩相类型的敏感性,具体可以包括:在蛛网图的任意一个直线上,若不同岩相类型在该直线上对应的数值点越接近,则该直线表示的测井曲线对不同岩相类型区分越不敏感;若不同岩相类型在该直线上对应的数值点越远离,则该直线表示的测井曲线对不同岩相类型区分越敏感。
在具体实施时,在本发明实施例提供的上述河流相致密砂岩储层复杂岩相智能化识别方法中,步骤S102基于岩相识别标签库对岩相特征及其测井响应特征进行分析,确定岩相特征初始界限值,具体可以包括:针对岩相密度,首先计算岩相识别标签库中岩相单元的岩相密度,计算岩相密度的公式为:(单一岩相厚度)/(岩相组合厚度),然后计算同类岩相密度均值,最后绘制不同河流相的各类岩相平均岩相密度分布图。接下来,针对岩相频率,首先计算岩相识别标签库中岩相单元的岩相频率,计算岩相频率的公式为:单一岩相组合内部的某一类岩相出现个数,然后计算同类岩相频率均值,最后绘制不同河流相的各类岩相平均岩相频率分布图。接下来,针对岩相测井响应特征进行分析,首先分析不同河流相各类岩相测井响应受围岩的影响,然后绘制岩相识别标签库中各类岩相的不同测井数据的频率分布直方图。最后,根据上述各类岩相平均岩相密度分布图、平均岩相频率分布图和不同测井数据频率分布直方图,分析岩相特征分布情况、测井响应受围岩的影响和测井数据分布情况,综合分析结果得到岩相密度界限值和岩相频率界限值来作为岩相特征初始界限值。
需要说明的是,根据河流相储层沉积特点可知,曲流河沉积相储层单一岩相厚度较小,岩相变化频繁即多数岩相类型表现为岩相密度较小,岩相频率较高的特征;辫状河沉积相储层单一岩相厚度较大,岩相变化不频繁即多数岩相表现为岩相密度较大,岩相频率较低的特征。
在对测井响应特征进行分析的过程中,以岩相类型为单元分不同河流相类型统计岩相识别标签库中各岩相标签的不同测井数据响应特征并制作频率分布直方图。对于不同岩相单元而言,由于其岩相密度及频率的差异导致其测井响应受围岩影响程度各不相同,当岩相密度较大、岩相频率较低时,受到围岩影响相对较小,测井数据分布较为集中;当岩相密度较小、岩相频率较高时,受到围岩影响相对较大,测井数据分布则较为零散。综合分析岩相分布规律及其约束下的测井响应特征,给出具有不同测井数据分布特征的岩相特征(岩相密度和岩相频率)初始界限值,其中不同研究区、不同目的层可能具有不同的岩相分布特征及测井响应特征,进而具有不同的岩相特征初始界限值。
在具体实施时,在本发明实施例提供的上述河流相致密砂岩储层复杂岩相智能化识别方法中,步骤S103中的第一样本数据集包括岩相密度大于岩相密度界限值,岩相频率小于岩相频率界限值的样本数据;第二样本数据集包括岩相密度小于岩相密度界限值,岩相频率大于岩相频率界限值的样本数据。
可以理解的是,岩相密度大于岩相密度界限值,频率小于岩相频率界限值的那部分样本,测井响应受围岩影响相对较小,测井数据分布较为集中,因此将其作为RNFNN的训练数据;岩相密度小于岩相密度界限值,频率大于岩相频率界限值的那部分样本,测井响应受围岩影响相对较大,测井数据分布较为离散,因此将其作为MLPNN的训练数据。之后,根据待识别岩相的岩相密度及频率可判断应选择哪种神经网络进行识别,这样便于识别准确率的提升。
在具体实施时,在本发明实施例提供的上述河流相致密砂岩储层复杂岩相智能化识别方法中,RBFNN的隐藏层激活函数为Softmax型函数,输出层激活函数为恒等式,误差函数为平方和;MLPNN的隐藏层激活函数为S型函数,输出层激活函数为Softmax型函数,误差函数为交叉熵。
在具体实施时,在本发明实施例提供的上述河流相致密砂岩储层复杂岩相智能化识别方法中,在执行步骤S104训练智能化识别模型的过程中,具体可以包括:
第一步、首先根据初步给出的岩相密度、频率界限值输入界限值模块,然后将岩相识别标签库中数据全部输入构建好的智能化识别模型中,此时智能化识别模型会根据输入的岩相密度、频率界限值将数据库划分为两部分,每一部分中,部分数据(如70%的数据)用于训练,部分数据(如30%的数据)用于结果的测试。
第二步、若训练及测试结果表明两种模型对各类岩相识别准确率均较低,则调整智能化识别模型中RBFNN与MLPNN的隐藏层神经元个数及隐藏层层数、循环次数等参数,直至智能化识别模型中的RBFNN与MLPNN对测试数据识别准确率达到设定阈值(如90%)。
第三步、若经过反复调整之后,智能化识别模型中某一种神经网络仍然对某些岩相识别准确率始终没法达到设定阈值(如90%),则调整界限值模块中的数值(即可调整岩相密度、频率界限值),并重复第一步至第三步这三个步骤。直至各类岩相在测试集上的岩相识别准确率大于设定阈值(如90%),认为模型训练完毕。
