CN116927771A - 一种预测页岩储层总有机碳数据的方法、装置、设备及介质 - Google Patents
一种预测页岩储层总有机碳数据的方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116927771A CN116927771A CN202310881789.5A CN202310881789A CN116927771A CN 116927771 A CN116927771 A CN 116927771A CN 202310881789 A CN202310881789 A CN 202310881789A CN 116927771 A CN116927771 A CN 116927771A
- Authority
- CN
- China
- Prior art keywords
- data
- organic carbon
- total organic
- logging
- logging data
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 131
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 230000015654 memory Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000001537 neural effect Effects 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 208000035126 Facies Diseases 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 35
- 239000011435 rock Substances 0.000 claims description 23
- 230000005251 gamma ray Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 230000007787 long-term memory Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 239000003550 marker Substances 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000000151 deposition Methods 0.000 description 3
- 230000008021 deposition Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000003079 shale oil Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 235000021185 dessert Nutrition 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- 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"
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- 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
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Abstract
本申请提供一种预测页岩储层总有机碳数据的方法、装置、设备及介质。所述方法包括:获取初始测井数据、实测总有机碳数据、沉积相数据;对测井曲线进行深度校准以获取初始测井数据对应的岩性特征;基于总有机碳数据的取样深度,获取每条总有机碳数据对应的测井数据;将岩性特征与测井数据拼接,得到拼接测井数据;对拼接测井数据进行标准化,并将标准化后的拼接测井数据与对应的总有机碳数据分为训练数据和测试数据;基于训练数据建立卷积神经网络‑双向长短期记忆网络模型,并基于测试数据对模型进行测试,得到页岩储层总有机碳数据预测模型,并基于页岩储层总有机碳数据预测模型预测待预测测井数据对应的总有机碳数据。
Description
技术领域
本申请涉及页岩油气勘探开发技术领域,具体而言,涉及一种预测页岩储层总有机碳数据的方法、装置和设备。
背景技术
