CN117908156A - 一种基于参数耦合评价模型评价页岩油地质的方法及系统 - Google Patents

一种基于参数耦合评价模型评价页岩油地质的方法及系统 Download PDF

Info

Publication number
CN117908156A
CN117908156A CN202211259886.2A CN202211259886A CN117908156A CN 117908156 A CN117908156 A CN 117908156A CN 202211259886 A CN202211259886 A CN 202211259886A CN 117908156 A CN117908156 A CN 117908156A
Authority
CN
China
Prior art keywords
parameter
index
logging
shale oil
characteristic data
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
Application number
CN202211259886.2A
Other languages
English (en)
Inventor
张多文
牛强
张立生
杨金莉
吴刚
向巧玲
王月
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.)
Shengli Geological Logging Co Of Sinopec Jingwei Co ltd
Sinopec Oilfield Service Corp
Sinopec Jingwei Co Ltd
Original Assignee
Shengli Geological Logging Co Of Sinopec Jingwei Co ltd
Sinopec Oilfield Service Corp
Sinopec Jingwei Co Ltd
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 Shengli Geological Logging Co Of Sinopec Jingwei Co ltd, Sinopec Oilfield Service Corp, Sinopec Jingwei Co Ltd filed Critical Shengli Geological Logging Co Of Sinopec Jingwei Co ltd
Priority to CN202211259886.2A priority Critical patent/CN117908156A/zh
Publication of CN117908156A publication Critical patent/CN117908156A/zh
Pending legal-status Critical Current

Links

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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Mining & Mineral Resources (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提供了一种基于参数耦合评价模型评价页岩油地质的方法及系统，该方法选取不同深度录井特征数据，根据录井特征数据的响应属性将其划分为含油性、储集性、源岩性及可压性四类，选择性对含油性和源岩性的数据进行标准化处理；从预建模型库中选取与当前地层匹配的评价模型，分别将特征数据代入对应的子运算模型中计算储集性指标、可压性指标、含油性指标和源岩性指标，进而将四种指标代入耦合页岩油地质评价模型计算当前地层的耦合评价指标；所述子运算模型和耦合页岩油地质评价模型是预先基于历史页岩油地层数据后和关联度分析方法建立的。该方法克服了现有技术评价精确度不足的缺陷，综合全面录井评价参数和灰色关联度算法实现精确评价。

