CN116520407A - 利用地震多属性基于两次随机森林法预测薄砂体厚度的方法 - Google Patents
利用地震多属性基于两次随机森林法预测薄砂体厚度的方法 Download PDFInfo
- Publication number
- CN116520407A CN116520407A CN202210071353.5A CN202210071353A CN116520407A CN 116520407 A CN116520407 A CN 116520407A CN 202210071353 A CN202210071353 A CN 202210071353A CN 116520407 A CN116520407 A CN 116520407A
- Authority
- CN
- China
- Prior art keywords
- thickness
- seismic
- attribute
- random forest
- thin sand
- 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
- 239000004576 sand Substances 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000011160 research Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000003066 decision tree Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000003892 spreading Methods 0.000 claims description 4
- 230000007480 spreading Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 19
- 238000005553 drilling Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012958 reprocessing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Geophysics (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Marketing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Geology (AREA)
- Game Theory and Decision Science (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种利用地震多属性基于两次随机森林法预测薄砂体厚度的方法,该利用地震多属性基于两次随机森林法预测薄砂体厚度的方法包括:步骤1、从井资料中构建用于砂体厚度预测的目标层储层厚度;步骤2、通过对叠后地震数据进行属性提取,获得与地震砂体厚度相关地震属性;步骤3、随机抽取用于组成训练、测试样本集,通过二次回归学习获取符合要求的网络模型;步骤4、将地震多属性与步骤3中的随机森林网络学习模型相结合,计算研究区内的薄砂储层有效厚度。该利用地震多属性基于两次随机森林法预测薄砂体厚度的方法有效提高薄互层厚度预测的精度,取得比较理想的预测结果。
Description
技术领域
本发明涉及油田开发技术领域,特别是涉及到一种利用地震多属性基于两次随机森林法预测薄砂体厚度的方法。
背景技术
薄互层状的砂体储层作为隐蔽油气藏的重要类型之一,多发育在陆相断陷湖盆的缓坡带,以含油面积大、储量丰度中等著称,日益受到勘探开发的重视。薄互层砂体储层由不同陆源沉积物组成,储层岩性以细砂岩为主,局部为砂质泥岩,构造-地层圈闭为主。
薄互层砂体油储是近年来国内外石油工业勘探开发研究的热点,而对薄砂储层地质规律的识别是快速有效地进行储层预测的关键。砂泥岩薄互层地质背景下厚度小于λ/4(λ为地震子波波长)的砂体地震储层预测,按照精细地层划分→砂体平面形态分析→砂体厚度预测的研究流程,提出地震沉积学研究思路。除曾洪流等倡导的地震沉积学研究规范涉及的井-震高精度层序格架、地震岩性分析(地震子波相位调整)、地层切片制作等核心研究内容之外,认为以细分岩性为基础的压实校正及古地貌恢复、邻层干涉压制、井-震联动的地层切片浏览、非线性地层切片等技术可准确预测薄砂体平面形态。在精细地层划分方面,地震同相轴的等时性分析技术有助于优选与地质等时界面吻合的同相轴作为层序界面,而基于精细合成记录制作和时深转换的井-震精细对比,可以实现高级层序界面的识别和追踪解释。薄砂层厚度预测方面,除常用的振幅-厚度分析技术和峰值频率技术之外,并没有能有效计算薄砂储层厚度的准确、快速的方法。
