CN115961952A - 一种油气藏内基于组合参数的储层流体综合判别方法 - Google Patents
一种油气藏内基于组合参数的储层流体综合判别方法 Download PDFInfo
- Publication number
- CN115961952A CN115961952A CN202310142730.4A CN202310142730A CN115961952A CN 115961952 A CN115961952 A CN 115961952A CN 202310142730 A CN202310142730 A CN 202310142730A CN 115961952 A CN115961952 A CN 115961952A
- Authority
- CN
- China
- Prior art keywords
- reservoir fluid
- data
- logging
- reservoir
- parameters
- 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
- 239000012530 fluid Substances 0.000 title claims abstract description 125
- 238000012850 discrimination method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 129
- 238000012360 testing method Methods 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000012706 support-vector machine Methods 0.000 claims abstract description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 20
- 238000012417 linear regression Methods 0.000 claims abstract description 8
- 230000000704 physical effect Effects 0.000 claims description 18
- 230000015572 biosynthetic process Effects 0.000 claims description 11
- 238000011160 research Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 230000009545 invasion Effects 0.000 claims description 8
- 239000011148 porous material Substances 0.000 claims description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 10
- 238000010606 normalization Methods 0.000 description 5
- 230000002349 favourable effect Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000219495 Betulaceae Species 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000008398 formation water Substances 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种油气藏内基于组合参数的储层流体综合判别方法，组合参数较单一的测井参数更能体现不同储层流体间的差异性，有助于降低储层流体性质参数间的信息互扰。通过多元线性回归和BP神经网络法准确解释的孔隙度、阿尔奇公式法解释的含水饱和度和相对应的测井数据对组合参数数据进行计算，采用组合参数判别法、支持向量机法和BP神经网络法对储层流体进行识别。将三种方法的识别结果与其测试结果进行对比，分别计算与测试结果相符的识别结果的比例，选择比例最大的方法作为相对应的单井最优的储层流体识别方法，并建立基于组合参数的储层流体综合判别模型，从而提高油气藏内储层流体识别的准确性。
Description
技术领域
本发明属于石油勘探开发中储层流体识别技术领域，尤其涉及一种基于组合参数的储层流体综合判别法。
背景技术
