CN117251802B - 一种基于迁移学习的非均质储层参数预测方法及系统 - Google Patents

一种基于迁移学习的非均质储层参数预测方法及系统 Download PDF

Info

Publication number
CN117251802B
CN117251802B CN202311509275.3A CN202311509275A CN117251802B CN 117251802 B CN117251802 B CN 117251802B CN 202311509275 A CN202311509275 A CN 202311509275A CN 117251802 B CN117251802 B CN 117251802B
Authority
CN
China
Prior art keywords
logging data
lithology
data
seepage
permeability
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
Application number
CN202311509275.3A
Other languages
English (en)
Other versions
CN117251802A (zh
Inventor
高国海
王欣
陈玙璠
蒋薇
王杨
曾星杰
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.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
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 Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN202311509275.3A priority Critical patent/CN117251802B/zh
Publication of CN117251802A publication Critical patent/CN117251802A/zh
Application granted granted Critical
Publication of CN117251802B publication Critical patent/CN117251802B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Mining & Mineral Resources (AREA)
  • Fluid Mechanics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Medical Informatics (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geophysics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于迁移学习的非均质储层参数预测方法及系统，属于储层评估领域；解决了现有方法在复杂储层上应用效果不理想的问题，以及模型解释性较差的问题。其技术方案是：首先，通过对数据不平衡问题采用数据增强算法，有效扩充不平衡测井数据，实现数据平衡；接着，利用随机森林算法分别建立基于测井数据的岩性判别模型和渗流能力判别模型；最后，基于储层参数之间的相关性，引入迁移学习，构建储层参数预测模型。本发明提出了一种基于迁移学习的非均质储层参数预测方法及系统，能够自主训练获取岩性类别和渗流能力等级，实现通过测井数据对复杂储层孔隙度和渗透率进行预测，具有较高的预测精度。

