CN116757071A - 一种储层成岩作用定量表征方法及装置 - Google Patents
一种储层成岩作用定量表征方法及装置 Download PDFInfo
- Publication number
- CN116757071A CN116757071A CN202310688838.3A CN202310688838A CN116757071A CN 116757071 A CN116757071 A CN 116757071A CN 202310688838 A CN202310688838 A CN 202310688838A CN 116757071 A CN116757071 A CN 116757071A
- Authority
- CN
- China
- Prior art keywords
- diagenetic
- reservoir
- stage
- neural network
- evolution
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 38
- 238000012512 characterization method Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 119
- 238000000034 method Methods 0.000 claims abstract description 100
- 230000008569 process Effects 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000002591 computed tomography Methods 0.000 claims abstract description 25
- 238000011161 development Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000010429 evolutionary process Effects 0.000 claims description 11
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 5
- 239000011707 mineral Substances 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 238000005056 compaction Methods 0.000 claims description 4
- 238000004090 dissolution Methods 0.000 claims description 4
- 230000003628 erosive effect Effects 0.000 claims description 4
- 238000001953 recrystallisation Methods 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 239000011148 porous material Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 32
- 238000005070 sampling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000011800 void material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
Classifications
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种储层成岩作用定量表征方法及装置，所述方法包括：获取储层成岩数据集；构建初始成岩阶段类型预测神经网络和初始成岩演化神经网络，以储层成岩数据集训练得到训练完备的成岩阶段类型预测神经网络和成岩演化神经网络；以成岩阶段类型预测神经网络和成岩演化神经网络预测待测储层的成岩类型阶段和储层成岩演化过程数据，根据演化过程数据构建待测储层的成岩作用发育演化模型。本发明通过以储层的CT扫描图像构建储层成岩数据集，并训练成岩阶段类型预测神经网络以预测待测储层成岩类型及阶段，训练成岩演化神经网络以预测待测储层演化过程数据，根据演化过程数据构建待测储层的成岩作用发育演化模型，实现对储层成岩作用的定量表征。
