一种油田岩心数据和测井数据融合方法

技术领域

本发明涉及一种油田勘探数据处理方法，具体涉及一种油田岩心数据和测井数据融合方法。

背景技术

油田研究属于跨学科、多领域研究，涉及地球物理勘探、地质研究、钻井、录井、测井和开发测试等环节，数据获取手段与技术存在显著差异，导致数据表现形式迥异。同时，在地质研究中对储层不同层次，如不同级别地质单元的划分，就形成了不同尺度的数据。油田岩心数据和测井数据就是在表现形式、尺度、空间及存在密度迥异的两类数据。岩心数据的是地质对象岩心的多种属性值表现，纵向上数据表述的多是厘米级范围内；测井数据是地质对象井层的多种属性表现，纵向上数据表述的千米范围内；岩心与测井两种数据在油田平面上的的分布按井数基本处于1:15的密度比例分布。但两类数据都是求证储层状况的最直接反映，两类数据是在油田融合应用最为基础的需求。融合的核心工作就是岩心归位。

岩心归位是指将钻井所取岩心的钻井深度统一归在某一标准深度上，目前科研工作所用的标准深度一般是指测井深度。

中国专利申请CN108227036A公开了一种细粒沉积岩岩心归位的方法，包括以下步骤：1)数据收集及资料准备；2)利用敏感测井曲线建立岩性测井图版；3)利用测井岩性进行典型岩性段和岩性组合段的选取、标定，和岩心厘米级精细描述或岩心扫描图像对比分析，进行岩心的整体初步归位；4)利用分析化验资料和岩心厘米级精细描述对初步归位岩心进行局部精细归位。该发明目的在于提供一种基于“化验数据-岩心描述-岩心图像-岩性组合-测井曲线”多参数联合进行细粒沉积岩岩心归位的方法，为降低细粒沉积岩层系中非常规油气的勘探风险、提高高产、高效井位的勘探成功率提供切实可行的技术体系。

中国专利申请CN110134918A公开了一种基于滑动窗口法的岩心自动归位方法；该方法依次包括初步深度匹配步骤、构建滑动窗口步骤、计算相关系数步骤和筛选步骤，采用滑动窗口法并结合测井数据和岩心测得的实验数据的初步深度匹配以及孔隙度参数沿测井曲线进行滑动时两者的相关系数计算进行岩心自动归位的智能计算处理，最大化降低电缆深度和钻杆深度之间的系统误差，以提高岩心归位的计算效率和准确度。

目前主要是采用岩性与电性的对应关系将岩心统一归在测井曲线上，该方法较为繁琐，且受人为因素影响较大，准确度相对较差。后来岩心地面伽马测试技术发展起来，是针对岩心资料的再利用和深入研究而发展起来的测试技术。岩心地面自然伽马归位是将岩心进行地面自然伽马测试，用所测曲线与测井自然伽马曲线进行对比归位，它受人为因素干扰较小，准确度有很大的提高，且方便快捷。但有一个很大的劣势就是做地面岩心伽马扫描的井数量非常少，与取心井之比为1:80。这样大的比例，即时完成岩心归位工作，实现两种数据融合，意义也不大，因为岩心伽马数据和测井数据融合的比例是1:1200。地质研究是个全局工作，需要获得足够的由岩心反映的储层物性数据，结合测井数据进行研究。

因此，必须寻找一种方法，实现岩心数据泛化到所有测井数据的方法，从而实现岩心反映的储层物性与测井数据反映的储层状态全面融合。

发明内容

本发明主要目的在于提供一种油田岩心数据和测井数据融合的新方法。充分利用现有的油田全量测井数据和取心数据，优化应用基于密度的方法DBSCAN算法和有监督学习的K-近邻算法，基于储层深度多属性对应的业务条件约束，建立测井数据和取心数据融合应用分类模型，形成油田所有已测井单井获得取心数据全集，使其成为获取地质研究获取储层物性数据的必备路径。本发明方法研究数据全面，能够准确反映油藏、储层现状。

