CN115061219B - 基于石油天然气探测的裂缝型储层预测识别方法及系统 - Google Patents

Abstract

本发明提供了一种基于石油天然气探测的裂缝型储层预测识别方法及系统，涉及油气开采技术领域，该方法包括：确定待探测区域；对待探测区域进行测井数据采集获得多个测井数据集合；对多个测井数据集合进行异常数据识别，获得并筛除异常测井数据集合，获得多个预处理测井数据集合；进行归一化处理，获得多个归一化测井数据集合，输入构建的裂缝型储层开度预测模型，获得裂缝型储层开度预测结果。本发明解决了现有技术中裂缝型储层预测效果较差，无法提供准确参考的技术问题，达到了准确、智能预测识别裂缝型储层开度的技术效果。

Description

基于石油天然气探测的裂缝型储层预测识别方法及系统

技术领域

本发明涉及油气开采技术领域，具体涉及一种基于石油天然气探测的裂缝型储层预测识别方法及系统。

背景技术

裂缝型储层指以裂缝为主要储集空间、渗流通道的油气储集层，其内有着较为丰富的油气藏，且裂缝型储层有利于油气开采过程中的油气转移，是油气开采中的重要资源。

裂缝型储层的勘测和开采难度较大，目前一般通过直接观察或基于人工智能预测的方式判断裂缝型储层的形状、方位等，作为裂缝型储层勘测和开采的参考数据。

现有技术中笼统地预测裂缝型储层的形状、方位等信息，但这些信息与岩层地理信息之间的逻辑关系复杂，预测效果较差，现有技术中存在着裂缝型储层预测分析准确度较低，难以作为油气勘探开采参考的技术问题。

发明内容

本申请提供了一种基于石油天然气探测的裂缝型储层预测识别方法及系统，用于针对解决现有技术中存在的裂缝型储层的形状、方位等信息与岩层地理信息之间的逻辑关系复杂，预测效果较差，裂缝型储层预测分析准确度较低，难以作为油气勘探开采参考的技术问题。

鉴于上述问题，本申请提供了一种基于石油天然气探测的裂缝型储层预测识别方法及系统。

本申请的第一个方面，提供了一种基于石油天然气探测的裂缝型储层预测识别方法，所述方法包括：确定待探测区域；对所述待探测区域进行多次的多个数据类型的测井数据采集，获得多个测井数据集合，其中，所述多个数据类型包括自然电位、中子孔隙度、自然伽马、深侧向电阻率、浅侧向电阻率、体积密度、声波时差和密度校正值；对所述多个测井数据集合内的数据进行异常数据识别，获得异常测井数据集合；将所述异常测井数据集合从所述多个测井数据集合内筛除，获得多个预处理测井数据集合；对所述多个预处理测井数据集合内所述多个数据类型的数据进行归一化处理，获得多个归一化测井数据集合；构建裂缝型储层开度预测模型；将所述多个归一化测井数据集合输入所述裂缝型储层开度预测模型，获得裂缝型储层开度预测结果裂缝型储层开度预测结果。

本申请的第二个方面，提供了一种基于石油天然气探测的裂缝型储层预测识别系统，所述系统包括：待探测区域确定模块，用于确定待探测区域；测井数据采集模块，用于对所述待探测区域进行多次的多个数据类型的测井数据采集，获得多个测井数据集合，其中，所述多个数据类型包括自然电位、中子孔隙度、自然伽马、深侧向电阻率、浅侧向电阻率、体积密度、声波时差和密度校正值；数据异常识别模块，用于对所述多个测井数据集合内的数据进行异常数据识别，获得异常测井数据集合；异常数据筛除模块，用于将所述异常测井数据集合从所述多个测井数据集合内筛除，获得多个预处理测井数据集合；归一化处理模块，用于对所述多个预处理测井数据集合内所述多个数据类型的数据进行归一化处理，获得多个归一化测井数据集合；开度预测模型构建模块，用于构建裂缝型储层开度预测模型；开度预测模块，用于将所述多个归一化测井数据集合输入所述裂缝型储层开度预测模型，获得裂缝型储层开度预测结果裂缝型储层开度预测结果。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请通过初步探测可能存在裂缝型储层的区域进行多次的探井测井，并采集获得包括多个数据类型数据的多个测井数据集合，并对多个测井数据集合进行异常数据的识别和筛除，避免由于测井数据的误差或其他出现的异常数据影响预测的准确性，然后对多个测井数据集合进行归一化处理，输入构建完成的储层开度预测模型内，获得裂缝型储层开度预测结果。本申请构建了基于机器学习的裂缝型储层的裂缝开度的预测方法，选择多个与裂缝开度相关性较大的测井数据类型，通过以测井数据本身特征为异常识别基础的方法，进行测井数据的异常识别，能够避免由于复杂地质岩层信息以及测井时存在误差导致的异常数据对预测准确度的影响，进一步基于机器学习，构建模型进行裂缝开度的预测，较为准确、智能和高效，能够较为准确地获得裂缝型储层开度预测结果，作为裂缝型储层勘测和开采的参考数据，本申请关注裂缝型储层开度的预测识别，能够提升裂缝型储层的预测分析准确度，达到提升裂缝型储层油气勘测和开采稳定性的技术效果。

