CN116821786A - 一种低渗储层分类方法、装置及介质 - Google Patents
一种低渗储层分类方法、装置及介质 Download PDFInfo
- Publication number
- CN116821786A CN116821786A CN202310605724.8A CN202310605724A CN116821786A CN 116821786 A CN116821786 A CN 116821786A CN 202310605724 A CN202310605724 A CN 202310605724A CN 116821786 A CN116821786 A CN 116821786A
- Authority
- CN
- China
- Prior art keywords
- core
- logging
- curve
- sample data
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000010801 machine learning Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 230000000704 physical effect Effects 0.000 claims abstract description 16
- 238000005553 drilling Methods 0.000 claims abstract description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 12
- 230000035699 permeability Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 239000004927 clay Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 239000011148 porous material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种低渗储层分类方法,包括:钻取出分布在不同井深的有限数目的岩心样本,并对每一所述岩心样本进行物性测试,得到对应的岩心分类结果,所述岩心分类结果作为样本标签;在优选的测井曲线中获取每一所述测井曲线的参数值,将提取的不同深度处的岩心样本标签和对应物理参数集合作为有标签的样本数据,并根据每一所述测井参数曲线采用设定步长获取设定井深处的测井曲线参数值,将无岩心样本深度处的测井曲线参数值作为无标签的样本数据;基于所述有标签的样本数据,和所述无标签的样本数据,进行半监督机器学习模型的训练;基于训练后的半监督机器学习模型,对每一所述测井的设定井深处的岩心分类结果进行预测。本方案,提高储层分类的准确率。
Description
技术领域
本发明涉及油气开发技术领域,具体涉及到一种无低渗储层分类方法、装置及介质。
背景技术
储层分类是储层表征技术的重要内容,也是储层研究中的核心难点。
目前,现有相关技术已有通过机器学习算法对储层进行分类的方法得到报道,并且现有分类方法,在应用于常规储层时,都可以获得较好的分类结果。
然而,本申请的发明人在研究中发现,相比于常规储层,低渗储层具有不同的物理性质,取样(岩心)的技术难度大、成本高,相对于常规储层,在合理条件下取得的样本数量要远远小于常规储层,在小样本的条件下,如果采用现有的机器学习模型进行训练,并采用训练后的模型进行分类预测,其分类效果的准确性就会大大降低。因此,有必要针对低渗储层,提出相应的储层分类技术。
发明内容
针对上述问题,本发明的目的是提供一种低渗储层分类方法,能够基于设定数目的测井取得的小数目样本及测井参数曲线,进行半监督机器学习模型的构建,形成储层分类定量方法,并提高储层分类的准确率。
为实现上述目的,本发明采取以下技术方案:
第一方面,本申请提供一种低渗储层分类方法,包括:
通过设定数目的测井,提取出分布在不同井深的预定数目的岩心样本,并对每一所述岩心样本进行物性测试,得到对应的岩心分类结果,所述岩心分类结果作为样本标签;
获取每一所述测井的测井参数曲线,并根据每一所述测井参数曲线采用设定步长获取设定井深处的物理参数,并进一步将提取的不同深度处的岩心样本的样本标签和对应物理参数集合为有标签的样本数据,其余深度处的物理参数作为无标签的样本数据;
