CN117951476A - 页岩油储层的岩性识别模型的构建方法及岩性识别方法 - Google Patents
页岩油储层的岩性识别模型的构建方法及岩性识别方法 Download PDFInfo
- Publication number
- CN117951476A CN117951476A CN202410057083.1A CN202410057083A CN117951476A CN 117951476 A CN117951476 A CN 117951476A CN 202410057083 A CN202410057083 A CN 202410057083A CN 117951476 A CN117951476 A CN 117951476A
- Authority
- CN
- China
- Prior art keywords
- lithology
- oil reservoir
- shale oil
- data
- curve
- 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
- 239000003079 shale oil Substances 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000010276 construction Methods 0.000 title claims abstract description 13
- 238000003384 imaging method Methods 0.000 claims abstract description 37
- 230000000704 physical effect Effects 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000035945 sensitivity Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 14
- 238000011160 research Methods 0.000 claims description 14
- 238000010206 sensitivity analysis Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 239000011435 rock Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000006386 memory function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种页岩油储层的岩性识别模型的构建方法及岩性识别方法,该方法包括:对页岩油储层的岩心数据、物性数据和测井数据进行归位和标定处理得到岩心资料;基于岩心资料及对应的微电阻率扫描成像测井资料确定页岩油储层的全井段岩性;构建页岩油储层的敏感指示曲线及其对应的岩性识别交会图版且基于岩性识别交会图版,确定岩性识别划分方案;基于岩性识别划分方案确定敏感指示曲线对应的岩性,并将敏感指示曲线作为输入层,以及将敏感指示曲线对应的岩性作为输出层,构建BP神经网络模型;对BP神经网络模型进行训练得到岩性识别模型。本发明可以解决现有技术方案不能准确识别页岩油储层的岩性的技术问题。
Description
技术领域
本发明涉及页岩油技术领域,具体涉及一种页岩油储层的岩性识别模型的构建方法及岩性识别方法。
背景技术
随着油气勘探开发程度的不断深入,使得非常规油气储层愈发被重视。岩性识别是储层评价的基础,也是油藏描述、测井解释等方面的一项重要工作内容,只有准确了解储层岩性,才能精确求解其储层参数,判断该储层的含油气性。因此,岩性识别的准确程度直接影响着储层结果评价的可靠程度。
当今岩性识别方法的种类包括交会图法、成像测井法、构建所述页岩油储层的敏感指示曲线法和神经网络法四类。交汇图识别法是对测井资料进行简单解释的一种技术,通过对测井曲线进行平面重合交汇来确定被识别样本的分布状况,该方法只是通过岩石物理参数间接的反映储集层岩性,不能直接体现岩石颗粒形态特征,且受矿物组分、沉积特征等因素影响,仅依据2条曲线进行交会图分析确定岩性的符合率相对较低。成像测井法是利用微电阻率扫描成像(FormationMicro-scanner Image,FMI)测井资料直接定性识别不同岩性,反映岩石结构和构造特征,具有分辨率高、图像清晰、连续性好和井眼覆盖率高等优点,但是成像测井定性识别岩性受人为主观因素影响较大,导致岩性划分准确率低,且识别效率不高。目前前人主要是运用单一的岩性识别方法进行研究,对于复杂岩性并不能满足准确的识别需求,具有明显局限性。
发明内容
有鉴于此,有必要提供一种页岩油储层的岩性识别模型的构建方法及岩性识别方法,用以解决现有技术方案不能准确识别页岩油储层的岩性的技术问题。
为了实现上述目的,本发明提供了一种页岩油储层的岩性识别模型的构建方法,包括:
获取页岩油储层的岩心数据、物性数据和测井数据,并对所述岩心数据、所述物性数据和所述测井数据进行归位和标定处理,得到岩心资料;
基于所述岩心资料及对应的微电阻率扫描成像测井资料,确定所述页岩油储层的全井段岩性;
构建所述页岩油储层的敏感指示曲线,并构建所述敏感指示曲线对应的岩性识别交会图版,且基于所述岩性识别交会图版,确定岩性识别划分方案;
基于所述岩性识别划分方案确定所述敏感指示曲线对应的岩性,并将所述敏感指示曲线作为输入层,以及将所述敏感指示曲线对应的岩性作为输出层,构建BP神经网络模型;
对所述BP神经网络模型进行训练,得到用于识别所述页岩油储层岩性的岩性识别模型。
进一步地,所述对所述岩心数据、所述物性数据和所述测井数据进行归位和标定处理,得到岩心资料,包括:
对所述岩心数据进行岩心深度归位处理,得到对应的归位值以及处理后的岩心数据;
将所述物性数据按照所述归位值进行深度标定和剔除异常数据处理,得到处理后的物性数据;
对所述测井数据进行归一化处理,得到处理后的测井数据;
基于所述处理后的岩心数据、所述处理后的物性数据和所述处理后的测井数据,得到所述岩心资料。
进一步地,所述基于所述岩心资料及对应的微电阻率扫描成像测井资料,确定所述页岩油储层的全井段岩性,包括:
基于所述岩心资料,对所述微电阻率扫描成像测井资料进行刻度,并确定研究区关键岩性;
基于所述微电阻率扫描成像测井资料的刻度,以及所述研究区关键岩性,确定所述页岩油储层的全井段岩性。
进一步地,所述确定研究区关键岩性,包括:
基于双孔隙度叠合曲线法确定研究区关键岩性。
进一步地,所述构建所述页岩油储层的敏感指示曲线,包括:
对所述测井数据中的目标测井曲线数据进行敏感性分析,以构建所述页岩油储层的敏感指示曲线。
进一步地,所述对所述测井数据中的目标测井曲线数据进行敏感性分析,以构建所述页岩油储层的敏感指示曲线,包括:
通过交会图法对所述测井数据中的目标测井曲线数据进行敏感性分析,确定岩性敏感参数曲线;
基于所述岩性敏感参数曲线,构建所述页岩油储层的敏感指示曲线。
本发明还提供一种页岩油储层的岩性识别方法,包括:
获取待识别页岩油储层对应的敏感指示曲线;
将所述待识别页岩油储层对应的敏感指示曲线,输入至上述任一项所述方法得到的岩性识别模型中,得到所述待识别页岩油储层对应的岩性。
本发明还提供一种页岩油储层的岩性识别模型的构建装置,包括:
获取模块,用于获取页岩油储层的岩心数据、物性数据和测井数据,并对所述岩心数据、所述物性数据和所述测井数据进行归位和标定处理,得到岩心资料;
岩性确定模块,用于基于所述岩心资料及对应的微电阻率扫描成像测井资料,确定所述页岩油储层的全井段岩性;
识别方案确定模块,用于构建所述页岩油储层的敏感指示曲线,并构建所述敏感指示曲线对应的岩性识别交会图版,且基于所述岩性识别交会图版,确定岩性识别划分方案;
模型构建模块,用于基于所述岩性识别划分方案确定所述敏感指示曲线对应的岩性,并将所述敏感指示曲线作为输入层,以及将所述敏感指示曲线对应的岩性作为输出层,构建BP神经网络模型;
模型训练模块,用于对所述BP神经网络模型进行训练,得到用于识别所述页岩油储层岩性的岩性识别模型。
本发明还提供一种电子设备,包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现如上述任意一项所述的页岩油储层的岩性识别模型的构建方法中的步骤,或者实现如上所述的页岩油储层的岩性识别方法中的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的页岩油储层的岩性识别模型的构建方法,或者实现如上所述的页岩油储层的岩性识别方法。
采用上述实现方式的有益效果是:本发明提供的页岩油储层的岩性识别模型的构建方法及岩性识别方法,根据研究区页岩油储层的岩心数据、物性数据、测井数据以及微电阻率扫描成像测井资料对应的特征对页岩油储层的岩性进行了定性定量的多级识别,使岩性识别方法面面俱到,更加系统、全面、精准。此外,本发明通过岩心数据统计分析、物性数据佐证,再利用测井数据叠合法及微电阻率扫描成像测井进行关键岩性的确定,确定岩性的方法更加科学,贴合实际。
本发明通过构建所述页岩油储层的敏感指示曲线增强岩性特征的测井响应,提高岩性识别的符合率,而且采用的BP神经网络模型具有强自适应性、容错性、联想记忆功能等优势,将敏感指示曲线作为输入,以及将敏感指示曲线对应的岩性作为输出,建立岩性BP神经网络模型进行训练,得到用于识别所述页岩油储层岩性的岩性识别模型,以进行岩性识别,并得到高精度的岩性解释剖面,对于复杂岩性也可以准确识别,从而解决现有技术方案不能准确识别页岩油储层的岩性的技术问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见地,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为本发明提供的页岩油储层的岩性识别模型的构建方法的一实施例的流程图;
图2为本发明提供的某区长7的页岩油储层不同岩性厚度占比图;
图3为本发明提供的页岩油储层不同岩性渗透率分布特征图;
图4(a)为本发明提供的页岩油储层孔渗分布特征图一;
