一种近邻信息增强的储层参数预测方法及系统
文献发布时间:2024-04-18 19:59:31
技术领域
本发明涉及储层参数预测技术领域,尤其涉及一种近邻信息增强的储层参数预测方法及系统。
背景技术
储层参数预测是油气勘探和生产中的重要任务之一,它涉及到确定地下储层中各种属性和特性的数值,以帮助石油工程师和地质学家更好地理解储层的潜力和行为;预测储层参数通常需要结合多种数据源,包括测井数据、地质实验室测试、地球物理勘探、数值模拟等方法。
孔隙度、渗透率和含水饱和度的准确预测是储层参数预测的重要基础,要想为储层参数预测提供可靠的参考依据,就必须对它们进行准确的估算,目前在油田勘探开发领域中,确定储层物性参数的方法主要有两种:一种是直接法,另一种是间接法,但这两种方法所构成的经验公式、统计模型可移植性差,且未充分考虑到非均质碳酸盐储层参数与测井数据之间复杂的非线性映射关系及空间的连续性。
近年来机器学习不断发展成熟,有很多学者对此进行深入研究,并利用其强大的学习能力对储层参数预测开展了一系列研究应用,如针对孔隙度预测不精等问题,利用网格搜索法和遗传算法对极限梯度提升进行优化;如将具有树形结构的高效集成学习模型应用于含水饱和度的预测,并证明了其在此任务上有一定的预测潜力;然而这些方法并未充分考虑到由于气候地理条件的不同,导致地下环境复杂多变,以至于各种测井数据之间存在着明显差异。
基于上述情况,亟需一种针对碳酸盐岩储层之间非均质性强、岩性和成岩作用复杂、数据具有时间序列等特性的预测方法。
发明内容
针对现有技术存在的问题,本发明提供了一种近邻信息增强的储层参数预测方法及系统,基于碳酸盐区块中相邻井之间存在着多变的测井曲线信息等,对测井曲线进行进一步处理划分,以解决储层参数预测不精等问题。
一种近邻信息增强的储层参数预测方法,包括:
基于Pearson相关性分析方法从原始测井曲线中筛选出与储层参数关联性达到设定阈值的预处理后的测井曲线;
使用主成分分析对预处理后的测井曲线进行数据降维,提取主成分特征数据;
采用K均值聚类算法对主成分特征数据进行无监督聚类,得到具有相似属性的H类井群组;
构建MLSTM预测模型,使用井群组中每一类井群分别进行训练,得到与每类井群对应的MLSTM预测模型,并利用每类井群对应的MLSTM预测模型进行储层参数预测。
优选地,所述的基于Pearson相关性分析方法从原始测井曲线中筛选出与储层参数关联性达到设定阈值的预处理后的测井曲线,具体包括:
对原始测井曲线进行初步筛选与清洗,并结合 Pearson 相关性分析方法对初步筛选与清洗后的测井曲线进行相关性分析,得到与储层孔隙度、渗透率和含水饱和度参数关联性达到设定阈值的测井曲线,即预处理后的测井曲线,测井曲线包括声波时差、井径、补偿中子、地层密度、自然伽马、校正声波时差、校正伽马中子、校正中子、校正密度、伽马中子、目的层真电阻率、冲洗带地层电阻率测井曲线。
优选地,所述的使用主成分分析对预处理后的测井曲线进行数据降维,提取主成分特征数据,具体包括:
利用主成分分析对预处理后的测井曲线进行降维重构,降低预处理后的测井曲线之间的多重共线性,提取预处理后的测井曲线内部的本质结构,得到相互独立的主成分特征数据;
根据相互独立的主成分特征数据,对于任意
对的测井曲线的协方差矩阵
将代表预设阈值信息的特征值个数作为主分量
将预处理后的测井曲线投影到
优选地,所述的采用K均值聚类算法对主成分特征数据进行无监督聚类,得到具有相似属性的H类井群组,具体包括:
给定主成分特征数据
将每个样本点
根据下列公式更新每个聚类簇的聚类中心:
经过t次迭代,当
优选地,构建MLSTM预测模型,使用井群组中每一类井群分别进行训练,得到与每类井群对应的MLSTM预测模型,并利用每类井群对应的MLSTM预测模型进行储层参数预测,具体包括;
使用井群组中每一类井群分别进行训练,得到与每类井群对应的MLSTM预测模型,其中,井群组中每一类井群具有相似的近邻信息,并利用近邻信息搭建MLSTM预测模型;
MLSTM预测模型的损失函数为均方误差
式中:/>
MLSTM预测模型包含输入层、隐藏层和输出层;
输入层,用于接收近邻信息,并将近邻信息转化为固定输入向量;
隐藏层采用五层 LSTM单元网络,每层使用100个神经元,将固定输入向量映射为100维的隐藏向量,使用tanh激活函数,每层LSTM单元网络在传递的时候采用随机失活dropout技术按预设比例随机删除每一层LSTM网络中的神经元信息;
输出层采用Dense全连接层,使用3个神经元,将隐藏层的隐藏向量映射为储层孔隙度、渗透率和含水饱和度参数,作为储层参数预测结果。
一种近邻信息增强的储层参数预测系统,包括:
测井曲线筛选模块,用于对原始测井曲线进行相关性分析;
测井曲线特征提取模块,用于对预处理后的测井曲线进行特征提取;
