CN116307871B - 一种评价页岩微观储集空间有效性的方法 - Google Patents
一种评价页岩微观储集空间有效性的方法 Download PDFInfo
- Publication number
- CN116307871B CN116307871B CN202310205933.3A CN202310205933A CN116307871B CN 116307871 B CN116307871 B CN 116307871B CN 202310205933 A CN202310205933 A CN 202310205933A CN 116307871 B CN116307871 B CN 116307871B
- Authority
- CN
- China
- Prior art keywords
- evaluation
- feature
- static
- evaluated
- features
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000011156 evaluation Methods 0.000 claims abstract description 206
- 230000003068 static effect Effects 0.000 claims abstract description 138
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 239000011148 porous material Substances 0.000 claims description 69
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000013210 evaluation model Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000004215 Carbon black (E152) Substances 0.000 claims description 5
- 229930195733 hydrocarbon Natural products 0.000 claims description 5
- 150000002430 hydrocarbons Chemical class 0.000 claims description 5
- 230000035699 permeability Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 239000005416 organic matter Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- -1 roar Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Computer Graphics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Remote Sensing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种评价页岩微观储集空间有效性的方法,包括以下步骤:基于静态特征的特征数据空间序列利用复杂网络原理构建出表征静态特征间关联关系的静态特征关联网络,并对静态特征关联网络进行复杂网络的社团分析得到多个特征分类,以及在多个特征分类中提取出用于待评价区域的页岩微观储集空间有效性评价的评价特征。本发明将用于有效性评价的所有评价参量利用复杂网络技术进行参量关联网络的构建,而后对参量关联网络进行复杂网络领域的技术分析能够将各个评价参量进行纯数据领域的分类,从而从纯数据领域提取出评价地区的主评价要素,剔除人为选取主观性的干扰,由数据角度出发,科学化识别出主评价成分,客观性强。
Description
技术领域
本发明涉及地质评价技术领域,具体涉及一种评价页岩微观储集空间有效性的方法。
背景技术
观孔隙特征研究对认识页岩的含气性具有重要意义。对北美和我国南方海相龙马溪组页岩来讲,有机质微孔隙发育是其富集、高产的重要因素。除有机质孔隙外,无机孔隙(粒间孔、粒内孔、微裂缝等)也是重要的页岩气储集空间。除研究微观孔隙、微裂缝外,储层孔缝连通性与页岩气富集、产量和采收率关系密切。
页岩微观储集空间研究涵盖多个方面,比如孔渗、孔隙类型、孔隙结构参数及连通性。虽然表征页岩微观储集空间因素较多,但不同地区或层系主控因素有所差异。通过对某一地区或层系的地质条件分析,现有技术通过对不同影响因素逐级评价,求得每个因素对对应级别参数的影响重要程度,并逐级上推,对该地区或层系微观储集空间进行评价。该种评价技术在选取评价主要因素时,采用人为主观的选取方式,会造成主因素选取的主观随机性强,难以保证评价的客观性,即难以保证评价的准确性,同时对于评价过程中主因素的权重确定方式单一,评价场景适应性差,最终也会影响评价的准确性。
发明内容