由于地质、钻井技术及工艺方面的种种原因，并非每次取心收获率都能到达100％，往往是不连续的。因此需要在放大测井曲线之后，通过对岩心数据和测井数据之间关系进行一一对应分析，使所用的取样岩心的深度与测井真实深度能够对应起来，接着参照测井曲线恢复岩心的原来位置，这项工作被称为“岩心归位”。针对油气藏而言，一般情况下纵向上产气层位都是较多的，在测井研究领域也没有特定和有效的流体判别方法。
发明内容
本发明提供了一种基于组合参数的储层流体综合判别方法，组合参数较单一的测井参数更能体现不同储层流体间的差异性，有助于降低储层流体性质参数间的信息互扰。通过多元线性回归和BP神经网络法准确解释的孔隙度、阿尔奇公式法解释的含水饱和度和相对应的测井数据对组合参数数据进行计算，采用组合参数判别法、支持向量机法和BP神经网络法对储层流体进行识别。将三种方法的识别结果与相应单井的测试结果进行对比，选择与测试结果最相符的方法作为单井最优的识别方法，并建立基于组合参数的储层流体综合判别模型，从而提高油气藏内储层流体识别的准确性。
为实现上述目标，本发明采用以下技术方案：
一种油气藏内基于组合参数的储层流体综合判别方法，包括以下步骤：
步骤一：针对研究工区内选取具备岩心资料、测井资料和测试资料的单井，并针对单井进行岩心归位，使得岩心资料、测井资料和测试资料具有地质条件下的匹配关系；
岩心归位结合了物性资料，使得岩心资料、测井资料、物性资料和测试资料在地层条件下具有很好的匹配关系。
步骤二：通过岩心归位后的单井综合柱状图，利用目标层位的物性资料提取深度相对应的测井曲线值；
测井参数主要包括自然伽马(GR)、声波时差(AC)、补偿中子(CNL)、补偿密度(DEN)、深侧向电阻率(RD)和浅侧向电阻率(RS)。
步骤三：通过提取的与物性资料深度相对应的测井曲线值，利用多元线性回归和BP神经网络对单井目的层位孔隙度进行解释，利用阿尔奇公式法对单井目的层位含水饱和度进行解释；
步骤四：通过由前得到的单井物性综合解释柱状图，利用目标层位的测试资料提取相应的测井曲线值、孔隙度测井解释值和含水饱和度测井解释值；
步骤五：通过提取的测井曲线值、孔隙度测井解释值和含水饱和度测井解释值，计算与储层流体关系密切的组合参数；
需要计算的与储层流体关系密切的组合参数主要为视孔道弯曲度指数(TS2)、电阻率侵入校正差比(X I)、视地层电阻率指数(Rwa)和含气饱和度指标(Sg)。
步骤六：根据测试资料的测试结果得到储层流体类型；
储层流体类型主要为气层、差气层、含气层和水层。
步骤七：利用组合参数交会图法对储层流体进行定性识别；
步骤八：利用组合参数多元判别法对储层流体进行识别；
步骤九：利用支持向量机法对储层流体进行识别；
步骤十：利用BP神经网络法对储层流体进行识别；
步骤七、八、九和十中所述的对储层流体进行识别的方法所利用的组合参数主要包括：自然伽马(GR)、声波时差(AC)、视孔道弯曲度指数(TS2)、电阻率侵入校正差比(X I)、视地层电阻率指数(Rwa)、孔隙度(Φ)和含气饱和度指标(Sg)。
步骤十一：在组合参数交会图法的基础上，对单井组合参数多元判别法、支持向量机法和BP神经网络法的储层流体识别结果进行对比分析，选择最优的储层流体识别方法；
步骤十二：建立基于组合参数的储层流体综合判别模型。
有益效果：
本发明为了解决单一的学科和测井方法下的储层流体识别方法的可靠性问题，提供了一种基于组合参数的储层流体综合判别方法，所述方法中使用的组合参数较于单一的测井参数更能体现不同储层流体间的差异性，有助于降低储层流体性质参数间的信息互扰。基于计算得到的组合参数，采用组合参数判别法、支持向量机法和BP神经网络法对储层流体进行综合识别，有助于提高油气藏内储层流体识别的准确性。不同的单井都会得到与其自身相适合的方法，而且也可以在与邻井进行对比后，选择最优的方法对未知测试结果的单井进行组合参数储层流体综合识别，为其今后的勘探开发提供指导。总而言之，本发明较于单一的测井储层流体识别具有更加准确的识别效果，能够提供给不同的单井以最优的储层流体识别方法，能够对未知测试结果的单井进行较为准确的储层流体识别。
图1是本发明所述的对单井物性进行测井解释得到的单井物性综合柱状图；
图2是本发明所述的单参数交会图法识别储层流体Ⅰ；
图3是本发明所述的单参数交会图法识别储层流体Ⅱ；
图4是本发明所述的单参数交会图法识别储层流体Ⅲ；
图5是本发明所述的单参数交会图法识别储层流体Ⅳ；
图6是本发明所述的组合参数交会图法识别储层流体Ⅰ；
图7是本发明所述的组合参数交会图法识别储层流体Ⅱ；
图8是本发明所述的组合参数交会图法识别储层流体Ⅲ；
图9是本发明所述的组合参数交会图法识别储层流体Ⅳ；
图10是本发明所述的组合参数多元判别法识别储层流体结果分区图；
