CN116663430A - 高温地热田储层结构孔隙度定量表征的方法及系统 - Google Patents
高温地热田储层结构孔隙度定量表征的方法及系统 Download PDFInfo
- Publication number
- CN116663430A CN116663430A CN202310927255.1A CN202310927255A CN116663430A CN 116663430 A CN116663430 A CN 116663430A CN 202310927255 A CN202310927255 A CN 202310927255A CN 116663430 A CN116663430 A CN 116663430A
- Authority
- CN
- China
- Prior art keywords
- geothermal
- reservoir
- porosity
- resistivity
- field
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000012530 fluid Substances 0.000 claims abstract description 63
- 238000011161 development Methods 0.000 claims abstract description 32
- 238000012512 characterization method Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000010276 construction Methods 0.000 claims abstract description 9
- 230000018109 developmental process Effects 0.000 claims description 31
- 208000010392 Bone Fractures Diseases 0.000 claims description 30
- 206010017076 Fracture Diseases 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 24
- 238000005553 drilling Methods 0.000 claims description 12
- 239000011435 rock Substances 0.000 claims description 12
- 238000009933 burial Methods 0.000 claims description 11
- 238000011835 investigation Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000005684 electric field Effects 0.000 claims description 6
- 238000011065 in-situ storage Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/10—Geothermal energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Fluid Mechanics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于地热资源开发技术领域，具体涉及一种高温地热田储层结构孔隙度定量表征的方法及系统。本发明包括：基于所述地热储层范围和断裂的空间分布特征获得目标区块内的构造和演化特征；根据地热储层范围、断裂的空间分布特征及目标区块内的构造和演化特征，确定地球物理测点位置；根据目标区块内地热储层的电阻率分布，确定目标区块内的勘探井位置；根据勘探井位置的参数建立地热储层地质参数集；基于所述地热储层地质参数集，利用训练好的基于人工神经网络的储层孔隙度预测模型，学习地热储层的电阻率和流体电阻率与储层孔隙度之间的定量关系，进而获得整个地热储层的孔隙度分布和地热流体的总量，对高温地热田储层结构的孔隙度实现定量表征。
Description
技术领域
本发明属于地热资源开发技术领域，具体涉及了一种高温地热田储层结构孔隙度定量表征的方法及系统。
背景技术
地热能作为一种非碳基、清洁能源，因为稳定连续输出的优势，加快地热能勘探与开发利用，将对实现“碳达峰”和“碳中和”的发展目标具有重要价值。地热资源的开发利用可分为发电和直接利用两个方面：高温地热资源主要用于发电；中低温地热资源则以直接利用为主。定量表征地热储层结构的孔隙度是地热资源开发利用的关键。地热储层结构受地质构造和沉积地层控制，具有多种岩性组合，导致储层非均质性强，在多期次构造作用下，节理、裂隙、断层等弱结构面发育。地热储层中的非均质性岩体是控制高温地热流体富集的关键因素，地热储层孔隙度分布规律及其地热储层地质参数集是布设地热开放井的主控因素，因此，如何精细化定量表征地热储层的孔隙度，准确掌握储层地热储层地质参数集本底条件，对保障作业效率和开发效益至关重要。