本发明的目的在于提供一种评价页岩微观储集空间有效性的方法,以解决现有技术中选取评价主要因素和确定评价主要因素的权重时主观随机,场景适应性差,影响有效性评价的准确性的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种评价页岩微观储集空间有效性的方法,包括以下步骤:
步骤S1、对待评价区域进行网格化处理得到多个评价网格,并将多个评价网格的静态特征的特征数据依据空间排序得到静态特征的特征数据空间序列;
步骤S2、基于静态特征的特征数据空间序列利用复杂网络原理构建出表征静态特征间关联关系的静态特征关联网络,并对静态特征关联网络进行复杂网络的社团分析得到多个特征分类,以及在多个特征分类中提取出用于待评价区域的页岩微观储集空间有效性评价的评价特征;
步骤S3、将评价特征利用基于BP神经网络建立的特征权重确定模型得到所述评价特征的特征权重;
步骤S4、利用评价特征的特征权重对所述评价特征进行加权得到所述待评价区域的页岩微观储集空间有效性的评价值。
作为本发明的一种优选方案,所述对待评价区域进行网格化处理得到多个评价网格,包括
对待评价区域利用COMSOL软件进行网格划分得到多个评价网格;
其中,划分网格采用三角形网格;
在未开采区,最大划分单元为7.2m,最小划分单元为0.32m,最大单元增长率为1.15,曲率因子为0.3;
在已开采区,最大划分单元为4m,最小划分单元为0.015m,最大单元增长率为1.2,曲率因子为0.25。
作为本发明的一种优选方案,所述将多个评价网格的静态特征的特征数据依据空间排序得到静态特征的特征数据空间序列,包括:
依次在每个评价网格处测取各个静态特征的特征数据得到每个评价网格的各个静态特征的特征数据;
将每个静态特征的特征数据依据评价网格进行空间排序得到每个静态特征在待评价区域内的静态特征的特征数据空间序列,所述静态特征的特征数据空间序列的序列表达式为:{Sij|j∈[1,N]},Sij为第i个静态特征在第j个评价区域处的特征数据,N为评价区域的总数量,i,j为计数变量。
作为本发明的一种优选方案,所述静态特征包括储集性,孔隙类型,孔隙结构和连通性,孔隙度、渗透率、有机孔、无机孔、微裂缝发育程度、结构类型、孔容、孔径、比表面积、分形维数、孔隙、吼道,生烃演化孔、原生孔隙、粒间孔、粒内孔、边缘缝、内部缝、圆筒型、狭缝型、墨水瓶型、微孔、介孔、宏孔、孔隙连通、裂缝连通和孔缝连通。
作为本发明的一种优选方案,所述基于静态特征的特征数据空间序列利用复杂网络原理构建出表征静态特征间关联关系的静态特征关联网络,包括:
将各个静态特征作为复杂网络的各个节点;
依次计算任意两个静态特征的静态特征的特征数据空间序列的相似度作为两个静态特征间的关联度,将两个静态特征间的关联度与预设阈值进行比较,其中,
若两个静态特征间的关联度大于或等于预设阈值,在对应两个静态特征的两个复杂网络节点间设置连接边;
若两个静态特征间的关联度小于预设阈值,在对应两个静态特征的两个复杂网络节点间不设置连接边;
利用连接边对复杂网络的各个节点进行对应连接得到表征静态特征间关联关系的静态特征关联网络。
作为本发明的一种优选方案,所述对静态特征关联网络进行复杂网络的社团分析得到多个特征分类,包括:
以模块度为优化函数,利用遗传算法基于优化函数对静态特征关联网络进行社团分析得到多个特征社团,其中,每个特征社团都表征为一个特征分类;
每个特征社团中至少包含一个静态特征。
作为本发明的一种优选方案,所述在多个特征分类中提取出用于待评价区域的页岩微观储集空间有效性评价的评价特征,包括:
将每个特征社团中的各个静态特征作为网络节点,并将每个特征社团中任意两个网络节点利用连接边进行全连接得到社团网络;
将每个特征社团中的任意两个静态特征的静态特征的特征数据空间序列的相似度作为两个静态特征间的关联度,将两个静态特征间的关联度作为对应两个静态特征间的网络节点间连接边的边权重;
在每个社团网络中计算出各个网络节点的节点中心度,并将各个社团网络中最高节点中心度的网络节点对应的静态特征作为各个评价特征。
作为本发明的一种优选方案,所述特征权重确定模型的建立,包括:
获取多个利用主观赋权法完成页岩微观储集空间有效性评价的已评价区域,以及获取已评价区域的评价特征、评价特征的特征权重;
将主观赋权法得到的已评价区域的评价特征作为BP神经网络的第一输入项,将主观赋权法得到的已评价区域的特征权重作为BP神经网络的第一输出项,利用BP神经网络对第一输入项和第一输出项进行卷积训练得到主观权重确定模型;
获取多个利用客观赋权法完成页岩微观储集空间有效性评价的已评价区域,以及获取已评价区域的评价特征、评价特征的特征权重;
将客观赋权法得到的已评价区域的评价特征作为BP神经网络的第二输入项,将客观赋权法得到的已评价区域的特征权重作为BP神经网络的第二输出项,利用BP神经网络对第二输入项和第二输出项进行卷积训练得到客观权重确定模型;
利用GBDT算法对主观权重确定模型和客观权重确定模型进行融合得到所述特征权重确定模型;
所述主观权重确定模型的模型表达式:
Wx=BP(S);
式中,Wx为主观权重确定模型得到的特征权重,S为已评价区域的评价特征,BP为BP神经网络;
