CN116427915A - 基于随机森林的常规测井曲线裂缝密度预测方法及系统 - Google Patents
基于随机森林的常规测井曲线裂缝密度预测方法及系统 Download PDFInfo
- Publication number
- CN116427915A CN116427915A CN202310165570.5A CN202310165570A CN116427915A CN 116427915 A CN116427915 A CN 116427915A CN 202310165570 A CN202310165570 A CN 202310165570A CN 116427915 A CN116427915 A CN 116427915A
- Authority
- CN
- China
- Prior art keywords
- data
- density
- random forest
- crack density
- log
- 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
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003384 imaging method Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000013517 stratification Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 13
- 238000011161 development Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 101100532521 Homo sapiens AHCYL1 gene Proteins 0.000 description 1
- 102100022479 S-adenosylhomocysteine hydrolase-like protein 1 Human genes 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于随机森林的常规测井曲线裂缝密度预测方法及系统。该方法包括:基于成像测井数据、常规测井曲线数据以及井分层数据制作单井柱状图;基于所述单井柱状图中的成像测井数据以及给定的深度点,计算裂缝密度;将所述单井柱状图中所述常规测井曲线数据上的深度点与所述给定的深度点进行对映,得到测井曲线值;以所述测井曲线值为输入,以所述裂缝密度为输出,对随机森林模型进行训练;通过训练好的随机森林模型预测裂缝密度。本发明采用地质手段与计算机手段相结合的方式,大大提高了裂缝密度预测准确度以及工作效率。
Description
技术领域
本发明涉及地球物理勘探及综合研究技术领域,特别涉及一种基于随机森林的常规测井曲线裂缝密度预测方法及系统。
背景技术
天然裂缝是在地质应力的作用下形成的,作为油气生成及运移的重要介质。在非常规和深层油气储层的条件下,其基质物性一般较差,此时裂缝较为发育。同时,这类储层的储存空间及油气的流通通道最主要的方式就是通过天然裂缝来进行。而裂缝密度作为定量反映岩石中裂缝的发育程度,可以帮助我们在复杂的地质情况下知晓地下的裂缝疏密情况,知晓油气富集的区域,从而能更好的开展工作。天然裂缝的发育特征对油气藏的勘探以及开发具有不言而喻的作用。《石油勘探与开发》在2000年公开了赖生华的“定量预测泥质岩裂缝密度的深度序列分析法”,该文通过研究高家涯油田的构造并准确提取测井资料中的裂缝信息,从而进一步提出了深度序列分析法来预测裂缝的发育情况以及裂缝密度分布的规律。《中国石油大学学报(自然科学版)》在2014年公开了宋璠的“基于摩擦效应的砂岩裂缝密度定量预测”,该文主要以内低渗砂岩储层为研究方向,通过探讨应力场与裂缝参数,提出了基于裂缝面摩擦的裂缝密度预测方法。《山东化工》在2015年公开了倪冬梅的“利用常规测井曲线及神经网络求取储层裂缝密度”,该文通过研究裂缝密度,利用小波基对不同测井曲线进行相关性分析,然后准确提取出裂缝信息,为基于神经网络建模做数据准备,进而预测出较为准确的裂缝密度。《石油勘探与开发》在2022年公布了董少群的“致密碳酸盐岩储集层裂缝智能预测方法”,该文通过提取多尺度中的裂缝数据信息以此来降低预测的不准确性,并改进三种人工智能的方法提升预测效果,得到了裂缝识别效果较以往有大幅度提升的良好效果。