Description
技术领域
本发明涉及油气勘探领域，具体涉及一种储层成岩作用定量表征方法及装置。
背景技术
储层成岩作用是油气存储、富集的根基，是油气勘探、开发的关键内容之一，然而目前对于储层成岩作用的表征一直是油气勘探领域难以解决的问题。目前对于储层成岩作用的研究主要是靠显微镜、扫描电镜进行取点采样，然后通过采样结果对成岩作用定性分析，不能定量地表征储层成岩作用的时空信息，无法提供储层定量评价所需的成岩作用真实有效的数据，因此对于油气富集区预测不准，导致油气勘探成功率、效率较低。
发明内容
有鉴于此，有必要提供一种储层成岩作用定量表征方法及装置，用于解决现有技术中，无法定量表征储层成岩作用，导致油气富集区预测不准确，油气勘探成功率、效率较低的技术问题。
为了解决上述问题，本发明提供了一种储层成岩作用定量表征方法，包括：
获取储层成岩作用数据集，所述储层成岩作用数据集包括三维特征数据、成岩类型、成岩阶段和演化过程数据；
构建初始成岩阶段类型预测神经网络，以所述三维特征数据作为输入，所述成岩类型和成岩阶段为输出，训练所述初始成岩阶段类型预测神经网络，得到训练完备的成岩阶段类型预测神经网络；
构建初始成岩演化神经网络，以所述三维特征数据、成岩类型和成岩阶段作为输入，所述演化过程数据作为输出，训练所述初始成岩演化神经网络，得到训练完备的成岩演化神经网络；
获取待测储层的三维特征数据，以所述三维特征数据输入训练完备的成岩阶段类型预测神经网络，得到待测储层的成岩类型和成岩阶段，以所述待测储层的三维特征数据、成岩类型和成岩阶段输入训练完备的成岩演化神经网络，得到待测储层的演化过程数据，根据待测储层的演化过程数据，构建待测储层的成岩作用发育演化模型。
进一步的，获取储层成岩作用数据集，包括：
基于历史成岩作用CT扫描图像，获取储层成岩作用的历史成岩特征数据及对应成岩阶段和成岩类型；
根据所述历史成岩特征数据，构建储层成岩作用的三维特征数据；
根据所述成岩阶段、成岩类型和三维特征数据，得到各储层成岩作用的演化过程数据。
进一步的，成岩特征数据包括沉积成岩结构、颗粒大小、形态孔隙度、成岩胶结类型、矿物百分含量和孔缝充填率；
所述成岩类型包括压实作用、压溶作用、胶结作用、溶蚀作用、交代作用和重结晶作用；
所述成岩阶段包括：同生成岩阶段、早成岩阶段、中成岩阶段、晚成岩阶段和表生成岩阶段。
进一步的，根据所述历史成岩特征数据，构建储层成岩作用的三维特征数据，包括：
基于历史成岩作用CT扫描图像构建储层成岩作用的三维结构模型；
根据所述三维结构模型和对应成岩特征数据构建储层成岩作用的三维特征数据。
进一步的，根据所述成岩阶段、成岩类型和三维特征数据，得到各储层成岩作用的演化过程数据，包括：
根据所述成岩阶段和成岩类型，对所述三维特征数据进行时序排列得到时序三维数据；
根据所述时序三维数据，反演各成岩类型的演化历史得到演化过程数据。
进一步的，构建初始成岩阶段类型预测神经网络，包括：
构建成岩阶段拟合函数，所述成岩阶段拟合函数用于计算成岩阶段评价指数；
构建成岩类型拟合函数，所述成岩类型拟合函数用于计算成岩类型区分指数；
基于所述成岩阶段拟合函数和成岩类型拟合函数，构建初始成岩阶段类型预测神经网络。
进一步的，以所述三维特征数据作为输入，所述成岩类型和成岩阶段为输出，训练所述初始成岩阶段类型预测神经网络，得到训练完备的成岩阶段类型预测神经网络，包括：
确定各成岩阶段的成岩阶段评价指数的初始评价标准和各成岩类型的成岩类型区分指数的初始区分标准；
以所述三维特征数据作为输入，所述成岩类型和成岩阶段为输出，训练所述初始成岩阶段类型预测神经网络，调整所述成岩阶段拟合函数和成岩类型拟合函数，直至损失不再降低，得到训练完备的成岩阶段类型预测神经网络。
进一步的，获取待测储层的三维特征数据，以所述三维特征数据输入训练完备的成岩阶段类型预测神经网络，得到待测储层的成岩类型和成岩阶段，以所述待测储层的三维特征数据、成岩类型和成岩阶段输入训练完备的成岩演化神经网络，得到待测储层的演化过程数据，包括：
CT扫描待测储层得到待测储层的CT扫描图像；
根据所述待测储层的CT扫描图像构建待测储层的三维特征数据；
将所述待测储层的三维特征数据输入训练完备的成岩阶段类型预测神经网络，得到待测储层各部分的预测成岩类型和成岩阶段；
