基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法技术

本发明专利技术涉及油田开发技术领域，具体涉及一种基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法。本发明专利技术所述方法从遗传特性入手，借鉴生物界的自然选择和遗传机制，使种群中的每个个体都包含一个网络所有权值和阈值，让个体通过适应度函数计算个体适应度值，并通过选择、交叉和变异操作，找到最优适应度值对应个体，克服神经算法局部收敛的缺陷，精度更高，对评价页岩油储层有机碳含量具有重要的意义。的意义。的意义。

【技术实现步骤摘要】
基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法


[0001]本专利技术涉及油田开发
，具体涉及一种基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法。

技术介绍

[0002]全球能源消耗在逐年增加，常规储层的油气资源在不断减少；随着非常规油气勘探的深入，页岩油气已经成为现今勘探的研究重点之一。页岩油资源是非常规油气勘探开发的热点，有机质含量是影响储层品质的主要因素，而总有机碳(TOC)是单位重量岩石中有机碳的重量，是评价有机质含量的指标之一，因此准确求取页岩储层TOC对页岩油气资源储层评价具有重要意义。济阳坳陷富含有机质页岩，页岩层系当中砂岩、碳酸盐岩等夹层油气规模仅占20％，资源规模最大的油气部分赋存在纯页岩中，所以对烃源岩的总有机碳进行精准评价是需要解决的关键之一。
[0003]目前，计算TOC的方法主要有两大类，一是通过实验测得岩石样品中的TOC，但是目前实测TOC数据是有限的，很难以精准定量评价整个研究区的有机质含量；二是利用测井资料计算页岩储层中的TOC。国内外学者提出了很多利用测井曲线计算TOC的方法。Passey等人总结前人研究成果并专利技术ΔlogR技术，该方法目前应用十分广泛。Schmoker发现密度和自然伽马测井值对TOC敏感，利用密度和自然伽马测井资料，回归分析计算页岩储层中的TOC，因地层影响因素多，在不同地区不同区带中存在明显的不适应性。王宗礼等利用ΔlogR模型评价冀中坳陷廊固凹陷烃源岩，由于人为因素多，结果易偏差。张佳佳等采用Voigt平均模型和Gassmann方程进行建模，利用速度反演TOC，但是只适用于地震频段范围，未考虑地层各向异性特征。
[0004]现有三种常规页岩油储层TOC预测方法主要存在以下不足：
[0005]一、ΔlogR法。基于电阻率曲线和声波曲线进行重叠的原理，将标准化声波曲线与电阻率曲线并计算幅度差，利用ΔlogR计算公式计算TOC值。计算公式如下：
[0006]ΔlogR＝lg(R/R基线)+K(Δt
‑
Δt基线)
[0007]TOC＝ΔlogR*10(2.279
‑
0.1688*LOM)
[0008]该方法的缺陷在于经验公式中的成熟度LOM是借用国外实验参数，缺少本地区的实验依据，造成误差较大，且ΔlogR计算公式在计算过程中需要人为确定页岩基线等多个参数，如果参数值选取错误对结果影响较大，预测准确率低。
[0009]二、单因素计算法。常见的单因素计算模型是自然伽马和密度单因素计算模型，其原理是自然伽马和密度对有机质含量有较好的相关性，但由于地层中影响密度、自然伽马因素较多，如页岩中的重矿物、地层中的裂缝等因素。所以，用单因素计算模型计算页岩有机质含量误差较大。
[0010]三、多元回归法。其原理在于分析各个测井参数与TOC含量的关系，通过多个与TOC含量相关系数较高的参数来计算TOC，并建立二元线性拟合方程或者三元线性回归方程，但
是该方法适用性差，在纵向上不同层位、平面上不同地区，需要建立不同模型，且预测效果差。