图11是本发明所述的支持向量机法识别储层流体程序界面图；
图12是本发明所述的BP神经网络法识别储层流体的拓扑结构图；
图13是本发明所述的组合参数判别法、支持向量机法和BP神经网络法识别储层流体的解释结果综合柱状图；
图14是基于组合参数的储层流体综合判别模型；
图15是本发明流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明中的技术方案进行清楚、完整的描述，显然，所描述的实施例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作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。
地球物理测井是运用物理学的原理和方法，使用专门的仪器设备，沿钻井(钻孔)剖面测量岩石参数。测量得到的参数主要包括自然伽马、自然电位、声波时差、补偿密度、补偿中子及深浅双侧向电阻率等，利用这些数据可以采用多元线性回归法和BP神经网络法解释孔隙度和渗透率，采用阿尔奇公式法解释含水饱和度。基于测井参数的储层流体识别方法，在测井研究领域并不是很有效，单一的测井流体判别方法和单一学科的研究不能从本质上提高储层流体判别的可靠性。基于深度学习、地质资料和测井资料的多学科综合分析才是储层流体识别的关键，测井流体判别结果也是储层流体综合评价参考的重要因素之一。基于组合参数的储层流体综合判别法，在利用测井数据计算得到了与储层流体性质更相关的组合参数后，再利用组合参数多元判别法、支持向量机法和BP神经网络法综合判别储层流体，得出不同单井最适用的方法。
基于测井数据采用多元线性回归法和BP神经网络法解释孔隙度和渗透率，阿尔奇公式法解释含水饱和度；需要与相对应的物性资料进行对比，解释精度需要达到85％以上，才能确保之后的组合参数储层流体综合判别的结果能够符合实际的测试结果。
组合参数判别法识别储层流体的核心是利用提取的测井数据准确计算需求的组合参数，并利用组合参数交会图法选择出对储层流体具有一定分类能力的组合参数。在使用组合参数判别法过程中需要对所选取的样本数据进行一定的判断，对具有明显误差的样本要分析原因，根据具体原因和研究区实际地质条件选择是否删除具有明显误差的样本。
支持向量机法(Support Vector Machine)是建立在统计学理论的VC维理论和结构风险最小原理基础上的，能较好地解决小样本、非线性、高维数和局部极小点等实际问题，已成为机器学习界的研究热点之一，并成功地应用于分类、函数逼近和时间序列预测等方面。它利用输入空间的核函数取代了高维特征空间中的内积运算，解决了算法可能导致的“维数灾难”问题。因此，储层流体识别过程中大的工作量在输入空间就能完成，而不是在高维特征空间中完成。
BP(back propagation)神经网络是由人工建造的，以有向图为拓扑结构的动态系统，通过对连续或断续的输入作状态响应而进行信息处理。BP网络是一种神经网络学习算法，是由输入层、中间层、输出层组成的阶层型神经网络，中间层可扩展为多层。相邻层之间各神经元进行全连接，而每层各神经元之间无连接。BP神经网络属于有监督的学习网络，当网络接收到一对学习模式后，其神经元的激活值会从输入层经过各隐含层向输出层传播，输出层中各神经元的输出与输入模式的网络响应相对应。然后通过利用“反向传播误差算法”使得神经网络对输入模式响应的正确率不断得到提高。
组合参数判别分析是一种线性的预测方法，对组合参数数据的要求相对简单，只需要无缺值和负值就行。支持向量机和BP神经网络的预测方法对组合参数数据的要求相对较高，因此需要对所使用的组合参数进行标准化或者归一化处理，利用效用函数的处理方法对组合参数值进行标准化或归一化处理可以消除组合参数数据间数值大小相差悬殊和物理量单位的干扰。
一种油气藏内基于组合参数的储层流体综合判别方法，其综合判别方法是基于组合参数判别法、支持向量机和BP神经网络三者得出的储层流体识别结果，对每一种结果与相对应的单井的测试结果进行对比，与测试结果相符的解释结果所占比例大的方法就是最优方法；也是最终的符合对应单井的储层流体识别方法，不同的单井都有最适用的方法。针对未知测试结果的单井，在与邻井进行对比后，可以选择最优的方法进行组合参数储层流体综合识别，为其今后的勘探开发提供一定的指导意义。
根据图15所示，一种油气藏内基于组合参数的储层流体综合判别方法，包括以下步骤：
步骤一：针对研究工区内选取具备岩心资料、测井资料和测试资料的单井，并针对单井进行岩心归位，使得岩心资料、测井资料和测试资料具有地质条件下的匹配关系；
岩心归位结合了物性资料，使得岩心资料、测井资料、物性资料和测试资料在地层条件下具有很好的匹配关系。