将待测储层各部分的三维特征数据、成岩类型和成岩阶段输入训练完备的成岩演化神经网络，得到待测储层的各部分的预测演化过程数据。
进一步的，根据待测储层的演化过程数据，构建待测储层的成岩作用发育演化模型，包括：
获取待测储层的地质条件数据；
根据所述待测储层的地质条件数据和演化过程数据，构建符合地质条件的成岩作用发育演化模型，所述成岩作用发育演化模型包括待测储层在地质成岩过程中各部分的成岩类型和成岩阶段的演化过程，以及对应空间展步特征演化过程。
本发明还提供了一种储层成岩作用定量表征装置，包括：
数据获取单元，用于获取储层成岩作用数据集，所述储层成岩作用数据集包括三维特征数据、成岩类型、成岩阶段和演化过程数据；
预测模型构建单元，用于构建初始成岩阶段类型预测神经网络，以所述三维特征数据作为输入，所述成岩类型和成岩阶段为输出，训练所述初始成岩阶段类型预测神经网络，得到训练完备的成岩阶段类型预测神经网络；
演化模型构建单元，用于构建初始成岩演化神经网络，以所述三维特征数据、成岩类型和成岩阶段作为输入，所述演化过程数据作为输出，训练所述初始成岩演化神经网络，得到训练完备的成岩演化神经网络。
成岩作用演化单元，用于获取待测储层的三维特征数据，以所述三维特征数据输入训练完备的成岩阶段类型预测神经网络，得到待测储层的成岩类型和成岩阶段，以所述待测储层的三维特征数据、成岩类型和成岩阶段输入训练完备的成岩演化神经网络，得到待测储层的演化过程数据，根据待测储层的演化过程数据，确定待测储层的成岩作用发育演化模型。
与现有技术相比，采用上述实施例的有益效果是：在本发明提供的储层成岩作用定量表征方法中，首先获取储层成岩作用数据集，所述储层成岩作用数据集包括三维特征数据、成岩类型、成岩阶段和演化过程数据；构建初始成岩阶段类型预测神经网络，以所述三维特征数据作为输入，所述成岩类型和成岩阶段为输出，训练所述初始成岩阶段类型预测神经网络，得到训练完备的成岩阶段类型预测神经网络；构建初始成岩演化神经网络，以所述三维特征数据、成岩类型和成岩阶段作为输入，所述演化过程数据作为输出，训练所述初始成岩演化神经网络，得到训练完备的成岩演化神经网络。获取待测储层的三维特征数据，以所述三维特征数据输入训练完备的成岩阶段类型预测神经网络，得到待测储层的成岩类型和成岩阶段，以所述待测储层的三维特征数据、成岩类型和成岩阶段输入训练完备的成岩演化神经网络，得到待测储层的演化过程数据，根据待测储层的演化过程数据，构建待测储层的成岩作用发育演化模型。综上，本发明通过成岩阶段类型预测神经网络预测待测储层的成岩类型及阶段，通过成岩演化神经网络预测待测储层的演化过程数据，并根据演化过程数据，建立待测储层的成岩作用发育演化模型，实现对储层成岩作用的定量表征。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显然，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的储层成岩作用定量表征方法的实施例流程示意图；
图2为本发明实施例的待测储层成岩作用演化预测的流程示意图；
图3为本发明提供的储层成岩作用定量表征装置的结构示意图。
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。
应当理解，示意图的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本发明内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其他实施例相结合。
图1为本发明提供的储层成岩作用定量表征方法的一个实施例的流程示意图，如图1所示，储层成岩作用定量表征方法包括：
S101、获取储层成岩作用数据集，所述储层成岩作用数据集包括三维特征数据、成岩类型、成岩阶段和演化过程数据；
S102、构建初始成岩阶段类型预测神经网络，以所述三维特征数据作为输入，所述成岩类型和成岩阶段为输出，训练所述初始成岩阶段类型预测神经网络，得到训练完备的成岩阶段类型预测神经网络；
S103、构建初始成岩演化神经网络，以所述三维特征数据、成岩类型和成岩阶段作为输入，所述演化过程数据作为输出，训练所述初始成岩演化神经网络，得到训练完备的成岩演化神经网络；
S104、获取待测储层的三维特征数据，以所述三维特征数据输入训练完备的成岩阶段类型预测神经网络，得到待测储层的成岩类型和成岩阶段，以所述待测储层的三维特征数据、成岩类型和成岩阶段输入训练完备的成岩演化神经网络，得到待测储层的演化过程数据，根据待测储层的演化过程数据，构建待测储层的成岩作用发育演化模型。
