一种基于机器学习的断层封闭烃柱高度评价方法技术

本发明专利技术涉及一种基于机器学习的断层封闭烃柱高度评价方法，该方法包括：1、基于地震、井基础资料建立三维断层模型；2、在三维工区中提取断层控圈部分的封闭属性数据并构建“封闭属性——烃柱高度”数据集，通过机器学习分类算法构建“断层圈闭油水界面评价模型”；3、提取待评价控圈闭断层的封闭属性参数，以之为评价模型的输入项，以输出项形式获得待评价圈闭的油水界面区间及概率；4、基于圈闭评价得出的油水界面区间及概率，绘制待评价圈闭概率最大的“烃

【技术实现步骤摘要】
一种基于机器学习的断层封闭烃柱高度评价方法


[0001]本专利技术是属于一种适用于油气勘探阶段，具体涉及一种基于机器学习的断层封闭烃柱高度评价方法。

技术介绍

[0002]断层圈闭是指断层作为遮挡条件的油气聚集场所，断层封闭烃柱高度评价是一项预测断层圈闭烃类聚集程度的风险评价工作，是影响油气田勘探最后环节的核心因素。在油气(烃)运移和聚集过程中，断层的封闭能力决定了断层圈闭油气的富集程度，近二十年来，针对不同的断层封闭类型，地质学家已经专利技术了多种评价断层封闭能力的方法，例如评价“岩性对接封闭”采用的三角图(Knipe图解)和岩性对接图(Allan图)，评价“断层岩封闭”采用的断层泥展布特征预测参数(包括SGR、SSF、CSP等)，以及通过这类预测参数与已钻探油气藏的油气分布数据，或实验室实测断层物性数据建立半定量
‑
定量关系，用以预测勘探圈闭。
[0003]上述方法得到了较广泛的应用，在一定应用场景下，可实现对断层封闭能力的表征。但这类方法都是采用单一地质因素来描述断层的封闭能力，且评价结果趋于绝对，通常与实际钻探结果存在较大偏差。这是因为断层封闭能力受多种地质因素的影响，除了岩性对接类型和断层泥含量以外，母岩物性和力学性质、断层带结构、断层的几何学和运动学特征等，均会对复杂场景下的断层封闭能力产生不同程度的影响。因此，在影响因素的系统化研究基础上，建立基于多维度影响因素的断层封闭烃柱高度评价模型，是提高断层封闭能力评价精度，实现客观的断层圈闭勘探风险性评价的重要途径。
专利技术内容
[0004]本专利技术的目的是为了得到更精准、客观的圈闭烃柱高度及其概率分布，提供一种基于机器学习的断层封闭烃柱高度评价方法，该方法区别于传统的仅考虑断层泥含量的评价模型，是通过BP神经网络的机器学习方法，建立一种基于多维度影响因素的断层封闭烃柱高度评价模型，旨在为勘探目标优选和井位部署提供可靠依据。
[0005]本专利技术的目的是通过以下技术方案实现的：一种基于机器学习的断层封闭烃柱高度评价方法，所述方法包括以下步骤：
[0006]步骤一：建立三维地质模型，依据所获取的三维地震解释数据(包括地层和断层解释成果)和井基础资料，通过FAPSeal软件建立三维地质模型。
[0007]步骤二：对研究区进行精细油藏解剖，选取研究区多个受断层控制的已钻探油气藏进行精细解剖，得到各油气藏的圈闭要素和烃水界面，并计算出圈闭所封闭的烃柱高度，建立圈闭要素统计表。
[0008]步骤三：断层封闭属性数据集构建，依据油藏解剖成果，在三维工区中，通过对控制烃类分布的断层进行解剖，提取控烃部分的断层封闭属性数据，将该数据作为特征值，烃柱高度作为目标值进行断层封闭属性数据集构建。
[0009]步骤四：对所提取的原始“断层封闭属性数据”进行数据预处理。通过断层封闭属性相关性分析，去除无效属性，优化数据集。之后以数据量均衡为前提，对烃柱高度进行分段处理，形成以烃柱高度段为分类单元的多类数据构成的学习数据集，最后将分段后的数据按照7：3的比例随机划分为训练集和测试集。
[0010]步骤五：BP神经网络模型构建。选取BP神经网络作为机器学习分类算法，在模型训练过程中，采用粒子群算法以优化模型，利用测试集，对该条件获得的神经网络评价模型进行测试，完成基于BP神经网络的断层封闭能力评价模型的建立。
[0011]步骤六：以待评价圈闭的断层封闭属性为输入项，以输出项形式获得待评价圈闭的烃柱高度范围、烃水界面范围及概率，并在平面图上绘制待评价圈闭概率最大的“烃
‑
水界面”范围，得出圈闭面积。最后，结合储层平均孔隙度、碾平厚度、圈闭面积，计算待评价圈闭的地质储量。
[0012]本专利技术所产生的技术效果：
[0013]1、传统的断层封闭评价模型，是通过建立断层泥含量和过断层压差关系来实现断层封闭能力评价模型的构建，但断层封闭能力的影响因素不只断层泥含量这一种。本专利技术综合了断层泥含量、断距、有效正应力、走向、倾角、断层剪切应变及纵向应变、倾向滑移梯度、纵向梯度和横向梯度这10种在不同程度上影响着断层封闭能力的因素。
[0014]2、本专利技术创新性地把BP神经网络的机器学习方法应用到断层圈闭的勘探评价中，有效地综合上述的10种影响因素对圈闭烃柱高度以及油水界面进行预测，准确率达到约80％，相对于传统预测方法，误差大幅降低。
