【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及地球物理測井，具體涉及一種基于經(jīng)驗約束的頁巖總有機碳含量智能預(yù)測方法。
技術(shù)介紹
1、頁巖油氣作為重要的非常規(guī)油氣資源，已成為重要的戰(zhàn)略接替資源。總有機碳含量(toc)作為頁巖儲層中的重要參數(shù)，可直接表征頁巖氣/頁巖油的生成、儲存和生產(chǎn)能力。通常專家們采集烴源巖樣品后，通過實驗室分析測量得到高精度toc含量，該方法通常需要將樣品粉碎并使用rock-eval熱解儀等儀器進行熱解分析，雖然得到的toc含量結(jié)果直接且準確，但需要對巖心或切屑樣品進行破壞性測試；再者就是通過元素分析儀測定樣品中的碳含量推算toc。這兩種方法造價高且耗時耗力，不利于整井段推廣。
2、為了在實驗數(shù)據(jù)基礎(chǔ)上進一步得到連續(xù)縱向地層的總有機碳含量分布，本領(lǐng)域?qū)＜覀兲岢隽硕喾N經(jīng)驗公式，例如利用常規(guī)測井曲線擬合、△logr方法等。但是，隨著油田增儲上產(chǎn)壓力的增加，toc準確度的標準也日益提高，單獨憑借經(jīng)驗評價方法存在較大的局限性。并且，當面臨地質(zhì)背景復(fù)雜、低背景對比條件的情況時，頁巖儲層評價時常規(guī)測井曲線與總有機碳含量的映射關(guān)系弱。
3、上述問題的存在導(dǎo)致限制了常規(guī)線性處理和傳統(tǒng)經(jīng)驗方法在頁巖總有機碳含量預(yù)測中的應(yīng)用。因此，如何充分利用已有實驗數(shù)據(jù)和常規(guī)測井曲線，聯(lián)合經(jīng)驗約束和智能機器學習的非線性處理能力，提出一種基于經(jīng)驗約束的頁巖總有機碳含量智能預(yù)測方法，對于頁巖總有機碳含量的研究具有重要意義。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)旨在解決上述問題，提出了一種基于經(jīng)驗約束的頁巖總有機碳含量
2、本專利技術(shù)采用以下的技術(shù)方案：
3、基于經(jīng)驗約束的頁巖總有機碳含量智能預(yù)測方法，包括以下步驟：
4、步驟1，獲取研究區(qū)的測井資料，重構(gòu)波阻抗曲線，選取與總有機碳含量相關(guān)的測井曲線，獲取多個頁巖總有機碳含量樣本數(shù)據(jù)；
5、步驟2，構(gòu)建樣本數(shù)據(jù)集，并將頁巖總有機碳含量樣本數(shù)據(jù)隨機分配至樣本數(shù)據(jù)集的訓(xùn)練集和測試集中；
6、步驟3，基于den-gr修正△logr模型，確定研究區(qū)的總有機碳含量經(jīng)驗?zāi)Ｐ停?/p>
7、步驟4，基于gwo算法優(yōu)化svr模型，并將總有機碳含量經(jīng)驗?zāi)Ｐ鸵牖依莾?yōu)化過程中，結(jié)合訓(xùn)練集中的頁巖總有機碳含量樣本數(shù)據(jù)，利用gwo算法確定svr模型最優(yōu)的模型參數(shù)，得到訓(xùn)練后的svr模型；
8、步驟5，將測試集中的頁巖總有機碳含量樣本數(shù)據(jù)輸入至訓(xùn)練后的svr模型中，利用訓(xùn)練后的svr模型預(yù)測頁巖總有機碳含量樣本數(shù)據(jù)的總有機碳含量，驗證訓(xùn)練后svr模型的準確性。
9、優(yōu)選地，所述步驟1中，根據(jù)聲波時差曲線和密度曲線，利用不同深度處的聲波時差與地層密度之間的比值，重構(gòu)波阻抗曲線；