为实现上述目的，本发明采用以下技术方案：

本发明提供一种油田岩心数据和测井数据融合方法，其包括以下步骤：

1)建立机器学习数据训练集，集合全量测井数据、岩心数据，分别建立用于聚类分析的测井数据训练集、用于聚类分析的岩心数据训练集；

2)基于数据训练集，用DBSCAN算法做聚类分析，分别获得测井数据聚类分析结果集合、岩心数据聚类分析结果集合；

3)确定共同的聚类井集；

4)共同的聚类井集中每口井做标签；

5)采用有监督的K-近邻算法进一步分类；

6)将所有测井数据完成有监督学习分类；

7)获得储层物性最为接近的岩心数据。

进一步地，在步骤1)中，集合全量测井数据，分析常用测井曲线类型，统一数据单位，完成数据清洗，并对数据进行标准化和归一化，建立用于聚类分析的测井数据训练集。

进一步地，在步骤1)中，所述岩心数据包括孔、渗、饱、碳常规实验数据、油水相渗数据、润湿性数据、敏感性分析数据、压汞数据；对数据进行清洗和归一化，建立用于聚类分析的岩心数据训练集。

进一步地，在步骤2)中，基于测井数据训练集，进一步进行特征工程分析，利用DBSCAN算法做聚类分析，获得测井数据聚类分析结果集合A＝{a

进一步地，在步骤3)中，取测井数据a

进一步地，在步骤4)中，取井集C

进一步地，采用每口井的坐标数据作为约束条件，测井a

进一步地，重复步骤3)到5)，直到每口测井找到最接近的取心井。

与现有技术相比，本发明具有以下优势：

(1)本发明方法能够实时实现测井数据和岩心数据这两类不同尺度、不同分布密度数据的融合。该方法不受试验条件限制，不受油开发阶段等限制，不受传统经验公式限制，实时实现两类数据融合，实现油田地质研究业务的基础数据按需整合需求。

(2)采用本发明方法可形成油田所有井的物性数据全集。该方法经过两次分类学习，第一次无监督学习获得初步分类，第二次有监督学习获得更精准的分类，并加入专业约束，使得油田所有井获得最接近的物性参数值，使得油田的物性数据由点扩展到面，可以作为油田新的数据资源。解决智能油田、智能油藏研究过程中储层物性这一最重要的数据缺失严重的问题。

(3)本发明方法可推广应用于油藏工程和地质建模的研究中，有效提升地质研究精度和效率。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明一具体实施例所述一种油田岩心数据和测井数据融合方法的流程图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作和/或它们的组合。

为了使得本领域技术人员能够更加清楚地了解本发明的技术方案，以下将结合具体的实施例详细说明本发明的技术方案。

实施例1

如图1所示，所述油田岩心数据和测井数据融合方法，包括以下步骤：

步骤110.建立机器学习数据训练集。集合全量测井数据，分析常用测井曲线类型，包括SP、R4、RIID/RIIS、CAL、AC、GR、POR等，统一数据单位，完成数据清洗，并对数据进行标准化和归一化，建立用于聚类分析的测井数据训练集；同时分析岩心数据，主要是岩心的各类物性数据，包括孔、渗、饱、碳常规实验数据、油水相渗数据、润湿性数据、敏感性分析数据、压汞数据等，对数据进行清洗和归一化，建立用于聚类分析的岩心数据训练集。

步骤120.用DBSCAN算法做聚类分析。基于测井数据训练集，进一步进行特征工程分析，利用DBSCAN算法做聚类分析，获得测井数据聚类分析结果集合A＝{a

步骤130.确定共同的聚类井集。需要编写自动对应程序，取测井数据a

步骤140.共同的聚类井集中每口井做标签。取井集C

步骤150.采用有监督的K-近邻算法进一步分类。采用每口井的坐标数据作为约束条件，测井a

步骤160.所有测井数据完成有监督学习分类。重复第三步到第五步，直到所有测井数据分为N-T类(其中：0<＝T

步骤170.每一口有测井数据的井获得储层物性最为接近的岩心数据。测井借用分类一样的取心井的岩心数据，实现两类不同尺度、不同分布密度数据的融合。

本实施例所述方法中两类数据融合过程实现了自动化，而传统办法基本处于手工状态，传统办法实现步骤一般是：借阅岩心录井图纸质资料；从中摘抄取心工具上提或下放值文字记录，如果没有文字记录，还需要在岩心录井图上人工比对测井深度和取心深度差值，获得不同深度岩心归位值；再手动对岩心每块样品深度进行归位；最后将样品归位深度与测井深度进行对应，实现两者融合。本实施例方法分析结果与传统办法分析结果比较：本实施例方法模型预测准确率达到传统办法的92％，但数据融合应用效率提高了8～9倍。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。