所述客观权重确定模型的模型表达式:
Wy=BP(S);
式中,Wy为客观权重确定模型得到的特征权重,S为已评价区域的评价特征,BP为BP神经网络;
所述特征权重确定模型的模型表达式为:
Wz=GBDT[Wx=BP(S),Wy=BP(S)];
式中,Wz为GBDT算法在主观权重确定模型和客观权重确定模型中决策出的特征权重,Wx=BP(S)为主观权重确定模型,Wy=BP(S)为客观权重确定模型,GBDT为GBDT算法。
作为本发明的一种优选方案,所述利用评价特征的特征权重对所述评价特征进行加权得到所述待评价区域的页岩微观储集空间有效性的评价值,包括:
将特征权重对所述评价特征进行加权计算得到待评价区域的页岩微观储集空间有效性的评价值;
所述待评价区域的页岩微观储集空间有效性的评价值的计算公式为:
式中,P为待评价区域的页岩微观储集空间有效性的评价值,Wzk为待评价区域的第k个评价特征的特征权重,Sk为待评价区域的第k个评价特征,m为待评价区域中评价特征的总数量,k为计数变量。
作为本发明的一种优选方案,所述利用评价特征的特征权重对所述评价特征进行加权得到所述待评价区域的页岩微观储集空间有效性的评价值,包括:
基于已评价区域的评价特征、特征权重以及页岩微观储集空间有效性的评价值,利用BP神经网络构建出有效性评价模型;
将待评价区域的评价特征、特征权重输入至有效性评价模型得到待评价区域的页岩微观储集空间有效性的评价值;
所述有效性评价模型的模型表达式为:
P=BP(Wzk,Sk);
式中,P为待评价区域的页岩微观储集空间有效性的评价值,Wzk为待评价区域的第k个评价特征的特征权重,Sk为待评价区域的第k个评价特征,m为待评价区域中评价特征的总数量,k为计数变量,BP为BP神经网络。
本发明与现有技术相比较具有如下有益效果:
本发明将用于有效性评价的所有评价参量利用复杂网络技术进行参量关联网络的构建,而后对参量关联网络进行复杂网络领域的技术分析能够将各个评价参量进行纯数据领域的分类,从而从纯数据领域提取出评价地区的主评价要素,剔除人为选取主观性的干扰,由数据角度出发,科学化识别出主评价成分,客观性强,同时后续进行评价有效性时准确性得以保障,而且利用BP神经网络建立出包含多类型的特征权重确定模型,场景适应性强,进而实现通过提高场景适配性来提高评价准确性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有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示例性的,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引伸获得其它的实施附图。
图1为本发明实施例提供的评价页岩微观储集空间有效性的方法流程图。
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。
如图1所示,本发明提供了一种评价页岩微观储集空间有效性的方法,包括以下步骤:
在评价页岩微观储集空间有效性时,通常利用大量的评价特征进行定量化评价有效性,比如一级指标包括储集性,孔隙类型,孔隙结构和连通性;二级指标包括孔隙度、渗透率、有机孔、无机孔、微裂缝发育程度、结构类型、孔容、孔径、比表面积、分形维数、孔隙和吼道;三级指标主要包括生烃演化孔、原生孔隙、粒间孔、粒内孔、边缘缝、内部缝、圆筒型、狭缝型、墨水瓶型、微孔、介孔、宏孔、孔隙连通、裂缝连通和孔缝连通,虽然表征页岩微观储集空间因素较多,但不同地区或层系主控因素有所差异,而评价特征反映评价对象的属性,选取合理的评价特征是进行科学评价的前提,相较于传统的主观选取评价特征而言,本发明提供了一种由纯数据角度出发,构建特征关联性,基于特征的数据关联性科学化识别出主评价成分的特征选取方法,客观性强,使得评价页岩微观储集空间有效性的准确性得以保障,具体如下:
步骤S1、对待评价区域进行网格化处理得到多个评价网格,并将多个评价网格的静态特征的特征数据依据空间排序得到静态特征的特征数据空间序列;
步骤S2、基于静态特征的特征数据空间序列利用复杂网络原理构建出表征静态特征间关联关系的静态特征关联网络,并对静态特征关联网络进行复杂网络的社团分析得到多个特征分类,以及在多个特征分类中提取出用于待评价区域的页岩微观储集空间有效性评价的评价特征;
步骤S3、将评价特征利用基于BP神经网络建立的特征权重确定模型得到所述评价特征的特征权重;
步骤S4、利用评价特征的特征权重对所述评价特征进行加权得到所述待评价区域的页岩微观储集空间有效性的评价值。
具体的,从数据角度构建特征关联性时,需要大量的特征数据量,能够使得特征关联性构建的更加准确,由于储集性,孔隙类型,孔隙结构和连通性,孔隙度、渗透率、有机孔、无机孔、微裂缝发育程度、结构类型、孔容、孔径、比表面积、分形维数、孔隙、吼道,生烃演化孔、原生孔隙、粒间孔、粒内孔、边缘缝、内部缝、圆筒型、狭缝型、墨水瓶型、微孔、介孔、宏孔、孔隙连通、裂缝连通和孔缝连通都属于非时序变动数据,即静态数据,因此难以从时序上构建出静态特征的关联关系,因此本发明在空间上对静态特征进行关联关系构建,将待评价的区域进行网格化处理得到多个小区域网格,每个区域网格中都具有与静态特征对应的静态特征的特征数据,保证了数据量需求的同时,在空间位置上对静态特征的特征数据进行动态化模拟,进而获得了一个拟动态化的静态特征空间序列,同属一个待评价区域,利用静态特征空间序列进行特征关联性建立,更加能够展现出在待评价区域中各个静态特征的个性化关联关系,即该关联关系与待评价区域的适配性更高,各个静态特征的关联关系准确度更高,具体如下:
所述对待评价区域进行网格化处理得到多个评价网格,包括
对待评价区域利用COMSOL软件进行网格划分得到多个评价网格;
其中,划分网格采用三角形网格;
在未开采区,最大划分单元为7.2m,最小划分单元为0.32m,最大单元增长率为1.15,曲率因子为0.3;
在已开采区,最大划分单元为4m,最小划分单元为0.015m,最大单元增长率为1.2,曲率因子为0.25。
所述将多个评价网格的静态特征的特征数据依据空间排序得到静态特征的特征数据空间序列,包括:
依次在每个评价网格处测取各个静态特征的特征数据得到每个评价网格的各个静态特征的特征数据;
将每个静态特征的特征数据依据评价网格进行空间排序得到每个静态特征在待评价区域内的静态特征的特征数据空间序列,所述静态特征的特征数据空间序列的序列表达式为:{Sij|j∈[1,N]},Sij为第i个静态特征在第j个评价区域处的特征数据,N为评价区域的总数量,i,j为计数变量。
所述静态特征包括储集性,孔隙类型,孔隙结构和连通性,孔隙度、渗透率、有机孔、无机孔、微裂缝发育程度、结构类型、孔容、孔径、比表面积、分形维数、孔隙、吼道,生烃演化孔、原生孔隙、粒间孔、粒内孔、边缘缝、内部缝、圆筒型、狭缝型、墨水瓶型、微孔、介孔、宏孔、孔隙连通、裂缝连通和孔缝连通。
本发明利用复杂网络原理对静态特征间关联关系进行表征,能够将数据关联性可视化的同时,还可以利用复杂网络的分析技术对静态特征进行分类分析,从而将静态特征的特征数据的抽象分析映射至复杂网络领域进行具象分析,可解释性更强,具体的,所述基于静态特征的特征数据空间序列利用复杂网络原理构建出表征静态特征间关联关系的静态特征关联网络,包括:
将各个静态特征作为复杂网络的各个节点;
依次计算任意两个静态特征的静态特征的特征数据空间序列的相似度作为两个静态特征间的关联度,将两个静态特征间的关联度与预设阈值进行比较,其中,
若两个静态特征间的关联度大于或等于预设阈值,在对应两个静态特征的两个复杂网络节点间设置连接边;
若两个静态特征间的关联度小于预设阈值,在对应两个静态特征的两个复杂网络节点间不设置连接边;
利用连接边对复杂网络的各个节点进行对应连接得到表征静态特征间关联关系的静态特征关联网络。
所述对静态特征关联网络进行复杂网络的社团分析得到多个特征分类,包括:
以模块度为优化函数,利用遗传算法基于优化函数对静态特征关联网络进行社团分析得到多个特征社团,其中,每个特征社团都表征为一个特征分类;
每个特征社团中至少包含一个静态特征。
所述在多个特征分类中提取出用于待评价区域的页岩微观储集空间有效性评价的评价特征,包括:
将每个特征社团中的各个静态特征作为网络节点,并将每个特征社团中任意两个网络节点利用连接边进行全连接得到社团网络;
将每个特征社团中的任意两个静态特征的静态特征的特征数据空间序列的相似度作为两个静态特征间的关联度,将两个静态特征间的关联度作为对应两个静态特征间的网络节点间连接边的边权重;
在每个社团网络中计算出各个网络节点的节点中心度,并将各个社团网络中最高节点中心度的网络节点对应的静态特征作为各个评价特征。
将用于有效性评价的所有评价参量利用复杂网络技术进行参量关联网络的构建(参量关联网络从纯数据趋势上表征各个评价参量间的关联关系),而后对参量关联网络进行复杂网络领域的技术分析能够将各个评价参量进行纯数据领域的分类,从而从纯数据领域提取出评价地区的主评价要素,相较于传统的主观性标记主评价要素而言,剔除人为选取主观性的干扰,由数据角度出发,科学化识别出主评价成分,客观性强,同时后续进行评价有效性时准确性得以保障。
在选取出待评价区域的评价特征后,完成页岩微观储集空间有效性评价还需要确定评价特征的特征权重,由于待评价区域的自身属性不同,因此在对不同的待评价区域会出现有些待评价区域适用于主观赋权法,而有些待评价区域适用于客观赋权法,如何进行选取赋权方法直接影响评价准确性,本发明提供了一种利用BP神经网络构建的特征权重确定模型,能够自动进行特征权重的确定方法的决策,评价场景适配性更好,进而保证了评价效果,并且BP神经网络的加入提高了主观和客观赋权的自动化测算程度,无需在进行层次分析法或熵权法的主客观赋权计算,降低计算复杂度。
所述特征权重确定模型的建立,包括:
获取多个利用主观赋权法完成页岩微观储集空间有效性评价的已评价区域,以及获取已评价区域的评价特征、评价特征的特征权重;
将主观赋权法得到的已评价区域的评价特征作为BP神经网络的第一输入项,将主观赋权法得到的已评价区域的特征权重作为BP神经网络的第一输出项,利用BP神经网络对第一输入项和第一输出项进行卷积训练得到主观权重确定模型;
