基于自组织竞争神经网络的页岩气储层识别方法技术

本发明专利技术公开了一种基于自组织竞争神经网络的页岩气储层识别方法，包括如下步骤：a、综合同一个区块内已钻页岩气水平井资料，并进行分类；b、利用区域数据，将随钻参数作为训练样本进行优选；c、对随钻参数进行归一化处理；d、建立区域SOM神经网络模型；e、利用建立的模型对作为预测样本的正钻页岩气水平井进行储层识别。本发明专利技术根据已知的测井解释、试油结果，以优选的随钻参数作为判别参数，通过SOM神经网络分析建立一个能有效识别页岩气储层的模型，实现对页岩气储层的随钻解释，解决了页岩气储层录井解释方法欠缺、多参数的非线性的问题。

【技术实现步骤摘要】
基于自组织竞争神经网络的页岩气储层识别方法
本专利技术涉及一种基于自组织竞争神经网络(即SOM神经网络)建立页岩气储层识别模型的方法，属于石油天然气勘探开发领域。
技术介绍
页岩气是储存在页岩中以游离态和吸附态存在的天然气,正逐渐成为油气勘探的热点，国内的页岩气水平井开发即将大面积开展。对于页岩气随钻解释方法，例如，2012年18期《科技导报》公开的页岩气储层测井响应特征及识别方法研究。但由于页岩气储层具备的特殊性，随钻参数中除了综合录井参数外，仅有随钻伽马一个随钻测井参数，随钻参数较少。并且，目前国内页岩气研究水平均较低，没有形成比较行之有效的随钻解释方法，故目前的随钻解释存在以下问题：1、目前的页岩气储层评价是以分析化验数据为主，而在随钻的过程中没有分析化验数据。2、单一的随钻参数对于页岩气储层的表征能力是有限的，需要利用多个随钻参数进行综合考量。但如何利用这些随钻参数来反映页岩气储层目前还没有比较有效的方法。3、随钻参数对于页岩气储层的响应特征是一种多维的非线性关系，简单的数据对比无法找到有效的识别方法。4、随钻参数数据量巨大，故需要一种能够对大量数据进行建模的有效方法。
技术实现思路
本专利技术的目的在于克服现有技术存在的上述问题，提供一种基于自组织竞争神经网络的页岩气储层识别方法。本专利技术根据已知的测井解释、试油结果，以优选的随钻参数作为判别参数，通过SOM神经网络分析建立一个能有效识别页岩气储层的模型，实现对页岩气储层的随钻解释，解决了页岩气储层录井解释方法欠缺、多参数的非线性的问题。为实现上述目的，本专利技术采用的技术方案如下：一种基于自组织竞争神经网络的页岩气储层识别方法，其特征在于，包括如下步骤：a、综合同一个区块内已钻页岩气水平井资料，并进行分类；b、利用区域数据，将随钻参数作为训练样本进行优选；c、对随钻参数进行归一化处理；d、建立区域SOM神经网络模型；e、利用建立的模型对作为预测样本的正钻页岩气水平井进行储层识别。所述步骤a中，综合同一个区块内已钻页岩气水平井的测井、录井、试油资料，并根据测井解释及试油资料对页岩气水平段数据进行分类。所述步骤a中，分类过程为：根据已钻页岩气水平井的测井解释资料、试油资料及生产测井资料，对页岩气水平段数据进行综合评价并分类。所述步骤b中，以区块内分类后的页岩气水平井资料为基础，通过最优子集法，优选出最能反映储层特征的随钻参数。所述步骤c中，由于随钻参数间存在级差，为了防止因数据级差过大带来的额外误差，需要对优选后的随钻参数进行极差归一化处理。所述步骤c中，归一化处理过程为：设原始数据xij(i=1,2,…,n;j=1,2,…,m)，极差变换公式为：（1）式中n为样品个数，m为变量个数，xj(min)为n个样品中第j个变量的最小值，xj(max)为n个样品中第j个变量的最大值，这样变化后的新数据在0~1之间。所述步骤d中，以区块内的页岩气水平段数据为基础，通过调节神经网络神经元参数建立SOM神经网络模型。所述步骤d中，为了建立更有效的模型，需要对步骤b、c、d进行多次循环，建立到达要求精度的SOM神经网络模型。所述步骤e中，根据正钻井的随钻参数，归一化后代入区域SOM神经网络模型中对页岩气储层进行识别。采用本专利技术的优点在于：一、本专利技术根据已知的测井解释、试油结果，以优选的随钻参数作为判别参数，通过SOM神经网络分析建立一个能有效识别页岩气储层的模型，实现对页岩气储层的随钻解释，解决了页岩气储层录井解释方法欠缺、多参数的非线性的问题。二、本专利技术利用SOM对页岩气储层识别方法属于录井资料应用方法创新，是在目前页岩气勘探处于探索方法的时期，该方法具有强大，成熟的数学理论基础，SOM根据输入空间中输入向量的分组进行学习和分类。三、本专利技术是在目前气测资料不断精确的背景下提出的，以区域资料为基础，利用SOM神经网络的识别模型，能更准确地对流体性质进行判别。四、本专利技术是在目前测、录井参数与储层之间复杂的非线性关系能够综合的反映在识别模型中，并通过该模型对未知井进行预测，对页岩气勘探很有指导意义。五、本专利技术是在目前页岩气储层解释方法效率并不高的的背景下，SOM是一个全连接的神经元阵列组成的无教师、自组织、自学习网络，通过接受事件输入，形成对这些信号的“判别函数”，比较“判别函数”，并选择一个具有最大函数输出值的处理单元，选择过程中激励被选择的单元以及其最邻近的处理单元，不断修正被激励的处理单元的参数，以增加其对应于特定输入“判别函数”的输出值。六、本专利技术可广泛适应于非碳酸盐岩地层之致密气、页岩气等非常规气藏储层识别，能够获得较好成效。综上，本专利技术时效性强，能较可靠的实现利用录井参数识别非常规气藏储层；简便高效，概括和提炼录井过程中获取资料的有效信息；自主学习，神经网络自主学习，建立反映随钻录井参数与储层之间的复杂关系的模型。附图说明图1为本专利技术方法流程图图2为本专利技术的SOM网络结构图图3为本专利技术在某井LMX组的解释成果图。具体实施方式实施例1一种基于自组织竞争神经网络的页岩气储层识别方法，其特征在于，包括如下步骤：a、综合同一个区块内已钻页岩气水平井资料，并进行分类；b、利用区域数据，将随钻参数作为训练样本进行优选；c、对随钻参数进行归一化处理；d、建立区域SOM神经网络模型；e、利用建立的模型对作为预测样本的正钻页岩气水平井进行储层识别。所述步骤a中，综合同一个区块内已钻页岩气水平井的测井、录井、试油资料，并根据测井解释及试油资料对页岩气水平段数据进行分类。所述步骤a中，分类过程为：根据已钻页岩气水平井的测井解释资料、试油资料及生产测井资料，对页岩气水平段数据进行综合评价并分类。所述步骤b中，以区块内分类后的页岩气水平井资料为基础，通过最优子集法，优选出最能反映储层特征的随钻参数。所述步骤c中，由于随钻参数间存在级差，为了防止因数据级差过大带来的额外误差，需要对优选后的随钻参数进行极差归一化处理。所述步骤c中，归一化处理过程为：设原始数据xij(i=1,2,…,n;j=1,2,…,m)，极差变换公式为：（1）式中n为样品个数，m为变量个数，xj(min)为n个样品中第j个变量的最小值，xj(max)为n个样品中第j个变量的最大值，这样变化后的新数据在0~1之间。所述步骤d中，以区块内的页岩气水平段数据为基础，通过调节神经网络神经元参数建立SOM神经网络模型。所述步骤d中，为了建立更有效的模型，需要对步骤b、c、d进行多次循环，建立到达要求精度的SOM神经网络模型。所述步骤e中，根据正钻井的随钻参数，归一化后代入区域SOM神经网络模型中对页岩气储层进行识别。实施例2本专利技术是基于自组织竞争神经网络(即SOM神经网络)建立页岩气储层识别模型的方法，以下结合附图对本实施例进行说明。一种基于SOM神经网络气储层随钻解释模型的方法，如图1所示，过程如下：1、综合同一个区块内已钻页岩气水平井的测井、录井、试油资料，并根据测井解释及试油资料对页岩气水平段数据进行分类，归为不同的组别。所述根据测井解释及试油资料对页岩气水平段数据进行分类，归为不同的组别为：根据已钻页岩气水平井的测井解释资料、试油资料及生产测井资料，对页岩气水平段数据进行综合评价并分类。如，将综合评价为页岩气储层的随本文档来自技高网...

