CN117131971A - 基于Xgboost算法的储层优势渗流通道预测方法 - Google Patents

基于Xgboost算法的储层优势渗流通道预测方法 Download PDF

Info

Publication number
CN117131971A
CN117131971A CN202310731955.3A CN202310731955A CN117131971A CN 117131971 A CN117131971 A CN 117131971A CN 202310731955 A CN202310731955 A CN 202310731955A CN 117131971 A CN117131971 A CN 117131971A
Authority
CN
China
Prior art keywords
dominant
channel
seepage
class
channels
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
Application number
CN202310731955.3A
Other languages
English (en)
Inventor
杨丽娜
尹彦君
魏莉
王欣然
白瑞婷
史长林
梁树荣
杨勇
张学敏
但玲玲
张雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CNOOC Energy Technology and Services Ltd
Original Assignee
CNOOC Energy Technology and Services Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CNOOC Energy Technology and Services Ltd filed Critical CNOOC Energy Technology and Services Ltd
Priority to CN202310731955.3A priority Critical patent/CN117131971A/zh
Publication of CN117131971A publication Critical patent/CN117131971A/zh
Pending legal-status Critical Current

Links

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 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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
    • 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
    • E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mining & Mineral Resources (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Geology (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Agronomy & Crop Science (AREA)
  • Operations Research (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Animal Husbandry (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)

Abstract

本发明提供一种基于Xgboost算法的储层优势渗流通道预测方法，综合应用测井、地质、地震、动态等多类数据，将模糊数学综合评价运用到单井优势通道解释中，将机器学习Xgboost算法融入到整体储层优势渗流通道预测中，利用该算法强大的智能、集成学习能力，拟合井上优势通道综合判别参数与地震数据间的关系，从而实现储层优势渗流通道的智能、高效预测。本发明的有益效果是通过将模糊数学综合评价运用到单井优势通道解释中，拟合井上优势通道与地震数据间的关系，从而实现储层优势渗流通道的智能、高效预测，方法快速有效，符合度和可靠度高，实用性和可操作性强，有效提高了优势渗流通道预测的精度和效率。