Description

一种基于迁移学习的非均质储层参数预测方法及系统
技术领域
本发明涉及储层评估领域，尤其涉及一种基于迁移学习的非均质储层参数预测方法及系统。
背景技术
储层特征的精准获取对于提高油气田采收率至关重要，其中，岩石类型和物性参数包括孔隙度、渗透率，是表征储层质量的重要指标。
在油气田勘探开发过程中，测定储层参数的方法主要为直接测定和间接解释。直接测定方法包括岩心和岩屑取样分析等，但这些方法成本高且操作复杂，无法对全区块内所有井段的储层参数进行测定。相比之下，间接解释方法通过利用测井资料来预测储层参数，成为一种评估储层特性的有效手段。然而，储层参数与测井参数之间的映射关系不明确，基于测井资料的传统物理模型预测精度有限。随着机器学习方法在储层评估的应用，也有许多学者应用机器学习算法和神经网络算法对储层参数进行预测，例如改进粒子群算法的极端梯度提升渗透率预测模型、卷积神经网络与双向长短时记忆网络相结合的孔隙度预测模型等，但上述利用机器学习方法进行储层参数预测的方法都仍存在着一些不足，不仅忽略了物理模型，同时也忽略了储层参数之间的相关性，导致可解释性较差且在复杂储层上应用效果并不理想。
基于上述情况，亟需一种针对非均质储层参数的预测方法。
发明内容
针对现有技术存在的问题，本发明提供了一种基于迁移学习的非均质储层参数预测方法及系统，具有较高预测精度且能够适应非均质储层参数的预测。
一种基于迁移学习的非均质储层参数预测方法，包括：
对测井数据进行预处理；
利用数据增强算法对测井数据进行数据增强，得到增强后的测井数据；
利用增强后的测井数据搭建岩性判别模型和渗流能力判别模型；
采用基于迁移学习的神经网络对储层参数进行预测。
优选地，所述的对测井数据进行预处理，具体包括：
对原始测井数据进行初步筛选与清洗，最终选择总伽马值、井径、声波时差、补偿中子、密度、电阻率、冲洗带地层电阻率以及泥质含量共8条测井数据作为输入变量；
对筛选后每个测井数据对应的岩性类别进行标定，分四种类别：页岩、泥岩、白云岩、砂岩；
对筛选后每个测井数据对应的渗流能力等级进行标定，以渗透率值的大小为评判标准，分三种等级：渗透率大于等于0.1mD且小于等于1.0mD为第一等级、渗透率大于1.0mD且小于等于10.0mD为第二等级、渗透率大于10.0mD且小于等于100.0mD为第三等级；
对筛选后测井数据进行归一化处理。
优选地，所述的利用数据增强算法对测井数据进行数据增强，得到增强后的测井数据，具体包括：
统计测井数据对应的岩性类别中每个类别的数据量，鉴于不同类别的数据量存在不均衡情况，对未达到数量阈值的岩性类别对应的测井数据采用数据增强算法进行数据增强，确保各岩性类别对应的测井数据数据量趋于均衡，得到岩性条件下增强的测井数据；
统计测井数据对应的渗流能力等级中每个等级的数据量，鉴于不同渗流能力等级的数据量同样会存在不均衡情况，对未达到数量阈值渗流能力等级对应的测井数据同样采用数据增强算法进行数据增强，确保各渗流能力等级对应的测井数据数据量趋于均衡，得到渗流能力条件下增强的测井数据。
优选地，所述的利用增强后的测井数据搭建岩性判别模型和渗流能力判别模型，具体包括：
采用随机森林算法构建岩性判别模型：
式中，表示在所有的岩性类别c中选择使得括号内的表达式最大化的岩性类别c，I(·)表示指示函数，当括号里表达式为真则为1，否则为0，/>表示计算每棵决策树/>预测结果与岩性类别c相等的次数总和。以岩性条件下增强的测井数据为输入，以岩性条件下增强的测井数据对应的岩性类别为输出，对岩性判别模型进行训练，实现利用测井数据对岩性类别进行预测；
采用随机森林算法构建渗流能力判别模型：
式中，表示在所有渗流能力等级c中选择使得括号内的表达式最大化的渗流能力等级c，/>表示计算每棵决策树/>预测结果与渗流能力等级c相等的次数总和。以渗流能力条件下增强的测井数据为输入，以渗流能力条件下增强的测井数据对应的渗流能力等级为输出，对渗流能力判别模型进行训练，实现利用测井数据对渗流能力等级进行预测。
优选地，所述的采用基于迁移学习的神经网络对储层参数进行预测，具体包括：
搭建储层参数预测模型，第一部分基于全连接神经网络，具有三个隐藏层，每个隐藏层均使用ReLU激活函数，对应的数学表达式为：
式中x代表从上一层传递来的输入值。输出层设有两个节点，分别对应孔隙度和渗透率。损失函数采用MAE损失函数，对应的数学表达式为：