图4(b)为本发明提供的页岩油储层孔渗分布特征图二;
图5(a)为本发明提供的页岩油储层不同岩性的常规测井与微电阻率扫描成像的特征图一;
图5(b)为本发明提供的页岩油储层不同岩性的常规测井与微电阻率扫描成像的特征图二;
图5(c)为本发明提供的页岩油储层不同岩性的常规测井与微电阻率扫描成像的特征图三;
图5(d)为本发明提供的页岩油储层不同岩性的常规测井与微电阻率扫描成像的特征图四;
图6为本发明提供的页岩油储层不同岩性的常规测井曲线敏感性分析图;
图7为本发明提供的岩性识别交会图版;
图8为本发明提供的BP神经网络的基本原理图;
图9为本发明提供的X井岩性录井剖面及BP神经网络模型预测岩性剖面的对比图;
图10为本发明提供的页岩油储层的岩性识别方法的一实施例的流程图;
图11为本发明提供的页岩油储层的岩性识别模型的构建装置的一实施例的原理框图;
图12为本发明提供的电子设备的一个实施例结构示意图。
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、完整的描述。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。
在本申请实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本发明实施例中术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
在本发明实施例中出现的对步骤进行的命名或者编号,并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤,已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序,只要能达到相同或者相似的技术效果即可。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其他实施例相结合。
本发明提供了一种页岩油储层的岩性识别模型的构建方法及岩性识别方法,以下分别进行说明。
如图1所示,本发明提供一种页岩油储层的岩性识别模型的构建方法,包括:
步骤110、获取页岩油储层的岩心数据、物性数据和测井数据,并对所述岩心数据、所述物性数据和所述测井数据进行归位和标定处理,得到岩心资料;
步骤120、基于所述岩心资料及对应的微电阻率扫描成像(FormationMicro-scanner Image,FMI)测井资料,确定所述页岩油储层的全井段岩性;
步骤130、构建所述页岩油储层的敏感指示曲线,并构建所述敏感指示曲线对应的岩性识别交会图版,且基于所述岩性识别交会图版,确定岩性识别划分方案;
步骤140、基于所述岩性识别划分方案确定所述敏感指示曲线对应的岩性,并将所述敏感指示曲线作为输入层,以及将所述敏感指示曲线对应的岩性作为输出层,构建BP神经网络模型;
步骤150、对所述BP(Back Propagation)神经网络模型进行训练,得到用于识别所述页岩油储层岩性的岩性识别模型。
可以理解的是,在本实施例中,页岩油储层的岩性识别模型的构建方法可以应用于区长7的页岩油储层,某区长7的页岩油储层不同岩性厚度占比图如图2所示,页岩油储层包括细砂岩、泥质粉砂岩、粉砂质泥岩、泥岩和煤,该页岩油储层不同岩性渗透率分布特征图如图3所示,页岩油储层孔渗分布特征图如图4(a)和图4(b)所示,页岩油储层不同岩性的常规测井与微电阻率扫描成像的特征图分别如图5(a)、图5(b)、图5(c)、图5(d)所示。
测井数据可以用于确定被识别样本的分布状况,如果只是通过岩石物理参数间接的反映储集层岩性,不能直接体现岩石颗粒形态特征,且受矿物组分、沉积特征等因素影响。微电阻率扫描成像测井资料可以直接定性识别不同岩性,反映岩石结构和构造特征,具有分辨率高、图像清晰、连续性好和井眼覆盖率高等优点,但是成像测井定性识别岩性受人为主观因素影响较大,导致岩性划分准确率低,且识别效率不高。
某区长7页岩油储层不同岩性的常规测井曲线敏感性分析图如图6所示,对应的岩性识别交会图版如图7所示,构建所述页岩油储层的敏感指示曲线法是指对具有代表性的测井曲线参数进行岩性敏感性分析,进而重构敏感指示曲线的方法,该方法增强了岩性特征的测井响应,能够提高储层岩性识别和划分的准确率。
BP神经网络的基本原理图如图8所示,BP神经网络是一种多层前馈网络的非线性预测模型,该模型主要是采用误差反向传播训练算法。它具有灵活的模型结构,具有高强度非线性映射能力及较强的自我适应和自学能力。使用BP神经网络对优选的评价参数作为输入值,岩性为输出值,建立岩性BP神经网络模型,训练该模型得到用于识别所述页岩油储层岩性的岩性识别模型,进而对页岩油储层的岩性进行准确识别。页岩油储层具有岩性多样、物性致密、孔隙结构复杂、非均质性强等特征,仅用传统方法难以满足工业界对岩性识别的需求,本实施例基于页岩油储层的岩心数据、物性数据和测井数据,以及微电阻率扫描成像测井资料,构建所述页岩油储层的敏感指示曲线,并结合BP神经网络模型,实现对页岩油储层的岩性进行识别。
在一些实施例中,所述对所述岩心数据、所述物性数据和所述测井数据进行归位和标定处理,得到岩心资料,包括:
对所述岩心数据进行岩心深度归位处理,得到对应的归位值以及处理后的岩心数据;
将所述物性数据按照所述归位值进行深度标定和剔除异常数据处理,得到处理后的物性数据;
对所述测井数据进行归一化处理,得到处理后的测井数据;
基于所述处理后的岩心数据、所述处理后的物性数据和所述处理后的测井数据,得到所述岩心资料。
可以理解的是,对于岩心数据进行岩心深度归位处理,然后将岩心分析的物性数据和岩心观察与描述的结果按照归位值进行深度标定;对岩心分析的物性数据进行线性回归,剔除部分异常样本;对于测井曲线(即测井数据)采用归一化处理,分别归一化[0,1],消除刻度的影响。
归一化公式为:
式中,X为某个输入参数的值;Xmax、Xmin分别为该输入参数的最大、最小值;ΔX为该输入参数的归一化值,电阻率曲线采用对数归一化值,无量纲。
在一些实施例中,所述基于所述岩心资料及对应的微电阻率扫描成像测井资料,确定所述页岩油储层的全井段岩性,包括:
基于所述岩心资料,对所述微电阻率扫描成像测井资料进行刻度,并确定研究区关键岩性;
基于所述微电阻率扫描成像测井资料的刻度,以及所述研究区关键岩性,确定所述页岩油储层的全井段岩性。
进一步地,所述确定研究区关键岩性,包括:
基于双孔隙度叠合曲线法确定研究区关键岩性。
可以理解的是,基于步骤110得到的岩心资料对微电阻率扫描成像测井资料进行刻度,并确定研究区关键岩性,进而通过成像测井图像特征识别全井段岩性。
进一步地,可以利用上述岩心资料对成像测井资料进行刻度,结合双孔隙度叠合曲线法确定研究区关键岩性,进而通过成像测井图像特征识别全井段岩性。
在一些实施例中,所述构建所述页岩油储层的敏感指示曲线,包括:
对所述测井数据中的目标测井曲线数据进行敏感性分析,以构建所述页岩油储层的敏感指示曲线。
进一步地,所述对所述测井数据中的目标测井曲线数据进行敏感性分析,以构建所述页岩油储层的敏感指示曲线,包括:
通过交会图法对所述测井数据中的目标测井曲线数据进行敏感性分析,确定岩性敏感参数曲线;
基于所述岩性敏感参数曲线,构建所述页岩油储层的敏感指示曲线。
可以理解的是,目标测井曲线数据,即测井数据中的代表性测井曲线数据。
通过交会图法对代表性测井曲线数据进行敏感性分析,优选出岩性敏感参数曲线,包括:GR(自然伽马曲线)、DEN(补偿密度曲线)、AC(声波时差曲线)、CNL(补偿中子曲线),进而构建所述页岩油储层的敏感指示曲线以增强岩性特征的测井响应,即岩性重构曲线Ilith和孔隙度重构曲线Ipor。在此基础上,建立Ilith、Ipor的岩性识别交会图版,确立岩性识别划分方案,将页岩油储层岩石类型定量划分为:细砂岩、泥质粉砂岩、粉砂质泥岩和泥岩。
Ilith=ΔGR×ΔAC
Ipor=100×(ΔDEN-ΔCNL)
某区X井岩性录井剖面及BP神经网络模型预测岩性剖面的对比图如图9所示,根据岩性识别划分方案,以构建的敏感指示曲线参数Ilith、Ipor值作为输入层,岩性为输出层,构建岩性BP神经网络模型,形成单井岩性解释剖面,通过网络训练实现高精度的岩性自动识别。
综上所述,本发明提供的页岩油储层的岩性识别模型的构建方法,根据研究区页岩油储层的岩心数据、物性数据、测井数据以及微电阻率扫描成像测井资料对应的特征对页岩油储层的岩性进行了定性定量的多级识别,使岩性识别方法面面俱到,更加系统、全面、精准。此外,本发明通过岩心数据统计分析、物性数据佐证,再利用测井数据叠合法及微电阻率扫描成像测井进行关键岩性的确定,确定岩性的方法更加科学,贴合实际。
本发明通过构建所述页岩油储层的敏感指示曲线增强岩性特征的测井响应,提高岩性识别的符合率,而且采用的BP神经网络模型具有强自适应性、容错性、联想记忆功能等优势,将敏感指示曲线作为输入,以及将敏感指示曲线对应的岩性作为输出,建立岩性BP神经网络模型进行训练,得到用于识别所述页岩油储层岩性的岩性识别模型,以进行岩性识别,并得到高精度的岩性解释剖面,从而解决现有技术方案不能准确识别页岩油储层的岩性的技术问题。
如图10所示,本发明还提供一种页岩油储层的岩性识别方法,包括:
步骤1010、获取待识别页岩油储层对应的敏感指示曲线;
步骤1020、将所述待识别页岩油储层对应的敏感指示曲线,输入至上述所述方法得到的岩性识别模型中,得到所述待识别页岩油储层对应的岩性。
如图11所示,本发明还提供一种页岩油储层的岩性识别模型的构建装置1100,包括:
获取模块1110,用于获取页岩油储层的岩心数据、物性数据和测井数据,并对所述岩心数据、所述物性数据和所述测井数据进行归位和标定处理,得到岩心资料;
岩性确定模块1120,用于基于所述岩心资料及对应的微电阻率扫描成像测井资料,确定所述页岩油储层的全井段岩性;
识别方案确定模块1130,用于构建所述页岩油储层的敏感指示曲线,并构建所述敏感指示曲线对应的岩性识别交会图版,且基于所述岩性识别交会图版,确定岩性识别划分方案;
模型构建模块1140,用于基于所述岩性识别划分方案确定所述敏感指示曲线对应的岩性,并将所述敏感指示曲线作为输入层,以及将所述敏感指示曲线对应的岩性作为输出层,构建BP神经网络模型;
