CN117150178A - 基于成像测井和人工神经网络的裂缝线密度预测方法 - Google Patents
基于成像测井和人工神经网络的裂缝线密度预测方法 Download PDFInfo
- Publication number
- CN117150178A CN117150178A CN202311115587.6A CN202311115587A CN117150178A CN 117150178 A CN117150178 A CN 117150178A CN 202311115587 A CN202311115587 A CN 202311115587A CN 117150178 A CN117150178 A CN 117150178A
- Authority
- CN
- China
- Prior art keywords
- data
- well
- fracture
- curve
- logging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003384 imaging method Methods 0.000 title claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 238000011161 development Methods 0.000 claims abstract description 24
- 230000035945 sensitivity Effects 0.000 claims abstract description 11
- 206010017076 Fracture Diseases 0.000 claims description 173
- 208000010392 Bone Fractures Diseases 0.000 claims description 172
- 238000004364 calculation method Methods 0.000 claims description 36
- 238000010586 diagram Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000005553 drilling Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 72
- 238000011156 evaluation Methods 0.000 description 9
- 241001415846 Procellariidae Species 0.000 description 6
- 230000001537 neural effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
Abstract
本发明公开了一种基于成像测井和人工神经网络的裂缝线密度预测方法,通过对不同研究地区成像测井布设量稀少,取芯严重不足从而导致无法获得大量单井纵向裂缝线密度资料的情况提供了单井纵向裂缝线密度预测新的思路,应用单井含有裂缝线密度曲线的成像测井资料作为基础数据,优选常规测井曲线中对裂缝敏感性较强的多种测井曲线作为识别样本,通过借助Petrel软件中自带的神经网络功能,对不具备裂缝线密度曲线的井进行裂缝线密度曲线的预测,再经过单井成像测井资料和岩心资料对预测结果验证,通过反复调试最终达对没有成像测井和取芯段裂缝线密度发育情况的预测。
Description
技术领域
本申请涉及基于成像测井和人工神经网络的裂缝线密度预测技术领域,特别是涉及一种基于成像测井和人工神经网络的裂缝线密度预测方法。
背景技术
裂缝密度是用来表征裂缝发育程度的重要参数,裂缝密度同裂缝发育程度和储层物性均成明显正相关关系。通常,裂缝密度可以分为线密度、面密度以及体密度。而对单井而言,裂缝线密度的识别与预测则显得尤为重要。裂缝线密度一般指单位长度内发育的裂缝条数。通常来源于成像测井解释结果或者岩心观察统计结果,然而地下岩芯的取芯成本高,通常单井不同层段的岩心资料较少,覆盖率低,而成像测井的测量成本高,资料往往有限。因此如何利用稀少的成像测井资料同普遍布设常规测井资料建立联系,已达到对单井目的层段裂缝线密度的预测显得尤为重要。
目前,前人已通过引入人工智能的方法对常规测井裂缝识别进行了大量研究。其中,张镇涛以常规测井参数为自变量,通过逐步判别法和BP神经网络法相结合的方式对缝洞发育部位进行识别识,效果较好。杨小江通过电成像测井约束常规测井曲线构建裂缝岩石物理模型,并以该模型为目标,利用神经网络训练多种地震裂缝预测成果形成了以测井裂缝为目标的地震、测井综合裂缝预测方法。叶肖伟等运用深度学习卷积神经网络对裂缝进行识别。蒋旭东等将卷积对抗神经网络与叠后地震数据相结合对裂缝进行预测。庞惠文以成像测井图像资料为基础应用机器学习方法对待识别成像测井图像进行裂缝识别。闫建平等通过将电成像资料进行双边滤波处理,二值化后通过改进霍夫变换提取构造裂缝相关信息,进行人机交互方式的裂缝发育模式识别。冯爱国等将成像测井和声波远探测测井资料裂缝特征参数值进行敏感性优选,以测井裂缝属性参数下限值制定有效裂缝和裂缝等级测井综合评价标准,对裂缝有效性进行评价。蔡明等通过成像测井和阵列声波测井资料对多种裂缝属性参数曲线进行裂缝有效性敏感曲线优选,在通过明确测井裂缝属性参数下限值,确定裂缝有效性。
