CN115032361A - 基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法 - Google Patents
基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法 Download PDFInfo
- Publication number
- CN115032361A CN115032361A CN202110237641.9A CN202110237641A CN115032361A CN 115032361 A CN115032361 A CN 115032361A CN 202110237641 A CN202110237641 A CN 202110237641A CN 115032361 A CN115032361 A CN 115032361A
- Authority
- CN
- China
- Prior art keywords
- shale oil
- toc
- logging
- population
- value
- 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
- 239000003079 shale oil Substances 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000002068 genetic effect Effects 0.000 title claims abstract description 30
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 21
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 230000004044 response Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 11
- 239000011435 rock Substances 0.000 claims description 10
- 239000004576 sand Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 238000003556 assay Methods 0.000 claims description 3
- 208000035126 Facies Diseases 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 5
- 230000001537 neural effect Effects 0.000 abstract description 3
- 230000008303 genetic mechanism Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 11
- 239000010410 layer Substances 0.000 description 11
- 239000005416 organic matter Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- ZSLUVFAKFWKJRC-IGMARMGPSA-N 232Th Chemical compound [232Th] ZSLUVFAKFWKJRC-IGMARMGPSA-N 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 229910052776 Thorium Inorganic materials 0.000 description 1
- 229910052770 Uranium Inorganic materials 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Food Science & Technology (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Remote Sensing (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及油田开发技术领域,具体涉及一种基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法。本发明所述方法从遗传特性入手,借鉴生物界的自然选择和遗传机制,使种群中的每个个体都包含一个网络所有权值和阈值,让个体通过适应度函数计算个体适应度值,并通过选择、交叉和变异操作,找到最优适应度值对应个体,克服神经算法局部收敛的缺陷,精度更高,对评价页岩油储层有机碳含量具有重要的意义。
Description
技术领域
本发明涉及油田开发技术领域,具体涉及一种基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法。
背景技术
全球能源消耗在逐年增加,常规储层的油气资源在不断减少;随着非常规油气勘探的深入,页岩油气已经成为现今勘探的研究重点之一。页岩油资源是非常规油气勘探开发的热点,有机质含量是影响储层品质的主要因素,而总有机碳(TOC)是单位重量岩石中有机碳的重量,是评价有机质含量的指标之一,因此准确求取页岩储层TOC对页岩油气资源储层评价具有重要意义。济阳坳陷富含有机质页岩,页岩层系当中砂岩、碳酸盐岩等夹层油气规模仅占20%,资源规模最大的油气部分赋存在纯页岩中,所以对烃源岩的总有机碳进行精准评价是需要解决的关键之一。