附图说明

图1为本申请实施例提供的一种基于石油天然气探测的裂缝型储层预测识别方法流程示意图；

图2为本申请实施例提供的一种基于石油天然气探测的裂缝型储层预测识别方法中获得异常测井数据集合的流程示意图；

图3为本申请实施例提供的一种基于石油天然气探测的裂缝型储层预测识别方法中构建获得裂缝型储层开度预测模型的流程示意图；

图4为本申请实施例提供的一种基于石油天然气探测的裂缝型储层预测识别系统结构示意图。

附图标记说明：待探测区域确定模块11，测井数据采集模块12，数据异常识别模块13，异常数据筛除模块14，归一化处理模块15，开度预测模型构建模块16，开度预测模块17。

具体实施方式

本申请通过提供了一种基于石油天然气探测的裂缝型储层预测识别方法及系统，用于针对解决现有技术中存在的裂缝型储层的形状、方位等信息与岩层地理信息之间的逻辑关系复杂，预测效果较差，裂缝型储层预测分析准确度较低，难以作为油气勘探开采参考的技术问题。

实施例一

如图1所示，本申请提供了一种基于石油天然气探测的裂缝型储层预测识别方法，所述方法包括：

S100：确定待探测区域；

本申请实施例中，待探测区域即为需要进行裂缝型储层勘测的区域，其可为现有技术中任意类型的区域，例如泥岩区域、基岩区域等可能存在裂缝型储层的区域。

在油气开采的过程中，进行初步的勘测，获得可能存在或确定存在裂缝型储层的待探测区域，需要进一步进行勘测分析，分析其内裂缝型储层的情况，作为油气勘测和开采的参考数据。初步勘测的过程可基于油气开采领域内的现有技术进行，获得上述的待探测区域。

S200：对所述待探测区域进行多次的多个数据类型的测井数据采集，获得多个测井数据集合，其中，所述多个数据类型包括自然电位、中子孔隙度、自然伽马、深侧向电阻率、浅侧向电阻率、体积密度、声波时差和密度校正值；

本申请实施例提供的方法中的步骤S200包括：

S210：在所述待探测区域中，进行多个区域的多次探井测井；

S220：在所述多次探井测井中，采集获取多个自然电位数据、中子孔隙度数据、自然伽马数据、深侧向电阻率数据、浅侧向电阻率数据、体积密度数据、声波时差数据和密度校正值数据；

S230：根据所述多个自然电位数据、中子孔隙度数据、自然伽马数据、深侧向电阻率数据、浅侧向电阻率数据、体积密度数据、声波时差数据和密度校正值数据，获得所述多个测井数据集合。

具体地，上述的待探测区域为一个较大的区域，需要探测其内可能存在的裂缝型储层的开度，则需要预测待探测区域内多个具体小范围区域内裂缝型储层的开度信息，以预测获得待探测区域内裂缝型储层整体开度的范围，作为油气开采的参考数据。

具体地，在待探测区域中，进行多个待探测区域内小范围区域的多次探井测井，探井测井的过程可采用现有技术中的测井方法进行，并采集获取多次探井测井中的多个数据类型的数据，其中，多个数据类型包括自然电位、中子孔隙度、自然伽马、深侧向电阻率、浅侧向电阻率、体积密度、声波时差和密度校正值。

示例性地，基于探井、盐矿薄片鉴定、井成像技术以及岩心描述等方法，采集获取多个小范围区域内的多个自然电位数据、中子孔隙度数据、自然伽马数据、深侧向电阻率数据、浅侧向电阻率数据、体积密度数据、声波时差数据和密度校正值数据。

进一步地，根据多个小范围区域对上述采集获得的数据进行归类，获得多个测井数据集合。

本申请实施例选取与裂缝型储层开度具有关联性的多个地质和岩层信息数据类型，采集获取待探测区域内的数据，作为预测待探测区域的裂缝型储层开度的基础数据，能够提升预测的准确性。

S300：对所述多个测井数据集合内的数据进行异常数据识别，获得异常测井数据集合；

如图2所示，本申请实施例提供的方法中的步骤S300包括：

S310：分别构建自然电位孤立树模型、中子孔隙度孤立树模型、深侧向电阻率孤立树模型、浅侧向电阻率孤立树模型、体积密度孤立树模型、声波时差孤立树模型和密度校正值孤立树模型；

S320：合并所述自然电位孤立树模型、中子孔隙度孤立树模型、深侧向电阻率孤立树模型、浅侧向电阻率孤立树模型、体积密度孤立树模型、声波时差孤立树模型和密度校正值孤立树模型，获得异常数据识别模型；

S330：按照所述多个数据类型将所述多个测井数据集合内的数据进行划分，获得自然电位数据集合、中子孔隙度数据集合、自然伽马数据集合、深侧向电阻率数据集合、浅侧向电阻率数据集合、体积密度数据集合、声波时差数据集合和密度校正值数据集合；

S340：将所述自然电位数据集合、中子孔隙度数据集合、自然伽马数据集合、深侧向电阻率数据集合、浅侧向电阻率数据集合、体积密度数据集合、声波时差数据集合和密度校正值数据集合输入所述异常数据识别模型，获得多个异常数据；