现有技术多应用成像测井图像资料结合卷积神经网络或机器学习方法对裂缝发育模式进行识别,并未对单井裂缝纵向线密度的发育特征给出合理的计算方法,不利于开展储层评价工作。现有技术中多应用成像测井资料同声波远探测测井资料和阵列声波测井资料对裂缝的有效性开展评价,而并未优先关注单井纵向裂缝线密度的发育特征对裂缝有效性具有极大的影响。现有技术中对将成像测井资料和人工神经网络结合利用常规测井资料进行单井纵向裂缝线密度预测的方法研究不足,传统的人工神经网络需要大量繁琐的编程工作,对不具备编程经验的初学者要求过高,无法快速通过人工神经网络对单井纵向裂缝线密度开展预测研究工作。
发明内容
基于此,针对上述技术问题,提供一种基于成像测井和人工神经网络的裂缝线密度预测方法以解决现有技术并未对单井裂缝纵向线密度的发育特征给出合理的计算方法,不利于开展储层评价工作的问题。
第一方面,一种基于成像测井和人工神经网络的裂缝线密度预测方法,所述方法包括:
获取样本井数据,并提取所述样本井裂缝线密度数据,其中,将对布设成像测井且进行裂缝定量计算后含裂缝密度曲线的井作为所述样本井;
根据所述样本井裂缝线密度数据建立样本井裂缝密度曲线和常规测井曲线深度对应关系并生成对应关系图;
根据所述对应关系图,选择同裂缝线密度曲线相关性较好的常规测井曲线,完善目标井相关测井曲线数据;
使用第三方软件对所述目标井进行单井裂缝线密度计算、验证和调试,生成所述目标井纵向裂缝线密度曲线。
上述方案中,可选的,所述获取样本井数据,并提取所述样本井裂缝线密度数据,包括:
获取成像测井裂缝定量计算后的多种曲线中的裂缝密度曲线数据及其对应深度数据提取,并建立txt文件,所述txt文件中裂缝密度曲线数据应与深度数据按照原始数据对应关系排列。
上述方案中,进一步可选的,所述建立txt文件之后包括:
对所述txt文件裂缝密度曲线数据中存在的异常值进行剔除,具体为:所述裂缝密度曲线数据中未识别到有效裂缝处的数据为零,识别到有效裂缝处的数据依据裂缝发育实际情况含有相应数值;
对所述裂缝密度曲线中数据缺失的现象,对照所述txt文件内的目标井,根据实际钻井情况进行分析,若所述txt文件内的目标井中对应层段常规测井数据未见异常,井史资料显示所述txt文件内的目标井对应层段未见异常,则将所述txt文件内的目标井对应层段数据补充为零;若常规测井数据中电阻率测井存在异常高值,井史资料显示所述txt文件内的目标井对应层段存在井漏、井塌、泥浆放空漏失现象,则将所述txt文件的目标井井对应层段数据视为异常值进行剔除。
上述方案中,进一步可选的,所所述根据所述样本井裂缝线密度数据建立样本井裂缝密度曲线和常规测井曲线深度对应关系并生成对应关系图,包括:
整理所述样本井常规测井曲线数据,保证使用的常规测井曲线采样间隔的一致性,在常规测井曲线整理的过程中优先选择同一批次,同一仪器采集的测井数据;
通过构建裂缝线密度计算公式,将所述样本井裂缝密度曲线数据按照常规测井曲线数据对应的深度进行赋值计算;对裂缝密度曲线(FVDC)数据进行处理,已达到同常规测井曲线数据深度的对应关系,构建裂缝线密度计算公式:
其中,所述FM为裂缝线密度,FM1,FM2为目标深度两侧裂缝线密度值,δsc2为目标深度同FM2对应深度的差值,δsc1为目标深度同FM1对应深度的差值,δsc2为FM1,FM2对应深度的差值。
上述方案中,进一步可选的,所根据所述对应关系图,选择同裂缝线密度曲线相关性较好的常规测井曲线,完善目标井相关测井曲线数据,包括:
将裂缝密度曲线数据不为零处同常规测井曲线进行标定,选择对裂缝发育部位敏感性强的常规测井曲线;
对选择的对裂缝发育部位敏感性强的常规测井曲线进行异常值剔除。
上述方案中,进一步可选的,所所述第三方软件为Petrel软件神经网络模块。
第二方面,一种基于成像测井和人工神经网络的裂缝线密度预测系统,所述系统包括:
提取模块:用于获取样本井数据,并提取所述样本井裂缝线密度数据,其中,将对布设成像测井且进行裂缝定量计算后含裂缝密度曲线的井作为所述样本井;
构建模块:用于根据所述样本井裂缝线密度数据建立样本井裂缝密度曲线和常规测井曲线深度对应关系并生成对应关系图;
完善模块:用于根据所述对应关系图,选择同裂缝线密度曲线相关性较好的常规测井曲线,完善目标井相关测井曲线数据;
计算模块:用于使用第三方软件对所述目标井进行单井裂缝线密度计算、验证和调试,生成所述目标井纵向裂缝线密度曲线。
第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取样本井数据,并提取所述样本井裂缝线密度数据,其中,将对布设成像测井且进行裂缝定量计算后含裂缝密度曲线的井作为所述样本井;
根据所述样本井裂缝线密度数据建立样本井裂缝密度曲线和常规测井曲线深度对应关系并生成对应关系图;
根据所述对应关系图,选择同裂缝线密度曲线相关性较好的常规测井曲线,完善目标井相关测井曲线数据;
使用第三方软件对所述目标井进行单井裂缝线密度计算、验证和调试,生成所述目标井纵向裂缝线密度曲线。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取样本井数据,并提取所述样本井裂缝线密度数据,其中,将对布设成像测井且进行裂缝定量计算后含裂缝密度曲线的井作为所述样本井;