10、所述研究區(qū)的測井資料為研究區(qū)內(nèi)已測井的常規(guī)測井曲線，包括聲波時差曲線、密度曲線、中子孔隙度曲線、自然伽馬曲線和電阻率曲線，根據(jù)聲波時差曲線和密度曲線，利用不同深度處的聲波時差與地層密度之間的比值重構(gòu)波阻抗曲線；
11、基于已測井的總有機碳含量曲線，從常規(guī)測井曲線中選取能夠隨總有機碳含量變化的測井曲線，結(jié)合波阻抗曲線，得到總有機碳含量相關(guān)測井曲線，基于不同深度處的總有機碳含量相關(guān)測井曲線和總有機碳含量曲線，獲取多個頁巖總有機碳含量樣本數(shù)據(jù)。
12、優(yōu)選地，所述頁巖總有機碳含量樣本數(shù)據(jù)由同一深度處的多個特征參數(shù)值和頁巖總有機碳含量實測值組成，其中，所述特征參數(shù)值根據(jù)總有機碳含量相關(guān)測井曲線確定，頁巖總有機碳含量實測值根據(jù)總有機碳含量曲線確定。
13、優(yōu)選地，所述步驟3中，根據(jù)研究區(qū)的測井曲線，基于den-gr修正△logr模型，結(jié)合研究區(qū)測井曲線擬合確定模型參數(shù)，確定總有機碳含量經(jīng)驗?zāi)Ｐ蜑椋?/p>
14、toc＝[a×lg(gr)+b×den+c]×δlogr
15、其中，
16、基于den-gr修正的△logr模型為：
17、
18、式中，toc為總有機碳含量；a、b、c均為模型參數(shù)；gr為自然伽馬值；den為地層密度值；rt為電阻率，單位為ω·m；rbaseline為電阻率曲線中基線所對應(yīng)的電阻率，單位為ω·m；δt為聲波時差值，單位為μs/m；δtbaseline為聲波時差曲線中基線所對應(yīng)的聲波時差值，單位為μs/m。
19、優(yōu)選地，所述步驟4中，基于gwo算法優(yōu)化svr模型包括以下子步驟：
20、步驟4.1，初始化gwo算法，設(shè)置gwo算法中灰狼個體的類型、狼群位置和適應(yīng)度函數(shù)，確定gwo算法的搜索代理數(shù)量、最大優(yōu)化次數(shù)和搜索空間初始值；
21、步驟4.2，設(shè)置svr模型中懲罰系數(shù)c和核函數(shù)參數(shù)gamma的初始值，并將訓(xùn)練集中的頁巖總有機碳含量樣本數(shù)據(jù)輸入至svr模型和總有機碳含量經(jīng)驗?zāi)Ｐ椭校?/p>
22、步驟4.3，基于gwo算法尋優(yōu)搜索得到狼群中各個體搜尋到的解決方案，并利用svr模型計算均方誤差，配合利用總有機碳含量經(jīng)驗?zāi)Ｐ陀嬎銘土P項，確定各解決方案所對應(yīng)的適應(yīng)度函數(shù)；
23、步驟4.4，比較各解決方案的適應(yīng)度函數(shù)值，確定最佳解決方案，并根據(jù)alpha狼、beta狼、delta狼的位置更新狼群位置，重新基于gwo算法尋優(yōu)搜索得到狼群中各個體搜尋到的解決方案，更新狼群包圍獵物時的系數(shù)向量和解決方案；
24、步驟4.5，重復(fù)步驟4.3和步驟4.4，直至達到預(yù)設(shè)的最大優(yōu)化次數(shù)，停止利用gwo算法進行尋優(yōu)搜索，輸出svr模型中懲罰系數(shù)c和核函數(shù)參數(shù)gamma的最優(yōu)解，得到訓(xùn)練后的svr模型。
25、優(yōu)選地，所述適應(yīng)度函數(shù)為：
26、
