【技術實現步驟摘要】
本專利技術涉及油氣儲層及機器學習，特別是涉及一種基于地質約束的測井參數融合聚類的成巖相識別方法。
技術介紹
1、成巖作用控制了油氣儲層物性的演化過程，成巖相是成巖作用演化結果的綜合體現。因此，成巖相的準確識別和預測對于油氣儲層評價及油氣資源的高效勘探開發具有重要意義。傳統的成巖相的研究方法依賴于來自于有限的取心井段樣品的分析測試，對于全井段的成巖相的準確預測難度大。近年來，大數據及機器學習技術已經成為油氣儲層研究的一種重要手段，利用機器學習算法通過成巖相與測井數據的關系，可實現全井段成巖相的識別及預測。目前對于成巖相測井識別多采用有監督的學習方法，包括：決策樹、隨機森林、xgboost、bp神經網絡等。現有的技術缺少與地質認識的結合，可能會忽略或過度使用部分測井信息，且在實際應用中往往難以滿足有監督的機器學習算法的大樣本量的要求，影響了成巖相識別結果的準確性。因此，亟需提出一種基于地質約束的綜合考慮測井數據的無監督機器學習方法，在樣品點較少的研究區域實現成巖相的準確識別和預測。
技術實現思路
1、本專利技術旨在解決現有技術的不足，提出了一種基于地質約束的測井參數融合聚類的成巖相識別方法，基于地質約束對測井參數進行融合，通過對融合測井參數聚類獲取初始測井相，基于地質約束及交會合并處理獲得目標測井相，基于取心井段樣品點的成巖相標記結果，確定目標測井相與成巖相的對應關系，實現成巖相的識別和預測。
2、為實現上述目的，本專利技術提供了如下方案：
3、一種基于地質約束
4、步驟1、采集目標井全井段的測井數據，對所述測井數據進行歸一化處理；
5、步驟2、基于地質認識約束對處理后的測井數據進行融合計算，獲取融合測井數據；
6、步驟3、采用無監督機器學習算法對所述融合測井數據分別進行聚類，再將聚類后的融合測井數據進行組合，獲取全井段的初始測井相類型；
7、步驟4、基于地質規律約束對所述初始測井相類型進行篩選，并對篩選后的結果進行交會合并處理，獲取所述全井段的目標測井相類型，其中，所述地質規律約束包括成巖作用及孔隙響應特征；
8、步驟5、在目標井取心井段選取若干樣品點，通過鑄體薄片分析對所述樣品點進行成巖相標記，構建成巖相數據集；
9、步驟6、基于所述成巖相數據集對所述目標測井相類型進行標定和驗證，獲取每種目標測井相對應的成巖相類型，完成所述全井段的成巖相識別。
10、可選地，所述步驟1中的測井數據的類型包括：自然伽馬gr、自然電位sp、淺電阻率rs、深電阻率rd、聲波時差ac、補償中子cnl、密度den。
11、可選地，所述步驟1中對所述測井數據進行歸一化處理的方法為：
12、
13、式中，xnor表示歸一化后的測井數據，x表示測井數據，xmin表示測井數據的最小值，xmax表示測井數據的最大值。
14、可選地，所述步驟2中基于地質認識約束對處理后的測井數據進行融合計算，獲取融合測井數據包括：
15、基于預設的融合原則對歸一化處理后的測井數據進行融合計算，獲取所述融合測井數據，其中，所述融合測井數據包括第一融合測井數據、第二融合測井數據、第三融合測井數據；
16、所述融合原則基于地質認識約束設定，所述第一融合測井數據的融合原則為將對泥質含量及巖性響應敏感的gr與sp融合為參數g-s，所述第二融合測井數據的融合原則為將對膠結物及裂縫響應敏感的rs和rd融合為參數s-d，所述第三融合測井數據的融合原則為將對儲層孔隙度響應敏感的ac、cnl和den融合為參數a-c-d。
17、可選地，進行所述融合計算的方法為：
18、xg-s＝xgrnor-xspnor
19、xs-d＝xrsnor+xrdnor
20、xa-c-d＝xacnor+xcnlnor-xdennor
21、式中，xg-s表示融合參數g-s的融合值，xs-d表示融合參數s-d的融合值，xa-c-d表示融合參數a-c-d的融合值，xgrnor表示gr的歸一化值，xspnor表示sp的歸一化值，xrsnor表示rs的歸一化值，xrdnor表示rd的歸一化值，xacnor表示ac的歸一化值，xcnlnor表示cnl的歸一化值，xdennor表示den的歸一化值。
22、可選地，所述步驟3中采用無監督機器學習算法對所述融合測井數據分別進行聚類，再將聚類后的融合測井數據進行組合，獲取全井段的初始測井相類型包括：
23、采用k-means聚類算法將每種融合測井數據分別聚類為3類；
24、基于3種融合測井數據的聚類組合結果，獲取27類初始測井相。
25、可選地，所述步驟4中基于地質規律約束對所述初始測井相類型進行篩選，并對篩選后的結果進行交會合并處理，獲取所述全井段的目標測井相類型包括：
