CN117452518B - 基于多学科数据融合聚类算法的储层岩性预测方法 - Google Patents
基于多学科数据融合聚类算法的储层岩性预测方法 Download PDFInfo
- Publication number
- CN117452518B CN117452518B CN202311777401.3A CN202311777401A CN117452518B CN 117452518 B CN117452518 B CN 117452518B CN 202311777401 A CN202311777401 A CN 202311777401A CN 117452518 B CN117452518 B CN 117452518B
- Authority
- CN
- China
- Prior art keywords
- lithology
- data
- logging
- attribute
- attributes
- 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 41
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 239000002245 particle Substances 0.000 claims abstract description 59
- 238000007621 cluster analysis Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 230000035699 permeability Effects 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 7
- 238000010220 Pearson correlation analysis Methods 0.000 abstract description 3
- 238000012800 visualization Methods 0.000 abstract description 2
- 230000002349 favourable effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000926 separation method Methods 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 DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- G—PHYSICS
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Abstract
本发明公开了一种基于多学科数据融合聚类算法的储层岩性预测方法，具体涉及地球物理学技术领域。本发明基于包括测井数据、地震数据和地质数据的储层原始数据构建初始样本集，再对各测井属性与目标岩性进行皮尔森相关性分析，利用对岩性敏感的测井属性提取地震属性作为属性样本，构建属性样本集和支持向量回归机后，采用粒子群优化方法利用属性样本集优化支持向量回归机，得到用于预测岩性敏感测井属性的PSO‑SVR模型并验证模型的预测效果后，利用PSO‑SVR模型预测得到岩性敏感测井属性，结合勘探资料进行聚类分析，划分待预测层位的岩性并进行可视化。本发明降低了岩性识别耗时，提高了岩性划分精度，有利于指导储层开发。
Description
技术领域
本发明涉及地球物理学技术领域，具体涉及一种基于多学科数据融合聚类算法的储层岩性预测方法。
背景技术
岩相是指一定沉积环境下形成的一系列具有多种岩性的岩石或岩石组，通过分析岩性类别能够了解地下岩层的特征和性质，确定油气藏的位置、规模和特征，为油气藏的开发提供指导。
岩性分类作为油气田开发中地层特性分析、储层预测应用等方面的关键环节。传统的岩性识别方法主要依靠人工解释，方法简单易实行，但存在主观性强、效率低、成本高的问题，特别是针对成分复杂、分选差的岩石储层，实际操作过程复杂且效果也不明显。地质结构的复杂性为岩性识别工作带来了诸多难题，因此需要更高效的岩性识别方法。
机器学习方法作为训练计算机利用已有数据预测参数的方法，具有逻辑简单、模型泛化能力强、训练速度快、适用于小样本等优点，现阶段常用的地震储层预测方法主要有聚类分析、支持向量回归机、随机森林、神经网络等。随着大数据技术和计算机技术的快速发展，本领域技术人员逐渐开始使用大数据与机器学习方法进行数据挖掘，在一定程度上降低主观经验所产生的分类误差。
但是，因现场作业时钻井取心很少，导致测井数据体量小、岩性样本匮乏，使得机器学习算法易于出现过拟合问题，影响测井岩性分类结果的准确性。地震数据体量大，种类多达几百种，但是，其中的冗余属性不仅会大大增加计算量，还会影响预测精度，使得仅采用地震数据进行机器学习时得到的岩性分类结果误差较大。
