一种预测核磁共振测井横向弛豫时间T2分布的方法技术

本发明专利技术公开了一种预测核磁共振测井横向弛豫时间T2分布的方法，包括筛选确定相关常规测井数据作为步骤五预测T2分布的输入数据；设定类别参数，量化分类已有T2分布曲线作为步骤五中模型训练和测试的输入数据；利用多个正态分布曲线拟合已有T2分布，得到正态分布的表征参数，利用相关系数评估拟合准确性后作为步骤五中模型训练和测试的输出数据；对步骤一常规测井数据、步骤二类别参数、步骤三表征参数进行前期处理；将步骤四所有数据归类分组，用于人工神经网络模型的训练和测试，得到预测模型；用相关系数及标准根均方差评估预测模型精确性，预测T2分布。本发明专利技术利用人工神经网络模型得到常规测井数据与T2分布关系模型，对T2分布精确预测。

【技术实现步骤摘要】
一种预测核磁共振测井横向弛豫时间T2分布的方法
本专利技术涉及油层物理和测井数据预测
，特别是一种预测核磁共振测井横向弛豫时间T2分布的方法。
技术介绍
磁共振测井是石油工业测井过程中十分重要的一种测井方式。利用核磁共振测井，可以精确得到地下储层的孔隙分布、有效孔隙度、渗透率、束缚水饱和度等重要数据。其中，核磁共振测井的横向弛豫时间T2分布谱是核磁共振测井的首要测井数据之一，其能精确表征地下的储层孔隙分布，而不受岩石种类与性质的影响。但在实际测井中，人们很少用到核磁共振测井，其主要因为核磁共振测井仪长期被国外的油田服务公司垄断，价格十分昂贵，且维修不便，从而进行核磁共振测井的实际应用成本太高。目前，人们能够通过建立人工神经网络模型，来预测地层中的常规孔隙度、渗透率、含水饱和度等单个参数，也可以利用人工神经网络模型预测核磁共振测井能够得到的一些相关数据，包括有效孔隙度、有效渗透率、束缚水饱和度、T2对数平均等单个参数。但单个参数的预测未充分利用人工神经网络的计算优势，预测的参数也都是较为容易获得的，实际应用价值较小。
技术实现思路
本专利技术的目的是为克服上述现有技术的不足，提供一种预测核磁共振测井横向弛豫时间T2分布的方法，通过人工神经网络模型，只需要常规测井数据，即可准确预测横向弛豫时间T2分布的方法，从而替代价格昂贵的核磁共振测井技术，实现了利用成本较低的常规测井数据，替代成本昂贵的核磁共振测井技术。为实现上述目的，本专利技术采用下述技术方案：一种预测核磁共振测井横向弛豫时间T2分布的方法，包括如下步骤：(一)筛选确定相关的常规测井数据以及矿物成分和流体体积反演数据，作为步骤(五)预测核磁共振测井T2分布的输入数据。(二)设定类别参数，量化分类已有T2分布曲线，将其作为步骤(五)中模型训练和测试的输入数据。为了准确刻画识别不同类型的T2分布特征，需设置不同的类别参数对T2分布曲线进行量化分类。(三)利用多个正态分布曲线拟合已有核磁共振测井T2分布，得到正态分布的表征参数，利用相关系数评估拟合准确性后，将其作为步骤五中模型训练和测试的输出数据。人工神经网络模型的输出部分是核磁共振测井的T2分布谱。基于实测T2分布谱数据。(四)对步骤(一)常规测井数据、步骤(二)类别参数、步骤(三)表征参数进行前期处理。在应用输入数据进行模型预测之前，数据前期处理至关重要，可保证得到更好的输入值和输出值的关系预测模型。(五)将步骤(四)的所有数据归类分组，分别用于人工神经网络模型的训练和测试，得到预测模型。(六)用相关系数及标准根均方差NRMSE评估预测模型精确性，预测核磁共振测井T2分布。优选的，所述步骤(一)中的常规测井数据为与孔隙分布和渗透率相关的测井数据。收集筛选与测定孔隙度和渗透率物理性质相关的常规测井数据，这些常规测井数据将作为人工神经网络模型的输入数据，预测核磁共振测井T2分布，以替代价格昂贵的直接测量技术。优选的，所述步骤(一)中的矿物成分和流体体积反演数据包括伊利石、绿泥石、束缚水、石英、钾长石、方解石、白云石、石膏、不可驱水、不可驱油的反演数据。优选的，所述步骤(一)中的测井数据包括伽马射线测井、密度测井、中子测井、电阻率测井、声波测井。