S350：获取所述多个异常数据对应的测井数据集合，作为所述异常测井数据集合。

本申请实施例中，基于孤立森林算法，构建异常数据识别模型，基于多个测井数据集合内多个数据类型数据自身的分布特点，进行无监督地异常数据识别，获取多个测井数据集合内由于测井方法存在的误差可能存在的异常数据，提升后续裂缝型储层开度预测的准确性。

具体地，由于多个测井数据集合内包括多个数据类型的数据，每类数据的量纲不同，需要分别对多个数据类型的数据进行分别的异常数据识别。

分别构建对多个数据类型进行异常数据识别的自然电位孤立树模型、中子孔隙度孤立树模型、深侧向电阻率孤立树模型、浅侧向电阻率孤立树模型、体积密度孤立树模型、声波时差孤立树模型和密度校正值孤立树模型。

接下来以构建自然电位孤立树模型为例，详细描述自然电位孤立树模型的构建过程，其他数据类型的孤立树模型与自然电位孤立树模型的构建过程相似但具体数据不同，但不作为限定。

本申请实施例提供的方法中的步骤S310包括步骤S311：构建自然电位孤立树模型，步骤S311包括：

S311-1：随机获取一自然电位数据，并作为第一划分阈值；

S311-2：根据所述第一划分阈值，构建一级划分节点，其中，所述一级划分节点可对输入数据进行二分类划分；

S311-3：再次随机获取一自然电位数据，并作为第二划分阈值；

S311-4：根据所述第二划分阈值，构建二级划分节点，其中，所述二级划分节点可对所述一级划分节点的二分类结果进行二分类划分；

S311-5：继续构建所述自然电位孤立树模型的多级分类节点，直到所述多级分类节点的级数达到预设阈值；

S311-6：根据构建完成的所述多级分类节点，设置一异常输出节点，获得所述自然电位孤立树模型，其中，所述多级分类节点可对输入数据进行多次二分类划分，所述异常输出节点以下分类节点二分类获得的孤立自然电位数据为异常数据。

具体地，根据自然电位测井的现有技术，能够获知自然电位数据类型内数据的大致分布区间，示例性地，例如（-250mV，-150mV）的区间。

在自然电位数据类型内数据的大致分布区间内随机选择一自然电位数据，并作为第一划分阈值，根据该第一划分阈值，构建自然电位孤立树模型的一级划分节点，其中，一级划分节点可对输入的自然电位数据进行二分类划分，将大于该第一划分阈值的数据分为一类，不大于该第一划分阈值的数据划分为另一类，获得二分类结果。

再次在自然电位数据类型内数据的大致分布区间内随机选择一自然电位数据，并作为第二划分阈值，且与第一划分阈值不同，，根据该第一划分阈值，构建自然电位孤立树模型的二级划分节点，其中，二级划分节点可对一级划分节点划分获得的二分类结果再次进行二分类划分，分别将两个分类结果内大于该第二划分阈值的数据分为一类，不大于该第二划分阈值的数据划分为另一类，获得两个二分类结果，即四个分类结果。

继续随机获取不同的自然电位数据，并作为多个划分阈值，构建自然电位孤立树模型的多级分类节点，直到多级分类节点的级数达到预设阈值。

多级分类节点可对输入的多个自然电位数据进行多次二分类划分，其中，可认为同一个待探测区域内多个小范围区域的多个自然电位数据大小是相近的，多个正常的自然电位数据形成较为密集的数据簇，而异常的自然电位数据由于检测误差，与正常的自然电位数据差距较大，形成孤立的数据点，在多级分类节点内的多次随机二分类划分中，孤立的数据点更易被分类为单个数据，而正常的数据簇在二分类后的结果一般仍包括多个数据。

因此，在多级分类节点设置一异常输出节点，将该异常数据节点以下的分类节点分类获得的孤立单个数据作为异常数据，可认为其更易与其他正常数据分类开来，而该异常数据节点以上的分类节点分类获得 的数据作为正常数据，形成密集的数据簇，难以被分类为单个数据，如此，获得构建完成的自然电位孤立树模型。

其中，多级分类节点级数的预设阈值可根据多个测井数据集合的数量进行设置，多个测井数据集合内包括多个自然电位数据，多级分类节点的级数的预设阈值可以将多个自然电位数据全部分类为孤立数据进行设置。该异常输出节点可根据自然电位数据出现异常数据的经验进行设置，例如设置在多级分类节点的中间位置。

进一步地，基于类似的步骤，构建其他的中子孔隙度孤立树模型、深侧向电阻率孤立树模型、浅侧向电阻率孤立树模型、体积密度孤立树模型、声波时差孤立树模型和密度校正值孤立树模型，其他孤立树模型内的划分阈值、分类节点的级数以及异常输出节点与自然电位孤立树模型不同。

合并构建完成的自然电位孤立树模型、中子孔隙度孤立树模型、深侧向电阻率孤立树模型、浅侧向电阻率孤立树模型、体积密度孤立树模型、声波时差孤立树模型和密度校正值孤立树模型，获得异常数据识别模型。合并的过程中，将多个孤立树模型的输入数据的通道以及输出数据的通道进行合并。

