CN117872477A - 人工智能火成岩储层岩性预测方法、系统、设备及介质 - Google Patents
人工智能火成岩储层岩性预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117872477A CN117872477A CN202311476511.6A CN202311476511A CN117872477A CN 117872477 A CN117872477 A CN 117872477A CN 202311476511 A CN202311476511 A CN 202311476511A CN 117872477 A CN117872477 A CN 117872477A
- Authority
- CN
- China
- Prior art keywords
- lithology
- data
- model
- resistivity
- igneous rock
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000011160 research Methods 0.000 claims abstract description 88
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000007637 random forest analysis Methods 0.000 claims abstract description 23
- 230000005484 gravity Effects 0.000 claims abstract description 21
- 238000012706 support-vector machine Methods 0.000 claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 claims description 40
- 230000000704 physical effect Effects 0.000 claims description 34
- 238000012795 verification Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 15
- 239000003208 petroleum Substances 0.000 abstract description 5
- 230000002349 favourable effect Effects 0.000 abstract description 4
- 239000007789 gas Substances 0.000 description 19
- 238000009826 distribution Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005389 magnetism Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000010438 granite Substances 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000005995 Aluminium silicate Substances 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 235000012211 aluminium silicate Nutrition 0.000 description 1
- 238000000418 atomic force spectrum Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- NLYAJNPCOHFWQQ-UHFFFAOYSA-N kaolin Chemical compound O.O.O=[Al]O[Si](=O)O[Si](=O)O[Al]=O NLYAJNPCOHFWQQ-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process 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