基于所述有标签的样本数据,和所述无标签的样本数据,进行半监督机器学习模型的训练;
基于训练后的半监督机器学习模型,对每一所述测井的设定井深处的岩心分类结果进行预测。
在本申请的一种实现方式中,所述对每一所述岩心样本进行物性测试,得到对应的岩心分类结果,包括:
对每一所述岩心样本进行物性测试,得到对应的孔隙度和渗透率;
以所述孔隙度和所述渗透率作为每一所述岩心样本的二维坐标,在对应的坐标系中进行拟合,并根据拟合结果,确定每一所述岩心样本的岩心分类结果。
在本申请的一种实现方式中,所述拟合,采用线性拟合;所述拟合结果为两条不同斜率的直线,对应的岩心分类结果包括一类岩心、二类岩心和三类岩心。
在本申请的一种实现方式中,所述获取每一所述测井的测井参数曲线,包括:
筛选出预定义数目的基础物理参数;
根据每一所述基础物理参数,对每一测井进行探测,得到每一所述基础物理参数对应的测试曲线;
根据每一所述基础物理参数对应的测试曲线,以及其中至少两种测试曲线在数据处理后的组合曲线,得到每一所述测井的测井参数曲线。
在本申请的一种实现方式中,所述基础物理参数,包括声波参数、岩性光电参数、密度参数、泥质含量参数以及中子参数。
在本申请的一种实现方式中,所述测井参数曲线,包括声波曲线、岩性光电曲线、浅侧向电阻率曲线、深侧向电阻率曲线、密度曲线、泥质含量曲线、中子曲线以及深/浅侧向电阻率比值曲线;
其中,声波曲线,由每一测井对声波参数进行探测而得到,反映地层孔隙度、岩性及孔隙流体性质;
岩性光电曲线,由每一测井对岩性光电参数进行探测而得到,反映地层岩性;
浅侧向电阻率曲线,由每一测井对浅侧向电阻率参数进行探测而得到,反映地层电阻率高低;
深侧向电阻率曲线,由每一测井对深侧向电阻率参数进行探测而得到,反映地层电阻率高低;
密度曲线,由每一测井对密度参数进行探测而得到,反映地层岩性及孔隙度;
泥质含量曲线,由自然伽马曲线计算而得到,反映地层泥质含量大小;
中子曲线,由每一测井对中子参数进行探测而得到,反映地层孔隙度;
深/浅侧向电阻率比值曲线,由深侧向电阻率除以浅侧向电阻率而得到,反映地层渗透性。
在本申请的一种实现方式中,不同所述测井参数曲线对应的物理参数,对应于不同的参数敏感性。
在本申请的一种实现方式中,所述基于所述有标签的样本数据,和所述无标签的样本数据,进行半监督机器学习模型的训练,包括:
将设定比例的有标签的样本数据,以及无标签的样本数据,作为训练集,输入所述半监督机器学习模型;
以所述设定比例的有标签的样本数据,构建初始模型,对无标签的样本数据的岩心分类进行预测,直至预测的准确率高于第一设定概率,并将预测的无标签的样本数据的岩心分类作为伪标签;
以所述设定比例的有标签的样本数据,以及具有伪标签的样本数据,继续进行模型的训练,直至在设定的迭代次数内对验证集预测的准确率高于第二设定概率,其中验证集为有标签的样本数据中除去所述设定比例的剩余部分。
第二方面,本申请提供一种低渗储层分类装置,所述装置,包括:
标签获取模块,钻取出分布在不同井深的有限数目的岩心样本,并对每一所述岩心样本进行物性测试,得到对应的岩心分类结果,所述岩心分类结果作为样本标签;
样本获取模块,在优选的测井曲线中获取每一所述测井曲线的参数值,将提取的不同深度处的岩心样本标签和对应物理参数集合作为有标签的样本数据,并根据每一所述测井参数曲线采用设定步长获取设定井深处的测井曲线参数值,将无岩心样本深度处的测井曲线参数值作为无标签的样本数据;
训练模块,用于基于所述有标签的样本数据,和所述无标签的样本数据,进行半监督机器学习模型的训练;
预测模块,用于基于训练后的半监督机器学习模型,对每一所述测井的设定井深处的岩心分类结果进行预测。
第三方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述第一方面所述的低渗储层分类方法。
本发明由于采取以上技术方案,其具有以下优点:通过设定数目的测井,提取出分布在不同井深的预定数目的岩心样本,并得到对应的岩心分类结果,作为样本标签;再获取测井参数曲线,并获取设定井深处的物理参数,将岩心样本的样本标签和对应物理参数集合为有标签的样本数据,其余的物理参数作为无标签的样本数据;进一步基于有标签的样本数据,和无标签的样本数据,进行半监督机器学习模型的训练,由此,使用训练后的模型进行岩心分类结果的预测时,可以提高预测的准确率。
附图说明
图1是本申请实施例提供的岩心分类的示意图;
图2是本申请实施例涉及的物理参数的参数重要程度对比示意图;