基于构建完成的异常数据识别模型，按照上述的多个数据类型将多个测井数据集合内的数据进行划分，获得自然电位数据集合、中子孔隙度数据集合、自然伽马数据集合、深侧向电阻率数据集合、浅侧向电阻率数据集合、体积密度数据集合、声波时差数据集合和密度校正值数据集合。

将自然电位数据集合、中子孔隙度数据集合、自然伽马数据集合、深侧向电阻率数据集合、浅侧向电阻率数据集合、体积密度数据集合、声波时差数据集合和密度校正值数据集合输入异常数据识别模型，并分别输入对应的孤立树模型内，进行异常数据识别，获得多个孤立树模型内异常数据节点以下分类节点输出的孤立数据，获得多个异常数据，多个异常数据包括多个不同的数据类型。

其中，根据多个异常数据，获得异常数据对应的测井数据集合，由于出现了异常数据，可认为对应的测井数据集合内其他数据类型的数据也可能存在异常，或者在测井的过程中出现了异常，将对应的测井数据集合作为异常测井数据集合，完成异常数据的识别。一般而言，多个异常数据均存在于同一测井数据集合内，但也可能在多个测井数据集合均出现异常测井数据。

本申请实施例通过采用孤立森林算法，根据测井数据内多个数据类型数据的分布特征，进行非监督的异常数据识别，准确的较高且效率较高，无需监督，能够提升测井数据的准确性，进而达到提升裂缝型储层开度预测识别的准确性。

S400：将所述异常测井数据集合从所述多个测井数据集合内筛除，获得多个预处理测井数据集合；

具体地，根据异常识别获得的异常测井数据集合，从多个测井数据集合内进行筛除，保留剩下的测井数据集合，作为正常的多个测井数据集合，并作为多个预处理完毕的预处理测井数据集合。

S500：对所述多个预处理测井数据集合内所述多个数据类型的数据进行归一化处理，获得多个归一化测井数据集合；

本申请实施例中，基于机器学习，根据多个预处理测井数据集合进行裂缝型储层开度的预测识别，为提升收敛速度和预测准确率，对多个预处理测井数据集合内多个数据类型的数据进行归一化处理。

本申请实施例提供的方法中的步骤S500包括：

S510：分别对所述多个预处理测井数据集合内所述多个数据类型的数据进行计算映射至（0,1）区间内，具体通过下式计算：

，其中，

为第i个预处理测井数据集合内的任意一个数据类型的数据，

为第i个预处理测井数据集合内的最大数据，

为第i个预处理测井数据集合内的最小数据；

S520：根据计算映射获得的数据，获得所述多个归一化测井数据集合。

具体地，分别对多个预处理测井数据集合内多个数据类型的数据进行计算映射至（0,1）区间内，具体通过下式进行归一化计算：

，其中，

为第i个预处理测井数据集合内的任意一个数据类型的数据，

为第i个预处理测井数据集合内的最大数据，

为第i个预处理测井数据集合内的最小数据，

为第i个预处理测井数据集合内的任意一个数据类型的数据归一化处理后的数据。

如此，完成对多个预处理测井数据集合内数据的归一化，消除量纲以及数值差距对数据的影响，根据计算映射获得的数据，获得多个归一化测井数据集合，能够提升预测识别裂缝型储层开度的收敛速度和准确性。

S600：构建裂缝型储层开度预测模型；

如图3所示，本申请实施例提供的方法中的步骤S600包括：

S610：根据所述待探测区域，采集获取多个样本测井数据集合；

S620：采集获取多个样本裂缝型储层开度数据；

S630：对所述多个样本测井数据集合进行归一化处理，获得多个归一化样本测井数据集合；

S640：有放回地在所述多个归一化样本测井数据集合和所述多个样本裂缝型储层开度数据内随机选择M个归一化样本测井数据集合和样本裂缝型储层开度数据，作为第一构建数据集，构建第一开度预测子模型；

S650：再次有放回地在所述多个归一化样本测井数据集合和所述多个样本裂缝型储层开度数据内随机选择M个归一化样本测井数据集合和样本裂缝型储层开度数据，作为第二构建数据集，构建第二开度预测子模型；

S660：继续构建N个开度预测子模型；

S670：合并所述N个开度预测子模型，获得所述裂缝型储层开度预测模型。

具体地，根据该待探测区域，获取该待探测区域的相同地区中，与该待探测区域具有相似的地址特征的其他区域，可基于地质技术以及探井测井技术进行分析获得，也可基于在该地区内进行油气开采的经验，确定与该待探测区域相似的其他区域。

在该其他区域内进行探井测井，采集获得多个具体小范围区域内的测井数据集合，作为多个样本测井数据集合。或者，基于此前在该其他区域内的油气勘探和开采过程中的探井测井数据，获得该其他区域内多个小范围区域内的测井数据集合，作为多个样本测井数据集合。用于作为构建预测识别裂缝型储层开度的模型的构建数据。

以及，在该其他区域内进行探井测井，采集获取在该其他区域内多个小范围区域进行探井测井过程中的岩心裂缝的开度数据，或者，基于此前在该其他区域内的油气勘探和开采过程中的岩心样本，获得该其他区域内多个小范围区域中的裂缝型储层开度数据，作为多个样本裂缝型储层开度数据，用于作为构建预测识别裂缝型储层开度的模型的构建数据。