为此薄砂储层有效厚度预测成为了目前亟需解决的重要问题,因此有必要进行有效的预测方法研究。有两个勘探核心问题,其一,在多属性优选中,行业常规的方法是以经验关系,建立薄砂层与各种属性的交汇关系,从而分析砂体有效厚度与敏感参数的对应关系。但是地震属性高达几百种,传统的方法并不能有效快速的选择敏感属性;其二,对属性重要性的排序,数据驱动的方式进行重要性排序往往存在模型不准确的问题,如何优化随机森林算法,优化特征提取,准确刻画属性重要性,成为提升机器学习效果和重要一步,否则一些不满足岩石物理规律的属性往往成为该井位点的敏感属性,如果将这类属性当作重要性高的敏感属性应用到整个研究区,那么会对整个研究区的勘探识别产生错误。勘探实践证明,薄互层砂岩储层与储层的多种地震属性具有复杂的统计学关系。
在申请号:CN201711133194.2的中国专利申请中,涉及到一种预测砂泥岩薄互层砂体累积厚度的方法,该预测砂泥岩薄互层砂体累积厚度的方法包括:步骤1,加载地震数据;步骤2,确定提取地震属性时窗范围;步骤3,提取均方根振幅属性和质心频率属性;步骤4,建立均方根振幅、质心频率与薄互层砂体相对累积厚度的关系式;步骤5,计算砂泥岩薄互层砂体相对累积厚度并求取校正系数;步骤6,计算砂泥岩薄互层砂体累积厚度及成图。该预测砂泥岩薄互层砂体累积厚度的方法直接利用地震数据本身的振幅和频率信息,直接预测薄互层储层砂体累积厚度,避免了提频、时频分析等方法介入带来的误差,具有很高的可靠性。
在申请号:CN201811492987.8的中国专利申请中,涉及到一种预测薄层砂岩储层厚度方法及装置,预测薄层砂岩储层厚度方法包括:根据测井曲线数据和岩心沉积序列生成薄层砂岩储层的钻井对比剖面;根据测井曲线数据及钻井对比剖面计算薄层砂岩储层的岩石物理参数;根据测井曲线数据计算薄层砂岩储层的顶反射系数序列及底反射系数序列;根据岩石物理参数、测井曲线数据及顶反射系数序列及底反射系数序列建立厚度预测模板;利用反射系数序列及地震数据对薄层砂岩储层进行层位标定;根据层位标定结果提取地震反射峰值振幅参数;根据地震反射峰值振幅参数及厚度预测模板计算薄层砂岩储层的厚度。该发明能够定量预测薄层砂岩储层厚度,进而提高岩性圈闭勘探成功率。
在申请号:CN202110790280.0的中国专利申请中,涉及到一种基于机器学习的测井储层识别预测方法。针对常规测井解释方法进行致密气低孔低渗储层流体识别时,由于储层非均质性强、孔隙结构复杂,导致测井解释模型适用性差、准确率低的问题,并且传统的单一机器学习算法容易陷入过拟合、局部最优等问题。该发明采用经典的集成学习算法xgboost,结合试气录井结果和常规测井数据,对致密砂岩储层进行识别,能有效提升预测的精度,缩短了测试人员判别储层的时间,从而节约大量成本。
以上现有技术均与本发明有较大区别,未能解决我们想要解决的技术问题,为此我们发明了一种新的利用地震多属性基于两次随机森林法预测薄砂体厚度的方法。
发明内容
本发明的目的是提供一种可以高效、准确预测薄砂储层厚度,指导后续勘探开发,降低勘探风险的利用地震多属性基于两次随机森林法预测薄砂体厚度的方法。
本发明的目的可通过如下技术措施来实现:利用地震多属性基于两次随机森林法预测薄砂体厚度的方法,该利用地震多属性基于两次随机森林法预测薄砂体厚度的方法包括:
步骤1、从井资料中构建用于砂体厚度预测的目标层储层厚度;
步骤2、通过对叠后地震数据进行属性提取,获得与地震砂体厚度相关地震属性;
步骤3、随机抽取用于组成训练、测试样本集,通过二次回归学习获取符合要求的网络模型;
步骤4、将地震多属性与步骤3中的随机森林网络学习模型相结合,计算研究区内的薄砂储层有效厚度。
本发明的目的还可通过如下技术措施来实现:
在步骤1中,根据研究层段的测井解释资料,统计目的层段的砂岩厚度信息,使用自然伽马GR曲线或者取芯中得到的砂体厚度值曲线。
步骤1包括:
S11、对测井资料分析目标地层的薄互层有效曲线特征;
S12、对测井曲线进行数据预处理;
S13、在处理后的测井曲线上进行岩性识别并计算出井位处的薄砂体厚度数据。
在步骤S12中,对测井曲线进行的数据预处理包括井曲线规范化处理和基线校正处理。