27、式中，fitness為適應(yīng)度；w為輸入樣本；mse為均方誤差；penalty為基于總有機碳含量經(jīng)驗?zāi)Ｐ偷膽土P項，用于保證均方誤差與懲罰項之間的數(shù)據(jù)尺度平衡；λ為懲罰因子，用于權(quán)衡均方誤差mse和懲罰項的重要性；n為訓(xùn)練集中頁巖總有機碳含量樣本數(shù)據(jù)的總數(shù)；i為樣本序號；yi為第i個頁巖總有機碳含量樣本數(shù)據(jù)的toc實測值；為第i個頁巖總有機碳含量樣本數(shù)據(jù)的toc預(yù)測值；j為特征參數(shù)序號；m為特征參數(shù)的總數(shù)；xj為第j個特征參數(shù)值；為toc預(yù)測值對特征參數(shù)值xj的偏導(dǎo)數(shù)，用于表示toc預(yù)測值相對于第j個特征參數(shù)的變化率；為總有機碳含量經(jīng)驗?zāi)Ｐ退嬎愕膖oc經(jīng)驗值對第j個特征參數(shù)的偏導(dǎo)數(shù)，用于表示toc經(jīng)驗值相對于第j個特征參數(shù)的變化率。
28、優(yōu)選地，所述gwo算法中，狼群內(nèi)的個體根據(jù)社會等級被劃分為四類，按照社會等級由高到低分別為alpha狼、beta狼、delta狼和omega狼，其中，alpha狼為狼群的領(lǐng)袖，位居狼群的第一等級，用于負責決策和指導(dǎo)狼群行動；beta狼位居狼群的第本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.基于經(jīng)驗約束的頁巖總有機碳含量智能預(yù)測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于經(jīng)驗約束的頁巖總有機碳含量智能預(yù)測方法，其特征在于，所述步驟1中，根據(jù)聲波時差曲線和密度曲線，利用不同深度處的聲波時差與地層密度之間的比值，重構(gòu)波阻抗曲線；
3.根據(jù)權(quán)利要求2所述的基于經(jīng)驗約束的頁巖總有機碳含量智能預(yù)測方法，其特征在于，所述頁巖總有機碳含量樣本數(shù)據(jù)由同一深度處的多個特征參數(shù)值和頁巖總有機碳含量實測值組成，其中，所述特征參數(shù)值根據(jù)總有機碳含量相關(guān)測井曲線確定，頁巖總有機碳含量實測值根據(jù)總有機碳含量曲線確定。
4.根據(jù)權(quán)利要求1所述的基于經(jīng)驗約束的頁巖總有機碳含量智能預(yù)測方法，其特征在于，所述步驟3中，根據(jù)研究區(qū)的測井曲線，基于DEN-GR修正△LogR模型，結(jié)合研究區(qū)測井曲線擬合確定模型參數(shù)，確定總有機碳含量經(jīng)驗?zāi)Ｐ蜑椋?/p>
5.根據(jù)權(quán)利要求4所述的基于經(jīng)驗約束的頁巖總有機碳含量智能預(yù)測方法，其特征在于，所述步驟4中，基于GWO算法優(yōu)化SVR模型包括以下子步驟：
6.根據(jù)權(quán)利要求5所述的基于經(jīng)驗約束的頁巖總
7.根據(jù)權(quán)利要求5所述的基于經(jīng)驗約束的頁巖總有機碳含量智能預(yù)測方法，其特征在于，所述GWO算法中，狼群內(nèi)的個體根據(jù)社會等級被劃分為四類，按照社會等級由高到低分別為Alpha狼、Beta狼、Delta狼和Omega狼，其中，Alpha狼為狼群的領(lǐng)袖，位居狼群的第一等級，用于負責決策和指導(dǎo)狼群行動；Beta狼位居狼群的第二等級，用于協(xié)助Alpha狼進行決策并指導(dǎo)其他低等級狼的行動；Delta狼位居狼群的第三等級，用于負責偵查和警戒；Omega狼位居狼群的第四等級，用于執(zhí)行Alpha狼、Beta狼、Delta狼的命令；