发明内容
为了解决现有技术中的上述问题，即如何精细化定量表征地热储层的孔隙度，准确掌握地热储层地质参数集本底条件的问题，本发明提供了一种高温地热田储层结构孔隙度定量表征的方法，所述方法包括：
步骤S100，收集目标区块内的历史地质资料，通过对目标区块内的历史地质资料和现场地质调查，获得地热储层范围和断裂的空间分布特征，基于所述地热储层范围和断裂的空间分布特征获得目标区块内的结构和演化特征；
步骤S200，根据地热储层范围、断裂的空间分布特征及目标区块内的构造和演化特征，将满足设定的储层埋深条件、地热流体条件和断裂发育条件的地区，确定为地球物理测点位置；
步骤S300，获取全部地球物理测点位置的地球物理观测数据，根据非线性共轭梯度反演方法获取目标区块内地热田的地热储层电阻率分布选定电阻率低于预定阈值的区域为富含地热流体的储层，确定目标区块内的勘探井位置；
步骤S400，在所述勘探井位置进行全井段钻孔取芯，获得岩心数据参数；
根据岩心数据参数，建立岩性柱状图；
开展全钻孔测井，获取勘探井位置的地热储层的温度、温度梯度、电阻率和孔隙度参数；
根据勘探井位置的岩心数据参数、岩性柱状图、地热储层的温度、地热储层的温度梯度、地热储层的电阻率和地热储层的孔隙度参数建立地热储层地质参数集；
步骤S500，在实验室内，模拟现场条件对不同温度和压力的地热流体进行电阻率测量，得到不同状态下的流体电阻率数据集；
步骤S600，基于所述地热储层地质参数集，利用训练好的基于人工神经网络的储层孔隙度预测模型，学习地热储层的电阻率和流体电阻率与储层孔隙度之间的定量关系，进而获得整个地热储层的孔隙度分布和地热流体的总量，对高温地热田储层结构的孔隙度实现定量表征。
在一些优选的实施方式中，所述步骤S100，具体包括：
所述断裂的空间分布特征包括现场露头断裂的位置、倾角、倾向、走向和填充情况；
所述现场地质调查包括现场露头剖面调查、地球物理测井、岩心观测和工程验证。
在一些优选的实施方式中，所述步骤S200，具体包括：
对储层的野外地质露头进行电阻率和孔隙度测量，建立不同类型的岩石电阻率与孔隙度的数据集。
在一些优选的实施方式中，所述地球物理观测数据，具体包括：
视电阻率和相位曲线。
在一些优选的实施方式中，所述步骤S300，具体包括：
步骤S310，开展三维音频大地电磁勘探，在地球物理测点位置采用“+”字型电极布置方式，采集两个正交的电场分量和两个正交的磁场分量，记为（，/>）和（/>，/>），x和y表示正交的两个方向；
步骤S320，将所述电场分量和磁场分量通过快速傅里叶变换和加权最小二乘法获得所述地球物理测点位置的视电阻率和相位曲线；
步骤S330，根据得到的所述地球物理测点的视电阻和相位曲线，利用非线性共轭梯度反演方法，获取地热储层的电阻率分布，圈定电阻率低于预设电阻率阈值的区域为地热流体富集区，获得地热储层展布特征，选择储层电阻率低于预设电阻率阈值、深度低于预设深度阈值、地热流体富集区部署勘探井位置。
在一些优选的实施方式中，所述岩心数据参数，其获得方法包括：
通过岩心观测获得岩心的岩性、岩相特征、水化学和天然断裂裂隙分布特征，对勘探井位置的地层进行地层分段，观测获得地层产状、地层接触关系和裂隙及断层的发育情况；
在一些优选的实施方式中，所述人工神经网络的关系学习模型，其训练方法具体包括：
步骤A100，获取带有标准标签的地热储层地质参数集并分为训练集数据和验证集数据；
步骤A200，基于所述训练集，通过未训练好的基于人工神经网络的储层孔隙度预测生成训练集的储层孔隙度分布图像；
基于所述验证集，通过未训练好的基于人工神经网络的储层孔隙度预测模型生成验证集的储层孔隙度分布图像；
步骤A300，基于所述训练过程中的储层孔隙度分布图像计算训练误差值，基于验证集的储层孔隙度分布图像计算验证数据误差，通过Levenberg-Marquardt算法更新模型权重和模型偏差值，重复步骤A200直至训练误差值低于预设的误差阈值且验证数据误差开始上升，得到训练好的基于人工神经网络的储层孔隙度预测模型。
在一些优选的实施方式中，所述获得整个地热储层的孔隙度分布和地热流体的总量，具体包括：
根据下面公式计算整个地热田的地热流体总量，
；
其中Δx、Δy、Δz分别为研究区剖分单元格的x、y、z方向的间隔，m、n、l分别为x、 y、z方向的剖分网格单元总数，k、j、i分别为x、y、z方向的剖分网格单元，对应网格的地热储层的孔隙度，/>表示地热流体总量。
在一些优选的实施方式中，所述一种高温地热田储层结构孔隙度定量表征的方法，所述方法还用于：
部署地热开发井，形成地热田高效开放井网。
本发明的另一方面，提出了一种高温地热田储层结构孔隙度定量表征的系统，包括：地球物理测点位置确定模块，勘探井位部署模块，地热储层地质参数集构建模块，流体电阻率获得模块，高温地热田储层结构孔隙度定量表征模块；
所述地球物理测点位置确定模块，配置为根据地热储层范围、断裂的空间分布特征及目标区块内的构造和演化特征，将满足设定的储层埋深条件、地热流体条件和断裂发育条件的地区，确定为地球物理测点位置；