式中为真实值，/>为预测值，n是样本总数。第一部分的总损失函数表达式L1为：
第二部分在第一部分的基础上增加了两个隐藏层，其中前三个隐藏层的参数通过迁移学习从第一部分神经网络中获得，这两个隐藏层同样使用ReLU激活函数，并设置了一个对应渗透率的输出节点，损失函数采用MAE损失函数，损失函数表达式L2为：
以测井数据以及测井数据对应的岩性类别和渗流能力等级作为输入，以测井数据对应的孔隙度和渗透率作为第一部分的输出，仅以测井数据对应的渗透率作为第二部分的输出，对储层参数模型进行训练；
利用测井数据，首先输入到岩性判别模型，预测得到岩性类别预测值，然后继续利用测井数据输入到渗流能力判别模型中，预测得到渗流能力等级预测值。接着将测井数据以及测井数据对应的岩性类别预测值和渗流能力等级预测值输入到储层参数预测模型中，获得第一部分神经网络的孔隙度预测值以及第二部分神经网络的渗透率预测值，作为孔隙度和渗透率的预测结果。
一种基于迁移学习的非均质储层参数预测系统，包括：
数据预处理模块，用于对测井数据进行预处理；
数据增强模块，用于利用数据增强算法对测井数据进行数据增强，得到增强后的测井数据；
岩性及渗流能力判别模块，用于利用增强后的测井数据搭建岩性判别模型和渗流能力判别模型；
储层参数预测模块，用于采用基于迁移学习的神经网络对储层参数进行预测。
优选地，所述的数据预处理模块包括：
数据筛选单元，对原始测井数据进行初步筛选与清洗，最终选择总伽马值、井径、声波时差、补偿中子、密度、电阻率、冲洗带地层电阻率以及泥质含量共8条测井数据作为输入变量；
岩性类别标定单元，对筛选后每个测井数据对应的岩性类别进行标定，分四种类别：页岩、泥岩、白云岩、砂岩；
渗流能力等级标定单元，对筛选后每个测井数据对应的渗流能力等级进行标定，以渗透率值的大小为评判标准，分三种等级：渗透率大于等于0.1mD且小于等于1.0mD为第一等级、渗透率大于1.0mD且小于等于10.0mD为第二等级、渗透率大于10.0mD且小于等于100.0mD为第三等级；
归一化单元，对筛选后测井数据进行归一化处理。
优选地，所述的数据增强模块包括：
岩性测井数据增强单元，统计测井数据对应的岩性类别中每个类别的数据量，鉴于不同类别的数据量存在不均衡情况，对未达到数量阈值的岩性类别对应的测井数据采用数据增强算法进行数据增强，确保各岩性类别对应的测井数据数据量趋于均衡，得到岩性条件下增强的测井数据；
渗流能力测井数据增强单元，统计测井数据对应的渗流能力等级中每个等级的数据量，鉴于不同渗流能力等级的数据量同样会存在不均衡情况，对未达到数量阈值渗流能力等级对应的测井数据同样采用数据增强算法进行数据增强，确保各渗流能力等级对应的测井数据数据量趋于均衡，得到渗流能力条件下增强的测井数据。
优选地，所述的岩性及渗流能力判别模块包括：
岩性判别模型建立单元，采用随机森林算法构建岩性判别模型：
式中，表示在所有的岩性类别c中选择使得括号内的表达式最大化的岩性类别c，I(·)表示指示函数，当括号里表达式为真则为1，否则为0，/>表示计算每棵决策树/>预测结果与岩性类别c相等的次数总和。以岩性条件下增强的测井数据为输入，以岩性条件下增强的测井数据对应的岩性类别为输出，对岩性判别模型进行训练，实现利用测井数据对岩性类别进行预测；
渗流能力判别模型建立单元，采用随机森林算法构建渗流能力判别模型：
式中，表示在所有渗流能力等级c中选择使得括号内的表达式最大化的渗流能力等级c，/>表示计算每棵决策树/>预测结果与渗流能力等级c相等的次数总和。以渗流能力条件下增强的测井数据为输入，以渗流能力条件下增强的测井数据对应的渗流能力等级为输出，对渗流能力判别模型进行训练，实现利用测井数据对渗流能力等级进行预测。
优选地，所述的储层参数预测模块包括：
储层参数预测模型建立单元，搭建储层参数预测模型，第一部分基于全连接神经网络，具有三个隐藏层，每个隐藏层均使用ReLU激活函数，对应的数学表达式为：
式中x代表从上一层传递来的输入值。输出层设有两个节点，分别对应孔隙度和渗透率。损失函数采用MAE损失函数，对应的数学表达式为：
式中为真实值，/>为预测值，n是样本总数。第一部分的总损失函数表达式L1为：
第二部分在第一部分的基础上增加了两个隐藏层，其中前三个隐藏层的参数通过迁移学习从第一部分神经网络中获得，这两个隐藏层同样使用ReLU激活函数，并设置了一个对应渗透率的输出节点，损失函数采用MAE损失函数，损失函数表达式L2为：