具体地，在本发明提供的储层成岩作用定量表征方法中，首先获取储层成岩作用数据集，所述储层成岩作用数据集包括三维特征数据、成岩类型、成岩阶段和演化过程数据；构建初始成岩阶段类型预测神经网络，以所述三维特征数据作为输入，所述成岩类型和成岩阶段为输出，训练所述初始成岩阶段类型预测神经网络，得到训练完备的成岩阶段类型预测神经网络；构建初始成岩演化神经网络，以所述三维特征数据、成岩类型和成岩阶段作为输入，所述演化过程数据作为输出，训练所述初始成岩演化神经网络，得到训练完备的成岩演化神经网络。获取待测储层的三维特征数据，以所述三维特征数据输入训练完备的成岩阶段类型预测神经网络，得到待测储层的成岩类型和成岩阶段，以所述待测储层的三维特征数据、成岩类型和成岩阶段输入训练完备的成岩演化神经网络，得到待测储层的演化过程数据，根据待测储层的演化过程数据，构建待测储层的成岩作用发育演化模型。综上，本发明通过成岩阶段类型预测神经网络预测待测储层的成岩类型及阶段，通过成岩演化神经网络预测待测储层的演化过程数据，并根据演化过程数据，建立待测储层的成岩作用发育演化模型，实现对储层成岩作用的定量表征。
在本发明的具体实施例中，获取储层成岩作用数据集，包括：
基于历史成岩作用CT扫描图像，获取储层成岩作用的历史成岩特征数据及对应成岩阶段和成岩类型；
根据所述历史成岩特征数据，构建储层成岩作用的三维特征数据；
根据所述成岩阶段、成岩类型和三维特征数据，得到各储层成岩作用的演化过程数据。
在本发明的具体实施例中，成岩特征数据包括沉积成岩结构、颗粒大小、形态孔隙度、成岩胶结类型、矿物百分含量和孔缝充填率；
所述成岩类型包括压实作用、压溶作用、胶结作用、溶蚀作用、交代作用和重结晶作用；
所述成岩阶段包括：同生成岩阶段、早成岩阶段、中成岩阶段、晚成岩阶段和表生成岩阶段。
具体地，在获取储层成岩作用数据集过程中，首先获取历史成岩作用的CT扫描图像及对应的成岩阶段和成岩类型信息，将CT扫描图像进行处理得到历史成岩特征数据，其中历史成岩特征数据包括：沉积成岩结构、颗粒大小、形态孔隙度、成岩胶结类型、矿物百分含量和孔缝填充度。并且以灰度数据的形式表示这些特征数据。成岩类型根据成岩作用的发展特征分为了压实作用、压溶作用、胶结作用、溶蚀作用、交代作用和重结晶作用。且每种成岩类型都根据成岩发展的过程分为多种成岩阶段：同生岩阶段、早成岩阶段、中成岩阶段、晚成岩阶段和表生成岩阶段。
在本发明的具体实施例中，根据所述历史成岩特征数据，构建储层成岩作用的三维特征数据，包括：
基于历史成岩作用CT扫描图像构建储层成岩作用的三维结构模型；
根据所述三维结构模型和对应成岩特征数据构建储层成岩作用的三维特征数据。
具体地，由于储层成岩作用过程在三维空间上的复杂性，因此本发明实施例基于CT扫描图像的高空间分辨率，构建储层成岩作用的三维结构模型，并结合三维结构模型和得到的成岩特征数据，构建储层成岩作用的三维特征数据。与传统的取点采样相比，本发明通过CT扫描图像构建三维特征数据，可以提取储层成岩作用的三维空间特征，得到更精确的预测结果。
在本发明的具体实施例中，根据所述成岩阶段、成岩类型和三维特征数据，得到各储层成岩作用的演化过程数据，包括：
根据所述成岩阶段和成岩类型，对所述三维特征数据进行时序排列得到时序三维数据；
根据所述时序三维数据，反演各成岩类型的演化历史得到演化过程数据。
具体地，在本发明的一个实施例中，可以通过已知三维特征数据的成岩阶段和成岩类型，对三维特征数据进行时序排列得到时序三维数据；再根据时序三维数据的时间顺序，反演各成岩类型的演化历史，得到各样本对应的演化过程数据。
此外，在本发明的另外的实施例中，对于部分存在数据缺失情况，例如某些样本数据不确定其成岩阶段和成岩类型，或者某种成岩类型在某个成岩阶段没有样本数据。也可以根据已知成岩阶段和成岩类型的历史成岩特征数据，构建模式识别网络或其他机器学习神经网络的方式，得到对应的演化过程数据。
在本发明的具体实施例中，构建初始成岩阶段类型预测神经网络，包括：
构建成岩阶段拟合函数，所述成岩阶段拟合函数用于计算成岩阶段评价指数；
构建成岩类型拟合函数，所述成岩类型拟合函数用于计算成岩类型区分指数；
基于所述成岩阶段拟合函数和成岩类型拟合函数，构建初始成岩阶段类型预测神经网络。