获取多个利用客观赋权法完成页岩微观储集空间有效性评价的已评价区域,以及获取已评价区域的评价特征、评价特征的特征权重;
将客观赋权法得到的已评价区域的评价特征作为BP神经网络的第二输入项,将客观赋权法得到的已评价区域的特征权重作为BP神经网络的第二输出项,利用BP神经网络对第二输入项和第二输出项进行卷积训练得到客观权重确定模型;
利用GBDT算法对主观权重确定模型和客观权重确定模型进行融合得到所述特征权重确定模型;
所述主观权重确定模型的模型表达式:
Wx=BP(S);
式中,Wx为主观权重确定模型得到的特征权重,S为已评价区域的评价特征,BP为BP神经网络;
所述客观权重确定模型的模型表达式:
Wy=BP(S);
式中,Wy为客观权重确定模型得到的特征权重,S为已评价区域的评价特征,BP为BP神经网络;
所述特征权重确定模型的模型表达式为:
Wz=GBDT[Wx=BP(S),Wy=BP(S)];
式中,Wz为GBDT算法在主观权重确定模型和客观权重确定模型中决策出的特征权重,Wx=BP(S)为主观权重确定模型,Wy=BP(S)为客观权重确定模型,GBDT为GBDT算法。
所述将评价特征利用基于BP神经网络建立的特征权重确定模型得到所述评价特征的特征权重,包括:
将待评价区域的评价特征输入至特征权重确定模型中,由特征权重确定模型输出待评价区域的特征权重。
所述利用评价特征的特征权重对所述评价特征进行加权得到所述待评价区域的页岩微观储集空间有效性的评价值,包括:
将特征权重对所述评价特征进行加权计算得到待评价区域的页岩微观储集空间有效性的评价值;
所述待评价区域的页岩微观储集空间有效性的评价值的计算公式为:
式中,P为待评价区域的页岩微观储集空间有效性的评价值,Wzk为待评价区域的第k个评价特征的特征权重,Sk为待评价区域的第k个评价特征,m为待评价区域中评价特征的总数量,k为计数变量。
所述利用评价特征的特征权重对所述评价特征进行加权得到所述待评价区域的页岩微观储集空间有效性的评价值,包括:
基于已评价区域的评价特征、特征权重以及页岩微观储集空间有效性的评价值,利用BP神经网络构建出有效性评价模型;
将待评价区域的评价特征、特征权重输入至有效性评价模型得到待评价区域的页岩微观储集空间有效性的评价值;
所述有效性评价模型的模型表达式为:
P=BP(Wzk,Sk);
式中,P为待评价区域的页岩微观储集空间有效性的评价值,Wzk为待评价区域的第k个评价特征的特征权重,Sk为待评价区域的第k个评价特征,m为待评价区域中评价特征的总数量,k为计数变量,BP为BP神经网络。
在进行页岩微观储集空间有效性的评价值计算时,采用了两种计算方式,能够适用与不同场景,即能够适用直接加权或模型法评价的评价场景,提供多种选择,其中直接加权得到单个评价值,可以实现对待评价区域进行总评价,比如待评价区域的页岩微观储集空间有效性好或者不好,而模型法评价能够得到多个评价值,可以在各个细节上对待评价区域进行逐一评价,比如,生油性好或者不好、储集性好或者不好、可改造性好或者不好和可流动性好或者不好,两种评价方法可满足不同评价需求。
本发明将用于有效性评价的所有评价参量利用复杂网络技术进行参量关联网络的构建,而后对参量关联网络进行复杂网络领域的技术分析能够将各个评价参量进行纯数据领域的分类,从而从纯数据领域提取出评价地区的主评价要素,剔除人为选取主观性的干扰,由数据角度出发,科学化识别出主评价成分,客观性强,同时后续进行评价有效性时准确性得以保障,而且利用BP神经网络建立出包含多类型的特征权重确定模型,场景适应性强,进而实现通过提高场景适配性来提高评价准确性。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (9)
1.一种评价页岩微观储集空间有效性的方法,其特征在于,包括以下步骤:
步骤S1、对待评价区域进行网格化处理得到多个评价网格,并将多个评价网格的静态特征的特征数据依据空间排序得到静态特征的特征数据空间序列;
步骤S2、基于静态特征的特征数据空间序列利用复杂网络原理构建出表征静态特征间关联关系的静态特征关联网络,并对静态特征关联网络进行复杂网络的社团分析得到多个特征分类,以及在多个特征分类中提取出用于待评价区域的页岩微观储集空间有效性评价的评价特征;
步骤S3、将评价特征利用基于BP神经网络建立的特征权重确定模型得到所述评价特征的特征权重;
步骤S4、利用评价特征的特征权重对所述评价特征进行加权得到所述待评价区域的页岩微观储集空间有效性的评价值;
所述特征权重确定模型的建立,包括:
获取多个利用主观赋权法完成页岩微观储集空间有效性评价的已评价区域,以及获取已评价区域的评价特征、评价特征的特征权重;
将主观赋权法得到的已评价区域的评价特征作为BP神经网络的第一输入项,将主观赋权法得到的已评价区域的特征权重作为BP神经网络的第一输出项,利用BP神经网络对第一输入项和第一输出项进行卷积训练得到主观权重确定模型;
获取多个利用客观赋权法完成页岩微观储集空间有效性评价的已评价区域,以及获取已评价区域的评价特征、评价特征的特征权重;
将客观赋权法得到的已评价区域的评价特征作为BP神经网络的第二输入项,将客观赋权法得到的已评价区域的特征权重作为BP神经网络的第二输出项,利用BP神经网络对第二输入项和第二输出项进行卷积训练得到客观权重确定模型;