Description

一种基于参数耦合评价模型评价页岩油地质的方法及系统
技术领域
本发明涉及页岩油地质评价技术领域，尤其涉及一种基于参数耦合评价模型评价页岩油地质的方法及系统。
背景技术
页岩油是常规油气的重点接替资源，准确预测页岩油地质甜点段和甜点区对勘探开发具有重要意义。然而，当前全领域对于页岩油的研究还处于起步阶段，虽然页岩油资源丰富但是由于广泛发育的陆相页岩分布具有非均质性强的特征，难以获得稳定的工业油流。另外页岩油评价参数复杂，评价指标较多且常有参数之间存在内部相关性的情况。
基于此，现有技术中多利用单一或直接耦合某几个评价参数实现地质油藏情况的评估，这样可能导致指示特征不一，难以完整指导页岩油从勘探到开发的整体过程。对于各参数的耦合方法主要包括综合信息叠加法、井震法等，其中综合信息叠加法精度不高且纵向上难以评价有利层系；井震法纵向上也难以保证精度，无法满足领域内对页岩油地质的评价要求。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成己为本领域技术人员所公知的现有技术。
发明内容
为解决上述问题，本发明提供了一种基于参数耦合评价模型评价页岩油地质的方法，一个优选的实施例中，所述方法包括：
基础数据获取步骤、针对待评价地层，依据预设的录井数据获取列表基于设定的一个或多个评价深度选取对应的所有与油藏储量状况关联的录井特征数据；
特征数据归类步骤、根据录井特征数据的响应属性对所有录井特征数据进行归类，包括含油性参数类，储集性参数类、源岩性参数类及可压性参数类；
选择性处理步骤、对属于含油性参数类和源岩性参数类的录井特征数据基于极大值法进行标准化处理；
评价计算步骤、从预先建立的模型库中选取与当前待评价地层地质特征匹配的评价模型，分别将属于储集性、可压性参数类数据代入储集性和可压性子运算模型计算储集性指标和可压性指标，分别将标准化处理后的含油性、源岩性参数类数据代入含油性和源岩性子运算模型计算含油性指标和源岩性指标，进而将四种指标代入匹配的耦合页岩油地质评价模型中，计算当前地层的耦合评价指标，作为分析地层页岩油的依据；
所述子运算模型和耦合页岩油地质评价模型是预先建立的，通过获取设定规模的历史页岩油地层数据后，利用设定的数学分析方法计算特征数据之间的参数与参考参数之间的关联程度作为权重系数建立的。
进一步地，一个实施例中，在基础数据获取步骤中，预设的录井数据获取列表包括： S1、三维定量荧光、气测全烃、碳同位素分馏、气测甲烷/气测全烃、核磁孔隙度、测井孔隙度、TOC、S1+S2、HI、Tmax、灰质指数、灰质矿物含量、脆性指数、砂质指数和碳酸盐矿物含量。
可选地，一个实施例中，选择性处理步骤中，按下式所述的方法对属于含油性参数类和源岩性参数类的录井特征数据进行标准化处理；
式中，Xi标准(t)表示对第t个深度点处第i种参数xi进行标准化处理后的结果，n表示针对参数Xi设置深度点的数量。
优选地，一个实施例中，根据下述操作建立页岩油地层不同深度的多组子运算模型：
样本数据获取步骤、选取设定规模的历史页岩油地层作为样本地层，分别根据建模需求按照设定的一个或多个评价深度选取对应的所有关联录井特征数据，作为建模数据样本，并采集各样本地层的页岩油储量信息作为测试样本；
样本特征归类步骤、根据录井特征数据的响应属性所有录井特征数据其归类，包括含油性参数类，储集性参数类、源岩性参数类及可压性参数类，并针对每一类特征数据中选取最能最能反映该类参数特性的数据作为参考参数；
样本处理步骤、对属于含油性参数类和源岩性参数类的录井特征数据基于极大值法进行标准化处理；
权重系数确定步骤、对属于储集性参数类和可压性参数类的录井特征数据赋予设定的权重系数；对属于含油性参数类和源岩性参数类的录井特征数据，分别计算标准化处理后的特征数据与参考参数之间的关联系数，进一步计算得到该特征数据对应的权重系数；
子运算模型生成步骤、分别将不同参数类中各个特征数据结合其权重系数求积后执行求和运算，得到对应参数类的子运算模型。
进一步地，一个实施例中，权重系数确定步骤中，计算标准化处理后的特征数据与参考参数之间的关联系数的过程包括：
对属于含油性参数类和源岩性参数类的录井特征数据，利用灰色关联度方法分别求取每种特征数据的数值列表中各个数值与预设参考数列之间的关联程度；
选取关联程度最大值和最小值，按照设定算法确定该特征数据中各数值对应的关联系数。
一个可选的实施例中，按照下式求取数值列表中各个数值与预设参考数列之间的关联程度：
Δoki(t)＝|Xi(t)-X0(t)|t＝1,2,...,n
式中，Δoki(t)表示第t个深度点处的参数Xi与参考参数之间的关联程度，Xi(t)表示第t个深度点处的参数Xi，X0(t)表示第t个深度点处的参考参数，n表示针对参数Xi设置深度点的数量。
进一步地，一个实施例中，按照下式确定该特征数据中各数值对应的关联系数：
式中，式中，ζoki(t)表示第t个深度点处的参数Xi相对于参考参数的关联系数，Δ(min) 表示关联程度列表Δoki(t)中的最小值，Δ(max)表示关联程度列表Δoki(t)中的最大值，ρ表示抵消最大值偏大影响的分辨系数。
进一步地，一个实施例中，按照下式计算各数值关联系数相对于数值数列个数的平均值，作为该特征数据对应的权重系数：
式中，ai表示参数Xi对应的权重系数，m表示当前录井特征数据类中参数的种类数，ζoki(t)表示第t个深度点处的参数Xi相对于参考参数的关联系数。
一个优选的实施例中，根据下述操作建立所述耦合页岩油地质评价模型：
以含油性指标为参考指标，分别利用灰色关联度方法对不同参数类指标值进行耦合计算，确定某参数类指标数列相对于参考指标数列的指标关联程度；
选取指标关联程度最大值和最小值，计算确定该指标对应的指标关联系数；
计算指标关联系数相对于数列个数的平均值作为当前指标的权重系数；
将不同参数类指标结合其指标权重系数求积后执行求和运算，得到耦合页岩油地质评价模型。
基于上述任意一个或多个实施例中所述方法的应用方面，本发明还提供一种基于参数耦合评价模型评价页岩油地质的系统，该系统执行如上述任意一个或多个实施例中所述的方法。
与最接近的现有技术相比，本发明还具有如下有益效果：
本发明提供的一种基于参数耦合评价模型评价页岩油地质的方法及系统，该方法基于一个或多个评价深度选取与油藏储量状况关联的录井特征数据，根据录井特征数据的响应属性将录井特征数据划分为含油性、储集性、源岩性及可压性四类；本申请综合各类不确定因子对目标的发展和变化趋势进行定量分析，基础数据全面性好，采用工程录井数据，对数据获取工艺要求低，且数据样品不需要规律分布，且数据可靠性高；对基础数据进行属性划分，便于进行选择性处理和运算；
进而对含油性和源岩性的数据进行标准化处理；将所有参数进行极大值标准化保证数值在0～1以内，避免不同参数数量级差异对计算结果的影响，提升运算结果的可靠性；
从预建模型库中选取与当前地层地质特征匹配的评价模型，分别将四类的特征数据代入对应的子运算模型中计算储集性指标、可压性指标、含油性指标和源岩性指标，进而将四种指标代入匹配的耦合页岩油地质评价模型中，计算当前地层的耦合评价指标。本申请采用模型计算的过程中，应用灰色关联度分析方式，根据参数间的内在联系对每一特性中的参数进行综合运算，采用分级模型建立的模式对不同深度段的地质和工程甜点进行综合评价，便于对页岩油的进一步勘探开发。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一实施例所提供基于参数耦合评价模型评价页岩油地质的方法的流程示意图；