储层参数预测模型训练单元，以测井数据以及测井数据对应的岩性类别和渗流能力等级作为输入，以测井数据对应的孔隙度和渗透率作为第一部分的输出，仅以测井数据对应的渗透率作为第二部分的输出，对储层参数模型进行训练；
储层参数预测模型预测单元，利用测井数据，首先输入到岩性判别模型，预测得到岩性类别预测值，然后继续利用测井数据输入到渗流能力判别模型中，预测得到渗流能力等级预测值。接着将测井数据以及测井数据对应的岩性类别预测值和渗流能力等级预测值输入到储层参数预测模型中，获得第一部分神经网络的孔隙度预测值以及第二部分神经网络的渗透率预测值，作为孔隙度和渗透率的预测结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见，下面描述中的附图仅仅是本发明的一些实施例，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他的附图。
图1为本发明一种基于迁移学习的非均质储层参数预测方法实施例的方法流程图。
图2为本发明一种基于迁移学习的非均质储层参数预测系统实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于迁移学习的非均质储层参数预测方法及系统，提高复杂非均质储层参数孔隙度和渗透率的预测准确率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参考图1，为本发明一种基于迁移学习的非均质储层参数预测方法实施例的方法流程图，所述方法包括以下步骤：
步骤S101，对测井数据进行预处理，具体步骤包括：
对原始测井数据进行初步筛选与清洗，最终选择总伽马值、井径、声波时差、补偿中子、密度、电阻率、冲洗带地层电阻率以及泥质含量共8条测井数据作为输入变量；
对筛选后每个测井数据对应的岩性类别进行标定，分四种类别：页岩、泥岩、白云岩、砂岩；
对筛选后每个测井数据对应的渗流能力等级进行标定，以渗透率值的大小为评判标准，分三种等级：渗透率大于等于0.1mD且小于等于1.0mD为第一等级、渗透率大于1.0mD且小于等于10.0mD为第二等级、渗透率大于10.0mD且小于等于100.0mD为第三等级；
对筛选后测井数据进行归一化处理。
步骤S102，利用数据增强算法对测井数据进行数据增强，得到增强后的测井数据，具体步骤包括：
统计测井数据对应的岩性类别中每个类别的数据量，鉴于不同类别的数据量存在不均衡情况，对未达到数量阈值的岩性类别对应的测井数据采用数据增强算法进行数据增强，确保各岩性类别对应的测井数据数据量趋于均衡，得到岩性条件下增强的测井数据；
统计测井数据对应的渗流能力等级中每个等级的数据量，鉴于不同渗流能力等级的数据量同样会存在不均衡情况，对未达到数量阈值渗流能力等级对应的测井数据同样采用数据增强算法进行数据增强，确保各渗流能力等级对应的测井数据数据量趋于均衡，得到渗流能力条件下增强的测井数据。
步骤S103，利用增强后的测井数据搭建岩性判别模型和渗流能力判别模型，具体步骤包括：
采用随机森林算法构建岩性判别模型：
式中，表示在所有的岩性类别c中选择使得括号内的表达式最大化的岩性类别c，I(·)表示指示函数，当括号里表达式为真则为1，否则为0，/>表示计算每棵决策树/>预测结果与岩性类别c相等的次数总和。以岩性条件下增强的测井数据为输入，以岩性条件下增强的测井数据对应的岩性类别为输出，对岩性判别模型进行训练，实现利用测井数据对岩性类别进行预测；
采用随机森林算法构建渗流能力判别模型：
式中，表示在所有渗流能力等级c中选择使得括号内的表达式最大化的渗流能力等级c，/>表示计算每棵决策树/>预测结果与渗流能力等级c相等的次数总和。以渗流能力条件下增强的测井数据为输入，以渗流能力条件下增强的测井数据对应的渗流能力等级为输出，对渗流能力判别模型进行训练，实现利用测井数据对渗流能力等级进行预测。
步骤S104，采用基于迁移学习的神经网络对储层参数进行预测，具体步骤包括：
搭建储层参数预测模型，第一部分基于全连接神经网络，具有三个隐藏层，每个隐藏层均使用ReLU激活函数，对应的数学表达式为：
式中x代表从上一层传递来的输入值。输出层设有两个节点，分别对应孔隙度和渗透率。损失函数采用MAE损失函数，对应的数学表达式为：
式中为真实值，/>为预测值，n是样本总数。第一部分的总损失函数表达式L1为：