目前,计算TOC的方法主要有两大类,一是通过实验测得岩石样品中的TOC,但是目前实测TOC数据是有限的,很难以精准定量评价整个研究区的有机质含量;二是利用测井资料计算页岩储层中的TOC。国内外学者提出了很多利用测井曲线计算TOC的方法。Passey等人总结前人研究成果并发明ΔlogR技术,该方法目前应用十分广泛。Schmoker发现密度和自然伽马测井值对TOC敏感,利用密度和自然伽马测井资料,回归分析计算页岩储层中的TOC,因地层影响因素多,在不同地区不同区带中存在明显的不适应性。王宗礼等利用ΔlogR模型评价冀中坳陷廊固凹陷烃源岩,由于人为因素多,结果易偏差。张佳佳等采用Voigt平均模型和Gassmann方程进行建模,利用速度反演TOC,但是只适用于地震频段范围,未考虑地层各向异性特征。
现有三种常规页岩油储层TOC预测方法主要存在以下不足:
一、ΔlogR法。基于电阻率曲线和声波曲线进行重叠的原理,将标准化声波曲线与电阻率曲线并计算幅度差,利用ΔlogR计算公式计算TOC值。计算公式如下:
ΔlogR=lg(R/R基线)+K(Δt-Δt基线)
TOC=ΔlogR*10(2.279-0.1688*LOM)
该方法的缺陷在于经验公式中的成熟度LOM是借用国外实验参数,缺少本地区的实验依据,造成误差较大,且ΔlogR计算公式在计算过程中需要人为确定页岩基线等多个参数,如果参数值选取错误对结果影响较大,预测准确率低。
二、单因素计算法。常见的单因素计算模型是自然伽马和密度单因素计算模型,其原理是自然伽马和密度对有机质含量有较好的相关性,但由于地层中影响密度、自然伽马因素较多,如页岩中的重矿物、地层中的裂缝等因素。所以,用单因素计算模型计算页岩有机质含量误差较大。
三、多元回归法。其原理在于分析各个测井参数与TOC含量的关系,通过多个与TOC含量相关系数较高的参数来计算TOC,并建立二元线性拟合方程或者三元线性回归方程,但是该方法适用性差,在纵向上不同层位、平面上不同地区,需要建立不同模型,且预测效果差。
发明内容
针对现有的计算页岩储层中TOC的方法适用性不够广,精度不够高,致使运用在济阳坳陷页岩油储层中适应性较差的问题,本发明提供一种基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法,本发明方法克服了神经算法局部收敛的缺陷,精度更高。
为实现上述目的,本发明采用以下技术方案:
本发明提供一种基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法,其包括以下步骤:
步骤1,选取一口页岩油系统取芯井,明晰不同岩相测井响应特征;
步骤2,优选与TOC相关的敏感曲线;
步骤3,对敏感曲线值进行二进制编码;
步骤4,确定遗传算法适应度函数;
步骤5,通过选择、交叉和变异进化初始群体,并利用适应度函数优选最优目标;
步骤6,输入新种群,调整网络权值和阈值训练新种群,通过反向传播算法,循环步骤6,优选最佳预测精度。
进一步地,在步骤1中,选取一口页岩油系统取芯井,明晰不同岩相测井响应特征,收集其岩心、薄片、实验分析化验、测录井曲线的资料。
更进一步地,岩心、薄片资料包括典型页岩油井目的层沙四纯上的岩心样品和不同岩相的岩心薄片资料;实验分析化验资料包括典型页岩油井的有机碳的实测资料;测录井曲线的资料包括典型页岩油井的las测井曲线数据、岩屑和综合录井解释成果表;结合测录井资料,在岩心归位的基础上,分析页岩油储层不同岩相的测井响应特征。
进一步地,在步骤2中,基于岩相的测井响应分析,做实测TOC与各个测井参数的相关性分析,挑选测井曲线中与TOC相关的敏感曲线。
进一步地,在步骤3中,挑选出页岩油取芯井目的层沙四纯上的敏感曲线值GR、AC、DEN、RD和CNL,对其进行归一化处理,并将其作为输入参数,表达式如下:
Xi=(Y-Ymin)/(Ymax-Ymin) (1)
其中,X为敏感曲线值归一化后的结果;Y为敏感曲线值;Ymax为敏感曲线的最大值;Ymin为敏感曲线的最小值。
进一步地,在步骤4中,确定遗传算法适应度函数,输入所有训练样本,计算实际输出与期望输出的误差平方和,以此误差的倒数作为适应度函数,表达式如下:
式中:m为样本数,f(xi)为实际输出,yi为期望输出。
进一步地,对初始群体进行种群进化具体步骤如下:
将n个二进制串组成遗传算法的初始群体,在其中选择较好的个体,从较好的个体重按照基因互换的方式产生下一代;
规定单点交叉概率为Pc,通过单点交叉的方式使群体进行变换;
规定变异概率为Pm,使交叉后的种群变异,再对新种群进行下一段的进化;
其中,交叉概率Pc和变异概率Pm直接影响算法的收敛性,表达式如下:
其中:fmax表示种群最大适应度值;favg表示种群平均适应度;f’表示交叉的两个个体中较大的适应度值;f表示要变异的个体适应度值;k1、k2、k3、k4为0~1之间的常数。
进一步地,在步骤6中,输入新种群,在确定神经网络的初始权值后,通过反向传播训练方法,不断调整网络权值和阈值,将遗传优化神经网络算法预测出TOC的值与通过实验分析化验资料得到的实测TOC值做相关性分析,使其相关系数高于常用方法评价TOC的精度,从而确定出迭代次数和网络权值,使训练精度满足要求,得到适用于目标页岩油预测有机碳含量TOC的遗传优化神经网络算法模型。
与现有技术相比,本发明具有以下优势:
本发明方法不受人为因素、地层影响因素的影响,主要从遗传特性入手,借鉴生物界的自然选择和遗传机制,使种群中的每个个体都包含一个网络所有权值和阈值,让个体通过适应度函数计算个体适应度值,并通过选择、交叉和变异操作,找到最优适应度值对应个体,克服神经算法局部收敛、精度不高的缺陷,对评价页岩油储层有机碳含量具有重要的意义。本发明方法具有较好的实际应用效果。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明的一种基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法的一具体实施的流程图;
图2为本发明的一具体实施例中的东营凹陷某口页岩油井中实测TOC与测井敏感参数的相关性分析图:(a)实测TOC与RD关系图;(b)实测TOC与GR关系图;(c)实测TOC与AC关系图;(d)实测TOC与DEN关系图;(e)实测TOC与CNL关系图;(f)实测TOC与孔隙度关系图;
图3为本发明的一具体实施例中的东营凹陷某口页岩油井遗传优化神经网络算法预测TOC值和实测值对比图;
图4为本发明的一具体实施例中的东营凹陷某口页岩油井遗传优化神经网络算法预测TOC值和实测值相关性分析图;
图5为本发明的一具体实施例中的东营凹陷某口页岩油井遗传优化神经网络算法与常规方法预测TOC值对比图;
图6为本发明的一具体实施例中的东营凹陷沙四上TOC等值线图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作和/或它们的组合。
为了使得本领域技术人员能够更加清楚地了解本发明的技术方案,以下将结合具体的实施例详细说明本发明的技术方案。
实施例1
如图1所示,基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法包括以下步骤:
步骤1,选取一口页岩油系统取芯井,明晰不同岩相测井响应特征,收集其岩心、薄片、实验分析化验、测录井曲线的资料;岩心、薄片资料包括典型页岩油井目的层沙四纯上的岩心样品和不同岩相的岩心薄片资料;实验分析化验资料包括典型页岩油井的有机碳的实测资料;测录井曲线的资料包括典型页岩油井的las测井曲线数据、岩屑和综合录井解释成果表;结合测录井资料,在岩心归位的基础上,分析页岩油储层不同岩相的测井响应特征。
步骤2,优选与TOC相关的敏感曲线,通过页岩油不同岩相的测井响应分析,确定页岩油储层研究所需的测井曲线。
基于有机碳含量TOC与测井曲线参数相关的依据,即页岩油储层中富含钍、铀、钾等放射性元素,伽马值发生变化;有机质会在一定程度上影响电阻、声波、密度等曲线值的变化等,从页岩油储层研究所需的测井曲线中,挑选与TOC相关的敏感曲线(GR、AC、DEN、RD和CNL)。
做实测TOC与各个测井参数的相关性分析,发现TOC具有高自然伽马、高声波时差、高中子、低密度和低电阻率的测井响应特征,从而确定与TOC相关的敏感曲线是GR、AC、DEN、RD和CNL。
步骤3,对敏感曲线值进行二进制编码,即挑选出的目的层沙四纯上的敏感曲线值GR、AC、DEN、RD和CNL进行归一化处理,将其作为输入参数,输入参数为5个节点,输出参数为1个节点,表达式如下:
Xi=(Y-Ymin)/(Ymax-Ymin)
其中,X为敏感曲线值归一化后的结果;Y为敏感曲线值;Ymax为敏感曲线的最大值;Ymin为敏感曲线的最小值。
步骤4,确定遗传算法适应度函数。输入所有训练样本,由码串表示的每个个体解码为相应的神经元网,计算神经网络实际输出与期望输出的误差平方和,以此误差的倒数作为适应度函数。
利用种群个体的适应度函数来进行搜索,也以此来判断染色体的优劣,适应度函数越大,说明染色体质量越好,表达式如下:
式中:m为样本数,f(xi)为实际输出,yi为期望输出。
步骤5,通过轮盘赌选择法,将适种群中适应度最高的n个二进制串组成遗传算法的初始群体。
其过程重点在于,需要计算各个个体的适应度值f,确定每个个体被选中的概率Pi,其公式为Pi=fi/∑fi,随机在[0,1]之间中产生一个数R,依次比较个体被选中的概率P1、P2、P3……与数字R,选中第一个大于R的值,并将它作为遗传算法的初始群体。
从已选出的初始群体中,随机选择个体进行自适应交叉模式的两两配对,进行基因互换,从而产生新的下一代群体。
其中,规定自适应交叉概率为Pc,其表达式如下:
其中:fmax表示种群最大适应度值;favg表示种群平均适应度;f'表示交叉的两个个体中较大的适应度值;f表示要变异的个体适应度值;k1、k2、k3、k4为0~1之间的常数。
对种群中的一些个体进行变异,对于选中的个体按照一定的概率随机改变其基因,变异成新的个体,对新种群进行下一段的进化繁衍。
其中,规定变异概率为Pm,其表达式如下:
其中:fmax表示种群最大适应度值;favg表示种群平均适应度;f'表示交叉的两个个体中较大的适应度值;f表示要变异的个体适应度值;k1、k2、k3、k4为0~1之间的常数。
通过上述对初始群体的进化过程,即选择、交叉、和变异,使其成为适应度函数优选出来的最优目标,若进化繁衍出的新种群不满足目标,则返回执行步骤5,重新通过选择、交叉、变异,对新种群进行下一段的进化。
若繁衍出的新种群满足最优目标,则终止条件判断,输出新种群,进入步骤6。
步骤6,输入新种群,采用3层网络结构模型,先通过正向传播过程,经隐层逐层处理后,传向输出层,若输出层的实际输出与期望输出不符,则转向误差的反向传播阶段,不断调整网络权值和阈值,达到指定精度即最优TOC含量值精度。