图2是本发明一实施例所提供基于参数耦合评价模型评价页岩油地质的方法中示例井Y1的页岩油耦合模型评价参数示意图；
图3是本发明一实施例所提供基于参数耦合评价模型评价页岩油地质的方法中示例井Y2的页岩油耦合模型评价参数示意图；
图4是本发明一实施例所提供基于参数耦合评价模型评价页岩油地质的方法中示例井Y3的页岩油耦合模型评价参数示意图；
图5是本发明一实施例所提供基于参数耦合评价模型评价页岩油地质的方法中示例井Y4的页岩油耦合模型评价参数示意图；
图6是本发明另一实施例所提供基于参数耦合评价模型评价页岩油地质的系统的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此本发明的实施人员可以充分理解本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程并依据上述实现过程具体实施本发明。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
虽然流程图将各项操作描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。各项操作的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
计算机设备包括用户设备与网络设备。其中，用户设备或客户端包括但不限于电脑、智能手机、PDA等；网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算的由大量计算机或网络服务器构成的云。计算机设备可单独运行来实现本发明，也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本发明。计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。当一个单元被称为“连接”或“耦合”到另一单元时，其可以直接连接或耦合到所述另一单元，或者可以存在中间单元。
这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指，否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是，这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在，而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
准确预测页岩油地质甜点段和甜点区对勘探开发具有重要意义。然而，当前全领域对于页岩油的研究还处于起步阶段，虽然页岩油资源丰富但是由于广泛发育的陆相页岩分布具有非均质性强的特征，难以获得稳定的工业油流。另外页岩油评价参数复杂，评价指标较多且常有参数之间存在内部相关性的情况。
基于此，现有技术中多利用单一或直接耦合某几个评价参数实现地质油藏情况的评估，这样可能导致指示特征不一，难以完整指导页岩油从勘探到开发的整体过程。对于各参数的耦合方法主要包括综合信息叠加法、井震法等，其中综合信息叠加法精度不高且纵向上难以评价有利层系；井震法纵向上也难以保证精度；
灰色关联度方法可以对所有参数进行统一计算，综合各类不确定因子对目标的发展和变化趋势进行定量分析，具有对数据要求低、样品不需要规律分布、适用范围广等优点，对我国页岩储层的强非均质性具有较好的适应性。
但是目前应用灰色关联度方法在油气领域的研究，通常是对于目标主控因素的筛选，然后通过主控因素对目标进行分析评价，然而，由于泥页岩非均质性强，片面的控制因素难以准确进行评价。灰色关联度方法在分析过程中还可以得到其他参数对油气富集或储层优劣的贡献程度，且除主控因素外其他因素也起到比较重要的影响作用，不可忽略。
为解决上述问题，本发明提供基于参数耦合评价模型评价页岩油地质的方法及系统，该方法综合大量页岩油储层录井评价参数，考虑到参数之间的内在联系进行归类处理，并结合灰色关联度计算分析，对不同特性的参数进行耦合，最终建立数学模型，解决了页岩油储层非均质性强、评价手段指示特征不一的问题，兼顾地质与工程、适用范围广。
接下来基于附图详细描述本发明实施例的方法的详细流程，附图的流程图中示出的步骤可以在包含诸如一组计算机可执行指令的计算机系统中执行。虽然在流程图中示出了各步骤的逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
图1示出了本发明实施例一提供的基于参数耦合评价模型评价页岩油地质的方法的流程示意图，参照图1可知，该方法包括如下步骤。
基础数据获取步骤、针对待评价地层，依据预设的录井数据获取列表基于设定的一个或多个评价深度选取对应的所有与油藏储量状况关联的录井特征数据；
特征数据归类步骤、根据录井特征数据的响应属性对所有录井特征数据进行归类，包括含油性参数类，储集性参数类、源岩性参数类及可压性参数类；
选择性处理步骤、对属于含油性参数类和源岩性参数类的录井特征数据基于极大值法进行标准化处理；
评价计算步骤、从预先建立的模型库中选取与当前地层地质特征匹配的评价模型，分别将属于储集性参数类和可压性参数类的特征数据代入储集性子运算模型和可压性子运算模型计算储集性指标和可压性指标，分别将标准化处理后的含油性参数类数据和源岩性参数类数据代入含油性子运算模型和源岩性子运算模型计算含油性指标和源岩性指标，进而将四种指标代入匹配的耦合页岩油地质评价模型中，计算当前地层的耦合评价指标，作为分析地层页岩油的依据；
所述子运算模型和耦合页岩油地质评价模型是预先建立的，通过获取设定规模的历史页岩油地层数据后，利用设定的数学分析方法计算特征数据之间的参数与参考参数之间的关联程度作为权重系数建立的。
本发明通过上述逻辑法基于录井评价参数建立耦合模型对页岩油有利层段进行优选，考虑了录井评价参数的多样性和参数之间的内在联系，将参数进行归类处理，再针对同一特性中参数之间的内在关系对储集性和可压性各参数赋予相同的权重，结合数学分析方法对含油性和源岩性中参数进行权重计算，针对建立的每一特性的评价模型利用相同的数学分析方法再次运算，最终得到页岩油评价参数耦合模型，克服了现有页岩油评价参数复杂且指示特征不一，储层非均质性强单一评价参数难以将地质甜点与工程甜点相结合的问题，具有对数据要求低、样品不需要规律分布、适用范围广等优点，对我国页岩储层的强非均质性具有较好的适应性。
实际应用时，一个实施例中，在基础数据获取步骤中，预设的录井数据获取列表包括： S1、三维定量荧光、气测全烃、碳同位素分馏、气测甲烷/气测全烃、核磁孔隙度、测井孔隙度、TOC、S1+S2、HI、Tmax、灰质指数、灰质矿物含量、脆性指数、砂质指数和碳酸盐矿物含量。