第二部分在第一部分的基础上增加了两个隐藏层，其中前三个隐藏层的参数通过迁移学习从第一部分神经网络中获得，这两个隐藏层同样使用ReLU激活函数，并设置了一个对应渗透率的输出节点，损失函数采用MAE损失函数，损失函数表达式L2为：
以测井数据以及测井数据对应的岩性类别和渗流能力等级作为输入，以测井数据对应的孔隙度和渗透率作为第一部分的输出，仅以测井数据对应的渗透率作为第二部分的输出，对储层参数模型进行训练；
利用测井数据，首先输入到岩性判别模型，预测得到岩性类别预测值，然后继续利用测井数据输入到渗流能力判别模型中，预测得到渗流能力等级预测值。接着将测井数据以及测井数据对应的岩性类别预测值和渗流能力等级预测值输入到储层参数预测模型中，获得第一部分神经网络的孔隙度预测值以及第二部分神经网络的渗透率预测值，作为孔隙度和渗透率的预测结果。
参考图2，为本发明一种基于迁移学习的非均质储层参数预测系统实施例的结构示意图，所述系统包括以下模块：
数据预处理模块201，用于对测井数据进行预处理，具体包括：
数据筛选单元，对原始测井数据进行初步筛选与清洗，最终选择总伽马值、井径、声波时差、补偿中子、密度、电阻率、冲洗带地层电阻率以及泥质含量共8条测井数据作为输入变量；
岩性类别标定单元，对筛选后每个测井数据对应的岩性类别进行标定，分四种类别：页岩、泥岩、白云岩、砂岩；
渗流能力等级标定单元，对筛选后每个测井数据对应的渗流能力等级进行标定，以渗透率值的大小为评判标准，分三种等级：渗透率大于等于0.1mD且小于等于1.0mD为第一等级、渗透率大于1.0mD且小于等于10.0mD为第二等级、渗透率大于10.0mD且小于等于100.0mD为第三等级；
归一化单元，对筛选后测井数据进行归一化处理。
数据增强模块202，用于利用数据增强算法对测井数据进行数据增强，得到增强后的测井数据，具体包括：
岩性测井数据增强单元，统计测井数据对应的岩性类别中每个类别的数据量，鉴于不同类别的数据量存在不均衡情况，对未达到数量阈值的岩性类别对应的测井数据采用数据增强算法进行数据增强，确保各岩性类别对应的测井数据数据量趋于均衡，得到岩性条件下增强的测井数据；
渗流能力测井数据增强单元，统计测井数据对应的渗流能力等级中每个等级的数据量，鉴于不同渗流能力等级的数据量同样会存在不均衡情况，对未达到数量阈值渗流能力等级对应的测井数据同样采用数据增强算法进行数据增强，确保各渗流能力等级对应的测井数据数据量趋于均衡，得到渗流能力条件下增强的测井数据。
岩性及渗流能力判别模块203，用于利用增强后的测井数据搭建岩性判别模型和渗流能力判别模型，具体包括：
岩性判别模型建立单元，采用随机森林算法构建岩性判别模型：
式中，表示在所有的岩性类别c中选择使得括号内的表达式最大化的岩性类别c，I(·)表示指示函数，当括号里表达式为真则为1，否则为0，/>表示计算每棵决策树/>预测结果与岩性类别c相等的次数总和。以岩性条件下增强的测井数据为输入，以岩性条件下增强的测井数据对应的岩性类别为输出，对岩性判别模型进行训练，实现利用测井数据对岩性类别进行预测；
渗流能力判别模型建立单元，采用随机森林算法构建渗流能力判别模型：
式中，表示在所有渗流能力等级c中选择使得括号内的表达式最大化的渗流能力等级c，/>表示计算每棵决策树/>预测结果与渗流能力等级c相等的次数总和。以渗流能力条件下增强的测井数据为输入，以渗流能力条件下增强的测井数据对应的渗流能力等级为输出，对渗流能力判别模型进行训练，实现利用测井数据对渗流能力等级进行预测。
储层参数预测模块204，用于采用基于迁移学习的神经网络对储层参数进行预测，具体包括：
储层参数预测模型建立单元，搭建储层参数预测模型，第一部分基于全连接神经网络，具有三个隐藏层，每个隐藏层均使用ReLU激活函数，对应的数学表达式为：
式中x代表从上一层传递来的输入值。输出层设有两个节点，分别对应孔隙度和渗透率。损失函数采用MAE损失函数，对应的数学表达式为：
式中为真实值，/>为预测值，n是样本总数。第一部分的总损失函数表达式L1为：
第二部分在第一部分的基础上增加了两个隐藏层，其中前三个隐藏层的参数通过迁移学习从第一部分神经网络中获得，这两个隐藏层同样使用ReLU激活函数，并设置了一个对应渗透率的输出节点，损失函数采用MAE损失函数，损失函数表达式L2为：
储层参数预测模型训练单元，以测井数据以及测井数据对应的岩性类别和渗流能力等级作为输入，以测井数据对应的孔隙度和渗透率作为第一部分的输出，仅以测井数据对应的渗透率作为第二部分的输出，对储层参数模型进行训练；