所述勘探井位部署模块，配置为获取全部地球物理测点位置的地球物理观测数据，通过非线性共轭梯度反演方法获取目标区块内地热田的地热储层的电阻率分布选定电阻率低于设定阈值的区域为富含地热流体的储层，确定目标区块内的勘探井位置；
所述地热储层地质参数集构建模块，配置为根据在所述勘探井位置进行全井段钻孔取芯获得的岩心数据参数，建立岩性柱状图，开展全钻孔测井，获取勘探井位置的地热储层的温度、温度梯度、电阻率和孔隙度参数，根据勘探井位置的岩心数据参数、岩性柱状图、地热储层的温度、地热储层的温度梯度、地热储层的电阻率和地热储层的孔隙度参数建立地热储层地质参数集；
所述流体电阻率获得模块，配置为模拟现场条件对不同温度和压力的地热流体进行电阻率测量，得到不同状态下的流体电阻率数据集；
所述高温地热田储层结构孔隙度定量表征模块，配置为基于所述地热储层地质参数集，利用训练好的基于人工神经网络的储层孔隙度预测模型，学习地热储层的电阻率和流体电阻率与储层孔隙度之间的定量关系，进而获得整个地热储层的孔隙度分布和地热流体的总量，对高温地热田储层结构的孔隙度实现定量表征。
本发明的有益效果：
（1）本发明通过对高温地热田储层结构孔隙度的定量表征优化开发策略，提高开发的效率；
（2）本发明通过对高温地热田储层结构孔隙度的定量表征提高资源评估准确性，为开发提供更可靠的依据。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是高温地热田储层结构孔隙度定量表征方法的流程图；
图2是野外音频大地电磁“十”字数据采集系统示意图；
图3是非线性共轭梯度反演获取的地热储层电阻率分布图；
图4是人工神经网络的关系学习模型采用的三层神经网络；
图5是建立的地热储层孔隙度分布。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的一种高温地热田储层结构孔隙度定量表征的方法，包括：
步骤S100，收集目标区块内的历史地质资料，通过对目标区块内的历史地质资料和现场地质调查，获得地热储层范围和断裂的空间分布特征；基于所述地热储层范围和断裂的空间分布特征获得目标区块内的构造和演化特征；
步骤S200，根据地热储层范围、断裂的空间分布特征及目标区块内的构造和演化特征，将满足设定的储层埋深条件、地热流体条件和断裂发育条件的地区，确定为地球物理测点位置；
步骤S300，获取全部所述地球物理测点位置的地球物理观测数据，根据非线性共轭梯度反演方法获取目标区块内地热田的地热储层的电阻率分布选定低电阻率区域为富含地热流体的储层，确定目标区块内的勘探井位置；
步骤S400，在所述勘探井位置进行全井段钻孔取芯，获得岩心数据参数；
根据岩心数据参数，建立岩性柱状图；
开展全钻孔测井，获取勘探井位置的地热储层的温度、温度梯度、电阻率和孔隙度参数；
根据勘探井位置的岩心数据参数、岩性柱状图、地热储层的温度、地热储层的温度梯度、地热储层的电阻率和地热储层的孔隙度参数建立地热储层地质参数集；
步骤S500，在实验室内，模拟现场条件对不同温度和压力的地热流体进行电阻率测量，得到不同状态下的流体电阻率数据集；
步骤S600，基于所述地热储层地质参数集，利用训练好的基于人工神经网络的储层孔隙度预测模型，学习地热储层的电阻率和流体电阻率与储层孔隙度之间的定量关系，进而获得整个地热储层的孔隙度分布和地热流体的总量，对高温地热田储层结构的孔隙度实现定量表征。
为了更清晰地对本发明一种高温地热田储层结构孔隙度定量表征的方法进行说明，下面结合图1对本发明实施例中各步骤展开详述。
本发明的第一实施例，提出一种高温地热田储层结构孔隙度定量表征的方法，包括：
步骤S100，收集目标区块内的历史地质资料，通过对目标区块内的历史地质资料和现场地质调查，获得地热储层范围和断裂的空间分布特征；基于所述地热储层范围和断裂的空间分布特征获得目标区块内的构造和演化特征；
地热储层埋深相对较浅，经历多期次构造抬升和低层剥蚀，区块内往往地层已有出露，同时工程建设、地质勘探开发等以往的地质工作积累了大量的历史地质资料。全面收集目标区块内的历史地质资料，通过对目标区块内历史地质资料的综合研究，结合野外现场露头剖面调查、地球物理测井、岩心观测以及必要的工程验证，查明地热田区域范围内的地层岩性分布与地热储层范围，结合野外现场露头断裂，获取断裂的空间分布特征（位置、倾角、倾向、走向和填充情况等），阐明目标区块内构造和演化特征。
步骤S200，根据地热储层范围、断裂的空间分布特征及目标区块内的构造和演化特征，将满足设定的储层埋深条件、地热流体条件和断裂发育条件的地区，确定为地球物理测点位置；
满足设定的储层埋深条件为储层埋深较浅，地热流体条件为地表有地热流体出露，断裂发育条件为断裂发育丰富；
对储层的野外地质露头进行电阻率和孔隙度测量，建立不同类型的岩石电阻率与孔隙度的数据集。
步骤S300，获取全部地球物理测点位置的地球物理观测数据，根据非线性共轭梯度反演方法获取目标区块内地热田的地热储层的电阻率分布选定电阻率低于设定阈值的区域为富含地热流体的储层，确定目标区块内的勘探井位置；
其中，所述地球物理观测数据为视电阻率和相位曲线；
在本实施例中，所述步骤S300，具体包括：