井群划分模块,用于对与处理后的测井曲线进行聚类,对井群进行划分归类;
储层参数预测模块,用于采用MLSTM预测模型对储层参数进行预测。
优选地,所述的测井曲线筛选模块包括:
相关性分析单元,对原始测井曲线进行初步筛选与清洗,并结合 Pearson 相关性分析方法对初步筛选与清洗后的测井曲线进行相关性分析,得到与储层孔隙度、渗透率和含水饱和度参数关联性达到设定阈值的测井曲线,即预处理后的测井曲线,测井曲线包括声波时差、井径、补偿中子、地层密度、自然伽马、校正声波时差、校正伽马中子、校正中子、校正密度、伽马中子、目的层真电阻率、冲洗带地层电阻率测井曲线。
优选地,所述的测井曲线特征提取模块包括:
主成分特征分析单元,利用主成分分析对预处理后的测井曲线进行降维重构,降低预处理后的测井曲线之间的多重共线性,提取预处理后的测井曲线内部的本质结构,得到相互独立的主成分特征数据;
根据相互独立的主成分特征数据,对于任意
式中,
对测井曲线的协方差矩阵
将代表预设阈值信息的特征值个数作为主分量
将预处理后的测井曲线投影到
优选地,所述的井群划分模块包括:
井群划分单元,用于对提取出的主成分特征数据进行聚类分析,融合邻域测井信息并划分井群类别,通过聚类算法对提取的主成分特征数据进行无监督聚类,将具有相似特征属性的测井划为一类;
该算具体流程为,给定主成分特征数据
将每个样本点
根据下列公式更新每个聚类簇的聚类中心:
经过t次迭代,当
优选地,所述的储层参数预测模块包括:
预测模型构建单元,使用井群组中每一类井群分别进行训练,得到与每类井群对应的MLSTM预测模型,其中,井群组中每一类井群具有相似的近邻信息,并利用近邻信息搭建MLSTM预测模型;
MLSTM预测模型的损失函数为均方误差
式中:/>
模型预测单元,MLSTM预测模型包含输入层、隐藏层和输出层;
输入层,负用于收近邻信息,并将近邻信息转化为固定输入向量;
隐藏层采用五层 LSTM单元网络,每层使用100个神经元,将固定输入向量映射为100维的隐藏向量,使用tanh激活函数,每层LSTM单元网络在传递的时候采用随机失活dropout技术按预设比例随机删除每一层LSTM网络中的神经元信息;
输出层采用Dense全连接层,使用3个神经元,将隐藏层的隐藏向量映射为储层孔隙度、渗透率和含水饱和度参数,作为储层参数预测结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍,显而易见,下面描述中的附图说明仅仅是本发明的一些实施例,对于本领域普通技术人员来说,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为本发明一种近邻信息增强的储层参数预测方法实施例的方法流程图。
图2为本发明一种近邻信息增强的储层参数预测系统实施例的结构示意图。
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,本领域普通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。
本发明提供了一种近邻信息增强的储层参数预测方法及系统,基于碳酸盐区块中邻井之间存在着多变的测井数据信息等,对测井数据进行进一步处理划分,以解决储层参数预测不精等问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参考图1,为本发明一种近邻信息增强的储层参数预测方法实施例的方法流程图,所述方法包括以下步骤:序号前去掉步骤,以下均同,并根据权要的修改重新修改实施例
S101,基于Pearson相关性分析方法从原始测井曲线中筛选出与储层参数关联性达到设定阈值的预处理后的测井曲线,具体步骤包括:
对原始测井曲线进行初步筛选与清洗,并结合 Pearson 相关性分析方法对初步筛选与清洗后的测井曲线进行相关性分析,得到与储层孔隙度、渗透率和含水饱和度参数关联性达到设定阈值的测井曲线,即预处理后的测井曲线,测井曲线包括声波时差、井径、补偿中子、地层密度、自然伽马、校正声波时差、校正伽马中子、校正中子、校正密度、伽马中子、目的层真电阻率、冲洗带地层电阻率测井曲线。
S102,使用主成分分析对预处理后的测井曲线进行数据降维,提取主成分特征数据,具体步骤包括:
利用主成分分析对预处理后的测井曲线进行降维重构,降低预处理后的测井曲线之间的多重共线性,提取预处理后的测井曲线内部的本质结构,得到相互独立的主成分特征数据;
根据相互独立的主成分特征数据,对于任意
式中,
对测井曲线的协方差矩阵
将代表预设阈值信息的特征值个数作为主分量
将预处理后的测井曲线投影到
S103,采用K均值聚类算法对主成分特征数据进行无监督聚类,得到具有相似属性的H类井群组,具体步骤包括:
给定主成分特征数据
将每个样本点