步骤2包括:
S21、分析薄砂层的地震反射特征,找出对薄砂层相对敏感的地震信息;
S22、在叠后数据体上计算薄砂层相对敏感地震属性体,并抽取出薄砂层层位对应的属性切片;
S23、对地震属性切片进行归一化处理。
在步骤3中,随机抽取用于组成训练、测试样本集和预测集,构建随机森林决策树,通过一次回归学习结果重构属性重要度排序算法,计算属性重要度;优选地震属性并二次学习构建符合要求的网络模型。
步骤3包括:
S31、随机抽取用于组成训练、测试样本集;
S32、选择随机森林算法;
S33、按给定重要性阀值剔除不重要的属性;
S34、自主优选重要地震属性进行组成训练、测试样本集和预测集,再次重构决策树,进行二次训练与学习,获得最终的随机森林学习模型。
在步骤S31中,通过重复采样和随机特征选取两种随机方式构建两个样本集,两个样本集中分别选取一定比例的样本数据作为训练集,以及另一比例的样本数据作为测试集。
在步骤S32中,对每个样本展开决策树建模,并组成多棵拟合树,编码地震多属性数据和井点的砂岩厚度,进行回归拟合,计算属性重要性并排序。
在步骤S33中,以偏差值作为重建属性重要性的依据,剔除不重要、偏差大的属性。
步骤4包括:
S41、将预测地震属性按重要性自主优选构成新的预测样本库;
S42、将优选的地震属性与步骤3中的随机森林学习网络模型相结合,计算出研究区目标层的薄砂储层有效厚度;
S43、将二次学习预测的模型对无井区域进行薄砂体厚度分布预测,刻画出空间展布特征,刻画出空间展布特征。
本发明中的利用地震多属性基于两次随机森林法预测薄砂体厚度的方法能有效的提高砂体厚度预测的准确性,且计算的结果稳定性强。基于属性优选的随机森林算法的一整套处理方法能有效的利用众多的地震属性信息,充分约束薄砂储层反演准确性。与传统方法相比,传统的薄砂储层有效厚度计算主要采用属性线性统计回归、地质统计学插值、交汇分析等方法进行预测,但在实际储层预测应用中,由于储层的状况复杂,非均值性较强,储层敏感属性多,查找敏感属性工作量巨大,而本方法可以让大量的样本属性进行属性重要性排序,大大减少属性优选所花费的时间;并且通过多次随机森林预测训练和属性特性的不断优化,得到最优的预测模型和有效地震属性,与多元线性回归、KNN等其他机器学习方法相比较,能有效提高砂体有效厚度预测精度;同时,对优化的属性进行二次学习,有效的增强样本的精确性,提升反演预测的稳定性,提高预测模型的可解释性,为储层的综合评价进一步提供了有效可靠的地质参数。
附图说明
图1为本发明的利用地震多属性基于两次随机森林法预测薄砂体厚度的方法一具体实施例的流程图;
图2为本发明的一具体实施例中叠后数据提取的部分属性的切片图;
图3为本发明的一具体实施例1中重建属性重要性排序图;
图4为本发明的一具体实施例1中本方法流程预测的砂体厚度平面图(a)与钻井砂岩厚度平面图(b);
图5为本发明的一具体实施例1中本方法流程预测的砂体厚度与钻井砂岩厚度拟合图(a)和一次随机森林法预测的砂岩厚度与钻井砂岩厚度拟合结果(b)的示意图;
图6为本发明的一具体实施例2中本方法流程预测的砂体厚度平面图与钻井砂岩厚度拟合结果(b)的示意图;
图7为本发明的一具体实施例3中本方法流程预测的砂体厚度平面图与钻井砂岩厚度拟合结果(b)的示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作和/或它们的组合。
以下为应用本发明的几个具体实施例。
实施例1
如图1所示,图1为本发明的利用地震多属性基于两次随机森林法预测薄砂体厚度的方法的流程图。该利用地震多属性基于两次随机森林法预测薄砂体厚度的方法包括:
S101、根据研究层段的测井解释资料,统计目的层段的砂岩厚度信息(一般可以使用自然伽马GR曲线或者取芯中得到的砂体厚度值曲线):
S11、对测井资料分析目标地层的薄砂层有效曲线特征;
S12、对测井曲线进行数据重处理,其中包括井曲线规范化处理和基线校正处理;
S13、在处理后的测井曲线上进行岩性识别并计算出井位处的薄砂体厚度数据。
如图2所示,为步骤S101中随机森林样本建立所计算的地震属性。
S102、研究中提取两大类(频率调谐振幅类、波形特征类)共11种地震属性切片;
S21、分析薄储层的地震反射特征,找出对薄砂层相对敏感的地震信息;
S22、在叠后数据体上计算薄砂层相对敏感地震属性体,并抽取出与薄砂层厚度关联好的11类地震属性切片;
S23、考虑到属性量纲值的差异性,研究中对属性进行归一化的处理;
