CN117634301A - 一种预测碎屑岩储层流动单元类型的方法及设备 - Google Patents
一种预测碎屑岩储层流动单元类型的方法及设备 Download PDFInfo
- Publication number
- CN117634301A CN117634301A CN202311657901.3A CN202311657901A CN117634301A CN 117634301 A CN117634301 A CN 117634301A CN 202311657901 A CN202311657901 A CN 202311657901A CN 117634301 A CN117634301 A CN 117634301A
- Authority
- CN
- China
- Prior art keywords
- flow unit
- reservoir flow
- data
- predicting
- reservoir
- 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 32
- 239000011435 rock Substances 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000007637 random forest analysis Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000001419 dependent effect Effects 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims abstract description 3
- 230000035699 permeability Effects 0.000 claims description 24
- 239000011148 porous material Substances 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 8
- 230000032798 delamination Effects 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000003365 glass fiber Substances 0.000 claims 1
- 238000002834 transmittance Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 3
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 208000035126 Facies Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
Classifications
-
- 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
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种预测碎屑岩储层流动单元类型的方法，根据岩心实测数据计算储层流动单元指数FZI，进而得到累计概率分布图，将储层流动单元划为3类，得到第一测井数据；以第一测井数据作为自变量，3类储层流动单元作为因变量，去除数据中异常值，将自变量与因变量数据进行交汇图分析，筛选出区分三类流动单元的测井参数作为第二测井数据；根据第二测井数据，划分训练集和测试集，利用训练集对随机森林模型进行训练；绘制混淆矩阵计算正确率，利用测试集进行模型评价，得到最优的随机森林模型，用于对实际碎屑岩储层流动单元类型进行预测。本发明的有益效果是：有效地预测了未取芯段的储层流动单元类型，明确储层特征，为下一步勘探开发奠定基础。
Description
技术领域
本发明涉及碎屑岩储层流动单元类型预测领域，尤其涉及一种预测碎屑岩储层流动单元类型的方法及设备。
背景技术
流动单元的研究，对进一步细分深层/超深层储层、预测深层/超深层储层分布和性质，提高渗透率解释精度和油藏数值模拟精度，揭示剩余油分布规律等方面具有重要的理论意义和适用价值。目前，划分流动单元方法有三大类：1、露头沉积界面研究方法；2、以地质研究为主的流动单元划分：a、沉积相法，b、储层层次分析法，c、非均质综合指数法；3、以数学手段为主的储层参数流动单元划分：a、流动分层指数(FZI)法，b、孔喉几何形状(R35)法，c、多参数综合法，d、生产动态参数法等。深层/超深层储层非均质性强，上述方法划分结果往往只能表征取芯段储层流动单元特征。因此，前人往往使用判别分析法、概率统计法等去预测未取芯段流动单元类型，但精确度有待提高。
发明内容
为了更精确更快捷地预测未取芯段的储层流动特征，本发明提供了一种预测碎屑岩储层流动单元类型的方法，主要包括以下步骤：