步骤S310，如图2所示，开展三维音频大地电磁勘探，在地球物理测点位置采用电极距60m的“+”字型电极布置方式，采集两个正交的电场分量和两个正交的磁场分量，记为（，/>）和（/>，/>），x和y表示正交的两个方向，观测时间为3个小时；
步骤S320，将所述电场分量和磁场分量通过快速傅里叶变换和加权最小二乘法获得所述地球物理测点位置的视电阻率和相位曲线，频率范围10000~0.1Hz；
步骤S330，如图3所示，根据得到的所述地球物理测点的视电阻和相位曲线，利用非线性共轭梯度反演方法，获取地热储层的电阻率分布，圈定电阻率低于10Ωm的区域为地热流体富集区，获得地热储层展布特征，选择储层电阻率低于10Ωm、埋藏深度小于500米、地热流体富集区部署勘探井位置。
步骤S400，在所述勘探井位置进行全井段钻孔取芯，获得岩心数据参数；
根据岩心数据参数，建立岩性柱状图；
开展全钻孔测井，获取勘探井位置的地热储层的温度、温度梯度、电阻率和孔隙度参数；
根据勘探井位置的岩心数据参数、岩性柱状图、地热储层的温度、地热储层的温度梯度、地热储层的电阻率和地热储层的孔隙度参数建立地热储层地质参数集；
钻孔岩心是最直观、最可靠的第一性地质资料，进行全井段钻孔取芯，岩心观测描述岩性、岩相特征、水化学及其天然断裂裂隙分布特征进行地层分段，观测地层产状、地层接触关系、裂隙及断层的发育情况；
对钻孔开展温度、电阻率和孔隙度测井，获取温度、温度梯度、电阻率和孔隙度等参数，建立地热储层地质参数集。
地热储层地质参数集提供了多种影响因素，如岩石类型、矿物组成、应力场，从何获取更准确的孔隙度分布信息。
步骤S500，在实验室内，模拟野外现场条件对不同温度和压力的地热流体进行电阻率测量，得到不同状态下的流体电阻率数据集；
岩心现场测量和全钻孔测井，获取了大量的地热储层的电阻率和孔隙度的资料，同时在实验室内对不同温度和压力的地热流体进行电阻率测量，得到流体电阻率。
步骤S600，基于所述地热储层地质参数集，利用训练好的基于人工神经网络的储层孔隙度预测模型，学习地热储层的电阻率和流体电阻率与储层孔隙度之间的定量关系，进而获得整个地热储层的孔隙度分布和地热流体的总量，对高温地热田储层结构的孔隙度实现定量表征。
在本实施例中，所述基于人工神经网络的储层孔隙度预测模型，其训练方法具体包括：
步骤A100，获取带有标准标签的地热储层地质参数集并分为训练集数据和验证集数据；在本实施例中将地热储层地质参数集即训练参数集作为输入数据，将70%用于训练，15%用于测试，其余用于验证。
步骤A200，基于所述训练集，通过未训练好的基于人工神经网络的储层孔隙度预测生成训练集的储层孔隙度分布图像；
基于所述验证集，通过未训练好的基于人工神经网络的储层孔隙度预测模型生成验证集的储层孔隙度分布图像；
步骤A300，基于所述训练过程中的储层孔隙度分布图像计算训练误差值，基于验证集的储层孔隙度分布图像计算验证数据误差，通过Levenberg-Marquardt算法更新模型权重和模型偏差值，重复步骤A200直至训练误差值低于预设的误差阈值且验证数据误差开始上升，得到训练好的基于人工神经网络的储层孔隙度预测模型。
网络验证与网络训练同时进行，当验证数据误差开始上升时，停止训练；
训练数据的均方误差（MSE）显示，经过10次迭代后，网络达到了最优。训练阶段和验证阶段的孔隙度的相关系数（R2）大于0.97。结果表明，人工神经网络在孔隙度估计中的效率很高。
将得到的电阻率与孔隙度之间的关系应用到整个地热田，获取整个地热田地热储层的孔隙度分布。
利用下面公式计算整个地热田的地热流体总量：
，
Δx、Δy、Δz分别为研究区剖分单元格的x、y、z方向的间隔，m、n、l分别为x、y、z方向的剖分网格单元总数，k、j、i分别为x、y、z方向的剖分网格单元，对应网格的地热储层的孔隙度。
本发明的第二实施例，提出将一种高温地热田储层结构孔隙度定量表征的方法应用于地热能开发过程，具体为：
根据储层孔隙度的分布信息选择出具有较高孔隙度和渗透率的区域进行钻井；
根据储层孔隙度的空间变异特征，指定合适的开发策略，如调整注水量、采用分段开发；
在地热能开发过程中，持续监测储层孔隙度的变化，如通过测井、地球物理探测方法。将监测结果反馈到地热储层地质参数集中。
本实施例通过将本发明的定量表征方法应用于地热能开发领域，能够提高地热能的开发效率，降低开发成本和环境影响，并持续自身优化高温地热田结构孔隙度定量表征的方法，更进一步地，为地热能的可持续发展提供支持。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
本发明第三实施例的一种高温地热田储层结构孔隙度定量表征的系统，系统包括：地球物理测点位置确定模块，勘探井位部署模块，地热储层地质参数集构建模块，地热储层电阻率、流体电阻率和孔隙度之间的定量关系构建模块，高温地热田储层结构孔隙度定量表征模块；
所述地球物理测点位置确定模块，配置为根据地热储层范围、断裂的空间分布特征及目标区块内的构造和演化特征，将满足设定的储层埋深条件、地热流体条件和断裂发育条件的地区，确定为地球物理测点位置；
所述勘探井位部署模块，配置为获取全部地球物理测点位置的地球物理观测数据，通过非线性共轭梯度反演方法获取目标区块内地热田的地热储层的电阻率分布选定电阻率低于设定阈值的区域为富含地热流体的储层，确定目标区块内的勘探井位置；