综上所述,裂缝密度的数值分布特征对油气藏的勘探与开发有着极为重要的作用。利用常规的测井曲线直接对裂缝的密度进行计算所得出的结果并不能很准确的代表裂缝在地下的疏密程度。利用常规测井曲线直接对裂缝密度进行计算,所得结果只能大体代表裂缝在地下发育的疏密程度。当所统计的间隔范围较大或较小时,所计算的裂缝密度与实际情况有大幅度偏差,需重新对间隔范围进行约束并再次计算裂缝密度,导致其整个过程耗时增大,较为繁琐。
发明内容
本发明的目的是提供一种基于随机森林的常规测井曲线裂缝密度预测方法及系统,用以弥补裂缝密度预测准确度以及效率低的问题。
为实现上述目的,本发明提供了如下方案:
一种基于随机森林的常规测井曲线裂缝密度预测方法,所述方法包括:
基于成像测井数据、常规测井曲线数据以及井分层数据制作单井柱状图;
基于所述单井柱状图中的成像测井数据以及给定的深度点,计算裂缝密度;
将所述单井柱状图中所述常规测井曲线数据上的深度点与所述给定的深度点进行对映,得到测井曲线值;
以所述测井曲线值为输入,以所述裂缝密度为输出,对随机森林模型进行训练;
通过训练好的随机森林模型预测裂缝密度。
可选地,在通过训练好的随机森林模型预测裂缝密度之后,还包括:
根据预测的裂缝密度与计算的裂缝密度之间的误差判断训练好的随机森林模型的准确性。
可选地,所述成像测井数据为井下采用传感器阵列扫描或旋转扫描测量,沿井眼纵向、周向或径向采集的地层信息。
可选地,所述常规测井曲线数据为在测井时形成的反映不同岩性和层位的特征曲线。
可选地,基于所述单井柱状图中的成像测井数据以及给定的深度点,计算裂缝密度,具体包括:
基于所述单井柱状图中的成像测井数据以及所述给定的深度点计算预设间隔的裂缝条数;
将所述裂缝条数除以所述预设间隔,得到裂缝密度。
本发明还提供了一种基于随机森林的常规测井曲线裂缝密度预测系统,所述系统包括:
单井柱状图制作模块,用于基于成像测井数据、常规测井曲线数据以及井分层数据制作单井柱状图;
裂缝深度计算模块,用于基于所述单井柱状图中的成像测井数据以及给定的深度点,计算裂缝密度;
测井曲线值确定模块,用于将所述单井柱状图中所述常规测井曲线数据上的深度点与所述给定的深度点进行对映,得到测井曲线值;
模型训练模块,用于以所述测井曲线值为输入,以所述裂缝密度为输出,对随机森林模型进行训练;
裂缝密度预测模块,用于通过训练好的随机森林模型预测裂缝密度。
可选地,还包括:判断模块,用于根据预测的裂缝密度与计算的裂缝密度之间的误差判断训练好的随机森林模型的准确性。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明采用地质手段与计算机手段相结合的方式,大大提高了裂缝密度预测准确度以及工作效率。通过成像测井数据与人为给定的深度来进行裂缝密度的计算,作为基于成像测井解释数据统计的裂缝密度所代表的结果。随即再以这些测井曲线为基础,进行基于人工智能的随机森林模型预测裂缝密度,精确度符合预期的结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的基于随机森林的常规测井曲线裂缝密度预测方法的流程图;
图2为本发明实施例二提供的花2侧井的单井柱状图;
图3为不同间隔的裂缝密度对比图;
图4为随机森林模型的工作原理图;
图5为误差分析图;
图6为本发明实施例二中常规与预测的对比图;
图7为本发明实施例二中验证预测效果图。
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。
本发明的目的是提供一种基于随机森林的常规测井曲线裂缝密度预测方法及系统,用以弥补裂缝密度预测准确度以及效率低的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
本实施例提供了一种基于随机森林的常规测井曲线裂缝密度预测方法,如图1所示,该方法包括以下步骤:
步骤101:基于成像测井数据、常规测井曲线数据以及井分层数据制作单井柱状图。
利用“Resform”软件建立研究工区,将成像测井数据、常规的测井曲线数据以及井分层数据等,以Resform软件能读取的文件格式,加载到工区内,得到单口井的测井信息,制作成所需的单井柱状图,方便后续工作的开展。
成像测井数据为井下采用传感器阵列扫描或旋转扫描测量,沿井眼纵向、周向或径向大量采集的地层信息。常规测井曲线数据为在测井时形成的曲线反映出不同岩性、层位特征,进而根据所得曲线判断出具体岩性、层位等。井分层数据为在地层层序中的某一特定位置。单井柱状图为将钻井获取到的岩性、测井曲线、井分层等数据通过Resform软件汇聚到一起,形成单口井数据查看的一种图。
