一种基于多源测井资料的生物扰动储集层物性计算方法技术

本发明专利技术公开了一种基于多源测井资料的生物扰动储集层物性计算方法，首先选取选取钻井取心段生物扰动发育的常规测井曲线值、相同深度下的岩心柱塞孔隙度值或渗透率值作为学习样本集，将常规测井曲线作为输入层，岩心柱塞孔隙度或渗透率作为输出层，通过训练选取出神经网络孔隙度计算模型和神经网络孔隙度计算模型的最终学习样本，再确定所述两个模型的网络结构，再通过训练选取训练函数和激活函数，最后依据所选取的网络结构、学习样本及训练函数，对研究生物扰动储集层的孔隙度和渗透率神经网络计算模型的有效性进行检验。本发明专利技术可以准确可靠的计算生物扰动储集层的孔隙度和渗透率。透率。透率。

【技术实现步骤摘要】
一种基于多源测井资料的生物扰动储集层物性计算方法


[0001]本专利技术涉及储集层物性计算
，特别是涉及一种基于多源测井资料的生物扰动储集层物性计算方法。

技术介绍

[0002]储集层是具有连通孔隙、允许油气在其中储存和渗滤的岩层。储集层的储集能力是由储集层的岩石物理性质决定的，通常包括其孔隙性、渗透性；孔隙性决定了储层储存能力的大小，渗透性决定了储集物的渗流能力。目前常用的利用测井数据计算孔隙度的方法有密度测井法、声波测井法和中子测井法。密度测井和声波测井孔隙度由相应的测井值根据已建立的计算模型校正杂基、油气、胶结物等影响获得；中子测井在孔隙充满水或油的纯地层中可以反映孔隙的大小，它所求得的视孔隙度必须校正岩性等环境因素影响。因此，利用这些测井数据计算地层孔隙度受多种因素的控制，各自具有一定的适用范围。然而，在计算生物扰动储集层孔隙度过程中利用常规密度测井法、声波测井法和中子测井法计算所得的孔隙度与柱塞测试结果偏差较大，因此急需新的孔隙度计算模型解决生物扰动储集层孔隙度的计算问题。
[0003]从理论上来说，要想彻底解决生物扰动碳酸盐岩储集层孔隙度计算这个艰巨的任务还需要解决以下5个问题：(1)明确生物扰动储集层的非均质性分布规律(受沉积环境控制的生物扰动的和受成岩作用控制的后期改造的非均质性分布规律)；(2)识别生物扰动储集层的发育段；(3)优选与生物扰动储集层相关的测井参数，利用神经网络算法建立非线性的孔隙度计算模型；(4)优选样本参数进行模型的训练和改进；(5)结合生产实践去检验建立的孔隙度计算模型。
[0004]而渗透率作为表征流体在孔隙系统中流动难易程度的参数，对储层性质及生产力评价具有重要影响。岩石的渗透率不仅受岩石骨架(岩石颗粒粗细、孔隙的弯曲度、孔喉直径)的影响，还受孔隙充填物(孔隙内流体性质、黏土分布形式)的影响。由于影响生物扰动储集层渗透率的因素较多，目前还无法准确建立常规测井资料与渗透率之间的理论关系，且生物扰动岩心柱塞孔隙度与渗透率之间没有明显的线性关系，只能以岩心柱塞渗透率和各常规测井曲线参数作为分析变量，对其进行相关性分析；然后利用多源测井资料基于改进的BP神经网络建立渗透率计算模型。