所述地热储层地质参数集构建模块，配置为根据在所述勘探井位置进行全井段钻孔取芯获得的岩心数据参数，建立岩性柱状图，开展全钻孔测井，获取勘探井位置的地热储层的温度、温度梯度、电阻率和孔隙度参数，根据勘探井位置的岩心数据参数、岩性柱状图、地热储层的温度、地热储层的温度梯度、地热储层的电阻率和地热储层的孔隙度参数建立地热储层地质参数集；
所述流体电阻率获得模块，配置为模拟现场条件对不同温度和压力的地热流体进行电阻率测量，得到不同状态下的流体电阻率数据集；
所述高温地热田储层结构孔隙度定量表征模块，配置为基于所述地热储层地质参数集，利用训练好的基于人工神经网络的储层孔隙度预测模型，学习地热储层的电阻率和流体电阻率与储层孔隙度之间的定量关系，进而获得整个地热储层的孔隙度分布和地热流体的总量，对高温地热田储层结构的孔隙度实现定量表征。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的一种高温地热田储层结构孔隙度定量表征的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种高温地热田储层结构孔隙度定量表征的方法，其特征在于，所述方法包括：
步骤S100，收集目标区块内的历史地质资料，通过对目标区块内的历史地质资料和现场地质调查，获得地热储层范围和断裂的空间分布特征；基于所述地热储层范围和断裂的空间分布特征获得目标区块内的构造和演化特征；
步骤S200，根据地热储层范围、断裂的空间分布特征及目标区块内的构造和演化特征，将满足设定的储层埋深条件、地热流体条件和断裂发育条件的地区，确定为地球物理测点位置；
步骤S300，获取全部地球物理测点位置的地球物理观测数据，通过非线性共轭梯度反演方法获取目标区块内地热田的地热储层的电阻率分布选定电阻率低于设定阈值的区域为富含地热流体的储层，确定目标区块内的勘探井位置；
步骤S400，在所述勘探井位置进行全井段钻孔取芯，获得岩心数据参数；
根据岩心数据参数，建立岩性柱状图；
开展全钻孔测井，获取地热储层的温度、温度梯度、电阻率和孔隙度参数；
根据勘探井位置的岩心数据参数、岩性柱状图、地热储层的温度、地热储层的温度梯度、地热储层的电阻率和地热储层的孔隙度参数建立地热储层地质参数集；
步骤S500，在实验室内，模拟现场条件对不同温度和压力的地热流体进行电阻率测量，得到不同状态下的流体电阻率数据集；
步骤S600，基于所述地热储层地质参数集，利用训练好的基于人工神经网络的储层孔隙度预测模型，学习地热储层的电阻率和流体电阻率与储层孔隙度之间的定量关系，进而获得整个地热储层的孔隙度分布和地热流体的总量，对高温地热田储层结构的孔隙度实现定量表征。
2.根据权利要求1所述的一种高温地热田储层结构孔隙度定量表征的方法，其特征在于，所述步骤S100，具体包括：
所述断裂的空间分布特征包括现场露头断裂的位置、倾角、倾向、走向和填充情况；
所述现场地质调查包括现场露头剖面调查、地球物理测井、岩心观测和工程验证。
3.根据权利要求1所述的一种高温地热田储层结构孔隙度定量表征的方法，其特征在于，所述步骤S200，具体包括：
对储层的野外地质露头进行电阻率和孔隙度测量，建立不同类型的岩石电阻率与孔隙度的数据集。
4.根据权利要求1所述的一种高温地热田储层结构孔隙度定量表征的方法，其特征在于，所述地球物理观测数据，具体包括：
视电阻率和相位曲线。
5.根据权利要求1所述的一种高温地热田储层结构孔隙度定量表征的方法，其特征在于，所述步骤S300，具体包括：
步骤S310，开展三维音频大地电磁勘探，在地球物理测点位置采用“+”字型电极布置方式，采集两个正交的电场分量和两个正交的磁场分量，记为（ ，/>）和（/>，/>），x和y表示正交的两个方向；
步骤S320，将所述电场分量和磁场分量通过快速傅里叶变换和加权最小二乘法获得所述地球物理测点位置的视电阻率和相位曲线；
步骤S330，根据得到的所述地球物理测点位置的视电阻和相位曲线，利用非线性共轭梯度反演方法，获取地热储层电阻率分布，圈定电阻率低于预设电阻率阈值的区域为地热流体富集区，获得地热储层展布特征，选择储层电阻率低于预设电阻率阈值、深度低于预设深度阈值、地热流体富集区部署勘探井位置。
6.根据权利要求1所述的一种高温地热田储层结构孔隙度定量表征的方法，其特征在于，所述岩心数据参数，其获得方法包括：
通过岩心观测获得岩心的岩性、岩相特征、水化学和天然断裂裂隙分布特征，对勘探井位置的地层进行地层分段，观测获得地层产状、地层接触关系和裂隙及断层的发育情况。
7.根据权利要求1所述的一种高温地热田储层结构孔隙度定量表征的方法，其特征在于，所述基于人工神经网络的储层孔隙度预测模型，其训练方法具体包括：
步骤A100，获取带有标准标签的地热储层地质参数集并分为训练集数据和验证集数据；
步骤A200，基于所述训练集，通过未训练好的基于人工神经网络的储层孔隙度预测生成训练集的储层孔隙度分布图像；
基于所述验证集，通过未训练好的基于人工神经网络的储层孔隙度预测模型生成验证集的储层孔隙度分布图像；