优选的，作为基础数据的各特征数据通过以下方法获得：各参数数据为现场录井数据；含油性参数类包括S1(游离烃)、气测全烃、气测甲烷/气测全烃、三维定量荧光和碳同位素分馏参数，储集性参数类包括核磁孔隙度和测井孔隙度，源岩性参数类包括TOC (总有机碳含量)、HI(氢指数)、Tmax(热解峰温)和S1+S2(生烃潜量)参数，可压性参数类包括脆性矿物指数和脆性矿物含量参数；
实际应用时，各特性可根据实际检测项目选用其中一部分参数进行计算。
根据上述方式选用不同页岩油录井评价参数作为耦合和模型建立的基础数据后，执行特征数据归类步骤将所有参数归类为含油性、储集性、源岩性和可压性四类特性；
进一步地，采用选择性处理思路，对属于含油性参数类和源岩性参数类的录井特征数据基于极大值法进行标准化处理；
一个可选的实施例中，通过极大值标准化对含油性和源岩性各参数所有深度点值进行标准化处理，具体地，可按下式所述的方法对属于含油性参数类和源岩性参数类的录井特征数据进行标准化处理；
式中，Xi标准(t)表示对第t个深度点处第i种参数Xi进行标准化处理后的结果，n表示针对参数Xi设置深度点的数量。
基于此，执行评价计算步骤，从预先建立的模型库中选取与当前地层地质特征匹配的评价模型，将标准化处理后的含油性参数类数据和源岩性参数类数据代入含油性子运算模型和源岩性子运算模型计算含油性指标和源岩性指标，将属于储集性参数类和可压性参数类的特征数据代入储集性子运算模型和可压性子运算模型计算储集性指标和可压性指标；
进而将得到的四种指标代入匹配的耦合页岩油地质评价模型中，计算当前地层的耦合评价指标，作为分析地层页岩油的依据。
其中，所述子运算模型和耦合页岩油地质评价模型是预先建立的，通过获取设定规模的历史页岩油地层数据后，利用设定的数学分析方法计算特征数据之间的参数与参考参数之间的关联程度作为权重系数建立的。
当采用不同地质特征的历史页岩油地层数据时，相应构建得到不同地质特征对应的子运算模型和耦合页岩油地质评价模型，整体依据地质特征为标签关联存储作为模型库。例如采用夹层型页岩油地层的历史录井特征数据进行分析运算时，构建得到针对夹层型地质发育的页岩油储层适用的子运算模型和耦合页岩油地质评价模型，以夹层型页岩油储层为标签进行存储，以供调用。
实际应用时，不同地质特征页岩油储层通常包括：夹层型页岩油储层、裂缝型页岩油储层和基质型页岩油储层；具体可根据储层的储集体空间发育情况划分。
采用这样的方式实现页岩油地质评价时，能够保障子运算模型和耦合地质评价模型中的运算权重系数与被评价地层的地质特征匹配，最大程度地保证地质评价结果的真实性和精确度。
实际应用时，一个优选的实施例中，根据下述操作建立页岩油地层不同深度的多组子运算模型：
样本数据获取步骤、选取设定规模的历史页岩油地层作为样本地层，分别根据建模需求按照设定的一个或多个评价深度选取对应的所有关联录井特征数据，作为建模数据样本，并采集各样本地层的页岩油储量信息作为测试样本；
样本特征归类步骤、根据录井特征数据的响应属性所有录井特征数据其归类，包括含油性参数类，储集性参数类、源岩性参数类及可压性参数类，并针对每一类特征数据中选取最能最能反映该类参数特性的数据作为参考参数；
样本处理步骤、对属于含油性参数类和源岩性参数类的录井特征数据基于极大值法进行标准化处理；
权重系数确定步骤、对属于储集性参数类和可压性参数类的录井特征数据赋予设定的权重系数；对属于含油性参数类和源岩性参数类的录井特征数据，分别计算标准化处理后的特征数据与参考参数之间的关联系数，进一步计算得到该特征数据对应的权重系数；
子运算模型生成步骤、分别将不同参数类中各个特征数据结合其权重系数求积后执行求和运算，得到对应参数类的子运算模型。
其中，样本数据获取步骤、样本特征归类步骤和样本处理步骤中采用与上述实施例中一致的方式实现；
进一步地，一个实施例中，在对属于含油性参数类和源岩性参数类的录井特征数据基于极大值法进行标准化处理后，还包括：权重系数确定步骤，实际应用时，对储集性和可压性中每个参数赋予相同的权重，如可对储集性和可压性每项参数赋予的权重系数为1；
因为储集性中核磁孔隙度和测井孔隙度参数以及可压性中脆性指数和脆性矿物含量对储层的评价原理相同，本身不存在主次关系，没有必要进行关联度计算。因此本技术在充分考虑各参数的评价原理，对含油性和源岩性各参数进行权重计算最终建立页岩油综合评价模型。
利用灰色关联度分析方法可以建立针对某一研究区某种类型的页岩油的耦合模型，达到对所有评价参数进行综合处理计算，得到页岩油甜点层段，便于对页岩油的进一步勘探开发；本方法可以综合各类不确定因子对目标的发展和变化趋势进行定量分析，具有对数据要求低、样品不需要规律分布、适用范围广等优点，对我国页岩储层的强非均质性具有较好的适应性；本方法可根据录井参数对页岩油甜点层段进行优选，对录井数据进行归类分析，进而根据参数间的内在联系对每一特性中的参数进行综合运算建立耦合模型；对录井数据进行分级模型建立的模式，可对不同深度段的地质和工程甜点进行综合评价，对页岩油的进一步深入勘探开发和范围内甜点区的选择具有指导意义。
对含油性和源岩性分别选取参考数列，求取各参数与参考参数的关联程度，其中，所述参考数列是指从归属于含油性或源岩性中多种参数选取一种参数作为参考参数，该参考参数在不同深度点所对应的唯一数值所构成的一个数列。
实际应用时，根据各个录井特征参数对当前类特征数据的特性影响程度选取参考参数，例如，含油性类数据中参考数列为S1，源岩性类数据中参考数列为TOC。
进一步地，一个实施例中，在权重系数确定步骤中，计算标准化处理后的特征数据与参考参数之间的关联系数的过程包括：
对属于含油性参数类和源岩性参数类的录井特征数据，利用灰色关联度方法分别求取每种特征数据的数值列表中各个数值与预设参考数列之间的关联程度；
选取关联程度最大值和最小值，按照设定算法确定该特征数据中各数值对应的关联系数。
以参考参数的权重系数为1，以参数间关联程度的上下限值和标准化数据为数据基础，求取每个参数与参考参数的关联系数；
优选地，利用差值的绝对值计算参数间每一个深度点的关联程度；一个实施例中，可按照下式求取数值列表中各个数值与预设参考数列之间的关联程度：
△oki(t)＝|Xi(t)-X0(t)|t＝1,2,...,n
式中，Δoki(t)表示第t个深度点处的参数Xi与参考参数之间的关联程度，Xi(t)表示第t个深度点处的参数Xi，X0(t)表示第t个深度点处的参考参数，n表示针对参数Xi设置深度点的数量。
进一步地，将关联系数数据平均化计算每一参数的权重系数，得到每一特性的耦合模型；一个实施例中，求取各参数的关联系数具体步骤包括：对同一特性中所有参数与参考参数的关联程度选取最大值和最小值，通过灰色关联度方法计算各参数中所有深度点参数之间的关联系数；具体可按照下式确定该特征数据中各数值对应的关联系数：
式中，ζoki(t)表示第t个深度点处的参数Xi相对于参考参数的关联系数，Δ(min)表示关联程度列表Δoki(t)中的最小值，Δ(max)表示关联程度列表Δoki(t)中的最大值，ρ表示抵消最大值偏大影响的分辨系数。
进一步地，按照下式计算各数值关联系数相对于数值数列个数的平均值，作为该特征数据对应的权重系数：
式中，ai表示参数Xi对应的权重系数，n表示深度点的个数，即当前特征参数数列中的数据个数，ζoki(t)表示第t个深度点处的参数Xi相对于参考参数的关联系数。
进一步地，一个实施例中，根据下述操作建立所述耦合页岩油地质评价模型：