S301、如图3所示,随机抽取用于组成训练、测试样本集和预测集,构建随机森林决策树,通过一次回归学习结果重构属性重要度排序算法,计算属性重要度。优选地震属性并二次学习构建符合要求的网络模型;
S31、随机抽取用于组成训练、测试样本集和预测集。对数据进行按比例划分,其中一部分数据(70%)用于训练机器学习模型,一部分数据(30%)验证训练模型的精度;
S32、选择随机森林算法:对每个样本展开决策树建模,并组成多棵拟合树,编码地震多属性数据和井点的砂岩厚度,进行回归拟合,计算属性重要性并排序;
S33、按给定重要性阀值剔除不重要的属性。以偏差值作为重建属性重要性的依据,剔除不重要、偏差大的属性;
S34、自主优选重要的地震属性进行组成训练、测试样本集和预测集,再次构建决策树,进行二次训练与学习,获得最终的随机森林学习模型。
S401、如图4a、图5a所示,将预测地震属性按重要性自主优选构成新的预测样本集,将优选的地震属性与步骤3中的随机森林学习网络模型相结合,计算出研究区目标层的薄砂储层有效厚度,刻画出空间展布特征。
S41、将预测地震属性按重要性自主优选构成新的预测样本库
S42、将优选的地震属性与步骤3中的随机森林学习网络模型相结合,计算出研究区目标层的薄砂储层有效厚度。
S43、将二次学习预测的模型对无井区域进行薄砂体厚度分布预测,刻画出空间展布特征。
图4a是地震多属性随机森林预测的薄砂体累计厚度分布图,图4b是测井薄砂体插值的砂岩累计厚度图。对比两张图可以看出,本专利方法形成的砂体厚度与测井砂岩厚度总体特征一致,但本专利方法的砂体平平面分布细节更加丰富,井间砂岩厚度规律清晰,与钻井结果非常吻合,验证了该方法能准确预测薄砂岩储层的有效厚度。
图5a是地震多属性两次随机森林预测的薄砂体累计厚度与钻井厚度交汇图,图5b是地震多属性常规的一次随机森林法预测的薄砂体累计厚度与钻井厚度交汇图。两次法训练准确率(R2=0.94)明显高于一次法训练的准确率(R2=0.84)。
实施例2:
如图6所示,在应用本发明的具体实施例2中,按照实施例1中步骤,调整随机森林的中的回归树的个数参数,将实施例1中,回归树个数从500调整为100,可以从计算结果可以看出,砂岩累计厚度平面特征清楚(6a),本发明随机森林算法预测结果吻合率为88%(6b),预测结果较为稳定,依然比常规预测的吻合率高,在该例中证明了改进算法的参数稳定性,平面规律没有明显变化。
实施例3:
如图7所示,在应用本发明的具体实施例3中,按照实施例1中步骤,调整随机森林的中的回归树的个数参数,将实施例1中,实施案例1中,回归树最小子节点样本个数为10调整到4,可以从计算结果可以看出砂岩累计厚度平面特征清楚(7a),本发明随机森林算法预测结果吻合率为90%(图7b),预测结果较为稳定,依然比常规预测的吻合率高,在该例中证明了改进算法的参数稳定性,模型泛化能力参数比较稳定性,平面规律没有明显变化。
本发明中的利用地震多属性基于两次随机森林法预测薄砂体厚度的方法,可以一次学习中自主的确定地震属性重要性,通过优选的地震属性进行二次学习,获得有效的薄砂层厚度,包括:1.利用地震多属性分析是将多种属性联合,提高储层预测的精度;2.采用属性重要性排序的方法,改善传统人工属性优选的费时,准确性低的缺点;3.通过两次随机森林回归计算,在自主优选属性基础上进行薄砂体厚度的精准计算。因此在本专利中,为了兼顾样本多样性、模型复杂性和算法的稳定性,指定了一系列处理方法,有效提高薄互层厚度预测的精度,取得比较理想的预测结果。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域技术人员来说,其依然可以对前述实施例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
除说明书所述的技术特征外,均为本专业技术人员的已知技术。
Claims (11)
1.利用地震多属性基于两次随机森林法预测薄砂体厚度的方法,其特征在于,该利用地震多属性基于两次随机森林法预测薄砂体厚度的方法包括:
步骤1、从井资料中构建用于砂体厚度预测的目标层储层厚度;
步骤2、通过对叠后地震数据进行属性提取,获得与地震砂体厚度相关地震属性;
步骤3、随机抽取用于组成训练、测试样本集,通过二次回归学习获取符合要求的网络模型;
步骤4、将地震多属性与步骤3中的随机森林网络学习模型相结合,计算研究区内的薄砂储层有效厚度。
2.根据权利要求1所述的利用地震多属性基于两次随机森林法预测薄砂体厚度的方法,其特征在于,在步骤1中,根据研究层段的测井解释资料,统计目的层段的砂岩厚度信息,使用自然伽马GR曲线或者取芯中得到的砂体厚度值曲线。