根据所述样本井裂缝线密度数据建立样本井裂缝密度曲线和常规测井曲线深度对应关系并生成对应关系图;
根据所述对应关系图,选择同裂缝线密度曲线相关性较好的常规测井曲线,完善目标井相关测井曲线数据;
使用第三方软件对所述目标井进行单井裂缝线密度计算、验证和调试,生成所述目标井纵向裂缝线密度曲线。
本发明至少具有以下有益效果:
本发明基于对现有技术问题的进一步分析和研究,认识到现有技术并未对单井裂缝纵向线密度的发育特征给出合理的计算方法,不利于开展储层评价工作的问题。本方案通过获取样本井数据,并提取所述样本井裂缝线密度数据,其中,将对布设成像测井且进行裂缝定量计算后含裂缝密度曲线的井作为所述样本井;根据所述样本井裂缝线密度数据建立样本井裂缝密度曲线和常规测井曲线深度对应关系并生成对应关系图;根据所述对应关系图,选择同裂缝线密度曲线相关性较好的常规测井曲线,完善目标井相关测井曲线数据;使用第三方软件对所述目标井进行单井裂缝线密度计算、验证和调试,生成所述目标井纵向裂缝线密度曲线。
本发明对不同研究地区成像测井布设量稀少,取芯严重不足从而导致无法获得大量单井纵向裂缝线密度资料的情况提供了单井纵向裂缝线密度预测新的思路,应用单井含有裂缝线密度曲线的成像测井资料作为基础数据,优选常规测井曲线中对裂缝敏感性较强的多种测井曲线作为识别样本,通过借助Petrel软件中自带的神经网络功能,对不具备裂缝线密度曲线的井进行裂缝线密度曲线的预测,再经过单井成像测井资料和岩心资料对预测结果验证,通过反复调试最终达对没有成像测井和取芯段裂缝线密度发育情况的预测。
附图说明
图1为本发明一个实施例提供的基于成像测井和人工神经网络的裂缝线密度预测方法的流程示意图;
图2为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请提供的基于成像测井和人工神经网络的裂缝线密度预测方法,如图1所示,包括以下步骤:
获取样本井数据,并提取所述样本井裂缝线密度数据,其中,将对布设成像测井且进行裂缝定量计算后含裂缝密度曲线的井作为所述样本井;
根据所述样本井裂缝线密度数据建立样本井裂缝密度曲线和常规测井曲线深度对应关系并生成对应关系图;
根据所述对应关系图,选择同裂缝线密度曲线相关性较好的常规测井曲线,完善目标井相关测井曲线数据;
使用第三方软件对所述目标井进行单井裂缝线密度计算、验证和调试,生成所述目标井纵向裂缝线密度曲线。
在本实施例中,所述获取样本井数据,并提取所述样本井裂缝线密度数据,包括:
获取成像测井裂缝定量计算后的多种曲线中的裂缝密度曲线数据及其对应深度数据提取,并建立txt文件,所述txt文件中裂缝密度曲线数据应与深度数据按照原始数据对应关系排列。
在本实施例中,所述建立txt文件之后包括:
对所述txt文件裂缝密度曲线数据中存在的异常值进行剔除,具体为:所述裂缝密度曲线数据中未识别到有效裂缝处的数据为零,识别到有效裂缝处的数据依据裂缝发育实际情况含有相应数值;
对所述裂缝密度曲线中数据缺失的现象,对照所述txt文件内的目标井,根据实际钻井情况进行分析,若所述txt文件内的目标井中对应层段常规测井数据未见异常,井史资料显示所述txt文件内的目标井对应层段未见异常,则将所述txt文件内的目标井对应层段数据补充为零;若常规测井数据中电阻率测井存在异常高值,井史资料显示所述txt文件内的目标井对应层段存在井漏、井塌、泥浆放空漏失现象,则将所述txt文件的目标井井对应层段数据视为异常值进行剔除。
在本实施例中,所述根据所述样本井裂缝线密度数据建立样本井裂缝密度曲线和常规测井曲线深度对应关系并生成对应关系图,包括:
整理所述样本井常规测井曲线数据,保证使用的常规测井曲线采样间隔的一致性,在常规测井曲线整理的过程中优先选择同一批次,同一仪器采集的测井数据;
通过构建裂缝线密度计算公式,将所述样本井裂缝密度曲线数据按照常规测井曲线数据对应的深度进行赋值计算;对裂缝密度曲线(FVDC)数据进行处理,已达到同常规测井曲线数据深度的对应关系,构建裂缝线密度计算公式:
其中,所述FM为裂缝线密度,FM1,FM2为目标深度两侧裂缝线密度值,δsc2为目标深度同FM2对应深度的差值,δsc1为目标深度同FM1对应深度的差值,δsc2为FM1,FM2对应深度的差值。
在本实施例中,所述根据所述样本井裂缝线密度数据建立样本井裂缝密度曲线和常规测井曲线深度对应关系并生成对应关系图,还可以是:
整理所述样本井常规测井曲线数据,保证使用的常规测井曲线采样间隔的一致性,在常规测井曲线整理的过程中优先选择同一批次,同一仪器采集的测井数据;
通过在Excel表格中进行如下操作,以实现裂缝密度曲线(FVDC)同常规测井曲线的精准匹配:
将所述txt在Excel中打开,并将常规测井曲线同样在该Excel文件中打开。在该步骤中仅为对裂缝密度曲线(FVDC)同常规测井曲线深度段的对应关系建立,不涉及常规曲线的使用,因此只保留其深度值,其余值删除。因此,第一列为裂缝密度曲线(FVDC)的深度值所在列,第二列为裂缝密度曲线(FVDC)的裂缝密度值所在列。