步骤四、将最终输入的岩相密度、频率界限值输入到岩相识别阈值模块中,即将最终的岩相密度、频率界限值作为智能化识别模型中岩相识别阈值模块中的阈值。也就是说,智能化识别模型还可以包括岩相识别阈值模块,该岩相识别阈值模块用于保存最终的岩相密度、频率界限值。至此,智能化识别模型搭建及训练完毕。
在具体实施时,在本发明实施例提供的上述河流相致密砂岩储层复杂岩相智能化识别方法中,在执行步骤S105将待识别岩相测井数据和岩相特征输入至训练好的智能化识别模型中之前,还可以包括:创建待识别岩相层确立模块,该模块以python中的scipy库中的find_peaks函数为主。具体地,首先利用find peaks函数寻找GR测井曲线的极值点,然后平均相邻两个极值点的深度即为半幅点深度,最后将两个半幅点之间的层设置为待识别岩相并提取相对应的测井数据。另外,在待识别岩相层确立模块中加入自动计算待识别岩相层岩相密度、频率公式。将待识别岩相层的测井曲线数据输入待识别岩相层确立模块,可以得到待识别岩相层测井数据和岩相特征(包括岩相密度、岩相频率)。具体地,自动将待识别岩相层的厚度除以已经确定的小层(与前文所说岩相组合同一尺度,已经人为划分)的厚度所得结果即为待识别岩相层的岩相密度;自动将待识别岩相层对应测井响应相近的层作为同类层(如类别1、类别2、类别3等),并自动统计已经确定的小层(与前文所说岩相组合同一尺度,已经人为划分)内部同类层的个数即为待识别岩相层频率。
进一步地,在具体实施时,在执行步骤S105的过程中,具体可以包括:将待识别岩相测井数据、岩相密度及岩相频率输入智能化识别模型中,智能化识别模型中的岩相识别阈值模块首先会自动判断待识别岩相的岩相密度及岩相频率是否大于(小于)给定的岩相密度及岩相频率阈值(即保存最终的岩相密度、频率界限值)。若岩相密度大于阈值,岩相频率小于阈值,则自动选择RBFNN模型进行识别;若岩相密度小于阈值,岩相频率大于阈值,则自动选择MLPNN模型进行识别;进而实现河流相致密砂岩储层复杂岩相识别。
下面以某气田某段典型河流相沉积致密砂岩储层为例,对本发明实施例提供的上述河流相致密砂岩储层复杂岩相智能化识别方法进行说明:
步骤一、观察描述取心井目的层岩心,描述岩心的岩性和层理特征共确定了8种岩相类型,并参考Mali的岩相划分及命名方案赋于每种岩相类型特定的符号,即块状层理砾岩相(GM)、槽状交错层理粗砂岩相(CSt)、板状交错层理粗砂岩相(CSp)、板状交错层理中砂岩相(MSp)、平行层理中砂岩相(MSm)、交错层理细砂岩相(Fc)、波状层理粉砂岩相(Sw)、块状层理泥岩相(Mm)。
步骤二、提取目的层段中每种测井曲线的最大值及最小值,进而按照min-max标准化的方式实现对各测井曲线的归一化处理,从而将各测井曲线包含的响应数值均映射到[0-1]之间。
步骤三、对每一种岩心上识别出的岩相类型,读取所有测井曲线归一化后的响应数值,基于蛛网图分析不同测井曲线对岩相的敏感性。如图4所示,优选出归一化后的自然伽马曲线(GRGYH)、深电阻率曲线(LLDGYH)、声波时差曲线(ACGYH)、中子曲线(PHINGYH)、密度曲线(DENGYH)、光电吸收截面指数(PEGYH)此六类测井数据。
步骤四、建立岩相识别标签库。
步骤五、对岩相分布特征及岩相约束下的测井响应特征进行分析。
如图5至图8所示,可知两类河流相储层岩相密度及岩相频率存在一定差异。目的层中辫状河相储层整体岩相密度偏大,除砾岩相、波状层理粉砂岩相、泥岩相外,其余岩相密度均大于25%;岩相频率偏低,除泥岩相外,其余岩相频率均小于1.3个。目的层中曲流河相储层整体岩相密度偏小,所有岩相密度均小于25%;岩相频率偏高,除砾岩相、板状交错层理粗砂岩相、槽状交错层理粗砂岩相外,其余岩相频率均大于1.3个。
对于不同岩相单元而言,由于其厚度差异及变化频繁程度不同导致其测井响应受围岩影响程度各不相同。如图9a至图9h所示,曲流河相储层单一岩相厚度较小、岩相变化频繁,各类岩相受邻近岩相影响较大,各类岩相测井数据分布较零散。如图10a至图10h所示,辫状河相储层单一岩相厚度较大、岩相变化不频繁,各类岩相受邻近岩相影响较小,各类岩相测井数据分布相对较集中。
综合岩相分布特征及其约束下的测井响应特征,确定岩相特征初始界限值为岩相密度25%,岩相频率1.3个。
步骤六、计算岩相识别标签库中所有标签的岩相密度及岩相频率,并将标签的岩相密度及岩相频率加入岩相识别标签库中,然后将岩相密度25%、岩相频率1.3个输入界限值模块中,将全部的标签数据输入智能化识别模型当中,此时智能化识别模型开始自动划分标签数据并开始训练及检验模型。
表一 模型训练结果表
根据表一的智能化识别模型训练及测试结果可知,当设定岩相密度界限值为25%、岩相频率界限值为1.3个时,各类岩相测试准确率均达到90%,模型完成训练。此时,将岩相密度25%、岩相频率1.3个作为阈值输入界限值模块。