储层参数预测模型预测单元，利用测井数据，首先输入到岩性判别模型，预测得到岩性类别预测值，然后继续利用测井数据输入到渗流能力判别模型中，预测得到渗流能力等级预测值。接着将测井数据以及测井数据对应的岩性类别预测值和渗流能力等级预测值输入到储层参数预测模型中，获得第一部分神经网络的孔隙度预测值以及第二部分神经网络的渗透率预测值，作为孔隙度和渗透率的预测结果。
进一步的，为了更加清楚的说明本发明提供的技术方案的优点，下面以具体的实施为例进行说明：
以四川盆地某碳酸盐岩气田某区块为分析对象，测井段深度约为4400-6500米，共计8876条数据样本。根据训练集训练储层参数预测模型，并对测试集中储层参数孔隙度和渗透率进行预测并利用多个评价指标（包括MAPE、RMSE和R2）对预测结果进行了全面评估，并对本专利模型命名为RPTL。为了验证所提出RPTL模型的有效性，将其与多种常见的机器学习模型进行了比较，包括随机森林回归（RFR）、梯度提升回归（XGBoost）、K近邻回归（KNN）以及深度神经网络（DNN）。利用测井数据作为输入，孔隙度和渗透率作为输出。进一步的，参考表1模型结果对比：
表1 模型结果对比
从表中可以明显看出，本专利模型在孔隙度和渗透率预测方面均表现出极高的准确性，孔隙度预测的MAPE仅为3.51%，RMSE为0.283，R2达到0.949；而在渗透率预测方面，MAPE为15.17%，RMSE为0.674，R2为0.943。需要特别注意的是，尽管在MAPE评价标准下渗透率相较孔隙度略有较高误差，然而考虑到研究区域内渗透率的变化幅度较大，以及渗透率相应的R2值高达0.943，总体而言，本专利模型在渗透率预测方面同样表现出色。在对比实验方面，对于孔隙度的预测，本专利模型的MAPE仅为3.51%。相比之下，随机森林回归（RFR）的MAPE为4.93%，K近邻回归（KNN）为5.66%，深度神经网络（DNN）为6.44%。在渗透率预测方面，本专利模型同样呈现出较低的误差，其MAPE为15.17%，而其他模型的MAPE明显较高，随机森林回归（RFR）为42.69%，K近邻回归（KNN）为43.34%，深度神经网络（DNN）为33.26%。
同时进行数据增强后，岩性和渗流能力分类准确率相对于未数据增强准确率有明显提高，参考表2数据增强前后岩性分类准确率对比结果和表3数据增强前后渗流能力分类准确率对比结果：
表2 数据增强前后岩性分类准确率对比结果
表3 数据增强前后渗流能力分类准确率对比结果
综上所述，与现有技术相比，本发明公开的一种基于迁移学习的非均质储层参数预测方法及系统，具有以下有益效果：（1）本发明所建立的储层参数预测模型，能够对测井资料提取岩石物理特性，从而获得岩性和渗流能力特征，为准确预测储层参数孔隙度和渗流能力奠定了基础。（2）所提出的方法能够实现自主训练获取岩性类别和渗流能力等级，操作简便易行，具有广泛的适用性；（3）经过利用现场测井数据验证表明：本发明所构建的储层参数预测模型在针对复杂储层，比如非均质性强的碳酸盐储层问题上有着较好的性能，预测精度较高。
对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种基于迁移学习的非均质储层参数预测方法，其特征在于，包括以下步骤：
对测井数据进行预处理；
利用数据增强算法对测井数据进行数据增强，得到增强后的测井数据；
利用增强后的测井数据搭建岩性判别模型和渗流能力判别模型，具体包括：采用随机森林算法构建岩性判别模型，以岩性条件下增强的测井数据为输入，以岩性条件下增强的测井数据对应的岩性类别为输出，对岩性判别模型进行训练，实现利用测井数据对岩性类别进行预测；采用随机森林算法构建渗流能力判别模型，以渗流能力条件下增强的测井数据为输入，以渗流能力条件下增强的测井数据对应的渗流能力等级为输出，对渗流能力判别模型进行训练，实现利用测井数据对渗流能力等级进行预测；