Description

基于Xgboost算法的储层优势渗流通道预测方法
技术领域
本发明涉及油气田开发技术领域，更具体地说涉及一种基于Xgboost算法的储层优势渗流通道预测方法。
背景技术
优势渗流通道是由于地质及开发因素导致在储集层局部形成的低阻渗流通道，对于老油田尤其是高含水后期开发的油田，优势通道可能会使注入水形成低效或无效循环，严重影响驱油效率，影响剩余油分布，制约原油开采。因此优势渗流通道研究对于完善注采措施、提高注水效果、提升驱油效率具有重要意义。优势通道研究手段多样，如：试井监测判别技术，可通过压降、压力恢复和干扰试井判断优势通道的存在及方向；井间示踪剂检测技术可根据注示踪剂结果分析井间连通性；生产动态判别技术，可通过注采井组的生产情况、注水情况分析优势通道的方位，此外也可通过专家经验法、机理模型、管流法等开展预测。这些手段一方面过于依赖生产动态资料，另一方面研究者的经验往往起决定性作用。因此，在动态资料不系统、不完善的情况下，如何实现不依赖于研究者经验的高效、高精度储层优势渗流通道预测是该方法实现的目标。
发明内容
本发明克服了现有技术中的不足，提供了一种基于Xgboost算法的储层优势渗流通道预测方法。
本发明的目的通过下述技术方案予以实现。
基于Xgboost算法的储层优势渗流通道预测方法，具体步骤包括：
S1、采集渗透率倍数、地层系数倍数和孔隙度倍数作为优势渗流通道静态表征参数，建立优势渗流通道模糊综合评价的因素集；
S2、根据地质油藏行业标准，确定不同类型渗流通道表征参数的界限，对优势渗流通道的发育程度进行分类，优势渗流通道包括I类、II类和III类，I类为优势渗流通道发育程度高，II类为发育程度中等，III类为发育程度低或不发育，采用九标度法确定各优势渗流通道表征参数的权重系数，建立优势渗流通道模糊综合评价的评语集和权重集；
S3、确定不同类型优势渗流通道的综合判别系数FZ界限值，根据FZ界限值判断势渗流通道类型；
S4、样本井各深度点的优势渗流通道综合判别系数FZ值计算，根据步骤S2确定不同类型的FZ值进行判别，对单井优势渗流通道进行划分；
S5、将多口样本井各深度点对应的优势渗流通道综合判别系数FZ值作为井上的样本，提取与优势渗流通道有相关性的地震属性作为地震样本，建立井间优势通道预测的样本数据库；
S6、将样本数据进行数据结构化处理，建立起一一对应的样本关系，基于Xgboost算法建立优势渗流通道训练模型；
S7、采用步骤S6中的训练模型进行优势渗流通道综合判别参数FZ值的预测，结合FZ参数界限值，确定不同类型优势渗流通道在空间的展布特征，采用动态成果对研究结果进行可靠性评价。
在I类优势通道中，渗透率倍数的渗流通道表征参数的界限设定为大于3；
在II类优势通道中，渗透率倍数的渗流通道表征参数的界限设定为2～3；
在III类优势通道中，渗透率倍数的渗流通道表征参数的界限设定为小于3；
在I类优势通道中，孔隙度倍数的渗流通道表征参数的界限设定根据I类渗透率倍数界限值确定，即根据目标油田测井解释孔渗对应关系反推得到；
在II类优势通道中，孔隙度倍数的渗流通道表征参数的界限设定根据II类渗透率倍数界限值确定，即根据目标油田测井解释孔渗对应关系反推得到；
在III类优势通道中，孔隙度倍数的渗流通道表征参数的界限设定根据III类渗透率倍数界限值确定，即根据目标油田测井解释孔渗对应关系反推得到；
在I类优势通道中，地层系数倍数的渗流通道表征参数的界限设定为I类渗透率倍数界限乘以目标油田各小层平均有效厚度；
在II类优势通道中，地层系数倍数的渗流通道表征参数的界限设定为II类渗透率倍数界限乘以目标油田各小层平均有效厚度；
在III类优势通道中，地层系数倍数的渗流通道表征参数的界限设定为III类渗透率倍数界限乘以目标油田各小层平均有效厚度。
在九度法中，渗透率倍数的标度为1，渗透率倍数对地层系数倍数的标度为2，渗透率倍数对孔隙度倍数的标度为4。
