一种基于机器学习的非常规致密砂岩储层孔隙度预测方法技术

本发明专利技术属于致密砂岩矿产资源勘探技术领域，具体涉及一种基于机器学习的非常规致密砂岩孔隙度进行预测方法。本发明专利技术包括如下步骤：步骤1、从钻井岩心分析测试数据和测井数据中提取用于预测的样本数据；步骤2、数据预处理；步骤3、基于不同机械学习方法，训练多个孔隙度预测模型；步骤4、交叉验证；步骤5、优化各个模型；步骤6、新数据的加入和模型的重新优化。本发明专利技术基于现有的岩石地球物理数据，综合多种参数，实现了对致密砂岩储层孔隙度较好的预测。实现了对致密砂岩储层孔隙度较好的预测。实现了对致密砂岩储层孔隙度较好的预测。

【技术实现步骤摘要】
一种基于机器学习的非常规致密砂岩储层孔隙度预测方法


[0001]本专利技术属于致密砂岩矿产资源勘探
，具体涉及一种基于机器学习的非常规致密砂岩孔隙度进行预测方法。

技术介绍

[0002]在沉积盆地中，与砂岩孔隙度有关的沉积矿产资源非常丰富，包括流体矿产的运移和富集也包括固体成矿的沉淀与形成等。人们通过运用地球物理数据，尤其是声波时差、中子孔隙度、密度等测井数据，可以建立较好的砂体孔隙度解释模型，并广泛应用于常规资源的勘探和开发中。但随着近几年在非常规资源，如致密油气等领域的突破，我们也逐渐突破了常规资源勘探的瓶颈。但是，伴随着非常规资源的往往是更复杂的地质条件，对致密砂岩来讲，其最主要的特征是低孔低渗，这导致致密砂岩储层孔隙度预测无法照搬常规储层孔隙度预测模型的建立方法，并且由于低孔低渗储层的成因和影响因素复杂，导致其预测难度更大。但是，对致密砂岩孔隙度的准确预测依然是解决与其紧密相关的矿产资源勘探和开发问题的根本需求。
[0003]近年来，随着机器学习技术和方法的日趋成熟，在数据处理、数据分析、模式搜索和规律寻找等方面表现出较强的能力。对复杂地质问题的处理正是对多层次、多类型、大数据的综合分析和研究。因此，机器学习恰好具有解决复杂地质问题的能力和优势。同时，很多地质学家也迅速认识到该方法的先进性，均在不断加强学科合作和技术融合。但是在致密砂岩领域，尤其是对致密砂岩孔隙度的预测问题，尚需要建立一套完整的技术方法体系，实现机器学习方法在致密砂岩矿产资源勘探和开发领域的应用。