图3是本申请实施例中的测井曲线的示意图;
图4是本申请实施例中的模型训练的流程示意图;
图5是模型的稳定性示意图;
图6是本申请实施例的应用效果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
针对现有技术中的机器学习模型,在低渗储层分类效果不高的问题,本申请相应提供一种低渗储层分类方法、装置及介质。其中,所述的包括:通过设定数目的测井,提取出分布在不同井深的预定数目的岩心样本,并对每一所述岩心样本进行物性测试,得到对应的岩心分类结果,所述岩心分类结果作为样本标签;获取每一所述测井的测井参数曲线,并根据每一所述测井参数曲线采用设定步长获取设定井深处的物理参数,并进一步将提取的不同深度处的岩心样本的样本标签和对应物理参数集合为有标签的样本数据,其余深度处的物理参数作为无标签的样本数据;基于所述有标签的样本数据,和所述无标签的样本数据,进行半监督机器学习模型的训练;基于训练后的半监督机器学习模型,对每一所述测井的设定井深处的岩心分类结果进行预测。本申请,能够基于设定数目的测井取得的小数目样本及测井曲线数据,进行半监督机器学习模型的构建,形成储层分类定量方法,并提高储层分类的准确率。
请一并参见图1至图5,在本申请实施例的一个方面中,提供了一种低渗储层分类方法。
本实施例的一种低渗储层分类方法,包括:
S1,钻取出分布在不同井深的有限数目的岩心样本,并对每一所述岩心样本进行物性测试,得到对应的岩心分类结果,所述岩心分类结果作为样本标签。
具体的,本方案应用对低渗储层中的不同深度的岩心分类结果进行预测。
对于低渗储层,取心难度大,成本高。本实施例中,可以采用油田中如4口测井获取诸如60块预定数目的岩心样本。岩心样本,在每一测井中,可以分布于不同井深,例如,井深最大深度为3000米,根据储层分布特征岩心样本可以分布于1200米、1800米、2000米等不同深度。
进一步对岩心样本进行物性测试,以便对其进行分类。具体的,对每一岩心样本进行物性测试,得到对应的孔隙度和渗透率;再以孔隙度和渗透率作为每一岩心样本的二维坐标,在对应的坐标系中进行拟合,并根据拟合结果,确定每一岩心样本的岩心分类结果。
示意图如图1所示,其中坐标系横轴为孔隙度,纵轴为渗透率,坐标系中的每个点代表一个岩心样本。对岩心样本进行线性拟合,拟合出三条直线,不同岩心样本的拟合结果符合哪一种结果,就对应于一个岩心分类结果。在本申请实施例中,结果分为一类岩心、二类岩心和三类岩心,如图1所示,两种岩心的直线拟合斜率有所不同,代表了两种岩心的物理性质的差异。
在本申请实施例中,岩心样本的岩心分类结果作为样本标签Y。
S2,获取每一所述测井的测井参数曲线,并根据每一所述测井参数曲线采用设定步长获取设定井深处的物理参数,并进一步将提取的不同深度处的岩心样本的样本标签和对应物理参数集合为有标签的样本数据,其余深度处的物理参数作为无标签的样本数据。
具体的,获取测井参数曲线的过程包括:首先筛选出预定义数目的基础物理参数。再根据每一所述基础物理参数,对每一测井进行探测,得到每一所述基础物理参数对应的测试曲线;进一步的,根据每一所述基础物理参数对应的测试曲线,以及其中至少两种测试曲线在数据处理后的组合曲线,得到每一所述测井的测井参数曲线。
例如,可以根据地质学家的认知,筛选出预定义数目的基础物理参数,可以包括声波参数、岩性光电参数、密度参数、泥质含量参数以及中子参数。
而测井参数曲线,包括声波曲线、岩性光电曲线、浅侧向电阻率曲线、深侧向电阻率曲线、密度曲线、泥质含量曲线、中子曲线以及深/浅侧向电阻率比值曲线;
其中,声波曲线,由每一测井对声波参数进行探测而得到,反映地层孔隙度、岩性及孔隙流体性质;
岩性光电曲线,由每一测井对岩性光电参数进行探测而得到,反映地层岩性;
浅侧向电阻率曲线,由每一测井对浅侧向电阻率参数进行探测而得到,反映地层电阻率高低;
深侧向电阻率曲线,由每一测井对深侧向电阻率参数进行探测而得到,反映地层电阻率高低;
密度曲线,由每一测井对密度参数进行探测而得到,反映地层岩性及孔隙度;
泥质含量曲线,由自然伽马曲线计算而得到,反映地层泥质含量大小;
中子曲线,由每一测井对中子参数进行探测而得到,反映地层孔隙度;
深/浅侧向电阻率比值曲线,由深侧向电阻率除以浅侧向电阻率而得到,反映地层渗透性。
在本申请实施例中,不同的参数,具有不同的重要程度,其示意图如图2。
进一步的,在本申请实施例中,根据测井参数曲线,可以获取样本数据的对应物理参数。