将标准化数据代入耦合模型得到每一特性的定量参数，以含油性指标为参考指标，分别利用灰色关联度方法对不同参数类指标值进行耦合计算，确定某参数类指标数列相对于参考指标数列的指标关联程度；
选取指标关联程度最大值和最小值，计算确定该指标对应的指标关联系数；
计算指标关联系数相对于数列个数的平均值作为当前指标的权重系数；
计算得到该特征数据对应的权重系数后，分别将不同参数类中各个特征数据结合其权重系数求积后执行求和运算，得到对应参数类的子运算模型；
在一优选实例中，计算每一参数的耦合模型具体步骤包括：
含油性和源岩性中对每一个参数计算得到对应的权重系数，各参数与参考参数相加得到单一特性的耦合模型；
储集性和可压性每一项参数系数都为1，相加得到单一特性的耦合模型公式：
A＝a1x1+b1y1+c1z1+…
B＝a2x2+b2y2+c2z2+…
C＝a3x3+b3y3+c3z3+…
D＝a4x4+b4y4+c4z4+…
式中，A、B、C、D分别为含油性、储集性、源岩性、可压性参数，aj、bj、cj分别为第j类特性数据中各参数的权重系数，xj、yj、zj分别为第j类特性数据中的各参数值；
将页岩油录井参数归为含油性(A)、储集性(B)、源岩性(C)、可压性(D)，对每个特性
进一步地，将不同参数类指标结合其指标权重系数求积后执行求和运算，得到耦合页岩油地质评价模型。
实际应用时，含油性和源岩性中对每一个参数计算得到对应的权重系数，各参数与参考参数相加得到单一特性的耦合模型；
储集性和可压性每一项参数权重系数都为1，相加得到单一特性的耦合模型；
计算页岩油评价耦合模型的过程中，将极大值标准化后的各参数数据带入耦合模型，众多评价参数最终归为四个特性；再次利用上述灰色关联度计算步骤对“四性”进行耦合计算得到页岩油评价模型，以含油性参数类的指标值为参考参数。
在一优选实例中，计算页岩油评价耦合模型具体步骤包括；
将极大值标准化后的各样本参数数据带入耦合模型，众多评价参数最终归为四个特性；
再次利用上述灰色关联度计算步骤对“四性”对应的指标数据进行耦合计算得到页岩油评价模型公式：
S＝a5A+b5B+c5C+d5D
式中S为页岩油综合评价模型，A、B、C、D分别为含油性、储集性、源岩性、可压性参数，a5、b5、c5、d5分别为各参数的耦合权重系数。
具体以含油性参数类的指标值为参考参数，利用上述灰色关联度计算各个指标的耦合权重系数。
该方法基于录井评价参数建立耦合模型对页岩油有利层段进行优选，考虑了录井评价参数的多样性和参数之间的内在联系，将参数进行归类处理，再针对同一特性中参数之间的内在关系对储集性和可压性各参数赋予相同的权重，结合数学分析方法对含油性和源岩性中参数进行权重计算，针对建立的每一特性的评价模型利用相同的数学分析方法再次运算，最终得到页岩油评价参数耦合模型，克服了现有页岩油评价参数复杂且指示特征不一，储层非均质性强单一评价参数难以将地质甜点与工程甜点相结合的问题，具有对数据要求低、样品不需要规律分布、适用范围广等优点，对我国页岩储层的强非均质性具有较好的适应性。
为了更清楚详细地介绍本发明实施例所提供的基于参数耦合评价模型评价页岩油地质的方法，下面将结合具体实施例进行描述。
以下将以渤海湾盆地济阳坳陷页岩油井进行分析说明。
对渤海湾盆地济阳坳陷4口页岩油井录井数据进行收集分类。由于不同井的录井数据种类不尽相同，每口井四种特性中的参数种类存在差别。
其中Y1井的含油性参数包括S1、气测全烃、碳同位素分馏、气测甲烷/气测全烃；储集性参数包括核磁孔隙度；源岩性参数包括TOC、S1+S2、HI、Tmax可压性参数包括灰质指数和碳酸盐矿物含量。
Y2井的含油性参数包括S1、三维定量荧光、气测全烃、碳同位素分馏和气测甲烷/气测全烃；储集性参数包括核磁孔隙度；源岩性参数包括TOC、S1+S2、HI、Tmax可压性包括脆性指数、砂质指数和灰质指数。
Y3井的含油性参数包括S1、三维定量荧光、气测全烃、碳同位素分馏和气测甲烷/气测全烃；储集性参数包括核磁孔隙度和测井孔隙度；可压性参数包括灰质指数和灰质矿物含量。
Y4井的含油性参数包括S1、气测全烃、碳同位素分馏和气测甲烷/气测全烃；无储集性参数；源岩性参数包括TOC、S1+S2、HI、Tmax；可压性参数包括脆性指数和灰质指数。
含油性耦合中，由于S1可以直接反应储层内游离油含量，为含油性最直观的参数，选取S1为参考数列进行计算；同理，在源岩性参数耦合计算过程中选取TOC为参考数列进行计算；
储集性和可压性中各参数赋予相同权重；在页岩油参数整体耦合评价过程中以含油性耦合模型作为参考数列。
里参与计算的数列是含油性、储集性、源岩性和可压性四个数列。其中每个性质都是由前文的模型计算步骤将多个参数耦合得到的唯一数列；例如对于含油性而言，一个深度点只对应一个数值，储集性、源岩性和可压性也是一样形式的数列。
本专利主要采用邓氏关联度与绝对关联度联立的灰色关联度方法，对参数进行关联度计算得到权重系数。将所有参数进行极大值标准化保证数值在0～1以内，避免不同参数数量级差异对计算结果的影响。
以含油性和储集性中其他参数作为比较数列与参考数列进行相关性分析，以数据差值的绝对值来判断比较数列与参考数列曲线的相似性。在得到参考数列与所有比较数列的相似性数列以后求取最大最小值，四口井的最大最小值分别为：
以每一特性中的最大值、最小值和相似性数列进行计算可以得到每一个参数与参考数列的关联系数，计算公式为：
ζoki(t)为关联系数，ρ为分辨系数抵消最大值偏大造成的影响，一般情况下取0.5；
求取每一个参数对应的关联系数数列平均值得到参数与参考数列的关联度(储集性和可压性中每个参数的权重系数相同)，最终计算结果为：
Y1井：含油性：A＝S1+0.65全烃+0.79同位素分馏+0.59甲烷占比
储集性：B＝核磁孔隙度
源岩性：C＝TOC+0.80pg+0.75HI+0.41Tmax
可压性：D＝灰质指数+碳酸盐矿物含量
Y2井：含油性：A＝S1+0.72TSF+0.73全烃+0.75同位素分馏+0.68甲烷占比
储集性：B＝核磁孔隙度
源岩性：C＝TOC+0.90pg+0.81HI+0.48Tmax
可压性：D＝脆性指数+灰质指数+砂质指数
Y3井：含油性：A＝S1+0.74TSF+0.67同位素分馏+0.70全烃+0.74甲烷占比
储集性：B＝核磁孔隙度+测井孔隙度
源岩性：C＝TOC+0.86pg+0.86HI+0.39Tmax
可压性：D＝灰质指数+灰质矿物含量
Y4井：含油性：A＝S1+0.66全烃+0.75分馏+0.74甲烷占比
源岩性：C＝TOC+0.70pg+0.64HI+0.53Tmax
可压性：D＝脆性指数+灰质指数
将极大值标准化的各参数数列带入“四性”模型之中得到四性数列，以含油性参数为参考数列将四个数列按照上述步骤再次运算得到每口井的页岩油评价参数耦合模型S，结果分别如图2～图5所示：
Y1井：S＝含油性+0.72储集性+0.73源岩性+0.62可压性
Y2井：S＝含油性+0.62储集性+0.76源岩性+0.85可压性
Y3井：S＝含油性+0.76储集性+0.82源岩性+0.58可压性
Y4井：S＝含油性+0.51源岩性+0.57可压性