步骤A300，基于所述训练过程中的储层孔隙度分布图像计算训练误差值，基于验证集的储层孔隙度分布图像计算验证数据误差，通过Levenberg-Marquardt算法更新模型权重和模型偏差值，重复步骤A200直至训练误差值低于预设的误差阈值且验证数据误差开始上升，得到训练好的基于人工神经网络的储层孔隙度预测模型。
8.根据权利要求1所述的一种高温地热田储层结构孔隙度定量表征的方法，其特征在于，所述获得整个地热储层的孔隙度分布和地热流体的总量，具体包括：
根据下面公式计算整个地热田的地热流体总量：
；
其中Δx、Δy、Δz分别为研究区剖分单元格的x、y、z方向的间隔，m、n、l分别为x、y、z方向的剖分网格单元总数，k、j、i分别为x、y、z方向的剖分网格单元，表示对应网格的地热储层的孔隙度。
9.根据权利要求1所述的一种高温地热田储层结构孔隙度定量表征的方法，其特征在于，所述方法还用于：
部署地热开发井，形成地热田高效开发井网。
10.一种高温地热田储层结构孔隙度定量表征的系统，其特征在于，所述系统包括：
地球物理测点位置确定模块，配置为根据地热储层范围、断裂的空间分布特征及目标区块内的构造和演化特征，将满足设定的储层埋深条件、地热流体条件和断裂发育条件的地区，确定为地球物理测点位置；
勘探井位部署模块，配置为获取全部地球物理测点位置的地球物理观测数据，通过非线性共轭梯度反演方法获取目标区块内地热田的地热储层的电阻率分布选定电阻率低于设定阈值的区域为富含地热流体的储层，确定目标区块内的勘探井位置；
地热储层地质参数集构建模块，配置为根据在所述勘探井位置进行全井段钻孔取芯获得的岩心数据参数，建立岩性柱状图，开展全钻孔测井，获取勘探井位置的地热储层的温度、温度梯度、电阻率和孔隙度参数，根据勘探井位置的岩心数据参数、岩性柱状图、地热储层的温度、地热储层的温度梯度、地热储层的电阻率和地热储层的孔隙度参数建立地热储层地质参数集；
流体电阻率获得模块，配置为模拟现场条件对不同温度和压力的地热流体进行电阻率测量，得到不同状态下的流体电阻率数据集；
高温地热田储层结构孔隙度定量表征模块，配置为基于所述地热储层地质参数集，利用训练好的基于人工神经网络的储层孔隙度预测模型，学习地热储层的电阻率和流体电阻率与储层孔隙度之间的定量关系，进而获得整个地热储层的孔隙度分布和地热流体的总量，对高温地热田储层结构的孔隙度实现定量表征。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310927255.1A CN116663430B (zh) | 2023-07-27 | 2023-07-27 | 高温地热田储层结构孔隙度定量表征的方法及系统 |
| JP2023205123A JP7495769B1 (ja) | 2023-07-27 | 2023-12-05 | 高温地熱田の貯留層構造孔隙度の定量的特徴付けの方法及びシステム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310927255.1A CN116663430B (zh) | 2023-07-27 | 2023-07-27 | 高温地热田储层结构孔隙度定量表征的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116663430A true CN116663430A (zh) | 2023-08-29 |
| CN116663430B CN116663430B (zh) | 2023-09-22 |
Family
ID=87717388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310927255.1A Active CN116663430B (zh) | 2023-07-27 | 2023-07-27 | 高温地热田储层结构孔隙度定量表征的方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7495769B1 (zh) |
| CN (1) | CN116663430B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2012133592A (ru) * | 2012-08-06 | 2014-02-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Кубанский государственный аграрный университет" | Способ прогнозирования зон развития вторичных коллекторов трещинного типа в осадочном чехле |
| CN104977618A (zh) * | 2014-04-09 | 2015-10-14 | 中国石油集团东方地球物理勘探有限责任公司 | 一种评价页岩气储层及寻找甜点区的方法 |
| CN112922591A (zh) * | 2021-03-01 | 2021-06-08 | 中国地质大学（北京） | 泥页岩储层岩相“甜点”预测方法及系统 |