- 239000003345 natural gas Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于石油勘探技术领域,公开了一种人工智能火成岩储层岩性预测方法、系统、设备及介质,利用已知岩性的声波时差、密度、电阻率测井数据采用K近邻、支持向量机、随机森林三种模型+GridSearchCV模式,训练、验证、构建人工智能模型,优选测试分数最高的模型作为火成岩储层岩性预测模型;利用地面地震、重力、电磁勘探方法获得研究区速度、密度、电阻率物性特征,进而通过优选的人工智能模型对火成岩储层岩性进行预测。本发明以测井数据进行训练,数据更加真实可靠,且样本数量通常较多,建立的人工智能模型稳定性更好,可靠性更高;本发明能够提升岩性预测结果的精度,对于识别油气有利靶区、部署油气井网、指导油气勘探开发均具有重要意义。
Description
技术领域
本发明属于石油勘探技术领域,尤其涉及一种人工智能火成岩储层岩性预测方法、系统、设备及介质。
背景技术
目前,在石油勘探领域,研究储层岩石岩性分布特征,对于确定油气藏分布、预测油气有利区域、指导油气勘探开发具有重要意义。储层的岩性通常是通过测井方法来确定,即通过研究区已有的声波、电法、放射性等多种测井数据对地层的岩性进行精细划分。对于复杂构造的研究区,特别是火成岩岩性地区,较深的埋藏环境、火山活动的多期旋回、构造断裂的多样性、加之钻井的高成本及研究区有限的井孔数量,导致仅通过测井数据预测整个研究区岩性分布能力不足,难以承担预测区域岩性分布的重任,进而影响油气勘探开发进程。
近年来,随着经济的快速发展,人类对油气资源的依赖程度日益攀升。经过半个多世纪的勘探开发,我国的常规油气资源产能已无法支撑日益增长的经济发展需求,深海、深地、复杂构造、岩性地层、碳酸盐岩、火成岩等领域油气资源勘探开发备受关注。在勘探创新方法、技术、装备的引领下,国内外火成岩油气藏已获得重大突破,日益成为油气勘探的新领域和实现高产稳产的主要研究对象。火成岩通常埋藏较深,加上火山活动多期旋回,研究区地质情况复杂。因此,厘清研究区火成岩岩性特征、岩相分布规律,对于划分油气储层、降低勘探风险、指导勘探开发具有重要意义。
在地球物理勘探方法中,地震勘探是应用最广、最为成熟的方法,凭借其分辨率高、范围大的优势,在探索地下构造、划分地层、圈闭油气藏等方面发挥着重要作用。重磁(重力、磁力)勘探覆盖面积大、成本低廉,在确定盆地、凹陷、断裂空间展布特征以及区域地层和基底结构地质普查方面优势显著。电法勘探的分辨率通常介于地震与重磁方法之间,兼具有较好的垂向分辨率及较大的勘探范围。重磁电震四种勘探方法分别反映了地下介质的不同物性特征,因此充分发挥各方法的优势和特长,能够获得对地下地质体的全面认识,有效降低反演的多解性,提升油气资源勘探的效果。刘云祥、何展翔等(2005),索孝东等(2011)提出利用重磁电勘探资料对火山岩岩性进行综合识别,取得了一定的效果。2015年林会喜、陈学国等提出重磁电震资料综合识别火成岩方法,通过岩心测试分析获得不同岩石密度、磁化率、电阻率、速度数据,以及利用钻井资料得到岩石电阻率、速度数据,采用支持向量机算法建立物性识别模板,再利用重磁电震联合反演储层密度、磁化率,综合识别储层火成岩空间分布。由于目前在石油勘探领域尚无磁法测井仪器可以直接测量储层磁化率或磁力曲线,因此该方案需要在实验室内测量岩心物性参数。然而人工智能算法需要大量样本进行训练以保证预测效果及精度,室内测量样本数据必然耗费大量人力物力,成本高、效率低。
参考文献:
刘云祥,何展翔,张碧涛,等.识别火山岩岩性的综合物探技术.勘探地球物理进展,2006,29(2):115-118.
索孝东,张生,陈德炙.用重磁电异常信息模式识别石炭系火山岩岩性—以准噶尔盆地陆东地区为例.新疆石油地质,2011,32(3):318-320.
林会喜,陈学国,王有涛等.利用重力、磁力、电磁、地震资料综合识别火成岩方法,CN105005097B,2017年7月7日.
发明内容
针对现有技术存在的问题,本发明提供了一种人工智能火成岩储层岩性预测方法、系统、设备及介质。
本发明是这样实现的,一种人工智能火成岩储层岩性预测方法,所述人工智能火成岩储层岩性预测方法通过研究区测井岩性数据统计分析,提取不同岩性岩石的速度、密度、电阻率物性特征,通过人工智能方法建立岩性预测模型;利用研究区地面地震、重力、电磁勘探方法获得研究区的速度、密度、电阻率数据,进而利用测井数据建立的人工智能模型实现对整个研究区火成岩储层岩性预测。
进一步,所述人工智能火成岩储层岩性预测方法,包括以下步骤:
第一步,根据研究区已知测井岩性数据定义岩性标签,对岩性样本数据去畸变处理,建立样本训练集、验证集、测试集;
第二步,利用K近邻、支持向量机、随机森林三种人工智能方法构建模型,结合交叉验证、网格搜索方式获得模型最优参数,优选得分最高的模型作为研究区火成岩岩性预测模型;
第三步,根据研究区重力勘探反演得到的密度数据、地震资料处理得到的速度数据、可控源电磁勘探方法反演得到的电阻率数据,利用最优人工智能模型对目标储层火成岩岩性进行预测。
