一种测井资料计算页岩油储层有机碳含量的方法技术

本申请提供一种测井资料计算页岩油储层有机碳含量的方法，包括以下步骤：S1.对研究区块的取心井段的岩心钻井深度与测井深度进行深度归位处理；S2.对研究区块的每口井的测井资料进行标准化处理，消除测井资料的系统误差；S3.利用研究区块的取心井段的岩心样品有机碳含量实验室测量资料，采用人工神经网络分析法，建立研究区块的页岩油储层有机碳含量与测井资料的非线性关系，建立取心井段的岩心样品有机碳含量测量值与测井值之间的神经网络计算模型；S4.将建立的神经网络计算模型应用到研究区块的非取心井中，计算研究区块的非取心井的页岩油储层有机碳含量。该方法能够准确地得到页岩储层的有机碳含量。

【技术实现步骤摘要】
一种测井资料计算页岩油储层有机碳含量的方法
本申请涉及储层领域，尤其涉及一种测井资料计算页岩油储层有机碳含量的方法。
技术介绍
有机碳含量TOC是指岩石中除去碳酸盐、石墨中无机碳以外的碳，即以碳元素表示岩石中有机质的含量。在烃源岩评价中通常采用有机碳含量作为烃源岩有机质丰度指标。基于测井资料的有机碳含量的计算方法目前主要有ΔlogR法、密度法、自然伽马指示法、元素测井指示法等，其中ΔlogR法是目前公认的应用最为广泛的方法之一。这些方法都是利用单一测井曲线资料(电阻率测井、密度测井或自然伽马测井等)采用线性拟合法，建立储层有机碳含量与测井曲线间的线性关系，而在页岩油储层有机碳含量的求取过程中，发现由于页岩油储层岩石组分多样，孔隙结构复杂，单一测井曲线与储层有机碳含量(TOC)的相关性不好，线性拟合计算结果与实验室测量结果误差较大。
技术实现思路
本申请提供一种测井资料计算页岩油储层有机碳含量的方法，旨在改善现有技术中的页岩油储层有机碳含量的求取值误差较大的问题。本申请的技术方案是：一种测井资料计算页岩本文档来自技高网...

【技术保护点】
1.一种测井资料计算页岩油储层有机碳含量的方法，其特征在于，包括以下步骤：/nS1.对研究区块的取心井段的岩心钻井深度与测井深度进行深度归位处理；/nS2.对所述研究区块的每口井的测井资料进行标准化处理，消除测井资料的系统误差；/nS3.利用所述研究区块的所述取心井段的岩心样品有机碳含量实验室测量资料，采用人工神经网络分析法，建立所述研究区块的页岩油储层有机碳含量与测井资料的非线性关系，建立所述取心井段的所述岩心样品有机碳含量测量值与测井值之间的神经网络计算模型；/nS4.将建立的所述神经网络计算模型应用到所述研究区块的非取心井中，计算所述研究区块的所述非取心井的页岩油储层有机碳含量。/n

【技术特征摘要】
1.一种测井资料计算页岩油储层有机碳含量的方法，其特征在于，包括以下步骤：
S1.对研究区块的取心井段的岩心钻井深度与测井深度进行深度归位处理；
S2.对所述研究区块的每口井的测井资料进行标准化处理，消除测井资料的系统误差；
S3.利用所述研究区块的所述取心井段的岩心样品有机碳含量实验室测量资料，采用人工神经网络分析法，建立所述研究区块的页岩油储层有机碳含量与测井资料的非线性关系，建立所述取心井段的所述岩心样品有机碳含量测量值与测井值之间的神经网络计算模型；
S4.将建立的所述神经网络计算模型应用到所述研究区块的非取心井中，计算所述研究区块的所述非取心井的页岩油储层有机碳含量。