具体地，成岩阶段类型预测神经网络用于预测成岩作用的成岩阶段和成岩类型，构建初始成岩阶段类型预测神经网络时，需要先构建成岩阶段拟合函数和成岩类型拟合函数。其中成岩阶段拟合函数为：
Pi＝aU+bV+cW+dX+eY+fZ
其中Pi为成岩阶段评价指数，U表示沉积成岩结构，V表示颗粒大小，W表示形态孔隙度，X表示成岩胶结类型，Y表示矿物百分含量，Z表示孔缝充填率，a,b,c,d,e,f为各评价指标的加权系数。随着成岩阶段的改变，成岩特征数据也会发生改变，因此通过设置成岩阶段评价指数可以区分各成岩阶段。
成岩类型拟合函数为：
其中，S表示成岩类型区分指数，B(U,V,W,X,Y,Z)为需要进行拟合的各评价指标，D(Uj,Vj,Wj,Xj,Yj,Zj)Sj表示待区分的成岩作用样本的三维特征数据。
在本发明的具体实施例中，以所述三维特征数据作为输入，所述成岩类型和成岩阶段为输出，训练所述初始成岩阶段类型预测神经网络，得到训练完备的成岩阶段类型预测神经网络，包括：
确定各成岩阶段的成岩阶段评价指数的初始评价标准和各成岩类型的成岩类型区分指数的初始区分标准；
以所述三维特征数据作为输入，所述成岩类型和成岩阶段为输出，训练所述初始成岩阶段类型预测神经网络，调整所述成岩阶段拟合函数和成岩类型拟合函数，直至损失不再降低，得到训练完备的成岩阶段类型预测神经网络。
具体地，在对初始成岩阶段类型预测神经网络进行训练过程中，首先根据相关文献及参考数据确定评价指数的初始评价标准和区分指数的初始区分标准，并设置预测损失函数。训练初始成岩阶段类型预测神经网络，并在训练过程中不断调整成岩阶段拟合函数和成岩类型拟合函数，使预测损失尽量趋于最小直到损失不再降低，得到训练完备的成岩阶段类型预测神经网络。
需要说明的是，训练初始成岩演化神经网络过程与上述训练成岩阶段类型预测神经网络类似，首先设置演化过程拟合函数，然后设置预测演化过程数据的损失函数，训练初始成岩演化神经网络不断调整演化过程拟合函数，得到训练完备的成岩演化神经网络。
在本发明的具体实施例中，如图2所述，获取待测储层的三维特征数据，以所述三维特征数据输入训练完备的成岩阶段类型预测神经网络，得到待测储层的成岩类型和成岩阶段，以所述待测储层的三维特征数据、成岩类型和成岩阶段输入训练完备的成岩演化神经网络，得到待测储层的演化过程数据，包括：
S201、CT扫描待测储层得到待测储层的CT扫描图像；
S202、根据所述待测储层的CT扫描图像构建待测储层的三维特征数据；
S203、将所述待测储层的三维特征数据输入训练完备的成岩阶段类型预测神经网络，得到待测储层各部分的预测成岩类型和成岩阶段；
S204、将待测储层各部分的三维特征数据、成岩类型和成岩阶段输入训练完备的成岩演化神经网络，得到待测储层的各部分的预测演化过程数据。
具体地，对待测储层成岩作用演化预测过程中，首先，通过CT扫描待测储层得到CT扫描图像，然后根据CT扫描图像构建的三维特征数据，将三维数据输入成岩阶段类型预测神经网络，预测得到成岩类型和成岩阶段，最后将三维特征数据、成岩类型和成岩阶段输入成岩演化神经网络，得到预测演化过程数据。
与现有技术相比，本发明提供CT扫描图像来对成岩类型、成岩阶段和演化过程数据进行预测，可以提取到待测储层的三维空间特征，相比于现有技术中点式取样后只能进行定性分析，本发明实施例通过三维方式取样，可以将样本特征数据结合其三维空间特征，最后实现定量的演化分析。
在本发明的具体实施例中，根据待测储层的演化过程数据，构建待测储层的成岩作用发育演化模型，包括：
获取待测储层的地质条件数据；
根据所述待测储层的地质条件数据和演化过程数据，构建符合地质条件的成岩作用发育演化模型，所述成岩作用发育演化模型包括待测储层在地质成岩过程中各部分的成岩类型和成岩阶段的演化过程，以及对应空间展步特征演化过程。
具体地，在得到演化过程数据，恢复三维的成岩作用发育演化模型过程中，还需要获取待测储层所在地的地质条件数据，结合地质条件数据和演化过程数据，构建符合地质条件的成岩作用发育演化模型，得到时间上的成岩类型和成岩阶段的演化过程，以及空间上的空间展步特征演化过程。
本发明还提供了一种储层成岩作用定量表征装置300，包括：
数据获取单元301，用于获取储层成岩作用数据集，所述储层成岩作用数据集包括三维特征数据、成岩类型、成岩阶段和演化过程数据；
预测模型构建单元302，用于构建初始成岩阶段类型预测神经网络，以所述三维特征数据作为输入，所述成岩类型和成岩阶段为输出，训练所述初始成岩阶段类型预测神经网络，得到训练完备的成岩阶段类型预测神经网络；