技术实现思路

[0011]针对现有的计算页岩储层中TOC的方法适用性不够广，精度不够高，致使运用在济阳坳陷页岩油储层中适应性较差的问题，本专利技术提供一种基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法，本专利技术方法克服了神经算法局部收敛的缺陷，精度更高。
[0012]为实现上述目的，本专利技术采用以下技术方案：
[0013]本专利技术提供一种基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法，其包括以下步骤：
[0014]步骤1，选取一口页岩油系统取芯井，明晰不同岩相测井响应特征；
[0015]步骤2，优选与TOC相关的敏感曲线；
[0016]步骤3，对敏感曲线值进行二进制编码；
[0017]步骤4，确定遗传算法适应度函数；
[0018]步骤5，通过选择、交叉和变异进化初始群体，并利用适应度函数优选最优目标；
[0019]步骤6，输入新种群，调整网络权值和阈值训练新种群，通过反向传播算法，循环步骤6，优选最佳预测精度。
[0020]进一步地，在步骤1中，选取一口页岩油系统取芯井，明晰不同岩相测井响应特征，收集其岩心、薄片、实验分析化验、测录井曲线的资料。
[0021]更进一步地，岩心、薄片资料包括典型页岩油井目的层沙四纯上的岩心样品和不同岩相的岩心薄片资料；实验分析化验资料包括典型页岩油井的有机碳的实测资料；测录井曲线的资料包括典型页岩油井的las测井曲线数据、岩屑和综合录井解释成果表；结合测录井资料，在岩心归位的基础上，分析页岩油储层不同岩相的测井响应特征。
[0022]进一步地，在步骤2中，基于岩相的测井响应分析，做实测TOC与各个测井参数的相关性分析，挑选测井曲线中与TOC相关的敏感曲线。
[0023]进一步地，在步骤3中，挑选出页岩油取芯井目的层沙四纯上的敏感曲线值GR、AC、DEN、RD和CNL，对其进行归一化处理，并将其作为输入参数，表达式如下：
[0024]Xi＝(Y
‑
Y
min
)/(Y
max
‑
Y
min
)
ꢀꢀꢀ
(1)
[0025]其中，X为敏感曲线值归一化后的结果；Y为敏感曲线值；Y
max
为敏感曲线的最大值；Y
min
为敏感曲线的最小值。
[0026]进一步地，在步骤4中，确定遗传算法适应度函数，输入所有训练样本，计算实际输出与期望输出的误差平方和，以此误差的倒数作为适应度函数，表达式如下：
[0027][0028]式中：m为样本数，f(x
i
)为实际输出，y
i
为期望输出。
[0029]进一步地，对初始群体进行种群进化具体步骤如下：
[0030]将n个二进制串组成遗传算法的初始群体，在其中选择较好的个体，从较好的个体重按照基因互换的方式产生下一代；
[0031]规定单点交叉概率为Pc，通过单点交叉的方式使群体进行变换；
[0032]规定变异概率为Pm，使交叉后的种群变异，再对新种群进行下一段的进化；
[0033]其中，交叉概率P
c
和变异概率P
m
直接影响算法的收敛性，表达式如下：
[0034][0035][0036]其中：f
max
表示种群最大适应度值；f
avg
表示种群平均适应度；f
’
表示交叉的两个个体中较大的适应度值；f表示要变异的个体适应度值；k1、k2、k3、k4为0～1之间的常数。
[0037]进一步地，在步骤6中，输入新种群，在确定神经网络的初始权值后，通过反向传播训练方法，不断调整网络权值和阈值，将遗传优化神经网络算法预测出TOC的值与通过实验分析化验资料得到的实测TO本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法，其特征在于，其包括以下步骤：步骤1，选取一口页岩油系统取芯井，明晰不同岩相测井响应特征；步骤2，优选与TOC相关的敏感曲线；步骤3，对敏感曲线值进行二进制编码；步骤4，确定遗传算法适应度函数；步骤5，通过选择、交叉和变异进化初始群体，并利用适应度函数优选最优目标；步骤6，输入新种群，调整网络权值和阈值训练新种群，通过反向传播算法，循环步骤6，优选最佳预测精度。2.根据权利要求1所述的方法，其特征在于，在步骤1中，选取一口页岩油系统取芯井，明晰不同岩相测井响应特征，收集其岩心、薄片、实验分析化验、测录井曲线的资料。3.根据权利要求3所述的方法，其特征在于，岩心、薄片资料包括典型页岩油井目的层沙四纯上的岩心样品和不同岩相的岩心薄片资料；实验分析化验资料包括典型页岩油井的有机碳的实测资料；测录井曲线的资料包括典型页岩油井的las测井曲线数据、岩屑和综合录井解释成果表；结合测录井资料，在岩心归位的基础上，分析页岩油储层不同岩相的测井响应特征。4.根据权利要求1所述的方法，其特征在于，在步骤2中，基于岩相的测井响应分析，做实测TOC与各个测井参数的相关性分析，挑选测井曲线中与TOC相关的敏感曲线。5.根据权利要求1所述的方法，其特征在于，在步骤3中，挑选出页岩油取芯井目的层沙四纯上的敏感曲线值GR、AC、DEN、RD和CNL，对其进行归一化处理，并将其作为输入参数，表达式如下：Xi＝(Y
‑
Y
min
)/(Y
max
‑
Y
min
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，X为敏感曲线值归一化后的结果；Y为敏感...

【专利技术属性】
技术研发人员：管倩倩，蒋龙，杨勇，杜玉山，常涧峰，程紫燕，杨依庆，张玉亮，王云鹤，姜官波，
申请(专利权)人：中国石油化工股份有限公司胜利油田分公司勘探开发研究院，
类型：发明
国别省市：