根据下列公式更新每个聚类簇的聚类中心:
经过t次迭代,当
S104,构建MLSTM预测模型,使用井群组中每一类井群分别进行训练,得到与每类井群对应的MLSTM预测模型,并利用每类井群对应的MLSTM预测模型进行储层参数预测,具体步骤包括:
使用井群组中每一类井群分别进行训练,得到与每类井群对应的MLSTM预测模型,其中,井群组中每一类井群具有相似的近邻信息,并利用近邻信息搭建MLSTM预测模型;
MLSTM预测模型的损失函数为均方误差
MLSTM预测模型包含输入层、隐藏层和输出层;
输入层,用于接收近邻信息,并将近邻信息转化为固定输入向量;
隐藏层采用五层 LSTM单元网络,每层使用100个神经元,将固定输入向量映射为100维的隐藏向量,使用tanh激活函数,每层LSTM单元网络在传递的时候采用 随机失活dropout技术按预设比例随机删除每一层LSTM网络中的神经元信息;
输出层采用Dense全连接层,使用3个神经元,将隐藏层的隐藏向量映射为储层孔隙度、渗透率和含水饱和度参数,作为储层参数预测结果。
参考图2,为本发明一种近邻信息增强的储层参数预测系统实施例的结构示意图,所述系统包括一下模块:
测井曲线筛选模块,用于对原始测井曲线进行相关性分析,具体包括:
相关性分析单元,对原始测井曲线进行初步筛选与清洗,并结合 Pearson 相关性分析方法对初步筛选与清洗后的测井曲线进行相关性分析,得到与储层孔隙度、渗透率和含水饱和度参数关联性达到设定阈值的测井曲线,即预处理后的测井曲线,测井曲线包括声波时差、井径、补偿中子、地层密度、自然伽马、校正声波时差、校正伽马中子、校正中子、校正密度、伽马中子、目的层真电阻率、冲洗带地层电阻率测井曲线。
测井曲线特征提取模块,用于对预处理后测井曲线进行特征提取,具体包括:
主成分特征分析单元,利用主成分分析对预处理后的测井曲线进行降维重构,降低预处理后的测井曲线之间的多重共线性,提取预处理后的测井曲线内部的本质结构,得到相互独立的主成分特征数据;
根据相互独立的主成分特征数据,对于任意
对测井曲线的协方差矩阵
将代表预设阈值信息的特征值个数作为主分量
将预处理后的测井曲线投影到
井群划分模块,用于对提取出的测井曲线进行聚类,对井群进行划分归类,具体包括:
井群划分单元,用于对提取出主成分特征数据进行聚类分析,融合邻域测井信息并划分井群类别,通过聚类算法对提取的主成分特征数据进行无监督聚类,将具有相似特征属性的测井划为一类;该算具体流程为:
给定主成分特征数据
将每个样本点
根据下列公式更新每个聚类簇的聚类中心:
经过t次迭代,当
储层参数预测及模型评价模块S204,用于采用MLSTM预测模型对储层参数进行预测,具体包括:
预测模型构建单元,使用井群组中每一类井群分别进行训练,得到与每类井群对应的MLSTM预测模型,其中,井群组中每一类井群具有相似的近邻信息,并利用近邻信息搭建MLSTM预测模型;
MLSTM预测模型的损失函数为均方误差
模型预测单元,MLSTM预测模型包含输入层、隐藏层和输出层;
输入层负用于收近邻信息,并将近邻信息转化为固定输入向量;
隐藏层采用五层 LSTM单元网络,每层使用100个神经元,将固定输入向量映射为100维的隐藏向量,使用tanh激活函数,每层LSTM单元网络在传递的时候采用 随机失活dropout技术按预设比例随机删除每一层LSTM网络中的神经元信息;
输出层采用Dense全连接层,使用3个神经元,将隐藏层的隐藏向量映射为储层孔隙度、渗透率和含水饱和度参数,作为储层参数预测结果。
综上所述,与现有技术相比本发明公开的一种近邻信息增强的储层参数预测方法及系统,具有以下有益效果:(1)本发明通过相关性分析和主成分分析提取出与储层参数高度相关的主成分特征,作为预测模型的输入特征,有利于提高模型的准确度;(2)碳酸盐岩储层非均质性强、岩性和成岩作用复杂,孔隙度、渗透率和含水饱和度分布范围广;本方法对储层参数数据进行聚类分析,融合邻域测井信息并划分井群组,将具有相似特征属性的储层参数划为一类,基于每一类测井数据,分别构建储层参数预测模型;(3)本发明基于机器学习方法,利用多层长短期记忆神经网络对长期序列进行建模,深度挖掘储层参数数据的序列特征,并建储层参数之间的复杂非线性特征关系;
本发明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,对于本领域的一般技术人员,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。
- 车辆控制系统、车辆外置式电子控制单元、车辆控制方法及记录介质
- 车辆控制系统以及车辆控制系统的控制方法
- 车辆控制装置、车辆、车辆控制装置的处理方法以及存储介质
- 在驱动轮打滑期间控制道路车辆的控制方法
- 在驱动轮打滑期间控制道路车辆的控制方法