[0015]BP神经网络易陷于局部最优和收敛速度慢等问题，在模型训练过程中，采用粒子群算法以提高训练模型的鲁棒性，避免欠拟合和过拟合现象的发生，用PSO算法优化BP神经网络的中间权值和阈值，可以大幅度提高BP神经网络的效率。
附图说明
[0016]图1是双27
‑
28——双25
‑
26井油藏剖面图；
[0017]图2是皮尔逊相关系数图；
[0018]图3是BP神经网络预测流程图；
[0019]图4是模型准确度图；
[0020]图5是要素权重分布图；
[0021]图6是烃水界面范围图；
[0022]图7是预测烃水界面图；
[0023]图8是F3断层烃水界面范围图；
[0024]图9是F3断层预测烃水界面图；
[0025]图10是F3断层传统方法预测油水界面；
[0026]图11是预测结果对比图；
[0027]图12是装置示意图。
具体实施方式
[0028]下面结合实施例对本专利技术进一步说明：
[0029]一种用于评价断层封闭烃柱高度的方法，所述方法包括以下步骤：
[0030]步骤一：建立三维地质模型，依据所获取的三维地震解释数据(包括地层和断层解释成果)和井基础资料，通过FAPSeal软件建立三维地质模型。
[0031]步骤二：研究区的精细油藏解剖。以双台子地区中双51断块双27
‑
28——双25
‑
26井油藏精细解剖为例，双51油藏发育在F7断层的上升盘，主力含油气层位为兴II和兴III，划分出兴II
‑
1和兴III
‑
1两个储集单元(图1所示)。结合油层顶面构造图、试油数据和测井数据和油水解释结论，可以确定两个储集单元对应的构造高点分别为
‑
2462m和
‑
2522m，油水界面分别为
‑
2521m和
‑
2530m，圈闭封闭的烃柱高度分别为为59m和8m。按照此原理和方法，对双台子地区的断层油气藏进行精细解剖，统计出各油气藏的圈闭要素和断层封闭的烃柱高度(表1)。
[0032]表1双台子地区圈闭要素及烃柱高度统计表
[0033][0034][0035]步骤三：断层封闭属性解剖及数据集构建。
[0036]明确了研究区块断层封闭类型以及断层所封闭的烃柱高度后，在所建立的研究区三维模型中，依据统计出的圈闭要素，绘制出控圈断层的控烃范围，并本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的断层封闭烃柱高度评价方法，所述方法包括以下步骤：步骤一：建立三维地质模型，依据所获取的三维地震解释数据，包括地层和断层解释成果和井基础资料，通过FAPSeal软件建立三维地质模型；步骤二：对研究区进行精细油藏解剖，选取研究区多个受断层控制的已钻探油气藏进行精细解剖，得到各油气藏的圈闭要素和烃水界面，并计算出圈闭所封闭的烃柱高度，建立圈闭要素统计表；步骤三：断层封闭属性数据集构建，依据油藏解剖成果，在三维工区中，通过对控制烃类分布的断层进行解剖，提取控烃部分的断层封闭属性数据，将该数据作为特征值，烃柱高度作为目标值进行断层封闭属性数据集构建；步骤四：对所提取的原始“断层封闭属性数据”进行数据预处理，通过断层封闭属性相关性分析，去除无效属性，优化数据集，之后以数据量均衡为前提，对烃柱高度进行分段处理，形成以烃柱高度段为分类单元的多类数据构成的学习数据集，最后将分段后的数据按照7∶3的比例随机划分为训练集和测试集；步骤五：BP神经网络模型构建，选取BP神经网络作为机器学习分类算法，在模型训练过程中，采用粒子群算法以优化模型，利用测试集，对该条件获得的神经网络评价模型进行测试，完成基于BP神经网络的断层封闭能力评价模型的建立；步骤六：以待评价圈闭的断层封闭属性为输入项，以输出项形式获得待评价圈闭的烃柱高度范围、烃水界面范围及概率，并在平面图上绘制待评价圈闭概率最大的“烃
‑
水界面”范围，得出圈闭面积，最后，结合储层平均孔隙度、碾平厚度、圈闭面积，计算待评价圈闭的地质储量。2.根据权利要求1所述的基于机器学习的断层封闭烃柱高度评价方法，其特征在于，步骤三中明确了研究区块断层封闭类型以及断层所封闭的烃柱高度后，在所建立的该地区的三维工区中，依据油藏解剖得出的烃水界面，在圈闭边界断层，后简称为控圈断层，上绘制出控烃范围，并提取控烃范围内的断层封闭属性数据，封闭属性包括但不限于断层泥含量、断层断距、断层有效正应力、断层走向、断层倾角、倾向滑移梯度、横向应变、纵向应变、断层纵向表面梯度和横向表面梯度；将这些数据与其所对应的烃柱高度进行汇总，最终构建出该控圈断层的封闭属性数据集，应用相同方法，获取所有含油/气圈闭内控圈断层...

【专利技术属性】
技术研发人员：孟令东，付晓飞，杜睿山，胡志明，程永昌，张晓玲，李宏杰，张桐，吴桐，王超，李子扬，
申请(专利权)人：黑龙江省飞谱思能源科技有限公司，
类型：发明
国别省市：