模型训练模块1150,用于对所述BP神经网络模型进行训练,得到用于识别所述页岩油储层岩性的岩性识别模型。
上述实施例提供的页岩油储层的岩性识别模型的构建装置可实现上述页岩油储层的岩性识别模型的构建方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述页岩油储层的岩性识别模型的构建方法实施例中的相应内容,此处不再赘述。
如图12所示,本发明还相应提供了一种电子设备1200。该电子设备1200包括处理器1201、存储器1202及显示器1203。图12仅示出了电子设备1200的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器1202在一些实施例中可以是电子设备1200的内部存储单元,例如电子设备1200的硬盘或内存。存储器1202在另一些实施例中也可以是电子设备1200的外部存储设备,例如电子设备1200上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
进一步地,存储器1202还可既包括电子设备1200的内部储存单元也包括外部存储设备。存储器1202用于存储安装电子设备1200的应用软件及各类数据。
处理器1201在一些实施例中可以是一个中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器1202中存储的程序代码或处理数据,例如本发明中的页岩油储层的岩性识别模型的构建方法。
显示器1203在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器1203用于显示在电子设备1200的信息以及用于显示可视化的用户界面。电子设备1200的部件1201-1203通过系统总线相互通信。
在本发明的一些实施例中,当处理器1201执行存储器1202中的页岩油储层的岩性识别模型的构建程序时,可实现以下步骤:
获取页岩油储层的岩心数据、物性数据和测井数据,并对所述岩心数据、所述物性数据和所述测井数据进行归位和标定处理,得到岩心资料;
基于所述岩心资料及对应的微电阻率扫描成像测井资料,确定所述页岩油储层的全井段岩性;
构建所述页岩油储层的敏感指示曲线,并构建所述敏感指示曲线对应的岩性识别交会图版,且基于所述岩性识别交会图版,确定岩性识别划分方案;
基于所述岩性识别划分方案确定所述敏感指示曲线对应的岩性,并将所述敏感指示曲线作为输入层,以及将所述敏感指示曲线对应的岩性作为输出层,构建BP神经网络模型;
对所述BP神经网络模型进行训练,得到用于识别所述页岩油储层岩性的岩性识别模型;
或者,当处理器1201执行存储器1202中的页岩油储层的岩性识别程序时,可实现以下步骤:
获取待识别页岩油储层对应的敏感指示曲线;
将所述待识别页岩油储层对应的敏感指示曲线,输入至上述方法得到的岩性识别模型中,得到所述待识别页岩油储层对应的岩性。
应当理解的是:处理器1201在执行存储器1202中的页岩油储层的岩性识别模型的构建程序时,除了上面的功能之外,还可实现其他功能,具体可参见前面相应方法实施例的描述。
进一步地,本发明实施例对提及的电子设备1200的类型不作具体限定,电子设备1200可以为手机、平板电脑、个人数字助理(personal digitalassistant,PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备,诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是,在本发明其他一些实施例中,电子设备1200也可以不是便携式电子设备,而是具有触敏表面(例如触控面板)的台式计算机。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的页岩油储层的岩性识别模型的构建方法,该方法包括:
获取页岩油储层的岩心数据、物性数据和测井数据,并对所述岩心数据、所述物性数据和所述测井数据进行归位和标定处理,得到岩心资料;
基于所述岩心资料及对应的微电阻率扫描成像测井资料,确定所述页岩油储层的全井段岩性;
构建所述页岩油储层的敏感指示曲线,并构建所述敏感指示曲线对应的岩性识别交会图版,且基于所述岩性识别交会图版,确定岩性识别划分方案;
基于所述岩性识别划分方案确定所述敏感指示曲线对应的岩性,并将所述敏感指示曲线作为输入层,以及将所述敏感指示曲线对应的岩性作为输出层,构建BP神经网络模型;
对所述BP神经网络模型进行训练,得到用于识别所述页岩油储层岩性的岩性识别模型;
或者,该计算机程序被处理器执行时实现以执行上述各方法提供的页岩油储层的岩性识别方法,该方法包括:
获取待识别页岩油储层对应的敏感指示曲线;
将所述待识别页岩油储层对应的敏感指示曲线,输入至上述方法得到的岩性识别模型中,得到所述待识别页岩油储层对应的岩性。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,程序可存储于计算机可读存储介质中。其中,计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的页岩油储层的岩性识别模型的构建方法及岩性识别方法进行了详细介绍,本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 (10)