步骤102:基于单井柱状图中的成像测井数据以及给定的深度点,计算裂缝密度。
在单井柱状图上导出目的层深度段的成像测井数据到excel表格中,通过成像测井数据的深度点所对映的高导缝或高阻缝的存在与否,并于人为给定的一个深度点相结合,使用Python语言来编程计算以十米为间隔的裂缝条数,然后通过得到的条数来除以十米的间隔,就得出了以十米为间隔的裂缝密度,得到基于成像测井解释结果的裂缝密度。
步骤103:将单井柱状图中常规测井曲线数据上的深度点与给定的深度点进行对映,得到测井曲线值。
从Resform提取出每一条测井曲线数据并进行数据处理。由于测井曲线的深度值间隔为小数,而井上的深度值间隔为整数1,所以二者的深度点不对映需要进行数据处理。把测井曲线深度点与人为给定的深度点进行值的对比,把对映了的深度点的测井曲线值赋值给井上所在深度点的后一列。把井上所有的深度点都在测井曲线表格中找到离此深度点差值的绝对值最小的点,把找到的这个测井曲线深度点所拥有的曲线值赋值给井上所对映的深度点所在的后一列即可。
步骤104:以测井曲线值为输入,以裂缝密度为输出,对随机森林模型进行训练。
将对映好的井上数据表格内的多条测井曲线值作为基于人工智能的随机森林模型的训练样本输入参数,把步骤102所计算出的裂缝密度作为模型的训练样本输出参数,利用模型的训练样本输入参数与训练样本输出参数来建立训练的模型,使得计算机习得这组数据的分布特征,最后再单独拿出这些训练样本的输入参数当作这口井的整体输入参数,通过已经学习到的数据分布规律来进行裂缝密度的预测。
步骤105:通过训练好的随机森林模型预测裂缝密度。
在步骤105之后,还包括:将计算出来的裂缝密度作为基于成像测井解释数据方法所得到的结果,将预测出来的裂缝密度作为在人为计算出的裂缝密度之上运用人工智能的方法得出的结果。再分别把这两个结果所代表的数据以测井曲线所需要的数据格式导入到Resform软件中的这口井的单井柱状图上,通过观察常规曲线道和预测出的曲线道的曲线特征,并进行训练模型的误差分析,以此来判断预测的结果是否符合预期。
本发明基于随机森林的常规测井曲线裂缝密度预测方法及系统中利用编程的方法先大致计算出不同间隔范围内的裂缝密度,再与实际情况进行比较,选出较为符合的一种结果。之后再基于本次的结果,利用人工智能中的随机森林模型进行训练以及预测,进一步提高利用常规测井曲线对裂缝密度的识别和预测精度,这一方法可以提高地下裂缝密度预测的工作效率和识别精度,具有重要的理论与实际意义。
实施例二
以花101井和花2侧井为例,对实施例一中的方法进行进一步的解释。
步骤1:利用“Resform”软件建立研究工区,将花2侧井在钻井时获取的信息,例如成像测井数据、常规的测井曲线数据以及井分层数据等,以Resform软件能读取的文件格式,导入到Resform的数据服务准备选项中,再建立这口井的单井柱状图,花2侧井的单井柱状图如图2所示。把数据服务中所导入的数据加载到单井柱状图对映的图道内,制作成所需的单井柱状图,方便后续工作的开展。
步骤2:以步骤1为基础,在花2侧的单井柱状图上导出目的层深度段的成像测井数据到excel表格中,通过成像测井数据的深度点所对映的高导缝或高阻缝的存在与否,并于人为给定的一个深度范围相结合,使用Python语言来编程计算以十米为间隔的裂缝条数,然后通过得到的条数来除以十米的间隔,就得出了以十米为间隔的裂缝密度,得到基于成像测井解释结果的裂缝密度。此步骤中还计算除了5米以及20米间隔的裂缝密度,如图3所示,但最优选的是以十米为间隔的裂缝密度,主要是因为以5米为间隔的裂缝密度的异常值,也就是值为零的点较多,不适合用于后续建模训练的输入参数;而以二十米为间隔计算出的裂缝密度与成像测井所呈现的效果图有着一定的偏差,因此也不适用,进而优选出了以十米为间隔的裂缝密度用于后续的建模训练。此计算步骤在编程语言中的体现为使用简单的双循环语句来进行遍历。外循环用于控制花2侧井的深度值,内循环用于控制此深度值的十米间隔。在内循用一个变量来统计裂缝的条数,当内循环结束时,用统计出的裂缝条数除以间隔深度就可以得出了此深度点的裂缝密度,把计算出的裂缝密度写入到花2侧井的excel表格中并保存。