步骤二：通过岩心归位后的单井综合柱状图，利用目标层位的物性资料提取深度相对应的测井曲线值；
测井参数主要包括自然伽马(GR)、声波时差(AC)、补偿中子(CNL)、补偿密度(DEN)、深侧向电阻率(RD)和浅侧向电阻率(RS)。
步骤三：通过提取的与物性资料深度相对应的测井曲线值，利用多元线性回归和BP神经网络对单井目的层位孔隙度进行解释，利用阿尔奇公式法对单井目的层位含水饱和度进行解释；
步骤四：通过由前得到的单井物性综合解释柱状图，利用目标层位的测试资料提取相应的测井曲线值、孔隙度测井解释值和含水饱和度测井解释值；
步骤五：通过提取的测井曲线值、孔隙度测井解释值和含水饱和度测井解释值，计算与储层流体关系密切的组合参数；
计算与储层流体关系密切的组合参数主要为视孔道弯曲度指数(TS2)、电阻率侵入校正差比(X I)、视地层电阻率指数(Rwa)和含气饱和度指标(Sg)等。
步骤六：根据测试资料的测试结果得到储层流体类型；
储层流体类型主要为气层、差气层、含气层和水层。
步骤七：利用组合参数交会图法对储层流体进行定性识别；
步骤八：利用组合参数多元判别法对储层流体进行识别；
步骤九：利用支持向量机法对储层流体进行识别；
步骤十：利用BP神经网络法对储层流体进行识别；
步骤七、八、九和十中所述的对储层流体进行识别的方法所利用的组合参数主要包括：自然伽马(GR)、声波时差(AC)、视孔道弯曲度指数(TS2)、电阻率侵入校正差比(X I)、视地层电阻率指数(Rwa)、孔隙度(Φ)和含气饱和度指标(Sg)。
步骤十一：在组合参数交会图法的基础上，对组合参数多元判别法、支持向量机法和BP神经网络法进行综合分析，选择最优的储层流体识别方法。
基于组合参数的储层流体识别综合判别方法的优势主要体现为将多种方法的识别结果与其测试结果进行对比，分别计算与测试结果相符的识别结果的比例，选择比例最大的方法作为最优的储层流体识别方法。
步骤十二：建立基于组合参数的储层流体综合判别模型。
实施例1
对东坡地区中江沙溪庙组的资料进行收集整理，选取具备岩心资料、测井资料和测试资料的单井作为储层流体识别的样本井，并进行基于组合参数的储层流体综合判别。按照以下步骤操作：
步骤1：针对单井进行岩心归位，使得岩心资料、测井资料和测试资料具有地质条件下的匹配关系；
步骤2：提取与物性资料深度相对应的自然伽马(GR)、声波时差(AC)、补偿中子(CNL)、补偿密度(DEN)、深侧向电阻率(RD)和浅侧向电阻率(RS)等测井曲线值；
步骤3：对提取的6个测井曲线值进行归一化处理，数据归一化方法如下：
①值越大越有利的测井参数采用下式进行标准化：
②值越小越有利的储层参数采用下式进行标准化：
式中xi为某一属性中i处数据值，xmin和xmax分别为某一属性中所有数据的最小值和最大值，经过归一化处理后，计算出的结果值都是越大越有利，并且原始数据都转化在[0，1]之间变化。
步骤4：利用多元线性回归和BP神经网络对单井目的层位孔隙度进行解释，利用阿尔奇公式法对单井目的层位含水饱和度进行解释；
步骤5：利用目标层位的测试资料提取相应的测井曲线值、孔隙度测井解释值和含水饱和度测井解释值，如表1所示；
步骤6：计算与储层流体关系密切的组合参数，需要计算的组合参数主要有：视孔道弯曲度指数(TS2)、电阻率侵入校正差比(XI)、视地层电阻率指数(Rwa)和含气饱和度指标(Sg)；计算公式分别如下：
TS2＝0.5(l og POR(1－VSH)+l og RT+l og RW)，式中POR为步骤3中解释的孔隙度；VSH为步骤2所提取的泥质含量；RT为地层电阻率，可以用步骤2所提取的深侧向电阻率值代替；RW为查阅文献所得地层水电阻率；
XI＝(RD-RS)/RD，式中RD为步骤2所提取的深侧向电阻率值；RS为步骤2所提取的浅侧向电阻率值；
Rwa＝Rt·φm，式中RT为地层电阻率，可以用步骤2所提取的深侧向电阻率值代替；φ为步骤3中解释的孔隙度；m为研究区的地层胶结指数；
Sg＝1－Sw(Sw为步骤3中阿尔奇公式法解释的含水饱和度)。
步骤7：利用步骤3中的归一化方程对组合参数数据进行处理，组合参数数据包括：自然伽马(GR)、声波时差(AC)、视孔道弯曲度指数(TS2)、电阻率侵入校正差比(XI)、视地层电阻率指数(Rwa)、孔隙度(φ)和含气饱和度指标(Sg)，如表2所示；
步骤8：根据测试资料的测试结果得到储层流体类型，储层流体类型主要为气层、差气层、含气层和水层，在储层流体识别过程中用数字1-4表示；
步骤9：将每一层归一化的组合参数数据与储层流体类型组合在一起构成数据集；
步骤10：利用单参数交会图法对储层流体进行定性识别；识别效果如图2-5；
步骤11：利用组合参数交会图法对储层流体进行定性识别；识别效果如图6－图9；