优选的，所述步骤(二)中的设定类别参数，量化分类已有T2分布曲线，是通过最近邻分类模型k-nearestneighborclassificationmodel，利用常规测井数据，预测T2分布所需类别参数，选择确定进最优k值，满足预测分布曲线与实际曲线最佳拟合度。优选的，所述步骤(二)中设定类别参数包括设置不同深度的不同储层岩性，分布峰个数、峰对应孔隙值大小、异常矮峰存在与否、以及分布曲线扁平程度。优选的，所述步骤(三)中多个正态分布曲线，其拟合公式如下：其中T’2＝log(T2)，ɡi是正态分布的概率密度函数：对应μi是均值，σi是标准差，αi是概率密度函数的系数，因此表征每层T2分布需要6个参数。如果某层T2分布只有一个峰，则α2＝μ2＝σ2＝0。优选的，所述步骤(三)中验证拟合准确性的方法，是通过相关系数，简称R2，来评估利用正态分布曲线拟合实测T2分布谱的精确性，其中，R2公式如下：其中，ffit(T’2)是拟合值或预测值，f(T’2)是初始值，是初始均值，RSS是误差平方和，TSS是总平方和；经逐层拟合，得到每层T2分布的拟合曲线的R2值，R2越接近1，表明结果越精确。优选的，所述步骤(四)中数据前处理包括删除异常值及标准归一化处理：首先，需要删除原始数据中的异常值，将原始数据进行标准归一化处理，保证所有数据具有相同分布范围，使得所有处理后数据的范围都在-1到1间，其标准归一化方程如下：其中x是原始数据，y是标准化数据。在模型训练完成后，所有数据逆向转化回各自原始范围。优选的，所述步骤(五)已归类分组的数据，从中随机选取85％的数据作为训练数据，剩余15％作为测试数据；所述人工神经网络模型分为输入层，输出层和隐藏层，输入层即为输入数据，输出层为输出数据，隐藏层用于寻找输入层和输出层的关系。本专利技术中，人工神经网络模型设置隐藏层层数为两层。当输入层，隐藏层与输出层的神经元个数接近等差数列时，模型的神经元个数设置较为适合。计算权重和偏差系数个数的公式如下：Nt＝(N1+1)*N2+(N2+1)*N3+(N3+1)*N4其中Nt是权重和偏差系数的总数，Ni是每一层的神经元个数。所述人工神经网络模型用于收敛目标函数的算法包括，莱文贝格-马奎特(Levenberg-Marquardt，以下简称LM)算法和卷积梯度(ConjugateGradient，以下简称CG)算法。LM算法适用于权重和偏差系数的总数和小于300的模型，CG算法适用于总数和多于500的模型。当权重和偏差系数的总数在300-500之间时，两模型计算效率相近，不同的预测实例会有不同的比较结果，因此在300-500范围内，通常将两算法分别应用到模型中，通过比较模型训练的时间确定算法的计算效率高低，选用所需模型训练时间较少、计算效率较高的算法。为了避免过拟合，模型中加入正则化过程，并设置惩罚参数。引入惩罚参数的平方差和(SumofSquaredErrors，简称SSE)公式如下：其中n是总样本数，P是输出层的神经元个数，即计算权重和偏差系数个数的公式中的N4；λ是惩罚参数，yi是原始输出值，是预测输出值，σj2是输出值方差，SSE公式即为人工神经网络模型的目标函数。优选的，所述步骤(六)中用相关系数及标准根均方差NRMSE评估预测模型精确性的具体方法为，通过采用NRMSE和R2对模型预测结果与步骤(三)中实测数据拟合结果进行比较，评估所得预测模型准确性，其中，NRMSE定义如下：其中RMSE为根均方差，NRMSE的取值范围是0到1，越接近0表明预测结果越精确。本专利技术的有益效果是，(一)实现利用人工神经网络模型预测T2分布，替代成本昂贵的核磁共振测井技术人工神经网络模型在石油工业中的应用处于起步阶段，而且目前主要应用在预测孔隙度、渗透率、含水饱和度等单个参数，较为简单。本专利技术可以是直接预测T2分布，比预测单个参数更加复杂。T2分布能反映地层中的孔隙分布，因此预测T2分布能得到比预测单个参数更多有用的地层信本文档来自技高网...