将常规测井曲线深度数据起始值同裂缝密度曲线(FVDC)的起始值对应。例如裂缝密度曲线(FVDC)的起始值单元格为A4,则常规测井曲线深度数据起始值为N4(N为F列之前,B列之后任意值,因为F-I为后续步骤值填充列,B为裂缝密度曲线(FVDC)中裂缝密度值所在列)。
将Excel中裂缝密度曲线(FVDC)的深度数据转制处理。例如复制第一列深度数据,在第一行I列右键的选择性粘贴中进行转制粘贴,则起始列坐标为I1,末尾列坐标为N1(N为转制深度值对应的行数)。
用转制后从起始列I1列开始至末尾列N1结束的每一个深度值依次同FVDC曲线A列的起始深度值至末尾深度值进行作差,并填充进对应列的单元格中。例如,将I1列对应深度值依次与FVDC曲线A列的起始深度值至末尾深度值进行作差,填充进I4至In(n为转制前深度值对应的行数)单元格中。以此类推对I4-N4列进行同样操作。填充从I4开始的原因是后续步骤将把两项数据赋值在I2、I3单元格中。
通过引入MIN函数寻找每一列中的差值最小值,赋值在每一列第三行对应单元格中。如对I列进行MIN函数计算,将最小值赋值在I3单元格中。以此类推对I3-N3进行同样操作。
通过引入MATCH(a,b,c)公式,精准定位每一列中差值的最小值所在位置。其中a为定位置,即每一列第三行的数值位置的值,即每一列的最小值;b为定位范围,即每一列数值寻找范围;c=0为精准匹配(还存在-1:大于;1小于两种模式)。以此类推,对每一列进行最小值精准定位。
通过引入MATCH(a,b,c)+3公式,实现对最小值所在行数的精准定为。其中+3的目的是:Match函数默认寻找位置的起始值为1,但起始位置行数不一定为第一行,应按照实际行号进行匹配(这里即为第三行)。这样就可以精准定位到最小值的行数,这里的行数即为FVDC曲线对应深度的行数。例如对I列进行MATCH(a,b,c)+3公式计算后,将对应值赋值在I2单元格中。以此类推对I2-N2进行同样操作。这里的行数即为裂缝密度曲线(FVDC)值同常规测井曲线深度值的匹配行数。
对每个最小值函数所在行,即I2-N2进行转制处理,生成新的列,将其填充至H列中。其起始行应于FVDC曲线起始行平齐。例如,FVDC曲线起始行为第四行,则最小值转制后的第一行为单元格的第四行所在位置。
通过引入CONCAT(a,b)公式,对行数据进行命名处理,其最终明明结果即为裂缝密度曲线(FVDC)深度值同常规测井曲线深度值最匹配的裂缝密度曲线(FVDC)密度值所在行号,并将其填充进G列对应单元格中。其中a为裂缝密度曲线(FVDC)的裂缝密度值所在列列号;b为第8步转制后的H列。
通过引入INDIRECT(a)公式,可以直接引用对应B列单元格内的数据,将其赋值在F列单元格中,起始值同缝密度曲线(FVDC)的起始值对应。
这时,常规测井曲线深度数据所在列N(N列为C、D、E列任意),与F列中裂缝密度曲线(FVDC)的值即为最终裂缝密度曲线(FVDC)同常规测井曲线的精准匹配关系。即可导出使用。
在本实施例中,根据所述对应关系图,选择同裂缝线密度曲线相关性较好的常规测井曲线,完善目标井相关测井曲线数据,包括:
将裂缝密度曲线数据不为零处同常规测井曲线进行标定,选择对裂缝发育部位敏感性强的常规测井曲线;
对选择的对裂缝发育部位敏感性强的常规测井曲线进行异常值剔除。
在本实施例中,所述第三方软件为Petrel软件神经网络模块。
所述使用第三方软件对所述目标井进行单井裂缝线密度计算、验证和调试,具体包括:
打开Petrel软件,新建Project,在菜单栏中的Home模块Insert模块点击Folder选择New well folder,右击Input栏中的Wells,选择Import file,在文件类型中选择Wellheads选项,将所述样本井和目标井的井头文件加载到所述Petrel系统;
在文件类型中选择Well path/deviation选项,将样本井和目标井的井轨迹加载到Petrel系统;
在文件类型中选择Well logs(ASCII)选项,将样本井和目标井的测井曲线加载到Petrel系统;
点击菜单栏中的Property Modeling模块,在其中的Property interpretation子模块中点击Neural net选项,进行神经网络模型生成;
在菜单栏中的Home模块下找到Panes选项点击Processes选项,激活Processes菜单栏,点击Neural net选项,选择Create new并命名,点击Estimation,在Input中选择样本井,在右侧将样本井中已优选的裂缝敏感性曲线选中。再点击Settings下的Neural netclass选择Supervised选择裂缝密度曲线(FVDC),在Training中对Maxnumberofiteration、Error limit、Cross validation进行复制。点击OK结束。
在Processes中点击Stratigraphy下的Make well log进行目标井裂缝线密度曲线生成;
点击Make well log后,选择Create new,点击Input文件下Wells中的S37生成的神经网络模型Neural net 1,再点击Make well log菜单中Logs下的Estimation右侧箭头将神经网络模型Neural net 1加入其中。点击Logs右侧Wells,将目标井位全部选中。点击OK结束。