步骤3:以步骤1为基础,在花2侧井的单井柱状图上,一共导出了七条测井曲线,分别是全烃、CAL、RD、RS、CN、DEN、AC,此外又在这些测井曲线的基础上,进一步对其数值进行处理计算,又得到了三条测井曲线分别是裂隙性地层的真电阻率(RTC)、井径指标(DCAL)和交会骨架指数,把这另三条计算出的曲线再次加入到花2侧井的单井柱状图中。通过Resform导出曲线值的功能,分别导出这十条测井曲线的目的层深度段的数据到excel表格中,为数据的预处理做准备。将从Resform提取出的每一条测井曲线数据进行处理。由于测井曲线的深度值间隔为小数,而花2侧井上的深度值间隔为整数,所以二者的深度点不对映,需要进行数据的处理。把测井曲线深度点与井上的深度点进行值的对比,把对映了的深度点的测井曲线值赋值给井上所在深度点的后一列。把井上所有的深度点都在测井曲线表格中找到离此深度点差值的绝对值最小的点,把找到的这个测井曲线深度点所拥有的曲线值赋值给井上所对映的深度点所在的后一列即可。例如当井上的某个深度点值为3401,此时找到测井曲线DEN的两个深度值,一个刚好比3401大,另一各刚好比3401小,分别计算这两点与3401的差值的绝对值,取绝对值最小的那一个。于是就把最小绝对值所在的DEN测井曲线深度点的曲线值赋值给花2侧井的3401深度点所在的位置的后一列,用于保存花2侧井3401深度点的DEN曲线值。
步骤4:以步骤3和步骤2为基础,将花2侧井的深度值对映好的测井曲线值表格进行下一步操作。把表格中的十条测井曲线值与步骤2计算出来的裂缝密度分别作为基于人工智能的随机森林模型的模型训练输入参数与输出参数。用输入参数与输出参数来建立一种映射关系来开始训练,而随机森林模型的工作原理如图4所示。同时随机森林模型也需要进行默认参数的调试,以此来达到更好的效果。按照八比二的方式,对样本的数据集进行随机划分,即训练集占样本数据的八份,测试机占样本数据的二份。其中对随机森林模型影响最大的三个参数分别为“决策树的个数(n_estimators)”、“树的特征个数(max_features)”、“树的最大深度(max_depth)”。再以训练好的模型为基础,把这十组测井曲线值单独拿出来作为花2侧井整体的输入参数来对其进行预测。为了验证基于常规测井曲线预测裂缝密度的方法适用性,又把花101井拿来进行验证。与花2侧井的数据处理步骤相似,把这十条测井曲线与花2侧井的深度点进行对映,得到了一份以花101井深度点为标准的所在曲线值,利用这十条新的测井曲线值作为输入参数运用到刚才的训练模型中,来用花2侧井的训练模型预测花101井的裂缝密度分布情况,从而更具有说服力。
随机森林模型为随机森林是基于决策树分类模型的一种集成学习方法,由加利福尼亚大学数学教授Leo Breiman于2001年首次提出。其将有限个决策树分类模型进行组合,以投票的方式将分类器的预测结果进行最终分类,从而解决单棵决策树对数据分布特征表征不准确、判别准确率不高,且存在过拟合风险等问题,并广泛应用于智能训练的各个领域。
随机划分数据集为在模型训练之前需要对样本数据进行一次划分,划分为输入参数训练集、输入参数测试集、输出参数训练集,输出参数测试集。按照八比二的方式划分,就是训练集占八份,测试集占两份。用输入参数和输出参数的训练集来建立训练模型,用输入参数的测试集作为训练好的模型参数,得到的是预测的结果。
三个重要参数为“决策树的个数(n_estimators)”、“树的特征个数(max_features)”、“树的最大深度(max_depth)”。由于随机森林模型可以理解为很多棵树组成的森林,而“n_estimators”指的就是有多少颗树。又由于每棵树的树杈特征以及位置都是不一样的,而“max_features”就可以理解为这些树杈的分布特征。“max_depth”则可以简单的理解为每棵树的高矮。
本步骤的误差分析是指通过人工来检查模型预测错误的数据,来帮助使用者判断下一步应该怎么优化算法,来提升模型的性能与准确度。拿输出参数的测试集与预测出的结果作为误差分析的依据。本问中采用了三个误差指标,分别是均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE),这三者从不同的角度指明了模型的精准度,共同特点就是数值越小,模型越为精确。根据经验法则,MSE数值等于0是最好的,但一般不会出现这么理想的情况,所以越接近0效果越好;RMSE的数值在0.2~0.5之间说明模型的预测效果较好;MAE也是和MSE相类似,都是越接近0,模型的训练效果越好。