为提升构建裂缝型储层开度预测模型的收敛速度，以及提升裂缝型储层开度预测识别的准确性，分别对多个样本测井数据集合内的数据进行归一化处理，归一化处理的方法与前述内容中步骤S500中的方法相同，获得多个归一化样本测井数据集合。

进一步地，为提升预测识别裂缝型储层开度的准确性，基于集成机器学习，构建多个裂缝型储层开度预测模型的性能较差的开度预测子模型，合并形成性能较强、准确率较高的裂缝型储层开度预测模型。

本申请实施例提供的方法中的步骤S640包括：

S641：对所述第一构建数据集内的M个归一化样本测井数据集合和样本裂缝型储层开度数据进行划分和数据标识，获得训练数据集、验证数据集和测试数据集；

S642：基于BP神经网络，构建所述第一开度预测子模型；

S643：采用所述训练数据集对所述第一开度预测子模型进行监督训练，直到训练至收敛；

S644：采用所述验证数据集和测试数据集对训练至收敛的所述第一开度预测子模型进行验证和测试，获得所述第一开度预测子模型。

有放回地在多个归一化样本测井数据集合和多个样本裂缝型储层开度数据内随机选择M个归一化样本测井数据集合和样本裂缝型储层开度数据，作为第一构建数据集，用于构建该第一开度预测子模型。M为正整数，且小于多个归一化样本测井数据集合和多个样本裂缝型储层开度数据的数量，优选为多个归一化样本测井数据集合的数量的2/3。

通过在随机选择M组归一化样本测井数据集合和样本裂缝型储层开度数据作为构建数据，能够使得多个开度预测子模型的构建数据不同，进而构建获得具有不同性能的多个子模型，多个子模型的输入数据均为测井数据集合，输出数据均为裂缝型储层开度的预测结果，可分别根据输入数据进行预测，获得不完全相同的多个预测结果，综合多个预测结果，可获得更为准确的裂缝型储层开度预测结果。如此，通过集成机器学习，提升了预测识别的准确性。

第一开度预测子模型的具体构建过程中，对该第一构建数据集内的M个归一化样本测井数据集合和样本裂缝型储层开度数据进行划分和数据标识，获得训练数据集、验证数据集和测试数据集，示例性地，按照7:2:1的比例进行划分。

基于机器学习中的BP神经网络，结合上述的输入数据和输出数据，构建第一开度预测子模型的网络结构。进一步地，采用该训练数据集对第一开度预测子模型进行监督训练，在监督学习中，第一开度预测子模型可不断地对自身的权值等参数进行自我修正，直到第一开度预测子模型训练至收敛。

采用该验证数据集合测试数据集对第一开度预测子模型进行验证和测试，避免模型出现过拟合等情况，若模型的准确率符合预设要求，则获得构建训练完成的第一开度预测子模型。若不符合预设要求，则重新构建第一开度预测子模型或对第一开度预测子模型的参数进行优化，直到获得准确率满足预设要求的第一开度预测子模型。其中，该预设要求可为95%的准确率。

再次有放回地在多个归一化样本测井数据集合和多个样本裂缝型储层开度数据内随机选择M个归一化样本测井数据集合和样本裂缝型储层开度数据，作为第二构建数据集，构建第二开度预测子模型，具体构建的过程与第一开度预测子模型不同，但构建数据不完全相同，因此构建训练获得的第二开度预测子模型的准确率等于第一开度预测子模型不同。

继续构建第三开度预测子模型、第四开度预测子模型……直到构建获得N个开度预测子模型，N为正整数，可根据多个归一化样本测井数据集合和多个样本裂缝型储层开度数据的数量进行设置，例如设置为10。

合并N个开度预测子模型，具体合并的过程中，将N个开度预测子模型的数据输入通道和输出通道进行合并，获得构建并集成完成的裂缝型储层开度预测模型。

本申请实施例通过基于集成机器学习的方法，随机选择获得多个不同的构建数据，构建多个性能不同、构建数据不同的开度预测子模型，集成获得总的性能较好的裂缝型储层开度预测模型，在进行裂缝型储层开度预测的过程中，能够综合多个子模型的预测结果，获得较为准确的预测结果，更为准确，提升裂缝型储层勘探预测的效果。

S700：将所述多个归一化测井数据集合输入所述裂缝型储层开度预测模型，获得裂缝型储层开度预测结果。

本申请实施例提供的方法中的步骤S700包括：

S710：将所述多个归一化测井数据集合分别输入所述N个开度预测子模型中，分别获得多个开度预测结果集合，其中，每个开度预测结果集合内均包括N个子开度预测结果；

S720：分别计算获得所述多个开度预测结果集合的均值，获得多个开度预测结果，作为所述裂缝型储层开度预测结果。

具体地，将当前待探测区域采集获取，并经过异常数据识别和归一化的多个归一化测井数据集合分别输入该裂缝型储层开度预测模型内，具体分别输入N个开度预测子模型中，在N个构建完成的开度预测子模型内经过复杂的非线性数据逻辑分析运算后，分别获得N个开度预测子模型的多个输出结果，根据输出结果内的标识信息，获得根据多个归一化测井数据集合分析预测得到的多个开度预测结果集合，其中，每个开度预测结果集合内均包括N个开度预测子模型根据不同的归一化测井数据集合分析预测获得的子开度预测结果。