演化模型构建单元303，用于构建初始成岩演化神经网络，以所述三维特征数据、成岩类型和成岩阶段作为输入，所述演化过程数据作为输出，训练所述初始成岩演化神经网络，得到训练完备的成岩演化神经网络。
成岩作用演化单元304，用于获取待测储层的三维特征数据，以所述三维特征数据输入训练完备的成岩阶段类型预测神经网络，得到待测储层的成岩类型和成岩阶段，以所述待测储层的三维特征数据、成岩类型和成岩阶段输入训练完备的成岩演化神经网络，得到待测储层的演化过程数据，根据待测储层的演化过程数据，确定待测储层的成岩作用发育演化模型。
上述实施例提供的储层成岩作用定量表征装置300可实现上述的储层成岩作用定量表征方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述储层成岩作用定量表征方法实施例中的相应内容，此处不再赘述。
综上所述，本发明通过CT扫描图像构建三维特征数据，提取储层成岩作用的三维空间特征；通过成岩演化神经网络预测待测储层的演化过程数据，得到储层成岩作用的定量演化数据，并结合地质条件数据，构建符合地质条件的成岩作用发育演化模型，实现对储层成岩作用的精确定量表征。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种储层成岩作用定量表征方法，其特征在于，包括：
获取储层成岩作用数据集，所述储层成岩作用数据集包括三维特征数据、成岩类型、成岩阶段和演化过程数据；
构建初始成岩阶段类型预测神经网络，以所述三维特征数据作为输入，所述成岩类型和成岩阶段为输出，训练所述初始成岩阶段类型预测神经网络，得到训练完备的成岩阶段类型预测神经网络；
构建初始成岩演化神经网络，以所述三维特征数据、成岩类型和成岩阶段作为输入，所述演化过程数据作为输出，训练所述初始成岩演化神经网络，得到训练完备的成岩演化神经网络；
获取待测储层的三维特征数据，以所述三维特征数据输入训练完备的成岩阶段类型预测神经网络，得到待测储层的成岩类型和成岩阶段，以所述待测储层的三维特征数据、成岩类型和成岩阶段输入训练完备的成岩演化神经网络，得到待测储层的演化过程数据，根据待测储层的演化过程数据，构建待测储层的成岩作用发育演化模型。
2.根据权利要求1所述的储层成岩作用定量表征方法，其特征在于，所述获取储层成岩作用数据集，包括：
基于历史成岩作用CT扫描图像，获取储层成岩作用的历史成岩特征数据及对应成岩阶段和成岩类型；
根据所述历史成岩特征数据，构建储层成岩作用的三维特征数据；
根据所述成岩阶段、成岩类型和三维特征数据，得到各储层成岩作用的演化过程数据。
3.根据权利要求2所述的储层成岩作用定量表征方法，其特征在于，所述成岩特征数据包括沉积成岩结构、颗粒大小、形态孔隙度、成岩胶结类型、矿物百分含量和孔缝充填率；
所述成岩类型包括压实作用、压溶作用、胶结作用、溶蚀作用、交代作用和重结晶作用；
所述成岩阶段包括：同生成岩阶段、早成岩阶段、中成岩阶段、晚成岩阶段和表生成岩阶段。
4.根据权利要求2所述的储层成岩作用定量表征方法，其特征在于，所述根据所述历史成岩特征数据，构建储层成岩作用的三维特征数据，包括：
基于历史成岩作用CT扫描图像构建储层成岩作用的三维结构模型；
根据所述三维结构模型和对应成岩特征数据构建储层成岩作用的三维特征数据。
5.根据权利要求2所述的储层成岩作用定量表征方法，其特征在于，所述根据所述成岩阶段、成岩类型和三维特征数据，得到各储层成岩作用的演化过程数据，包括：
根据所述成岩阶段和成岩类型，对所述三维特征数据进行时序排列得到时序三维数据；
根据所述时序三维数据，反演各成岩类型的演化历史得到演化过程数据。
6.根据权利要求1所述的储层成岩作用定量表征方法，其特征在于，所述构建初始成岩阶段类型预测神经网络，包括：
构建成岩阶段拟合函数，所述成岩阶段拟合函数用于计算成岩阶段评价指数；
构建成岩类型拟合函数，所述成岩类型拟合函数用于计算成岩类型区分指数；
基于所述成岩阶段拟合函数和成岩类型拟合函数，构建初始成岩阶段类型预测神经网络。
7.根据权利要求6所述的储层成岩作用定量表征方法，其特征在于，所述以所述三维特征数据作为输入，所述成岩类型和成岩阶段为输出，训练所述初始成岩阶段类型预测神经网络，得到训练完备的成岩阶段类型预测神经网络，包括：
确定各成岩阶段的成岩阶段评价指数的初始评价标准和各成岩类型的成岩类型区分指数的初始区分标准；