步骤12：利用组合参数多元判别法对储层流体进行识别，得到储层流体结果分区图，如图10所示；
步骤13：利用支持向量机法对储层流体进行识别，支持向量机法识别储层流体的程序界面如图11所示；
步骤14：根据图12所示，在BP神经网络扑结构图的基础上，利用BP神经网络法对储层流体进行识别；
步骤15：在组合参数交会图法的基础上，对组合参数多元判别法、支持向量机法和BP神经网络法进行综合分析，得到单井储层流体的解释结果综合柱状图，如图13所示，并选择最优的储层流体识别方法；
步骤16：建立基于组合参数的储层流体综合判别模型，如图14所示。
表1为用于计算组合参数的部分数据
表2为用于进行储层流体识别的组合参数归一化数据
如图2-图9所示，单参数交会图法和组合参数交会图法所做的储层流体识别交会图，均不能对研究区的储层流体进行有效的识别，识别效果较差。组合参数交会图法较单参数交会图法的识别效果相对较好。然而针对储层流体识别样本，组合参数多元判别法的识别效果为87.9％，如表3所示；支持向量机法的识别效果为68.9％，如表4所示；BP神经网络法的识别效果为86.2％，如表5所示；只有支持向量机的识别效果较差。具体到针对单井的综合识别效果，需要将组合参数判别法、支持向量机法和BP神经网络法得到的储层流体识别结果和测试结果进行对比，与测试结果相符的解释结果所占比例大的方法为最优方法，23口单井的综合判别结果如表6所示，其新井储层流体识别符合率达91.3％。
表3组合参数判别法识别储层流体结果
表4支持向量机法识别储层流体结果
表5BP神经网络法识别储层流体结果
表6基于组合参数的储层流体综合判别方法的对比结果
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (1)
1.一种油气藏内基于组合参数的储层流体综合判别方法，其特征在于，包括以下步骤：
步骤一：针对研究工区内选取具备岩心资料、测井资料和测试资料的单井，并针对单井进行岩心归位，使得岩心资料、测井资料和测试资料具有地质条件下的匹配关系；
岩心归位结合了物性资料，使得岩心资料、测井资料、物性资料和测试资料在地层条件下具有很好的匹配关系；
步骤二：通过岩心归位后的单井综合柱状图，利用目标层位的物性资料提取深度相对应的测井曲线值；
测井参数主要包括自然伽马、声波时差、补偿中子、补偿密度、深侧向电阻率和浅侧向电阻率；
步骤三：通过提取的与物性资料深度相对应的测井曲线值，利用多元线性回归和BP神经网络对单井目的层位孔隙度进行解释，利用阿尔奇公式法对单井目的层位含水饱和度进行解释；
步骤四：通过由前得到的单井物性综合解释柱状图，利用目标层位的测试资料提取相应的测井曲线值、孔隙度测井解释值和含水饱和度测井解释值；
步骤五：通过提取的测井曲线值、孔隙度测井解释值和含水饱和度测井解释值，计算与储层流体关系密切的组合参数；
需要计算的与储层流体关系密切的组合参数主要为视孔道弯曲度指数、电阻率侵入校正差比、视地层电阻率指数和含气饱和度指标；
步骤六：根据测试资料的测试结果得到储层流体类型；
储层流体类型主要为气层、差气层、含气层和水层；
步骤七：利用组合参数交会图法对储层流体进行定性识别；
步骤八：利用组合参数多元判别法对储层流体进行识别；
步骤九：利用支持向量机法对储层流体进行识别；
步骤十：利用BP神经网络法对储层流体进行识别；
步骤七、八、九和十中所述的对储层流体进行识别的方法所利用的组合参数主要包括：自然伽马、声波时差、视孔道弯曲度指数、电阻率侵入校正差比、视地层电阻率指数、孔隙度和含气饱和度指标；
步骤十一：在组合参数交会图法的基础上，对单井组合参数多元判别法、支持向量机法和BP神经网络法的储层流体识别结果进行对比分析，选择最优的储层流体识别方法；
基于组合参数的储层流体识别综合判别方法的优势主要体现为将三种方法的识别结果与其测试结果进行对比，分别计算与测试结果相符的识别结果的比例，选择比例最大的方法作为相对应的单井最优的储层流体识别方法；
步骤十二：建立基于组合参数的储层流体综合判别模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310142730.4A CN115961952A (zh) | 2023-02-21 | 2023-02-21 | 一种油气藏内基于组合参数的储层流体综合判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310142730.4A CN115961952A (zh) | 2023-02-21 | 2023-02-21 | 一种油气藏内基于组合参数的储层流体综合判别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115961952A true CN115961952A (zh) | 2023-04-14 |