页岩油气作为一种非常重要的非常规油气资源,其勘探成果对于能源接替和社会经济的发展具有重要意义。总有机碳(TOC)作为页岩储层评价的重要参数之一,对实际勘探具有重要的指导意义。通常TOC的测定需要进行样品提取和实验室分析,但是由于成本以及取芯连续性的限制,高精度的评价往往会受到一定影响。
近年来,随着数字化时代的到来,人工智能开始进入各个领域并发挥着巨大的作用,一些智能技术正在处理和解决石油行业面临的各种问题。机器学习通过让计算机自动学习数据和模式,进而完成一些复杂的任务,并根据学习到的模式和规律进行推理和预测。目前大量的机器学习模型应用于TOC的预测,例如:支持向量回归(SVR)和反向传播神经网络(BPNN)等,在合理的建模下,机器学习可以做到较为精准的TOC含量预测。然而,传统的机器学习模型容易陷入局部最优,且经过训练的模型只能对有限数量的岩石或局部区域做出良好的预测。
深度学习技术在油气勘探领域引起了广泛关注。其中,基于卷积神经网络(CNN)和双向长短时记忆网络(Bi-LSTM)的模型在数据分析和预测方面取得了显著成果。这种模型能够从复杂的测井曲线数据中学习和提取特征,便于模型可以更好的提取输入的所有特征信息,以准确地预测页岩储层的TOC含量。CNN-Bi-LSTM模型结合了CNN和Bi-LSTM两种神经网络的优势,具有良好的特征提取能力和建模能力。CNN模块能够捕捉测井曲线中的局部特征和空间关联性,而Bi-LSTM模块可以将特征序列进行双向拟合,并将拟合结果进行拼接。通过这种结合,模型能够更全面地分析测井曲线数据,并准确地预测页岩储层中的TOC含量。
然而,在现有技术中,对于基于CNN-Bi-LSTM模型的页岩储层TOC预测方法的研究还相对有限。针对该问题,我们提出了一种新的方法,旨在通过使用CNN-Bi-LSTM模型来实现更准确和高效的页岩储层TOC预测。以充分利用测井曲线中的信息,提高TOC预测的精度和可靠性。
发明内容
有鉴于此,本公开实施例提供一种预测页岩储层总有机碳数据的方法、装置和设备,至少部分解决现有技术中存在的问题,搭建的页岩储层总有机碳数据预测模型可应用于页岩储层勘探和评价领域,对于提高页岩油气资源勘探的效率和精度具有重要意义。
在一方面,本实施例中提供的可以可应用于页岩储层勘探和评价领域的预测页岩储层总有机碳数据的方法,包括:获取初始测井数据、实测总有机碳数据、沉积相数据;
移动初始测井数据中的测井曲线并匹配其标记层的间隔,并对测井曲线进行深度校准以获取初始测井数据对应的岩相特征;
基于总有机碳数据的取样深度,获取每条总有机碳数据对应的测井数据;
将岩性特征与测井数据拼接,得到拼接测井数据;
对拼接测井数据进行标准化处理,并将标准化处理后的拼接测井数据与对应的总有机碳数据分为训练数据和测试数据;
基于训练数据建立卷积神经网络-双向长短期记忆网络模型,并基于测试数据对卷积神经网络-双向长短期记忆网络模型进行测试,得到页岩储层总有机碳数据预测模型;
获取待预测测井数据,并基于所述页岩储层总有机碳数据预测模型预测所述待预测测井数据对应的总有机碳数据。
具体的,测井数据包括:伽马射线测井曲线、补偿中子测井曲线、密度测井曲线和声波测井曲线。
具体的,将岩性特征与测井数据拼接,得到拼接测井数据包括:
基于独热编码将岩性特征与测井数据拼接,得到拼接测井数据。
具体的,移动初始测井数据中的测井曲线并匹配其标记层的间隔,并对测井曲线进行深度校准以获取初始测井数据对应的岩相特征包括:
初始测井数据为伽马射线测井曲线。
具体的,基于总有机碳数据的取样深度,获取每条总有机碳数据对应的测井数据还包括:
基于Savitzky-Golay滤波器对测井数据进行平滑度处理,得到除噪测井数据。
具体的,拼接测井数据包括具有时间、测井数据和岩性特征的三维数据。
具体的,对拼接测井数据进行标准化处理包括:
基于公式对拼接测井数据进行归一化处理。
具体的,卷积神经网络-双向长短期记忆网络模型包括:一维卷积层、最大池化层、Dropout层、双向长短期记忆层、全连接层。
另一方面,本公开实施例提供了一种岩储层总有机碳数据预测模型搭建装置,该装置可以实现上述岩储层总有机碳数据预测模型搭建方法,该装置包括:初始数据获取模块,用于获取初始测井数据、实测总有机碳数据、沉积相数据;
岩相特征获取模块,用于移动初始测井数据中的测井曲线并匹配其标记层的间隔,并对测井曲线进行深度校准以获取初始测井数据对应的岩相特征;
测井数据获取模块,用于基于总有机碳数据的取样深度,获取每条总有机碳数据对应的测井数据;
数据拼接模块,用于将岩性特征与测井数据拼接,得到拼接测井数据;
标准化处理模块,用于对拼接测井数据进行标准化处理,并将标准化处理后的拼接测井数据与对应的总有机碳数据分为训练数据和测试数据;
模型建立模块,用于基于训练数据建立卷积神经网络-双向长短期记忆网络模型,并基于测试数据对卷积神经网络-双向长短期记忆网络模型进行测试,得到页岩储层总有机碳数据预测模型;