以所述三维特征数据作为输入，所述成岩类型和成岩阶段为输出，训练所述初始成岩阶段类型预测神经网络，调整所述成岩阶段拟合函数和成岩类型拟合函数，直至损失不再降低，得到训练完备的成岩阶段类型预测神经网络。
8.根据权利要求1所述的储层成岩作用定量表征方法，其特征在于，所述获取待测储层的三维特征数据，以所述三维特征数据输入训练完备的成岩阶段类型预测神经网络，得到待测储层的成岩类型和成岩阶段，以所述待测储层的三维特征数据、成岩类型和成岩阶段输入训练完备的成岩演化神经网络，得到待测储层的演化过程数据，包括：
CT扫描待测储层得到待测储层的CT扫描图像；
根据所述待测储层的CT扫描图像构建待测储层的三维特征数据；
将所述待测储层的三维特征数据输入训练完备的成岩阶段类型预测神经网络，得到待测储层各部分的预测成岩类型和成岩阶段；
将待测储层各部分的三维特征数据、成岩类型和成岩阶段输入训练完备的成岩演化神经网络，得到待测储层的各部分的预测演化过程数据。
9.根据权利要求1所述的储层成岩作用定量表征方法，其特征在于，所述根据待测储层的演化过程数据，构建待测储层的成岩作用发育演化模型，包括：
获取待测储层的地质条件数据；
根据所述待测储层的地质条件数据和演化过程数据，构建符合地质条件的成岩作用发育演化模型，所述成岩作用发育演化模型包括待测储层在地质成岩过程中各部分的成岩类型和成岩阶段的演化过程，以及对应空间展步特征演化过程。
10.一种储层成岩作用定量表征装置，其特征在于，包括：
数据获取单元，用于获取储层成岩作用数据集，所述储层成岩作用数据集包括三维特征数据、成岩类型、成岩阶段和演化过程数据；
预测模型构建单元，用于构建初始成岩阶段类型预测神经网络，以所述三维特征数据作为输入，所述成岩类型和成岩阶段为输出，训练所述初始成岩阶段类型预测神经网络，得到训练完备的成岩阶段类型预测神经网络；
演化模型构建单元，用于构建初始成岩演化神经网络，以所述三维特征数据、成岩类型和成岩阶段作为输入，所述演化过程数据作为输出，训练所述初始成岩演化神经网络，得到训练完备的成岩演化神经网络。
成岩作用演化单元，用于获取待测储层的三维特征数据，以所述三维特征数据输入训练完备的成岩阶段类型预测神经网络，得到待测储层的成岩类型和成岩阶段，以所述待测储层的三维特征数据、成岩类型和成岩阶段输入训练完备的成岩演化神经网络，得到待测储层的演化过程数据，根据待测储层的演化过程数据，确定待测储层的成岩作用发育演化模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310688838.3A CN116757071A (zh) | 2023-06-09 | 2023-06-09 | 一种储层成岩作用定量表征方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310688838.3A CN116757071A (zh) | 2023-06-09 | 2023-06-09 | 一种储层成岩作用定量表征方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116757071A true CN116757071A (zh) | 2023-09-15 |
Family
ID=87950749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310688838.3A Pending CN116757071A (zh) | 2023-06-09 | 2023-06-09 | 一种储层成岩作用定量表征方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116757071A (zh) |
-
2023
- 2023-06-09 CN CN202310688838.3A patent/CN116757071A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110287927B (zh) | 基于深度多尺度和上下文学习的遥感影像目标检测方法 | |
| JP7217589B2 (ja) | 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム | |
| US20190087939A1 (en) | Inferring petrophysical properties of hydrocarbon reservoirs using a neural network | |