1.一种页岩油储层的岩性识别模型的构建方法,其特征在于,包括:
获取页岩油储层的岩心数据、物性数据和测井数据,并对所述岩心数据、所述物性数据和所述测井数据进行归位和标定处理,得到岩心资料;
基于所述岩心资料及对应的微电阻率扫描成像测井资料,确定所述页岩油储层的全井段岩性;
构建所述页岩油储层的敏感指示曲线,并构建所述敏感指示曲线对应的岩性识别交会图版,且基于所述岩性识别交会图版,确定岩性识别划分方案;
基于所述岩性识别划分方案确定所述敏感指示曲线对应的岩性,并将所述敏感指示曲线作为输入层,以及将所述敏感指示曲线对应的岩性作为输出层,构建BP神经网络模型;
对所述BP神经网络模型进行训练,得到用于识别所述页岩油储层岩性的岩性识别模型。
2.根据权利要求1所述的页岩油储层的岩性识别模型的构建方法,其特征在于,所述对所述岩心数据、所述物性数据和所述测井数据进行归位和标定处理,得到岩心资料,包括:
对所述岩心数据进行岩心深度归位处理,得到对应的归位值以及处理后的岩心数据;
将所述物性数据按照所述归位值进行深度标定和剔除异常数据处理,得到处理后的物性数据;
对所述测井数据进行归一化处理,得到处理后的测井数据;
基于所述处理后的岩心数据、所述处理后的物性数据和所述处理后的测井数据,得到所述岩心资料。
3.根据权利要求2所述的页岩油储层的岩性识别模型的构建方法,其特征在于,所述基于所述岩心资料及对应的微电阻率扫描成像测井资料,确定所述页岩油储层的全井段岩性,包括:
基于所述岩心资料,对所述微电阻率扫描成像测井资料进行刻度,并确定研究区关键岩性;
基于所述微电阻率扫描成像测井资料的刻度,以及所述研究区关键岩性,确定所述页岩油储层的全井段岩性。
4.根据权利要求3所述的页岩油储层的岩性识别模型的构建方法,其特征在于,所述确定研究区关键岩性,包括:
基于双孔隙度叠合曲线法确定研究区关键岩性。
5.根据权利要求1-4任一项所述的页岩油储层的岩性识别模型的构建方法,其特征在于,所述构建所述页岩油储层的敏感指示曲线,包括:
对所述测井数据中的目标测井曲线数据进行敏感性分析,以构建所述页岩油储层的敏感指示曲线。
6.根据权利要求5所述的页岩油储层的岩性识别模型的构建方法,其特征在于,所述对所述测井数据中的目标测井曲线数据进行敏感性分析,以构建所述页岩油储层的敏感指示曲线,包括:
通过交会图法对所述测井数据中的目标测井曲线数据进行敏感性分析,确定岩性敏感参数曲线;
基于所述岩性敏感参数曲线,构建所述页岩油储层的敏感指示曲线。
7.一种页岩油储层的岩性识别方法,其特征在于,包括:
获取待识别页岩油储层对应的敏感指示曲线;
将所述待识别页岩油储层对应的敏感指示曲线,输入至权利要求1-6任一项所述方法得到的岩性识别模型中,得到所述待识别页岩油储层对应的岩性。
8.一种页岩油储层的岩性识别模型的构建装置,其特征在于,包括:
获取模块,用于获取页岩油储层的岩心数据、物性数据和测井数据,并对所述岩心数据、所述物性数据和所述测井数据进行归位和标定处理,得到岩心资料;
岩性确定模块,用于基于所述岩心资料及对应的微电阻率扫描成像测井资料,确定所述页岩油储层的全井段岩性;
识别方案确定模块,用于构建所述页岩油储层的敏感指示曲线,并构建所述敏感指示曲线对应的岩性识别交会图版,且基于所述岩性识别交会图版,确定岩性识别划分方案;
模型构建模块,用于基于所述岩性识别划分方案确定所述敏感指示曲线对应的岩性,并将所述敏感指示曲线作为输入层,以及将所述敏感指示曲线对应的岩性作为输出层,构建BP神经网络模型;
模型训练模块,用于对所述BP神经网络模型进行训练,得到用于识别所述页岩油储层岩性的岩性识别模型。
9.一种电子设备,其特征在于,包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现如权利要求1至6中任意一项所述的页岩油储层的岩性识别模型的构建方法中的步骤,或者实现如权利要求7所述的页岩油储层的岩性识别方法中的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的页岩油储层的岩性识别模型的构建方法,或者实现如权利要求7所述的页岩油储层的岩性识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410057083.1A CN117951476A (zh) | 2024-01-15 | 2024-01-15 | 页岩油储层的岩性识别模型的构建方法及岩性识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410057083.1A CN117951476A (zh) | 2024-01-15 | 2024-01-15 | 页岩油储层的岩性识别模型的构建方法及岩性识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117951476A true CN117951476A (zh) | 2024-04-30 |