对于上述8条测井参数曲线,可以以0.1米、0.5米等作为步长,获取不同深度处对于的物理参数,容易理解,对于岩心样本深度处的样本数据,不仅具有物理参数,也对应有标签,形成有标签的样本数据,而其它深度处的样本数据,只含有物理参数,而不具有标签,形成无标签的样本数据。对于所有样本数据,其物理参数,在本申请实施例中作为自变量X。通过测井参数曲线,获取样本数据的示意图,如图3所示意。
S3,基于所述有标签的样本数据,和所述无标签的样本数据,进行半监督机器学习模型的训练。
具体的,模型训练的示意图如图4。
具体将设定比例(例如80%)的有标签的样本数据,以及无标签的样本数据,作为训练集,输入所述半监督机器学习模型;
并以所述设定比例的有标签的样本数据,构建初始模型,对无标签的样本数据的岩心分类进行预测,直至预测的概率高于第一设定概率(0.9),并将预测的无标签的样本数据的岩心分类作为伪标签。
再以所述设定比例的有标签的样本数据,以及具有伪标签的样本数据,继续进行模型的训练,直至在设定的迭代次数内对验证集预测的准确率高于设定概率,其中验证集为有标签的样本数据中除去所述设定比例的剩余部分(即20%)。
用验证数据集(20%带标签的岩心数据)检验模型的准确性,通过交叉验证的方法评价模型的稳定性,其原理为依次选取验证集的数据范围,多次测试结果表明,验证集的预测精度达到80%以上,模型的稳定性较高如图5所示。
S4,基于训练后的半监督机器学习模型,对每一所述测井的设定井深处的岩心分类结果进行预测。
现有技术针对常规储层的预测,是基于大规模样本训练而获得的高准确性,对于低渗储层,由于样本数量少,预测准确性低,而本申请训练得到的半监督机器学习模型,基于有标签的样本和测井曲线得到的伪标签的样本,对模型进行训练,相比于现有技术可以提高预测准确性。
本申请的模型,相比于支持向量机等其它的分类方法,对于细小夹层的物性变化的预测,更为精细,其对比效果图如图6所示。
综上所述,本申请。通过设定数目的测井,提取出分布在不同井深的预定数目的岩心样本,并得到对应的岩心分类结果,作为样本标签;再获取测井参数曲线,并获取设定井深处的物理参数,将岩心样本的样本标签和对应物理参数集合为有标签的样本数据,其余的物理参数作为无标签的样本数据;进一步基于有标签的样本数据,和无标签的样本数据,进行半监督机器学习模型的训练,由此,使用训练后的模型进行岩心分类结果的预测时,可以提高预测的准确率。
在本发明所提供的几个实施例中,应该理解到,所揭露方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本发明各个实施例上述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种低渗储层分类方法,其特征在于,包括:
钻取出分布在不同井深的有限数目的岩心样本,并对每一所述岩心样本进行物性测试,得到对应的岩心分类结果,所述岩心分类结果作为样本标签;
在优选的测井曲线中获取每一所述测井曲线的参数值,将提取的不同深度处的岩心样本标签和对应物理参数集合作为有标签的样本数据,并根据每一所述测井参数曲线采用设定步长获取设定井深处的测井曲线参数值,将无岩心样本深度处的测井曲线参数值作为无标签的样本数据;
基于所述有标签的样本数据,和所述无标签的样本数据,进行半监督机器学习模型的训练;
基于训练后的半监督机器学习模型,对每一所述测井的设定井深处的岩心分类结果进行预测。
2.根据权利要求1所述的低渗储层分类方法,其特征在于,所述对每一所述岩心样本进行物性测试,得到对应的岩心分类结果,包括:
对每一所述岩心样本进行物性测试,得到对应的孔隙度和渗透率;
以所述孔隙度和所述渗透率作为每一所述岩心样本的二维坐标,在对应的坐标系中进行拟合,并根据拟合结果,确定每一所述岩心样本的岩心分类结果。
3.根据权利要求2所述的低渗储层分类方法,其特征在于,所述拟合,采用线性拟合;所述拟合结果为三条不同斜率的直线,对应的岩心分类结果包括一类岩心、二类岩心和三类岩心。
4.根据权利要求1所述的低渗储层分类方法,其特征在于,所述获取每一所述测井的测井参数曲线,包括:
筛选出预定义数目的基础物理参数;
根据每一所述基础物理参数,对每一测井进行探测,得到每一所述基础物理参数对应的测井曲线;
根据每一所述基础物理参数对应的测试曲线,以及其中至少两种测试曲线在数据处理后的组合曲线,得到每一所述测井的测井参数曲线。
5.根据权利要求4所述的低渗储层分类方法,其特征在于,所述基础物理参数,包括声波参数、岩性光电参数、密度参数、泥质含量参数以及中子参数。