S1：收集岩心实测数据和原始测井数据，该岩心实测数据包括孔隙度、渗透率，根据岩心实测数据计算储层流动单元指数FZI，根据储层流动单元指数FZI得到累计概率分布图，将储层流动单元划为3类，按照深度关系将原始测井数据和储层流动单元进行匹配，得到对应的第一测井数据；
S2：以所述第一测井数据作为自变量，3类储层流动单元作为因变量，去除数据中异常值，将自变量与因变量数据进行交汇图分析，筛选出能够区分三类流动单元的测井参数作为第二测井数据；
S3：根据所述第二测井数据，划分训练集和测试集，利用所述训练集和测试集对建立的随机森林模型进行训练和验证；
S4：根据训练结果和验证结果绘制混淆矩阵来计算正确率，进行模型评价，得到最优的随机森林模型，用于对实际碎屑岩储层流动单元类型进行预测。
进一步地，步骤S1中，储层流动单元指数FZI的计算公式如下：
式中：FZI为流动单元指数，RQI为储层质量指数，k为渗透率，为孔隙度，/>为孔隙体积和颗粒体积的比值。
进一步地，第二测井数据包括中子CNL、井径CAL、声波时差DT、自然伽马GR、密度DEN、浅侧向电阻RS、深侧向电阻RD和自然电位SP。
进一步地，步骤S3中，随机森林模型模型建立时，调整决策树的数量，设置每个叶节点的最小样本数，开启OOB误差预测用以计算随机森林模型的精度。
进一步地，3类储层流动单元具体为：第Ⅰ类储层流动分层指数小于0.1，平均孔隙度为6.80％，平均渗透率为0.252mD，属于“低孔超低渗”储层；第Ⅱ类储层流动分层指数0.1-0.5，平均孔隙度为7.65％，平均渗透率为7.135mD，属于“低孔低渗”储层；第Ⅲ类储层流动感单元指数＞0.5，平均孔隙度为6.23％，平均渗透率为14.832mD，属于“低孔中渗”储层。
一种存储设备，所述存储设备存储指令及数据用于实现一种预测碎屑岩储层流动单元类型的方法。
一种预测碎屑岩储层流动单元类型的设备，包括：处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现一种预测碎屑岩储层流动单元类型的方法。
本发明提供的技术方案带来的有益效果是：本发明根据统计学原理，收集岩心薄片资料和原始测井数据得到岩心实测数据，该岩心实测数据包括孔隙度、渗透率，根据岩心实测数据计算储层流动单元指数FZI，利用计算出的流动单元指数FZI累计概率分布图，划分流动单元类型。以测井数据作为自变量，3类储层流动单元作为因变量，去除数据中异常值，将自变量与因变量数据进行相关性分析，结合机器学习方法，得到最优的随机森林模型，用于对实际碎屑岩储层流动单元类型进行预测，达到快速预测未取芯段储层流动单元类型的目的，明确储层特征，为下一步勘探开发奠定基础，且相对于传统预测未取芯段的储层流动方法，精确度更高，更快捷。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种预测碎屑岩储层流动单元类型的方法的流程图。
图2是本发明实施例中累计概率分布图。
图3是本发明实施例中使用训练集和测试集得到的预测值与真实值的对比图。
图4是本发明实施例中全井段流动单元分布图。
图5是本发明实施例中硬件设备工作的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种预测碎屑岩储层流动单元类型的方法及设备。
请参考图1，图1是本发明实施例中一种预测碎屑岩储层流动单元类型的方法的流程图，具体包括：
S1：收集岩心实测数据和原始测井数据，根据岩心实测数据(孔隙度、渗透率)计算储层流动单元指数FZI，并根据累计概率分布图将流动单元划为3类，按照深度关系将原始测井数据和储层流动单元进行匹配，并整理好对应的测井数据(即第一测井数据)，如表1所示：
表1
S2：以第一测井数据作为自变量，3类储层流动单元作为因变量，去除数据中异常值，如一列数据都是2.23左右，突然出现一个数据9999，这个9999就是因为测井导致的异常数值，将自变量与因变量数据进行交汇图分析，筛选出能够区分三类流动单元的测井参数作为第二测井数据；
S3：利用matlab语言建立随机森林模型，根据所述第二测井数据，划分训练集和测试集，导入数据，进行模型训练；
S4：根据训练结果和验证结果绘制混淆矩阵计算正确率，进行模型评价，训练出最优模型。
步骤S1中：收集整理岩心实测数据，包括孔隙度、渗透率，所述流动单元指数(FZI)通过下式进行计算。
式中：FZI为流动单元指数，无量纲；RQI为储层质量指数，无量纲；k为渗透率，mD，为孔隙度，％；/>为孔隙体积和颗粒体积的比值。
根据统计学原理，利用计算出的流动单元指数FZI制作如图2所示的累计概率分布图。可以看出图中明显存在多条不同斜率分布的曲线，将不同斜率曲线的交点作为流动单元划分的界限值，划分为3个流动单元，3类流动单元的具体参数如表1所示，第Ⅰ类储层流动分层指数小于0.1，平均孔隙度为6.80％，平均渗透率为0.252mD，属于“低孔超低渗”储层；第Ⅱ类储层流动分层指数在0.1-0.5内，平均孔隙度为7.65％，平均渗透率为7.135mD，属于“低孔低渗”储层；第Ⅲ类储层流动感单元指数＞0.5，平均孔隙度为6.23％，平均渗透率为14.832mD，属于“低孔中渗”储层；第Ⅲ类储层微裂缝发育。