进一步,所述第一步,具体包括:根据研究区单井或多井测井数据,统计研究目标区域测井密度、速度、电阻率数据及岩性类型,并对已知岩性进行编码,建立岩性编码与密度、声波速度、电阻率一一对应关系,计算每一种岩性、每一类物性的均值:
式中i代表岩性编码;j=1,2,3代表密度、速度、电阻率三种物性特征;xi j即为第i类岩性j种物性的平均值,Ni代表第i类岩性标本的数量;此时不同岩性数据集x包含四列,前三列对应密度、速度、电阻率三种物性特征,第四列对应岩性编码,即:
岩性样本去畸变处理,求取每一类岩性、每一类物性数据的标准差:
式中si j为第i类岩性、第j种物性的标准差。计算每一类岩石样本每种物性数据均值差值与标准差的比值d:
当di j大于2时将xn标记为异常点,综合比较密度、速度、电阻率三种物性数据异常点,剔除数据中的畸变点。
岩性样本数据归一化,将剔除异常点的所有岩性数据整合,得到不同岩性去畸变数据集y,样本总数量为N,即:
前三列对应密度、速度、电阻率三种物性特征,第四列对应岩性编码;按物性特征进行归一化:
式中ymin j表示所有岩性、第j种物性特征样本数据集的最小值,ymax j为相应的最大值;yn j即为第j种物性归一化后的数值,此时的yn j位于[0,1]区间。
进一步,所述第一步,还包括:划分训练集、验证集、测试集。使用人工智能方法进行储层岩性预测,需要对已知岩性编码的样本数据划分训练集、验证集、测试集;训练集是人工智能方法用于训练的数据所组成的集合;验证集是用来验证模型有效性的数据集,用来初步验证模型的好坏;测试集则用来测试模型的性能好坏;
所述第二步,具体包括:根据岩性制定样本训练集、测试集的比例,并使用GridSearchCV网格搜索+交叉验证方式,即在指定的参数范围内,循环遍历模型不同的参数组合,从所有的参数中找到在验证集中精度最高的参数;交叉验证则是将数据集分成k份,取其中一份做测试集,其余部分做训练集训练模型,然后更换测试集,如此重复运行k次,取k次得分的平均值作为最后得分。
进一步,所述第二步,具体包括:基于GridSearchCV方案,选用K近邻、支持向量机、随机森林三种人工智能算法对不同岩性的数据集进行训练、测试,输出每种算法的最终预测得分并保存模型;根据K近邻、支持向量机、随机森林三种算法的预测得分,选择分数最高的模型作为研究区储层岩性预测的最终模型。
进一步,所述第三步,具体包括:速度、密度、电阻率物性特征提取。通过研究区地震资料构建速度模型,将地震速度模型作为初始地电模型,以地震层位信息约束地层边界,以测井数据、岩石物性资料约束电阻率的范围,进行电阻率数据反演,获得研究区地层电阻率模型;将电阻率模型作为初始模型,以研究区测井、岩石物性资料、电阻率与密度的关系作为约束,进行重力数据反演,获得研究区密度模型。
研究区火成岩岩性预测,将获取的密度、速度、电阻率模型数据,使用公式进行归一化,然后使用人工智能算法建立的最优模型进行研究区火成岩储层岩性预测,将预测结果绘制成果图,与研究区已知测井结果进行对比验证预测结果的正确性。
本发明的另一目的在于提供一种计算机设备,所述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,所述计算机程序被所述处理器执行时,使得所述处理器执行所述人工智能火成岩储层岩性预测方法。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述人工智能火成岩储层岩性预测方法。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述人工智能火成岩储层岩性预测方法。
本发明的另一目的在于提供一种基于所述人工智能火成岩储层岩性预测方法的人工智能火成岩储层岩性预测系统,所述人工智能火成岩储层岩性预测系统包括:
集合建立模块,用于根据研究区已知测井岩性数据定义岩性标签,对岩性样本数据去畸变处理,建立样本训练集、验证集、测试集;
模型建立模块,用于利用K近邻、支持向量机、随机森林三种人工智能方法构建模型,结合交叉验证、网格搜索方式获得模型最优参数,优选得分最高的模型作为研究区火成岩岩性预测模型;
数据处理模块,用于根据研究区重力勘探反演得到的密度数据、地震资料处理得到的速度数据、可控源电磁勘探方法反演得到的电阻率数据,利用最优人工智能模型对目标储层火成岩岩性进行预测。
结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