技术实现思路

[0005]本专利技术的目的是提供一种基于多源测井资料的生物扰动储集层物性计算方法，以解决上述现有技术存在的问题，可以准确可靠的计算生物扰动油气储集层的孔隙度和渗透率。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]本专利技术提供一种基于多源测井资料的生物扰动储集层物性计算方法,所述方法包括以下步骤：
[0008]步骤1，选取钻井取心段生物扰动发育的常规测井曲线值、岩心柱塞孔隙度值或渗透率值作为学习样本集，所述岩心柱塞孔隙度值或渗透率值为相同深度下的；
[0009]步骤2，选取常规测井曲线作为输入层，选取岩心柱塞孔隙度作为神经网络孔隙度计算模型的输出层，选取岩心柱塞渗透率作为神经网络渗透率计算模型的输出层；
[0010]步骤3，通过训练选取出神经网络孔隙度计算模型和神经网络孔隙度计算模型的最终学习样本，再确定所述两个模型的网络结构；
[0011]步骤4，通过训练选取两种模型的训练函数和激活函数；
[0012]步骤5，最后依据所选取的网络结构、学习样本及训练函数，对研究生物扰动储集层的孔隙度和渗透率神经网络计算模型的有效性进行检验。
[0013]进一步地，所述神经网络孔隙度计算模型和神经网络孔隙度计算模型的学习样本选取过程为：选取多个具有代表性的样本点，设计六种包含不同常规测井曲线参数的BP神经网络孔隙度计算的模型，选取常规测井曲线参数为输入层，岩心柱塞孔隙度测试结果为输出层，将样本点对应每个模型的测井数据带入模型进行训练，以取尽可能少的隐含层节点数为原则，调整模型中隐含层的节点数以得到每个模型最终的隐含层节点数，再以均方差最小为原则、隐含层的节点数和迭代次数为参考，选择出最终学习样本。
[0014]进一步地，所述的神经网络孔隙度计算模型最终学习样本为：自然伽马SP、浅侧向电阻率RS、深侧向电阻率RD、声波时差AC、补偿中子CNL、补偿密度DEN，共6个节点；输出层为岩心柱塞孔隙度，共1个节点。
[0015]进一步地，所述的神经网络渗透率计算模型的最终学习样本为：输入层为自然伽马SP、自然伽马GR、井径CAL、浅侧向电阻率RS、深侧向电阻率RD、补偿中子CNL，共6个节点；输出层为岩心柱塞渗透率，共1个节点。
[0016]进一步地，所述的神经网络孔隙度计算模型和神经网络渗透率计算模型的训练函数都为rprop函数。
[0017]进一步地，所述的神经网络孔隙度计算模型和神经网络渗透率计算模型选取训练函数的过程为：固定了网络机构及学习样本之后，对5种训练函数分别进行模型训练，以均方差最小为原则、训练误差和迭代次数为参考，rprop训练函数的均方差以及训练误差、迭代次数均为最小，所以选择rprop为训练函数。
[0018]进一步地，所述的5种函数为：incremental、batch、rprop、quickprop、sarprop。
[0019]进一步地，所述神经网络孔隙度计算模型和神经网络孔隙度计算模型的激活函数的选取过程为：固定了网络机构及学习样本之后，对隐含层和输出层分别设置不同的激活函数对模型进行训练，隐含层为sigmoid stepwise、输出层为linear piece的激活函数组合，均方差和训练误差最小，迭代次数也相对较小。
[0020]进一步地，所述常规测井曲线包括：自然电位测井SP、自然伽马测井GR、双侧向电阻率测井的深侧向RD、双侧向电阻率测井的浅侧向RS、井径测井CAL、声波测井AC、补偿中子测井CNL、补偿密度测井DEN。
[0021]进一步地，所述激活函数包含：选取cos作为神经网络孔隙度计算模型隐含层的激活函数，gaussian作为输出层的激活函数；选取sigmoid stepwise作为神经网络渗透率计算模型隐含层的激活函数，linear piece作为输出层的激活函数。
[0022]本专利技术公开了以下技术效果：
[0023]本专利技术可以准确可靠的计算生物扰动储集层的孔隙度和渗透率，通过选取T208井5625-5631m的生物扰动储集段，对于四个学习样本，测出的BP神经网络计算的孔隙度值与岩心柱塞孔隙值极为接近，方差极小，误差均在10-7
以下，且两者的孔隙度曲线总体上变化趋势相，证明了神经网络模型测量孔隙度的可靠性；在相同情况下对BP神经网络计算的渗透率值进行测量，测量结果与岩心柱塞渗透率较为接近，二者方差极小，误差在10-5
以下，由此可见，BP神经网络计算的渗透率的误差也符合精度要求，可以用于生物扰动储集层渗透率的计算和预测。
附图说明
[0024]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源测井资料的生物扰动储集层物性计算方法，其特征在于，包括以下步骤：步骤1，选取钻井取心段生物扰动发育的常规测井曲线值、岩心柱塞孔隙度值或渗透率值作为学习样本集，所述岩心柱塞孔隙度值或渗透率值为相同深度下的；步骤2，选取常规测井曲线作为输入层，选取岩心柱塞孔隙度作为神经网络孔隙度计算模型的输出层，选取岩心柱塞渗透率作为神经网络渗透率计算模型的输出层；步骤3，通过训练选取出神经网络孔隙度计算模型和神经网络孔隙度计算模型的最终学习样本，再确定所述两个模型的网络结构；步骤4，通过训练选取两种模型的训练函数和激活函数；步骤5，最后依据所选取的网络结构、学习样本及训练函数，对研究生物扰动储集层的孔隙度和渗透率神经网络计算模型的有效性进行检验。2.根据权利要求1所述的一种基于多源测井资料的生物扰动储集层物性计算方法，其特征在于，所述神经网络孔隙度计算模型和神经网络孔隙度计算模型的学习样本选取过程为：选取多个具有代表性的样本点，设计六种包含不同常规测井曲线参数的BP神经网络孔隙度计算的模型，选取常规测井曲线参数为输入层，岩心柱塞孔隙度测试结果为输出层，将样本点对应每个模型的测井数据带入模型进行训练，以取尽可能少的隐含层节点数为原则，调整模型中隐含层的节点数以得到每个模型最终的隐含层节点数，再以均方差最小为原则、隐含层的节点数和迭代次数为参考，选择出最终学习样本。3.根据权利要求2所述的一种基于多源测井资料的生物扰动储集层物性计算方法，其特征在于，所述的神经网络孔隙度计算模型最终学习样本为：自然伽马SP、浅侧向电阻率RS、深侧向电阻率RD、声波时差AC、补偿中子CNL、补偿密度DEN，共6个节点；输出层为岩心柱塞孔隙度，共1个节点。4.根据权利要求2所述的一种基于多源测井资料的生物扰动储集层物性计算方法，其特征在于，所述的神经网络渗透率计算模型的最终学习样本为：输入层为自然伽马SP、自然伽马GR、井径CAL、浅侧向电阻率RS、深侧向电阻率RD、补偿中子CNL，共6个节点；输出层...

【专利技术属性】
技术研发人员：牛永斌，单婷婷，牛德成，崔维平，陈鸣，赵佳如，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：