The invention discloses a logging interpretation method for reservoir parameters based on a regression Committee machine, which comprises the following steps: 1) selecting logging data sensitive to prediction parameters as input; 2) normalizing each attribute value of input; 3) obtaining reservoir parameters according to petrophysical experimental results; 4) selecting logging data and reservoir parameters for each layer; The experimental data of reservoir parameters are grouped together to form a data set; 5) The data set is randomly divided into training data set and testing data set; 6) Several intelligent regression algorithms are selected as pre-regression predictors; 7) Each intelligent regression algorithm is trained with training data set as input, and the corresponding regression prediction is obtained. Model; 8) With test data set as input, a forecast value is given by each regression forecast model; 9) For each group of input data, the forecast value given by each regression forecast model is combined, and the final forecast value is given by a committee decision-making mechanism.
【技术实现步骤摘要】
一种基于回归委员会机器的储层参数测井解释方法
本专利技术属于石油勘探中储层测井评价
,具体涉及一种基于回归委员会机器的储层参数测井解释方法。
技术介绍
地球物理测井是沿井眼的连续和原位地球物理参数测量技术,测量数据主要包括自然伽马、自然电位、深浅电阻率、补偿声波、密度、中子等,利用这些测井数据可以实现储层划分以及孔隙度、渗透率和饱和度的评价。在常规储层测井评价中,上述参数的评价通常采用储层参数测井解释方法模型、方法和理论,或者与地区有关的经验公式。但是,对于低孔低渗储层、低阻油层等复杂地层,孔隙中的流体对测井响应的贡献小,孔隙度、渗透率和饱和度等储层参数与测井响应之间的关系是非线性的,通常的理论模型或者经验公式已经不能照搬使用,计算结果的精度也不高。为此,针对该类储集层,国内外相关学者利用了神经网络等智能算法来解决储层参数测井解释方法的问题。通常的做法是,选用对流体敏感的测井数据作为输入,然后选用某单一智能算法(比如BP神经网络)进行训练,训练集来自于已知岩石物理实验结果的数据,训练好网络后,再输入待预测储层的测井数据,利用训练好的神经网络预测储层孔隙度、渗透率和饱和度等参数,从而实现储层参数的预测。基于神经网络利用测井数据进行储层参数预测的核心是采用的机器学习算法。目前常采用BP网络、支持向量机等单一学习算法,这些方法都有各自的优缺点。通常情况下,单一智能算法进行训练和预测时往往出现过度训练,会陷入局部极小,而导致泛化能力不佳。因此,单一智能算法具有鲁棒性不好的缺点。为此,考虑到每种智能算法都有不同的优势和功能,可以采用多种智能算法联合的途径来降低 ...
【技术保护点】
1.一种基于回归委员会机器的储层参数测井解释方法,其特征在于,所述方法包括以下步骤:1)选择对待预测参数敏感的测井数据作为输入数据;2)对输入数据的每个属性值进行归一化处理;3)根据岩石物理实验结果得到已知储层的参数;4)将每一层的测井数据和储层参数组合在一起构成数据集;5)将数据集随机地分成两类,一类为训练数据集,另一类为测试数据集;6)选用若干种智能回归算法作为前置回归预测器;7)以训练数据集作为输入,分别对每一种智能回归算法进行训练,得到对应的回归预测模型;8)以测试数据集作为输入,分别通过每一种回归预测模型给出一个预测值;9)针对每一组输入数据,将各回归预测模型给出的预测值组合起来,采用一种委员会决策机制,给出最终的预测值。
【技术特征摘要】
1.一种基于回归委员会机器的储层参数测井解释方法,其特征在于,所述方法包括以下步骤:1)选择对待预测参数敏感的测井数据作为输入数据;2)对输入数据的每个属性值进行归一化处理;3)根据岩石物理实验结果得到已知储层的参数;4)将每一层的测井数据和储层参数组合在一起构成数据集;5)将数据集随机地分成两类,一类为训练数据集,另一类为测试数据集;6)选用若干种智能回归算法作为前置回归预测器;7)以训练数据集作为输入,分别对每一种智能回归算法进行训练,得到对应的回归预测模型;8)以测试数据集作为输入,分别通过每一种回归预测模型给出一个预测值;9)针对每一组输入数据,将各回归预测模型给出的预测值组合起来,采用一种委员会决策机制,给出最终的预测值。2.根据权利要求1所述的一种基于回归委员会机器的储层参数测井解释方法,其特征在于:所述步骤1)中,选取声波时差、中子密度、补偿密度、自然伽马、深感应测井、中感应测井等测井数据作为输入数据。3.根据权利要求1所述的一种基于回归委员会机器的储层参数测井解释方法,其特征在于:所述步骤3)中涉及的储层参数包括泥质含量、孔隙度、渗透率、饱和度。4.根据权利要求1所述的一种基于回归委员会机...
【专利技术属性】
技术研发人员:谭茂金,陆晨炜,张海涛,吴静,
申请(专利权)人:中国地质大学北京,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。