数据预测模块,用于获取待预测测井数据,并基于所述页岩储层总有机碳数据预测模型预测所述待预测测井数据对应的总有机碳数据。
本申请实施例的另一方面,提供一种计算机设备,包括:存储器、处理器,存储器中存储有可在处理器上运行的计算机程序,处理器执行计算机程序时,实现岩储层总有机碳数据预测模型搭建方法的步骤。
本申请实施例的另一方面,提供一种计算机可读存储介质,存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现岩储层总有机碳数据预测模型搭建方法的步骤。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,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它的附图。
图1为本申请实施例中预测页岩储层总有机碳数据的方法的流程示意图;
图2为本申请实施例中预测页岩储层总有机碳数据的方法的具体实施例流程示意图;
图3为本申请实施例中预测页岩储层总有机碳数据的方法中不同岩性下的测井曲线展示图;
图4为本申请实施例中预测页岩储层总有机碳数据的方法中实验室实测TOC分析图;
图5为本申请实施例中预测页岩储层总有机碳数据的中测试集模型效果展示图;
图6为本申请实施例中预测页岩储层总有机碳数据的中测试集预测TOC值与实测TOC值对比图;
图7为本申请实施例中预测页岩储层总有机碳数据的方法中模型用于实际生产评价优选甜点段图;
图8本申请实施例提供的预测页岩储层总有机碳数据的装置的结构示意图;
图9为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践方面。
首先,图1为本申请实施例中岩储层总有机碳数据预测模型搭建方法的流程示意图,请参照图1,岩储层总有机碳数据预测模型搭建方法:
S101,获取初始测井数据、实测总有机碳数据、沉积相数据。
容易理解的,需要搭建岩储层总有机碳数据预测模型,则需要完整的训练集和测试集,在本实施例中则需要获取初始测井数据,即全井段测井资料数据,实测总有机碳数据,即实验室中实测的TOC数据,研究区沉积相,对应的就是测井数据和TOC数据对应研究区的沉积相。
S102,移动初始测井数据中的测井曲线并匹配其标记层的间隔,并对测井曲线进行深度校准以获取初始测井数据对应的岩相特征。
在本实施例中,通过移动测井数据中的测井曲线,以匹配标记层的间隔来校准深度,也就是需要对测井曲线进行深度校准,以获取准确的岩相特征。岩相(lithic facies)是一定沉积环境中形成的岩石或岩石组合,它是沉积相的主要组成部分。基于此,可以使初始测井数据与沉积相进行对应。
S103,基于总有机碳数据的取样深度,获取每条总有机碳数据对应的测井数据。
容易理解的,在本实施例中,需要将总有机碳数据与测井数据再进行进一步对应,则需要通过总有机碳数据的取样深度与测井数据的取样深度相对应。
S104,将岩性特征与测井数据拼接,得到拼接测井数据;
在本步骤中,需要将具有岩性特征的一位数据重塑成时间维度为1的二维数据,再将其与包含时间维度与测量值维度的测井数据进行拼接,得到一个新的输入特征向量。
S105,对拼接测井数据进行标准化处理,并将标准化处理后的拼接测井数据与对应的总有机碳数据分为训练数据和测试数据;
在本实施例中,为了将不同范围、不同单位、不同量纲的拼接测井数据进行统一,在训练模型之前,还需要对原始的拼接测井数据进行标准化处理;接着将新的拼接测井数据与对应的总有机碳数据分为训练集和测试集,对应为训练数据和测试数据。在实际实施例中,将训练集和测试集的比例划分为4:1。
S106,基于训练数据建立卷积神经网络-双向长短期记忆网络模型,并基于测试数据对卷积神经网络-双向长短期记忆网络模型进行测试,得到页岩储层总有机碳数据预测模型。
S107,获取待预测测井数据,并基于所述页岩储层总有机碳数据预测模型预测所述待预测测井数据对应的总有机碳数据。
容易理解的,在建立并训练好页岩储层总有机碳数据预测模型之后,即可以基于实际场景中获取到的测井数据,也就是待预测测井数据进行总有机碳数据预测。将待预测测井数据输入到页岩储层总有机碳数据预测模型中即可输出对应的总有机碳数据预测结果。
在实际操作中,还将卷积神经网络-双向长短期记忆网络模型称作CNN-Bi-LSTM模型。
在另一个实施例中,测井数据包括:伽马射线测井曲线、补偿中子测井曲线、密度测井曲线和声波测井曲线。
容易理解的,测井数据在实际获取过程中,包括伽马射线测井曲线(GR)、补偿中子测井曲线(CNL)、密度测井曲线(DEN)和声波测井曲线(AC)。
在其中一个实施例中,将岩性特征与测井数据拼接,得到拼接测井数据包括:
基于独热编码将岩性特征与测井数据拼接,得到拼接测井数据。