步骤七、将测井曲线数据以及单层的顶底深数据输入待识别岩相层确立模块,可以得到图11示出的待识别岩相层的单井划分图,以及表二示出的待识别岩相层的岩相密度、岩相频率和测井数据。
表二 某井待识别岩相层的岩相密度、岩相频率和测井数据表
层类别 | 岩相密度 | 岩相频率 | GRGHY | LLDGHY | ACGYH | …… | |
待识别岩相层 | 类别1 | 14.30% | 1.86 | 0.83 | 0.23 | 0.53 | …… |
待识别岩相层 | 类别2 | 20.63% | 1.53 | 0.72 | 0.41 | 0.32 | …… |
待识别岩相层 | 类别6 | 30.33% | 1.19 | 0.42 | 0.83 | 0.73 | …… |
待识别岩相层 | 类别4 | 28.11% | 1.24 | 0.53 | 0.59 | 0.52 | …… |
待识别岩相层 | 类别5 | 34.30% | 1.12 | 0.31 | 0.73 | 0.63 | …… |
待识别岩相层 | 类别3 | 21.62% | 1.5 | 0.63 | 0.49 | 0.52 | …… |
待识别岩相层 | 类别4 | 27.93% | 1.26 | 0.55 | 0.62 | 0.59 | …… |
待识别岩相层 | 类别7 | 18.01% | 0.91 | 0.23 | 0.36 | 0.87 | …… |
待识别岩相层 | 类别3 | 22.31% | 1.6 | 0.67 | 0.45 | 0.49 | …… |
待识别岩相层 | 类别1 | 12.40% | 1.79 | 0.78 | 0.36 | 0.63 | …… |
待识别岩相层 | 类别4 | 28.66% | 1.21 | 0.57 | 0.63 | 0.60 | …… |
待识别岩相层 | 类别6 | 32.65% | 1.18 | 0.46 | 0.74 | 0.78 | …… |
待识别岩相层 | 类别3 | 20.93% | 1.63 | 0.65 | 0.42 | 0.57 | …… |
待识别岩相层 | 类别8 | 15.93% | 0.82 | 0.12 | 0.12 | 0.93 | …… |
…… | …… | …… | …… | …… | …… | …… | …… |
步骤八、将待识别岩相测井数据、岩相密度及岩相频率输入训练完毕的智能化识别模型中,得到图12示出的复杂岩相识别成果图。
基于同一发明构思,本发明实施例还提供了一种河流相致密砂岩储层复杂岩相智能化识别系统,由于该系统解决问题的原理与前述一种河流相致密砂岩储层复杂岩相智能化识别方法相似,因此该系统的实施可以参见河流相致密砂岩储层复杂岩相智能化识别方法的实施,重复之处不再赘述。
在具体实施时,本发明实施例提供的河流相致密砂岩储层复杂岩相智能化识别系统,如图13所示,具体包括:
数据库建立模块11,用于建立岩相识别标签库;
界限值确定模块12,用于基于岩相识别标签库对岩相特征及其测井响应特征进行分析,确定岩相特征初始界限值;
模型构建模块13,用于构建智能化识别模型;智能化识别模型包括界限值模块、径向基神经网络和多层感知器神经网络;界限值模块用于接收岩相特征初始界限值,并根据岩相特征初始界限值将岩相识别标签库划分为第一样本数据集和第二样本数据集;
模型训练模块14,用于训练智能化识别模型,将第一样本数据集输入至径向基神经网络进行训练,同时将第二样本数据集输入至多层感知器神经网络进行训练;
模型推理模块15,用于将待识别岩相测井数据和岩相特征输入至训练好的智能化识别模型中,得到复杂岩相识别成果图。
在本发明实施例提供的上述河流相致密砂岩储层复杂岩相智能化识别系统中,可以通过上述五个模块的相互作用,有效实现河流相致密砂岩储层复杂岩相的识别,识别精度高、推广性强,为储层结构及非均质性特征精细解剖研究提供有效途径,对河流相致密砂岩储层高效开发具有重大意义。
进一步地,在具体实施时,在本发明实施例提供的上述河流相致密砂岩储层复杂岩相智能化识别系统中,还可以包括:
待识别岩相层确立模块,用于接收待识别岩相层的测井曲线数据,经计算得到待识别岩相层测井数据和岩相特征;岩相特征包括岩相密度、岩相频率。
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。