渗透率倍数的权重系数为0.5714，地层系数倍数的权重系数为0.2857，孔隙度倍数的权重系数为为0.1429。
步骤S3中，利用综合评价隶属函数计算不同类型优势渗流通道的综合判别系数FZ界限值，综合评价隶属函数为I类、II类、III类优势渗流通道各表征参数界限值乘以各表征参数权重系数。
在步骤S5中，对时间域地震属性进行时深转化，获取深度域数据，与井上的FZ建立对应关系，提取与优势渗流通道或物性有相关性的地震属性。
步骤S6中，基于研究区构造情况建立一个网格模型，将步骤S5样本数据库中的数据粗化至同一网格模型，将粗化后的井上FZ数据及井旁道深度域地震属性数据作为训练对象，建立训练模型。
步骤S6中网格模型的平面精度为20*20或10*10，纵向精度为1m或0.5m。
步骤S7中，预测得到一个优势渗流通道综合判别参数FZ值体，依据FZ参数界限值，将该FZ体转化为I类、II类、III类优势渗流通道在空间上的展布体，得到不同类型优势渗流通道的在各方位的展布特征。
步骤S7中通过示踪剂和井组间的注水见效规律对研究结果进行可靠性评估。
本发明的有益效果为：本发明通过将模糊数学综合评价运用到单井优势通道解释中，将机器学习Xgboost算法融入到储层优势渗流通道预测中，利用Xgboost算法强大的智能、集成学习能力，综合应用测井、地质、地震、动态等多类数据，拟合井上优势通道与地震数据间的关系，从而实现储层优势渗流通道的智能、高效预测，方法快速有效，符合度和可靠度高，实用性和可操作性强，有效提高了优势渗流通道预测的精度和效率。
附图说明
图1是本发明实施例的单井优势渗流通道划分图；
图2是实施例的FZ参数预测模型剖面与单井匹配效果图；
图3是实施例中I类及II类优势通道空间展布模型图。
具体实施方式
下面通过具体的实施例对本发明的技术方案作进一步的说明。
实施例
本实施例以南海某油田为例，综合统计南海某油田主体区18口调整井平均渗透率、地层系数和孔隙度参数。
根据发育程度将该油田优势渗流通道分为三类，I类为优势渗流通道发育程度高，II类为发育程度中等，III类为发育程度低或不发育。
在I类优势通道中，非均质性最强，渗透率倍数的界限值参照强非均质性渗透率突进系数的标准，其界限值范围设定为大于3；
II类优势通道，非均质性中等，其界限值设定为2～3，
III类非均质性相对较弱，其界限值范围设定为小于2。
在渗透率倍数的界限值确定好后，根据该油田测井解释孔渗对应关系反推孔隙度倍数，即I类优势通道孔隙度倍数大于1.58，II类优势通道孔隙度倍数为1.05～1.58，III类优势通道孔隙度倍数界限为小于1.05。
地层系数倍数界限为渗透率倍数界限乘以各小层平均有效厚度，即I类优势通道地层系数倍数界限大于4.5，II类优势通道为3～4.5，III类地层系数倍数界限为小于3。
利用九标度法确定各表征参数的权重系数，在该过程中，首先对上述三个表征参数进行重要性的两两对比，计算渗透率倍数的权重系数，渗透率倍数与自身相比，重要程度为1(记为a1)；对渗透率倍数与地层系数进行对比，判断对优势通道影响的重要程度上，渗透率倍数比地层系数倍数更重要，重要程度为2倍，在九标度的表格中，渗透率倍数对地层系数倍数的标度为2(记为a2)，地层系数倍数对渗透率倍数的标度1/2；将渗透率倍数与孔隙度倍数对比，判断渗透率倍数比孔隙度倍数明显重要，重要程度为4倍，在九标度表格中，渗透率倍数对孔隙度倍数的标度为4(记为a3)，孔隙度倍数对渗透率倍数的标度1/4。
渗透率倍数的M1＝a1*a2*a3＝8，将M1开三次方，得到w1＝2。用同样的方式对地层系数倍数及孔隙度倍数开展运算，则分别得到w2、w3为1、0.5，则渗透率倍数的权重系数为w1/(w1+w2+w3)，即为0.5714，地层系数倍数的权重系数为w2/(w1+w2+w3),即为0.2857，孔隙度倍数的权重系数为w3/(w1+w2+w3),即为0.1429。