每个开度预测结果集合内的N个子开度预测结果可能存在准确率较低的问题，其内具体包括开度的距离大小数据，基于前述的基础机器学习，分别计算获得多个开度预测结果集合内N个子开度预测结果的均值，获得最终的、准确率较高的多个开度预测结果，作为前述的裂缝型储层开度预测结果，完成当前待探测区域内裂缝型储层开度的预测识别。

综上所述，本申请实施例至少具有如下技术效果：

本申请实施例构建了基于机器学习的裂缝型储层的裂缝开度的预测方法，选择多个与裂缝开度相关性较大的测井数据类型，通过以测井数据本身特征为异常识别基础的方法，进行测井数据的异常识别，能够避免由于复杂地质岩层信息以及测井时存在误差导致的异常数据对预测准确度的影响，进一步基于机器学习，构建模型进行裂缝开度的预测，较为准确、智能和高效，能够较为准确地获得裂缝型储层开度预测结果，作为裂缝型储层勘测和开采的参考数据，本申请实施例关注裂缝型储层开度的预测识别，能够提升裂缝型储层的预测分析准确度，达到提升裂缝型储层油气勘测和开采稳定性的技术效果。

实施例二

基于与前述实施例中一种基于石油天然气探测的裂缝型储层预测识别方法相同的发明构思，如图4所示，本申请提供了一种基于石油天然气探测的裂缝型储层预测识别系统，其中，所述系统包括：

待探测区域确定模块11，用于确定待探测区域；

测井数据采集模块12，用于对所述待探测区域进行多次的多个数据类型的测井数据采集，获得多个测井数据集合，其中，所述多个数据类型包括自然电位、中子孔隙度、自然伽马、深侧向电阻率、浅侧向电阻率、体积密度、声波时差和密度校正值；

数据异常识别模块13，用于对所述多个测井数据集合内的数据进行异常数据识别，获得异常测井数据集合；

异常数据筛除模块14，用于将所述异常测井数据集合从所述多个测井数据集合内筛除，获得多个预处理测井数据集合；

归一化处理模块15，用于对所述多个预处理测井数据集合内所述多个数据类型的数据进行归一化处理，获得多个归一化测井数据集合；

开度预测模型构建模块16，用于构建裂缝型储层开度预测模型；

开度预测模块17，用于将所述多个归一化测井数据集合输入所述裂缝型储层开度预测模型，获得裂缝型储层开度预测结果裂缝型储层开度预测结果。

进一步地，所述测井数据采集模块12用于实现以下功能：

在所述待探测区域中，进行多个区域的多次探井测井；

在所述多次探井测井中，采集获取多个自然电位数据、中子孔隙度数据、自然伽马数据、深侧向电阻率数据、浅侧向电阻率数据、体积密度数据、声波时差数据和密度校正值数据；

根据所述多个自然电位数据、中子孔隙度数据、自然伽马数据、深侧向电阻率数据、浅侧向电阻率数据、体积密度数据、声波时差数据和密度校正值数据，获得所述多个测井数据集合。

进一步地，所述数据异常识别模块13还用于实现以下功能：

分别构建自然电位孤立树模型、中子孔隙度孤立树模型、深侧向电阻率孤立树模型、浅侧向电阻率孤立树模型、体积密度孤立树模型、声波时差孤立树模型和密度校正值孤立树模型；

合并所述自然电位孤立树模型、中子孔隙度孤立树模型、深侧向电阻率孤立树模型、浅侧向电阻率孤立树模型、体积密度孤立树模型、声波时差孤立树模型和密度校正值孤立树模型，获得异常数据识别模型；

按照所述多个数据类型将所述多个测井数据集合内的数据进行划分，获得自然电位数据集合、中子孔隙度数据集合、自然伽马数据集合、深侧向电阻率数据集合、浅侧向电阻率数据集合、体积密度数据集合、声波时差数据集合和密度校正值数据集合；

将所述自然电位数据集合、中子孔隙度数据集合、自然伽马数据集合、深侧向电阻率数据集合、浅侧向电阻率数据集合、体积密度数据集合、声波时差数据集合和密度校正值数据集合输入所述异常数据识别模型，获得多个异常数据；

获取所述多个异常数据对应的测井数据集合，作为所述异常测井数据集合。

其中，构建自然电位孤立树模型，包括：

随机获取一自然电位数据，并作为第一划分阈值；

根据所述第一划分阈值，构建一级划分节点，其中，所述一级划分节点可对输入数据进行二分类划分；

再次随机获取一自然电位数据，并作为第二划分阈值；

根据所述第二划分阈值，构建二级划分节点，其中，所述二级划分节点可对所述一级划分节点的二分类结果进行二分类划分；

继续构建所述自然电位孤立树模型的多级分类节点，直到所述多级分类节点的级数达到预设阈值；

根据构建完成的所述多级分类节点，设置一异常输出节点，获得所述自然电位孤立树模型，其中，所述多级分类节点可对输入数据进行多次二分类划分，所述异常输出节点以下分类节点二分类获得的孤立自然电位数据为异常数据。