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。对于实施例公开的系统、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河流相致密砂岩储层复杂岩相智能化识别方法,包括:建立岩相识别标签库;基于岩相识别标签库对岩相特征及其测井响应特征进行分析,确定岩相特征初始界限值;构建智能化识别模型;智能化识别模型包括界限值模块、径向基神经网络和多层感知器神经网络;界限值模块用于接收岩相特征初始界限值,并根据岩相特征初始界限值将岩相识别标签库划分为第一样本数据集和第二样本数据集;训练智能化识别模型,将第一样本数据集输入至径向基神经网络进行训练,同时将第二样本数据集输入至多层感知器神经网络进行训练;将待识别岩相测井数据和岩相特征输入至训练好的智能化识别模型中,得到复杂岩相识别成果图。通过上述方法可以有效实现河流相致密砂岩储层复杂岩相的识别,识别精度高、推广性强,为储层结构及非均质性特征精细解剖研究提供有效途径,对河流相致密砂岩储层高效开发具有重大意义。此外,本发明还针对河流相致密砂岩储层复杂岩相智能化识别方法提供了相应的系统,进一步使得上述方法更具有实用性,该系统具有相应的优点。
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河流相致密砂岩储层复杂岩相智能化识别方法及系统进行了详细介绍,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)
1.一种河流相致密砂岩储层复杂岩相智能化识别方法,其特征在于,包括:
建立岩相识别标签库;
基于所述岩相识别标签库对岩相特征及其测井响应特征进行分析,确定岩相特征初始界限值;
构建智能化识别模型;所述智能化识别模型包括界限值模块、径向基神经网络和多层感知器神经网络;所述界限值模块用于接收所述岩相特征初始界限值,并根据所述岩相特征初始界限值将所述岩相识别标签库划分为第一样本数据集和第二样本数据集;
训练所述智能化识别模型,将所述第一样本数据集输入至所述径向基神经网络进行训练,同时将所述第二样本数据集输入至所述多层感知器神经网络进行训练;
将待识别岩相测井数据和岩相特征输入至训练好的所述智能化识别模型中,得到复杂岩相识别成果图。
2.根据权利要求1所述的河流相致密砂岩储层复杂岩相智能化识别方法,其特征在于,建立岩相识别标签库,包括:
观察描述取心井目的层段岩心,识别岩相类型,并赋予每种岩相类型特定的符号;
提取目的层段中每种测井曲线的最大值和最小值,按照min-max标准化的方式对各测井曲线进行归一化处理,以将各测井曲线包含的响应数值均映射到0和1之间;
针对识别出的每种岩相类型,读取所有测井曲线归一化后的测井响应数值,并绘制蛛网图;
根据所述蛛网图,分析不同测井曲线对不同岩相类型的敏感性,仅建立岩相识别标签库。
3.根据权利要求2所述的河流相致密砂岩储层复杂岩相智能化识别方法,其特征在于,绘制蛛网图,包括:
以一个点为起点向外划出多条直线,每条直线表示一种测井曲线;
对于任意一个岩相类型,在每条直线上标出该岩相类型相对应测井曲线归一化后的测井响应数值点;
将该岩相类型在每条直线上的点用直线进行连接,绘制出蛛网图。
4.根据权利要求3所述的河流相致密砂岩储层复杂岩相智能化识别方法,其特征在于,根据所述蛛网图,分析不同测井曲线对不同岩相类型的敏感性,包括:
在所述蛛网图的任意一个直线上,若不同岩相类型在该直线上对应的数值点越接近,则该直线表示的测井曲线对不同岩相类型区分越不敏感;若不同岩相类型在该直线上对应的数值点越远离,则该直线表示的测井曲线对不同岩相类型区分越敏感。
5.根据权利要求4所述的河流相致密砂岩储层复杂岩相智能化识别方法,其特征在于,基于所述岩相识别标签库对岩相特征及其测井响应特征进行分析,确定岩相特征初始界限值,包括:
计算所述岩相识别标签库中岩相单元的岩相密度和岩相频率;
计算同类岩相密度均值和同类岩相频率均值;
绘制不同河流相的各类岩相平均岩相密度分布图和平均岩相频率分布图;
分析不同河流相的各类岩相的不同测井响应特征并绘制不同测井数据频率分布直方图;
根据各类岩相平均岩相密度分布图、平均岩相频率分布图和不同测井数据频率分布直方图,分析岩相特征分布情况、测井响应受围岩的影响和测井数据分布情况,综合分析结果得到岩相密度界限值和岩相频率界限值来作为岩相特征初始界限值。
6.根据权利要求5所述的河流相致密砂岩储层复杂岩相智能化识别方法,其特征在于,所述第一样本数据集包括岩相密度大于所述岩相密度界限值,岩相频率小于所述岩相频率界限值的样本数据;
所述第二样本数据集包括岩相密度小于所述岩相密度界限值,岩相频率大于所述岩相频率界限值的样本数据。
7.根据权利要求1所述的河流相致密砂岩储层复杂岩相智能化识别方法,其特征在于,所述径向基神经网络的隐藏层激活函数为Softmax型函数,输出层激活函数为恒等式,误差函数为平方和;
所述多层感知器神经网络的隐藏层激活函数为S型函数,输出层激活函数为Softmax型函数,误差函数为交叉熵。
8.根据权利要求1所述的河流相致密砂岩储层复杂岩相智能化识别方法,其特征在于,在训练所述智能化识别模型的过程中,包括:
调整所述径向基神经网络和所述多层感知器神经网络的隐藏层神经元个数及隐藏层层数、循环次数;
调整所述界限值模块中的所述岩相特征初始界限值。
9.根据权利要求1所述的河流相致密砂岩储层复杂岩相智能化识别方法,其特征在于,在将待识别岩相测井数据和岩相特征输入至训练好的所述智能化识别模型中之前,还包括:
创建待识别岩相层确立模块;
将待识别岩相层的测井曲线数据输入所述待识别岩相层确立模块,得到待识别岩相层测井数据和岩相特征;所述岩相特征包括岩相密度、岩相频率。
10.一种河流相致密砂岩储层复杂岩相智能化识别系统,其特征在于,包括:
数据库建立模块,用于建立岩相识别标签库;
界限值确定模块,用于基于所述岩相识别标签库对岩相特征及其测井响应特征进行分析,确定岩相特征初始界限值;
模型构建模块,用于构建智能化识别模型;所述智能化识别模型包括界限值模块、径向基神经网络和多层感知器神经网络;所述界限值模块用于接收所述岩相特征初始界限值,并根据所述岩相特征初始界限值将所述岩相识别标签库划分为第一样本数据集和第二样本数据集;
模型训练模块,用于训练所述智能化识别模型,将所述第一样本数据集输入至所述径向基神经网络进行训练,同时将所述第二样本数据集输入至所述多层感知器神经网络进行训练;
模型推理模块,用于将待识别岩相测井数据和岩相特征输入至训练好的所述智能化识别模型中,得到复杂岩相识别成果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210331130.8A CN114707597A (zh) | 2022-03-31 | 2022-03-31 | 一种河流相致密砂岩储层复杂岩相智能化识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210331130.8A CN114707597A (zh) | 2022-03-31 | 2022-03-31 | 一种河流相致密砂岩储层复杂岩相智能化识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114707597A true CN114707597A (zh) | 2022-07-05 |
Family
ID=82171413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210331130.8A Pending CN114707597A (zh) | 2022-03-31 | 2022-03-31 | 一种河流相致密砂岩储层复杂岩相智能化识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707597A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111596978A (zh) * | 2019-03-03 | 2020-08-28 | 山东英才学院 | 用人工智能进行岩相分类的网页显示方法、模块和系统 |
-
2022
- 2022-03-31 CN CN202210331130.8A patent/CN114707597A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111596978A (zh) * | 2019-03-03 | 2020-08-28 | 山东英才学院 | 用人工智能进行岩相分类的网页显示方法、模块和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11422284B2 (en) | System for improved reservoir exploration and production | |
CN111551992B (zh) | 岩石储层构造表征方法、装置、计算机可读存储介质及电子设备 | |
CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
Chang et al. | Lithofacies identification using multiple adaptive resonance theory neural networks and group decision expert system | |
Lorentzen et al. | History matching the full Norne field model using seismic and production data | |
Alcolea et al. | Blocking Moving Window algorithm: Conditioning multiple‐point simulations to hydrogeological data | |