将目标井生成的裂缝线密度曲线同岩心、成像测井尺度统计的裂缝线密度进行验证,对存在较大误差的目标井进行参数调试后重新进行裂缝线密度曲线的生成。
在本实施例中,将所述样本井和目标井的井头文件加载到所述Petrel系统具体为:对照Header info所识别的载入文件中每一列的类型,在column#中的Attribute里按顺序1-n(n为Header info所识别的载入文件中最后一列的列数)选择对应的名称。对没有井轨迹的样本井或目标井将Create definitive survey to TD(MD)选中,创造虚拟井轨迹。点击OK结束;
在文件类型中选择Well path/deviation选项,将样本井和目标井的井轨迹加载到Petrel系统,包括:对照Header info所识别的载入文件中每一列的类型,在Trajectoryform中选择对应的识别类型,并在Column selection中将载入文件中每一列的对应的列号数字填入其中。点击OK结束;
在文件类型中选择Well logs(ASCII)选项,将样本井和目标井的测井曲线加载到Petrel系统,包括:对照Header info所识别的载入文件中每一列测井曲线的类型,在Logs中选择Specify logs to be loaded,对照测井曲线总计列数点击Append iteminthetable加入对应数量的列数。按照Header info所识别的测井曲线排列顺序1-n(n为Headerinfo所识别的载入文件中最后一列的列数),在Specify logs to be loaded下Log name中1-n(n为Header info所识别的载入文件中最后一列的列数)对应修改相应的名称,在Column中填入对应列号,在Property template中选择对应属性,在Global well log中选择对应的名称。点击OK结束。
点击菜单栏中的Property Modeling模块,在其中的Property interpretation子模块中点击Neural net选项,进行神经网络模型生成,包括:Training中对Max numberofiteration、Error limit、Cross validation的赋值要根据识别结果进行反复调试,通常初始赋值为Max number ofiteration等于100,Error limit等于5,Cross validation等于30,其后修改会大大减少修改次数,易于调试到合适的赋值范围。点击OK结束。
在本实施例中,对没有编程经验和Petrel软件使用经验的人可快速使用该方法进行裂缝线密度预测。且仅需常规测井数据、成像测井数据及Petrel软件,预测成本低廉,具有较高的可操作性。
在一个实施例中,提供了一种基于成像测井和人工神经网络的裂缝线密度预测系统,包括以下程序模块:
提取模块:用于获取样本井数据,并提取所述样本井裂缝线密度数据,其中,将对布设成像测井且进行裂缝定量计算后含裂缝密度曲线的井作为所述样本井;
在本实施例中,提供了一种用于获取样本井数据并提取样本井裂缝线密度数据的方法。具体而言,该方法选择了一些已经布设了成像测井设备并进行了裂缝定量计算的井作为样本井。
首先,该方法通过现有方式获取样本井的数据,这些数据可以包括来自成像测井、常规测井、地质描述等多种来源的信息。其中,成像测井数据对于分析井内裂缝特征非常重要。
接下来,在已获取的样本井数据中,对布设了成像测井设备并进行了裂缝定量计算的井进行筛选,将其作为样本井。这些样本井中会包含裂缝密度曲线的数据,这些曲线反映了裂缝线密度随着井深的变化情况。
通过对这些样本井的数据进行处理和分析,可以提取出所需的样本井裂缝线密度数据。这些数据可以用于进一步的研究、预测或评估其他井或区域的裂缝发育情况。
构建模块:用于根据所述样本井裂缝线密度数据建立样本井裂缝密度曲线和常规测井曲线深度对应关系并生成对应关系图;
在本实施例中,根据从样本井中获取到的裂缝线密度数据,该方法针对每个样本井都会建立一条裂缝密度曲线。其中,横轴表示常规测井曲线的深度,纵轴表示裂缝线密度。这条曲线能够准确地反映出不同深度下裂缝发育的情况。
接着,通过对常规测井曲线和裂缝线密度曲线进行匹配和对应,建立二者之间的关系。这可以通过将常规测井曲线的深度值与对应的裂缝线密度数值进行对齐来实现。可以使用插值、拟合等方法进行精确匹配和数据推断。
最后,基于建立的样本井裂缝密度曲线和常规测井曲线深度的对应关系,生成对应关系图。该图表能够直观地展示出不同深度处的常规测井值和裂缝线密度值之间的关系。通常采用折线图或双坐标轴图来表示,并通过合适的符号或颜色标识不同样本井的数据。
通过这个方法,可以清晰地展示样本井中裂缝密度曲线和常规测井曲线深度之间的对应关系,帮助石油工程师更好地理解和分析裂缝发育情况。该对应关系图为油气勘探和储层评估提供了有价值的参考和指导。
完善模块:用于根据所述对应关系图,选择同裂缝线密度曲线相关性较好的常规测井曲线,完善目标井相关测井曲线数据;
在本实施例中,提供了一种根据所述对应关系图选择与裂缝线密度曲线相关性较好的常规测井曲线,并用于完善目标井相关测井曲线数据的方法。
首先,根据之前建立的样本井裂缝密度曲线和常规测井曲线深度的对应关系图,可以通过分析不同样本井的数据,评估裂缝线密度曲线与常规测井曲线之间的相关性。这样的对应关系图提供了一个直观的视觉工具来比较不同常规测井曲线和裂缝线密度曲线之间的匹配程度。