技术实现思路

[0004]本专利技术的目的在于，针对目前非常规致密砂岩储层孔隙度较难预测的问题，提出一种基于机器学习方法致密砂岩储层孔隙度预测方法，该方法基于现有的岩石地球物理数据，综合多种参数，实现了对致密砂岩储层孔隙度较好的预测。
[0005]本专利技术采用的技术方案：
[0006]一种基于机器学习的非常规致密砂岩孔隙度进行预测方法，包括如下步骤：步骤1、从钻井岩心分析测试数据和测井数据中提取用于预测的样本数据；步骤2、数据预处理；步骤3、基于不同机械学习方法，训练多个孔隙度预测模型；步骤4、交叉验证；步骤5、优化各个模型；步骤6、新数据的加入和模型的重新优化。
[0007]所述步骤1中，获取致密砂岩岩心样品分析测试孔隙度和与岩石孔隙度有关的测井数据组成数据集，并以岩心样品分析测试孔隙度作为监督学习的目标集，以自然伽马、自然电位、声波时差、中子孔隙度、密度和深侧向电阻率以及埋藏深度为特征集。
[0008]对步骤1中收集到的数据进行清洗和统计分析，对孔隙度测量异常点、测井参数获取的异常值进行移出；统计分析每类参数的统计分布，划分不同岩石类型、不同沉积相类型、不同成岩阶段的各类岩石测井参数特征，全面掌握数据特征和数据内涵。
[0009]所述步骤2中，包括如下步骤：
[0010]步骤2.1、校正测井数据中的测井深度和样品数据中的岩心样品深度，将特征集和目标集进行匹配关联；
[0011]步骤2.2、对特征集中的自然伽马、自然电位、声波时差、中子孔隙度、密度、深侧向电阻率和埋藏深度这些特征数据进行归一化处理；
[0012]步骤2.3、对归一化后的特征集进行降维处理。
[0013]所述步骤2.2中，归一化方法采用：
[0014][0015]其中：x
normal
为一特征数据归一化后的数据，x
min
代表这一特征数据中的最小值，x
max
代表这一特征数据中最大值。
[0016]所述步骤2.3中，通过对各特征值之间的相关性进行分析，结合各测井数据的实际物理意义对岩石孔隙度的响应机理，通过分析特征数据的相关性及主成分分析，对特征数据集进行降维判断和处理。
[0017]所述步骤3中，将降维处理后的特征集平均分为5份，将对应的目标集也分为相应的5份；依次选择第五步中的一份数据i作为测试集的特征集F_test(i)，对应的目标集为测试集的目标集T_test(i)，其余4份数据组成训练集合的特征集F_train(i)和目标集T_train(i)；通过多次训练，选择最优的训练结果；选择不同的机器学习算法，训练对个孔隙度预测模型。
[0018]所述步骤4中，根据每个已经训练模型的交叉验证结果，对每个训练模型进行评价。
[0019]所述步骤5中，评价指标包括均方误差MSE、均方根误差RMSE、平均绝对误差MAE和R2。
[0020]所述MSE的计算方法如下：
[0021][0022]其中RMSE的计算方法如下：
[0023][0024]其中MAE的计算方法如下：
[0025][0026]其中R2的计算方法如下：
[0027][0028]其中，y
i
为测试集中样品实际分析测试孔隙度；为模型预测结果，为模型预测结果的平均值。
[0029]与现有技术相比，本专利技术的有益效果在于：
[0030](1)本专利技术提供的一种基于机器学习的非常规致密砂岩孔隙度进行预测方法，提高了致密砂岩孔隙度的预测准确度，降低了致密砂岩中的矿产资源勘探，尤其是致密砂岩油气勘探的成本；
[0031](2)本专利技术提供的一种基于机器学习的非常规致密砂岩孔隙度进行预测方法，引入了多参数综合预测致密砂岩孔隙度的方法，引入的各参数反映致密砂岩的不同信息，包括岩石组分信息、岩石埋藏压实信息、岩石密度信息等，这些信息均与岩石孔隙度相关联。通过多信息的综合，对孔隙度进行了更准确预测；
[0032](3)本专利技术提供的一种基于机器学习的非常规致密砂岩孔隙度进行预测方法，该预测可应用于沉积盆地中致密砂岩中流体迁移通道和富集能力的研究，也可直接应用与致密砂岩矿产资源的勘探和开发中，为矿产资源的富集规律研究、有利区预测和开采实践提供较强的科学支撑。
附图说明
[0033]图1为本专利技术实现基于机器学习预测致密砂岩孔隙度的方法流程图。
[0034]图2为某油田区块岩心样品分析测试孔隙度与机器学习预测孔隙度对比图。
具体实施方式
[0035]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0036]在本专利技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0037]在本专利技术的描述中，需要说明的是，除非另有明确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的非常规致密砂岩孔隙度进行预测方法，其特征在于：包括如下步骤：步骤(1)、从钻井岩心分析测试数据和测井数据中提取用于预测的样本数据；步骤(2)、数据预处理；步骤(3)、基于不同机械学习方法，训练多个孔隙度预测模型；步骤(4)、交叉验证；步骤(5)、优化各个模型；步骤(6)、新数据的加入和模型的重新优化。2.根据权利要求1所述的一种基于机器学习的非常规致密砂岩孔隙度进行预测方法，其特征在于：所述步骤(1)中，获取致密砂岩岩心样品分析测试孔隙度和与岩石孔隙度有关的测井数据组成数据集，并以岩心样品分析测试孔隙度作为监督学习的目标集，以自然伽马、自然电位、声波时差、中子孔隙度、密度和深侧向电阻率以及埋藏深度为特征集。3.根据权利要求2所述的一种基于机器学习的非常规致密砂岩孔隙度进行预测方法，其特征在于：对步骤(1)中收集到的数据进行清洗和统计分析，对孔隙度测量异常点、测井参数获取的异常值进行移出；统计分析每类参数的统计分布，划分不同岩石类型、不同沉积相类型、不同成岩阶段的各类岩石测井参数特征，全面掌握数据特征和数据内涵。4.根据权利要求3所述的一种基于机器学习的非常规致密砂岩孔隙度进行预测方法，其特征在于：所述步骤(2)中，包括如下步骤：步骤(2.1)、校正测井数据中的测井深度和样品数据中的岩心样品深度，将特征集和目标集进行匹配关联；步骤(2.2)、对特征集中的自然伽马、自然电位、声波时差、中子孔隙度、密度、深侧向电阻率和埋藏深度这些特征数据进行归一化处理；步骤(2.3)、对归一化后的特征集进行降维处理。5.根据权利要求4所述的一种基于机器学习的非常规致密砂岩孔隙度进行预测方法，其特征在于：所述步骤(2.2)中，归一化方法采用：其中：x
normal
为一特征数据归一化后...

【专利技术属性】
技术研发人员：张云龙，李西得，谢惠丽，刘武生，倪仕琪，
申请(专利权)人：核工业北京地质研究院，
类型：发明
国别省市：