| CN113775330A (zh) * | 2021-09-23 | 2021-12-10 | 中油奥博(成都)科技有限公司 | 高温地热田综合地球物理勘探系统及地热甜点区评价方法 |
| CN114592848A (zh) * | 2020-11-19 | 2022-06-07 | 中石化石油工程技术服务有限公司 | 孔隙度-电阻率-岩性匹配关系法识别低阻油气层的方法 |
| CN115824916A (zh) * | 2022-10-17 | 2023-03-21 | 中国科学院地质与地球物理研究所 | 一种光滑平行裂隙岩体渗流温度测量装置及其解译方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5557646B2 (ja) | 2010-08-09 | 2014-07-23 | 電源開発株式会社 | 地層パラメーターの推定方法 |
| GB2563048A (en) | 2017-06-01 | 2018-12-05 | Equinor Energy As | Method of calculating temperature and porosity of geological structure |
| CN109709626B (zh) | 2018-11-15 | 2022-02-08 | 山东省地质矿产勘查开发局 | 一种构造圈闭型弱开放式层状岩溶热储地热田找矿方法 |
| CN112198559B (zh) | 2020-10-09 | 2021-08-17 | 中国地质大学（武汉） | 一种识别造山带区域高温水热地热田的方法及识别仪 |
-
2023
- 2023-07-27 CN CN202310927255.1A patent/CN116663430B/zh active Active
- 2023-12-05 JP JP2023205123A patent/JP7495769B1/ja active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2012133592A (ru) * | 2012-08-06 | 2014-02-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Кубанский государственный аграрный университет" | Способ прогнозирования зон развития вторичных коллекторов трещинного типа в осадочном чехле |
| CN104977618A (zh) * | 2014-04-09 | 2015-10-14 | 中国石油集团东方地球物理勘探有限责任公司 | 一种评价页岩气储层及寻找甜点区的方法 |
| CN114592848A (zh) * | 2020-11-19 | 2022-06-07 | 中石化石油工程技术服务有限公司 | 孔隙度-电阻率-岩性匹配关系法识别低阻油气层的方法 |
| CN112922591A (zh) * | 2021-03-01 | 2021-06-08 | 中国地质大学（北京） | 泥页岩储层岩相“甜点”预测方法及系统 |
| CN113775330A (zh) * | 2021-09-23 | 2021-12-10 | 中油奥博(成都)科技有限公司 | 高温地热田综合地球物理勘探系统及地热甜点区评价方法 |
| CN115824916A (zh) * | 2022-10-17 | 2023-03-21 | 中国科学院地质与地球物理研究所 | 一种光滑平行裂隙岩体渗流温度测量装置及其解译方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘庆等: "《北京地区雾迷山组地热储层微观孔隙结构及孔渗特征》", 《地质通报》, pages 657 - 668 * |
| 孟银生;张光之;刘瑞德;: "电阻率参数预测地热田深部温度方法技术研究", 物探化探计算技术, no. 01 * |
| 王俊等: "《基于深度双向循环神经网络的储层孔隙度预测》", 《地球物理学进展》, pages 267 - 274 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116663430B (zh) | 2023-09-22 |
| JP7495769B1 (ja) | 2024-06-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Peacock et al. | Time-lapse magnetotelluric monitoring of an enhanced geothermal system | |
| Siler et al. | Three-dimensional geologic mapping to assess geothermal potential: examples from Nevada and Oregon | |