由于单一参数无法完全反应页岩油储层优劣，且录井参数复杂，指示特征存在差别。本专利利用灰色关联度分析方法对页岩油评价参数进行耦合，建立统一的数学模型，对渤海湾盆地济阳坳陷页岩油井录井参数进行计算，通过逐级关联度分析建立含油性、储集性、源岩性和可压性评价模型，结合“四性”模型建立整体页岩油评价模型。
通过上述步骤，本发明可以对某一研究区内页岩油井进行评价分析，利用灰色关联度方法得到评价模型。在进行单井评价的之外，也可以结合区域内多口井的录井数据进行定量计算，最终实现页岩油甜点区的优选，为实际勘探开发提供理论支持。
采用本发明提供的基于参数耦合评价模型评价页岩油地质的方法，基于页岩油录井数据和灰色关联度分析方法评价优选页岩油甜点层段，本技术方案考虑了录井评价参数的多样性和参数之间的内在联系，将参数进行归类处理，再针对同一特性中参数之间的内在关系对储集性和可压性各参数赋予相同的权重，结合数学分析方法对含油性和源岩性中参数进行权重计算，针对建立的每一特性的评价模型利用相同的数学分析方法再次运算，最终得到页岩油评价参数耦合模型；
利用特定的分析方法可以建立针对某一研究区某种类型的页岩油的耦合模型，达到对所有评价参数进行综合处理计算即可得到页岩油甜点层段，便于对页岩油的进一步勘探开发；
本方法可以综合各类不确定因子对目标的发展和变化趋势进行定量分析，具有对数据要求低、样品不需要规律分布、适用范围广等优点，能够应用于不同类型的页岩油地层，对我国页岩储层的强非均质性具有较好的适应性；
本方法可根据录井参数对页岩油甜点层段进行优选，对录井数据进行归类分析，进而根据参数间的内在联系对每一特性中的参数进行综合运算建立耦合模型；对录井数据进行分级模型建立的模式，可对不同深度段的地质和工程甜点进行综合评价，对页岩油的进一步深入勘探开发和范围内甜点区的选择具有指导意义。灰色关联度方法可根据各参数与参考参数之间的关联程度为其赋予不同的权重系数，对数据要求低且无需具有规律性。
对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
需要指出的是，在本发明的其他实施例中，该方法还可以通过将上述实施例中的某一个或某几个进行结合来得到新的页岩油地质评价方法，以实现对复杂地层的精细化分析。
基于本发明上述任意一个或多个实施例中的方法，本发明还提供一种存储介质，该存储介质上存储有可实现如述任意一个或多个实施例中所述方法的程序代码，该代码被操作系统执行时能够实现如上所述的基于参数耦合评价模型评价页岩油地质的方法。
实施例二
上述本发明公开的实施例中详细描述了方法，对于本发明的方法可采用多种形式的装置或系统实现，因此基于上述任意一个或多个实施例中所述方法的其他方面，本发明还提供一种基于参数耦合评价模型评价页岩油地质的系统，该系统用于执行上述任意一个或多个实施例中所述基于参数耦合评价模型评价页岩油地质的方法。下面给出具体的实施例进行详细说明。
具体地，图6中示出了本发明实施例中所提供基于参数耦合评价模型评价页岩油地质的系统的结构示意图，如图6所示，该系统包括：
基础数据获取模块，其配置为依据预设的录井数据获取列表，选取待评价地层一个或多个评价深度对应的所有与油藏储量状况关联的录井特征数据；
特征数据归类模块，其配置为根据录井特征数据的响应属性对所有录井特征数据进行归类，包括含油性参数类，储集性参数类、源岩性参数类及可压性参数类；
选择性处理模块，其配置为对属于含油性参数类和源岩性参数类的录井特征数据基于极大值法进行标准化处理；
评价计算模块，其配置为从预先建立的模型库中选取与当前待评价地层地质特征匹配的评价模型，分别将属于储集性、可压性参数类数据代入储集性和可压性子运算模型计算储集性指标和可压性指标，分别将标准化处理后的含油性、源岩性参数类数据代入含油性和源岩性子运算模型计算含油性指标和源岩性指标，进而将四种指标代入匹配的耦合页岩油地质评价模型中，计算当前地层的耦合评价指标，作为分析地层页岩油的依据；其中，不同地质特征的评价模型包括：夹层型页岩油储层、裂缝型页岩油储层和基质型页岩油储层对应的评价模型；
所述子运算模型和耦合页岩油地质评价模型是由模型建立模块预先建立的，通过获取设定规模的历史页岩油地层数据后，利用设定的数学分析方法计算特征数据之间的参数与参考参数之间的关联程度作为权重系数建立的。
优选地，一个实施例中，所述基础数据获取模块应用的预设录井数据获取列表中包括： S1、三维定量荧光、气测全烃、碳同位素分馏、气测甲烷/气测全烃、核磁孔隙度、测井孔隙度、TOC、S1+S2、HI、Tmax、灰质指数、灰质矿物含量、脆性指数、砂质指数和碳酸盐矿物含量。
一个可选的实施例中，所述选择性处理模块按下式所述的方法对属于含油性参数类和源岩性参数类的录井特征数据进行标准化处理；
式中，Xi标准(t)表示对第t个深度点处第i种参数Xi进行标准化处理后的结果，n表示针对参数Xi设置深度点的数量。
进一步地，一个实施例中，所述模型建立模块，其配置为根据下述操作建立页岩油地层不同深度的多组子运算模型：
样本数据获取步骤、选取设定规模的历史页岩油地层作为样本地层，分别根据建模需求按照设定的一个或多个评价深度选取对应的所有关联录井特征数据，作为建模数据样本，并采集各样本地层的页岩油储量信息作为测试样本；
样本特征归类步骤、根据录井特征数据的响应属性所有录井特征数据其归类，包括含油性参数类，储集性参数类、源岩性参数类及可压性参数类，并针对每一类特征数据中选取最能最能反映该类参数特性的数据作为参考参数；
样本处理步骤、对属于含油性参数类和源岩性参数类的录井特征数据基于极大值法进行标准化处理；
权重系数确定步骤、对属于储集性参数类和可压性参数类的录井特征数据赋予设定的权重系数；对属于含油性参数类和源岩性参数类的录井特征数据，分别计算标准化处理后的特征数据与参考参数之间的关联系数，进一步计算得到该特征数据对应的权重系数；
子运算模型生成步骤、分别将不同参数类中各个特征数据结合其权重系数求积后执行求和运算，得到对应参数类的子运算模型。
可选地，一个实施例中，所述权重系数确定模块通过下述操作计算标准化处理后的特征数据与参考参数之间的关联系数：
对属于含油性参数类和源岩性参数类的录井特征数据，利用灰色关联度方法分别求取每种特征数据的数值列表中各个数值与预设参考数列之间的关联程度；
选取关联程度最大值和最小值，按照设定算法确定该特征数据中各数值对应的关联系数。
进一步地，一个实施例中，所述权重系数确定模块按照下式求取数值列表中各个数值与预设参考数列之间的关联程度：
Δoki(t)＝|Xi(t)-X0(t)|t＝1,2,...,n
式中，Δoki(t)表示第t个深度点处的参数Xi与参考参数之间的关联程度，Xi(t)表示第t个深度点处的参数Xi，X0(t)表示第t个深度点处的参考参数，n表示针对参数Xi设置深度点的数量。
进一步地，一个实施例中，所述权重系数确定模块按照下式确定该特征数据中各数值对应的关联系数：
式中，式中，ζoki(t)表示第t个深度点处的参数Xi相对于参考参数的关联系数，Δ(min) 表示关联程度列表Δoki(t)中的最小值，Δ(max)表示关联程度列表Δoki(t)中的最大值，ρ表示抵消最大值偏大影响的分辨系数。
可选地，一个实施例中，所述权重系数确定模块按照下式计算各数值关联系数相对于数值数列个数的平均值，作为该特征数据对应的权重系数：
