缺失测井曲线预测方法及装置制造方法及图纸

本发明专利技术公开了一种缺失测井曲线预测方法及装置，该方法包括：获取研究区的测井曲线、层位数据、井位数据和地质信息；根据研究区的测井曲线齐全井段的预设待预测曲线与其它测井曲线之间的相关性，优选用于建立机器学习网络模型的测井曲线组合；根据研究区的测井曲线、层位数据、井位数据和地质信息，确定用于机器学习模型训练的样本井数据的权重；构建机器学习网络模型；利用样本井数据对机器学习网络模型进行训练和验证；根据研究区中的待处理井的已知测井曲线，利用训练和验证后的机器机器学习网络模型进行预测，获得待处理井的缺失测井曲线。本发明专利技术可以提升利用机器学习方法预测缺失曲线的精度。失曲线的精度。失曲线的精度。

【技术实现步骤摘要】
缺失测井曲线预测方法及装置


[0001]本专利技术涉及碳酸盐岩、火山岩、泥页岩等复杂岩性储层的测井曲线预测
，尤其涉及缺失测井曲线预测方法及装置。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]测井是油气勘探开发的重要技术手段，通过对测量获得的井下声学、放射性、电学等岩石地球物理特性曲线数据进行处理分析，可以实现对油气层的定性识别和参数定量计算，并为油气藏综合评价提供关键数据支持。然而由于地下情况复杂，且在测量过程中存在井径扩大、仪器故障等各种难以预料且不可避免的问题，以及测井实施操作不当和考虑经济性因素等人为原因，实际应用中经常出现部分井段测井数据失真或缺失的情况，这些缺失的部分甚至整条测井曲线会给储层测井评价工作带来极大挑战，而曲线预测是解决这类问题的常用技术方法。
[0004]传统缺失测井曲线预测主要依赖各种测井数据间的内在联系直接进行，比如通过交会图、多元回归等方法确定待预测的曲线与一条或几条已知曲线的经验关系，但是由于地下情况复杂和非均质性较强，测井数据之间经常呈现极强的非线性关系，数据间的映射关系也极为复杂，实际应用效果较差。近年来随着机器学习方法在科学和工程领域的广泛应用，很多研究者也建议使用数据驱动方法来解决地质问题，例如利用支持向量机(SVM)、模糊逻辑模型(FLM)和人工神经网络(ANN)等方法来进行测井曲线预测，但这些方法本质上构造的是一种点到点或深度序列之间的映射关系，没有考虑到用于建立预测模型的样本数据与待预测井之间在油气藏地质构造、地层岩性变化等的关联性与差异性，这与实际地质分析经验和地质学思想相违背，因此预测生成测井曲线的准确性较低。