| Zha et al. | What does hydraulic tomography tell us about fractured geological media? A field study and synthetic experiments | |
| CN109001823B (zh) | 一种电磁大地透镜探测方法和探测装置 | |
| Vilamajó et al. | Feasibility of monitoring the Hontomín (Burgos, Spain) CO 2 storage site using a deep EM source | |
| WO2009134669A2 (en) | Hydrocarbon recovery testing method | |
| CN105510993A (zh) | 前陆盆地深埋挤压型复杂膏盐岩层识别和分布预测方法 | |
| CN104514552A (zh) | 一种煤层气储层识别与丰度预测的方法 | |
| CN110988999A (zh) | 基于跨孔电阻率法ct反演成像分析桩基的探测方法及系统 | |
| Niculescu et al. | Application of electrical resistivity tomography for imaging seawater intrusion in a coastal aquifer | |
| Garg et al. | Characterization of geothermal reservoirs with electrical surveys: Beowawe geothermal field | |
| Vogt et al. | On self-potential data for estimating permeability in enhanced geothermal systems | |
| Torrese et al. | 3D ERT imaging of the fractured-karst aquifer underlying the experimental site of Poitiers (France): comparing Wenner-Schlumberger, Pole-Dipole and hybrid arrays | |
| Møller et al. | Shallow subsurface thermal structure onshore Denmark: temperature, thermal conductivity and heat flow. | |
| Picotti et al. | Sensitivity analysis from single-well ERT simulations to image CO2 migrations along wellbores | |
| CN116663430B (zh) | 高温地热田储层结构孔隙度定量表征的方法及系统 | |
| Lüth et al. | Geophysical monitoring of the injection and postclosure phases at the Ketzin pilot site | |
| CN110454155B (zh) | 一种应用磁化率测井方法确定第四纪地层年代的方法 | |
| Wagner | New developments in electrical resistivity imaging with applications to geological CO₂ storage | |
| Aydin et al. | Characterization of Geothermal Reservoirs | |
| Nenna et al. | Monitoring managed aquifer recharge with electrical resistivity probes | |
| CA2782353C (en) | A system for scanning of earth's self-potential field | |
| Efetobore et al. | Reservoir characterization and fluid analysis of the Majosa field in the Niger Delta | |
| CN111236934A (zh) | 水淹级别确定方法和装置 | |
| Day-Lewis et al. | Best practices in electrical resistivity imaging: Data collection and processing, and application to data from corinna, maine |
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 |