接着,在目标井的相关测井数据中,根据所述对应关系图选择与裂缝线密度曲线相关性较好的常规测井曲线。具体来说,从目标井的测井数据中选取与样本井裂缝线密度曲线呈现出较高相关性的常规测井曲线作为候选曲线。
最后,利用所选的常规测井曲线,对目标井的相关测井曲线数据进行完善。通过将所选的常规测井曲线的数值应用到目标井对应的深度位置上,可以补充目标井的缺失数据或校正不准确的测井数据,从而提高目标井测井数据的准确性和完整性。
通过这个方法,可以根据样本井裂缝线密度曲线和常规测井曲线的相关性,选择最合适的常规测井曲线来完善目标井的相关测井曲线数据。这有助于提高目标井数据的可靠性,为油气勘探和储层评估提供更准确的信息支持。
计算模块:用于使用第三方软件对所述目标井进行单井裂缝线密度计算、验证和调试,生成所述目标井纵向裂缝线密度曲线。所述第三方软件可以为Petrel软件神经网络模块。
在本实施例中,为了进行裂缝线密度计算,该方法使用第三方软件,该软件专门用于处理地质测井数据和进行裂缝分析。该第三方软件具有高效的算法和功能,可以准确地计算出目标井的裂缝线密度。
接着,将目标井的相关测井数据输入到第三方软件中。这些测井数据包括常规测井曲线、成像测井数据以及其他地质描述数据等。第三方软件会根据这些输入数据,进行裂缝线密度的计算。
在计算完成后,需要对计算结果进行验证和调试。通过与样本井的裂缝线密度曲线进行比对和分析,可以评估第三方软件计算的准确性和可靠性。如果计算结果与样本井有一致性,并且符合地质实际情况,即可认为计算是有效的。
最后,基于第三方软件的计算结果,生成目标井的纵向裂缝线密度曲线。这条曲线展示了目标井中不同深度下的裂缝线密度变化情况,可以用于研究地层裂缝发育状况、评估储层裂缝性质等。
通过使用第三方软件进行裂缝线密度计算、验证和调试,并生成目标井纵向裂缝线密度曲线,可以得到可靠的裂缝信息,为油气勘探和储层评估提供重要的参考依据。同时,第三方软件的应用也提高了计算的效率和准确性。
关于基于成像测井和人工神经网络的裂缝线密度预测系统的具体限定可以参见上文中对于基于成像测井和人工神经网络的裂缝线密度预测方法的限定,在此不再赘述。上述基于成像测井和人工神经网络的裂缝线密度预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图2所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入系统。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于成像测井和人工神经网络的裂缝线密度预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入系统可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图2中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,涉及上述实施例方法中的全部或部分流程。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,涉及上述实施例方法中的全部或部分流程。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static RandomAccess Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于成像测井和人工神经网络的裂缝线密度预测方法,其特征在于,所述方法包括:
获取样本井数据,并提取所述样本井裂缝线密度数据,其中,将对布设成像测井且进行裂缝定量计算后含裂缝密度曲线的井作为所述样本井;
根据所述样本井裂缝线密度数据建立样本井裂缝密度曲线和常规测井曲线深度对应关系并生成对应关系图;
根据所述对应关系图,选择同裂缝线密度曲线相关性较好的常规测井曲线,完善所述样本井和目标井相关测井曲线数据;
使用第三方软件对所述目标井进行单井裂缝线密度计算、验证和调试,生成所述目标井纵向裂缝线密度曲线。
2.根据权利要求1所述的方法,其特征在于,所述获取样本井数据,并提取所述样本井裂缝线密度数据,包括:
对成像测井裂缝定量计算后的多种曲线中的裂缝密度曲线数据及其对应深度数据进行提取,并建立txt文件,文件第一列为深度数据,第二列为裂缝密度曲线数据;所述txt文件中裂缝密度曲线数据应与深度数据按照原始数据对应关系排列。
3.根据权利要求2所述的方法,其特征在于,所述建立txt文件之后包括:
对所述txt文件裂缝密度曲线数据中存在的异常值进行剔除,具体为:所述裂缝密度曲线数据中未识别到有效裂缝处的数据为零,识别到有效裂缝处的数据应依据裂缝发育实际情况含有相应数值;
对所述裂缝密度曲线中数据缺失的现象,对照所述txt文件内的目标井,根据实际钻井情况进行分析,若所述txt文件内的目标井中对应层段常规测井数据未见异常,井史资料显示所述txt文件内的目标井对应层段未见异常,则将所述txt文件内的目标井对应层段数据补充为零;若常规测井数据中电阻率测井存在异常高值,井史资料显示所述txt文件内的目标井对应层段存在井漏、井塌、泥浆放空漏失现象,则将所述txt文件的目标井井对应层段数据视为异常值进行剔除。