其中,预测出的最优TOC含量值精度要高于常用方法预测TOC(ΔlogR法、单因素计算法、多元回归法)。
依据已经的得出的遗传优化神经网络算法模型对东营凹陷中三个洼陷(博兴、利津、牛庄洼陷)64口取芯页岩油井进行TOC含量预测,并通过东营凹陷沙四上TOC等值线图来显示东营凹陷页岩油富集、资源丰度最有利的洼陷;如图2-图6所示。
本发明是基于常规预测页岩油储层TOC的方法上提出的一种基于大数据分析即遗传优化神经网络模型,通过样本数据点的挖掘分析,自组织、自适应和自学习,多样本反复训练,随机寻优,寻找最优适应度值,解决了局部收敛问题的一种高精度的评价页岩油储层有机碳含量的方法,避免了当前页岩油储层预测TOC方法中,人为因素多、地层影响因素大、适应性不强以及精度不高等情况。并且,济阳坳陷页岩油资源丰富,基质型、夹层型页岩油试采产能已取得突破,想要实现页岩油有效开发和长期可持续发展,需要准确获取页岩储层测井评价的重要参数即有机质含量,而遗传优化神经网络模型是基于大数据分析改进陆相页岩油有机质计算模型,在济阳坳陷有很好的推广前景。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法,其特征在于,其包括以下步骤:
步骤1,选取一口页岩油系统取芯井,明晰不同岩相测井响应特征;
步骤2,优选与TOC相关的敏感曲线;
步骤3,对敏感曲线值进行二进制编码;
步骤4,确定遗传算法适应度函数;
步骤5,通过选择、交叉和变异进化初始群体,并利用适应度函数优选最优目标;
步骤6,输入新种群,调整网络权值和阈值训练新种群,通过反向传播算法,循环步骤6,优选最佳预测精度。
2.根据权利要求1所述的方法,其特征在于,在步骤1中,选取一口页岩油系统取芯井,明晰不同岩相测井响应特征,收集其岩心、薄片、实验分析化验、测录井曲线的资料。
3.根据权利要求3所述的方法,其特征在于,岩心、薄片资料包括典型页岩油井目的层沙四纯上的岩心样品和不同岩相的岩心薄片资料;实验分析化验资料包括典型页岩油井的有机碳的实测资料;测录井曲线的资料包括典型页岩油井的las测井曲线数据、岩屑和综合录井解释成果表;结合测录井资料,在岩心归位的基础上,分析页岩油储层不同岩相的测井响应特征。
4.根据权利要求1所述的方法,其特征在于,在步骤2中,基于岩相的测井响应分析,做实测TOC与各个测井参数的相关性分析,挑选测井曲线中与TOC相关的敏感曲线。
5.根据权利要求1所述的方法,其特征在于,在步骤3中,挑选出页岩油取芯井目的层沙四纯上的敏感曲线值GR、AC、DEN、RD和CNL,对其进行归一化处理,并将其作为输入参数,表达式如下:
Xi=(Y-Ymin)/(Ymax-Ymin) (1)
其中,X为敏感曲线值归一化后的结果;Y为敏感曲线值;Ymax为敏感曲线的最大值;Ymin为敏感曲线的最小值。
8.根据权利要求1所述的方法,其特征在于,在步骤6中,输入新种群,在确定神经网络的初始权值后,通过反向传播训练方法,不断调整网络权值和阈值,将遗传优化神经网络算法预测出TOC的值与通过实验分析化验资料得到的实测TOC值做相关性分析,使其相关系数高于常用方法评价TOC的精度,从而确定出迭代次数和网络权值,使训练精度满足要求,得到适用于目标页岩油预测有机碳含量TOC的遗传优化神经网络算法模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110237641.9A CN115032361A (zh) | 2021-03-03 | 2021-03-03 | 基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110237641.9A CN115032361A (zh) | 2021-03-03 | 2021-03-03 | 基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115032361A true CN115032361A (zh) | 2022-09-09 |
Family
ID=83117687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110237641.9A Pending CN115032361A (zh) | 2021-03-03 | 2021-03-03 | 基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115032361A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017024530A1 (zh) * | 2015-08-11 | 2017-02-16 | 深圳朝伟达科技有限公司 | 一种计算烃源岩中有机碳含量的方法 |
CN107766662A (zh) * | 2017-10-26 | 2018-03-06 | 中国石油化工股份有限公司 | 一种页岩气水平井测试分段评价方法 |
CN111058840A (zh) * | 2019-12-18 | 2020-04-24 | 延安大学 | 一种基于高阶神经网络的有机碳含量(toc)评价方法 |
CN111984928A (zh) * | 2020-08-18 | 2020-11-24 | 中国石油化工股份有限公司 | 一种测井资料计算页岩油储层有机碳含量的方法 |
-
2021