26、基于預設的篩選機制對所述初始測井相類型進行刪除處理，獲取篩選后的16類初始測井相，其中，所述篩選機制基于地質規律約束設定，所述篩選機制包括：將包含相互對立的成巖作用的初始測井相刪除，以及將包含相互矛盾的成巖作用及孔隙響應特征的初始測井相刪除；
27、基于篩選后的16類初始測井相的融合測井數據構建g-s、s-d、a-c-d三元交會圖，并基于分布特征對所述三元交會圖進行合并處理，確定所述全井段的目標測井相類型。
28、可選地，所述步驟5中通過鑄體薄片分析對所述樣品點進行成巖相標記包括：
29、通過分析所述樣品點的鑄體薄片確定所述樣品點的成巖參數，所述成巖參數包括視壓實率、膠結物含量、面孔率、裂縫率；
30、基于所述成巖參數確定成巖相定量劃分標準，標記所述樣品點的成巖相。
31、可選地，所述步驟6中基于所述成巖相數據集對所述目標測井相類型進行標定和驗證包括：
32、選取成所述成巖相數據集中70％的數據對所述目標測井相類型進行標定，選取所述成巖相數據集中其余30％的數據對標定結果進行準確性驗證。
33、本專利技術具有如下有益效果：
34、本專利技術基于無監督機器學習算法，基于地質約束進行測井參數的融合，通過對融合測井參數進行聚類和合并處理獲取測井相類型，基于的測井相與成巖相的對應關系，實現成巖相的識別和預測；相對于現有的技術，本專利技術方法在地質因素約束下綜合應用測井數據，對樣品點的數量和種類要求低，且對成巖相識別的準確率高；本專利技術方法廣泛適用于砂巖儲層研究領域，可有效支撐油氣資源的高效勘探開發，具有廣闊的應用前景。
本文檔來自技高網...【技術保護點】
1.一種基于地質約束的測井參數融合聚類的成巖相識別方法，其特征在于，具體包括以下步驟：
2.根據權利要求1所述的基于地質約束的測井參數融合聚類的成巖相識別方法，其特征在于，所述步驟1中的測井數據的類型包括：自然伽馬GR、自然電位SP、淺電阻率RS、深電阻率RD、聲波時差AC、補償中子CNL、密度DEN。
3.根據權利要求1所述的基于地質約束的測井參數融合聚類的成巖相識別方法，其特征在于，所述步驟1中對所述測井數據進行歸一化處理的方法為：
4.根據權利要求1所述的基于地質約束的測井參數融合聚類的成巖相識別方法，其特征在于，所述步驟2中基于地質認識約束對處理后的測井數據進行融合計算，獲取融合測井數據包括：
5.根據權利要求4所述的基于地質約束的測井參數融合聚類的成巖相識別方法，其特征在于，進行所述融合計算的方法為：
6.根據權利要求1所述的基于地質約束的測井參數融合聚類的成巖相識別方法，其特征在于，所述步驟3中采用無監督機器學習算法對所述融合測井數據分別進行聚類，再將聚類后的融合測井數據進行組合，獲取全井段的初始測井相類型包
7.根據權利要求1所述的基于地質約束的測井參數融合聚類的成巖相識別方法，其特征在于，所述步驟4中基于地質規律約束對所述初始測井相類型進行篩選，并對篩選后的結果進行交會合并處理，獲取所述全井段的目標測井相類型包括：
8.根據權利要求1所述的基于地質約束的測井參數融合聚類的成巖相識別方法，其特征在于，所述步驟5中通過鑄體薄片分析對所述樣品點進行成巖相標記包括：
9.根據權利要求1所述的基于地質約束的測井參數融合聚類的成巖相識別方法，其特征在于，所述步驟6中基于所述成巖相數據集對所述目標測井相類型進行標定和驗證包括：
...【技術特征摘要】
1.一種基于地質約束的測井參數融合聚類的成巖相識別方法，其特征在于，具體包括以下步驟：
2.根據權利要求1所述的基于地質約束的測井參數融合聚類的成巖相識別方法，其特征在于，所述步驟1中的測井數據的類型包括：自然伽馬gr、自然電位sp、淺電阻率rs、深電阻率rd、聲波時差ac、補償中子cnl、密度den。
3.根據權利要求1所述的基于地質約束的測井參數融合聚類的成巖相識別方法，其特征在于，所述步驟1中對所述測井數據進行歸一化處理的方法為：
4.根據權利要求1所述的基于地質約束的測井參數融合聚類的成巖相識別方法，其特征在于，所述步驟2中基于地質認識約束對處理后的測井數據進行融合計算，獲取融合測井數據包括：
5.根據權利要求4所述的基于地質約束的測井參數融合聚類的成巖相識別方法，其特征在于，進行所述融合計算的方法為：
...【專利技術屬性】
技術研發人員：張立強，賈彤，孟園，嚴一鳴，胡君達，
申請(專利權)人：中國石油大學華東，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。