考虑到实际勘探开发过程中存在地质、物探、测井等多方面海量的地学数据，亟需提出一种基于多学科数据融合聚类算法的储层岩性预测方法，通过精确获取对岩性高敏感的测井属性并与地震数据相结合，实现对岩性的准确预测，为深入了解储层特征提供依据。
发明内容
本发明旨在提高储层岩性类型的预测精度，提供了一种基于多学科数据融合聚类算法的储层岩性预测方法，利用支持向量回归机算法实现了地质数据导向下地震数据与测井数据的融合处理，通过准确获取层位的岩性敏感测井属性并结合层位的勘探资料进行聚类分析，实现了对储层岩性的准确划分，有利于指导储层的后续开发。
为实现上述目的，本发明采用如下技术方案：
基于多学科数据融合聚类算法的储层岩性预测方法，包括以下步骤：
步骤1，基于储层的测井属性、地震属性和地质属性，获取包括测井数据、地震数据和地质数据的储层原始数据，构建初始样本集；
步骤2，基于初始样本集，通过对各测井属性与目标岩性进行皮尔森相关性分析，利用对岩性敏感的测井属性提取地震属性作为属性样本，构建包括训练集和测试集的属性样本集；
步骤3，构建支持向量回归机，采用粒子群优化方法利用训练集中的属性样本优化支持向量回归机，得到用于预测岩性敏感测井属性的PSO-SVR模型；
步骤4，利用测试集中的属性样本评估PSO-SVR模型的预测效果；
步骤5，获取待预测层位的地震数据，将待预测层位的地震数据输入至PSO-SVR模型中，利用PSO-SVR模型预测得到岩性敏感测井属性，再结合待预测层位的勘探资料进行聚类分析，划分待预测层位的岩性并进行可视化，得到待预测层位的岩性划分效果图。
优选地，所述步骤1中，包括以下步骤：
步骤1.1，获取储层原始数据，包括储层的测井数据、地震数据和地质数据，其中，所述测井数据包括自然伽马值、自然电位值和渗透率值，所述地震数据包括叠前反演得到的纵横波速度比、叠后振幅数据和部分井旁地震数据；
步骤1.2，将测井数据和地质数据由深度阈转换至时间阈，并按预设时间间隔进行重采样，得到数据样本，构建初始样本集。
优选地，所述步骤2中，包括以下步骤：
步骤2.1，根据测井数据和地质数据，对所有测井属性与目标岩性之间进行皮尔森相关性分析，计算各测井属性的皮尔森相关系数并按降序排列，提取排名位于前n名的测井属性，得到多个岩性敏感测井属性；
步骤2.2，对所有地震数据与各岩性相关测井属性之间进行皮尔森相关性分析，构建初始样本集的相关度矩阵，根据各地震属性的皮尔森相关系数进行筛选，得到与岩性敏感测井属性相关的地震属性作为属性样本，属性样本中将地震属性作为特征数据、将岩性敏感测井属性作为标签，对各属性样本进行标准化处理，构建包括训练集和测试集的属性样本集。
优选地，所述步骤3中，包括以下步骤：
步骤3.1，构建支持向量回归机，设置支持向量回归机的核函数、惩罚因子、核参数和目标函数；
步骤3.2，初始化粒子群，确定粒子群中的粒子数量以及各粒子的初始位置和初始速度，设置优化过程中支持向量回归机的收敛条件；
步骤3.3，将训练集中的属性样本随机输入至支持向量回归机中，训练支持向量回归机预测岩性敏感测井属性，通过更新粒子群中各粒子的适应度，将各粒子的当前位置作为支持向量回归机的输入参数，获取当前支持向量回归机的目标函数值；
步骤3.4，更新粒子群中的全局最优粒子，获取全局最优解后，针对粒子群中各粒子，利用粒子的适应度结合全局最优粒子的位置，更新粒子群中各粒子的位置和速度；
步骤3.5，判断当前支持向量回归机的目标函数值是否满足预设收敛条件，若满足预设条件，则根据当前全局最优粒子的位置设置支持向量回归机的惩罚因子和核参数，进入步骤3.6，否则，则返回步骤3.3中继续优化支持向量回归机；
步骤3.6，完成对支持向量回归机的优化，得到用于预测岩性敏感测井属性的PSO-SVR模型。
优选地，所述步骤4中，从测试集中随机选取属性样本，将属性样本中的特征数据输入至PSO-SVR模型中，利用PSO-SVR模型预测得到岩性敏感测井属性，并与属性样本上的标签进行对比，验证PSO-SVR模型的预测效果。
优选地，所述步骤5中，包括以下步骤：
步骤5.1，将待预测层位各位置处的地震数据输入至PSO-SVR模型中进行预测，得到待预测层位各位置处的岩性敏感测井属性值，将待预测层位中各位置提取为数据点，获取各数据点的位置坐标和岩性敏感测井属性值、纵横波速度比、吸收品质因子和60Hz频率成分，构建包括岩性敏感测井属性数据集、纵横波速度比数据集、吸收品质因子数据集和60Hz频率成分数据集的层位聚类样本集；
步骤5.2，对层位聚类样本集中的数据集各进行聚类分析，根据待划分的岩性类型数量设置聚类分析的输出类簇数量，将层位聚类样本集中的各数据集分别作为一个类簇；
步骤5.3，计算层位聚类样本集中各类簇之间的距离，将距离最小的两个类簇合并形成新类簇后，获取当下层位聚类样本集中的类簇数量；
步骤5.4，若当前层位聚类样本集中的类簇数量等于预设的输出类簇数量，则进入步骤5.5，否则，则返回步骤5.3中继续进行聚类分析；