步骤5:以步骤4为基础,通过参数的调试得到了一组最优的参数。根据模型的训练结束时,通过采用模型的评价指标来判别模型的好坏。从参数的调试过程中,从中挑选了以下几组参数做代表的评价指标进行展示,如图5所示。对于n_estimators与max_features与max_depth分别是:默认参数(100,auto,None)、参数1(100,sqrt,100)、参数2(50,sqrt,100)、参数3(11,sqrt,100),其中参数3也是调试最后所获得的最优参数。以步骤4和步骤2为基础,将花101井和花2侧井计算出来的裂缝密度以及预测出来的裂缝密度分别加到各自的单井柱状图中,如图6-图7所示。通过观察花侧2井的单井柱状图中的基于成像测井数据计算结果与预测结果以及评价指标来判断花2侧井的裂缝密度符合情况,通过观察花101侧井的单井柱状图中的基于成像测井数据计算结果与预测结果来判断随机森林模型的适用性。
实施例三
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供了一种基于随机森林的常规测井曲线裂缝密度预测系统。
该系统包括:
单井柱状图制作模块,用于基于成像测井数据、常规测井曲线数据以及井分层数据制作单井柱状图;
裂缝深度计算模块,用于基于单井柱状图中的成像测井数据以及给定的深度点,计算裂缝密度;
测井曲线值确定模块,用于将单井柱状图中常规测井曲线数据上的深度点与给定的深度点进行对映,得到测井曲线值;
模型训练模块,用于以测井曲线值为输入,以裂缝密度为输出,对随机森林模型进行训练;
裂缝密度预测模块,用于通过训练好的随机森林模型预测裂缝密度。
该系统还包括:判断模块,用于根据预测的裂缝密度与计算的裂缝密度之间的误差判断训练好的随机森林模型的准确性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想,所描述的实施例仅仅是本发明的一部分实施例,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。
Claims (7)
1.一种基于随机森林的常规测井曲线裂缝密度预测方法,其特征在于,所述方法包括:
基于成像测井数据、常规测井曲线数据以及井分层数据制作单井柱状图;
基于所述单井柱状图中的成像测井数据以及给定的深度点,计算裂缝密度;
将所述单井柱状图中所述常规测井曲线数据上的深度点与所述给定的深度点进行对映,得到测井曲线值;
以所述测井曲线值为输入,以所述裂缝密度为输出,对随机森林模型进行训练;
通过训练好的随机森林模型预测裂缝密度。
2.根据权利要求1所述的基于随机森林的常规测井曲线裂缝密度预测方法,其特征在于,在通过训练好的随机森林模型预测裂缝密度之后,还包括:
根据预测的裂缝密度与计算的裂缝密度之间的误差判断训练好的随机森林模型的准确性。
3.根据权利要求1所述的基于随机森林的常规测井曲线裂缝密度预测方法,其特征在于,所述成像测井数据为井下采用传感器阵列扫描或旋转扫描测量,沿井眼纵向、周向或径向采集的地层信息。
4.根据权利要求1所述的基于随机森林的常规测井曲线裂缝密度预测方法,其特征在于,所述常规测井曲线数据为在测井时形成的反映不同岩性和层位的特征曲线。
5.根据权利要求1所述的基于随机森林的常规测井曲线裂缝密度预测方法,其特征在于,基于所述单井柱状图中的成像测井数据以及给定的深度点,计算裂缝密度,具体包括:
基于所述单井柱状图中的成像测井数据以及所述给定的深度点计算预设间隔的裂缝条数;
将所述裂缝条数除以所述预设间隔,得到裂缝密度。
6.一种基于随机森林的常规测井曲线裂缝密度预测系统,其特征在于,所述系统包括:
单井柱状图制作模块,用于基于成像测井数据、常规测井曲线数据以及井分层数据制作单井柱状图;
裂缝深度计算模块,用于基于所述单井柱状图中的成像测井数据以及给定的深度点,计算裂缝密度;
测井曲线值确定模块,用于将所述单井柱状图中所述常规测井曲线数据上的深度点与所述给定的深度点进行对映,得到测井曲线值;
模型训练模块,用于以所述测井曲线值为输入,以所述裂缝密度为输出,对随机森林模型进行训练;
裂缝密度预测模块,用于通过训练好的随机森林模型预测裂缝密度。
7.根据权利要求6所述的基于随机森林的常规测井曲线裂缝密度预测系统,其特征在于,还包括:
判断模块,用于根据预测的裂缝密度与计算的裂缝密度之间的误差判断训练好的随机森林模型的准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310165570.5A CN116427915A (zh) | 2023-02-27 | 2023-02-27 | 基于随机森林的常规测井曲线裂缝密度预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310165570.5A CN116427915A (zh) | 2023-02-27 | 2023-02-27 | 基于随机森林的常规测井曲线裂缝密度预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116427915A true CN116427915A (zh) | 2023-07-14 |