6.根据权利要求5所述的低渗储层分类方法,其特征在于,所述测井参数曲线,包括声波曲线、岩性光电曲线、浅侧向电阻率曲线、深侧向电阻率曲线、密度曲线、泥质含量曲线、中子曲线以及深/浅侧向电阻率比值曲线;
其中,声波曲线,由每一测井对声波参数进行探测而得到,反映地层孔隙度、岩性及孔隙流体性质;
岩性光电曲线,由每一测井对岩性光电参数进行探测而得到,反映地层岩性;
浅侧向电阻率曲线,由每一测井对浅侧向电阻率参数进行探测而得到,反映地层电阻率高低;
深侧向电阻率曲线,由每一测井对深侧向电阻率参数进行探测而得到,反映地层电阻率高低;
密度曲线,由每一测井对密度参数进行探测而得到,反映地层岩性及孔隙度;
泥质含量曲线,由自然伽马曲线计算而得到,反映地层泥质含量大小;
中子曲线,由每一测井对中子参数进行探测而得到,反映地层孔隙度;
深/浅侧向电阻率比值曲线,由深侧向电阻率除以浅侧向电阻率而得到,反映地层渗透性。
7.根据权利要求6所述的低渗储层分类方法,其特征在于,不同所述测井参数曲线对应的物理参数,对应于不同的参数敏感性。
8.根据权利要求1所述的低渗储层分类方法,其特征在于,所述基于所述有标签的样本数据,和所述无标签的样本数据,进行半监督机器学习模型的训练,包括:
将设定比例的有标签的样本数据,以及无标签的样本数据,作为训练集,输入所述半监督机器学习模型;
以所述设定比例的有标签的样本数据,构建初始模型,对无标签的样本数据的岩心分类进行预测,直至预测的准确率高于第一设定概率,并将预测的无标签的样本数据的岩心分类作为伪标签;
以所述设定比例的有标签的样本数据,以及具有伪标签的样本数据,继续进行模型的训练,直至在设定的迭代次数内对验证集预测的准确率高于第二设定概率,其中验证集为有标签的样本数据中除去所述设定比例的剩余部分。
9.一种低渗储层分类装置,其特征在于,所述装置,包括:
标签获取模块,用于通过设定数目的测井,提取出分布在不同井深的预定数目的岩心样本,并对每一所述岩心样本进行物性测试,得到对应的岩心分类结果,所述岩心分类结果作为样本标签;
样本获取模块,用于获取每一所述测井的测井参数曲线,并根据每一所述测井参数曲线采用设定步长获取设定井深处的物理参数,并进一步将提取的不同深度处的岩心样本的样本标签和对应物理参数集合为有标签的样本数据,其余深度处的物理参数作为无标签的样本数据;
训练模块,用于基于所述有标签的样本数据,和所述无标签的样本数据,进行半监督机器学习模型的训练;
预测模块,用于基于训练后的半监督机器学习模型,对每一所述测井的设定井深处的岩心分类结果进行预测。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至8任一项所述的低渗储层分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310605724.8A CN116821786A (zh) | 2023-05-26 | 2023-05-26 | 一种低渗储层分类方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310605724.8A CN116821786A (zh) | 2023-05-26 | 2023-05-26 | 一种低渗储层分类方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116821786A true CN116821786A (zh) | 2023-09-29 |
Family
ID=88140282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310605724.8A Pending CN116821786A (zh) | 2023-05-26 | 2023-05-26 | 一种低渗储层分类方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116821786A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235628A (zh) * | 2023-11-10 | 2023-12-15 | 天津花栗鼠软件科技有限公司 | 一种基于混合贝叶斯深度网络测井曲线预测方法及系统 |
-
2023
