CN116859467A - 一种烃源岩toc预测方法 - Google Patents
一种烃源岩toc预测方法 Download PDFInfo
- Publication number
- CN116859467A CN116859467A CN202310846279.4A CN202310846279A CN116859467A CN 116859467 A CN116859467 A CN 116859467A CN 202310846279 A CN202310846279 A CN 202310846279A CN 116859467 A CN116859467 A CN 116859467A
- Authority
- CN
- China
- Prior art keywords
- toc
- source rock
- hydrocarbon source
- prediction
- layer
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 120
- 229930195733 hydrocarbon Natural products 0.000 title claims abstract description 107
- 150000002430 hydrocarbons Chemical class 0.000 title claims abstract description 107
- 239000004215 Carbon black (E152) Substances 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000011156 evaluation Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 9
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 6
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 claims description 6
- 229910052799 carbon Inorganic materials 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000005416 organic matter Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 239000012153 distilled water Substances 0.000 claims description 4
- 238000005553 drilling Methods 0.000 claims description 4
- 238000011010 flushing procedure Methods 0.000 claims description 4
- YQCIWBXEVYWRCW-UHFFFAOYSA-N methane;sulfane Chemical compound C.S YQCIWBXEVYWRCW-UHFFFAOYSA-N 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims 1
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000012706 support-vector machine Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 5
- 239000011148 porous material Substances 0.000 description 5
- 238000013210 evaluation model Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 239000008398 formation water Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005406 washing 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
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
-
- 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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种烃源岩TOC预测方法，涉及地质技术领域，包括如下步骤：将测井参数与实验室结合实测的烃源岩TOC数据，喂入不同的深度学习模型，对没有实测值且不同深度的测井参数进行预测，通过对比不同模型的性能，优选出该区块最佳的TOC预测模型，用于该区块的TOC预测的最终模型。同时为了未来更全面地认识该区块和盆地的烃源岩发育情况、地球化学特征，将识别的结果和模型连接数据库，建立TOC地球化学数据库。本发明通过对比不同模型的性能，优选出该区块最佳的TOC预测模型，用于该区块的TOC预测的最终模型，保证TOC预测结果的高精度。
Description
技术领域
本发明涉及地质技术领域，特别涉及一种烃源岩TOC预测方法。
背景技术
烃源岩是油气生成的物质基础，烃源岩评价是沉积盆地油气资源潜力分析与勘探前景评价的核心内容之一，烃源岩的总有机碳(TOC)含量是有机质丰度评价的重要指标。受构造演化和沉积作用等地质因素的影响，烃源岩在纵向和横向上都可能具有很强的非均质性，所以如何识别优质的烃源岩，研究烃源岩的空间分布规律，降低勘探风险，是一个长期的研究重点。在利用有机地球化学资料评价烃源岩时，一般隔一定距离取心采样进行测试分析，但受取心数量和分析化验成本等影响，岩心测试仅能获得离散的TOC含量数据，尤其是井位稀少或者取心较少的勘探区块，难以获取纵向上连续的TOC值，仅靠地球化学分析手段难以对烃源岩的生烃潜力和资源量进行三维评价，而测井资料具有纵向上连续，分辨率高等优势，且多种测井参数与烃源岩TOC之间具有一定的响应关系，可据此建立预测模型对烃源岩TOC进行定量预测，并获取烃源岩厚度。国内外学者现已提出了多种基于测井资料预测烃源岩TOC的方法，如多元线性回归法、ΔlgR法、BP神经网络法等，不同方法原理各异，互有优劣，分别适用于不同的地质情况和资料状况，近年来，随着人工智能技术的兴起，也产生了很多测井资料与人工智能相结合计算TOC含量的新思路和新方法。
烃源岩测井评价是基于烃源岩与非烃源岩TOC和孔隙流体物理性质不同而引起的测井响应特征的差异。通常，非烃源岩由岩石骨架和孔隙流体(主要为地层水)组成，未成熟烃源岩由岩石骨架、固体有机质和孔隙流体(仍主要为地层水)组成，成熟烃源岩中的部分有机质转化为液态烃进入孔隙，其孔隙流体为地层水和液态烃。因此，烃源岩和非烃源岩的测井响应特征不同，研究表明，富有机质烃源岩在测井曲线上表现为“四高一低”，即高声波时差、高自然伽马、高电阻率、高中子、低密度。
地球物理测井方法因其较高的纵向分辨率和较好的连续性，在油气勘探和开发阶段都发挥着至关重要的作用。自1945年，学者们开始根据测井曲线研究烃源岩，即分别使用了自然伽马(GR)、声波时差(DT)、电阻率等测井曲线及交会图分析测井参数与烃源岩有机质丰度的对应关系。Passey等基于Archie公式推导了基于电阻率曲线和孔隙度曲线的定量计算TOC含量曲线的方法-ΔlogR法，烃源岩的TOC含量预测自此进入了定量化的时代。在中国针对陆相地层对该方法做了诸多分析和改进，相继提出了简化ΔlogR法、广义ΔlogR法、变系数ΔlogR法等。多元回归法是一种应用广泛的预测TOC的测井方法，该方法通过交会图优选与TOC相关度高的测井参数，进行多元拟合，进而实现TOC含量实测数据的曲线化，但公式具有很强的地区特殊性，且ΔlogR方法的物理意义并不明确。
发明内容
本发明的目的在于针对上述现有技术的不足，提供一种烃源岩TOC预测方法，以解决现有技术中各项方法具有很强的地区特殊性，且ΔlogR方法的物理意义并不明确的问题。
本发明具体提供如下技术方案：一种烃源岩TOC预测方法，包括以下步骤：
检测研究区块烃源岩的实际TOC数值；
将所述实际TOC数值与对应深度的测井参数相结合，构建相应数据集；
利用所述数据集中的数据对不同的TOC预测网络模型进行训练；
基于性能参数对训练出的不同TOC预测网络模型进行筛选，并使用相关系数、相对误差、绝对误差对不同所述TOC预测网络模型进行评价；
定义评价参数γ，通过对所有TOC预测网络模型的评价参数γ进行比较，获得性能最佳的TOC预测网络模型；
将待测测井参数输入所述性能最佳的TOC预测网络模型，获得烃源岩TOC的预测数值。
优选的，所述检测研究区块烃源岩的实际TOC数值，包括如下步骤：
对钻井过程中通过密闭取心得到烃源岩样品进行粉碎研磨；
将研磨好的烃源岩样品中的碳酸盐使用稀盐酸去除，并使用蒸馏水冲洗烃源岩样品去除碳酸盐；
对去除碳酸盐的烃源岩样品烘干，使用EltraCS-800红外碳硫分析仪测定烃源岩样品的有机碳含量TOC。
优选的，所述构建相应数据集，包括如下步骤：
将不同深度样品的所述实测TOC数值与该深度测得的自然伽马GR、电阻率RT、声波时差AC、密度DEN、中子CNL对应；
使用对应后的实测TOC数值构建相应数据集。
优选的，所述利用所述数据集中的数据对不同的TOC预测网络模型进行训练，具体包括：
在生成数据集之前进行相关性判断，将明显不符合该地区地质规律和明显与TOC数据呈负相关的测井参数剔除；
将剩余的测井参数进行组合，输入到所有TOC预测网络模型中进行训练；
其中，所述TOC预测网络模型包括回归方法、经验公式ΔlogR、机器学习与深度学习。
优选的，所述回归方法是将一种或多种测井参数作为自变量，TOC作为因变量建立一元或多元回归方程，通过多元回归分析确定TOC定量预测公式。
优选的，所述经验公式ΔlogR为通过声波时差和电阻率叠加计算ΔlgR，根据TOC与ΔlgR呈线性相关，由ΔlgR计算TOC，具体表达式为：
ΔlgR＝lg(R/R基线)+x×(Δt-Δt基线)
TOC＝10(2.297-0.1688×LOM)×ΔlgR
式中，R为电阻率，R基线为非烃源岩段电阻率，Δt为声波时差，Δt基线为非烃源岩段声波时差，x为系数，LOM为有机质成熟度指数，与镜质体反射率Ro相关。
优选的，所述机器学习包括PNN概率神经网络，PNN概率神经网络为一种径向基神经网络，融合了密度函数估计和贝叶斯决策理论，判别边界渐进地逼近贝叶斯最佳判定面；向量X输入到隐含层，隐含层中第i类模式的第j神经元所确定的输入/输出关系由下式定义：
优选的，所述深度学习CNN-LSTM主要由信号输入层，CNN卷积层、池化层、LSTM层及输出层组成，具体数据处理过程包括：
将输入信号标准化，输入CNN卷积层，利用宽卷积核自适应提取特征；提取后的特征经过最大池化层的池化操作，降低数据维度，并保留主要的特征信息；
将降维后的特征数据作为LSTM层的特征输入，训练神经网络并自动学习序列特征；
利用Adam算法将训练误差反向传播，逐层逐步更新模型参数；
使用Softmax激活函数，完成多参数的预测任务。
优选的，所述定义评价参数γ的计算公式为：
γ＝0.9R2+0.05δ+0.05ε
其中，γ为评价参数；R2为相关系数；δ为相对误差；ε为绝对误差。
优选的，使用所述烃源岩TOC的预测数值绘制烃源岩测井参数与TOC数值的综合柱状图，在完成该区块的烃源岩TOC数值预测后，连接该区块TOC数据库，将烃源岩TOC的预测数值与测井参数存储到该地区的烃源岩TOC数据库。
与现有技术相比，本发明具有如下显著优点：
本发明将测井参数与实验室结合实测的烃源岩TOC数据，喂入不同的预测网络模型，对没有实测值且不同深度的测井参数进行预测，定义评价参数γ，通过评价参数γ对比不同预测网络模型的性能，优选出该区块最佳的TOC预测模型，用于该区块的TOC预测的最终模型，保证TOC预测结果的高精度，且适用范围广。
附图说明
图1为本发明提供的整体方法流程图；
图2为本发明提供的实物图；
图3为本发明提供的相关系数图；
图4为本发明提供的PNN神经网络图；
图5为本发明提供的TOC数值的综合柱状图。
具体实施方式
下面结合本发明中的附图，对本发明实施例的技术方案进行清楚、完整的描述，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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
从现有文献来看，不同区块的TOC模型，表现出机器学习方法及深度学习方法相关系数高(大于0.85)，表现出极高的优越性。
表1不同区块的TOC模型相关系数表
常用的测井参数：自然伽马(GR)、声波时差(DT)、电阻率(RT)、声波时差(AC)、密度(DEN)、中子(CNL)
常规方法：单一因素拟合方法、多元线性回归方法(双因素、三因素、四因素、五因素)、ΔlogR、ΔlogR结合地震反演、机器学习方法、深度学习方法。
加入方法：RNN_LSTM、DBN、支持向量机(SVR)回归。
评价标准：相关系数、相对误差、绝对误差。
表2不同方法的具体因素
为了便于理解和说明，如附图1所示，本发明提供了一种烃源岩TOC预测方法，包括以下步骤：
步骤S1：检测研究区块烃源岩的实际TOC数值。
步骤S2：将实际TOC数值与对应深度的测井参数相结合，构建相应数据集。
步骤S3：利用数据集中的数据对不同的TOC预测网络模型进行训练。
步骤S4：基于性能参数对训练出的不同TOC预测网络模型进行筛选，并使用相关系数、相对误差、绝对误差对不同所述TOC预测网络模型进行评价。定义评价参数γ，通过对所有TOC预测网络模型的评价参数γ进行比较，获得性能最佳的TOC预测网络模型。
步骤S5：将待测测井参数输入性能最佳的TOC预测网络模型，获得烃源岩TOC的预测数值。
下面对上述步骤进行详细说明。
如步骤S1所示，对钻井过程中通过密闭取心得到的烃源岩样品进行粉碎研磨，当烃源岩样品研磨至200目时，将称取好的烃源岩样品放到地塌中，在温度为80℃时，用稀盐酸除去烃源岩样品中的碳酸盐(无机碳)，稀盐酸的浓度为5％，然后不断用蒸馏水冲洗烃源岩样品，以达到去除碳酸盐的目的，烘干后用EltraCS-800红外碳硫分析仪测定烃源岩样品的有机碳含量。同时获取烃源岩层位的测井资料。图2为实验过程中的实物图。
如步骤S2所示，将实验室测得烃源岩TOC数值与对应深度学习模型的测井参数相结合制作成数据集，数据集的形式为：把不同深度样品的实测TOC数值与该深度测得的自然伽马(GR)、电阻率(RT)、声波时差(AC)、密度(DEN)、中子(CNL)对应。
如步骤S3所示，将步骤S2中生成的数据集喂入到各种模型中进行训练或拟合，其中包括：回归方法(单因素、多元线性回归)、经验公式(ΔlogR)、机器学习(PNN、cnn、支持向量机(SVR)回归)、深度学习(CNN-LSTM、RNN_LSTM、DBN)，值得注意的是：由于盆地、区块、层位的差异性，会导致在面对不同的研究对象时，并没有固定的最佳模型或参数的最佳组合，故本方法不单独考虑各个测井参数与TOC数值的相关性，但在生成数据集之前进行相关性判断，将明显不符合该地区地质规律和明显与TOC数据呈负相关的测井参数剔除，再将剩余的参数进行组合，喂入到所有模型。
如步骤S4所示，在步骤S3完成所有模型的预测后，本方法将对模型性能进行评价。评价模型性能从三个方面进行，相关系数、相对误差、绝对误差，本方法定义评价参数γ，本方法将相关系数的权重定为0.9，相对误差的权重定为0.05、绝对误差的权重定为0.05。通过对所有模型的评价参数γ进行比较，优选出该区块最优的TOC评价模型。
计算公式如下：
γ＝0.9R2+0.05δ+0.05ε
式中，
γ-评价参数；R2-相关系数；δ-相对误差；ε-绝对误差。
如步骤S5所示，将未做实验室分析的深度所对应的测井参数输入优先出的模型中，最终得到烃源岩TOC的预测数值，并绘制烃源岩测井参数与TOC数值的综合柱状图。
作为本发明的进一步技术方案：连接该区块TOC数据库。在完成该区块的烃源岩TOC数值预测后，连接该区块TOC数据库，将TOC预测所数值与测井参数存储到该地区的烃源岩TOC数据库，为后续研究该区块烃源岩TOC和地球化学领域提供详实的地质资料。
实施例1：一种优选烃源岩TOC预测模型方法，包含以下步骤：
A：以研究区块位于中国塔里木盆地油田某区块E为例，对钻井现场密闭取心的烃源岩岩心洗去密闭液，然后对烃源岩样品进行粉碎研磨，当烃源岩样品研磨至200目时，将称取好的烃源岩样品放到地塌中，在温度为80℃时，用稀盐酸除烃源岩样品中的碳酸盐，稀盐酸的浓度为5％，然后不断用蒸馏水冲洗烃源岩样品，以达到去除碳酸盐的目的，烘干后用EltraCS-800红外碳硫分析仪测定烃源岩样品的有机碳含量。同时获取烃源岩层位的测井资料。
B：将实验室测得该研究区块E烃源岩TOC数值与对应深度的测井参数相结合制作成数据集，数据集的形式为：把不同深度样品的实测TOC数值与该深度测得的自然伽马(GR)、电阻率(RT)、声波时差(AC)、密度(DEN)、中子(CNL)对应。部分井可能因为意外情况损失了本分深度的测井曲线，该测井参数缺失深度的位置用-999.99代替，这代表该参数无效，生成数据集时将剔除该深度的信息。对该研究区块烃源岩TOC—自然伽马、烃源岩TOC电阻率、烃源岩TOC—声波时差、烃源岩TOC—密度、烃源岩TOC—中子五对参数进行参数的相关性分析，TOC—自然伽马为0.61532、烃源岩TOC电阻率的相关系数为0.54769、烃源岩TOC—声波时差的相关系数为0.75421、烃源岩TOC—密度的相关系数为0.30216、烃源岩TOC—中子的相关系数为0.42116，可以看出这五类参数对于区块E的相关性较强，用这五类参数对烃源岩TOC数值进行预测时符合烃源岩地球化学特征。
C：将步骤B中生成的数据集喂入到各种模型中进行训练或拟合，其中包括：回归方法(单因素、多元线性回归)、经验公式(ΔlogR)、机器学习(PNN、支持向量机(SVR)回归)、深度学习(CNN-LSTM、DBN)。
回归方法是将一种或多种测井参数作为自变量，TOC作为因变量建立一元或多元回归方程，通过多元回归分析确定TOC定量预测公式。通常，多参数要优于单参数模型。
ΔlogR法方法先通过声波时差和电阻率叠加计算ΔlgR，再根据TOC与ΔlgR呈线性相关，由ΔlgR计算TOC，公式如
ΔlgR＝lg(R/R基线)+x×(Δt-Δt基线)
TOC＝10(2.297-0.1688×LOM)×ΔlgR
式中，R为电阻率，R基线为非烃源岩段电阻率，Δt为声波时差，Δt基线为非烃源岩段声波时差，x为系数，LOM为有机质成熟度指数，与镜质体反射率Ro相关。
如图4所示，PNN(概率神经网络)可以视为一种径向基神经网络，融合了密度函数估计和贝叶斯决策理论，可以较为容易实现地判别边界渐进地逼近贝叶斯最佳判定面。概率神经网络由输入层、隐含层、求和层和输出层组成，第一层为输入层，用于接收来自训练样本的值，将数据传递给隐含层，神经元个数与输入向量长度相等。第二层隐含层是径向基层，每一个隐含层的神经元节点拥有一个中心，该层接收输入层的样本输入，计算输入向量与中心的距离，最后返回一个标量值，神经元个数与输入训练样本个数相同。向量X输入到隐含层，隐含层中第i类模式的第j神经元所确定的输入/输出关系由下式定义：
其中，为输出；x为输入向量；i为隐藏层的模式；j为隐藏层的神经元；σ为平滑因子；d为中心距离；T为训练常数。
支持向量机(SVR)方法是通过升维后，在高维空间中构造线性决策函数来实现线性回归，用e不敏感函数时，其基础主要是e不敏感函数和核函数算法。若将拟合的数学模型表达多维空间的某一曲线，则根据e不敏感函数所得的结果，就是包括该曲线和训练点的“e管道”。在所有样本点中，只有分布在“管壁”上的那一部分样本点决定管道的位置。这一部分训练样本称为“支持向量”。为适应训练样本集的非线性，传统的拟合方法通常是在线性方程后面加高阶项。此法诚然有效，但由此增加的可调参数未免增加了过拟合的风险。支持向量回归算法采用核函数解决这一矛盾。用核函数代替线性方程中的线性项可以使原来的线性算法“非线性化”，即能做非线性回归。与此同时，引进核函数达到了“升维”的目的，而增加的可调参数是过拟合依然能控制。
CNN-LSTM主要由信号输入层，CNN卷积层、池化层、LSTM层及输出层组成。将输入信号标准化，输入CNN卷积层，利用宽卷积核自适应提取特征；提取后的特征经过最大池化层的池化操作，降低数据维度，并保留主要的特征信息；再将降维后的特征数据作为LSTM层的特征输入，用以训练神经网络并自动学习序列特征；利用Adam算法将训练误差反向传播，逐层逐步更新模型参数；使用Softmax激活函数，完成多参数的预测任务。
DBN(深度置信网络)由多层神经元构成，这些神经元又分为显性神经元和隐性神经元。显元用于接受输入，隐元用于提取特征。最顶上的两层间的连接是无向的，组成联合内存。较低的其他层之间有连接上下的有向连接。最底层代表了数据向量，每一个神经元代表数据向量的一维。层叠的多个RBM网络组成DBN结构来提取需要处理对象的特征，然后再进行预测任务。
D：在步骤C完成所有模型的预测后，本方法将对模型性能进行评价。评价模型性能从三个方面进行，相关系数、相对误差、绝对误差，本方法定义评价参数γ，如图3所示，本方法将相关系数的权重定为0.9，相对误差的权重定为0.05、绝对误差的权重定为0.05。通过对所有模型的评价参数γ进行比较，优选出该区块最优的TOC评价模型。
通过计算评价参数，最终认为CNN-LSTM是塔里木盆地E区块TOC预测的最佳模型。
E：将未做实验室分析的深度所对应的测井参数输入优先出的模型中， 最终得到烃源岩TOC的预测数值，并绘制烃源岩测井参数与TOC数值的综合柱状图，具体如图5所示。
F：在完成塔里木盆地区块E的烃源岩TOC数值预测后，连接区块E及塔里木盆地的TOC地球化学数据库，将TOC预测所数值与测井参数存储到塔里木盆地的烃源岩TOC数据库和区块E的烃源岩TOC数据库，为后续研究区块E及塔里木的烃源岩TOC和地球化学领域提供详实的地质资料。
以上内容是结合具体优选实施方式对本发明做进一步详细说明，对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种烃源岩TOC预测方法，其特征在于，包括以下步骤：
检测研究区块烃源岩的实际TOC数值；
将所述实际TOC数值与对应深度的测井参数相结合，构建相应数据集；
利用所述数据集中的数据对不同的TOC预测网络模型进行训练；
基于性能参数对训练出的不同TOC预测网络模型进行筛选，并使用相关系数、相对误差、绝对误差对不同所述TOC预测网络模型进行评价；
定义评价参数γ，通过对所有TOC预测网络模型的评价参数γ进行比较，获得性能最佳的TOC预测网络模型；
将待测测井参数输入所述性能最佳的TOC预测网络模型，获得烃源岩TOC的预测数值。
2.如权利要求1所述的一种烃源岩TOC预测方法，其特征在于，所述，所述检测研究区块烃源岩的实际TOC数值，包括如下步骤：
对钻井过程中通过密闭取心得到烃源岩样品进行粉碎研磨；
将研磨好的烃源岩样品中的碳酸盐使用稀盐酸去除，并使用蒸馏水冲洗烃源岩样品去除碳酸盐；
对去除碳酸盐的烃源岩样品烘干，使用EltraCS-800红外碳硫分析仪测定烃源岩样品的有机碳含量TOC。
3.如权利要求1所述的一种烃源岩TOC预测方法，其特征在于，所述构建相应数据集，包括如下步骤：
将不同深度样品的所述实测TOC数值与该深度测得的自然伽马GR、电阻率RT、声波时差AC、密度DEN、中子CNL对应；
使用对应后的实测TOC数值构建相应数据集。
4.如权利要求1所述的一种烃源岩TOC预测方法，其特征在于，所述利用所述数据集中的数据对不同的TOC预测网络模型进行训练，具体包括：
在生成数据集之前进行相关性判断，将明显不符合该地区地质规律和明显与TOC数据呈负相关的测井参数剔除；
将剩余的测井参数进行组合，输入到所有TOC预测网络模型中进行训练；
其中，所述TOC预测网络模型包括回归方法、经验公式ΔlogR、机器学习与深度学习。
5.如权利要求4所述的一种烃源岩TOC预测方法，其特征在于，所述回归方法是将一种或多种测井参数作为自变量，TOC作为因变量建立一元或多元回归方程，通过多元回归分析确定TOC定量预测公式。
6.如权利要求4所述的一种烃源岩TOC预测方法，其特征在于，所述经验公式ΔlogR为通过声波时差和电阻率叠加计算ΔlgR，根据TOC与ΔlgR呈线性相关，由ΔlgR计算TOC，具体表达式为：
ΔlgR＝lg(R/R基线)+x×(Δt-Δt基线)
TOC＝10(2.297-0.1688×LOM)×ΔlgR
式中，R为电阻率，R基线为非烃源岩段电阻率，Δt为声波时差，Δt基线为非烃源岩段声波时差，x为系数，LOM为有机质成熟度指数，与镜质体反射率Ro相关。
7.如权利要求4所述的一种烃源岩TOC预测方法，其特征在于，所述机器学习包括PNN概率神经网络，PNN概率神经网络为一种径向基神经网络，融合了密度函数估计和贝叶斯决策理论，判别边界渐进地逼近贝叶斯最佳判定面；向量X输入到隐含层，隐含层中第i类模式的第j神经元所确定的输入/输出关系由下式定义：
其中，为输出；x为输入向量；i为隐藏层的模式；j为隐藏层的神经元；σ为平滑因子；d为中心距离；T为训练常数。
8.如权利要求4所述的一种烃源岩TOC预测方法，其特征在于，所述深度学习CNN-LSTM主要由信号输入层，CNN卷积层、池化层、LSTM层及输出层组成，具体数据处理过程包括：
将输入信号标准化，输入CNN卷积层，利用宽卷积核自适应提取特征；提取后的特征经过最大池化层的池化操作，降低数据维度，并保留主要的特征信息；
将降维后的特征数据作为LSTM层的特征输入，训练神经网络并自动学习序列特征；
利用Adam算法将训练误差反向传播，逐层逐步更新模型参数；
使用Softmax激活函数，完成多参数的预测任务。
9.如权利要求1所述的一种烃源岩TOC预测方法，其特征在于，所述定义评价参数γ的计算公式为：
γ＝0.9R2+0.05δ+0.05ε
其中，γ为评价参数；R2为相关系数；δ为相对误差；ε为绝对误差。
10.如权利要求1所述的一种烃源岩TOC预测方法，其特征在于，使用所述烃源岩TOC的预测数值绘制烃源岩测井参数与TOC数值的综合柱状图，在完成该区块的烃源岩TOC数值预测后，连接该区块TOC数据库，将烃源岩TOC的预测数值与测井参数存储到该地区的烃源岩TOC数据库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310846279.4A CN116859467A (zh) | 2023-07-11 | 2023-07-11 | 一种烃源岩toc预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310846279.4A CN116859467A (zh) | 2023-07-11 | 2023-07-11 | 一种烃源岩toc预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116859467A true CN116859467A (zh) | 2023-10-10 |
Family
ID=88235459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310846279.4A Pending CN116859467A (zh) | 2023-07-11 | 2023-07-11 | 一种烃源岩toc预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116859467A (zh) |
-
2023
- 2023-07-11 CN CN202310846279.4A patent/CN116859467A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Al-Mudhafar et al. | Performance evaluation of boosting machine learning algorithms for lithofacies classification in heterogeneous carbonate reservoirs | |
| CN109800954B (zh) | 基于测井数据的储层评价方法 | |
| Shi et al. | Brittleness index prediction in shale gas reservoirs based on efficient network models | |
| Kaydani et al. | Permeability prediction based on reservoir zonation by a hybrid neural genetic algorithm in one of the Iranian heterogeneous oil reservoirs | |
| CN112100930B (zh) | 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 | |
| CN113610945A (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
| CN116305850B (zh) | 一种基于随机森林模型的地层热导率预测方法 | |
| CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
| CN113343574A (zh) | 基于神经网络的Mishrif组岩性测井识别方法 | |
| Chen et al. | Comparison and application of neural networks in LWD lithology identification | |
| 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 | |
| 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 | |
| Akinyokun et al. | Well log interpretation model for the determination of lithology and fluid | |
| Chen et al. | NMR-data-driven prediction of matrix permeability in sandstone aquifers | |
| CN110671092A (zh) | 油气产能检测方法及系统 | |
| CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
| Gao et al. | Prediction of fracture density in a gas reservoir using robust computational approaches | |
| Baouche et al. | Intelligent methods for predicting nuclear magnetic resonance of porosity and permeability by conventional well-logs: a case study of Saharan field | |
| 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 | |
| Yanran et al. | Mathematical modeling for total organic carbon content prediction with logging parameters by neural networks: A case study of shale gas well in South China | |
| CN114943060B (zh) | 基于深度学习与插值回归的页岩气总有机碳预测方法 | |
| Hou et al. | Identification of carbonate sedimentary facies from well logs with machine learning | |
| Azizzadeh Mehmandoust Olya et al. | Hydrocarbon reservoir potential mapping through Permeability estimation by a CUDNNLSTM Deep Learning Algorithm | |
| CN116859467A (zh) | 一种烃源岩toc预测方法 | |
| CN113064216A (zh) | 一种储层孔隙度预测方法、系统、设备及可读存储介质 |
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 |