3.根据权利要求2所述的利用地震多属性基于两次随机森林法预测薄砂体厚度的方法,其特征在于,步骤1包括:
S11、对测井资料分析目标地层的薄互层有效曲线特征;
S12、对测井曲线进行数据预处理;
S13、在处理后的测井曲线上进行岩性识别并计算出井位处的薄砂体厚度数据。
4.根据权利要求3所述的利用地震多属性基于两次随机森林法预测薄砂体厚度的方法,其特征在于,在步骤S12中,对测井曲线进行的数据预处理包括井曲线规范化处理和基线校正处理。
5.根据权利要求1所述的利用地震多属性基于两次随机森林法预测薄砂体厚度的方法,步骤2包括:
S21、分析薄砂层的地震反射特征,找出对薄砂层相对敏感的地震信息;
S22、在叠后数据体上计算薄砂层相对敏感地震属性体,并抽取出薄砂层层位对应的属性切片;
S23、对地震属性切片进行归一化处理。
6.根据权利要求1所述的利用地震多属性基于两次随机森林法预测薄砂体厚度的方法,其特征在于,在步骤3中,随机抽取用于组成训练、测试样本集和预测集,构建随机森林决策树,通过一次回归学习结果重构属性重要度排序算法,计算属性重要度;优选地震属性并二次学习构建符合要求的网络模型。
7.根据权利要求6所述的利用地震多属性基于两次随机森林法预测薄砂体厚度的方法,其特征在于,步骤3包括:
S31、随机抽取用于组成训练和测试样本集;
S32、选择随机森林算法;
S33、按给定重要性阀值剔除不重要的属性;
S34、自主优选重要地震属性进行组成训练、测试样本集和预测集,再次重构决策树,进行二次训练与学习,获得最终的随机森林学习模型。
8.根据权利要求7所述的利用地震多属性基于两次随机森林法预测薄砂体厚度的方法,其特征在于,在步骤S31中,通过重复采样和随机特征选取两种随机方式构建两个样本集,两个样本集中分别选取一定比例的样本数据作为训练集,以及另一比例的样本数据作为测试集。
9.根据权利要求7所述的利用地震多属性基于两次随机森林法预测薄砂体厚度的方法,其特征在于,在步骤S32中,对每个样本展开决策树建模,并组成多棵拟合树,编码地震多属性数据和井点的砂岩厚度,进行回归拟合,计算属性重要性并排序。
10.根据权利要求7所述的利用地震多属性基于两次随机森林法预测薄砂体厚度的方法,其特征在于,在步骤S33中,以偏差值作为重建属性重要性的依据,剔除不重要、偏差大的属性。
11.根据权利要求1所述的利用地震多属性基于两次随机森林法预测薄砂体厚度的方法,其特征在于,步骤4包括:
S41、将预测地震属性按重要性自主优选构成新的预测样本库;
S42、将优选的地震属性与步骤3中的随机森林学习网络模型相结合,计算出研究区目标层的薄砂储层有效厚度;
S43、将二次学习预测的模型对无井区域进行薄砂体厚度分布预测,刻画出空间展布特征,刻画出空间展布特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210071353.5A CN116520407A (zh) | 2022-01-21 | 2022-01-21 | 利用地震多属性基于两次随机森林法预测薄砂体厚度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210071353.5A CN116520407A (zh) | 2022-01-21 | 2022-01-21 | 利用地震多属性基于两次随机森林法预测薄砂体厚度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116520407A true CN116520407A (zh) | 2023-08-01 |
Family
ID=87405152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210071353.5A Pending CN116520407A (zh) | 2022-01-21 | 2022-01-21 | 利用地震多属性基于两次随机森林法预测薄砂体厚度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116520407A (zh) |
-
2022
- 2022-01-21 CN CN202210071353.5A patent/CN116520407A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109061765B (zh) | 非均质薄砂岩互层油藏的圈闭评价方法 | |