技术实现思路

[0005]本专利技术实施例提供一种缺失测井曲线预测方法，用以提高预测生成测井曲线的准确性，该方法包括：
[0006]获取研究区的测井曲线、层位数据、井位数据和地质信息，所述地质信息包括地质构造或沉积相或岩相古地理；
[0007]根据研究区的测井曲线齐全井段的预设待预测曲线与其它测井曲线之间的相关性，优选用于建立机器学习网络模型的测井曲线组合；
[0008]根据研究区的测井曲线、层位数据、井位数据和地质信息，确定用于机器学习模型训练的样本井数据的权重，所述样本井为研究区的测井曲线齐全井，样本井数据为样本井中不同深度位置的测井曲线值；
[0009]构建机器学习网络模型；
[0010]利用样本井数据对构建的机器学习网络模型进行训练和验证；
[0011]根据研究区中的待处理井的已知测井曲线，利用训练和验证后的机器机器学习网络模型进行缺失测井曲线预测，获得待处理井的缺失测井曲线。
[0012]本专利技术实施例还提供一种缺失测井曲线预测装置，用以提高预测生成测井曲线的准确性，该装置包括：
[0013]信息获取模块，用于获取研究区的测井曲线、层位数据、井位数据和地质信息，所述地质信息包括地质构造或沉积相或岩相古地理；
[0014]曲线组合优先模块，用于根据研究区的测井曲线齐全井段的预设待预测曲线与其它测井曲线之间的相关性，优选用于建立机器学习网络模型的测井曲线组合；
[0015]权重确定模块，用于根据研究区的测井曲线、层位数据、井位数据和地质信息，确定用于机器学习模型训练的样本井数据的权重，所述样本井为研究区的测井曲线齐全井，样本井数据为样本井中不同深度位置的测井曲线值；
[0016]机器学习网络模型构建模块，用于构建机器学习网络模型；
[0017]训练和验证模块，用于利用样本井数据对机器学习网络模型进行训练和验证；
[0018]预测模块，用于根据研究区中的待处理井的已知测井曲线，利用训练和验证后的机器机器学习网络模型进行缺失测井曲线预测，获得待处理井的缺失测井曲线。
[0019]本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述缺失测井曲线预测方法。
[0020]本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述缺失测井曲线预测方法的计算机程序。
[0021]本专利技术实施例中，与现有技术相比，本专利技术提出了对用于建立测井曲线预测模型的样本数据集进行加权处理的方法，根据研究区的测井曲线、层位数据、井位数据和地质信息，确定用于机器学习模型训练的样本井数据的权重，从而增加训练样本井数据在预测模型训练中的贡献程度，显著提升了利用机器学习方法预测缺失曲线的精度。
附图说明
[0022]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，下面将对实施例或现有技术描述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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0023]图1为本专利技术实施例中缺失测井曲线预测方法流程图；
[0024]图2为本专利技术实施例中更为详细的缺失测井曲线预测流程图；
[0025]图3为本专利技术实施例中LSTM单元结构示意图；
[0026]图4为本专利技术实施例中五层LSTM对应的数据信息传递过程图；
[0027]图5为本专利技术实施例中基于井距离的权重计算示意图；
[0028]图6为本专利技术实施例中基于地质属性的权重计算示意图；
[0029]图7为本专利技术实施例中利用本专利技术进行缺失曲线预测的效果图；
[0030]图8为本专利技术实施例中本专利技术方法与传统方法预测效果对比图；
[0031]图9为本专利技术实施例中缺失测井曲线预测装置结构框图。
具体实施方式
[0032]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。
[0033]为了实现上述目的，本专利技术提供了以下技术方案，如图1和图2所示：
[0034]步骤102：获取研究区的测井曲线、层位数据、井位数据和地质信息，所述地质信息包括地质构造或沉积相或岩相古地理。还可以包括岩心实验分析等资料。
[0035]具体的，测井曲线可以包括自然伽马、伽马能谱、电阻率、三孔隙度等测井系列；井位数据指工区各井的坐标，可用于确定各井位置和井之间的距离；层位数据指各井地质分层；地质构造/沉积相/岩相古地理指研究区通过地质研究绘制的地质构造图、各层系的沉积相图、岩性古地理图等；岩心实验分析数据可对本专利技术结果进行进一步验证。
[0036]步骤104：根据研究区的测井曲线齐全井段的预设待预测曲线与其它测井曲线之间的相关性，优选用于建立机器学习网络模型的测井曲线组合。