4.根据权利要求1所述的方法,其特征在于,根据所述样本井裂缝线密度数据建立样本井裂缝密度曲线和常规测井曲线深度对应关系并生成对应关系图,包括:
整理所述样本井常规测井曲线数据,保证使用的常规测井曲线采样间隔的一致性,在常规测井曲线整理的过程中优先选择同一批次,同一仪器采集的测井数据;
通过构建裂缝线密度计算公式,将所述样本井裂缝密度曲线数据按照常规测井曲线数据对应的深度进行赋值计算;对裂缝密度曲线(FVDC)数据进行处理,已达到同常规测井曲线数据深度的对应关系,构建裂缝线密度计算公式:
其中,所述FM为裂缝线密度,FM1,FM2为目标深度两侧裂缝线密度值,δsc2为目标深度同FM2对应深度的差值,δsc1为目标深度同FM1对应深度的差值,δsc2为FM1,FM2对应深度的差值。
5.根据权利要求1所述的方法,其特征在于,根据所述对应关系图,选择同裂缝线密度曲线相关性较好的常规测井曲线,完善目标井相关测井曲线数据,包括:
将裂缝密度曲线数据不为零处同常规测井曲线进行标定,选择对裂缝发育部位敏感性强的常规测井曲线;
对选择的对裂缝发育部位敏感性强的常规测井曲线进行异常值剔除。
6.根据权利要求1所述的方法,其特征在于,所述第三方软件为Petrel软件神经网络模块。
7.一种基于成像测井和人工神经网络的裂缝线密度预测系统,其特征在于,所述系统包括:
提取模块:用于获取样本井数据,并提取所述样本井裂缝线密度数据,其中,将对布设成像测井且进行裂缝定量计算后含裂缝密度曲线的井作为所述样本井;
构建模块:用于根据所述样本井裂缝线密度数据建立样本井裂缝密度曲线和常规测井曲线深度对应关系并生成对应关系图;
完善模块:用于根据所述对应关系图,选择同裂缝线密度曲线相关性较好的常规测井曲线,完善目标井相关测井曲线数据;
计算模块:用于使用第三方软件对所述目标井进行单井裂缝线密度计算、验证和调试,生成所述目标井纵向裂缝线密度曲线。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311115587.6A CN117150178A (zh) | 2023-08-31 | 2023-08-31 | 基于成像测井和人工神经网络的裂缝线密度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311115587.6A CN117150178A (zh) | 2023-08-31 | 2023-08-31 | 基于成像测井和人工神经网络的裂缝线密度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117150178A true CN117150178A (zh) | 2023-12-01 |
Family
ID=88900205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311115587.6A Pending CN117150178A (zh) | 2023-08-31 | 2023-08-31 | 基于成像测井和人工神经网络的裂缝线密度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117150178A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502997A (zh) * | 2015-01-22 | 2015-04-08 | 中国石油化工集团公司 | 一种利用裂缝密度曲线预测裂缝密度体的方法 |
US20210404331A1 (en) * | 2020-06-24 | 2021-12-30 | Southwest Petroleum University | Fine identification method of tight reservoir fracture based on conventional logging data |
CN114109352A (zh) * | 2021-06-17 | 2022-03-01 | 中国海洋石油集团有限公司 | 一种基于曲线相似度预测孔隙度的方法 |
CN116427915A (zh) * | 2023-02-27 | 2023-07-14 | 东北石油大学三亚海洋油气研究院 | 基于随机森林的常规测井曲线裂缝密度预测方法及系统 |
-
2023
- 2023-08-31 CN CN202311115587.6A patent/CN117150178A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502997A (zh) * | 2015-01-22 | 2015-04-08 | 中国石油化工集团公司 | 一种利用裂缝密度曲线预测裂缝密度体的方法 |
US20210404331A1 (en) * | 2020-06-24 | 2021-12-30 | Southwest Petroleum University | Fine identification method of tight reservoir fracture based on conventional logging data |