步骤5.5，输出聚类分析得到类簇，同一类簇内数据点的岩性划分结果相同，获取各类簇中数据点的位置并进行岩性标记，对待预测层位的岩性标记可视化后，得到待预测层位的岩性划分效果图。
本发明所带来的有益技术效果为：
本发明方法提出了一种基于多学科数据融合聚类算法的储层岩性预测方法，通过在地质数据导向下将地震数据与测井数据相融合，利用粒子群优化方法对支持向量回归机进行优化后，准确获取岩性敏感测井属性，并与待预测层位勘探资料中的多种测量数据进行聚类分析，实现了对待预测层位岩性的准确划分及可视化，充分综合了区域的地震数据信息和测井数据信息，减少了岩性划分所涉及的属性参数，既大幅度降低了岩性识别的计算量，缩短了岩性识别用时，又实现了储层岩性的准确划分，为指导储层的后续开发提供了依据。
附图说明
图1为本发明基于多学科数据融合聚类算法的储层岩性预测方法的流程图。
图2为采用粒子群优化方法优化支持向量回归机的流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步详细描述。
本实施例公开了一种基于多学科数据融合聚类算法的储层岩性预测方法，如图1所示，具体包括以下步骤：
步骤1，基于储层的测井属性、地震属性和地质属性，获取包括测井数据、地震数据和地质数据的储层原始数据，构建初始样本集，包括以下步骤：
步骤1.1，获取储层原始数据，包括储层的测井数据、地震数据和地质数据，其中，所述测井数据包括自然伽马值、自然电位值和渗透率值，所述地震数据包括叠前反演得到的纵横波速度比、叠后振幅数据和部分井旁地震数据，所述地质数据为岩性。
步骤1.2，将测井数据和地质数据由深度阈转换至时间阈，并按时间间隔2ms进行重采样，得到34种数据样本，构建初始样本集，本实施例中初始样本集中包括34种属性数据，其中，7种测井数据、26种地震数据和1种地质数据。
步骤2，基于初始样本集，通过对各测井属性与目标岩性进行皮尔森相关性分析，利用对岩性敏感的测井属性提取地震属性作为属性样本，构建属性样本集，包括以下步骤：
步骤2.1，根据测井数据和地质数据，对所有测井属性与目标岩性之间进行皮尔森相关性分析，计算各测井属性的皮尔森相关系数并按降序排列，提取排名位于前2名的测井属性，得到两个岩性敏感测井属性，包括第一岩性敏感测井属性和第二岩性敏感测井属性，对应孔隙度和渗透率，即本实施例中优选孔隙度和渗透率作为岩性敏感测井属性，与岩性相关度较高，其中，孔隙度与岩性之间的相关度为0.84、渗透率与岩性之间的相关度为0.71。
步骤2.2，删除掉地震数据中的缺失数据后，对所有地震数据与各岩性相关测井属性之间进行皮尔森相关性分析，构建初始样本集的相关度矩阵，根据各地震属性的皮尔森相关系数进行筛选，得到与岩性敏感测井属性相关的地震属性作为属性样本，属性样本中将地震属性作为特征数据、将岩性敏感测井属性作为标签，对各属性样本进行标准化处理，构建属性样本集。
本实施例中，根据初始样本集的相关度矩阵进行选择，得到与第一岩性敏感测井属性相关度较高的地震属性为波极值、波最大值、波最小值、波零点间距、60Hz频率成分以及与第二岩性敏感测井属性相关度较高的地震属性为波最大值、波最小值、波零点间距和60Hz频率成分。
步骤2.3，将属性样本集中的属性样本随机分配至训练集和测试集中，本实施例中训练集与测试集中的样本数量比为8:2。
步骤3，构建支持向量回归机，采用粒子群优化方法利用训练集中的属性样本优化支持向量回归机，如图2所示，得到用于预测岩性敏感测井属性的PSO-SVR模型，包括以下步骤：
步骤3.1，构建支持向量回归机，设置支持向量回归机的核函数、惩罚因子、核参数和目标函数。
本实施例中，PSO-SVR模型的核函数设置为径向基函数，用于处理高维数据和实现非线性映射；所述惩罚因子的取值范围为[1,10]，核参数的取值范围为[0.0001,0.5]，所述目标函数采用均方根误差，用于交叉验证防止出现过拟合问题。
步骤3.2，初始化粒子群，粒子群中各粒子的位置表示预测参数值、速度表示预测参数的变化方向和速率，确定粒子群中的粒子数量以及各粒子的初始位置和初始速度，设置优化过程中支持向量回归机的收敛条件。
本实施例中粒子群中的粒子数量设置为500，预设支持向量回归机的收敛条件为优化次数达到预设的最大迭代次数1000次，粒子群中设置粒子朝向当前粒子历史最优位置方向飞行的权重为10，利用粒子群中的粒子寻找支持向量回归机中惩罚因子和核参数的最优值。
步骤3.3，将训练集中的属性样本随机输入至支持向量回归机中，训练支持向量回归机预测岩性敏感测井属性，通过更新粒子群中各粒子的适应度，将各粒子的当前位置作为支持向量回归机的输入参数，获取当前支持向量回归机的目标函数值。
步骤3.4，更新粒子群中的全局最优粒子，获取全局最优解后，针对粒子群中各粒子，利用粒子的适应度结合全局最优粒子的位置，更新粒子群中各粒子的位置和速度。
步骤3.5，判断当前支持向量回归机的目标函数值是否满足预设收敛条件，若满足预设条件，则根据当前全局最优粒子的位置设置支持向量回归机的惩罚因子和核参数，进入步骤3.6，否则，则返回步骤3.3中继续优化支持向量回归机。