进一步地，所述归一化处理模块15还用于实现以下功能：

分别对所述多个预处理测井数据集合内所述多个数据类型的数据进行计算映射至（0,1）区间内，具体通过下式计算：

，其中，

为第i个预处理测井数据集合内的任意一个数据类型的数据，

为第i个预处理测井数据集合内的最大数据，

为第i个预处理测井数据集合内的最小数据；

根据计算映射获得的数据，获得所述多个归一化测井数据集合。

进一步地，所述开度预测模型构建模块16还用于实现以下功能：

根据所述待探测区域，采集获取多个样本测井数据集合；

采集获取多个样本裂缝型储层开度数据；

对所述多个样本测井数据集合进行归一化处理，获得多个归一化样本测井数据集合；

有放回地在所述多个归一化样本测井数据集合和所述多个样本裂缝型储层开度数据内随机选择M个归一化样本测井数据集合和样本裂缝型储层开度数据，作为第一构建数据集，构建第一开度预测子模型；

再次有放回地在所述多个归一化样本测井数据集合和所述多个样本裂缝型储层开度数据内随机选择M个归一化样本测井数据集合和样本裂缝型储层开度数据，作为第二构建数据集，构建第二开度预测子模型；

继续构建N个开度预测子模型；

合并所述N个开度预测子模型，获得所述裂缝型储层开度预测模型。

其中，对所述第一构建数据集内的M个归一化样本测井数据集合和样本裂缝型储层开度数据进行划分和数据标识，获得训练数据集、验证数据集和测试数据集；

基于BP神经网络，构建所述第一开度预测子模型；

采用所述训练数据集对所述第一开度预测子模型进行监督训练，直到训练至收敛；

采用所述验证数据集和测试数据集对训练至收敛的所述第一开度预测子模型进行验证和测试，获得所述第一开度预测子模型。

进一步地，所述开度预测模块17还用于实现以下功能：

将所述多个归一化测井数据集合分别输入所述N个开度预测子模型中，分别获得多个开度预测结果集合，其中，每个开度预测结果集合内均包括N个子开度预测结果；

分别计算获得所述多个开度预测结果集合的均值，获得多个开度预测结果，作为所述裂缝型储层开度预测结果。

本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (8)

1.一种基于石油天然气探测的裂缝型储层预测识别方法，其特征在于，所述方法包括：

确定待探测区域；

对所述待探测区域进行多次的多个数据类型的测井数据采集，获得多个测井数据集合，其中，所述多个数据类型包括自然电位、中子孔隙度、自然伽马、深侧向电阻率、浅侧向电阻率、体积密度、声波时差和密度校正值；

对所述多个测井数据集合内的数据进行异常数据识别，获得异常测井数据集合；

将所述异常测井数据集合从所述多个测井数据集合内筛除，获得多个预处理测井数据集合；

对所述多个预处理测井数据集合内所述多个数据类型的数据进行归一化处理，获得多个归一化测井数据集合；

构建裂缝型储层开度预测模型；

将所述多个归一化测井数据集合输入所述裂缝型储层开度预测模型，获得裂缝型储层开度预测结果；

其中，所述构建裂缝型储层开度预测模型，包括：

根据所述待探测区域，采集获取多个样本测井数据集合；

采集获取多个样本裂缝型储层开度数据；

对所述多个样本测井数据集合进行归一化处理，获得多个归一化样本测井数据集合；

有放回地在所述多个归一化样本测井数据集合和所述多个样本裂缝型储层开度数据内随机选择M个归一化样本测井数据集合和样本裂缝型储层开度数据，作为第一构建数据集，构建第一开度预测子模型；

再次有放回地在所述多个归一化样本测井数据集合和所述多个样本裂缝型储层开度数据内随机选择M个归一化样本测井数据集合和样本裂缝型储层开度数据，作为第二构建数据集，构建第二开度预测子模型；

继续构建N个开度预测子模型；

合并所述N个开度预测子模型，获得所述裂缝型储层开度预测模型。

2.根据权利要求1所述的方法，其特征在于，对所述待探测区域进行多次的多个数据类型的测井数据采集，包括：

在所述待探测区域中，进行多个区域的多次探井测井；

在所述多次探井测井中，采集获取多个自然电位数据、中子孔隙度数据、自然伽马数据、深侧向电阻率数据、浅侧向电阻率数据、体积密度数据、声波时差数据和密度校正值数据；

根据所述多个自然电位数据、中子孔隙度数据、自然伽马数据、深侧向电阻率数据、浅侧向电阻率数据、体积密度数据、声波时差数据和密度校正值数据，获得所述多个测井数据集合。

3.根据权利要求2所述的方法，其特征在于，对所述多个测井数据集合内的数据进行异常数据识别，包括：

分别构建自然电位孤立树模型、中子孔隙度孤立树模型、深侧向电阻率孤立树模型、浅侧向电阻率孤立树模型、体积密度孤立树模型、声波时差孤立树模型和密度校正值孤立树模型；

合并所述自然电位孤立树模型、中子孔隙度孤立树模型、深侧向电阻率孤立树模型、浅侧向电阻率孤立树模型、体积密度孤立树模型、声波时差孤立树模型和密度校正值孤立树模型，获得异常数据识别模型；