可以理解的,在本实施例中采用了one-hot编码首先将岩性特征转化为机器学习算法易于利用的形式。以便于将岩性特征与测井数据进行拼接。
在另一个实施例中,移动初始测井数据中的测井曲线并匹配其标记层的间隔,并对测井曲线进行深度校准以获取初始测井数据对应的岩相特征包括:
初始测井数据为伽马射线测井曲线。
在本实施例中,获取岩相特征时需要进行深度校准的测井曲线类型需要为伽马射线测井曲线。
在其中一个实施例中,基于总有机碳数据的取样深度,获取每条总有机碳数据对应的测井数据还包括:
基于Savitzky-Golay滤波器对测井数据进行平滑度处理,得到除噪测井数据。
容易理解的,对取得的测井数据通过Savitzky-Golay滤波器滤波器进行平滑度处理,可以滤除掉高频数据,得到除噪的测井数据。
在另一个实施例中,拼接测井数据包括具有时间、测井数据和岩性特征的三维数据。
在本实施例中,在岩性特征为时间序列为1的二维数据时,将其与包含时间维度与测量值维度的测井曲线数据进行拼接,形成一个具有三维特征(时间、测井数据、岩性数据)的特征向量。岩性特征的加入为模型提供了格外的维度信息,增加了模型对地下岩石性质和TOC含量之间复杂关系的建模能力。通过增加第三维度的限定,模型可以更全面地考虑地下岩石的特征和TOC含量之间的关系,从而提高预测的准确性和泛化能力。
在其中一个实施例中,对拼接测井数据进行标准化处理包括:
基于公式对拼接测井数据进行归一化处理。
在本实施例中,是原始数据,是缩放后的数据,和分别是该特征在原始数据中的最小值和最大值。
在另一个实施例中,卷积神经网络-双向长短期记忆网络模型包括:一维卷积层、最大池化层、Dropout层、双向长短期记忆层、全连接层。
在本实施例中,卷积神经网络-双向长短期记忆网络模型模型网络组成包括:一维卷积层、最大池化层、Dropout层、双向长短期记忆层、全连接层。
一维卷积层通过滑动窗口和卷积操作,对输入数据进行局部特征提取。
最大池化层可以将卷积后的数据进行下采样,保留重要特征,提高特征的抽象能力。
X=max(x1,x2,x3,···,xn)
其中xi是池化的每个值,X是最大池化的输出值。
Dropout层可以对模型进行正则化,减少神经元之间的耦合关系,防止模型过度拟合。
双向长短期记忆层有两个独立的长短期记忆层组成,可以将特征序列进行双向拟合,并将拟合结果进行拼接。
全连接层可以接收Bi-LSTM层的隐藏状态作为输出。
在上述实施例中,在将测试集输入到训练好的卷积神经网络-双向长短期记忆网络模型之后,若测试集上的预测精度可达到训练集的标准,此时模型可以投入正常使用。
本发明还提供了在实际操作中的具体实施例以供参考,如图2所示。图2为本申请实施例中岩储层总有机碳数据预测模型搭建方法的具体实施例流程示意图。
S301,四川盆地侏罗纪大安寨段84口井的全井段测井资料、1548个实验室实测TOC数据、研究区沉积相分布;测井资料包括:伽马射线测井曲线(GR)、补偿中子测井曲线(CNL)、密度测井曲线(DEN)和声波测井曲线(AC)。研究数据均来自中国西南油气田。
S302,利用伽马射线测井曲线(GR)通过移动测井曲线以匹配标记层的间隔来校准深度,对测井曲线进行深度校准以获得准确的岩相特征,遵循伽马射线测井曲线(GR)值较高的被判定为页岩或泥岩,对于伽马射线测井曲线(GR)值较低的被评定为灰岩或砂岩。如图3所示,图3为本申请实施例中岩储层总有机碳数据预测模型搭建方法中不同岩性下的测井曲线展示图。
S303,根据TOC数据样本取样深度匹配到每条TOC对应的测井数据,对取得的测井数据通过Savitzky-Golay滤波器进行平滑度处理,滤掉高频数据以减少数据中的噪声以及去除异常值。如图4所示,图4为本申请实施例中岩储层总有机碳数据预测模型搭建方法中实验室实测TOC分析图。
S304,通过对测井数据进行岩性矫正以获取每块样品的岩性特征,将岩性特征利用one-hot编码转化为机器学习算法易于利用的形式,随后将每条具有岩性特征的一维数据重塑成时间序列为一的二维数据,将其与包含时间维度与测量值维度的测井曲线数据进行拼接,形成一个具有三维特征(时间、测井数据、岩性数据)的特征向量,将三维特征向量输入进模型。
S305,为了将不同范围、不同单位、不同量纲的测井数据进行统一,在训练模型之前对原始数据集进行了标准化处理。采用如下公式实现测井数据的归一化处理:
其中,X是原始数据,Xscaled是缩放后的数据,Xmin和Xmax分别是该特征在原始数据中的最小值和最大值。
S306,将标准化后的测井以及TOC实测数据按照4:1的比例划分出训练集和测试集,依托训练集建立CNN-Bi-LSTM模型。其CNN-Bi-LSTM模型网络组成包括:一维卷积层、最大池化层、Dropout层、Bi-LSTM层、全连接层。其过程如下。