第一、本发明通过研究区测井岩性数据统计分析,提取岩石物性特征,通过人工智能方法建立岩性预测模型;利用研究区地面地震、重力、电磁勘探方法获得研究区的速度、密度、电阻率特征,通过测井数据建立的人工智能模型,实现对整个研究区火成岩储层岩性预测的目的。本发明将测井方法与地面勘探方法相结合,测井方法建立的模型更加精准,地面方法勘探范围更大,充分发挥两种方法的优势,提升储层岩性预测成功率、指导油气勘探开发。
第二,本发明根据研究区已知测井岩性数据定义岩性标签,建立样本训练集、验证集、测试集,通过K近邻、支持向量机、随机森林三种人工智能方法,结合交叉验证、网格搜索方式获得模型最优参数,优选得分最高的模型作为研究区火成岩岩性预测模型。根据研究区重力勘探反演得到的密度数据、地震资料处理得到的速度数据、可控源电磁勘探方法反演得到的电阻率数据,对目标储层火成岩岩性进行预测。
本发明根据不同火成岩岩性密度、速度、电阻率物性参数之间的差异,利用已知岩性的测井曲线数据,通过多种人工智能算法优选储层岩性预测模型。由于测井曲线数据采样率高、精度高,用于训练的样本数量多,模型稳定可靠。再者,通过火成岩三个物性特征即可很好的分辨岩性,在较少的特征数、数万个岩石样本情况下,人工智能算法依然可以获得较高的效率。相比于重磁电震储层火成岩岩性预测方法,需要通过重、磁、电、震四种方法获得岩石的物性属性建立储层岩性预测模型,需要在实验室内搭建储层温度、压力环境测量包括密度、速度、磁化率、电阻率在内的四种物性特征,因为测井方法无法获得储层磁力或磁化率数据,这必然耗费大量的人力、物力,时间长、成本高、效率低。
与现有的储层岩性预测方案相比,本发明具有如下优势:
1、本发明以研究区测井数据为样本进行人工智能模型训练,相比于岩心实验数据来说,所获得的数据是在储层温度、压力、水动力环境下所观测,数据更加真实可靠,且样本数量通常较多,建立的人工智能模型稳定性更好,可靠性更高;
2、本发明选择K近邻、支持向量机、随机森林三种模型+GridSearchCV模式训练、验证、构建人工智能模型,相比于手动调试模型参数方式,速度更快、精度更高。根据三个模型预测结果的最后得分,优选最佳模型作为储层岩性预测模型,提升岩性预测结果的精度;
3、本发明利用研究区地面地震、重力、电磁勘探方法获得研究区速度、密度、电阻率物性特征,进而通过测井数据训练得到的人工智能模型进行火成岩储层岩性预测,预测区域范围大、实用性更强,能够从宏观上展示整个研究区域储层的岩性分布,对于识别油气有利靶区、部署油气井网、指导油气勘探开发,均具有重要意义。
第三,本发明的技术方案转化后的预期收益和商业价值为:本发明的技术方案能够显著提升研究区火成岩岩性预测成功率,通过研究区的岩性分布,能够预测油气勘探有利区域,降低勘探风险,指导油气勘探开发。
本发明的技术方案填补了国内外业内技术空白:本发明利用不同岩性测井数据建立人工智能模型,对通过地面方法获得的储层物性数据进行岩性预测,即测井方法与地面方法相结合,测井方法建立的模型更加精准,地面方法勘探范围更大,充分发挥两种方法的优势,服务油气勘探开发。
第四,使用人工智能进行火成岩储层岩性预测的方法,显著的技术进步主要体现在以下几个方面:
1.增强预测精度:通过使用多种人工智能模型(K近邻、支持向量机、随机森林)并结合交叉验证和网格搜索进行参数优化,此方法能找到最适合数据特性的模型,从而提高了火成岩储层岩性的预测精度。
2.提高预测效率:相比于传统的地质学方法,人工智能模型能在短时间内处理大量数据,并进行快速预测,大大提高了预测效率。
3.更全面的数据利用:此方法不仅使用了测井岩性数据,还结合了重力勘探反演得到的密度数据、地震资料处理得到的速度数据、可控源电磁勘探方法反演得到的电阻率数据,进行综合分析和预测,使得预测结果更为全面和准确。
4.对未知储层的预测能力:在已知部分储层岩性的基础上,此方法能进一步预测未知区域的储层岩性,对于资源勘探具有重要的指导意义。
5.自动化和可复用:一旦建立和优化好模型,可以在其他类似的储层岩性预测任务中复用,减少了人工工作量,实现了任务的自动化。
综上所述,该方法提供了一种新的、高效的、准确的预测火成岩储层岩性的方式,对于石油天然气的勘探和开发有着重要的应用价值。
附图说明
图1是本发明实施例提供的人工智能火成岩储层岩性预测方法流程图;
图2是本发明实施例提供的人工智能火成岩储层岩性预测方法原理图;
图3是本发明实施例提供的人工智能火成岩储层岩性预测系统结构示意图;
图4是本发明实施例提供的岩性数据去畸变处理;(a)原始数据(b)剔除畸变点后数据;
图5是本发明实施例提供的归一化后的测井岩性交会图(D:密度V:速度R:电阻率);
图6是本发明实施例提供的火成岩储层岩性预测平面图;
图7是本发明实施例提供的研究区火成岩储层岩性分布示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提供的人工智能火成岩储层岩性预测方法,包括以下步骤:
S101:根据研究区已知测井岩性数据定义岩性标签,对岩性样本数据去畸变处理,建立样本训练集、验证集、测试集;
S102:利用K近邻、支持向量机、随机森林三种人工智能方法构建模型,结合交叉验证、网格搜索方式获得模型最优参数,优选得分最高的模型作为研究区火成岩岩性预测模型;
S103:根据研究区重力勘探反演得到的密度数据、地震资料处理得到的速度数据、可控源电磁勘探方法反演得到的电阻率数据,利用最优人工智能模型对目标储层火成岩岩性进行预测。
本发明的技术方案的人工智能火成岩储层岩性预测方法,详细的工作原理如下:
步骤S101:在这一步中,本发明首先根据已知的测井岩性数据来定义岩性标签。这些标签包括例如"玄武岩"、"安山岩"、"花岗岩"、"凝灰岩"等不同的岩性分类。然后,对岩性样本数据进行去畸变处理,以消除数据中的任何异常值或偏差,从而确保模型能有效地学习和预测。最后,本发明将处理过的数据分为训练集、验证集和测试集,供后续模型训练和测试使用。
步骤S102:在这一步中,本发明选用K近邻、支持向量机、随机森林这三种人工智能方法来构建模型。这些模型都是监督学习算法,能够从标注数据中学习并预测新数据的岩性。本发明使用交叉验证和网格搜索方法来调整模型的参数,并通过比较不同模型的得分来选择最优的模型。这一步的目标是找到一个最能准确预测研究区火成岩岩性的模型。
步骤S103:在这一步中,本发明使用已选择的最优模型来预测目标储层的火成岩岩性。本发明根据重力勘探反演得到的密度数据、地震资料处理得到的速度数据、可控源电磁勘探方法反演得到的电阻率数据作为输入,这些数据都对预测火成岩储层的岩性有重要影响。然后,利用最优模型对这些输入数据进行分析,预测出目标储层的岩性。
通过这种方式,本技术方案可以有效地利用人工智能技术预测火成岩储层的岩性,提高了预测的准确性和效率。
如图2所示,本发明实施例提供的人工智能火成岩储层岩性预测方法,包括以下步骤:
1、研究区岩性统计与编码
根据研究区单井或多井测井数据,统计研究目标区域测井密度、速度、电阻率数据及岩性类型,并对已知岩性进行编码,建立岩性编码与密度、声波速度、电阻率一一对应关系,计算每一种岩性、每一类物性的均值:
式中i代表岩性编码;j=1,2,3代表密度、速度、电阻率三种物性特征;xi j即为第i类岩性j种物性的平均值,Ni代表第i类岩性标本的数量;此时不同岩性数据集x包含四列,前三列对应密度、速度、电阻率三种物性特征,第四列对应岩性编码,即:
2、岩性样本去畸变处理
为保证人工智能模型在训练过程中的稳定性与可靠性,需要对样本数据进行去畸变处理。测井数据去畸变处理必须要慎重,需要结合岩石的物性特征、区域地层岩性特征进行综合考虑。此外,由于每一类岩性都有三个物性特征,需要同时兼顾三个特征以确保剔除数据中偏差较大且数量较少的离群点。求取每一类岩性、每一类物性数据的标准差:
式中si j为第i类岩性、第j种物性的标准差。计算每一类岩石样本每种物性数据均值差值与标准差的比值d:
当di j大于2时将xn标记为异常点,综合比较密度、速度、电阻率三种物性数据异常点,剔除数据中的畸变点。
3、岩性样本数据归一化,将剔除异常点的所有岩性数据整合,得到不同岩性去畸变数据集y,即:
前三列对应密度、速度、电阻率三种物性特征,第四列对应岩性编码。
按物性特征进行归一化:
式中ymin j表示所有岩性、第j种物性特征样本数据集的最小值,ymax j为相应的最大值;yn j即为第j种物性归一化后的数值,此时的yn j位于[0,1]区间。
4、划分训练集、验证集、测试集。使用人工智能方法进行储层岩性预测,需要对已知岩性编码的样本数据划分训练集、验证集、测试集。训练集是人工智能方法用于训练的数据所组成的集合;验证集是用来验证模型有效性的数据集,其主要是用来初步验证模型的好坏;测试集则是用来测试模型的性能好坏。不同岩性的测井数据在数量上往往存在一定差异,即样本数量不均衡。为保证人工智能模型的有效性,根据岩性制定样本训练集、测试集的比例,并使用GridSearchCV(Grid Search,Cross Validation)网格搜索+交叉验证方式,即在指定的参数范围内,循环遍历模型不同的参数组合,从所有的参数中找到在验证集中精度最高的参数。交叉验证则是将数据集分成k份,取其中一份做测试集,其余部分做训练集训练模型,然后更换测试集,如此重复运行k次,取k次得分的平均值作为最后得分。
5、建立人工智能模型
基于上述GridSearchCV方案,选用K近邻(KNN,K-Nearest Neighbor)、支持向量机(SVM,Support Vector Machine)、随机森林(RF,Random Forest)三种人工智能算法对不同岩性的数据集进行训练、测试,输出每种算法的最终预测得分并保存模型。由于样本数据仅有密度、速度、电阻率三个物性特征,因此,在数万个样本数据情况下,使用GridSearchCV方案遍历不同参数的最优组合,在确保模型精度的同时,依然能够获得较好的性能。最后根据K近邻、支持向量机、随机森林三种算法的预测得分,选择分数最高的模型作为下一步研究区储层岩性预测的最终模型。