结合各优势渗流通道表征参数的权重系数及不同类型优势渗流通道各表征参数的界限值，利用综合评价隶属函数，即I类、II类、III类优势渗流通道各表征参数界限值乘以各表征参数权重系数，可得到不同类型优势渗流通道的综合判别系数FZ界限值，即I类优势通道FZ大于3.23，II类优势通道FZ为2.15～3.23，III类优势通道FZ小于2.15。
分别计算研究区样本井上各深度点的表征参数渗透率倍数、地层系数倍数、孔隙度倍数。
渗透率倍数的计算，储层段可用各深度点测井渗透率数据除以全井段储层段渗透率平均值得到，非储层段可用各深度点测井解释渗透率值除以全井段各点渗透率平均值得到。孔隙度倍数与渗透率倍数计算方法一致。
地层系数倍数的计算，储层段计算过程为：首先计算出各小层的平均KH值，各小层平均KH值相加得到全井段KH值，其次用各小层平均KH值除以全井段KH总和，得到各小层储层段地层系数倍数，各层每个深度点用的KH倍数为固定值；
非储层段地层系数倍数计算过程为：首先计算出各测井点的KH值，KH＝K*0.1，0.1为测井解释间隔点，其次用各深度点KH值除以全井段KH平均值得到各深度点的地层系数倍数。
利用综合评价隶属函数，依据井上各深度点计算得到的优势渗流通道表征参数值，再乘以各表征参数的权重系数，将乘积相加得到样本井各深度点的优势渗流通道综合判别系数FZ值。结合FZ值判别标准，开展单井不同类型优势渗流通道的划分。
前述得到的18口样本井各深度点综合判别系数FZ值不仅可用于开展单井优势通道类型划分，还将作为机器学习优势通道预测的井上样本。同时进一步，提取与优势渗流通道有一定相关性的深度域地震属性(均方根振幅、相对波阻抗、高低频能量比等)作为地震样本，建立井间优势通道预测的样本数据库。
基于研究区构造建立一个网格模型，平面精度为20*20，纵向精度0.5m，网格总数32281800。通过将井上的FZ数据样本与地震属性样本粗化到该网格模型中，进行数据结构化处理，提取粗化后的井上FZ数据及井旁道深度域地震属性数据为标签数据，并将之作为训练对象，从而建立研究区训练模型。
根据该训练模型得到一个优势渗流通道综合判别参数FZ值体，依据FZ参数界限值，可将该FZ体转化为I类、II类、III类优势渗流通道在空间上的展布体，从而可直观看到不同类型优势渗流通道的在各方位的展布特征。通过示踪剂、井组间的注水见效规律等对研究结果进行可靠性评估。
在本方案基础上，可进一步增加影响因素进行测评模拟。
以本实施例为例，基于内因、外因等多角度开展优势渗流通道影响因素分析，在步骤S1前综合统计南海某油田主体区18口调整井平均渗透率、渗透率突进系数、地层系数倍数、平均孔隙度、孔隙度倍数、泥质含量等参数与米采液指数的相关性分析，得出渗透率倍数、地层系数倍数、孔隙度倍数与生产动态相关性好。
影响因素与米采液指数的相关性分析如下：分别将上述参数进行数据拟合，选取数据拟合中相关性指数R2在0.45以上的数据,通过主控因素和可量化的优选原则对选取数据进行评估，选取符合条件的参数，作为优势通道的类型。根据筛选出对应的优势通道进行优势渗流通道模糊综合评价的因素集的构建，后续步骤操作同步骤S2-S7。
通过本发明方法进行储层优势渗流通道预测，不仅实现了单井不同类型优势渗流通道的预测，也实现了井间优势渗流通道预测，能够基于成果体直观展示优势渗流通道在各方位的展布情况；且本发明方法充分利用地质、测井、地震、动态资料，将地质、测井、动态融合于井上，形成高分辨率的井上FZ数据，将之与地震信息进行机器学习Xgboost算法匹配后，开展井间储层优势渗流通道预测，比单纯依靠动态分析的常规优势渗流通道预测方法具有更高的准确度和分辨率。经过盲井验证，本发明方法的单井吻合度达到82％，而利用常规方法，该吻合度仅有66％。利用上述研究成果，指导研究区的开发方案部署，取得了良好的效果。
以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (10)