采用基于迁移学习的神经网络对储层参数进行预测，具体包括：搭建储层参数预测模型，第一部分基于全连接神经网络，具有三个隐藏层，其输出是孔隙度和渗透率，第二部分在第一部分的基础上增加了两个隐藏层，其中前三个隐藏层的参数通过迁移学习从第一部分神经网络中获得，其输出则是渗透率，以测井数据以及测井数据对应的岩性类别和渗流能力等级作为输入，以测井数据对应的孔隙度和渗透率作为第一部分的输出，仅以测井数据对应的渗透率作为第二部分的输出，对储层参数模型进行训练；利用测井数据，首先输入到岩性判别模型，预测得到岩性类别预测值，然后继续利用测井数据输入到渗流能力判别模型中，预测得到渗流能力等级预测值，接着将测井数据以及测井数据对应的岩性类别预测值和渗流能力等级预测值输入到储层参数预测模型中，获得第一部分神经网络的孔隙度预测值以及第二部分神经网络的渗透率预测值，作为孔隙度和渗透率的预测结果。
2.根据权利要求1所述的一种基于迁移学习的非均质储层参数预测方法，其特征在于，所述的对测井数据进行预处理，具体包括：
对原始测井数据进行初步筛选与清洗，最终选择总伽马值、井径、声波时差、补偿中子、密度、电阻率、冲洗带地层电阻率以及泥质含量共8条测井数据作为输入变量；
对筛选后每个测井数据对应的岩性类别进行标定，分四种类别：页岩、泥岩、白云岩、砂岩；对筛选后每个测井数据对应的渗流能力等级进行标定，以渗透率值的大小为评判标准，分三种等级：渗透率大于等于0.1mD且小于等于1.0mD为第一等级、渗透率大于1.0mD且小于等于10.0mD为第二等级、渗透率大于10.0mD且小于等于100.0mD为第三等级；
对筛选后测井数据进行归一化处理。
3.根据权利要求1所述的一种基于迁移学习的非均质储层参数预测方法，其特征在于，所述的利用数据增强算法对测井数据进行数据增强，得到增强后的测井数据，具体包括：
统计测井数据对应的岩性类别中每个类别的数据量，鉴于不同类别的数据量存在不均衡情况，对未达到数量阈值的岩性类别对应的测井数据采用数据增强算法进行数据增强，确保各岩性类别对应的测井数据数据量趋于均衡，得到岩性条件下增强的测井数据；
统计测井数据对应的渗流能力等级中每个等级的数据量，鉴于不同渗流能力等级的数据量同样会存在不均衡情况，对未达到数量阈值渗流能力等级对应的测井数据同样采用数据增强算法进行数据增强，确保各渗流能力等级对应的测井数据数据量趋于均衡，得到渗流能力条件下增强的测井数据。
4.一种基于迁移学习的非均质储层参数预测系统，其特征在于，包括以下模块：
数据预处理模块，用于对测井数据进行预处理；
数据增强模块，用于利用数据增强算法对测井数据进行数据增强，得到增强后的测井数据；
岩性及渗流能力判别模块，具体包括：采用随机森林算法构建岩性判别模型，以岩性条件下增强的测井数据为输入，以岩性条件下增强的测井数据对应的岩性类别为输出，对岩性判别模型进行训练，实现利用测井数据对岩性类别进行预测；采用随机森林算法构建渗流能力判别模型，以渗流能力条件下增强的测井数据为输入，以渗流能力条件下增强的测井数据对应的渗流能力等级为输出，对渗流能力判别模型进行训练，实现利用测井数据对渗流能力等级进行预测；
储层参数预测模块，具体包括：搭建储层参数预测模型，第一部分基于全连接神经网络，具有三个隐藏层，其输出是孔隙度和渗透率，第二部分在第一部分的基础上增加了两个隐藏层，其中前三个隐藏层的参数通过迁移学习从第一部分神经网络中获得，其输出则是渗透率，以测井数据以及测井数据对应的岩性类别和渗流能力等级作为输入，以测井数据对应的孔隙度和渗透率作为第一部分的输出，仅以测井数据对应的渗透率作为第二部分的输出，对储层参数模型进行训练；利用测井数据，首先输入到岩性判别模型，预测得到岩性类别预测值，然后继续利用测井数据输入到渗流能力判别模型中，预测得到渗流能力等级预测值，接着将测井数据以及测井数据对应的岩性类别预测值和渗流能力等级预测值输入到储层参数预测模型中，获得第一部分神经网络的孔隙度预测值以及第二部分神经网络的渗透率预测值，作为孔隙度和渗透率的预测结果。
CN202311509275.3A 2023-11-14 2023-11-14 一种基于迁移学习的非均质储层参数预测方法及系统 Active CN117251802B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311509275.3A CN117251802B (zh) 2023-11-14 2023-11-14 一种基于迁移学习的非均质储层参数预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311509275.3A CN117251802B (zh) 2023-11-14 2023-11-14 一种基于迁移学习的非均质储层参数预测方法及系统