[0037]具体的，常用测井曲线包括声波时差(AC)、中子(CNL)、密度(DEN)、自然伽马(GR本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种缺失测井曲线预测方法，其特征在于，包括：获取研究区的测井曲线、层位数据、井位数据和地质信息，所述地质信息包括地质构造或沉积相或岩相古地理；根据研究区的测井曲线齐全井段的预设待预测曲线与其它测井曲线之间的相关性，优选用于建立机器学习网络模型的测井曲线组合；根据研究区的测井曲线、层位数据、井位数据和地质信息，确定用于机器学习模型训练的样本井数据的权重，所述样本井为研究区的测井曲线齐全井，样本井数据为样本井中不同深度位置的测井曲线值；构建机器学习网络模型；利用样本井数据对构建的机器学习网络模型进行训练和验证；根据研究区中的待处理井的已知测井曲线，利用训练和验证后的机器机器学习网络模型进行缺失测井曲线预测，获得待处理井的缺失测井曲线。2.如权利要求1所述的缺失测井曲线预测方法，其特征在于，根据研究区的测井曲线齐全井段的预设待预测曲线与其它测井曲线之间的相关性，优选用于建立机器学习网络模型的测井曲线组合，包括：计算研究区的测井曲线齐全井段的预设待预测曲线与其它测井曲线之间的相关性；将所述相关性与预设相关系数阈值进行比较，当所述相关性超过预设相关系数阈值时，选择相应的测井曲线组成测井曲线组合。3.如权利要求1所述的缺失测井曲线预测方法，其特征在于，根据研究区的测井曲线、层位数据、井位数据和地质信息，确定用于机器学习模型训练的样本井数据的权重，包括：利用以下一种或多种组合确定用于机器学习模型训练的样本井数据的权重：根据井位数据确定用于机器学习模型训练的样本井数据的权重；或，根据研究区的地质信息、测井曲线和层位数据，确定用于机器学习模型训练的样本井数据的权重；或，根据研究区的测井曲线和层位数据，确定用于机器学习模型训练的样本井数据的权重。4.如权利要求3所述的缺失测井曲线预测方法，其特征在于，根据井位数据确定用于机器学习模型训练的样本井数据的权重，包括：根据待处理井的井位数据和样本井的井位数据，计算待处理井与样本井之间的距离，根据所述距离确定用于机器学习模型训练的样本井数据的权重。5.如权利要求4所述的缺失测井曲线预测方法，其特征在于，按照如下公式确定根据所述距离确定用于机器学习模型训练的样本井数据的权重：其中，w
db
是样本井数据的权重系数，0≤w
db
≤1；a、b为工区的权重值计算系数，一般设置a＝1、b＝0；L
m
为工区最大井距；(x0,y0)为待处理井的井位坐标，(x
b
,y
b
)为样本井的井位坐标。6.如权利要求3所述的缺失测井曲线预测方法，其特征在于，根据研究区的地质信息、
测井曲线和层位数据确定用于机器学习模型训练的样本井数据的权重，包括：基于研究区的地质信息划分多个区块；在每个区块选择多个典型井；将待处理井所在区块作为参考区，确定参考区典型井和其它区块典型井的平均相似性；将所述平均相似性作为用于机器学习模型训练的样本井数据的权重。7.如权利要求6所述的缺失测井曲线预测方法，其特征在于，按照如下方式将待处理井所在区块作为参考区，确定参考区典型井和其它区块典型井的平均相似性：其中，num
refer
表示参考区中典型井数量；num
i
表示第i沉积相带中典型井的数量；s
lk
表示参考区中第l口井与第i沉积相带中第k口井之间的相似性；表示第i沉积相带与参考区的平均相似性；i表示沉积相带的编号；l、k为井编号。8.如权利要求3所述的缺失测井曲线预测方法，其特征在于，根据研究区的测井曲线和层位数据确定用于机器学习模型训练的样本井数据的权重，包括：确定样本井的优选测井曲线组合和待处理井的优选测井曲线组合；基于样本井的优选测井曲线组合和待处理井的优选测井曲线组合，确定每一层位对应测井曲线的相似性；基于所述相似性确定用于机器学习模型训练的样本井数据的权重。9.如权利要求8所述的缺失测井曲线预测方法，其特征在于，按照如下公式基于所述相似性确定用于机器学习模型训练的样本井数据的权重：其中，ρ
i
′
表示第i
′
条曲线的指定权重；s
i
′
为样本井某层位第i
′
条曲线与待处理井对应曲线的相似性；w
As
为样本井在相应层位的权重系数；N为测井曲线组合中曲线的总数目。10.一种缺失测井曲线预测装置，其特征在于，包括：信息获取模块，用于获取研究区的测井曲线、层位数据、井位数据和地质信息，所述地质信息包括地质构造或沉积相或岩相古地理；曲线组合优选模块，用于根据研究区的测井曲线齐全井...

【专利技术属性】
技术研发人员：冯周，武宏亮，徐彬森，王克文，刘鹏，李雨生，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：