Family
ID=87086244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310165570.5A Pending CN116427915A (zh) | 2023-02-27 | 2023-02-27 | 基于随机森林的常规测井曲线裂缝密度预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116427915A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150178A (zh) * | 2023-08-31 | 2023-12-01 | 中国地质大学(北京) | 基于成像测井和人工神经网络的裂缝线密度预测方法 |
CN117874654A (zh) * | 2024-03-13 | 2024-04-12 | 杭州小策科技有限公司 | 基于随机森林算法的风险监控方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106501856A (zh) * | 2016-10-20 | 2017-03-15 | 东北石油大学 | 亚地震断层定量预测方法 |
CN111738371A (zh) * | 2020-08-26 | 2020-10-02 | 西南石油大学 | 一种基于随机森林数据挖掘的地层裂缝条数预测方法 |
CN114818076A (zh) * | 2022-05-09 | 2022-07-29 | 东北石油大学 | 一种基于机器学习的断层封闭烃柱高度评价方法 |
US20220317324A1 (en) * | 2021-03-31 | 2022-10-06 | Chevron U.S.A. Inc. | Systems and methods for identifying geostructural properties as a function of position in a subsurface region of interest |
CN115390156A (zh) * | 2022-08-30 | 2022-11-25 | 东北石油大学 | 岩性油气藏盖层完整性定量评价方法 |
-
2023
- 2023-02-27 CN CN202310165570.5A patent/CN116427915A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106501856A (zh) * | 2016-10-20 | 2017-03-15 | 东北石油大学 | 亚地震断层定量预测方法 |
CN111738371A (zh) * | 2020-08-26 | 2020-10-02 | 西南石油大学 | 一种基于随机森林数据挖掘的地层裂缝条数预测方法 |
US20220317324A1 (en) * | 2021-03-31 | 2022-10-06 | Chevron U.S.A. Inc. | Systems and methods for identifying geostructural properties as a function of position in a subsurface region of interest |
CN114818076A (zh) * | 2022-05-09 | 2022-07-29 | 东北石油大学 | 一种基于机器学习的断层封闭烃柱高度评价方法 |
CN115390156A (zh) * | 2022-08-30 | 2022-11-25 | 东北石油大学 | 岩性油气藏盖层完整性定量评价方法 |
Non-Patent Citations (5)
Title |
---|
丁燕;杜启振;QAMAR YASIN;张强;刘力辉;: "基于深度学习的裂缝预测在S区潜山碳酸盐岩储层中的应用", 石油物探, no. 02 * |
何健;文晓涛;聂文亮;李雷豪;杨吉鑫;: "利用随机森林算法预测裂缝发育带", 石油地球物理勘探, no. 01 * |
张吉昌, 邢玉忠, 郑丽辉: "利用人工智能技术进行裂缝识别研究", 测井技术, no. 01, pages 52 - 54 * |