CN111596364B (zh) | 基于高精度层序地层格架的地震沉积微相组合分析方法 | |
CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
Euzen et al. | Well log cluster analysis: an innovative tool for unconventional exploration | |
CN114994758B (zh) | 碳酸盐岩断控储层的波阻抗提取与结构表征方法和系统 | |
CN116305850B (zh) | 一种基于随机森林模型的地层热导率预测方法 | |
CN105240006A (zh) | 一种适用于火山岩储层的油水层识别方法 | |
Bhattacharya | Unsupervised time series clustering, class-based ensemble machine learning, and petrophysical modeling for predicting shear sonic wave slowness in heterogeneous rocks | |
CN112505754B (zh) | 基于高精度层序格架模型的井震协同划分沉积微相的方法 | |
CN110118994B (zh) | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 | |
Carrasquilla et al. | Using facies, data mining and artificial intelligence concepts in the evaluation of a carbonate reservoir in Campos basin, Southeastern Brazil | |
CN115576011A (zh) | 一种基于地质模型的相控储层预测方法、装置及系统 | |
CN116520407A (zh) | 利用地震多属性基于两次随机森林法预测薄砂体厚度的方法 | |
CN115880455A (zh) | 基于深度学习的三维智能插值方法 | |
CN107831537B (zh) | 高砂地比浊积岩储层描述方法 | |
CN112379435A (zh) | 相控岩溶型缝洞集合体刻画方法及装置 | |
Bashore et al. | Multivariate statistical applications for quantifying contribution of seismic data to production prediction in the Wolfcamp, Midland Basin | |
Hami-Eddine et al. | Anomaly detection using dynamic Neural Networks, classification of prestack data | |
CN117407841B (zh) | 一种基于优化集成算法的页岩层理缝预测方法 | |
CN113093275B (zh) | 曲流河及曲流河三角洲油田钻井成功率提高方法及装置 | |
Hernandez-Mejia et al. | Dynamic time warping for well injection and production history connectivity characterization | |
CN113495293B (zh) | 油藏流体预测方法及装置 | |
Huang et al. | A Novel Method of 3D Multipoint Geostatistical Inversion Using 2D Training Images | |
Nivlet et al. | Facies analysis from pre-stack inversion results in a deep offshore turbidite environment | |
Figiel et al. | Identification of Strata from Irregularities in Well Logs Using Chaos Quantifiers |
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 |