基于物理模型和机器学习的致密砂岩储层参数预测方法技术

本发明专利技术涉及测井解释技术领域，特别涉及一种致密砂岩储层参数测井预测方法。基于物理模型和机器学习的致密砂岩储层参数预测方法，包括以下步骤：A.建立储层参数的物理模型；B.建立委员会机器；C.将测井数据及对应的所述物理模型共同输入至所述委员会机器；D.所述委员会机器对储层参数进行预测。本发明专利技术选择不同专家构建委员会机器CM，即使单个专家预测误差偏大，多专家系统也可以整合所有专家的优势做出补偿，提高了智能系统预测结果的准确度、稳定性和泛化能力。同时，本发明专利技术将物理模型与委员会机器CM集成在一起，实现了物理模型与敏感测井数据的共同驱动，提高了储层参数预测效果。

【技术实现步骤摘要】
基于物理模型和机器学习的致密砂岩储层参数预测方法
本专利技术涉及测井解释
，特别涉及一种致密砂岩储层参数测井预测方法。
技术介绍
超深、超低孔砂岩储层岩性致密、孔隙小、喉道细、连通性差，地层非均质性强、裂缝发育，而且孔隙结构、氯化盐等矿物成分复杂，测井解释难度大。目前的做法，有两大类，一类是物理模型方法，二是机器学习方法。物理模型方法中，通常利用泥质砂岩构建体积模型，推导得出理论公式，或者利用岩心数据回归得到经验公式，然后利用公式进行计算。该类方法的最大特点就是看得见的公式。物理模型方法中，构建的体积模型通常需要对实际岩石进行简化，当储层岩石矿物含量复杂时，构建的体积模型不一定适用；基于体积模型推导的理论公式中包含的一些骨架参数值通常采用理论值或者经验数值，计算的结果不可靠。采用岩心数据构建的一元或者多元公式，有时候拟合精度不高，影响了进一步的规模化应用。第二类是利用机器学习的方法，通常采用有监督的学习，利用已知的岩石物理实验数据对测井数据进行标注，通过一定形式的训练与测试，构建最佳网络模型，然后对目标井利用测井数据进行预本文档来自技高网...

【技术保护点】
1.基于物理模型和机器学习的致密砂岩储层参数预测方法，其特征在于：包括以下步骤：/nA.建立储层参数的物理模型；/nB.建立委员会机器；/nC.将测井数据及对应的所述物理模型共同输入至所述委员会机器；/nD.所述委员会机器对储层参数进行预测。/n

【技术特征摘要】
1.基于物理模型和机器学习的致密砂岩储层参数预测方法，其特征在于：包括以下步骤：
A.建立储层参数的物理模型；
B.建立委员会机器；
C.将测井数据及对应的所述物理模型共同输入至所述委员会机器；
D.所述委员会机器对储层参数进行预测。


2.如权利要求1所述的基于物理模型和机器学习的致密砂岩储层参数预测方法，其特征在于：所述步骤A中，储层参数的物理模型包括：孔隙度模型，渗透率模型和含水饱和度模型。


3.如权利要求2所述的基于物理模型和机器学习的致密砂岩储层参数预测方法，其特征在于：所述孔隙度φ的计算模型如下：









式中，φA为声波孔隙度；Δtma为致密砂岩骨架的声波时差；Δtf为泥浆滤液的声矩阵；Δtsh为泥质的声波时差；Vsh为粘土的体积；
φN为中子测井孔隙度；φN,ma为致密砂岩骨架的中子孔隙度；φN,f为泥浆滤液的中子孔隙度；φN,sh为泥质的中子孔隙度；
φD为密度测井孔隙度；ρma为致密砂岩的骨架的密度；ρf是泥浆滤液的密度；ρsh是泥质的密度。


4.如权利要求2所述的基于物理模型和机器学习的致密砂岩储层参数预测方法，其特征在于：所述渗透率K的计算模型如下：



式中，Swb是储层束缚水水饱和度。


5.如权利要求2所述的基于物理模型和机器学习的致密砂岩储层参数预测方法，其特征在于...

【专利技术属性】
技术研发人员：谭茂金，白洋，张海涛，李高仁，
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