步骤S2中：将自变量与因变量数据进行交汇图分析，筛选出能够较好区分三类流动单元的测井参数作为第二测井数据，具体参数包括但不限于：中子CNL、井径CAL、声波时差DT、自然伽马GR、密度DEN、浅侧向电阻RS、深侧向电阻RD、自然电位SP等。
步骤S3中：1、首先清空环境变量，导入数据。2、将流动单元类型以及对应第二测井数据划分为训练集和测试集：随机打乱数据，取前某某个样本作为训练集，剩下的样本作为测试集；并将训练集和测试集的输入和输出数据进行归一化处理，使其值在0和1之间。3、随机森林模型建立：调整决策树的数量，每个叶节点的最小样本数，开启OOB误差预测用以计算随机森林模型的精度。4、随机森林模型训练：打开MATLAB的神经网络训练窗口，使用训练集对神经网络进行训练，随后将使用训练好的神经网络对训练集和测试集进行预测。并进行数据排序以便于绘图。
步骤S4中：绘制混淆矩阵计算正确率，进行随机森林模型评价，训练出最优的随机森林模型，本实施例中以训练集和测试集分类正确率都大于90％时为最优模型。图3中，训练集正确率为93.33％，测试集正确率为96.00％，表明最优的随机森林模型拟合效果较好，正确率较高。利用最优的随机森林模型进行预测，得到如图4所示的全井段流动单元分布，有效地预测了未取芯段的储层流动特征。
请参见图5，图5是本发明实施例的硬件设备工作示意图，所述硬件设备具体包括：一种预测碎屑岩储层流动单元类型的设备401、处理器402及存储设备403。
一种预测碎屑岩储层流动单元类型的设备401：所述一种预测碎屑岩储层流动单元类型的设备401实现所述一种预测碎屑岩储层流动单元类型的方法。
处理器402：所述处理器402加载并执行所述存储设备403中的指令及数据用于实现所述一种预测碎屑岩储层流动单元类型的方法。
存储设备403：所述存储设备403存储指令及数据；所述存储设备403用于实现所述一种预测碎屑岩储层流动单元类型的方法。
本发明的有益效果是：本发明根据统计学原理，收集岩心薄片资料和原始测井数据得到岩心实测数据，该岩心实测数据包括孔隙度、渗透率，根据岩心实测数据计算储层流动单元指数FZI，利用计算出的流动单元指数FZI累计概率分布图，划分流动单元类型。以测井数据作为自变量，3类储层流动单元作为因变量，去除数据中异常值，将自变量与因变量数据进行相关性分析，结合机器学习方法，得到最优的随机森林模型，用于对实际碎屑岩储层流动单元类型进行预测，达到快速预测未取芯段储层流动单元类型的目的，明确储层特征，为下一步勘探开发奠定基础，且相对于传统预测未取芯段的储层流动方法，精确度更高，更快捷。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种预测碎屑岩储层流动单元类型的方法，其特征在于：包括：
S1：收集岩心实测数据和原始测井数据，该岩心实测数据包括孔隙度、渗透率，根据岩心实测数据计算储层流动单元指数FZI，根据储层流动单元指数FZI得到累计概率分布图，将储层流动单元划为3类，按照深度关系将原始测井数据和储层流动单元进行匹配，得到对应的第一测井数据；
S2：以所述第一测井数据作为自变量，3类储层流动单元作为因变量，去除数据中异常值，将自变量与因变量数据进行交汇图分析，筛选出能够区分三类流动单元的测井参数作为第二测井数据；
S3：根据所述第二测井数据，划分训练集和测试集，利用所述训练集和测试集对建立的随机森林模型进行训练和验证；
S4：根据训练结果和验证结果绘制混淆矩阵来计算正确率，进行模型评价，得到最优的随机森林模型，用于对实际碎屑岩储层流动单元类型进行预测。
2.如权利要求1所述的一种预测碎屑岩储层流动单元类型的方法，其特征在于：步骤S1中，储层流动单元指数FZI的计算公式如下：
式中：FZI为流动单元指数，RQI为储层质量指数，k为渗透率，为孔隙度，/>为孔隙体积和颗粒体积的比值。
3.如权利要求1所述的一种预测碎屑岩储层流动单元类型的方法，其特征在于：第二测井数据包括中子CNL、井径CAL、声波时差DT、自然伽马GR、密度DEN、浅侧向电阻RS、深侧向电阻RD和自然电位SP。
4.如权利要求1所述的一种预测碎屑岩储层流动单元类型的方法，其特征在于：步骤S3中，随机森林模型模型建立时，调整决策树的数量，设置每个叶节点的最小样本数，开启OOB误差预测用以计算随机森林模型的精度。
5.如权利要求1所述的一种预测碎屑岩储层流动单元类型的方法，其特征在于：3类储层流动单元具体为：第Ⅰ类储层流动分层指数小于0.1，平均孔隙度为6.80％，平均渗透率为0.252mD，属于“低孔超低渗”储层；第Ⅱ类储层流动分层指数0.1-0.5，平均孔隙度为7.65％，平均渗透率为7.135mD，属于“低孔低渗”储层；第Ⅲ类储层流动感单元指数＞0.5，平均孔隙度为6.23％，平均渗透率为14.832mD，属于“低孔中渗”储层。