1)通过一维卷积层通过滑动窗口和卷积操作,对输入数据进行局部特征提取。
2)最大池化层可以将卷积后的数据进行下采样,保留重要特征,提高特征的抽象能力。
X=max(x1,x2,x3,···,xn)
其中xi是池化的每个值,X是最大池化的输出值。
3)Dropout层可以对模型进行正则化,减少神经元之间的耦合关系,防止模型因数据量不足导致过度拟合。
4)Bi-LSTM层有两个独立的LSTM组成,可以将特征序列进行双向拟合,并将拟合结果进行拼接。
5)全连接层可以接收Bi-LSTM层的隐藏状态作为输出。
如图5所示,图5为本申请实施例中岩储层总有机碳数据预测模型搭建方法中测试集模型效果展示图
S307,利用测试集对训练好的CNN-Bi-LSTM模型进行测试验证,将模型预测数据与实测TOC值进行对比,评判模型得分。
图6为本申请实施例中岩储层总有机碳数据预测模型搭建方法中测试集预测TOC值与实测TOC值对比图。另外,在用于实际生产评价时,可参考图7,
图7为本申请实施例中岩储层总有机碳数据预测模型搭建方法中模型用于实际生产评价优选甜点段图。
下述对用以执行的本申请所提供的预测页岩储层总有机碳数据的方法对应的装置、设备及存储介质等进行说明,其具体的实现过程以及技术效果参见上述,下述不再赘述。
图8本申请实施例提供的预测页岩储层总有机碳数据的装置的结构示意图,请参照图8,岩储层总有机碳数据预测模型搭建装置,该装置包括:初始数据获取模块,岩相特征获取模块,测井数据获取模块,数据拼接模块,标准化处理模块,模型建立模块;
初始数据获取模块810,用于获取初始测井数据、实测总有机碳数据、沉积相数据;
岩相特征获取模块820,用于移动初始测井数据中的测井曲线并匹配其标记层的间隔,并对测井曲线进行深度校准以获取初始测井数据对应的岩相特征;
测井数据获取模块830,用于基于总有机碳数据的取样深度,获取每条总有机碳数据对应的测井数据;
数据拼接模块840,用于将岩性特征与测井数据拼接,得到拼接测井数据;
标准化处理模块850,用于对拼接测井数据进行标准化处理,并将标准化处理后的拼接测井数据与对应的总有机碳数据分为训练数据和测试数据;
模型建立模块860,用于基于训练数据建立卷积神经网络-双向长短期记忆网络模型,并基于测试数据对卷积神经网络-双向长短期记忆网络模型进行测试,得到页岩储层总有机碳数据预测模型;
数据预测模块870,用于获取待预测测井数据,并基于页岩储层总有机碳数据预测模型预测待预测测井数据对应的总有机碳数据。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器,或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
图7为本申请实施例提供的计算机设备的结构示意图,请参照图7,计算机设备,包括:存储器910、处理器920,存储器910中存储有可在处理器920上运行的计算机程序,处理器920执行计算机程序时,实现岩储层总有机碳数据预测模型搭建的步骤。
需要说明的是,该计算机设备即为上述后台计算机设备。
本申请实施例的另一方面,还提供一种计算机可读存储介质,存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现岩储层总有机碳数据预测模型搭建方法的步骤。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,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,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。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
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设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
因此,本公开实施例提供了以下的技术方案:
1.一种预测页岩储层总有机碳数据的方法,包括:
获取初始测井数据、实测总有机碳数据、沉积相数据;
移动初始测井数据中的测井曲线并匹配其标记层的间隔,并对测井曲线进行深度校准以获取初始测井数据对应的岩性特征;
基于总有机碳数据的取样深度,获取每条总有机碳数据对应的测井数据;
将岩性特征与测井数据拼接,得到拼接测井数据;
对拼接测井数据进行标准化处理,并将标准化处理后的拼接测井数据与对应的总有机碳数据分为训练数据和测试数据;
基于训练数据建立卷积神经网络-双向长短期记忆网络模型,并基于测试数据对卷积神经网络-双向长短期记忆网络模型进行测试,得到页岩储层总有机碳数据预测模型;