- 2021-03-03 CN CN202110237641.9A patent/CN115032361A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017024530A1 (zh) * | 2015-08-11 | 2017-02-16 | 深圳朝伟达科技有限公司 | 一种计算烃源岩中有机碳含量的方法 |
CN107766662A (zh) * | 2017-10-26 | 2018-03-06 | 中国石油化工股份有限公司 | 一种页岩气水平井测试分段评价方法 |
CN111058840A (zh) * | 2019-12-18 | 2020-04-24 | 延安大学 | 一种基于高阶神经网络的有机碳含量(toc)评价方法 |
CN111984928A (zh) * | 2020-08-18 | 2020-11-24 | 中国石油化工股份有限公司 | 一种测井资料计算页岩油储层有机碳含量的方法 |
Non-Patent Citations (6)
Title |
---|
乔琳: "人工智能在电气自动化行业中的应用", 31 October 2019, 中国原子能出版社, pages: 109 - 111 * |
刘继龙: "X 凹陷 P 层组烃源岩测井评价方法研究", 中国锰业, vol. 37, no. 3, 30 June 2019 (2019-06-30) * |
张晗;卢双舫;李文浩;田伟超;胡莹;何涛华;谭昭昭;: "ΔLogR技术与BP神经网络在复杂岩性致密层有机质评价中的应用", 地球物理学进展, no. 03, 15 June 2017 (2017-06-15) * |
王攀等: "基于测井参数的煤系烃源岩总有机碳含量预测模型", 煤炭学报, vol. 42, no. 5, 31 May 2017 (2017-05-31), pages 1267 - 1275 * |
邓甲昊等: "新型磁探测技术", 30 April 2019, 北京理工大学出版社, pages: 123 - 124 * |
郭龙;陈践发;苗忠英;: "一种新的TOC含量拟合方法研究与应用", 天然气地球科学, no. 06, 10 December 2009 (2009-12-10) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800954B (zh) | 基于测井数据的储层评价方法 | |
CN110619353B (zh) | 一种基于深度学习的多尺度测井曲线自动识别方法 | |
CN108897975A (zh) | 基于深度信念网络的煤层气测井含气量预测方法 | |
CN111027882A (zh) | 一种基于高阶神经网络利用常规测井资料评价脆性指数的方法 | |
CN104047598A (zh) | 非均质古岩溶碳酸盐岩储层产能预测方法 | |
CN112100930B (zh) | 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 | |
CN111722283B (zh) | 一种地层速度模型建立方法 | |
CN113343574A (zh) | 基于神经网络的Mishrif组岩性测井识别方法 | |
CN116305850A (zh) | 一种基于随机森林模型的地层热导率预测方法 | |
CN115030707A (zh) | 一种油页岩“甜点”快速评价方法 | |
CN110988997A (zh) | 一种基于机器学习的烃源岩三维空间展布定量预测技术 | |
CN117251802B (zh) | 一种基于迁移学习的非均质储层参数预测方法及系统 | |
CN111199107A (zh) | 三角洲相砂岩圈闭评价新方法 | |
CN113216945B (zh) | 一种致密砂岩储层渗透性定量评价方法 | |
CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
CN110118994B (zh) | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 | |
CN112253087A (zh) | 一种基于多源测井资料的生物扰动储集层物性计算方法 | |
Anifowose et al. | A functional networks-type-2 fuzzy logic hybrid model for the prediction of porosity and permeability of oil and gas reservoirs | |
CN111751878A (zh) | 横波速度的预测方法和装置 | |
CN115032361A (zh) | 基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法 | |
CN112746835A (zh) | 一种优化的深层页岩气地质甜点测井综合评价方法 | |
CN115964667A (zh) | 基于深度学习和重采样的河流-湖泊岩相测井识别方法 | |
CN115936234A (zh) | 一种基于深度学习的薄储层空间分布预测方法 | |
CN115049173A (zh) | 深度学习和Eaton法耦合驱动地层孔隙压力预测方法 | |
CN112464483A (zh) | 一种基于遗传神经网络算法的测井曲线重构方法 |
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 |