CN115788419B

CN115788419B - 一种复杂超压成因地层孔隙压力预测方法

Info

Publication number: CN115788419B
Application number: CN202211476288.0A
Authority: CN
Inventors: 刘向君; 侯连浪; 梁利喜; 熊健; 石新; 曹雯; 丁乙
Original assignee: Southwest Petroleum University
Current assignee: Southwest Petroleum University
Priority date: 2022-11-23
Filing date: 2022-11-23
Publication date: 2023-07-14
Anticipated expiration: 2042-11-23
Also published as: CN115788419A

Abstract

本发明公开了一种复杂超压成因地层孔隙压力预测方法，包括以下步骤：S1、明确目标地层的超压机理是否属于卸荷成因；S2、如果是基于地层超压机理成因为卸荷时建立三种压力预测模型；S3、确定三种压力预测模型的预测输入参数值并进行训练；S4、对比分析三种压力预测模型的表现确定最优压力预测模型；S5、使用最优预测模型进行地层孔隙压力预测，解决现有技术中没有将地层孔隙和裂隙结构复杂度，作为输入参数以表达孔隙裂隙发育对声波特征参数的影响，针对孔隙压力预测可能出现数据量不大的情况，提出了多尺度扰动训练方式，解决了常规训练方式得到的模型的鲁棒性与稳健性不高的技术问题。

Description

一种复杂超压成因地层孔隙压力预测方法

技术领域

本发明属于盐岩油气资源勘探开发领域，具体涉及一种复杂超压成因地层孔隙压力预测方法。

背景技术

地层孔隙压力的准确预测对地层油气资源储量评估，钻井安全等具有重要的指导意义。长期以来，以等效深度法及伊顿法为代表的基于等效压实理论的方法在众多地层取得了很好的预测效果。不同超压成因地层其适用的地层孔隙压力预测方法不同。对于碳酸盐岩地层而言，其超压成因机制复杂，往往不属于非均衡压实成因，而原油裂解、构造作用、热化学硫酸盐还原作用等是碳酸盐岩地层超压的重要影响因素。因此，基于等效压实理论的相关预测方法不再适用于碳酸盐岩地层。有效应力在碳酸盐岩地层受到众多因素影响，难以开展实际预测工作。为此，近些年快速发展的机器学习方法在碳酸盐岩地层孔隙压力预测研究中取得了较好的应用效果，但模型的鲁棒性及稳健性未得到充分保障。声波特征参数是开展地层孔隙压力预测的不可或缺的参数，但声波特征参数不仅受孔隙压力影响，也受地层复杂结构影响，如孔隙、裂隙。现有的基于机器学习的碳酸盐岩地层孔隙压力预测方法未充分考虑孔隙、裂隙结构复杂对预测结果的影响。为此，本发明提供了一种新的碳酸盐岩地层孔隙压力预测方法，该方法使用AC曲线分形维数来表征碳酸盐岩地层孔隙、裂隙结构复杂度，并将其作为输入参数以表达孔隙裂隙发育对声波特征参数的影响，且该方法基于多尺度扰动训练提高了模型的鲁棒性与稳健性。

发明内容

本发明的目的在于提供一种复杂超压成因地层孔隙压力预测方法，解决上述现有技术中没有将地层孔隙和裂隙结构复杂度，作为输入参数以表达孔隙裂隙发育对声波特征参数的影响，从而使预测模型的鲁棒性与稳健性不高的技术问题。

本发明解决其技术问题所采用的技术方案是：

一种复杂超压成因地层孔隙压力预测方法，包括以下步骤：

S1、明确目标地层的超压机理是否属于卸荷成因；

S2、如果是基于地层超压机理成因为卸荷时建立三种压力预测模型；

S3、确定三种压力预测模型的预测输入参数值并进行训练；

S4、对比分析三种压力预测模型的表现确定最优压力预测模型；

S5、使用最优预测模型进行地层孔隙压力预测。

本发明的一种复杂超压成因地层孔隙压力预测方法，所述步骤s1分析内容包括：综合纵向与

横向上传播属性参数与体属性参数的变化趋势，以及分析原油裂解、构造作用、热化学硫酸盐还原作用对地层超压的影响。

本发明的一种复杂超压成因地层孔隙压力预测方法，所述步骤s2中的三种压力预测模型，其

中第一种压力预测模型只包含常规测井参数，并基于常规训练方式；第二种压力预测模型包含常规测井参数和地层结构复杂度FC，并基于常规训练方式；第三种压力预测模型包含常规测井参数和地层结构复杂度FC，并基于多尺度扰动训练方式。

本发明的一种复杂超压成因地层孔隙压力预测方法，所述常规测井参数为：AC、DEN、GR、CNL、Rs、Rt和TVD。

本发明的一种复杂超压成因地层孔隙压力预测方法，所述地层结构复杂度FC数值上与AC曲

线分形维数FD相等。

本发明的一种复杂超压成因地层孔隙压力预测方法，所述步骤s2中的三种压力预测模型均为

神经网络预测模型。

本发明的一种复杂超压成因地层孔隙压力预测方法，所述神经网络预测模型为4层神经网络，第一隐含层神经元数目26，第二隐含层神经元数目20，输出层神经元数目为1。

本发明产生的有益效果是：提出一种复杂超压成因地层孔隙压力预测方法，基于地层超压机理来优选；通过引入AC曲线分形维数表征碳酸盐岩地层结构复杂度，并将其作为输入参数以表征碳酸盐岩复杂结构对使用声波参数预测地层孔隙压力的影响；基于多尺度扰动训练所建立的神经网络模型建立了碳酸盐岩地层孔隙压力预测模型，提高了模型的鲁棒性与稳健性。

附图说明

图1MX9井测井剖面图；

图2a声波时差-垂直有效应力图；

图2b补偿密度-垂直有效应力；

图2c电阻率-垂直有效应力；

图2d传播属性参数-体属性参数；

图3不同超压成因条件下应力与测井曲线；

图4a AC曲线分形维数与碳酸盐岩缝洞发育密度的关系(缝洞密度小于100条/m)；

图4b AC曲线分形维数与碳酸盐岩缝洞发育密度的关系(缝洞密度大于100条/m)；

图5a测井参数与地层压力的关系图(GR)；

图5b测井参数与地层压力的关系图(AC)；

图5c测井参数与地层压力的关系图(Rt)；

图5d测井参数与地层压力的关系图(Rs)；

图5e测井参数与地层压力的关系图(CNL)；

图5f测井参数与地层压力的关系图(DEN)；

图6测井双参数与地层压力相关性示意图；

图7a测井参数与地层压力参数两两相关性定量分析(Spearman相关系数)；

图7b测井参数与地层压力参数两两相关性定量分析(Pearson相关系数)；

图8不同模型在测试集上的预测结果与相对误差；

图9本申请复杂超压成因地层孔隙压力预测方法技术路线；

图10a是常规训练方式的误差曲线；

图10b多尺度扰动训练的误差曲线。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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的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。

如图9所示为所建立方法的技术路线，首先开展碳酸盐岩地层超压机理分析，基于超压机理认识选择合适的孔隙压力预测方法。开展碳酸盐岩孔隙裂隙结构复杂度表征研究，研究结果表明AC曲线分形维数FD可表征碳酸盐岩孔隙裂隙结构复杂度，将FD作为输入参数开展孔隙压力预测研究。在搭建不同网络结构的基础上，分别开展常规训练与多尺度扰动训练，通过综合对比多个模型的综合表现来优选最终的预测模型，实现碳酸盐岩地层孔隙压力预测。

预测步骤简述：

第一步：明确目标地层超压机理

(1)综合纵向与横向上传播属性参数与体属性参数的变化趋势判断目标地层超压机理是否属于非均匀压实成因；

(2)分析原油裂解、构造作用、热化学硫酸盐还原作用等对地层超压的影响，判断目标地层超压是否属于卸荷成因。

第二步：基于超压机理认识选择预测方法

(1)若碳酸盐岩地层超压机理为非均匀压实成因，则可优先选择基于等效压实理论的等效深度法与伊顿法；

(2)若目标地层结构较为简单，直接影响声波特征参数的因素较少，可优先选择有效应力法；

(3)若目标地层超压成因主要为卸荷，则优先选择基于机器学习的孔隙压力预测方法。

第三步：碳酸盐岩地层结构复杂度表征

通过分析井下岩样孔隙、裂隙发育密度与AC曲线分形维数FD之间的关系，表明可用FD表征碳酸盐岩地层结构复杂度FC，即，FC＝FD,可将FC作为孔隙压力预测输入参数以体现地层复杂结构对使用声波特征参数预测地层孔隙压力的影响。

第四步：搭建不同网络层数、不同隐含层网络神经元数量的网络模型，基于多尺度扰动训练构建预测模型。

(1)将输入参数分为两组，第一组只包含常规测井参数，第二组，包含常规测井参数与AC曲线分形维数。

(2)针对两组输入参数分别采用试错法逐步优选网络结构与常规训练参数，所建立模型分别记为模型A与模型B；

(3)针对第二组输入参数，采用多尺度扰动训练方式构建预测模型，记为模型C；

多尺度扰动训练的具体方式为：

考虑到对于函数而言，在自变量x的一个小邻域范围内施加小的扰动不会导致因变量出现较大变化，在训练过程中，同时对一组输入数据施加不同大小的扰动。

假定单次训练输入数据为x_i(i＝1,2,…,N)，设定最大扰动为d_max,则单个输入样本的扰动为：

因此，训练过程中，误差函数为：

其中，y_i为一直样本数据的孔隙压力值，f(x_i)为模型未考虑扰动时计算得到的孔隙压力值，f(x_i+d_i)为模型考虑不同尺度扰动时计算得到的孔隙压力值，N为单次训练输入模型的样本数量，Error为训练过程中模型总的误差。

(4)对比分析模型A、B、C的综合表现，优选最终的预测模型。

结合实例进行说明：

第一步：明确目标地层超压机理

四川盆地超压主要发育在碎屑岩地层和部分碳酸盐岩地层中，认识超压成因是孔隙压力预测的重要组成部分。图1所示为MX9井测井剖面图，由图1可知，体属性参数体积密度曲线在浅部随着深度增大而逐渐增大，在2986-3100m范围内发生翻转，在3100-5500m范围内仅存在小幅度变化。传播属性参数声波时差曲线在浅部随着深度增大而逐渐减小，在3160-3980m范围内先发生反转而后恢复到随深度增大而降低，3980-5500m范围内整体上随着深度增大而减小，但变化速率较浅部低，并在局部发生剧烈抖动。传播属性深浅侧向电阻率测井曲线在浅部随着深度增大而逐渐增大，在3160-3980m范围内先发生反转而后恢复到随深度增大而增大，3980-5500m范围内整体上随着深度增大而增大，且变化速率较浅部大，仅在局部发生剧烈抖动。基于单井资料从纵向上分析可知，传播属性参数声波时差与电阻率变化保持一致，与体属性参数不一致。

为了从横向上分析超压碳酸盐岩地层体属性及传播属性测井参数的变化规律，分析了如图2a-2d体属性测井参数及传播属性测井参数与垂直有效应力之间的关系(图中,σc为垂直有效应力)，为研究区40余口井超压地层体属性及传播属性测井参数与垂直有效应力之间的关系，由图2a、图2b、2c及图2d可知，碳酸盐岩超压层段声波时差、电阻率及补偿密度与垂直应力无显著相关关系，整体上声波时差随着有效应力的变化仅发生较小幅度的变化，密度对有效应力的变化不敏感。Bowers认为不均衡压实引起的超压位于加载曲线上，而流体膨胀造成的超压则位于卸载曲线上，并提出了鉴别卸载的2个关键指标：①与有效应力的较大变化相比，沉积物的速度变化相对较小；②沉积物的密度对卸载不敏感。

因此，综合纵向及横向上的超压碳酸盐岩地层传播属性集体属性测井参数及其与垂直有效应力之间的关系，排除了研究区碳酸盐岩地层超压主要成因为不均衡压实的可能，卸载是研究区超压的重要成因。通过综合测井、地化分析表明原油裂解、构造作用、热化学硫酸盐还原作用等是研究区碳酸盐岩地层超压重要因素

第二步：基于超压机理认识选择预测方法

如图3所示为不同超压成因条件下应力与测井曲线。在正常压实段，孔隙流体能够随着压实作用而逐渐排除，孔隙压力与上覆压力增大速度不同导致有效应力随深度增大而不断增大，无论是体属性参数密度曲线还是传播属性参数电阻率及声波速度曲线均按照特定规律逐渐增大。过渡带，孔隙压力及测井曲线同步发生反转。

不均衡压实段，孔隙流体难以排出，孔隙压力快速增大进而导致有效应力随着上覆压力增大而保持不变，这是等效压实趋势线类孔隙压力预测方法能正常使用的依据，即井下实际深度点A与其等效深度点B1、B2、B3具有相同的有效应力。因流体膨胀等其他因素导致的地层超压段，流体难以排出，叠加流体体积增大等因素，导致孔隙压力快速增大，有效应力快速降低，不满足使用等效压实类的孔隙压力预测方法的前提条件，如等效深度法将不再适用。另外，不同超压因素条件下，传播属性参数(如声波速度)与体属性参数(如密度)随着有效有效应力变化而变化的规律差异较大，且多种因素存在的情况下有效应力与测井参数的规律将更为复杂，难以基于测井参数建立有效应力评价模型，且有效应力理论关键参数Biot孔弹性系数受个因素影响，如岩性、孔裂隙发育情况、压力差，因此，对于复杂超压成因地层，有效应力法往往难以胜任。

第三步：碳酸盐岩地层结构复杂度表征分析

无论是测井还是地震，声波都是开展孔隙压力预测的重要参数，孔洞及裂隙对碳酸盐岩声波传播特征具有明显的影响。地层孔隙压力对声波传播特征具有显著的影响，孔隙及裂隙对声波传播特征同样具有显著的影响，因此，当声波作为重要参数用于开展孔隙压力预测研究室有必要考虑孔隙及裂缝对声波的影响。声波曲线的数值大小是常用的参数，但是其形态变化也能反映地层岩石的性质的变化。计算AC曲线分形维数，分析岩心尺度上孔洞及裂隙总的发育数量与AC曲线盒维数的关系。由图4a和图4b可知，在岩心尺度上，当孔隙与裂缝的总发育密度低于100/m时，AC曲线分形维数随着孔缝密度和增大而增大，当孔缝密度大于100时，AC曲线分形维数随着孔缝密度增大而减小，当孔隙与裂缝的总发育密度低于100/m时，碳酸盐岩结构复杂度随孔缝密度增大而增大，当孔缝密度大于100/m时，发育碳酸盐岩对AC曲线来说是较为均匀的，且随着孔缝密度继续增大而变得更加均匀。因此，对于地层尺度，碳酸盐岩结构复杂度对孔洞及裂隙的发育同样存在临界值。因此，使用AC曲线分形维数FD表征碳酸盐岩地层结构复杂度FC，作为开展孔隙压力预测研究的参数以扣除孔缝发育对声波速度的影响，即FC＝FD。分别对图4a与图4b所示数据进行拟合，可建立碳酸盐岩孔隙、裂隙发育密度与其结构复杂度FC(数值上等于AC曲线分形维数FD)的转换模型：

第四步：神经网络模型搭建与训练

(1)确定输入参数

为了确定模型的输入参数，首先对搜集到的测井数据与地层压力的单因素相关性分析，以确定是否存在耽搁因素相关性非常好的参数。图5所示为6个测井参数与地层压力的关系图，从图5a-5f可知，6个参数均与地层压力无显著单相关性，无法直接基于单个参数的梳理统计开展地层压力预测分析。

图6所示为将测井参数两两组合观察其与地层压力的关系，将地层压力扩展到二维时所用插值方式为“liner”，由图6可知，本实施例中地层孔隙压力在浅部相对地层主要表现为超压特征，在相对较深地层主要表现为常压特征，AC-RS、RS-CNL、AC-CNL、RS-DEPTH、RT-DEPTH组合表现出了一定的规律，但仍无法仅基于两个参数评估地层压力大小。

为了最终确定模型输入参数，分析测井参数与地层压力共计8个参数两两之间的相关性，如图7a所示Spearman相关系数及图7b所示为Pearson相关系数关系图，由图7可知，地层压力PP与测井参数相关性较差，与地层埋深TVD相关性较强，但综合图7可知，地层压力与地层埋深的相关关系与正常情况下地层埋深越大其地层压力越大的规律相反，在同一地层内部地层压力与地层埋深相关性并不强，因此，地层埋深可作为输入，但应该严格控制其最最终预测结果的影响权重。Rt曲线与Rs曲线为显著相关，其余测井曲线之间线之间均为弱相关性或中等相关，综合图7分析，电性参数仅取Rs作为模型输入，再碳酸盐岩孔洞结构复杂度FC，最终模型的输入参数为：GR、AC、CNL、DEN、RS、TV、FC。

(2)网络结构与训练

在不同网络层数、不同隐含层神经元数目、不同训练参数条件下的对比分析模型性能。

对模型A与模型B，开展常规训练，对模型C，开展多尺度扰动训练。

多尺度扰动训练的具体方式为：

假定单次训练输入数据为x_i(i＝1,2,…,N)，设定最大扰动为d_max＝0.01,则单个输入样本的扰动为：

因此，训练过程中，误差函数为：

其中，y_i为一直样本数据的孔隙压力值，f(x_i)为模型未考虑扰动时计算得到的孔隙压力值，f(x_i+d_i)为模型考虑不同尺度扰动时计算得到的孔隙压力值，N为单次训练输入模型的样本数量，即表1中的batch_size，Error为训练过程中模型总的误差。

如图10a和图10b所示分别为常规训练方式及多尺度扰动训练方式下的训练误差曲线，由图10a可知，训练集误差曲线与验证集物产曲线在训练末尾阶段时差异逐渐变大，模型出现了过拟合现象。由图10b可知，所建立的多尺度扰动训练的训练集误差曲线与验证集物产曲线在训练末尾阶段时吻合程度很好，表明模型对输入数据具有恰当的拟合程度。

经过多次对比试验，确定了如表1所示网络结构参数与训练参数。

表1神经网络结构及训练参数

(3)地层结构复杂度FD及多尺度扰动训练对模型预测性能的影响

为了对比分析输入参数考虑碳酸盐岩地层结构复杂度表征参数FD对模型的贡献，本研究同时基于常规训练方式建立了输入参数不含参数FD的4层神经网络模型(输入参数6个，第一隐含层神经元数目26，第二隐含层神经元数目20，输出层神经元数目为1，记为模型A)。基于常规训练方式建立的输入参数包含碳酸盐岩地层结构复杂度表FC的神经网络模型，记为模型B。基于多尺度扰动训练方式建立的输入参数包含碳酸盐岩地层结构复杂度FC的神经网络模型，记为模型C。基于测试集数据评价了模型A、B、C的性能。由图8可知，模型A在的平均预测相对误差为11.56％，模型B的平均预测相对误差为9.01％，模型C的平均预测相对误差为7.74％，模型B相对模型A将预测平均相对误差降低了2.54％，模型C相对模型B将平均预测相对误差降低了1.28％，表明将碳酸盐岩地层结构复杂度FC加入输入参数有效提高了模型预测准确性，多尺度扰动训练能有效提高模型预测准确性。模型A在全部测试样本上的预测误差的最大最小值的差值为9.36％，模型B在全部测试样本上的预测误差最大最小值的差值为8.96％，模型C在全部测试样本上的预测误差最大最小值的差值为3.17％，表明模型C具有最佳的稳健性。在碳酸盐岩地层孔隙压力预测模型建立过程中，采取多尺度扰动训练的方式训练神经网络模型能有效提高模型的泛化性与稳健性。

其中，AC为声波时差曲线，DEN为密度曲线，GR为自然伽马曲线，CNL为中子曲线，Rs为浅侧向电阻率曲线，Rt为深侧向电阻离曲线，TVD为垂直深度，FC为碳酸盐岩孔洞结构复杂度。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims

1.一种复杂超压成因地层孔隙压力预测方法，其特征在于，包括以下步骤：

S1、明确目标地层的超压机理是否属于卸荷成因；

S2、如果地层超压机理成因为卸荷时建立三种压力预测模型；

S3、确定三种压力预测模型的预测输入参数值并进行训练；

S5、使用最优预测模型进行地层孔隙压力预测；

所述步骤s2中的三种压力预测模型，其中第一种压力预测模型只包含常规测井参数，并基于常规训练方式；第二种压力预测模型包含常规测井参数和地层结构复杂度FC，并基于常规训练方式；第三种压力预测模型包含常规测井参数和地层结构复杂度FC，并基于多尺度扰动训练方式；

所述地层结构复杂度FC数值上与AC曲线分形维数FD相等。

2.根据权利要求1所述的一种复杂超压成因地层孔隙压力预测方法，其特征在于，所述步骤s1分析内容包括：综合纵向与横向上传播属性参数与体属性参数的变化趋势，以及分析原油裂解、构造作用、热化学硫酸盐还原作用对地层超压的影响。

3.根据权利要求2所述的一种复杂超压成因地层孔隙压力预测方法，其特征在于，所述常规测井参数为：AC、DEN、GR、CNL、Rs、Rt和TVD。

4.根据权利要求2所述的一种复杂超压成因地层孔隙压力预测方法，其特征在于，所述步骤s2中的三种压力预测模型均为神经网络预测模型。

5.根据权利要求4所述的一种复杂超压成因地层孔隙压力预测方法，其特征在于，所述神经网络预测模型为4层神经网络，第一隐含层神经元数目26，第二隐含层神经元数目20，输出层神经元数目为1。