- 2023-05-26 CN CN202310605724.8A patent/CN116821786A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235628A (zh) * | 2023-11-10 | 2023-12-15 | 天津花栗鼠软件科技有限公司 | 一种基于混合贝叶斯深度网络测井曲线预测方法及系统 |
CN117235628B (zh) * | 2023-11-10 | 2024-01-26 | 天津花栗鼠软件科技有限公司 | 一种基于混合贝叶斯深度网络测井曲线预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717249B (zh) | 页岩气储层测井孔隙度快速预测方法及系统 | |
CN110284873B (zh) | 一种油井储集性质的检测方法及检测装置 | |
US20220207079A1 (en) | Automated method and system for categorising and describing thin sections of rock samples obtained from carbonate rocks | |
CN111665560B (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
US10997327B2 (en) | Direct numerical simulation of petrophysical properties of rocks with two or more immicible phases | |
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 | |
CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
CN116821786A (zh) | 一种低渗储层分类方法、装置及介质 | |
CN112861890B (zh) | 一种储层评价模型构建方法及储层识别方法 | |
US10371857B1 (en) | System and method for well log analysis | |
CN114638300A (zh) | 一种识别页岩油气藏“甜点”的方法、装置及存储介质 | |
US10095984B1 (en) | System and method for well trace analysis | |
CN108035710B (zh) | 基于数据挖掘划分深层岩石地质相的方法 | |
CN111626377B (zh) | 一种岩相识别方法、装置、设备及存储介质 | |
CN106285661B (zh) | 一种基于判定指数的低阻油层识别方法及装置 | |
KR101175072B1 (ko) | 물리검층 자료의 통계분석을 이용한 오일샌드 저류층 공극 유체 유추방법 및 유추시스템 | |
CN116201535A (zh) | 油气藏目标井标志地层自动划分方法、装置及设备 | |
CN111594156B (zh) | 一种天然气水合物饱和度计算方法及系统 | |
CN112990320A (zh) | 一种岩性的分类方法、装置、电子设备及存储介质 | |
Yu et al. | Training image optimization method based on convolutional neural network and its application in discrete fracture network model selection | |
CN117235628B (zh) | 一种基于混合贝叶斯深度网络测井曲线预测方法及系统 | |
CN109254330B (zh) | 火成岩储层的裂缝段的识别方法及装置 | |
CN117633658B (zh) | 岩石储层岩性识别方法及系统 | |
US20230141334A1 (en) | Systems and methods of modeling geological facies for well development | |
CN113027438A (zh) | 基于人工智能算法的测井数据预测油气储层岩性的方法 |
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 |