按照所述多个数据类型将所述多个测井数据集合内的数据进行划分，获得自然电位数据集合、中子孔隙度数据集合、自然伽马数据集合、深侧向电阻率数据集合、浅侧向电阻率数据集合、体积密度数据集合、声波时差数据集合和密度校正值数据集合；

将所述自然电位数据集合、中子孔隙度数据集合、自然伽马数据集合、深侧向电阻率数据集合、浅侧向电阻率数据集合、体积密度数据集合、声波时差数据集合和密度校正值数据集合输入所述异常数据识别模型，获得多个异常数据；

获取所述多个异常数据对应的测井数据集合，作为所述异常测井数据集合。

4.根据权利要求3所述的方法，其特征在于，所述构建自然电位孤立树模型，包括：

随机获取一自然电位数据，并作为第一划分阈值；

根据所述第一划分阈值，构建一级划分节点，其中，所述一级划分节点可对输入数据进行二分类划分；

再次随机获取一自然电位数据，并作为第二划分阈值；

根据所述第二划分阈值，构建二级划分节点，其中，所述二级划分节点可对所述一级划分节点的二分类结果进行二分类划分；

继续构建所述自然电位孤立树模型的多级分类节点，直到所述多级分类节点的级数达到预设阈值；

根据构建完成的所述多级分类节点，设置一异常输出节点，获得所述自然电位孤立树模型，其中，所述多级分类节点可对输入数据进行多次二分类划分，所述异常输出节点以下分类节点二分类获得的孤立自然电位数据为异常数据。

5.根据权利要求1所述的方法，其特征在于，对所述多个预处理测井数据集合内所述多个数据类型的数据进行归一化处理，包括：

分别对所述多个预处理测井数据集合内所述多个数据类型的数据进行计算映射至(0,1)区间内，具体通过下式计算：

其中，x_i为第i个预处理测井数据集合内的任意一个数据类型的数据，max_i为第i个预处理测井数据集合内的最大数据，min_i为第i个预处理测井数据集合内的最小数据；

根据计算映射获得的数据，获得所述多个归一化测井数据集合。

6.根据权利要求1所述的方法，其特征在于，所述构建第一开度预测子模型，包括：

对所述第一构建数据集内的M个归一化样本测井数据集合和样本裂缝型储层开度数据进行划分和数据标识，获得训练数据集、验证数据集和测试数据集；

基于BP神经网络，构建所述第一开度预测子模型；

采用所述训练数据集对所述第一开度预测子模型进行监督训练，直到训练至收敛；

采用所述验证数据集和测试数据集对训练至收敛的所述第一开度预测子模型进行验证和测试，获得所述第一开度预测子模型。

7.根据权利要求1所述的方法，其特征在于，将所述多个归一化测井数据集合输入所述裂缝型储层开度预测模型，获得裂缝型储层开度预测结果裂缝型储层开度预测结果，包括：

将所述多个归一化测井数据集合分别输入所述N个开度预测子模型中，分别获得多个开度预测结果集合，其中，每个开度预测结果集合内均包括N个子开度预测结果；

分别计算获得所述多个开度预测结果集合的均值，获得多个开度预测结果，作为所述裂缝型储层开度预测结果。

8.一种基于石油天然气探测的裂缝型储层预测识别系统，其特征在于，所述系统包括：

待探测区域确定模块，用于确定待探测区域；

测井数据采集模块，用于对所述待探测区域进行多次的多个数据类型的测井数据采集，获得多个测井数据集合，其中，所述多个数据类型包括自然电位、中子孔隙度、自然伽马、深侧向电阻率、浅侧向电阻率、体积密度、声波时差和密度校正值；

数据异常识别模块，用于对所述多个测井数据集合内的数据进行异常数据识别，获得异常测井数据集合；

异常数据筛除模块，用于将所述异常测井数据集合从所述多个测井数据集合内筛除，获得多个预处理测井数据集合；

归一化处理模块，用于对所述多个预处理测井数据集合内所述多个数据类型的数据进行归一化处理，获得多个归一化测井数据集合；

开度预测模型构建模块，用于构建裂缝型储层开度预测模型；

开度预测模块，用于将所述多个归一化测井数据集合输入所述裂缝型储层开度预测模型，获得裂缝型储层开度预测结果裂缝型储层开度预测结果；

其中，所述开度预测模型构建模块还用于实现以下功能：

根据所述待探测区域，采集获取多个样本测井数据集合；

采集获取多个样本裂缝型储层开度数据；

对所述多个样本测井数据集合进行归一化处理，获得多个归一化样本测井数据集合；

有放回地在所述多个归一化样本测井数据集合和所述多个样本裂缝型储层开度数据内随机选择M个归一化样本测井数据集合和样本裂缝型储层开度数据，作为第一构建数据集，构建第一开度预测子模型；

再次有放回地在所述多个归一化样本测井数据集合和所述多个样本裂缝型储层开度数据内随机选择M个归一化样本测井数据集合和样本裂缝型储层开度数据，作为第二构建数据集，构建第二开度预测子模型；

继续构建N个开度预测子模型；

合并所述N个开度预测子模型，获得所述裂缝型储层开度预测模型。

Images