Family
ID=90793853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410057083.1A Pending CN117951476A (zh) | 2024-01-15 | 2024-01-15 | 页岩油储层的岩性识别模型的构建方法及岩性识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117951476A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6052649A (en) * | 1998-05-18 | 2000-04-18 | Dresser Industries, Inc. | Method and apparatus for quantifying shale plasticity from well logs |
CN105275456A (zh) * | 2014-06-23 | 2016-01-27 | 中国石油化工股份有限公司 | 一种利用测井资料识别优质泥页岩的方法 |
CN112182966A (zh) * | 2020-09-28 | 2021-01-05 | 河南理工大学 | 一种基于多源测录井数据的生物扰动储集层识别方法 |
CN112302623A (zh) * | 2020-10-31 | 2021-02-02 | 中国海洋石油集团有限公司 | 一种基于测井资料的花岗岩潜山风化壳结构划分方法 |
CN114528746A (zh) * | 2020-11-04 | 2022-05-24 | 中国石油化工股份有限公司 | 复杂岩性识别方法、识别系统、电子设备及存储介质 |
CN115965273A (zh) * | 2022-12-13 | 2023-04-14 | 中国石油大学(华东) | 一种页岩油水平井钻探过程中甜点评价方法 |
CN116168224A (zh) * | 2021-11-23 | 2023-05-26 | 中国石油化工股份有限公司 | 基于成像砾石含量的机器学习岩相自动识别方法 |
CN116263809A (zh) * | 2021-12-10 | 2023-06-16 | 中国石油化工股份有限公司 | 一种基于人工智能与测井分层建模的页岩油岩相识别方法 |
WO2023246380A1 (zh) * | 2022-06-21 | 2023-12-28 | 中国石油天然气股份有限公司 | 页岩气水平井返排阶段的油嘴制度的确定方法及装置 |
CN117365458A (zh) * | 2022-06-30 | 2024-01-09 | 中国石油天然气股份有限公司 | 一种混积型页岩储层岩性测井识别方法 |
CN117388945A (zh) * | 2022-07-04 | 2024-01-12 | 中国石油化工股份有限公司 | 一种断缝体油藏储层类型的识别方法 |
-
2024
- 2024-01-15 CN CN202410057083.1A patent/CN117951476A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6052649A (en) * | 1998-05-18 | 2000-04-18 | Dresser Industries, Inc. | Method and apparatus for quantifying shale plasticity from well logs |
CN105275456A (zh) * | 2014-06-23 | 2016-01-27 | 中国石油化工股份有限公司 | 一种利用测井资料识别优质泥页岩的方法 |
CN112182966A (zh) * | 2020-09-28 | 2021-01-05 | 河南理工大学 | 一种基于多源测录井数据的生物扰动储集层识别方法 |
CN112302623A (zh) * | 2020-10-31 | 2021-02-02 | 中国海洋石油集团有限公司 | 一种基于测井资料的花岗岩潜山风化壳结构划分方法 |
CN114528746A (zh) * | 2020-11-04 | 2022-05-24 | 中国石油化工股份有限公司 | 复杂岩性识别方法、识别系统、电子设备及存储介质 |
CN116168224A (zh) * | 2021-11-23 | 2023-05-26 | 中国石油化工股份有限公司 | 基于成像砾石含量的机器学习岩相自动识别方法 |
CN116263809A (zh) * | 2021-12-10 | 2023-06-16 | 中国石油化工股份有限公司 | 一种基于人工智能与测井分层建模的页岩油岩相识别方法 |
WO2023246380A1 (zh) * | 2022-06-21 | 2023-12-28 | 中国石油天然气股份有限公司 | 页岩气水平井返排阶段的油嘴制度的确定方法及装置 |