Publications (2)

Publication Number Publication Date
CN117251802A CN117251802A (zh) 2023-12-19
CN117251802B true CN117251802B (zh) 2024-02-20

Family

ID=89126656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311509275.3A Active CN117251802B (zh) 2023-11-14 2023-11-14 一种基于迁移学习的非均质储层参数预测方法及系统

Country Status (1)

Country Link
CN (1) CN117251802B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117473305A (zh) * 2023-12-27 2024-01-30 西南石油大学 一种近邻信息增强的储层参数预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111489034A (zh) * 2020-04-10 2020-08-04 华中科技大学 一种油气储层渗透率预测模型的构建方法及其应用
CN112253087A (zh) * 2020-10-20 2021-01-22 河南理工大学 一种基于多源测井资料的生物扰动储集层物性计算方法
CN114609667A (zh) * 2022-01-29 2022-06-10 中国石油大学(北京) 地球物理油气预测方法、设备及存储介质
CN115222019A (zh) * 2022-06-27 2022-10-21 西南石油大学 基于测井数据的深度Transformer迁移学习储层参数预测方法
CN116611350A (zh) * 2023-07-19 2023-08-18 青岛理工大学 一种基于迁移学习的油井酸化措施效果预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220156595A1 (en) * 2019-03-08 2022-05-19 Schlumberger Technology Corporation System and method for supervised learning of permeability of earth formations

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111489034A (zh) * 2020-04-10 2020-08-04 华中科技大学 一种油气储层渗透率预测模型的构建方法及其应用
CN112253087A (zh) * 2020-10-20 2021-01-22 河南理工大学 一种基于多源测井资料的生物扰动储集层物性计算方法
CN114609667A (zh) * 2022-01-29 2022-06-10 中国石油大学(北京) 地球物理油气预测方法、设备及存储介质
CN115222019A (zh) * 2022-06-27 2022-10-21 西南石油大学 基于测井数据的深度Transformer迁移学习储层参数预测方法
CN116611350A (zh) * 2023-07-19 2023-08-18 青岛理工大学 一种基于迁移学习的油井酸化措施效果预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
The prediction of shale gas reservoir parameters through a multilayer transfer learning network;Min Wang等;《Geophysical Journal International》;20230403;第234卷(第2期);1463–1475 *
基于迁移学习的地球物理测井储层参数预测方法研究;邵蓉波等;《地球物理学报》;20220210;第65卷(第2期);796-808 *
邻域信息增强的MLSTM 在储层参数预测中的应用研究——以非均质性碳酸盐岩为例;王欣等;《地球物理学进展》;20231106;1-13 *

Also Published As

Publication number Publication date
CN117251802A (zh) 2023-12-19

Similar Documents

Publication Publication Date Title
CN110619353B (zh) 一种基于深度学习的多尺度测井曲线自动识别方法
CN105488248B (zh) 一种深部矿层和岩层的判定方法
CN113553780B (zh) 一种基于机器学习的地层孔隙压力预测方法
CN106842301B (zh) 一种凝灰质砂岩有利储层的定量识别与预测方法
CN117251802B (zh) 一种基于迁移学习的非均质储层参数预测方法及系统
CN114066084B (zh) 一种基于机器学习的相渗曲线预测方法及系统
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
CN116168224A (zh) 基于成像砾石含量的机器学习岩相自动识别方法
CN112253087A (zh) 一种基于多源测井资料的生物扰动储集层物性计算方法
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
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
Mohebian et al. Permeability estimation using an integration of multi-resolution graph-based clustering and rock typing methods in an Iranian Carbonate Reservoir
CN113050168A (zh) 基于阵列声波测井和声波远探测测井资料的裂缝有效性评价方法
CN117005860A (zh) 复杂地层条件与井筒结构下的气水识别方法、介质及设备
Anifowose et al. A functional networks-type-2 fuzzy logic hybrid model for the prediction of porosity and permeability of oil and gas reservoirs
CN112862169B (zh) 预测陆相泥页岩游离油含量的方法及装置
CN112069444B (zh) 一种利用测井资料计算储集层试井渗透率方法及计算机
CN111155980A (zh) 一种水流优势通道识别方法及装置
CN104834934A (zh) 一种用于识别储层流体的核体俘获法
CN111706323A (zh) 一种综合gwo-lssvm算法的水淹层精细解释评价方法
CN117005846B (zh) 致密砂岩油气藏条件下电阻率测井侵入校正方法及系统
CN117390970B (zh) 一种兼顾多元驱动预测的油气储存量化方法
CN113409460B (zh) 一种碎屑岩储层夹层机器学习型三维定量表征方法
CN114624784B (zh) 灰岩储层的状态确定方法、装置及可读存储介质
CN114076991B (zh) 一种储层宏观非均质性的表征方法

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