李英康等: "《地质钻孔数据库建库技术要求与工作方法》", vol. 1, 石油大学出版社, pages: 165 - 101 * |
田飞;章成广;: "电成像测井资料裂缝识别技术及其应用", 工程地球物理学报, no. 06, pages 723 - 727 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150178A (zh) * | 2023-08-31 | 2023-12-01 | 中国地质大学(北京) | 基于成像测井和人工神经网络的裂缝线密度预测方法 |
CN117874654A (zh) * | 2024-03-13 | 2024-04-12 | 杭州小策科技有限公司 | 基于随机森林算法的风险监控方法及系统 |
CN117874654B (zh) * | 2024-03-13 | 2024-05-24 | 杭州小策科技有限公司 | 基于随机森林算法的风险监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116427915A (zh) | 基于随机森林的常规测井曲线裂缝密度预测方法及系统 | |
CN108897066B (zh) | 碳酸盐岩裂缝密度定量预测方法及装置 | |
CN104040377A (zh) | 用于碳酸盐中的岩石物理学岩石定型的集成工作流程或方法 | |
CN111665560A (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
WO2023221491A1 (zh) | 一种氦气资源规模序列的确定方法、装置和设备 | |
CN106991509A (zh) | 基于径向基函数神经网络模型的测井曲线预测方法 | |
CN114529110A (zh) | 一种基于深度神经网络模型的岩相反演方法及系统 | |
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 | |
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 | |
CN117272841B (zh) | 一种基于混合神经网络的页岩气甜点预测方法 | |
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 | |
CN117452518B (zh) | 基于多学科数据融合聚类算法的储层岩性预测方法 | |
CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
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 | |
CN111155980A (zh) | 一种水流优势通道识别方法及装置 | |
CN115809411A (zh) | 一种基于测井数据的改进型决策树岩性识别方法 | |
CN115144900A (zh) | 一种基于地震多属性聚类融合的碳酸盐岩储层厚度识别方法、系统、装置及存储介质 | |
CN117407841B (zh) | 一种基于优化集成算法的页岩层理缝预测方法 | |
CN105781536A (zh) | 一种石油储层孔隙度测算方法 | |
CN111706323A (zh) | 一种综合gwo-lssvm算法的水淹层精细解释评价方法 | |
Amanipoor | Providing a subsurface reservoir quality maps in oil fields by geostatistical methods | |
Tømmerås et al. | Prewell and postwell predictions of oil and gas columns using an iterative Monte Carlo technique with three-dimensional petroleum systems modeling | |
CN110969272B (zh) | 一种基于测井数据概率统计预测油藏流动单元类型的方法 | |
CN112835113B (zh) | 一种层序约束下的岩性识别方法 | |
CN112083144B (zh) | 断层启闭性预测方法、装置、计算机设备和存储介质 |
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 |