利用GBDT算法对主观权重确定模型和客观权重确定模型进行融合得到所述特征权重确定模型;
所述主观权重确定模型的模型表达式:
Wx=BP(S);
式中,Wx为主观权重确定模型得到的特征权重,S为已评价区域的评价特征,BP为BP神经网络;
所述客观权重确定模型的模型表达式:
Wy=BP(S);
式中,Wy为客观权重确定模型得到的特征权重,S为已评价区域的评价特征,BP为BP神经网络;
所述特征权重确定模型的模型表达式为:
Wz=GBDT[Wx=BP(S),Wy=BP(S)];
式中,Wz为GBDT算法在主观权重确定模型和客观权重确定模型中决策出的特征权重,Wx=BP(S)为主观权重确定模型,Wy=BP(S)为客观权重确定模型,GBDT为GBDT算法。
2.根据权利要求1所述的一种评价页岩微观储集空间有效性的方法,其特征在于:所述对待评价区域进行网格化处理得到多个评价网格,包括
对待评价区域利用COMSOL软件进行网格划分得到多个评价网格;
其中,划分网格采用三角形网格;
在未开采区,最大划分单元为7.2m,最小划分单元为0.32m,最大单元增长率为1.15,曲率因子为0.3;
在已开采区,最大划分单元为4m,最小划分单元为0.015m,最大单元增长率为1.2,曲率因子为0.25。
3.根据权利要求1所述的一种评价页岩微观储集空间有效性的方法,其特征在于:所述将多个评价网格的静态特征的特征数据依据空间排序得到静态特征的特征数据空间序列,包括:
依次在每个评价网格处测取各个静态特征的特征数据得到每个评价网格的各个静态特征的特征数据;
将每个静态特征的特征数据依据评价网格进行空间排序得到每个静态特征在待评价区域内的静态特征的特征数据空间序列,所述静态特征的特征数据空间序列的序列表达式为:{Sij|j∈[1,N]},Sij为第i个静态特征在第j个评价区域处的特征数据,N为评价区域的总数量,i,j为计数变量。
4.根据权利要求1所述的一种评价页岩微观储集空间有效性的方法,其特征在于:所述静态特征包括储集性,孔隙类型,孔隙结构和连通性,孔隙度、渗透率、有机孔、无机孔、微裂缝发育程度、结构类型、孔容、孔径、比表面积、分形维数、孔隙、吼道,生烃演化孔、原生孔隙、粒间孔、粒内孔、边缘缝、内部缝、圆筒型、狭缝型、墨水瓶型、微孔、介孔、宏孔、孔隙连通、裂缝连通和孔缝连通。
5.根据权利要求2所述的一种评价页岩微观储集空间有效性的方法,其特征在于:所述基于静态特征的特征数据空间序列利用复杂网络原理构建出表征静态特征间关联关系的静态特征关联网络,包括:
将各个静态特征作为复杂网络的各个节点;
依次计算任意两个静态特征的静态特征的特征数据空间序列的相似度作为两个静态特征间的关联度,将两个静态特征间的关联度与预设阈值进行比较,其中,
若两个静态特征间的关联度大于或等于预设阈值,在对应两个静态特征的两个复杂网络节点间设置连接边;
若两个静态特征间的关联度小于预设阈值,在对应两个静态特征的两个复杂网络节点间不设置连接边;
利用连接边对复杂网络的各个节点进行对应连接得到表征静态特征间关联关系的静态特征关联网络。
6.根据权利要求5所述的一种评价页岩微观储集空间有效性的方法,其特征在于:所述对静态特征关联网络进行复杂网络的社团分析得到多个特征分类,包括:
以模块度为优化函数,利用遗传算法基于优化函数对静态特征关联网络进行社团分析得到多个特征社团,其中,每个特征社团都表征为一个特征分类;
每个特征社团中至少包含一个静态特征。
7.根据权利要求6所述的一种评价页岩微观储集空间有效性的方法,其特征在于:所述在多个特征分类中提取出用于待评价区域的页岩微观储集空间有效性评价的评价特征,包括:
将每个特征社团中的各个静态特征作为网络节点,并将每个特征社团中任意两个网络节点利用连接边进行全连接得到社团网络;
将每个特征社团中的任意两个静态特征的静态特征的特征数据空间序列的相似度作为两个静态特征间的关联度,将两个静态特征间的关联度作为对应两个静态特征间的网络节点间连接边的边权重;
在每个社团网络中计算出各个网络节点的节点中心度,并将各个社团网络中最高节点中心度的网络节点对应的静态特征作为各个评价特征。
8.根据权利要求7所述的一种评价页岩微观储集空间有效性的方法,其特征在于,所述利用评价特征的特征权重对所述评价特征进行加权得到所述待评价区域的页岩微观储集空间有效性的评价值,包括:
将特征权重对所述评价特征进行加权计算得到待评价区域的页岩微观储集空间有效性的评价值;
所述待评价区域的页岩微观储集空间有效性的评价值的计算公式为:
式中,P为待评价区域的页岩微观储集空间有效性的评价值,Wzk为待评价区域的第k个评价特征的特征权重,Sk为待评价区域的第k个评价特征,m为待评价区域中评价特征的总数量,k为计数变量。
9.根据权利要求7所述的一种评价页岩微观储集空间有效性的方法,其特征在于,所述利用评价特征的特征权重对所述评价特征进行加权得到所述待评价区域的页岩微观储集空间有效性的评价值,包括:
基于已评价区域的评价特征、特征权重以及页岩微观储集空间有效性的评价值,利用BP神经网络构建出有效性评价模型;