2.根据权利要求1所述的测井资料计算页岩油储层有机碳含量的方法，其特征在于，在步骤S1中，根据所述研究区块的所述取心井段的岩性特征确定所述取心井段标志层顶界或者底界的钻井深度D1，然后在所述研究区块的所述取心井段的测井曲线上找到与所述标志层的顶界或者底界相对应的测井深度D2，测井深度D2与钻井深度D1之间的差值就是所述取心井段测井深度与钻井深度的校正值，即：
ΔD＝D2-D1；
所述取心井段的所述岩心样品在测井曲线上的归位深度D2’与所述就是岩心样品的钻井深度D1’之间的关系为：
D2’＝D1’+ΔD。


3.根据权利要求1所述的测井资料计算页岩油储层有机碳含量的方法，其特征在于，在步骤S2中，确定所述研究区块的标准层，统计钻遇所述标准层的所有所述井的所述标准层的第一测井特征值，用直方图统计法确定所述研究区块的标准层的第二测井特征值；根据每口所述井的所述第一测井特征值与所述研究区块的所述第二测井特征值的差值，确定所述研究区块内的每口所述井的测井资料的校正量。


4.根据权利要求3所述的测井资料计算页岩油储层有机碳含量的方法，其特征在于，在步骤S2中，所述测井资料包括声波时差测井和补偿密度测井资料。


5.根据权利要求3所述的测井资料计算页岩油储层有机碳含量的方法，其特征在于，在步骤S2中，所述标准层包括厚度均匀分布且物性均匀分布的泥岩或者膏泥岩。


6.根据权利要求1所述的测井资料计算页岩油储层有机碳含量的方法，其特征在于，在步骤S3中，首先选择训练样本，所述训练样本在所述测井资料上的测井响应值用向量X表示，将所述训练样本的测井响应值作为神经网络分析的输入层向量X：
X＝(Xi1，Xi2，…，Xij，…，Xin)；
i＝1，2，…，m；j＝1，2，…，n；
其中，m代表样本数，n代表有n个测井响应值，Xij是第i个样本的第j个测井响应值；
所述训练样本的实验室测量有机碳含量测量值用向量Y表示，将所述训练样本的实验室测量有机碳含量测量值作为神经网络分析的输出层向量Y：
Y＝(Yi)，i＝1，2，…，m；
其中，m代表训练样本数，Yi代表第i个训练样本的实验室测量有机碳含量测量值；
选择好所述训练样本后，对所述训练样本的输入值、输出值采用最大-最小标准化法做归一化处理；对所述训练样本进行神经网络训练，设置神经网络隐藏层个数、置信度以及训练学习次数；其中，第N层的每个神经元都与第N-1层的所有神经元连接，第N-1层神经元的输出就是第N层神经元的输入；在(0，1)范围内随机初始化网络的连接权值和偏移量，计算当前参数条件下的神经网络训练输出值，计算所述神经网络训练输出值与所述训练样本输出值的均方误差；若所述均方误差不符合给定标准，则根据所述均方误差计算输出神经元和隐藏神经元的梯度，反向更新神经网络的连接权值和偏移量；根据更新的神经网络的连接权值和偏移量重新训练计算输出值，再计算所述神经网络训练输出值与所述训练样本输出值的均方误差；如此反复计算，直到误差或学习迭代次数达到条件，停止学习，确定所述神经网络的连接权值和偏移量。


7.根据权利要求6所述的测井资料计算页岩油储层有机碳含量的方法，其特征在于，在步骤S3中，所述最大-最小标准化处理是对原始数据进行线性变换，设属性A的最小值和最大值分别是minA和maxA，将属性A的一个原始值通过最大-最小标准化映射到区间(0，1)，则计算公式为：



其中，A为输...

【专利技术属性】
技术研发人员：叶青竹，郑有恒，范传军，吴世强，杜小娟，管文静，张亮，贺钦，殷文洁，杨薇，
申请(专利权)人：中国石油化工股份有限公司，中国石油化工股份有限公司江汉油田分公司勘探开发研究院，
类型：发明
国别省市：北京;11