获取待预测测井数据,并基于所述页岩储层总有机碳数据预测模型预测所述待预测测井数据对应的总有机碳数据。
2.如1的预测页岩储层总有机碳数据的方法,测井数据包括:伽马射线测井曲线、补偿中子测井曲线、密度测井曲线和声波测井曲线。
3.如1的预测页岩储层总有机碳数据的方法,将岩性特征与测井数据拼接,得到拼接测井数据包括:
基于独热编码将岩性特征与测井数据拼接,得到拼接测井数据。
4.如2的预测页岩储层总有机碳数据的方法,移动初始测井数据中的测井曲线并匹配其标记层的间隔,并对测井曲线进行深度校准以获取初始测井数据对应的岩相特征包括:
初始测井数据为伽马射线测井曲线。
5.如1的预测页岩储层总有机碳数据的方法,基于总有机碳数据的取样深度,获取每条总有机碳数据对应的测井数据还包括:
基于Savitzky-Golay滤波器对测井数据进行平滑度处理,得到除噪测井数据。
6.如3的预测页岩储层总有机碳数据的方法,拼接测井数据包括具有时间、测井数据和岩性特征的三维数据。
7.如1的预测页岩储层总有机碳数据的方法,对拼接测井数据进行标准化处理包括:
基于公式对拼接测井数据进行归一化处理。
8.如1的预测页岩储层总有机碳数据的方法,卷积神经网络-双向长短期记忆网络模型包括:一维卷积层、最大池化层、Dropout层、双向长短期记忆层、全连接层。
9.一种岩储层总有机碳数据预测模型搭建装置,装置应用于如1-8任一项的预测页岩储层总有机碳数据的方法,装置包括:
初始数据获取模块,用于获取初始测井数据、实测总有机碳数据、沉积相数据;
岩相特征获取模块,用于移动初始测井数据中的测井曲线并匹配其标记层的间隔,并对测井曲线进行深度校准以获取初始测井数据对应的岩相特征;
测井数据获取模块,用于基于总有机碳数据的取样深度,获取每条总有机碳数据对应的测井数据;
数据拼接模块,用于将岩性特征与测井数据拼接,得到拼接测井数据;
标准化处理模块,用于对拼接测井数据进行标准化处理,并将标准化处理后的拼接测井数据与对应的总有机碳数据分为训练数据和测试数据;
模型建立模块,用于基于训练数据建立卷积神经网络-双向长短期记忆网络模型,并基于测试数据对卷积神经网络-双向长短期记忆网络模型进行测试,得到页岩储层总有机碳数据预测模型;
数据预测模块,用于获取待预测测井数据,并基于所述页岩储层总有机碳数据预测模型预测所述待预测测井数据对应的总有机碳数据。
10.一种计算机设备,包括:存储器、处理器,存储器中存储有可在处理器上运行的计算机程序,处理器执行计算机程序时,实现1至8任一项的方法的步骤。
11.一种计算机可读存储介质,存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现1至8中任一项方法的步骤。
以上所述,仅为本公开的具体实施方式,但本公开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公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种预测页岩储层总有机碳数据的方法,其特征在于,包括:
获取初始测井数据、实测总有机碳数据、沉积相数据;
移动所述初始测井数据中的测井曲线并匹配其标记层的间隔,并对所述测井曲线进行深度校准以获取初始测井数据对应的岩性特征;
基于总有机碳数据的取样深度,获取每条总有机碳数据对应的测井数据;
将所述岩性特征与所述测井数据拼接,得到拼接测井数据;
对所述拼接测井数据进行标准化处理,并将标准化处理后的所述拼接测井数据与对应的所述总有机碳数据分为训练数据和测试数据;
基于所述训练数据建立卷积神经网络-双向长短期记忆网络模型,并基于所述测试数据对所述卷积神经网络-双向长短期记忆网络模型进行测试,得到页岩储层总有机碳数据预测模型;
获取待预测测井数据,并基于所述页岩储层总有机碳数据预测模型预测所述待预测测井数据对应的总有机碳数据。
2.如权利要求1所述的预测页岩储层总有机碳数据的方法,其特征在于,所述测井数据包括:伽马射线测井曲线、补偿中子测井曲线、密度测井曲线和声波测井曲线。
3.如权利要求1所述的预测页岩储层总有机碳数据的方法,其特征在于,所述将所述岩性特征与所述测井数据拼接,得到拼接测井数据包括:
基于独热编码将所述岩性特征与所述测井数据拼接,得到拼接测井数据。
4.如权利要求2所述的预测页岩储层总有机碳数据的方法,其特征在于,所述移动所述初始测井数据中的测井曲线并匹配其标记层的间隔,并对所述测井曲线进行深度校准以获取初始测井数据对应的岩相特征包括:
所述初始测井数据为所述伽马射线测井曲线。
5.如权利要求1所述的预测页岩储层总有机碳数据的方法,其特征在案号:CDLG2023002A
于,所述基于总有机碳数据的取样深度,获取每条总有机碳数据对应的测井数据还包括:
