一种使用机器学习算法实现测井解释的方法

一、技术领域

石油与天然气是化石能源、基础化工原料，是重要战略资源和关系国计民生的商品，在钻井的几千米地层中找到富含油气的地层是测井解释的主要工作，测井解释人员利用地球物理测井、泥浆录井等资料通过图版、交会图、经验公式等完成岩性识别、油气水层的解释。机器学习通过对样本特征的训练可以完成分类的工作，把测井资料、录井资料、钻井资料作为特征，把岩性分类、油气水解释方案作为目标，通过机器学习算法完成训练，训练后的模型直接应用于需要解释的井，完成机器学习自动解释工作。

二、背景技术

地层是否赋存油气资源受到多种因素制约，如生油母岩丰度、厚度、成熟度，油气从母岩到储层的运移通道是否连通，盖层发育程度，以及储层的优劣，测井解释需要应用大量资料同时要求解释人员拥有丰富的经验。

在已经有探井探明的区域，生油、储层、盖层组合，圈闭、运移、保存类型已经探明。油气层解释就是石油开发重要一环，是否是储层？储层是否含油？对油气层认识会受到储层骨架、孔隙、流体、含水饱和度等多种因素的制约。测井专家要完成解释模型建立、计算孔隙度、计算含水饱和度、计算渗透率、判断岩性、油气水层，还要做一系列交会图版如电阻率-孔隙度交会图、声波-伽马交会图等等，工作繁琐纷杂，与解释专家的经验相关度高。

机器学习是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。利用机器学习算法，通过学习测井专家使用资料与解释结果的内部逻辑关系，训练得到适用的解释模型，把解释模型应用于测井解释，可以避免疑难油气层解释经验不足引起的误差，还可以规避许多繁琐的模板制作和经验公式的推导。

通过大数据技术，收集测井专家的解释经验，把测井专家解释使用的信息进行综合，把解释结果与使用的钻井资料、测井资料、录井资料相结合形成机器学习数据库。

机器学习的特点是样本越丰富，模型准确度越高，因此每一个测井解释的结果作为一个样本，把测井解释所需的条件作为机器学习特征，这些特征不限于样本的空间坐标、沉积地层、埋深、电性、岩性、物性、录井气测、钻速、泥浆密度等等。

三、发明内容

测井专家的油气层解释经验是机器学习的基础，收集人工测井解释成果样本，按照测井深度采样间隔取样测井解释方案。

设计机器学习特征表，按照空间位置、地质时代、岩性、物性、电性、含油气性、钻井参数、录井参数等能够收集的信息建立机器学习特征表，涉及的参数可以尽可能多。

选取【0008】特征表中的特征作为X变量，选取测井解释结论作为y变量，由于测井解释结论是非数字的，难以进行分类计算，为了机器学习能够自动运行，需要按照用户指定的名字-数字对应关系进行数字化译码。

选取【0009】样本库部分X、y作为训练数据，命名为X_train、y_train，剩余部分样本作为测试数据，命名为X_test、y_test。将训练数据输入机器学习分类算法得到精度高、泛化能力好的测井解释模型。

对解释井选取与训练模型中X相同的特征，使用机器学习得到的模型进行计算，得到每个深度样本点预测的测井解释结论。

梯度提升决策树算法可以用于分类，每一棵决策树每一步会产生一个弱分类器，然后通过加权累加起来变成一个强分类器：

比如每一步都会产生一个f(x)，

F(x)＝∑f

......

f

目标函数就是：

意思就是找到第t个比较好的弱分类器，使得误差变小，Ω(f

y是计算得到目的层段的确定解释结论如油层、水层、气层、可疑油层、差油层和油水同层等。

四、说明书附图

图1机器学习特征及神经网络配置表。

图2字符变量译码。

图3机器学习测井解释与人工解释对比图。

五、具体实施方式

1、收集测井专家油气层解释样本，按照测井曲线深度采样得到样本库。

2、按照【006】所述空间坐标、沉积地层、埋深、电性、岩性、物性、录井气测、钻速、泥浆等参数，建立机器学习特征表。

3、选取【0017】特征表作为X输入，每个样本解释结论数值译码作为y。

4、把【0018】得到的样本按照一定比例分成训练数据(X_train，y_train)和测试数据 (X_test，y_test)。

5、调用机器学习分类算法中的模型训练函数使用训练数据训练模型，使用预测函数对测试数据进行验证，直至模型具备较好的精度和泛化能力。

6、按照【0018】中相同的特征名收集整理目标井的资料，得到目标井特征数据。

使用【0020】训练得到的模型，调用模型预测算法完成测井解释，得到解释方案。