步骤3.6，完成对支持向量回归机的优化，得到用于预测岩性敏感测井属性的PSO-SVR模型。
步骤4，利用测试集中的属性样本评估PSO-SVR模型的预测效果。
本实施例中，从测试集中随机选取属性样本，将属性样本中的特征数据输入至PSO-SVR模型中，利用PSO-SVR模型预测得到岩性敏感测井属性，并与属性样本上的标签进行对比，验证PSO-SVR模型的预测效果。
步骤5，获取待预测层位的地震数据，将待预测层位的地震数据输入至PSO-SVR模型中，利用PSO-SVR模型预测得到岩性敏感测井属性，再结合待预测层位的勘探资料进行聚类分析，划分待预测层位的岩性并进行可视化，得到待预测层位的岩性划分效果图，包括以下步骤：
步骤5.1，将待预测层位各位置处的地震数据输入至PSO-SVR模型中进行预测，得到待预测层位各位置处的岩性敏感测井属性值，将待预测层位中各位置提取为数据点，获取各数据点的位置坐标和岩性敏感测井属性值、纵横波速度比、吸收品质因子和60Hz频率成分，构建包括岩性敏感测井属性数据集、纵横波速度比数据集、吸收品质因子数据集和60Hz频率成分数据集的层位聚类样本集。
本实施例中，层位聚类样本集中共含有五个数据集，分别为第一岩性敏感测井属性数据集、第二岩性敏感测井属性数据集、纵横波速度比数据集、吸收品质因子数据集和60Hz频率成分数据集。
步骤5.2，对层位聚类样本集中的数据集各进行聚类分析，根据待划分的岩性类型数量设置聚类分析的输出类簇数量为2，将层位聚类样本集中的各数据集分别作为一个类簇，共形成5个类簇。
步骤5.4，若当前层位聚类样本集中的类簇数量为2，则进入步骤5.5，否则，则返回步骤5.3中继续进行聚类分析。
步骤5.5，输出聚类分析得到两个类簇，同一类簇内数据点的岩性划分结果相同，在第一个类簇内各数据点的位置处标记泥岩，在第二个类簇内各数据点的位置处标记砂岩，对待预测层位进行岩性标记后，通过对泥岩和砂岩划分结果采用不同颜色显示进行可视化，得到待预测层位的岩性划分效果图。
在本发明描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (6)
1.基于多学科数据融合聚类算法的储层岩性预测方法，其特征在于，包括以下步骤：
步骤1，基于储层的测井属性、地震属性和地质属性，获取包括测井数据、地震数据和地质数据的储层原始数据，构建初始样本集；
步骤2，基于初始样本集，通过对各测井属性与目标岩性进行皮尔森相关性分析，利用对岩性敏感的测井属性提取地震属性作为属性样本，构建包括训练集和测试集的属性样本集；
步骤3，构建支持向量回归机，采用粒子群优化方法利用训练集中的属性样本优化支持向量回归机，得到用于预测岩性敏感测井属性的PSO-SVR模型；
步骤4，利用测试集中的属性样本评估PSO-SVR模型的预测效果；
步骤5，获取待预测层位的地震数据，将待预测层位的地震数据输入至PSO-SVR模型中，利用PSO-SVR模型预测得到岩性敏感测井属性，再结合待预测层位的勘探资料进行聚类分析，划分待预测层位的岩性并进行可视化，得到待预测层位的岩性划分效果图。
2.根据权利要求1所述的基于多学科数据融合聚类算法的储层岩性预测方法，其特征在于，所述步骤1中，包括以下步骤：
步骤1.1，获取储层原始数据，包括储层的测井数据、地震数据和地质数据，其中，所述测井数据包括自然伽马值、自然电位值和渗透率值，所述地震数据包括叠前反演得到的纵横波速度比、叠后振幅数据和部分井旁地震数据；
步骤1.2，将测井数据和地质数据由深度域转换至时间域，并按预设时间间隔进行重采样，得到数据样本，构建初始样本集。
3.根据权利要求2所述的基于多学科数据融合聚类算法的储层岩性预测方法，其特征在于，所述步骤2中，包括以下步骤：
步骤2.1，根据测井数据和地质数据，对所有测井属性与目标岩性之间进行皮尔森相关性分析，计算各测井属性的皮尔森相关系数并按降序排列，提取排名位于前n名的测井属性，得到多个岩性敏感测井属性；
步骤2.2，对所有地震数据与各岩性相关测井属性之间进行皮尔森相关性分析，构建初始样本集的相关度矩阵，根据各地震属性的皮尔森相关系数进行筛选，得到与岩性敏感测井属性相关的地震属性作为属性样本，属性样本中将地震属性作为特征数据、将岩性敏感测井属性作为标签，对各属性样本进行标准化处理，构建包括训练集和测试集的属性样本集。
4.根据权利要求1所述的基于多学科数据融合聚类算法的储层岩性预测方法，其特征在于，所述步骤3中，包括以下步骤：
步骤3.1，构建支持向量回归机，设置支持向量回归机的核函数、惩罚因子、核参数和目标函数；
步骤3.2，初始化粒子群，确定粒子群中的粒子数量以及各粒子的初始位置和初始速度，设置优化过程中支持向量回归机的收敛条件；
步骤3.3，将训练集中的属性样本随机输入至支持向量回归机中，训练支持向量回归机预测岩性敏感测井属性，通过更新粒子群中各粒子的适应度，将各粒子的当前位置作为支持向量回归机的输入参数，获取当前支持向量回归机的目标函数值；
步骤3.4，更新粒子群中的全局最优粒子，获取全局最优解后，针对粒子群中各粒子，利用粒子的适应度结合全局最优粒子的位置，更新粒子群中各粒子的位置和速度；