基于Savitzky-Golay滤波器对所述测井数据进行平滑度处理,得到除噪测井数据。
6.如权利要求3所述的预测页岩储层总有机碳数据的方法,其特征在于,所述拼接测井数据包括具有时间、所述测井数据和所述岩性特征的三维数据。
7.如权利要求1所述的预测页岩储层总有机碳数据的方法,其特征在于,所述卷积神经网络-双向长短期记忆网络模型包括:一维卷积层、最大池化层、Dropout层、双向长短期记忆层、全连接层。
8.一种岩储层总有机碳数据预测模型搭建装置,其特征在于,所述装置应用于如权利要求1-7任一项所述的预测页岩储层总有机碳数据的方法,所述装置包括:
初始数据获取模块,用于获取初始测井数据、实测总有机碳数据、沉积相数据;
岩相特征获取模块,用于移动所述初始测井数据中的测井曲线并匹配其标记层的间隔,并对所述测井曲线进行深度校准以获取初始测井数据对应的岩相特征;
测井数据获取模块,用于基于总有机碳数据的取样深度,获取每条总有机碳数据对应的测井数据;
数据拼接模块,用于将所述岩性特征与所述测井数据拼接,得到拼接测井数据;
标准化处理模块,用于对所述拼接测井数据进行标准化处理,并将标准化处理后的所述拼接测井数据与对应的所述总有机碳数据分为训练数据和测试数据;
模型建立模块,用于基于所述训练数据建立卷积神经网络-双向长短期记忆网络模型,并基于所述测试数据对所述卷积神经网络-双向长短期记忆网络模型进行测试,得到页岩储层总有机碳数据预测模型;
案号:CDLG2023002A
数据预测模块,用于获取待预测测井数据,并基于所述页岩储层总有机碳数据预测模型预测所述待预测测井数据对应的总有机碳数据。
9.一种计算机设备,其特征在于,包括:存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310881789.5A CN116927771A (zh) | 2023-07-18 | 2023-07-18 | 一种预测页岩储层总有机碳数据的方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310881789.5A CN116927771A (zh) | 2023-07-18 | 2023-07-18 | 一种预测页岩储层总有机碳数据的方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116927771A true CN116927771A (zh) | 2023-10-24 |
Family
ID=88389037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310881789.5A Pending CN116927771A (zh) | 2023-07-18 | 2023-07-18 | 一种预测页岩储层总有机碳数据的方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116927771A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272841A (zh) * | 2023-11-21 | 2023-12-22 | 西南石油大学 | 一种基于混合神经网络的页岩气甜点预测方法 |
-
2023
- 2023-07-18 CN CN202310881789.5A patent/CN116927771A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272841A (zh) * | 2023-11-21 | 2023-12-22 | 西南石油大学 | 一种基于混合神经网络的页岩气甜点预测方法 |
CN117272841B (zh) * | 2023-11-21 | 2024-01-26 | 西南石油大学 | 一种基于混合神经网络的页岩气甜点预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Development of subsurface geological cross-section from limited site-specific boreholes and prior geological knowledge using iterative convolution XGBoost | |
US10324229B2 (en) | System and method of pore type classification for petrophysical rock typing | |