1.基于Xgboost算法的储层优势渗流通道预测方法，其特征在于，具体步骤包括：
S1、采集渗透率倍数、地层系数倍数和孔隙度倍数作为优势渗流通道静态表征参数，建立优势渗流通道模糊综合评价的因素集；
S2、根据地质油藏行业标准，确定不同类型渗流通道表征参数的界限，对优势渗流通道的发育程度进行分类，优势渗流通道包括I类、II类和III类，I类为优势渗流通道发育程度高，II类为发育程度中等，III类为发育程度低或不发育，采用九标度法确定各优势渗流通道表征参数的权重系数，建立优势渗流通道模糊综合评价的评语集和权重集；
S3、确定不同类型优势渗流通道的综合判别系数FZ界限值，根据FZ界限值判断势渗流通道类型；
S4、样本井各深度点的优势渗流通道综合判别系数FZ值计算，根据步骤S2确定不同类型的FZ值进行判别，对单井优势渗流通道进行划分；
S5、将多口样本井各深度点对应的优势渗流通道综合判别系数FZ值作为井上的样本，提取与优势渗流通道有相关性的地震属性作为地震样本，建立井间优势通道预测的样本数据库；
S6、将样本数据进行数据结构化处理，建立起一一对应的样本关系，基于Xgboost算法建立优势渗流通道训练模型；
S7、采用步骤S6中的训练模型进行优势渗流通道综合判别参数FZ值的预测，结合FZ参数界限值，确定不同类型优势渗流通道在空间的展布特征，采用动态成果对研究结果进行可靠性评价。
2.根据权利要求1所述的基于Xgboost算法的储层优势渗流通道预测方法，其特征在于：
在I类优势通道中，渗透率倍数的渗流通道表征参数的界限设定为大于3；
在II类优势通道中，渗透率倍数的渗流通道表征参数的界限设定为2～3；
在III类优势通道中，渗透率倍数的渗流通道表征参数的界限设定为小于3；
在I类优势通道中，孔隙度倍数的渗流通道表征参数的界限设定根据I类渗透率倍数界限值确定，根据目标油田测井解释孔渗对应关系反推得到；
在II类优势通道中，孔隙度倍数的渗流通道表征参数的界限设定根据II类渗透率倍数界限值确定，根据目标油田测井解释孔渗对应关系反推得到；
在III类优势通道中，孔隙度倍数的渗流通道表征参数的界限设定根据III类渗透率倍数界限值确定，根据目标油田测井解释孔渗对应关系反推得到；
在I类优势通道中，地层系数倍数的渗流通道表征参数的界限设定为I类渗透率倍数界限乘以目标油田各小层平均有效厚度；
在II类优势通道中，地层系数倍数的渗流通道表征参数的界限设定为II类渗透率倍数界限乘以目标油田各小层平均有效厚度；
在III类优势通道中，地层系数倍数的渗流通道表征参数的界限设定为III类渗透率倍数界限乘以目标油田各小层平均有效厚度。
3.根据权利要求2所述的基于Xgboost算法的储层优势渗流通道预测方法，其特征在于：在九度法中，渗透率倍数的标度为1，渗透率倍数对地层系数倍数的标度为2，渗透率倍数对孔隙度倍数的标度为4。
4.根据权利要求3所述的基于Xgboost算法的储层优势渗流通道预测方法，其特征在于：渗透率倍数的权重系数为0.5714，地层系数倍数的权重系数为0.2857，孔隙度倍数的权重系数为为0.1429。
5.根据权利要求1所述的基于Xgboost算法的储层优势渗流通道预测方法，其特征在于：步骤S3中，利用综合评价隶属函数计算不同类型优势渗流通道的综合判别系数FZ界限值，综合评价隶属函数为I类、II类、III类优势渗流通道各表征参数界限值乘以各表征参数权重系数。
6.根据权利要求1所述的基于Xgboost算法的储层优势渗流通道预测方法，其特征在于：在步骤S5中，对时间域地震属性进行时深转化，获取深度域数据，与井上的FZ建立对应关系，提取与优势渗流通道或物性有相关性的地震属性。
7.根据权利要求1所述的基于Xgboost算法的储层优势渗流通道预测方法，其特征在于：步骤S6中，基于研究区构造情况建立一个网格模型，将步骤S5样本数据库中的数据粗化至同一网格模型，将粗化后的井上FZ数据及井旁道深度域地震属性数据作为训练对象，建立训练模型。
8.根据权利要求6所述的基于Xgboost算法的储层优势渗流通道预测方法，其特征在于：步骤S6中网格模型的平面精度为20*20或10*10，纵向精度为1m或0.5m。
9.根据权利要求7所述的基于Xgboost算法的储层优势渗流通道预测方法，其特征在于：步骤S7中，预测得到一个优势渗流通道综合判别参数FZ值体，依据FZ参数界限值，将该FZ体转化为I类、II类、III类优势渗流通道在空间上的展布体，得到不同类型优势渗流通道的在各方位的展布特征。
10.根据权利要求1所述的基于Xgboost算法的储层优势渗流通道预测方法，其特征在于：步骤S7中通过示踪剂和井组间的注水见效规律对研究结果进行可靠性评估。
CN202310731955.3A 2023-06-20 2023-06-20 基于Xgboost算法的储层优势渗流通道预测方法 Pending CN117131971A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310731955.3A CN117131971A (zh) 2023-06-20 2023-06-20 基于Xgboost算法的储层优势渗流通道预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310731955.3A CN117131971A (zh) 2023-06-20 2023-06-20 基于Xgboost算法的储层优势渗流通道预测方法

