一种地层孔隙压力预测方法技术

本发明专利技术属于油气勘探技术领域，更具体地，涉及一种地层孔隙压力预测方法，包括采用机器学习方法建立测井岩性参数与地震属性的统计回归模型，并根据此模型预测出井间地震每道的纵波、密度、电阻率以及伽马岩性参数；之后采用机器学习方法建立井上测井岩性参数与测井孔隙压力统计回归模型，然后根据此模型预测得到地层孔隙压力体。本发明专利技术避免了复杂的数学推导和计算过程，提高了预测效率及预测精度。提高了预测效率及预测精度。提高了预测效率及预测精度。

【技术实现步骤摘要】
一种地层孔隙压力预测方法


[0001]本专利技术属于油气勘探
，更具体地，涉及一种地层孔隙压力预测方法。

技术介绍

[0002]地层压力指在岩石孔隙中所含流体的压力，也被称为地层孔隙流体压力。在正常的地层压力条件下，地层孔隙流体压力等于相对应的静水压力，当地层孔隙流体压力趋势线偏离静水压力趋势线时，被称为孔隙压力。在油气勘探开发过程中，由于地层的孔隙压力预测不准，时常会造成井眼垮塌、破裂，这不但影响了工程的进行，而且带来了巨大的经济损失。因此，准确预测地层孔隙压力，对钻井设计十分重要。
[0003]地层孔隙压力预测方法的理论是压实理论、均衡理论以及有效压力理论，常用的孔隙压力的预测方法有等效深度法、Eaton(伊顿)法、有效应力法等。其中等效深度法的基本原理是不考虑地层温度的情况下，对于不含气的纯岩石地层，声波时差的大小取决于岩性、压实程度、孔隙度及孔隙中的流体的含量，故在正常压实情况下，泥页岩孔隙度随着深度H的增加而减小，呈现指数衰减规律，根据该规律进行孔隙压力预测；Eaton法的原理是地层上覆压力梯度的变化决定了压实观测参数的实际值与正常趋势比率与地层孔隙压力的关系，Eaton法是目前较常用的预测地层孔隙压力的经验方法，其综合考虑了除压实条件以外的其他高压形成机制作用，并总结和参考了钻井实测压力与各种测井信息之间的关系，是一种比较实用的方法；有效应力法的原理是地层压实过程中沉积物的垂直有效应力保持一直增加的状态，在压实及成岩以后仍保持压实过程中的最大值，应按加载情况确定垂直有效应力，综合考虑孔隙度、泥质含量和有效应力。根绝孔隙压力与有效应力质之间的关系确定地层的孔隙压力。
[0004]然而，以上基于测井数据的孔隙度预测方法中的任意一种方法计算出的地层孔隙压力与实测压力之间都存在误差，主要是由于不同方法的公式不同，对于不同地层的适用性也就不同，由于不同地层的压实程度、孔隙度和泥质含量不同，造成不同公式本身就不完善，从而使得预测结果误差增大。
[0005]为解决上述技术问题，现有技术中公开的一种基于机器学习的地层孔隙压力预测方法，包括以下预测步骤：a、数据处理与准备：采集相关测井数据以及相关的岩石物性参数；b、确定敏感曲线：准备灰色关联度法的参考序列和比较序列，确定敏感测井曲线；c、模型的训练与测试：将原始数据集划分为训练集和测试集，将训练集输入梯度提升回归树模型中，获取最优模型，d、预测地层孔隙压力：将敏感测井曲线作为最优模型的输入特征向量，对储层地层压力的预测。其预测精度、预测范围及可靠性有较大的提升。但是其仅通过测井数据及岩石物性参数，最终的预测结果还是不够精准。