式中，ai表示参数Xi对应的权重系数，m表示当前录井特征数据类中参数的种类数，ζoki(t)表示第t个深度点处的参数Xi相对于参考参数的关联系数，n表示针对对应参数设置深度点的数量。
进一步地，一个实施例中，所述模型建立模块配置为根据下述操作建立所述耦合页岩油地质评价模型：
以含油性指标为参考指标，分别利用灰色关联度方法对不同参数类指标值进行耦合计算，确定某参数类指标数列相对于参考指标数列的指标关联程度；
选取指标关联程度最大值和最小值，计算确定该指标对应的指标关联系数；
计算指标关联系数相对于数列个数的平均值作为当前指标的权重系数；
将不同参数类指标结合其指标权重系数求积后执行求和运算，得到耦合页岩油地质评价模型。
本发明实施例提供的基于参数耦合评价模型评价页岩油地质的系统中，各个模块或单元结构可以根据实际数据处理需求和分析运算需求独立运行或组合运行，以实现相应的技术效果。
应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而不意味着限制。
说明书中提到的“一实施例”意指结合实施例描述的特定特征、结构或特征包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一实施例”并不一定均指同一个实施例。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种基于参数耦合评价模型评价页岩油地质的方法，其特征在于，所述方法包括：
基础数据获取步骤、针对待评价地层，依据预设的录井数据获取列表基于设定的一个或多个评价深度选取对应的所有与油藏储量状况关联的录井特征数据；
特征数据归类步骤、根据录井特征数据的响应属性对所有录井特征数据进行归类，包括含油性参数类，储集性参数类、源岩性参数类及可压性参数类；
选择性处理步骤、对属于含油性参数类和源岩性参数类的录井特征数据基于极大值法进行标准化处理；
评价计算步骤、从预先建立的模型库中选取与当前待评价地层地质特征匹配的评价模型，分别将属于储集性、可压性参数类数据代入储集性和可压性子运算模型计算储集性指标和可压性指标，分别将标准化处理后的含油性、源岩性参数类数据代入含油性和源岩性子运算模型计算含油性指标和源岩性指标，进而将四种指标代入匹配的耦合页岩油地质评价模型中，计算当前地层的耦合评价指标，作为分析地层页岩油的依据；
所述子运算模型和耦合页岩油地质评价模型是预先建立的，通过获取设定规模的历史页岩油地层数据后，利用设定的数学分析方法计算特征数据之间的参数与参考参数之间的关联程度作为权重系数建立的。
2.根据权利要求1所述的方法，其特征在于，在基础数据获取步骤中，预设的录井数据获取列表包括：S1、三维定量荧光、气测全烃、碳同位素分馏、气测甲烷/气测全烃、核磁孔隙度、测井孔隙度、TOC、S1+S2、HI、Tmax、灰质指数、灰质矿物含量、脆性指数、砂质指数和碳酸盐矿物含量。
3.根据权利要求1所述的方法，其特征在于，选择性处理步骤中，按下式所述的方法对属于含油性参数类和源岩性参数类的录井特征数据进行标准化处理；
式中，Xi标准(t)表示对第t个深度点处第i种参数Xi进行标准化处理后的结果，n表示针对参数Xi设置深度点的数量。
4.根据权利要求1所述的方法，其特征在于，根据下述操作建立页岩油地层不同深度的多组子运算模型：
样本数据获取步骤、选取设定规模的历史页岩油地层作为样本地层，分别根据建模需求按照设定的一个或多个评价深度选取对应的所有关联录井特征数据，作为建模数据样本，并采集各样本地层的页岩油储量信息作为测试样本；
样本特征归类步骤、根据录井特征数据的响应属性所有录井特征数据其归类，包括含油性参数类，储集性参数类、源岩性参数类及可压性参数类，并针对每一类特征数据中选取最能最能反映该类参数特性的数据作为参考参数；
样本处理步骤、对属于含油性参数类和源岩性参数类的录井特征数据基于极大值法进行标准化处理；
权重系数确定步骤、对属于储集性参数类和可压性参数类的录井特征数据赋予设定的权重系数；对属于含油性参数类和源岩性参数类的录井特征数据，分别计算标准化处理后的特征数据与参考参数之间的关联系数，进一步计算得到该特征数据对应的权重系数；
子运算模型生成步骤、分别将不同参数类中各个特征数据结合其权重系数求积后执行求和运算，得到对应参数类的子运算模型。
5.根据权利要求4所述的方法，其特征在于，权重系数确定步骤中，计算标准化处理后的特征数据与参考参数之间的关联系数的过程包括：
对属于含油性参数类和源岩性参数类的录井特征数据，利用灰色关联度方法分别求取每种特征数据的数值列表中各个数值与预设参考数列之间的关联程度；
选取关联程度最大值和最小值，按照设定算法确定该特征数据中各数值对应的关联系数。
6.根据权利要求5所述的方法，其特征在于，按照下式求取数值列表中各个数值与预设参考数列之间的关联程度：
Δoki(t)＝|Xi(t)-X0(t)| t＝1,2,...,n
式中，Δoki(t)表示第t个深度点处的参数Xi与参考参数之间的关联程度，Xi(t)表示第t个深度点处的参数Xi，X0(t)表示第t个深度点处的参考参数，n表示针对参数Xi设置深度点的数量。
7.根据权利要求5所述的方法，其特征在于，按照下式确定该特征数据中各数值对应的关联系数：
式中，ζoki(t)表示第t个深度点处的参数Xi相对于参考参数的关联系数，Δ(min)表示关联程度列表Δoki(t)中的最小值，Δ(max)表示关联程度列表Δoki(t)中的最大值，ρ表示抵消最大值偏大影响的分辨系数。
8.根据权利要求4所述的方法，其特征在于，按照下式计算各数值关联系数相对于数值数列个数的平均值，作为该特征数据对应的权重系数：
式中，ai表示参数Xi对应的权重系数，m表示当前录井特征数据类中参数的种类数，ζoki(t)表示第t个深度点处的参数Xi相对于参考参数的关联系数，n表示深度点的数量。
9.根据权利要求1所述的方法，其特征在于，根据下述操作建立所述耦合页岩油地质评价模型：
以含油性指标为参考指标，分别利用灰色关联度方法对不同参数类指标值进行耦合计算，确定某参数类指标数列相对于参考指标数列的指标关联程度；
选取指标关联程度最大值和最小值，计算确定该指标对应的指标关联系数；
计算指标关联系数相对于数列个数的平均值作为当前指标的权重系数；
将不同参数类指标结合其指标权重系数求积后执行求和运算，得到耦合页岩油地质评价模型。
10.一种基于参数耦合评价模型评价页岩油地质的系统，其特征在于，所述系统执行如权利要求1～9中任意一项所述的方法。
CN202211259886.2A 2022-10-14 2022-10-14 一种基于参数耦合评价模型评价页岩油地质的方法及系统 Pending CN117908156A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211259886.2A CN117908156A (zh) 2022-10-14 2022-10-14 一种基于参数耦合评价模型评价页岩油地质的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211259886.2A CN117908156A (zh) 2022-10-14 2022-10-14 一种基于参数耦合评价模型评价页岩油地质的方法及系统