Abdulraheem et al. | Estimation of permeability from wireline logs in a middle eastern carbonate reservoir using fuzzy logic | |
CN107678059B (zh) | 一种储层含气识别的方法、装置及系统 | |
Zhou et al. | A pattern‐search‐based inverse method | |
CN109115987B (zh) | 一种基于岩石物理模型的流体因子的评价方法及装置 | |
US9805144B2 (en) | Method for exploiting a geological reservoir on the basis of a reservoir model matched by means of multiple-scale parameterization | |
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 | |
CN107366534B (zh) | 粗化渗透率的确定方法和装置 | |
Zhou et al. | Fast prediction of reservoir permeability based on embedded feature selection and LightGBM using direct logging data | |
Wang et al. | Data-driven S-wave velocity prediction method via a deep-learning-based deep convolutional gated recurrent unit fusion network | |
Wei et al. | Characterizing rock facies using machine learning algorithm based on a convolutional neural network and data padding strategy | |
Elmorsy et al. | Generalizable permeability prediction of digital porous media via a novel multi‐scale 3D convolutional neural network | |
CN116927771A (zh) | 一种预测页岩储层总有机碳数据的方法、装置、设备及介质 | |
Zhou et al. | Data driven modeling and prediction for reservoir characterization using seismic attribute analyses and big data analytics | |
Bagheri et al. | Reservoir rock permeability prediction using SVR based on radial basis function kernel | |
WO2015088542A1 (en) | Modeling subterranean formation permeability | |
Guerreiro et al. | Integrated reservoir characterisation of a fractured carbonate reservoir | |
CN111580179B (zh) | 一种有机碳含量确定方法、装置及系统 | |
Sheng et al. | Arrival-time picking of microseismic events based on MSNet | |
Dai et al. | Stratigraphic automatic correlation using SegNet semantic segmentation model | |
CN115146976A (zh) | 影响待勘测区块评价的主要地质参数的选取方法及设备 | |
Subhakar et al. | Detrended fluctuation analysis of geophysical well-log data | |
CN110320573B (zh) | 一种反映储层产能的测井参数构建方法及系统 | |
CA3077178A1 (en) | Apparatus and methods for improved subsurface data processing systems |
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 |