【技术保护点】
一种基于自组织竞争神经网络的页岩气储层识别方法，其特征在于，包括如下步骤：    a、综合同一个区块内已钻页岩气水平井资料，并进行分类；b、利用区域数据，将随钻参数作为训练样本进行优选；c、对随钻参数进行归一化处理；d、建立区域SOM神经网络模型；e、利用建立的模型对作为预测样本的正钻页岩气水平井进行储层识别。

【技术特征摘要】
1.一种基于自组织竞争神经网络的页岩气储层识别方法，其特征在于，包括如下步骤：a、综合同一个区块内已钻页岩气水平井的测井、录井、试油资料，并根据测井解释及试油资料对页岩气水平段数据进行分类；b、以区块内分类后的页岩气水平井资料为基础，利用区域数据，将随钻参数作为训练样本进行优选；c、对随钻参数进行归一化处理；d、以区块内的页岩气水平段数据为基础，建立区域SOM神经网络模型；e、利用建立的模型对作为预测样本的正钻页岩气水平井进行储层识别。2.根据权利要求1所述的基于自组织竞争神经网络的页岩气储层识别方法，其特征在于：所述步骤a中，分类过程为：根据已钻页岩气水平井的测井解释资料、试油资料及生产测井资料，对页岩气水平段数据进行综合评价并分类。3.根据权利要求1或2所述的基于自组织竞争神经网络的页岩气储层识别方法，其特征在于：所述步骤b中，以区块内分类后的页岩气水平井资料为基础，通过最优子集法，优选出最能反映储层特征的随钻参数。4.根据权利要求3所述的基于自组织竞争神经网络的页岩气储层识别方法，其特征在于：所述步骤c中，由于随钻参数间存在级差，为了防止因数据级差过大带...

【专利技术属性】
技术研发人员：瞿子易，庞江平，吴萍，王滢，曹玉，吴家杰，李天书，
申请(专利权)人：中国石油集团川庆钻探工程有限公司，
类型：发明
国别省市：四川;51