CN114109352A (zh) * | 2021-06-17 | 2022-03-01 | 中国海洋石油集团有限公司 | 一种基于曲线相似度预测孔隙度的方法 |
CN116427915A (zh) * | 2023-02-27 | 2023-07-14 | 东北石油大学三亚海洋油气研究院 | 基于随机森林的常规测井曲线裂缝密度预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
蓝茜茜;张逸伦;康志宏;: "基于样本优化的神经网络方法在储层裂缝识别中的应用", 科学技术与工程, no. 21, 28 July 2020 (2020-07-28) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8200465B2 (en) | Heterogeneous earth models for a reservoir field | |
US8731891B2 (en) | Cluster 3D petrophysical uncertainty modeling | |
CN107423214A (zh) | 软件回归测试用例获取方法、装置及存储介质和电子设备 | |
US20100325075A1 (en) | Markov decision process-based support tool for reservoir development planning | |
AU2021208450B2 (en) | Correlation of multiple wells using subsurface representation | |
CN104040377A (zh) | 用于碳酸盐中的岩石物理学岩石定型的集成工作流程或方法 | |
EA026086B1 (ru) | Статистическая модель коллектора, основанная на обнаруженных явлениях, связанных с потоком | |
US20220243575A1 (en) | Autonomous operations in oil and gas fields | |
US11397279B2 (en) | Comparison of wells using a dissimilarity matrix | |
CN114529110A (zh) | 一种基于深度神经网络模型的岩相反演方法及系统 | |
CN113065279A (zh) | 预测总有机碳含量的方法、装置、设备及存储介质 | |
NO20171058A1 (en) | Integrated a priori uncertainty parameter architecture in simulation model creation | |
US20180156014A1 (en) | Fluid Relationship Tracking to Support Model Dependencies | |
WO2017039680A1 (en) | Time-to-finish simulation forecaster | |
CN116427915A (zh) | 基于随机森林的常规测井曲线裂缝密度预测方法及系统 | |
CN114036829B (zh) | 地质剖面图生成方法、系统、设备及存储介质 | |
CN117150178A (zh) | 基于成像测井和人工神经网络的裂缝线密度预测方法 | |
Katterbauer et al. | A Deep Learning Wag Injection Method for Co2 Recovery Optimization | |
CN114153002A (zh) | 储层天然裂缝三维地质建模方法、装置、电子设备及介质 | |
Tømmerås et al. | Prewell and postwell predictions of oil and gas columns using an iterative Monte Carlo technique with three-dimensional petroleum systems modeling | |
KR102410041B1 (ko) | 딥러닝을 이용한 광물 조성 예측 방법 및 그 장치 | |
CN109272042B (zh) | 基于pr模型的小尺度裂缝建模方法、装置、设备及介质 | |
US20210340858A1 (en) | Systems and Methods for Dynamic Real-Time Hydrocarbon Well Placement | |
Su et al. | Rapid Model Update-Enabling Fast, Structured Dynamic Model Updates Leveraging Automation | |
CN115903029A (zh) | 一种属性预测方法、装置、设备以及可读存储介质 |
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 |