8.根據(jù)權(quán)利要求5所述的基于經(jīng)驗約束的頁巖總有機碳含量智能預(yù)測方法，其特征在于，所述SVR模型選擇徑向基函數(shù)作為核函數(shù)，用于處理復(fù)雜非線性問題；SVR模型的模型參數(shù)包括懲罰系數(shù)C和核函數(shù)參數(shù)gamma，其中，懲罰系數(shù)C決定了SVR模型對誤分類的懲罰力度，用于控制SVR模型對誤差的容忍度；核函數(shù)參數(shù)gamma決定了SVR模型的輻射范圍，用于控制單個樣本數(shù)據(jù)的影響范圍。
9.根據(jù)權(quán)利要求1所述的基于經(jīng)驗約束的頁巖總有機碳含量智能預(yù)測方法，其特征在于，所述步驟5中，將測試集中的頁巖總有機碳含量樣本數(shù)據(jù)輸入至訓(xùn)練后的SVR模型中，利用訓(xùn)練后的SVR模型根據(jù)頁巖總有機碳含量樣本數(shù)據(jù)預(yù)測得到頁巖總有機碳含量的預(yù)測值，并與頁巖總有機碳含量樣本數(shù)據(jù)中頁巖總有機碳含量的實測值進行比較，計算訓(xùn)練后SVR模型預(yù)測的準確率并與預(yù)設(shè)精度值進行比較，若訓(xùn)練后SVR模型預(yù)測的準確率低于預(yù)設(shè)精度值，則返回步驟4中繼續(xù)訓(xùn)練SVR模型，否則，則得到驗證后的SVR模型，直接利用驗證后的SVR模型預(yù)測頁巖總有機碳含量。
...【技術(shù)特征摘要】
1.基于經(jīng)驗約束的頁巖總有機碳含量智能預(yù)測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于經(jīng)驗約束的頁巖總有機碳含量智能預(yù)測方法，其特征在于，所述步驟1中，根據(jù)聲波時差曲線和密度曲線，利用不同深度處的聲波時差與地層密度之間的比值，重構(gòu)波阻抗曲線；
3.根據(jù)權(quán)利要求2所述的基于經(jīng)驗約束的頁巖總有機碳含量智能預(yù)測方法，其特征在于，所述頁巖總有機碳含量樣本數(shù)據(jù)由同一深度處的多個特征參數(shù)值和頁巖總有機碳含量實測值組成，其中，所述特征參數(shù)值根據(jù)總有機碳含量相關(guān)測井曲線確定，頁巖總有機碳含量實測值根據(jù)總有機碳含量曲線確定。
4.根據(jù)權(quán)利要求1所述的基于經(jīng)驗約束的頁巖總有機碳含量智能預(yù)測方法，其特征在于，所述步驟3中，根據(jù)研究區(qū)的測井曲線，基于den-gr修正△logr模型，結(jié)合研究區(qū)測井曲線擬合確定模型參數(shù)，確定總有機碳含量經(jīng)驗?zāi)Ｐ蜑椋?/p>
5.根據(jù)權(quán)利要求4所述的基于經(jīng)驗約束的頁巖總有機碳含量智能預(yù)測方法，其特征在于，所述步驟4中，基于gwo算法優(yōu)化svr模型包括以下子步驟：
6.根據(jù)權(quán)利要求5所述的基于經(jīng)驗約束的頁巖總有機碳含量智能預(yù)測方法，其特征在于，所述適應(yīng)度函數(shù)為：
7.根據(jù)權(quán)利要求5所述的基于經(jīng)驗約束的頁巖總有機碳含量智能預(yù)測方法，其特征在于，所述gwo算法中，狼群內(nèi)的個體根據(jù)社會等級被劃分為四類，按照社會等級由高到低分別為alpha狼、beta狼、...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：洪玉真，鄧少貴，李志君，
申請(專利權(quán))人：中國石油大學華東，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。