技术实现思路

[0006]本专利技术为克服上述现有技术中的至少一个缺陷，提供一种地层孔隙压力预测方法，其精度较高、速度较快。
[0007]为解决上述技术问题，本专利技术采用的技术方案是：
[0008]提供一种地层孔隙压力预测方法，包括以下步骤：
[0009]S1：根据井旁地震数据提取井旁瞬时相位，以及对井旁地震数据进行分解得到井旁瞬态分解波形；
[0010]S2：分别以时间域井的纵波、密度、电阻率及伽马岩性参数作为训练标签数据，以井旁瞬时相位以及井旁瞬态分解波形作为训练样本数据，采用机器学习方法建立测井岩性参数与地震属性的统计回归模型，记为第一统计回归模型；
[0011]S3：逐道提取井间地震瞬时相位和井间地震瞬态分解波形作为预测样本数据，利用第一统计回归模型分别预测出井间地震每道的纵波、密度、电阻率以及伽马岩性参数；
[0012]S4：以时间域井的孔隙压力为标签数据，采用机器学习方法建立井上测井岩性参数与测井孔隙压力统计回归模型，记为第二统计回归模型；
[0013]S5：以步骤S3得到井间地震每道的纵波、密度、电阻率以及伽马岩性参数为预测样本数据，利用第二统计回归模型预测得到地层孔隙压力体。
[0014]本方案中先通过井旁地震数据与时间域井数据预测出井间地震每道的纵波、密度、电阻率以及伽马岩性参数，之后再利用井间地震每道的纵波、密度、电阻率以及伽马岩性参数预测地层孔隙压力体，其避免了复杂的数学推导和计算过程，提高了预测速率。
[0015]优选地，上述的步骤S1中采用经验模态分解方法对井旁地震数据进行分解得到井旁瞬态分解波形。
[0016]优选地，上述的步骤S2中采用支持向量机统计学习方法建立测井岩性参数与地震属性的统计回归模型。
[0017]优选地，上述的采用支持向量机统计学习方法建立测井岩性参数与地震属性的统计回归模型具体包括以下步骤：
[0018]S21：创建样本训练集x＝{SWave
ij
,Sphase
j
}(i＝1,2,
…
,num,j＝1,2,
…
,n)，样本标签为y，其中SWave为井旁瞬态分解波形，其波形维度为num，Sphase是井旁瞬时相位；
[0019]S22：根据样本训练集和样本标签建立支持向量机回归映射目标函数：
[0020]S23：引入松弛因子对步骤S22中的支持向量机回归映射目标函数进行改进；
[0021]S24：利用拉格朗日优化对步骤S23中优化后的式子求解约束优化问题，得到回归估计函数；
[0022]S25：采用启发式的序列最小最优化算法求解回归估计函数，得到测井岩性参数与地震属性的统计回归模型，记为第一统计回归模型。
[0023]优选地，上述的样本标签分别为步骤S1中时间域井的纵波、密度、电阻率及伽马，样本标签的数量为n。
[0024]优选地，上述的步骤S2中建立第一统计回归模型过程中，对纵波、密度、电阻率及伽马岩性参数进行高通滤波。
[0025]优选地，上述的步骤S22中支持向量机回归映射目标函数具体为：
[0026][0027]其中，l
ε
是损失函数，C是软约束系数，ε为f(φ(x))和y之间容许的偏差，w和b是待定的参数，m为样本训练集及样本标签的长度。
[0028]优选地，上述的步骤S23中引入松弛因子对步骤S22中的支持向量机回归映射目标函数进行改进，具体为：
[0029][0030]其中，ξ
i
和为松弛因子，m为样本训练集及样本标签的长度。
[0031]优选地，上述的步骤S24中对步骤S23中改进后的式子求解约束优化问题，得到回归估计函数，具体为利用带不等式约束的拉格朗日优化思想将原始问题转化为对偶问题，通过求解对偶问题而得到原始问题的解，具体公式为：
[0032][0033]得到的估计函数为：
[0034][0035]其中，α与为拉格朗日乘子，K(x
i
,x
j
)＝φ(x
i
)φ(x
j
)为核函数。
[0036]优选地，上述的步骤S4中采用与步骤S2中相同的支持向量机统计学习方法建立井上测井岩性参数与测井孔隙压力统计回本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地层孔隙压力预测方法，其特征至于，包括以下步骤：根据井旁地震数据提取井旁瞬时相位，以及对井旁地震数据进行分解得到井旁瞬态分解波形；分别以时间域井的纵波、密度、电阻率及伽马岩性参数作为训练标签数据，以所述井旁瞬时相位以及井旁瞬态分解波形作为训练样本数据，采用机器学习方法建立测井岩性参数与地震属性的统计回归模型，记为第一统计回归模型；逐道提取井间地震瞬时相位和井间地震瞬态分解波形作为预测样本数据，利用所述第一统计回归模型分别预测得到井间地震每道的纵波、密度、电阻率以及伽马岩性参数；以时间域井的孔隙压力为标签数据，以时间域井的纵波、密度、电阻率及伽马岩性曲线作为训练样本数据，采用机器学习方法建立井上测井岩性参数与测井孔隙压力统计回归模型，记为第二统计回归模型；以所述预测得到井间地震每道的纵波、密度、电阻率以及伽马岩性参数为预测样本数据，利用所述第二统计回归模型预测得到地层孔隙压力体。2.根据权利要求1所述的一种地层孔隙压力预测方法，其特征在于，所述对井旁地震数据进行分解得到井旁瞬态分解波形具体为采用经验模态分解方法对井旁地震数据进行分解得到井旁瞬态分解波形。3.根据权利要求2所述的一种地层孔隙压力预测方法，其特征在于，所述采用机器学习方法建立测井岩性参数与地震属性的统计回归模型具体为采用支持向量机统计学习方法建立测井岩性参数与地震属性的统计回归模型。4.根据权利要求1至3任一项所述的一种地层孔隙压力预测方法，其特征在于，所述采用支持向量机统计学习方法建立测井岩性参数与地震属性的统计回归模型具体包括以下步骤：创建样本训练集x＝{SWave
ij
,Sphase
j
}(i＝1,2,
…
,num,j＝1,2,
…
,n)，样本标签为y，其中，SWave为井旁瞬态分解波形，其波形维度为num，Sphase为井旁瞬时相位；根据样本训练集和样本标签建立支持向量机回归映射目标函数：引入松弛因子对所述支持向量机回归映射目标函数进行改进；利用拉格朗日优化对改进后的支持向量机回归映射目标函数求解...

【专利技术属性】
技术研发人员：范彩伟，李辉，侯静娴，刘维军，
申请(专利权)人：中海石油中国有限公司湛江分公司，
类型：发明
国别省市：