6.一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现权利要求1～5任一项所述的预测碎屑岩储层流动单元类型的方法。
7.一种预测碎屑岩储层流动单元类型的设备，其特征在于：包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1～5任一项所述的预测碎屑岩储层流动单元类型的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311657901.3A CN117634301A (zh) | 2023-12-04 | 2023-12-04 | 一种预测碎屑岩储层流动单元类型的方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311657901.3A CN117634301A (zh) | 2023-12-04 | 2023-12-04 | 一种预测碎屑岩储层流动单元类型的方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117634301A true CN117634301A (zh) | 2024-03-01 |
Family
ID=90024982
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311657901.3A Pending CN117634301A (zh) | 2023-12-04 | 2023-12-04 | 一种预测碎屑岩储层流动单元类型的方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117634301A (zh) |
-
2023
- 2023-12-04 CN CN202311657901.3A patent/CN117634301A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
| CN104533400B (zh) | 一种重构测井曲线的方法 | |
| CN111425193B (zh) | 一种基于聚类分析测井岩石物理相划分的储层可压性评价方法 | |
| CN105760673B (zh) | 一种河流相储层地震敏感参数模板分析方法 | |
| CN108897975A (zh) | 基于深度信念网络的煤层气测井含气量预测方法 | |
| CN112100930B (zh) | 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 | |
| CN112987125B (zh) | 一种基于测井数据的页岩脆性指数预测方法 | |
| CN112922591B (zh) | 泥页岩储层岩相“甜点”预测方法及系统 | |
| CN103376468A (zh) | 基于神经网络函数逼近算法的储层参数定量表征方法 | |
| 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 | |
| CN106522921B (zh) | 动态约束的随机建模方法及装置 | |
| 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 | |
| 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 | |
| CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
| 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 | |
| CN111155980A (zh) | 一种水流优势通道识别方法及装置 | |
| CN106934725A (zh) | 岩石储层中值半径预测模型建立方法、装置及系统 | |
| CN117131971A (zh) | 基于Xgboost算法的储层优势渗流通道预测方法 | |
| CN116562428A (zh) | 一种基于机器学习的压裂施工参数优化方法 | |
| CN117634301A (zh) | 一种预测碎屑岩储层流动单元类型的方法及设备 | |
| 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 | |
| CN112132416A (zh) | 基于PageRank算法的工程勘察质量精细化评价方法 | |
| CN117575106B (zh) | 一种煤层气井产气剖面预测方法、系统、电子设备及介质 | |
| CN111929744B (zh) | 一种基于Kendall′s系数的多元信息储层分类方法 | |
| CN115961952A (zh) | 一种油气藏内基于组合参数的储层流体综合判别方法 |
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 |