CN110609320B (zh) | 一种基于多尺度特征融合的叠前地震反射模式识别方法 | |
US8874419B2 (en) | Method of developing a petroleum reservoir from a facies map construction | |
Ilkhchi et al. | A fuzzy logic approach for estimation of permeability and rock type from conventional well log data: an example from the Kangan reservoir in the Iran Offshore Gas Field | |
CN105760673A (zh) | 一种河流相储层地震敏感参数模板分析方法 | |
Bedi et al. | PP-NFR: an improved hybrid learning approach for porosity prediction from seismic attributes using non-linear feature reduction | |
CN113033648A (zh) | 一种使用机器学习算法实现测井解释的方法 | |
Hatampour et al. | Hydraulic flow units' estimation from seismic data using artificial intelligence systems, an example from a gas reservoir in the Persian Gulf | |
Wang et al. | Improved permeability prediction based on the feature engineering of petrophysics and fuzzy logic analysis in low porosity–permeability reservoir | |
Han et al. | Multiple point geostatistical simulation with adaptive filter derived from neural network for sedimentary facies classification | |
Alameedy et al. | Evaluating machine learning techniques for carbonate formation permeability prediction using well log data | |
CN114707597A (zh) | 一种河流相致密砂岩储层复杂岩相智能化识别方法及系统 | |
Akinyokun et al. | Well log interpretation model for the determination of lithology and fluid | |
CN116859478B (zh) | 一种基于瞬变电磁法成像的地下水模拟方法及系统 | |
Morosov et al. | Probability elicitation using geostatistics in hydrocarbon exploration | |
Bubnova et al. | Automatic determination of sedimentary units from well data | |
Chikhi et al. | Probabilistic neural method combined with radial-bias functions applied to reservoir characterization in the Algerian Triassic province | |
Tse et al. | Unsupervised learning on scientific ocean drilling datasets from the South China Sea | |
Zhu et al. | Seismic Facies Analysis Using the Multiattribute SOM‐K‐Means Clustering | |
CN112016048A (zh) | 基于多点地质统计的地质属性预测方法 |
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 |