步骤3.5，判断当前支持向量回归机的目标函数值是否满足预设收敛条件，若满足预设条件，则根据当前全局最优粒子的位置设置支持向量回归机的惩罚因子和核参数，进入步骤3.6，否则，则返回步骤3.3中继续优化支持向量回归机；
步骤3.6，完成对支持向量回归机的优化，得到用于预测岩性敏感测井属性的PSO-SVR模型。
5.根据权利要求1所述的基于多学科数据融合聚类算法的储层岩性预测方法，其特征在于，所述步骤4中，从测试集中随机选取属性样本，将属性样本中的特征数据输入至PSO-SVR模型中，利用PSO-SVR模型预测得到岩性敏感测井属性，并与属性样本上的标签进行对比，验证PSO-SVR模型的预测效果。
6.根据权利要求1所述的基于多学科数据融合聚类算法的储层岩性预测方法，其特征在于，所述步骤5中，包括以下步骤：
步骤5.1，将待预测层位各位置处的地震数据输入至PSO-SVR模型中进行预测，得到待预测层位各位置处的岩性敏感测井属性值，将待预测层位中各位置提取为数据点，获取各数据点的位置坐标和岩性敏感测井属性值、纵横波速度比、吸收品质因子和60Hz频率成分，构建包括岩性敏感测井属性数据集、纵横波速度比数据集、吸收品质因子数据集和60Hz频率成分数据集的层位聚类样本集；
步骤5.2，对层位聚类样本集中的数据集各进行聚类分析，根据待划分的岩性类型数量设置聚类分析的输出类簇数量，将层位聚类样本集中的各数据集分别作为一个类簇；
步骤5.3，计算层位聚类样本集中各类簇之间的距离，将距离最小的两个类簇合并形成新类簇后，获取当下层位聚类样本集中的类簇数量；
步骤5.4，若当前层位聚类样本集中的类簇数量等于预设的输出类簇数量，则进入步骤5.5，否则，则返回步骤5.3中继续进行聚类分析；
步骤5.5，输出聚类分析得到类簇，同一类簇内数据点的岩性划分结果相同，获取各类簇中数据点的位置并进行岩性标记，对待预测层位的岩性标记可视化后，得到待预测层位的岩性划分效果图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311777401.3A CN117452518B (zh) | 2023-12-22 | 2023-12-22 | 基于多学科数据融合聚类算法的储层岩性预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311777401.3A CN117452518B (zh) | 2023-12-22 | 2023-12-22 | 基于多学科数据融合聚类算法的储层岩性预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117452518A CN117452518A (zh) | 2024-01-26 |
| CN117452518B true CN117452518B (zh) | 2024-03-19 |
Family
ID=89591541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311777401.3A Active CN117452518B (zh) | 2023-12-22 | 2023-12-22 | 基于多学科数据融合聚类算法的储层岩性预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117452518B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2011148308A (ru) * | 2011-11-28 | 2012-02-27 | Александр Алексеевич Архипов (RU) | Способ комплексной обработки геофизических данных и технологическая система "литоскан" для его осуществления |
| CN103617147A (zh) * | 2013-11-27 | 2014-03-05 | 中国地质大学（武汉） | 一种矿井突水水源层识别方法 |
| CN105388531A (zh) * | 2015-10-19 | 2016-03-09 | 成都理工大学 | 一种基于支持向量回归机和核fisher分析的岩性识别方法 |
| CN106556863A (zh) * | 2015-09-29 | 2017-04-05 | 中国石油天然气股份有限公司 | 基于深度域叠前角道集的孔隙度预测方法 |
| CN109948825A (zh) * | 2018-11-12 | 2019-06-28 | 中国石油大学(华东) | 基于改进PSO与Adaboost结合的有利储层发育区预测方法 |
| CN113267816A (zh) * | 2021-05-27 | 2021-08-17 | 北京珠玛阳光科技有限公司 | 一种基于小样本机器学习地震测井超高分辨率数据融合实现方法 |