Publications (1)

Publication Number Publication Date
CN117131971A true CN117131971A (zh) 2023-11-28

Family

ID=88860682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310731955.3A Pending CN117131971A (zh) 2023-06-20 2023-06-20 基于Xgboost算法的储层优势渗流通道预测方法

Country Status (1)

Country Link
CN (1) CN117131971A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422001A (zh) * 2023-12-19 2024-01-19 东北石油大学三亚海洋油气研究院 一种优势渗流通道确定方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422001A (zh) * 2023-12-19 2024-01-19 东北石油大学三亚海洋油气研究院 一种优势渗流通道确定方法、装置、设备及存储介质
CN117422001B (zh) * 2023-12-19 2024-04-02 东北石油大学三亚海洋油气研究院 一种优势渗流通道确定方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN104747185B (zh) 非均质油藏储层综合分类评价方法
CN106468172B (zh) 一种超低渗砂岩油藏低阻储层测井解释方法
CN112343587A (zh) 一种特低渗透油藏优势渗流通道识别表征方法
CN110056346B (zh) 一种基于趋势变化函数的油藏三维原始含水饱和度模拟方法
CN103675907A (zh) 一种基于岩相约束的avo反演油气检测方法
CN104865614A (zh) 基于可变骨架参数的复杂储层流体识别方法
CN110954944A (zh) 一种断层圈闭含油高度地震预测方法
CN112835124B (zh) 基于成像测井和阵列声波测井资料的裂缝有效性评价方法
CN111444621A (zh) 基于动静态渗流界面的高含水油藏流动单元划分方法
CN117131971A (zh) 基于Xgboost算法的储层优势渗流通道预测方法
CN109239783B (zh) 一种井震结合中取舍地震信息的方法
JP7495769B1 (ja) 高温地熱田の貯留層構造孔隙度の定量的特徴付けの方法及びシステム
CN113361111B (zh) 一种低渗透油藏储层特征模型的划分方法
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
CN117852416A (zh) 基于数字化地质模型的多模态注浆预控分析方法及系统
CN110566196B (zh) 一种储层连通性分析方法
Sureshjani et al. Estimating reservoir permeability distribution from analysis of pressure/rate transient data: A regional approach
CN111155980B (zh) 一种水流优势通道识别方法及装置
CN104408228B (zh) 提取地层介电常数的方法
Sarkheil et al. The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements
CN110873904B (zh) 流体识别方法及装置
CN110552693A (zh) 一种基于深度神经网络的感应测井曲线的层界面识别方法
CN116306118A (zh) 一种裂缝建模方法
CN115434696A (zh) 一种岩性识别数据库构建方法及岩性识别方法
CN113449408A (zh) 用于页岩气井的地层压力计算方法及装置

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