Publications (1)

Publication Number Publication Date
CN117908156A true CN117908156A (zh) 2024-04-19

Family

ID=90695207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211259886.2A Pending CN117908156A (zh) 2022-10-14 2022-10-14 一种基于参数耦合评价模型评价页岩油地质的方法及系统

Country Status (1)

Country Link
CN (1) CN117908156A (zh)

Similar Documents

Publication Publication Date Title
Xu et al. When petrophysics meets big data: What can machine do?
Wang et al. Quantitative prediction of oil and gas prospects of the Sinian-Lower Paleozoic in the Sichuan Basin in central China
KR101148835B1 (ko) 물리검층 자료의 통계분석을 이용한 오일샌드 저류층 암상 예측방법 및 이를 구현하는 시스템
US20130124092A1 (en) Method of using spatially independent subsets of data to calculate vertical trend curve uncertainty of spatially correlated reservoir data
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
CN112576238B (zh) 一种低渗透油藏剩余油位置与含量测定系统、方法及应用
CN115358285B (zh) 待勘测区块关键地质参数的选取方法、装置、及设备
WO2022011015A1 (en) Optimization of discrete fracture network (dfn) using streamlines and machine learning
CN113065279A (zh) 预测总有机碳含量的方法、装置、设备及存储介质
CN114529110A (zh) 一种基于深度神经网络模型的岩相反演方法及系统
CN113033648A (zh) 一种使用机器学习算法实现测井解释的方法
Hou et al. Data-driven optimization of brittleness index for hydraulic fracturing
CN110347720B (zh) 基于流程化的压裂选井选层方法
Fu et al. Controlling hydraulic fracture growth through precise vertical placement of lateral wells: insights from HFTS experiment and numerical validation
CN114635682A (zh) 一种基于井筒多渗透率耦合的多层合采产能预测方法
CN106285661B (zh) 一种基于判定指数的低阻油层识别方法及装置
CN104880737A (zh) 测井资料识别地下流体类型的多元Logistic方法
Najeeb et al. Using different methods to predict oil in place in Mishrif formation/Amara oil field
Sarkheil et al. The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements
EP3948365A1 (en) Automatic calibration of forward depositional models
US20230141334A1 (en) Systems and methods of modeling geological facies for well development
CN117908156A (zh) 一种基于参数耦合评价模型评价页岩油地质的方法及系统
Wang et al. Combined application of unsupervised and deep learning in absolute open flow potential prediction: a case study of the Weiyuan Shale gas reservoir
Klie et al. Improving Field Development Decisions in the Vaca Muerta Shale Formation by Efficient Integration of Data, AI, and Physics
CN113887076A (zh) 基于数学模型对页岩地质条件进行综合评价与分析的方法及装置

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