| CN115809411A (zh) * | 2022-12-13 | 2023-03-17 | 常州大学 | 一种基于测井数据的改进型决策树岩性识别方法 |
| CN116305850A (zh) * | 2023-02-23 | 2023-06-23 | 青岛海洋地质研究所 | 一种基于随机森林模型的地层热导率预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9128203B2 (en) * | 2011-09-28 | 2015-09-08 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
| US20190251458A1 (en) * | 2018-02-15 | 2019-08-15 | Institute For Development And Research In Banking Technology | System and method for particle swarm optimization and quantile regression based rule mining for regression techniques |
-
2023
- 2023-12-22 CN CN202311777401.3A patent/CN117452518B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2011148308A (ru) * | 2011-11-28 | 2012-02-27 | Александр Алексеевич Архипов (RU) | Способ комплексной обработки геофизических данных и технологическая система "литоскан" для его осуществления |
| CN103617147A (zh) * | 2013-11-27 | 2014-03-05 | 中国地质大学（武汉） | 一种矿井突水水源层识别方法 |
| CN106556863A (zh) * | 2015-09-29 | 2017-04-05 | 中国石油天然气股份有限公司 | 基于深度域叠前角道集的孔隙度预测方法 |
| CN105388531A (zh) * | 2015-10-19 | 2016-03-09 | 成都理工大学 | 一种基于支持向量回归机和核fisher分析的岩性识别方法 |
| CN109948825A (zh) * | 2018-11-12 | 2019-06-28 | 中国石油大学(华东) | 基于改进PSO与Adaboost结合的有利储层发育区预测方法 |
| CN113267816A (zh) * | 2021-05-27 | 2021-08-17 | 北京珠玛阳光科技有限公司 | 一种基于小样本机器学习地震测井超高分辨率数据融合实现方法 |
| CN115809411A (zh) * | 2022-12-13 | 2023-03-17 | 常州大学 | 一种基于测井数据的改进型决策树岩性识别方法 |
| CN116305850A (zh) * | 2023-02-23 | 2023-06-23 | 青岛海洋地质研究所 | 一种基于随机森林模型的地层热导率预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| Ensemble Learning Based Sustainable Approach to Carbonate Reservoirs Permeability Prediction;Dhiaa A. Musleh;MDPI;20230930;全文 * |
| Research on identification model of element logging shale formation based on IPSO-SVM;He Zhang等;Journal Pre-proof;20211231;全文 * |
| 基于PSO-SVM的测井岩性识别方法研究-以南图尔盖盆地K油田古生界（Pz）储层为例;李曦等;地球物理学进展;20221231;全文 * |
| 基于支持向量机的时深建模方法;袁航;谢玮;毕臣臣;岳占伟;刘伟;刘学清;;大庆石油地质与开发;20180601(第03期);全文 * |
| 基于改进集成学习的测井岩性识别方法研究;罗仁泽;石油物探;20230331;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117452518A (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA3122686C (en) | Automated reservoir modeling using deep generative networks | |