6、速度、密度、电阻率物性特征提取。通过研究区地震资料构建速度模型;将地震速度模型作为初始地电模型,以地震层位信息约束地层边界,以测井数据、岩石物性资料约束电阻率的范围,进行电阻率数据反演,获得研究区地层电阻率模型;将电阻率模型作为初始模型,以研究区测井、岩石物性资料、电阻率与密度的关系作为约束,进行重力数据反演,获得研究区密度模型。
7、研究区火成岩岩性预测。将获取的密度、速度、电阻率模型数据,使用式(6)进行归一化,然后使用人工智能算法建立的最优模型进行研究区火成岩储层岩性预测,将预测结果绘制成果图,与研究区已知测井结果进行对比验证预测结果的正确性。
如图3所示,本发明实施例提供的人工智能火成岩储层岩性预测系统,包括:
集合建立模块,用于根据研究区已知测井岩性数据定义岩性标签,对岩性样本数据去畸变处理,建立样本训练集、验证集、测试集;
模型建立模块,用于利用K近邻、支持向量机、随机森林三种人工智能方法构建模型,结合交叉验证、网格搜索方式获得模型最优参数,优选得分最高的模型作为研究区火成岩岩性预测模型;
数据处理模块,用于根据研究区重力勘探反演得到的密度数据、地震资料处理得到的速度数据、可控源电磁勘探方法反演得到的电阻率数据,利用最优人工智能模型对目标储层火成岩岩性进行预测。
以西部某油田为例,收集研究区内8口测井石炭系火成岩及碎屑岩岩性样本8220个,包含安山岩、玄武岩、花岗岩、凝灰岩等8种岩性。对每种岩性进行去畸变处理,以安山岩为例,去样本去畸变前后如图4所示。
对所有去畸变后的样本的密度、速度、电阻率三种物性数据进行归一化,绘制两两交会图,如图5所示。根据样本数据,采用K近邻、支持向量机、随机森林三种模型训练、验证、构建人工智能模型,训练集与测试集比例设置为9:1,通过GridSearchCV即网格搜索+交叉验证方式循环遍历模型不同的参数组合,从所有的参数中找到在验证集中精度最高的参数。其中随机森林模型正确率最高,为96%,因此将随机森林模型作为该研究区火成岩岩性预测模型。
根据研究区地震、重力、可控源电磁勘探方法获得整个研究区速度、密度、电阻率数据,对数据进行归一化处理,利用随机森林模型进行岩性预测,预测结果如图6所示。
根据岩性预测结果,绘制研究区岩性分布图,如图7所示。本发明实施例已在中国西部某油田成功实施,研究区域面积18km×40km,区内石炭系火成岩发育广泛。利用区内8口测井火成岩岩性数据构建了随机森林岩性预测模型,对研究区内通过地面勘探方法获得的速度、密度、电阻率数据进行了岩性预测,预测结果与研究区内已知井段岩性数据吻合良好,获得了油田相关专家的一致认可。通过储层岩性平面图、切片图、以及三维立体图,很好地展示了整个研究区岩性的空间分布,结合研究区测井数据及电法勘探极化率数据,为油田公司提供了石炭系火成岩有利目标区7个,沉积岩有利目标区3个,为下一步部署井网、油气勘探开发提供了有价值的参考。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种人工智能火成岩储层岩性预测方法,其特征在于,所述人工智能火成岩储层岩性预测方法通过研究区测井岩性数据统计分析,提取岩石物性特征,通过人工智能方法建立岩性预测模型;利用研究区地面地震、重力、电磁勘探方法获得研究区的速度、密度、电阻率特征,通过测井数据建立的人工智能模型,实现对整个研究区火成岩储层岩性预测。
2.如权利要求1所述的人工智能火成岩储层岩性预测方法,其特征在于,所述人工智能火成岩储层岩性预测方法,包括以下步骤:
第一步,根据研究区已知测井岩性数据定义岩性标签,对岩性样本数据去畸变处理,建立样本训练集、验证集、测试集;
第二步,利用K近邻、支持向量机、随机森林三种人工智能方法构建模型,结合交叉验证、网格搜索方式获得模型最优参数,优选得分最高的模型作为研究区火成岩岩性预测模型;
第三步,根据研究区重力勘探反演得到的密度数据、地震资料处理得到的速度数据、可控源电磁勘探方法反演得到的电阻率数据,利用最优人工智能模型对目标储层火成岩岩性进行预测。
3.如权利要求2所述的人工智能火成岩储层岩性预测方法,其特征在于,所述第一步,具体包括:根据研究区单井或多井测井数据,统计研究目标区域测井密度、速度、电阻率数据及岩性类型,并对已知岩性进行编码,建立岩性编码与密度、声波速度、电阻率一一对应关系,计算每一种岩性、每一类物性的均值:
式中i代表岩性编码;j=1,2,3代表密度、速度、电阻率三种物性特征;xi j即为第i类岩性j种物性的平均值,Ni代表第i类岩性标本的数量;此时不同岩性数据集x包含四列,前三列对应密度、速度、电阻率三种物性特征,第四列对应岩性编码,即:
岩性样本去畸变处理,求取每一类岩性、每一类物性数据的标准差:
式中si j为第i类岩性、第j种物性的标准差。计算每一类岩石样本每种物性数据均值差值与标准差的比值d:
当di j大于2时将xn标记为异常点,综合比较密度、速度、电阻率三种物性数据异常点,剔除数据中的畸变点。
岩性样本数据归一化,将剔除异常点的所有岩性数据整合,得到不同岩性去畸变数据集y,即:
前三列对应密度、速度、电阻率三种物性特征,第四列对应岩性编码;
按物性特征进行归一化:
式中ymin j表示所有岩性、第j种物性特征样本数据集的最小值,ymax j为相应的最大值;yn j即为第j种物性归一化后的数值,此时的yn j位于[0,1]区间。
4.如权利要求2所述的人工智能火成岩储层岩性预测方法,其特征在于,所述第一步,还包括:划分训练集、验证集、测试集。使用人工智能方法进行储层岩性预测,需要对已知岩性编码的样本数据划分训练集、验证集、测试集;训练集是人工智能方法用于训练的数据所组成的集合;验证集是用来验证模型有效性的数据集,用来初步验证模型的好坏;测试集则用来测试模型的性能好坏;
所述第二步,具体包括:根据岩性制定样本训练集、测试集的比例,并使用GridSearchCV网格搜索+交叉验证方式,即在指定的参数范围内,循环遍历模型不同的参数组合,从所有的参数中找到在验证集中精度最高的参数;交叉验证则是将数据集分成k份,取其中一份做测试集,其余部分做训练集训练模型,然后更换测试集,如此重复运行k次,取k次得分的平均值作为最后得分。
5.如权利要求2所述的人工智能火成岩储层岩性预测方法,其特征在于,所述第二步,具体包括:基于GridSearchCV方案,选用K近邻、支持向量机、随机森林三种人工智能算法对不同岩性的数据集进行训练、测试,输出每种算法的最终预测得分并保存模型;根据K近邻、支持向量机、随机森林三种算法的预测得分,选择分数最高的模型作为研究区储层岩性预测的最终模型。
6.如权利要求2所述的人工智能火成岩储层岩性预测方法,其特征在于,所述第三步,具体包括:速度、密度、电阻率物性特征提取。通过研究区地震资料构建速度模型,将地震速度模型作为初始地电模型,以地震层位信息约束地层边界,以测井数据、岩石物性资料约束电阻率的范围,进行电阻率数据反演,获得研究区地层电阻率模型;将电阻率模型作为初始模型,以研究区测井、岩石物性资料电阻率与密度的关系作为约束,进行重力数据反演,获得研究区密度模型。
研究区火成岩岩性预测,将获取的密度、速度、电阻率模型数据,使用公式进行归一化,然后使用人工智能算法建立的最优模型进行研究区火成岩储层岩性预测,将预测结果绘制成果图,与研究区已知测井结果进行对比验证预测结果的正确性。
7.一种计算机设备,其特征在于,所述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,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1~6任意一项所述人工智能火成岩储层岩性预测方法。
8.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1~6任意一项所述人工智能火成岩储层岩性预测方法。
9.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现权利要求1~6任意一项所述人工智能火成岩储层岩性预测方法。
10.一种基于权利要求1~6任意一项所述人工智能火成岩储层岩性预测方法的人工智能火成岩储层岩性预测系统,其特征在于,所述人工智能火成岩储层岩性预测系统包括:
集合建立模块,用于根据研究区已知测井岩性数据定义岩性标签,对岩性样本数据去畸变处理,建立样本训练集、验证集、测试集;
模型建立模块,用于利用K近邻、支持向量机、随机森林三种人工智能方法构建模型,结合交叉验证、网格搜索方式获得模型最优参数,优选得分最高的模型作为研究区火成岩岩性预测模型;
数据处理模块,用于根据研究区重力勘探反演得到的密度数据、地震资料处理得到的速度数据、可控源电磁勘探方法反演得到的电阻率数据,利用最优人工智能模型对目标储层火成岩岩性进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311476511.6A CN117872477A (zh) | 2023-11-07 | 2023-11-07 | 人工智能火成岩储层岩性预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311476511.6A CN117872477A (zh) | 2023-11-07 | 2023-11-07 | 人工智能火成岩储层岩性预测方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117872477A true CN117872477A (zh) | 2024-04-12 |
Family
ID=90576105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311476511.6A Pending CN117872477A (zh) | 2023-11-07 | 2023-11-07 | 人工智能火成岩储层岩性预测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117872477A (zh) |
-
2023
- 2023-11-07 CN CN202311476511.6A patent/CN117872477A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sfidari et al. | Comparison of intelligent and statistical clustering approaches to predicting total organic carbon using intelligent systems | |
Tadeusiewicz | Neural networks in mining sciences–general overview and some representative examples | |
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 | |
CN104101902B (zh) | 地震属性聚类方法及装置 | |
CN110442666A (zh) | 一种基于神经网络模型的矿产资源预测方法及系统 | |
US7519476B1 (en) | Method of seismic interpretation | |
CN104914465A (zh) | 火山岩裂缝定量预测方法及装置 | |
CN104047598A (zh) | 非均质古岩溶碳酸盐岩储层产能预测方法 | |
CN110097069A (zh) | 一种基于深度多核学习的支持向量机岩相识别方法及装置 | |
CN104636980A (zh) | 针对河道砂油藏类型油气汇集条件的地球物理表征方法 | |
CN117576335B (zh) | 面向矿产区域勘查的三维空间模型数据处理方法及系统 | |
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 | |
CN104991286A (zh) | 一种基于沉积模式的沉积相表征方法 | |
Liu et al. | Developments in quantitative assessment and modeling of mineral resource potential: an overview | |
CN116665067A (zh) | 基于图神经网络的找矿靶区优选系统及其方法 | |
CN110927793B (zh) | 一种基于序贯随机模糊模拟的储层预测方法及系统 | |
Sadeghi | Spectrum-area method | |
CN113627657A (zh) | 一种使用机器学习模型的砂岩型铀成矿有利区预测方法 | |
Tobely et al. | Position detection of unexploded ordnance from airborne magnetic anomaly data using 3-D self organized feature map | |
Korvin | Statistical rock physics | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
CN117872477A (zh) | 人工智能火成岩储层岩性预测方法、系统、设备及介质 | |
Lovejoy | Scaling and scale invariance | |
CN117174203B (zh) | 用于砂岩铀矿的测井曲线响应分析方法 | |
Ouadfeul et al. | Self-Organizing Maps |
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 |