【技术保护点】
一种预测核磁共振测井横向弛豫时间T2分布的方法，其特征是，包括如下步骤：(一)筛选确定相关的常规测井数据以及矿物成分和流体体积反演数据，作为步骤五预测核磁共振测井T2分布的输入数据；(二)设定类别参数，量化分类已有T2分布曲线，将其作为步骤五中模型训练和测试的输入数据；(三)利用多个正态分布曲线拟合已有核磁共振测井T2分布，得到正态分布的表征参数，利用相关系数评估拟合准确性后，将其作为步骤五中模型训练和测试的输出数据；(四)对步骤一常规测井数据、步骤二类别参数、步骤三表征参数进行前期处理；(五)将步骤四的所有数据归类分组，分别用于人工神经网络模型的训练和测试，得到预测模型；(六)用相关系数及标准根均方差NRMSE评估预测模型精确性，预测核磁共振测井T2分布。

【技术特征摘要】
1.一种预测核磁共振测井横向弛豫时间T2分布的方法，其特征是，包括如下步骤：(一)筛选确定相关的常规测井数据以及矿物成分和流体体积反演数据，作为步骤五预测核磁共振测井T2分布的输入数据；(二)设定类别参数，量化分类已有T2分布曲线，将其作为步骤五中模型训练和测试的输入数据；(三)利用多个正态分布曲线拟合已有核磁共振测井T2分布，得到正态分布的表征参数，利用相关系数评估拟合准确性后，将其作为步骤五中模型训练和测试的输出数据；(四)对步骤一常规测井数据、步骤二类别参数、步骤三表征参数进行前期处理；(五)将步骤四的所有数据归类分组，分别用于人工神经网络模型的训练和测试，得到预测模型；(六)用相关系数及标准根均方差NRMSE评估预测模型精确性，预测核磁共振测井T2分布。2.如权利要求1所述的一种预测核磁共振测井横向弛豫时间T2分布的方法，其特征是，所述步骤一中的常规测井数据为与孔隙分布和渗透率相关的测井数据，矿物成分和流体体积反演数据包括伊利石、绿泥石、束缚水、石英、钾长石、方解石、白云石、石膏、不可驱水、不可驱油的反演数据。3.如权利要求1或2任一项所述的一种预测核磁共振测井横向弛豫时间T2分布的方法，其特征是，所述步骤一中的测井数据包括伽马射线测井、密度测井、中子测井、电阻率测井、声波测井。4.如权利要求1所述的一种预测核磁共振测井横向弛豫时间T2分布的方法，其特征是，所述步骤二中的设定类别参数，量化分类已有T2分布曲线，是通过最近邻分类模型k-nearestneighborclassificationmodel，利用常规测井数据，预测T2分布所需类别参数，选择确定进最优k值，满足预测分布曲线与实际曲线最佳拟合度。5.如权利要求1或4任一项所述的一种预测核磁共振测井横向弛豫时间T2分布的方法，其特征是，所述设定类别参数包括设置不同深度的不同储层岩性，分布峰个数、峰对应孔隙值大小、异常矮峰存在与否、以及分布曲线扁平程度。6.如权利要求1所述的一种预测核磁共振测井横向弛豫时间T2分布的方法，其特征是，所述步骤三中多个正态分布曲线，其拟合公式如下：其中T’2＝log(T2)，ɡi是正态分布的概率密度函数：对应μi是均值，σi是标准差，αi是概率密度函数的系数，因此表征每层T2分布需要6个参数；如果某层T2分布只有一个峰，则α2＝μ2＝σ2＝0。7.如权利要求1所述的一种预测核磁共振测井横向弛豫时间T2分布的方法，其特征是，所述步骤三中验证拟合准确性的方法，是通过相关系数，简称R2，来评估利用正态分布曲线拟合实测T2分布谱的精确性，其中，R2公式如下：

【专利技术属性】
技术研发人员：袁彬，贺家博，王文东，
申请(专利权)人：科为联合青岛能源技术研究院有限公司，中国石油大学华东，
类型：发明
国别省市：山东,37