CN117365458A (zh) * | 2022-06-30 | 2024-01-09 | 中国石油天然气股份有限公司 | 一种混积型页岩储层岩性测井识别方法 |
CN117388945A (zh) * | 2022-07-04 | 2024-01-12 | 中国石油化工股份有限公司 | 一种断缝体油藏储层类型的识别方法 |
CN115965273A (zh) * | 2022-12-13 | 2023-04-14 | 中国石油大学(华东) | 一种页岩油水平井钻探过程中甜点评价方法 |
Non-Patent Citations (1)
Title |
---|
侯佳凯: "南堡凹陷古近系页岩油储层品质研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》, 1 May 2023 (2023-05-01) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111551992B (zh) | 岩石储层构造表征方法、装置、计算机可读存储介质及电子设备 | |
Li et al. | Prediction of fracture density using genetic algorithm support vector machine based on acoustic logging data | |
CN107678059B (zh) | 一种储层含气识别的方法、装置及系统 | |
Shahriari et al. | Error control and loss functions for the deep learning inversion of borehole resistivity measurements | |
CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
Konaté et al. | Application of dimensionality reduction technique to improve geophysical log data classification performance in crystalline rocks | |
Nurindrawati et al. | Predicting magnetization directions using convolutional neural networks | |
CN115358285B (zh) | 待勘测区块关键地质参数的选取方法、装置、及设备 | |
CN113065279A (zh) | 预测总有机碳含量的方法、装置、设备及存储介质 | |
CN115929292A (zh) | 基于成像测井和常规测井融合的测井方法、装置及设备 | |
Jiang et al. | Pore‐scale multiresolution rock‐typing of layered sandstones via Minkowski maps | |
CN117951476A (zh) | 页岩油储层的岩性识别模型的构建方法及岩性识别方法 | |
CN113818867B (zh) | 一种构建伪毛管压力曲线方法、系统、介质、设备及应用 | |
CN115201925A (zh) | 一种基于核磁共振二维谱识别方法、装置、设备及介质 | |
CN112253101B (zh) | 油气资源勘探方法、装置、设备及计算机可读存储介质 | |
CN113153259A (zh) | 碳酸盐岩矿物组分的确定方法、装置、设备及存储介质 | |
Wang et al. | Fracture extraction from logging image using a dual encoder-decoder architecture with Swin transformer | |
CN108594305A (zh) | 页岩储层含气性分析方法及装置 | |
Xiang et al. | Gas-bearing prediction in tight sandstone reservoirs based on multinetwork integration | |
CN117309923A (zh) | 一种现场岩屑扫描代表性分析方法及装置 | |
Wang et al. | Study on a New Rock Fracability Evaluation Model of Shale Gas Reservoir | |
CN118094339B (zh) | 地层温度预测方法、装置及计算设备 | |
CN112682034B (zh) | 基于致密砂岩储层的裂缝识别、倾角表征的方法及装置 | |
CN111242009B (zh) | 岩心指纹的相关方法及相关设备 | |
CN117991335A (zh) | 基于常规测井资料的高频旋回碳酸盐岩识别方法 |
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 |