将待评价区域的评价特征、特征权重输入至有效性评价模型得到待评价区域的页岩微观储集空间有效性的评价值;
所述有效性评价模型的模型表达式为:
P=BP(Wzk,Sk);
式中,P为待评价区域的页岩微观储集空间有效性的评价值,Wzk为待评价区域的第k个评价特征的特征权重,Sk为待评价区域的第k个评价特征,m为待评价区域中评价特征的总数量,k为计数变量,BP为BP神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310205933.3A CN116307871B (zh) | 2023-03-06 | 2023-03-06 | 一种评价页岩微观储集空间有效性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310205933.3A CN116307871B (zh) | 2023-03-06 | 2023-03-06 | 一种评价页岩微观储集空间有效性的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307871A CN116307871A (zh) | 2023-06-23 |
CN116307871B true CN116307871B (zh) | 2023-10-27 |
Family
ID=86826825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310205933.3A Active CN116307871B (zh) | 2023-03-06 | 2023-03-06 | 一种评价页岩微观储集空间有效性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307871B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118131335A (zh) * | 2024-02-23 | 2024-06-04 | 成都理工大学 | 基于地质控因差异化表征层控岩溶储层平面分布评价方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105651966A (zh) * | 2016-01-18 | 2016-06-08 | 山东科技大学 | 一种页岩油气优质储层评价方法及参数确定方法 |
CN107589236A (zh) * | 2017-09-14 | 2018-01-16 | 中国地质调查局油气资源调查中心 | 一种基于模糊矩阵的页岩气多因素选区评价方法 |
CN110276827A (zh) * | 2019-05-29 | 2019-09-24 | 中国石油大学(华东) | 一种基于泥页岩储层的有效性的评价方法 |
WO2021130512A1 (en) * | 2019-12-23 | 2021-07-01 | Total Se | Device and method for predicting values of porosity lithofacies and permeability in a studied carbonate reservoir based on seismic data |
CN114595628A (zh) * | 2022-01-29 | 2022-06-07 | 延安中石大油气工程技术服务有限公司 | 一种水平井的体积压裂差异化改造方法 |
CN116263901A (zh) * | 2021-12-14 | 2023-06-16 | 中国石油天然气股份有限公司 | 页岩气开发评价方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014144917A1 (en) * | 2013-03-15 | 2014-09-18 | Board Of Regents, The University Of Texas System | Reservoir characterization and hydraulic fracture evaluation |
US10572611B2 (en) * | 2016-04-29 | 2020-02-25 | Exxonmobil Upstream Research Company | Method and system for characterizing fractures in a subsurface region |
-
2023
- 2023-03-06 CN CN202310205933.3A patent/CN116307871B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105651966A (zh) * | 2016-01-18 | 2016-06-08 | 山东科技大学 | 一种页岩油气优质储层评价方法及参数确定方法 |