Family
ID=87353238
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310142730.4A Pending CN115961952A (zh) | 2023-02-21 | 2023-02-21 | 一种油气藏内基于组合参数的储层流体综合判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115961952A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103132993A (zh) * | 2013-03-26 | 2013-06-05 | 西北大学 | 一种逐步识别低渗复杂岩性油藏中的油层和水层的方法 |
| CN106570524A (zh) * | 2016-10-25 | 2017-04-19 | 中国石油天然气股份有限公司 | 一种储层流体类型的识别方法及装置 |
| US20180003691A1 (en) * | 2016-07-01 | 2018-01-04 | A. Lucie N'Guessan | Methods for Identifying Hydrocarbon Reservoirs |
| CN108596251A (zh) * | 2018-04-25 | 2018-09-28 | 中国地质大学（北京） | 一种基于委员会机器利用测井数据进行储层流体识别方法 |
| CN111720114A (zh) * | 2019-03-22 | 2020-09-29 | 中海油能源发展股份有限公司 | 一种砂岩油气层的测井饱和度计算方法 |
-
2023
- 2023-02-21 CN CN202310142730.4A patent/CN115961952A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103132993A (zh) * | 2013-03-26 | 2013-06-05 | 西北大学 | 一种逐步识别低渗复杂岩性油藏中的油层和水层的方法 |
| US20180003691A1 (en) * | 2016-07-01 | 2018-01-04 | A. Lucie N'Guessan | Methods for Identifying Hydrocarbon Reservoirs |
| CN106570524A (zh) * | 2016-10-25 | 2017-04-19 | 中国石油天然气股份有限公司 | 一种储层流体类型的识别方法及装置 |
| CN108596251A (zh) * | 2018-04-25 | 2018-09-28 | 中国地质大学（北京） | 一种基于委员会机器利用测井数据进行储层流体识别方法 |
| CN111720114A (zh) * | 2019-03-22 | 2020-09-29 | 中海油能源发展股份有限公司 | 一种砂岩油气层的测井饱和度计算方法 |
Non-Patent Citations (4)
| Title |
|---|
| 张智谋等: "组合参数法在低阻油层测井识别中的应用", 中国西部科技, vol. 11, no. 12, 31 December 2012 (2012-12-31), pages 16 - 17 * |
| 朱丽萍等: "基于模型驱动数据挖掘的低阻油层识别方法", 大庆石油学院学报, vol. 34, no. 4, 31 August 2010 (2010-08-31), pages 30 - 34 * |
| 范姗姗: "杭锦旗区块上古生界储层测井评价方法研究", 中国优秀硕士学位论文全文数据库（工程科技Ⅰ辑）, 15 March 2014 (2014-03-15), pages 34 * |
| 陈俊等: "中江气田侏罗系致密砂岩气藏测井流体识别及定量评价", 天然气工业, vol. 39, 15 June 2019 (2019-06-15), pages 136 - 141 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Luo et al. | Production optimization using machine learning in Bakken shale | |
| CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
| CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
| US4937747A (en) | Iterative disjoint cluster and discriminant function processing of formation log responses and other data | |
| CN111783825A (zh) | 一种基于卷积神经网络学习的测井岩性识别方法 | |
| Luo et al. | Production-strategy insights using machine learning: application for Bakken shale | |
| CN110619353B (zh) | 一种基于深度学习的多尺度测井曲线自动识别方法 | |
| CN112213797A (zh) | 一种利用测井相联合叠后地震属性预测储层产能的方法 | |
| CN105572747B (zh) | 一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法 | |
| CN112576238B (zh) | 一种低渗透油藏剩余油位置与含量测定系统、方法及应用 | |
| CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
| CN117272841B (zh) | 一种基于混合神经网络的页岩气甜点预测方法 | |
| Yu et al. | Combining K‐Means Clustering and Random Forest to Evaluate the Gas Content of Coalbed Bed Methane Reservoirs | |
| Alameedy et al. | Evaluating machine learning techniques for carbonate formation permeability prediction using well log data | |
| CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
| Akinyokun et al. | Well log interpretation model for the determination of lithology and fluid | |
| Feng et al. | Interpretable Lost Circulation Analysis: Labeled, Identified, and Analyzed Lost Circulation in Drilling Operations | |
| Mohebian et al. | Permeability estimation using an integration of multi-resolution graph-based clustering and rock typing methods in an Iranian Carbonate Reservoir | |
| Yanran et al. | Mathematical modeling for total organic carbon content prediction with logging parameters by neural networks: A case study of shale gas well in South China | |
| CN117251802A (zh) | 一种基于迁移学习的非均质储层参数预测方法及系统 | |
| Carrasquilla et al. | Using facies, data mining and artificial intelligence concepts in the evaluation of a carbonate reservoir in Campos basin, Southeastern Brazil | |
| CN116484236A (zh) | 一种非常规储层压裂水平井非均质性差异化评价方法 | |
| CN115961952A (zh) | 一种油气藏内基于组合参数的储层流体综合判别方法 | |
| CN111594156B (zh) | 一种天然气水合物饱和度计算方法及系统 | |
| CN114755744A (zh) | 基于泥页岩非均质性特征的总有机碳测井解释方法及系统 |
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 |