| CN109061765B (zh) | 非均质薄砂岩互层油藏的圈闭评价方法 | |
| US5838634A (en) | Method of generating 3-D geologic models incorporating geologic and geophysical constraints | |
| CN106707340A (zh) | 一种火山岩岩相的预测方法 | |
| CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
| CN117452518B (zh) | 基于多学科数据融合聚类算法的储层岩性预测方法 | |
| CN107133670A (zh) | 一种基于决策树数据挖掘算法的复杂岩性识别方法及系统 | |
| Wood | Gamma-ray log derivative and volatility attributes assist facies characterization in clastic sedimentary sequences for formulaic and machine learning analysis. | |
| CN107807410A (zh) | 储层地球物理敏感参数优选方法及系统 | |
| CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
| Lee et al. | Improving total organic carbon estimation for unconventional shale reservoirs using Shapley value regression and deep machine learning methods | |
| CN114137610B (zh) | 联合监督和非监督学习的低勘探区地层和岩性地震评价方法 | |
| CN115755215A (zh) | 一种地质知识引导的智能化油气储层预测方法 | |
| CN113484907B (zh) | 一种预测不同类型储层平面上分布的方法 | |
| Bertoncello | Conditioning surface-based models to well and thickness data | |
| CN115880455A (zh) | 基于深度学习的三维智能插值方法 | |
| CN112394392B (zh) | 对烃源岩分布情况进行评价的方法和装置 | |
| CN112147676A (zh) | 一种煤层及夹矸厚度预测方法 | |
| CN113514884A (zh) | 一种致密砂岩储层预测方法 | |
| Song et al. | Reservoir lithology identification based on improved adversarial learning | |
| US11905809B2 (en) | Determining reservoir heterogeneity for optimized drilling location | |
| Li et al. | The application of semi-supervised geobody detection technique using multiple seismic attributes in petroleum exploration | |
| Wang et al. | Lithological Reservoir Exploration Technology | |
| Iloghalu | Application of neural networks technique in lithofacies classifications used for 3-D reservoir geological modelling and exploration studies: a novel computer-based methodology for depositional environment interpretation | |
| Zhang et al. | Deep Subsurface Pseudo-Lithostratigraphic Modeling Based on Three-Dimensional Convolutional Neural Network (3D CNN) Using Inversed Geophysical Properties and Shallow Subsurface Geological Model |
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 |