CN107589236A (zh) * | 2017-09-14 | 2018-01-16 | 中国地质调查局油气资源调查中心 | 一种基于模糊矩阵的页岩气多因素选区评价方法 |
CN110276827A (zh) * | 2019-05-29 | 2019-09-24 | 中国石油大学(华东) | 一种基于泥页岩储层的有效性的评价方法 |
WO2021130512A1 (en) * | 2019-12-23 | 2021-07-01 | Total Se | Device and method for predicting values of porosity lithofacies and permeability in a studied carbonate reservoir based on seismic data |
CN116263901A (zh) * | 2021-12-14 | 2023-06-16 | 中国石油天然气股份有限公司 | 页岩气开发评价方法及系统 |
CN114595628A (zh) * | 2022-01-29 | 2022-06-07 | 延安中石大油气工程技术服务有限公司 | 一种水平井的体积压裂差异化改造方法 |
Non-Patent Citations (3)
Title |
---|
Micro-pore structure and fractal characteristics of deep shale from Wufeng Formation to Longmaxi Formation in Jingmen exploration area, Hubei Province, China;Li Xiaoming 等;《 Journal of Natural Gas Geoscience》;第7卷(第3期);121-132 * |
基于加权信息量模型的藏东南地区滑坡易发性评价;杜国梁 等;《灾害学》;第31卷(第02期);226-234 * |
页岩油气高效开发中的基础理论与关键力学问题;庄茁;柳占立;王永亮;;力学季刊(第01期);11-25 * |
Also Published As
Publication number | Publication date |
---|---|
CN116307871A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
CN100595782C (zh) | 一种融合光谱信息和多点模拟空间信息的分类方法 | |
CN116307871B (zh) | 一种评价页岩微观储集空间有效性的方法 | |
CN111222847B (zh) | 基于深度学习与非监督聚类的开源社区开发者推荐方法 | |
CN104573333B (zh) | 利用聚类分析进行模型优选的方法 | |
CN101055631A (zh) | 一种空间数据模糊证据权重分析方法 | |
CN109447249B (zh) | 一种基于深度卷积的对抗神经网络测井数据重建方法 | |
CN109284760A (zh) | 一种基于深度卷积神经网络的家具检测方法及装置 | |
CN104992178A (zh) | 基于支持向量机模拟交会图的致密砂岩流体类型识别方法 | |
CN103376468A (zh) | 基于神经网络函数逼近算法的储层参数定量表征方法 | |
CN112541571A (zh) | 基于双并联神经网络的机器学习的注采连通性确定方法 | |
CN115187127A (zh) | 基于空间分析的详细规划分级管理智能检测方法 | |
CN108287974A (zh) | 面向土地利用变化元胞自动机模拟精度的耦合评价方法 | |
CN102208027B (zh) | 基于间隙度维数的土地利用空间格局评价方法 | |
CN114239962A (zh) | 一种基于开源信息的精细化空间负荷预测方法 | |
CN111710157B (zh) | 一种出租车热点区域的提取方法 | |
CN111155980A (zh) | 一种水流优势通道识别方法及装置 | |
CN107103552B (zh) | 勘探效率系数确定方法及装置 | |
Danchev et al. | Heterogeneity of global and local connectivity in spatial network structures of world migration | |
CN113378999B (zh) | 一种基于云模型的致密砂岩储层分类定级方法 | |
CN110570102A (zh) | 一种储层评价方法 | |
CN115994639B (zh) | 一种基于冗余分析的水网格局与地形地貌关联性评价方法 | |
CN112431589B (zh) | 一种致密砂岩储层潜能指标分类方法 | |
CN107944749B (zh) | 一种基于相对优选指数的页岩气区块开发潜力评价方法 | |
CN117633658B (zh) | 岩石储层岩性识别方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |