CN116957364B - 深地油气精准导航砂泥岩地层岩性评价的方法与系统 - Google Patents
深地油气精准导航砂泥岩地层岩性评价的方法与系统 Download PDFInfo
- Publication number
- CN116957364B CN116957364B CN202311205159.2A CN202311205159A CN116957364B CN 116957364 B CN116957364 B CN 116957364B CN 202311205159 A CN202311205159 A CN 202311205159A CN 116957364 B CN116957364 B CN 116957364B
- Authority
- CN
- China
- Prior art keywords
- data
- logging
- distribution data
- layer
- stratum
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000004576 sand Substances 0.000 title claims abstract description 17
- 238000005553 drilling Methods 0.000 claims abstract description 52
- 230000009467 reduction Effects 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 230000003321 amplification Effects 0.000 claims description 52
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 52
- 238000011176 pooling Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000015572 biosynthetic process Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 14
- 230000010354 integration Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract 1
- 238000005755 formation reaction Methods 0.000 description 14
- 239000011435 rock Substances 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
Classifications
-
- 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
-
- 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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/0499—Feedforward networks
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mining & Mineral Resources (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Geology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Animal Husbandry (AREA)
- Operations Research (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明属于地质勘探领域,具体涉及了一种深地油气精准导航砂泥岩地层岩性评价的方法与系统,旨在解决现有技术中由于设备或技术的不足导致随钻过程中的方位电阻率精度不足,进而导致砂泥岩地层岩性评价的精度不足的问题。包括:采集待测点位的密度分布数据、伽马分布数据和电阻率分布数据,分别扩增获得扩增测井分布数据,再进行聚类获得聚类测井数据,对聚类后的数据附上地层信息后进行PCA降维,将降维后的数据作为方位测井数据的权值获得随钻特征数据集,通过随钻特征数据集对缺失的随钻光电数据进行预测,根据随钻光电数据预测曲线进行地层岩性评价结果。本发明提高了随钻岩性评价的精确度。
Description
技术领域
本发明属于地质勘探领域,具体涉及了一种深地油气精准导航砂泥岩地层岩性评价的方法与系统。
背景技术
钻井油气井是一个复杂的过程,涉及许多操作因素和高地质不确定性。在硬岩钻井和地质导向应用中,了解地质环境对于将井置于最佳位置至关重要。利用测量和随钻测井(MWD/LWD)数据进行高级分析,是提高我们对钻头周围岩石力学特性理解的一种方法。声波测井通常被用来估计岩石的力学性质,与地震资料相结合可以大大减少地质解释的模糊性,有助于构建更好的油气藏模型。然而,由于成本限制或井眼问题,声波测井数据可能在目标区域的某些井中缺失,因此必须从其他常见的测井类型中估算。
从根本上来说,用数学方法预测缺失测井的任务具有挑战性。使用在相同深度测量的其他测井类型来预测特定深度的缺失测井的能力,隐含地假设测量的测井包含足够的重建信息。缺失的测井类型和测量的测井类型之间的这种依赖关系可能不存在,部分或完全不存在。在实践中,通过设计测量的测井类型往往是互补的,以便为地球科学家提供地下的多面视图,或者有效地提供地下的更完整的特征描述。假设测井类型之间存在某种程度的依赖关系,如果仅基于局部分析,建立关系的尝试可能会受到限制。
随钻光电系数(PEF)曲线与地层岩性密切相关,但由于仪器缺失或者故障导致随钻光电系数曲线缺失,如2018 地球化学光电(PE)测井 迟秀荣,吕巍 (中国石油测井有限公司天津分公司)所记载的情况.导致在砂泥岩地层的钻进过程中无法及时获取足够精确和足量的光电信息实现实时的砂泥岩地层岩性评价以至于精度不足的问题。
发明内容
为了解决现有技术中的上述问题,即现有技术中由于设备或技术的不足导致随钻过程中的方位电阻率精度不足,进而导致砂泥岩地层岩性评价的精度不足的问题,本发明提供了一种深地油气精准导航砂泥岩地层岩性评价的方法,所述方法包括:
步骤S100,采集待测点位的测井分布数据,所述测井分布数据包括密度分布数据、伽马分布数据和电阻率分布数据;所述密度分布数据、伽马分布数据和电阻率分布数据的表现形式为8扇区的数据;对所述待测点位的密度分布数据、伽马分布数据和电阻率分布数据,分别通过Akima插值方法进行扩增获得扩增测井分布数据;所述扩增测井分布数据为32扇区的数据,包括扩增密度分布数据、扩增伽马分布数据和扩增电阻率分布数据;
具体包括:对待测点位的密度分布数据、伽马分布数据和电阻率分布数据,分别通过Akima插值方法进行扩增获得扩增测井分布数据,具体为:
对于任意两个相邻数据点和/>,/>
得到拟合曲线的约束条件:
;
其中,表示/>的位置的实际测井值,/>表示/>的位置的实际测井值,/>表示/>和/>处的拟合曲线斜率,/>表示/>和/>处的斜率,表示三次多项式插值方程在/>位置的值,/>表示/>位置的实际测井值的斜率,/>表示/>位置的实际测井值的斜率;
构建三次多项式插值方程:
;
其中,表示在/>区间对应的区间函数,/>和/>表示相邻的两个数据点,/>、/>、/>和/>为待确定的常数参数;
基于所述三次多项式插值方程计算各区间的插值点;
基于所述插值点,通过的相邻的数据点计算区间的插值公式;
其中,和/>为:
;
;
其中,为/>和/>处的两个数据点的斜率:
;
为/>和/>处的两个数据点的斜率,/>为/>和/>处的两个数据点的斜率,/>为/>和/>处的两个数据点的斜率,为/>和/>处的两个数据点的斜率;
获得扩增测井分布数据;
步骤S200,基于扩增测井分布数据进行标准化获得标准化扩增测井分布数据;所述标准化扩增测井分布数据包括标准化扩增密度分布数据、标准化扩增伽马分布数据和标准化扩增电阻率分布数据;
对所述扩增测井分布数据分别进行聚类,获得聚类测井数据;
步骤S300,基于所述聚类测井数据进行地层划分,获得各地层的地层厚度,并为聚类测井数据赋予所处地层的标签获得携带地层信息的聚类测井数据;
步骤S400,基于所述携带地层信息的聚类测井数据,进行降维获得第一降维测井数据,将第一降维测井数据作为标准化扩增测井分布数据的权重参数获得随钻特征数据集;
步骤S500,基于所述随钻特征数据集,通过训练好的缺失曲线预测模型获取随钻光电数据预测曲线;
步骤S600,基于所述随钻光电数据预测曲线,分别计算各地层的光电数据平均值,获得各地层岩性评价结果。
在一些优选的实施方式中,所述步骤S200,包括:
步骤S210,基于扩增测井分布数据作为待聚类数据,计算所有节点之间的距离:
;
其中,k为坐标标记,表示第1个节点和第2个节点的位置,i和j表示节点序号,和/>表示不同的两个节点的位置;
步骤S220,设置截断距离dc,并基于所述节点之间的距离,使即将得到的测井数据聚类为5类聚类簇,其中5类聚类簇包括4个标志层簇和1个目的层簇;
步骤S230,基于所述待聚类数据,计算每一个节点的密度:
;
所述密度表示与第i个节点距离小于所述截断距离dc的节点的个数,/>表示第i个节点与第j个节点之间的距离,x表示节点的值;
步骤S240,基于所述待聚类数据,计算每一个节点的相对距离:
;
第i个节点的相对距离表示,若节点i的密度不是所有节点中最大的则选取第i个节点至密度比第i个节点更大的距离最近的第j个节点的距离;若第i个节点的密度是所有节点中最大的,则计算第i个节点到距离最接近的第j个节点的最大距离;
步骤S250,基于所述待聚类数据,选取相对距离大于预设的第一阈值且密度大于预设的第二阈值的点作为聚类中心;
步骤S260,将所有非聚类中心的数据点分配至最近邻且密度最大的聚类中心,获得聚类测井数据,所述聚类测井数包括了标志层和非标志层的映射关系。
在一些优选的实施方式中,所述步骤S300,具体包括:
基于所述聚类测井数据,获得5个地层的地层厚度,
,5个地层的数据点为5×/>,为聚类测井数据赋予所处地层的标签获得携带地层信息的聚类测井数据。
在一些优选的实施方式中,所述步骤S400,具体包括:
步骤S410,将所述携带地层信息的聚类测井数据,分别计算同一种成像类型的同一地层深度的携带地层信息的聚类测井数据的平均值,获得标准化扩增密度分布聚类测井数据平均值、标准化扩增伽马分布聚类测井数据平均值和标准化扩增电阻率分布聚类测井数据平均值;
步骤S420,通过PCA降维方法将所述标准化扩增密度分布聚类测井数据平均值、标准化扩增伽马分布聚类测井数据平均值和标准化扩增电阻率分布聚类测井数据平均值分别降至一维,获得第一降维测井数据;第一降维测井数据包括密度分布降维测井数据、伽马分布降维测井数据/>和电阻率分布降维测井数据/>;
步骤S430,基于所述第一降维测井数据和所述地层厚度,构建随钻特征数据集。
在一些优选的实施方式中,所述缺失曲线预测模型,具体包括:
缺失曲线预测模型包括t通道图像识别网络,包括2t个卷积层和2t个平均池化层,每个通道为依次连接的第一卷积层、第一平均池化层、第二卷积层和第二平均池化层,各卷积层的尺度互不相同,第f个通道的第一卷积层为(4*f-1)*(4*f-1),第二卷积层为(4*f+4)*(4*f+4),各池化层尺寸相同,为2*2,所有通道后共同连接1个全连接层和1个朴素贝叶斯决策器;
C1、C3、C5层分别为第一通道的第一卷积层、第二通道的第一卷积层和第三通道的第一卷积层,C1层由8个×/>的卷积核与输入图像进行卷积,C3层由8个/>×/>的卷积核与输入图像进行卷积,C5层由8个/>×/>的卷积核与输入图像进行卷积:
;
其中,表示/>位置的卷积结果,/>表示当前的层数,/>表示被卷积核覆盖的矩阵,/>和W表示卷积核覆盖矩阵的长和宽,m1和m2表示卷积核长度的序号,m1的范围为1-L,m2的范围为1-W,ker表示核函数,b表示对应的偏置项;
对所述卷积结果通过ReLU函数进行拟合,获得拟合的卷积结果;
对所述拟合的卷积结果进行上采样池化处理:
;
为池化后的卷积结果的二维矩阵表示(m3,m4)表示卷积结果的位置;
通过平铺层将所述池化后的卷积结果转化为平铺一维特征向量;
通过全连接层整合所述平铺一维特征向量:
;
其中,表示全连接层整合后特征的一维矩阵表达,l表示当前的层数,key表示一维矩阵的索引值,R表示l-1层特征向量长度,w表示权重矩阵,b表示偏置项,r表示特征向量数据点的序号;
在全连接层中采用朴素贝叶斯作为决策器;
整合获得的平铺一维特征向量即为所述随钻光电数据预测曲线。
本发明的另一方面,提出了一种深地油气精准导航砂泥岩地层岩性评价系统,所述系统包括:
数据扩增模块,配置为
采集待测点位的测井分布数据,所述测井分布数据包括密度分布数据、伽马分布数据和电阻率分布数据;所述密度分布数据、伽马分布数据和电阻率分布数据的表现形式为8扇区的数据;对所述待测点位的密度分布数据、伽马分布数据和电阻率分布数据,分别通过Akima插值方法进行扩增获得扩增测井分布数据;所述扩增测井分布数据为32扇区的数据,包括扩增密度分布数据、扩增伽马分布数据和扩增电阻率分布数据;具体包括:对待测点位的密度分布数据、伽马分布数据和电阻率分布数据,分别通过Akima插值方法进行扩增获得扩增测井分布数据,具体为:
对于任意两个相邻数据点和/>,/>
得到拟合曲线的约束条件:
;
其中,表示/>的位置的实际测井值,/>表示/>的位置的实际测井值,/>表示/>和/>处的拟合曲线斜率,/>表示/>和/>处的斜率,表示三次多项式插值方程在/>位置的值,/>表示/>位置的实际测井值的斜率,/>表示/>位置的实际测井值的斜率;
构建三次多项式插值方程:
;
其中,表示在/>区间对应的区间函数,/>和/>表示相邻的两个数据点,/>、/>、/>和/>为待确定的常数参数;
基于所述三次多项式插值方程计算各区间的插值点;
基于所述插值点,通过的相邻的数据点计算区间的插值公式;
其中,和/>为:
;
;
其中,为/>和/>处的两个数据点的斜率:
;
为/>和/>处的两个数据点的斜率,/>为/>和/>处的两个数据点的斜率,/>为/>和/>处的两个数据点的斜率,为/>和/>处的两个数据点的斜率;
获得扩增测井分布数据;
数据聚类模块,配置为基于扩增测井分布数据进行标准化获得标准化扩增测井分布数据;所述标准化扩增测井分布数据包括标准化扩增密度分布数据、标准化扩增伽马分布数据和标准化扩增电阻率分布数据;对所述扩增测井分布数据分别进行聚类,获得聚类测井数据;
地层信息添加模块,配置为基于所述聚类测井数据进行地层划分,获得各地层的地层厚度,并为聚类测井数据赋予所处地层的标签获得携带地层信息的聚类测井数据;
权重计算模块,配置为基于所述携带地层信息的聚类测井数据,进行降维获得第一降维测井数据,将第一降维测井数据作为标准化扩增测井分布数据的权重参数获得随钻特征数据集;
确实曲线预测模块,配置为基于所述随钻特征数据集,通过训练好的缺失曲线预测模型获取随钻光电数据预测曲线;
地层岩性评价模块,基于所述随钻光电数据预测曲线,分别计算各地层的光电数据平均值,获得各地层岩性评价结果。
本发明的有益效果:
(1)本申请通过将聚类测井数据按地层进行划分并降维后获得的数据作为标准化方位测井数据的权重,进而提高以标准化方位测井数据生成光电数据预测值的预测精度,进而提高了地层岩性评价的精确度。
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是本发明实施例中深地油气精准导航砂泥岩地层岩性评价方法的流程示意图;
图2是本发明实施例中深地油气精准导航砂泥岩地层岩性评价方法进行不同程度的数据扩增的示意图;
图3是本发明实施例中缺失曲线预测模型的结构示意图。
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。
为了更清晰地对本发明深地油气精准导航砂泥岩地层岩性评价方法进行说明,下面结合图1对本发明实施例中各步骤展开详述。
随钻光电系数测井是地球物理测井的一种特殊技术,用于测量地层的光电响应特性。该技术主要关注地层中岩石对入射辐射(如自然伽马射线或X射线)的吸收和散射情况。光电系数测井的特殊性在于它提供了一种直接观测地层组成和岩性的能力,尤其对于含矿物质的岩石,其应用价值更为显著。随钻成像测井可以从二维的角度反映测井的岩性信息,是提取岩性特征的最佳数据来源。不同矿物质和岩石成分对辐射的响应不同,光电系数测井可以通过测量地层对辐射的吸收和散射来区分不同类型的岩石。光电系数测井在砂岩和页岩等非常细粒岩石的区分方面具有优势。由于光电响应特性的差异,光电系数测井可以帮助确定地层中是否含有页岩或非常细粒的沉积岩。岩石的光电响应受到岩性变化的影响,因此光电系数测井可以帮助识别地层中岩性的转换,如从碳酸盐岩到泥岩的过渡。需要与随钻声波预测方法和随钻电阻率预测方法完全不同的预测手段。
本发明第一实施例的深地油气精准导航砂泥岩地层岩性评价方法,包括步骤S100-步骤S600,各步骤详细描述如下:
随钻光电系数(PEF)曲线与地层岩性密切相关,但由于仪器缺失或者故障导致随钻光电系数曲线缺失,本文将采用随钻过程中的密度分布数据、伽马分布数据和电阻率分布数据即方位电阻率成像对随钻PEF曲线进行预测。
不同岩性的地层中,PEF的响应是存在很大差异的,如果对所有的地层采用同一套PEF缺失曲线预测算法,得到的结果是很不准确。因此需要针对不同岩性的地层设计特定的PEF缺失曲线预测算法。
在砂泥岩地层中,密度分布数据、伽马分布数据和电阻率分布数据即方位电阻率成像对地层界面的变化及其敏感,因此可以通过密度分布数据、伽马分布数据和电阻率分布数据判断地层分界处以确定不同的地层厚度。
步骤S100,采集待测点位的测井分布数据,所述测井分布数据包括密度分布数据、伽马分布数据和电阻率分布数据;所述密度分布数据、伽马分布数据和电阻率分布数据的表现形式为8扇区的数据;对所述待测点位的密度分布数据、伽马分布数据和电阻率分布数据,分别通过Akima插值方法进行扩增获得扩增测井分布数据;所述扩增测井分布数据为32扇区的数据,包括扩增密度分布数据、扩增伽马分布数据和扩增电阻率分布数据;32扇区的数据如图2最右边所示;
包括:对待测点位的密度分布数据、伽马分布数据和电阻率分布数据,分别通过Akima插值方法进行扩增获得扩增测井分布数据,具体为:
对于任意两个相邻数据点和/>,/>
得到拟合曲线的约束条件:
;
其中,表示/>的位置的实际测井值,/>表示/>的位置的实际测井值,/>表示/>和/>处的拟合曲线斜率,/>表示/>和/>处的斜率,表示三次多项式插值方程在/>位置的值,/>表示/>位置的实际测井值的斜率,/>表示/>位置的实际测井值的斜率;
构建三次多项式插值方程:
;
其中,表示在/>区间对应的区间函数,/>和/>表示相邻的两个数据点,/>、/>、/>和/>为待确定的常数参数;
基于所述三次多项式插值方程计算各区间的插值点;
基于所述插值点,通过的相邻的数据点计算区间的插值公式;
其中,和/>为:
;
;
其中,为/>和/>处的两个数据点的斜率:
;
为/>和/>处的两个数据点的斜率,/>为/>和/>处的两个数据点的斜率,/>为/>和/>处的两个数据点的斜率,/>为/>和/>处的两个数据点的斜率;
获得扩增测井分布数据;在开始和结束的端点处无法使用计算斜率的方式进行补足,需要在端点外根据曲线的趋势补足两个点。
在本实施例中,现假设端点和已知数据点/>、/>,需要补上的数据点为/>、/>,这五个点都在曲线S(x)上,并且:
;
可得:
;
即:
;
有:
;
;
当与/>时:
;
当与/>时:
;
计算三次多项式插值方程得到:
;
获得三次多项式插值方程。
步骤S200,基于扩增测井分布数据进行标准化获得标准化扩增测井分布数据;所述标准化扩增测井分布数据包括标准化扩增密度分布数据、标准化扩增伽马分布数据和标准化扩增电阻率分布数据;
对所述扩增测井分布数据分别进行聚类,获得聚类测井数据;将扩增密度分布数据、扩增伽马分布数据和扩增电阻率分布数据进行标准化处理,基于3×32=96条曲线进行聚类分析,从而实现地层划分。
在本实施例中,所述步骤S200,包括:
步骤S210,基于扩增测井分布数据作为待聚类数据,计算所有节点之间的距离:
;
其中,k为坐标标记,表示第1个节点和第2个节点的位置,i和j表示节点序号,和/>表示不同的两个节点的位置;
步骤S220,设置截断距离dc,并基于所述节点之间的距离,使即将得到的测井数据聚类为5类聚类簇,其中5类聚类簇包括4个标志层簇和1个目的层簇;
设置基于密度峰值聚类的参数,在考虑识别效率和精度的情况下,簇的数量越多越好,从而可以使簇与簇之间所反映的地层信息尽可能区分开,最大程度避免一个簇反映多个层位地层信息的现象。截断距离dc设置的距离越小,生成了类则越多,类所对应的地层特征则越细致,但过多的类会造成效率操作效率较低,由此综合分析后,确定设置dc的值使得聚出的类的个数大约为30左右。
步骤S230,基于所述待聚类数据,计算每一个节点的密度:
;
所述密度表示与第i个节点距离小于所述截断距离dc的节点的个数,/>表示第i个节点与第j个节点之间的距离,x表示节点的值;
步骤S240,基于所述待聚类数据,计算每一个节点的相对距离:;
第i个节点的相对距离表示,若节点i的密度不是所有节点中最大的则选取第i个节点至密度比第i个节点更大的距离最近的第j个节点的距离;若第i个节点的密度是所有节点中最大的,则计算第i个节点到距离最接近的第j个节点的最大距离;
步骤S250,基于所述待聚类数据,选取相对距离大于预设的第一阈值且密度大于预设的第二阈值的点作为聚类中心;
在本实施例中,以密度作为横坐标和相对距离/>作为纵坐标绘制二维图像,相对距离/>较大和拥有较高密度的点是聚类中心,通常在二维图像的右上方。对于每一个剩余点,其所属的聚类是其最临近且密度比其大的节点的聚类。
步骤S260,将所有非聚类中心的数据点分配至最近邻且密度最大的聚类中心,获得聚类测井数据,所述聚类测井数据包括了标志层和非标志层的映射关系。
步骤S300,基于所述聚类测井数据进行地层划分,获得各地层的地层厚度,并为聚类测井数据赋予所处地层的标签获得携带地层信息的聚类测井数据;
在本实施例中,所述步骤S300,具体包括:
基于所述聚类测井数据,获得5个地层的地层厚度,,5个地层的数据点为5×/>,为聚类测井数据赋予所处地层的标签获得携带地层信息的聚类测井数据。
步骤S400,基于所述携带地层信息的聚类测井数据,进行降维获得第一降维测井数据,将第一降维测井数据作为标准化扩增测井分布数据的权重参数获得随钻特征数据集;
在本实施例中,所述步骤S400,具体包括:
步骤S410,将所述携带地层信息的聚类测井数据,分别计算同一种成像类型的同一地层深度的携带地层信息的聚类测井数据的平均值,获得标准化扩增密度分布聚类测井数据平均值、标准化扩增伽马分布聚类测井数据平均值和标准化扩增电阻率分布聚类测井数据平均值;
步骤S420,通过PCA降维方法将所述标准化扩增密度分布聚类测井数据平均值、标准化扩增伽马分布聚类测井数据平均值和标准化扩增电阻率分布聚类测井数据平均值分别降至一维,获得第一降维测井数据;第一降维测井数据包括密度分布降维测井数据、伽马分布降维测井数据/>和电阻率分布降维测井数据/>;
步骤S430,基于所述第一降维测井数据和所述地层厚度,构建随钻特征数据集。
步骤S500,基于所述随钻特征数据集,通过训练好的缺失曲线预测模型获取随钻光电数据预测曲线;
在本实施例中,所述缺失曲线预测模型,具体包括:
缺失曲线预测模型包括t通道图像识别网络,包括2t个卷积层和2t个平均池化层,每个通道为依次连接的第一卷积层、第一平均池化层、第二卷积层和第二平均池化层,各卷积层的尺度互不相同,第f个通道的第一卷积层为(4*f-1)*(4*f-1),第二卷积层为(4*f+4)*(4*f+4),各池化层尺寸相同,为2*2,所有通道后共同连接1个全连接层和1个朴素贝叶斯决策器;
本实施例采用的缺失曲线预测模型如图3所示,C1层由8个3*3的卷积核与输入图像进行卷积,得到8个特征图,大小为190*190,后由池化层P1对卷积层C1以2*2的单元进行池化操作,P1层由8个95*95的特征图构成。再以16个8*8的卷积核对P1进行卷积,得到卷积层C2,其由16个88*88大小的特征图组成,再以2*2的单元对C2进行池化操作,得到池化层P2,其由16个44*44大小的特征图组成。
C3层由8个7*7的卷积核与输入图像进行卷积,得到8个特征图,大小为186*186,后由池化层P3对卷积层C3以2*2的单元进行池化操作,P3层由8个93*93的特征图构成。再以16个12*12的卷积核对P3进行卷积,得到卷积层C4,其由16个82*82大小的特征图组成,再以2*2的单元对C4进行池化操作,得到池化层P4,其由16个41*41大小的特征图组成。
C5层由8个11*11的卷积核与输入图像进行卷积,得到8个特征图,大小为182*182,后由池化层P5对卷积层C5以2*2的单元进行池化操作,P5层由8个91*91的特征图构成。再以16个16*16的卷积核对P5进行卷积,得到卷积层C5,其由16个76*76大小的特征图组成,再以2*2的单元对C6进行池化操作,得到池化层P6,其由16个38*38大小的特征图组成。
C1、C3、C5层分别为第一通道的第一卷积层、第二通道的第一卷积层和第三通道的第一卷积层,C1层由8个×/>的卷积核与输入图像进行卷积,C3层由8个/>×/>的卷积核与输入图像进行卷积,C5层由8个/>×/>的卷积核与输入图像进行卷积:
;
其中,表示/>位置的卷积结果,/>表示当前的层数,/>表示被卷积核覆盖的矩阵,/>和W表示卷积核覆盖矩阵的长和宽,m1和m2表示卷积核长度的序号,m1的范围为1-L,m2的范围为1-W,ker表示核函数,b表示对应的偏置项;
对卷积后的特征非线性化,可以较好地拟合各类曲线特征不同的分布特征。
对所述卷积结果通过ReLU函数进行拟合,获得拟合的卷积结果;
在整个模型中全部应用卷积层会导致参数过于庞大,模型也更容易出现过拟合的现象。利用池化层可以将矩阵数据进一步降维,优化参数数量,减少计算量;同时池化层可以增强矩阵特征的平移、旋转不变性,增强模型的泛化能力;
对所述拟合的卷积结果进行上采样池化处理:
;
为池化后的卷积结果的二维矩阵表示(m3,m4)表示卷积结果的位置;
通过平铺层将所述池化后的卷积结果转化为平铺一维特征向量;
矩阵经过多次卷积层与池化层已提取出较有代表性的特征,需要变为可判别的特征向量,因此利用平铺层将特征变为一维特征向量,同时弱化特征的空间特性。再利用全连接层将特征降维整合,获取最终的曲线特征并加以判别。全连接层层数越深或神经元越多,越能提高曲线特征的预测能力,但很容易过拟合,因此需要控制全连接层参数;
通过全连接层整合所述平铺一维特征向量:
;
其中,表示全连接层整合后特征的一维矩阵表达,l表示当前的层数,key表示一维矩阵的索引值,R表示l-1层特征向量长度,w表示权重矩阵,b表示偏置项,r表示特征向量数据点的序号;
在全连接层中采用朴素贝叶斯作为决策器;
整合获得的平铺一维特征向量即为所述随钻光电数据预测曲线。
全连接层中使用朴素贝叶斯替换Softmax作为决策器。朴素贝叶斯给定目标值时属性之间相互条件独立,使计算参数减少,节约内耗和时间;算法简单,快速,更有利于随钻实时曲线的预测。
当钻遇复杂地层时,卷积核尺寸不同,提取的特征反映出AC曲线的不同层次特征,有效提高了AC曲线的预测精度。例如卷积核尺寸小,反映浅层特征,尺寸大,反映深层特征。
在本实施例中,还包括对模型性能进行评估的步骤:
通过绝对百分比误差MAPE和均方根误差RMSE两个统计性能指标对模型进行评价,平均误差MAPE和均方根误差RMSE的目的是通过比较模型输出和预测之间的误差来评估模型的性能,值越小表明性能越好。MAPE和RMSE的计算如下:
;/>
;
其中,N表示观测轮次,表示实际测量值,/>表示预测值,/>表示预测值的平均值。
步骤S600,基于所述随钻光电数据预测曲线,分别计算各地层的光电数据平均值,获得各地层岩性评价结果。
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。
本发明第二实施例的深地油气精准导航砂泥岩地层岩性评价系统,所述系统包括:
数据扩增模块,配置为采集待测点位的测井分布数据,所述测井分布数据包括密度分布数据、伽马分布数据和电阻率分布数据;所述密度分布数据、伽马分布数据和电阻率分布数据的表现形式为8扇区的数据;对所述待测点位的密度分布数据、伽马分布数据和电阻率分布数据,分别通过Akima插值方法进行扩增获得扩增测井分布数据;所述扩增测井分布数据为32扇区的数据,包括扩增密度分布数据、扩增伽马分布数据和扩增电阻率分布数据;具体包括:对待测点位的密度分布数据、伽马分布数据和电阻率分布数据,分别通过Akima插值方法进行扩增获得扩增测井分布数据,具体为:
对于任意两个相邻数据点和/>,/>
得到拟合曲线的约束条件:
;
其中,表示/>的位置的实际测井值,/>表示/>的位置的实际测井值,/>表示/>和/>处的拟合曲线斜率,/>表示/>和/>处的斜率,表示三次多项式插值方程在/>位置的值,/>表示/>位置的实际测井值的斜率,/>表示/>位置的实际测井值的斜率;
构建三次多项式插值方程:
;/>
其中,表示在/>区间对应的区间函数,/>和/>表示相邻的两个数据点,/>、/>、/>和/>为待确定的常数参数;
基于所述三次多项式插值方程计算各区间的插值点;
基于所述插值点,通过的相邻的数据点计算区间的插值公式;
其中,和/>为:
;
;
其中,为/>和/>处的两个数据点的斜率:
;
为/>和/>处的两个数据点的斜率,/>为/>和/>处的两个数据点的斜率,/>为/>和/>处的两个数据点的斜率,/>为/>和/>处的两个数据点的斜率;
获得扩增测井分布数据;
数据聚类模块,配置为基于扩增测井分布数据进行标准化获得标准化扩增测井分布数据;所述标准化扩增测井分布数据包括标准化扩增密度分布数据、标准化扩增伽马分布数据和标准化扩增电阻率分布数据;对所述扩增测井分布数据分别进行聚类,获得聚类测井数据;
地层信息添加模块,配置为基于所述聚类测井数据进行地层划分,获得各地层的地层厚度,并为聚类测井数据赋予所处地层的标签获得携带地层信息的聚类测井数据;
权重计算模块,配置为基于所述携带地层信息的聚类测井数据,进行降维获得第一降维测井数据,将第一降维测井数据作为标准化扩增测井分布数据的权重参数获得随钻特征数据集;
确实曲线预测模块,配置为基于所述随钻特征数据集,通过训练好的缺失曲线预测模型获取随钻光电数据预测曲线;
地层岩性评价模块,基于所述随钻光电数据预测曲线,分别计算各地层的光电数据平均值,获得各地层岩性评价结果。
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,上述实施例提供的深地油气精准导航砂泥岩地层岩性评价系统,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。
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,上述描述的存储装置、处理装置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。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
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 (5)
1.一种深地油气精准导航砂泥岩地层岩性评价的方法,其特征在于,所述方法包括:
步骤S100,采集待测点位的测井分布数据,所述测井分布数据包括密度分布数据、伽马分布数据和电阻率分布数据;所述密度分布数据、伽马分布数据和电阻率分布数据的表现形式为8扇区的数据;对所述待测点位的密度分布数据、伽马分布数据和电阻率分布数据,分别通过Akima插值方法进行扩增获得扩增测井分布数据;所述扩增测井分布数据为32扇区的数据,包括扩增密度分布数据、扩增伽马分布数据和扩增电阻率分布数据;
包括:对待测点位的密度分布数据、伽马分布数据和电阻率分布数据,分别通过Akima插值方法进行扩增获得扩增测井分布数据,具体为:
对于任意两个相邻数据点和/>,/>
得到拟合曲线的约束条件:
;
其中,表示/>的位置的实际测井值,/>表示/>的位置的实际测井值,表示/>和/>处的拟合曲线斜率,/>表示/>和/>处的斜率,表示三次多项式插值方程在/>位置的值,/>表示/>位置的实际测井值的斜率,/>表示/>位置的实际测井值的斜率;
构建三次多项式插值方程:
;
其中,表示在/>区间对应的区间函数,/>和/>表示相邻的两个数据点,/>、/>、/>和/>为待确定的常数参数;
基于所述三次多项式插值方程计算各区间的插值点;
基于所述插值点,通过的相邻的数据点计算区间的插值公式;
其中,和/>为:
;
;
其中,为/>和/>处的两个数据点的斜率:
;
为/>和/>处的两个数据点的斜率,/>为/>和/>处的两个数据点的斜率,/>为/>和/>处的两个数据点的斜率,为/>和/>处的两个数据点的斜率;获得扩增测井分布数据;
步骤S200,基于扩增测井分布数据进行标准化获得标准化扩增测井分布数据;所述标准化扩增测井分布数据包括标准化扩增密度分布数据、标准化扩增伽马分布数据和标准化扩增电阻率分布数据;
对所述扩增测井分布数据分别进行聚类,获得聚类测井数据;
步骤S300,基于所述聚类测井数据进行地层划分,获得各地层的地层厚度,并为聚类测井数据赋予所处地层的标签获得携带地层信息的聚类测井数据;
步骤S400,基于所述携带地层信息的聚类测井数据,进行降维获得第一降维测井数据,将第一降维测井数据作为标准化扩增测井分布数据的权重参数获得随钻特征数据集;
步骤S500,基于所述随钻特征数据集,通过训练好的缺失曲线预测模型获取随钻光电数据预测曲线;
所述缺失曲线预测模型,具体包括:
缺失曲线预测模型包括t通道图像识别网络,包括2t个卷积层和2t个平均池化层,每个通道为依次连接的第一卷积层、第一平均池化层、第二卷积层和第二平均池化层,各卷积层的尺度互不相同,第f个通道的第一卷积层为(4×f-1) ×(4×f-1),第二卷积层为(4×f+4) ×(4×f+4),各池化层尺寸相同,为2×2,所有通道后共同连接1个全连接层和1个朴素贝叶斯决策器;
C1、C3、C5层分别为第一通道的第一卷积层、第二通道的第一卷积层和第三通道的第一卷积层,C1层由8个×/>的卷积核与输入图像进行卷积,C3层由8个/>×/>的卷积核与输入图像进行卷积,C5层由8个/>×/>的卷积核与输入图像进行卷积,卷积结果的计算方法为:
;
其中,表示/>位置的卷积结果,/>表示当前的层数,/>表示被卷积核覆盖的矩阵,/>和W表示卷积核覆盖矩阵的长和宽,/>和/>表示卷积核长度的序号,m1的范围为1-L,m2的范围为1-W,ker表示核函数,b表示对应的偏置项;
对所述卷积结果通过ReLU函数进行拟合,获得拟合的卷积结果;
对所述拟合的卷积结果进行上采样池化处理:
;
为池化后的卷积结果的二维矩阵表示,(m3,m4)表示卷积结果的位置;
通过平铺层将所述池化后的卷积结果转化为平铺一维特征向量;
通过全连接层整合所述平铺一维特征向量:
;
其中,表示全连接层整合后特征的一维矩阵表达,/>表示当前的层数,key表示一维矩阵的索引值,R表示/>层特征向量长度,w表示权重矩阵,b表示偏置项,r表示特征向量数据点的序号;
在全连接层中采用朴素贝叶斯作为决策器;
整合获得的平铺一维特征向量即为所述随钻光电数据预测曲线;
步骤S600,基于所述随钻光电数据预测曲线,分别计算各地层的光电数据平均值,获得各地层岩性评价结果。
2.根据权利要求1所述的深地油气精准导航砂泥岩地层岩性评价的方法,其特征在于,所述步骤S200,包括:
步骤S210,基于扩增测井分布数据作为待聚类数据,计算所有节点之间的距离:
;
其中,k为坐标标记,和/>表示第1个节点和第2个节点的位置,i和j表示节点序号,/>和/>表示不同的两个节点的位置;
步骤S220,设置截断距离dc,并基于所述节点之间的距离,使即将得到的测井数据聚类为5类聚类簇,其中5类聚类簇包括4个标志层簇和1个目的层簇;
步骤S230,基于所述待聚类数据,计算每一个节点的密度:
;
所述密度表示与第i个节点距离小于所述截断距离dc的节点的个数,/>表示第i个节点与第j个节点之间的距离;
步骤S240,基于所述待聚类数据,计算每一个节点的相对距离:
;
第i个节点的相对距离表示,若节点i的密度不是所有节点中最大的则选取第i个节点至密度比第i个节点更大的距离最近的第j个节点的距离;若第i个节点的密度是所有节点中最大的,则计算第i个节点到距离最接近的第j个节点的最大距离;
步骤S250,基于所述待聚类数据,选取相对距离大于预设的第一阈值且密度大于预设的第二阈值的点作为聚类中心;
步骤S260,将所有非聚类中心的数据点分配至最近邻且密度最大的聚类中心,获得聚类测井数据,所述聚类测井数据包括了标志层和非标志层的映射关系。
3.根据权利要求2所述的深地油气精准导航砂泥岩地层岩性评价的方法,其特征在于,所述步骤S300,具体包括:
基于所述聚类测井数据,获得5个地层的地层厚度,
,5个地层的数据点为5×/>,为聚类测井数据赋予所处地层的标签获得携带地层信息的聚类测井数据。
4.根据权利要求1所述的深地油气精准导航砂泥岩地层岩性评价的方法,其特征在于,所述步骤S400,具体包括:
步骤S410,将所述携带地层信息的聚类测井数据,分别计算同一种成像类型的同一地层深度的携带地层信息的聚类测井数据的平均值,获得标准化扩增密度分布聚类测井数据平均值、标准化扩增伽马分布聚类测井数据平均值和标准化扩增电阻率分布聚类测井数据平均值;
步骤S420,通过PCA降维方法将所述标准化扩增密度分布聚类测井数据平均值、标准化扩增伽马分布聚类测井数据平均值和标准化扩增电阻率分布聚类测井数据平均值分别降至一维,获得第一降维测井数据;第一降维测井数据包括密度分布降维测井数据、伽马分布降维测井数据/>和电阻率分布第一降维测井数据/>;
步骤S430,基于所述第一降维测井数据和所述地层厚度,构建随钻特征数据集。
5.一种深地油气精准导航砂泥岩地层岩性评价的系统,其特征在于,所述系统包括:
数据扩增模块,配置为采集待测点位的测井分布数据,所述测井分布数据包括密度分布数据、伽马分布数据和电阻率分布数据;所述密度分布数据、伽马分布数据和电阻率分布数据的表现形式为8扇区的数据;对所述待测点位的密度分布数据、伽马分布数据和电阻率分布数据,分别通过Akima插值方法进行扩增获得扩增测井分布数据;所述扩增测井分布数据为32扇区的数据,包括扩增密度分布数据、扩增伽马分布数据和扩增电阻率分布数据;具体包括:对待测点位的密度分布数据、伽马分布数据和电阻率分布数据,分别通过Akima插值方法进行扩增获得扩增测井分布数据,具体为:
对于任意两个相邻数据点和/>,/>
得到拟合曲线的约束条件:
;
其中,表示/>的位置的实际测井值,/>表示/>的位置的实际测井值,表示/>和/>处的拟合曲线斜率,/>表示/>和/>处的斜率,表示三次多项式插值方程在/>位置的值,/>表示/>位置的实际测井值的斜率,/>表示/>位置的实际测井值的斜率;
构建三次多项式插值方程:
;
其中,表示在/>区间对应的区间函数,/>和/>表示相邻的两个数据点,/>、/>、/>和/>为待确定的常数参数;
基于所述三次多项式插值方程计算各区间的插值点;
基于所述插值点,通过的相邻的数据点计算区间的插值公式;
其中,和/>为:
;
;
其中,为/>和/>处的两个数据点的斜率:
;
为/>和/>处的两个数据点的斜率,/>为/>和/>处的两个数据点的斜率,/>为/>和/>处的两个数据点的斜率,为/>和/>处的两个数据点的斜率;
获得扩增测井分布数据;
数据聚类模块,配置为基于扩增测井分布数据进行标准化获得标准化扩增测井分布数据;所述标准化扩增测井分布数据包括标准化扩增密度分布数据、标准化扩增伽马分布数据和标准化扩增电阻率分布数据;对所述扩增测井分布数据分别进行聚类,获得聚类测井数据;
地层信息添加模块,配置为基于所述聚类测井数据进行地层划分,获得各地层的地层厚度,并为聚类测井数据赋予所处地层的标签获得携带地层信息的聚类测井数据;
权重计算模块,配置为基于所述携带地层信息的聚类测井数据,进行降维获得第一降维测井数据,将第一降维测井数据作为标准化扩增测井分布数据的权重参数获得随钻特征数据集;
确实曲线预测模块,配置为基于所述随钻特征数据集,通过训练好的缺失曲线预测模型获取随钻光电数据预测曲线;
所述缺失曲线预测模型,具体包括:
缺失曲线预测模型包括t通道图像识别网络,包括2t个卷积层和2t个平均池化层,每个通道为依次连接的第一卷积层、第一平均池化层、第二卷积层和第二平均池化层,各卷积层的尺度互不相同,第f个通道的第一卷积层为(4×f-1) ×(4×f-1),第二卷积层为(4×f+4) ×(4×f+4),各池化层尺寸相同,为2×2,所有通道后共同连接1个全连接层和1个朴素贝叶斯决策器;
C1、C3、C5层分别为第一通道的第一卷积层、第二通道的第一卷积层和第三通道的第一卷积层,C1层由8个×/>的卷积核与输入图像进行卷积,C3层由8个/>×/>的卷积核与输入图像进行卷积,C5层由8个/>×/>的卷积核与输入图像进行卷积,卷积结果的计算方法为:
;
其中,表示/>位置的卷积结果,/>表示当前的层数,/>表示被卷积核覆盖的矩阵,/>和W表示卷积核覆盖矩阵的长和宽,/>和/>表示卷积核长度的序号,m1的范围为1-L,m2的范围为1-W,ker表示核函数,b表示对应的偏置项;
对所述卷积结果通过ReLU函数进行拟合,获得拟合的卷积结果;
对所述拟合的卷积结果进行上采样池化处理:
;
为池化后的卷积结果的二维矩阵表示,(m3,m4)表示卷积结果的位置;
通过平铺层将所述池化后的卷积结果转化为平铺一维特征向量;
通过全连接层整合所述平铺一维特征向量:
;
其中,表示全连接层整合后特征的一维矩阵表达,/>表示当前的层数,key表示一维矩阵的索引值,R表示/>层特征向量长度,w表示权重矩阵,b表示偏置项,r表示特征向量数据点的序号;
在全连接层中采用朴素贝叶斯作为决策器;
整合获得的平铺一维特征向量即为所述随钻光电数据预测曲线;
地层岩性评价模块,基于所述随钻光电数据预测曲线,分别计算各地层的光电数据平均值,获得各地层岩性评价结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311205159.2A CN116957364B (zh) | 2023-09-19 | 2023-09-19 | 深地油气精准导航砂泥岩地层岩性评价的方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311205159.2A CN116957364B (zh) | 2023-09-19 | 2023-09-19 | 深地油气精准导航砂泥岩地层岩性评价的方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116957364A CN116957364A (zh) | 2023-10-27 |
CN116957364B true CN116957364B (zh) | 2023-11-24 |
Family
ID=88458661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311205159.2A Active CN116957364B (zh) | 2023-09-19 | 2023-09-19 | 深地油气精准导航砂泥岩地层岩性评价的方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116957364B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117271980B (zh) * | 2023-11-17 | 2024-02-02 | 中国水利水电科学研究院 | 钻进数据处理方法、装置、电子设备及存储介质 |
CN117763466A (zh) * | 2024-02-22 | 2024-03-26 | 中石化经纬有限公司 | 一种基于聚类算法的地层可钻性评价方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866636A (zh) * | 2014-02-24 | 2015-08-26 | 中国石油化工集团公司 | 一种随钻测井数据实时处理方法 |
CN104933722A (zh) * | 2015-06-29 | 2015-09-23 | 电子科技大学 | 一种基于Spiking-卷积网络模型的图像边缘检测方法 |
CN115661515A (zh) * | 2022-10-17 | 2023-01-31 | 中国科学院苏州生物医学工程技术研究所 | 基于分层特征提取和结构感知的三维图像分类器及分类方法 |
CN115749755A (zh) * | 2021-09-03 | 2023-03-07 | 中石化石油工程技术服务有限公司 | 岩屑地层流体性质评价方法、装置、设备及存储介质 |
WO2023081113A1 (en) * | 2021-11-02 | 2023-05-11 | Schlumberger Technology Corporation | Well log correlation system |
CN116484717A (zh) * | 2023-03-21 | 2023-07-25 | 常州大学 | 一种基于机器学习与几何法融合的钻头位置预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180349158A1 (en) * | 2017-03-22 | 2018-12-06 | Kevin Swersky | Bayesian optimization techniques and applications |
-
2023
- 2023-09-19 CN CN202311205159.2A patent/CN116957364B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866636A (zh) * | 2014-02-24 | 2015-08-26 | 中国石油化工集团公司 | 一种随钻测井数据实时处理方法 |
CN104933722A (zh) * | 2015-06-29 | 2015-09-23 | 电子科技大学 | 一种基于Spiking-卷积网络模型的图像边缘检测方法 |
CN115749755A (zh) * | 2021-09-03 | 2023-03-07 | 中石化石油工程技术服务有限公司 | 岩屑地层流体性质评价方法、装置、设备及存储介质 |
WO2023081113A1 (en) * | 2021-11-02 | 2023-05-11 | Schlumberger Technology Corporation | Well log correlation system |
CN115661515A (zh) * | 2022-10-17 | 2023-01-31 | 中国科学院苏州生物医学工程技术研究所 | 基于分层特征提取和结构感知的三维图像分类器及分类方法 |
CN116484717A (zh) * | 2023-03-21 | 2023-07-25 | 常州大学 | 一种基于机器学习与几何法融合的钻头位置预测方法 |
Non-Patent Citations (2)
Title |
---|
"随钻方位伽马能谱测井影响因素分析及校正研究";郑健等;;《石油钻探技术》;第48卷(第1期);全文 * |
"面向地质导向的地层智能评价解决方案";田飞等;;《地球物理学报》;第66卷(第9期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116957364A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10329900B2 (en) | Systems and methods employing cooperative optimization-based dimensionality reduction | |
CN116957364B (zh) | 深地油气精准导航砂泥岩地层岩性评价的方法与系统 | |
CA2388963C (en) | Multi-resolution graph-based clustering | |
US10324229B2 (en) | System and method of pore type classification for petrophysical rock typing | |
EP2310880B1 (en) | Systems and methods employing cooperative optimization-based dimensionality reduction | |
Raeesi et al. | Classification and identification of hydrocarbon reservoir lithofacies and their heterogeneity using seismic attributes, logs data and artificial neural networks | |
US9939548B2 (en) | Systems, methods, and computer medium to produce efficient, consistent, and high-confidence image-based electrofacies analysis in stratigraphic interpretations across multiple wells | |
CN112505778B (zh) | 一种页岩生储性能非均质性的三维原位表征方法 | |
Sfidari et al. | A hybrid approach for litho-facies characterization in the framework of sequence stratigraphy: a case study from the South Pars gas field, the Persian Gulf basin | |
MX2007000380A (es) | Metodo basado en computadora para modelar y visualizar mientras se preforan formaciones terrestres subterraneas en capas. | |
HUE032588T2 (en) | Method for geological modeling from seismic data with line correlation | |
US11727583B2 (en) | Core-level high resolution petrophysical characterization method | |
US20220237891A1 (en) | Method and system for image-based reservoir property estimation using machine learning | |
MX2014005443A (es) | Sistemas y metodos de prediccion de permeabilidad utilizando analisis discriminante cuadratico. | |
CN109763814B (zh) | 基于多维测井数据的地层匹配可视分析方法 | |
US6253155B1 (en) | Enhanced vertical resolution for logging tools using walsh-transform deconvolution | |
EA016499B1 (ru) | Автоматизированная интерпретация изображения ствола скважины | |
Abdideh et al. | Cluster analysis of petrophysical and geological parameters for separating the electrofacies of a gas carbonate reservoir sequence | |
CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
WO2022159698A1 (en) | Method and system for image-based reservoir property estimation using machine learning | |
US20220120933A1 (en) | Method of detection of hydrocarbon horizontal slippage passages | |
CN116976705B (zh) | 深地油气精准导航砂泥岩地层物性评价方法与系统 | |
Monsen et al. | The automated interpretation of photorealistic outcrop models | |
Descalzi et al. | Synergetic log and core data treatment through Cluster Analysis: a methodology to improve reservoir description | |
CN116957363B (zh) | 深地油气精准导航砂泥岩地层构造评价方法与系统 |
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 |