| CN109155064A (zh) | 自动化岩心描述 | |
| US11029445B2 (en) | Method and apparatus for determining oil output quantity and gas output quantity of shale oil in-situ conversion | |
| Abousamra et al. | Deep learning-based mapping of tumor infiltrating lymphocytes in whole slide images of 23 types of cancer | |
| CN113344050B (zh) | 一种基于深度学习的岩性智能化识别方法及系统 | |
| CN115358285B (zh) | 待勘测区块关键地质参数的选取方法、装置、及设备 | |
| CN111680575A (zh) | 一种人类上皮细胞染色分类装置、设备及存储介质 | |
| CN113065279A (zh) | 预测总有机碳含量的方法、装置、设备及存储介质 | |
| US8099241B2 (en) | Method and apparatus for real time oil based mud contamination monitoring | |
| US20230207134A1 (en) | Systems and methods for directly predicting cancer patient survival based on histopathology images | |
| CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
| CN112488043B (zh) | 一种基于边缘智能的无人机车辆目标检测方法 | |
| CN116757071A (zh) | 一种储层成岩作用定量表征方法及装置 | |
| US20230184087A1 (en) | Multi-modal and Multi-dimensional Geological Core Property Prediction using Unified Machine Learning Modeling | |
| CN116109813A (zh) | 一种钻锚孔识别方法、系统、电子设备及介质 | |
| CN115937643A (zh) | 一种目标检测方法及系统 | |
| CN113313178B (zh) | 一种跨域图像示例级主动标注方法 | |
| US11756203B2 (en) | Characterization platform for scalable, spatially-resolved multispectral analysis of tissue | |
| Hunter et al. | Integrating grain-scale geology in digital rock physics | |
| Xu et al. | Intelligent recognition of drill cores and automatic RQD analytics based on deep learning | |
| RU2725506C9 (ru) | Способ и система оптимизации лабораторных исследований образцов горных пород | |
| RU2706515C1 (ru) | Система и способ автоматизированного описания горных пород | |
| Firmansyah et al. | Building typology classification using convolutional neural networks utilizing multiple ground-level image process for city-scale rapid seismic vulnerability assessment |
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 |