本发明专利技术涉及油气勘探技术领域，是关于一种基于RS分形的裂缝预测方法、装置及存储介质，方法包括：获取待预测的第一钻井的第一常规测井曲线；获取与第一钻井处于同一井区且已有成像测井数据的至少一个第二钻井的成像测井数据线；利用RS分析法从第二常规测井曲线中选取储层裂缝响应敏感的第二目标类型的测井曲线；利用第二目标类型的测井曲线、裂缝密度曲线和预设神经网络模型进行训练，以得到裂缝密度预测模型；根据第二目标类型的测井曲线，从第一常规测井曲线中选取出对应的第一目标类型的测井曲线；根据第一目标类型的测井曲线和裂缝密度预测模型，预测第一钻井的第一裂缝密度曲线。该技术方案降低了传统裂缝预测研究对测井数据的依赖性。数据的依赖性。数据的依赖性。
【技术实现步骤摘要】
基于RS分形的裂缝预测方法、装置及存储介质
[0001]本专利技术涉及油气勘探
，尤其涉及一种基于RS分形的裂缝预测方法、装置及存储介质。
技术介绍
[0002]裂缝的形成、发育与演化是油气勘探开发中非常关键的问题，不同期次构造裂缝是油气储层性能的重要影响因素之一，研究天然构造裂缝（尤其是中小裂缝）形成期次及成因机制将为有效评价与开发有利储层提供依据。同时，地层天然裂缝的预测分析工作也对油气设计开发具有重要的指导意义。目前最主要的技术是成像测井。
[0003]成像测井是一种根据钻孔中地球物理场的观测，对井壁和井周围物体进行物理参数成像的方法。根据钻孔中地球物理场的观测，对井壁和井周围物体进行物理参数成像。广义地说，成像测井应包括井壁成像、井边成像和井间成像。井壁成像测井在技术上最成熟，包括井壁声波成像和地层微电阻率扫描成像。井边成像主要是电阻率成像，所用的方法为方位侧向测井和阵列感应测井。井间成像包括声波、电磁波和电阻率成像，在工程勘察中已得到比较广泛的应用，在石油勘探中也已获得一些成功的实例。TNIS（ThermalNeutronImagingSystem）热中子成像，属于核成像技术的开端。
[0004]成像测井具有以下特点：1）直观性、可视性，能直接的反应井周的底层分布情况和地层特征；2）成像测井资料与岩心对比结果说明成像测井资料在说明地下地质特征是准确可靠的；3）成像测井资料的应用范围十分广泛，它不仅能确定地层的倾角、倾向，构造特征；裂缝的几何形态，裂缝的发育程度；它还能区分各种不同的地质特征，如溶洞、溶孔，并能判断其有效性；4）结合少量的常规测井资料，成像测井资料能用于岩性识别；5）成像测井资料具有比常规测井资料进行储层特征描述更为直观可靠的特点，它对裂缝、溶蚀孔等非均质性地层的描述的效果比其他常规测井资料有明显优势；6）成像测井资料具有半定量和定量评价储层参数的功能。
[0005]依靠非常规资料识别裂缝在准确性上具有较大优势，但是也因此衍生了以下缺陷：1）由于成像测井成本较高，现场无法对每一口井进行成像测井，导致无法开展后续裂缝识别工作；2）依靠非常规资料识别裂缝工作量很大，同时少量非常规测井资料无法对具体研究工区的裂缝分布进行有效识别和预测。
技术实现思路
[0006]为克服相关技术中存在的问题，本专利技术提供一种基于RS分形的裂缝预测方法、装
置及存储介质，降低了传统裂缝预测研究对测井数据的依赖性。
[0007]根据本专利技术实施例的第一方面，提供一种基于RS分形的裂缝预测方法，所述方法包括：获取待预测的第一钻井的第一常规测井曲线，所述第一常规测井曲线中包括多种不同类型的测井曲线；获取与所述第一钻井处于同一井区且已有成像测井数据的至少一个第二钻井的成像测井数据，其中，所述成像测井数据中包括第二常规测井曲线和第二裂缝密度曲线；利用RS分析法从所述第二常规测井曲线中选取储层裂缝响应敏感的第二目标类型的测井曲线；利用所述第二目标类型的测井曲线、裂缝密度曲线和预设神经网络模型进行训练，以得到裂缝密度预测模型；根据所述第二目标类型的测井曲线，从所述第一常规测井曲线中选取出对应的第一目标类型的测井曲线；根据所述第一目标类型的测井曲线和所述裂缝密度预测模型，预测所述第一钻井的第一裂缝密度曲线。
[0008]在一个实施例中，优选地，利用RS分析法从所述第二常规测井曲线中选取储层裂缝响应敏感的第二目标类型的测井曲线，包括：根据所述第二钻井的成像测井数据确定地层裂缝的第二目标井段；从所述第二常规测井曲线中选取出第二目标井段对应的第二目标测井曲线；利用RS分析法，确定第二目标测井曲线的第二RS分形结果曲线；确定各个第二RS分形结果曲线对应的第二初始频率，以及各个第二RS分形结果曲线中是否存在偏离所述第二初始频率的平凹段曲线；将第二RS分形结果曲线中存在偏离第二初始频率的平凹段曲线的目标RS分形结果曲线对应的目标测井曲线确定为储层裂缝响应敏感的第二目标类型的测井曲线。
[0009]在一个实施例中，优选地，利用所述第二目标类型的测井曲线、第二裂缝密度曲线和预设神经网络模型进行训练，以得到裂缝密度预测模型，包括：分别对所述第二目标类型的测井曲线和第二裂缝密度曲线进行归一化处理，得到处理后的第二目标类型的测井曲线和处理后的第二裂缝密度曲线；将所述处理后的第二目标类型的测井曲线作为预设神经网络模型的输入，处理后的第二裂缝密度曲线作为所述预设神经网络模型的输出，设置所述预设神经网络模型的输入层、隐含层、输出层的节点个数，以及激活函数，随机初始化权重矩阵，采用梯度下降方法进行训练，以得到裂缝密度预测模型。
[0010]在一个实施例中，优选地，根据所述第二目标类型的测井曲线，从所述第一常规测井曲线中选取出对应的第一目标类型的测井曲线，包括：根据所述第二目标类型的测井曲线，从所述第一常规测井曲线中选取出与所述第二目标类型相同的第一目标类型的测井曲线。
[0011]在一个实施例中，优选地，根据所述第一目标类型的测井曲线和所述裂缝密度预测模型，预测所述第一钻井的第一裂缝密度曲线，包括：根据所述第二钻井的第二目标井段确定所述第一目标钻井的第一目标井段；
从所述第一目标类型的测井曲线中选取出所述第一目标井段对应的第一目标测井曲线；利用RS分析法，确定所述第一目标测井曲线对应的第一RS分形结果曲线；确定各个第一RS分形结果曲线对应的第一初始频率，以及各个第一RS分形结果曲线中是否存在偏离第一初始频率的平凹段曲线；将第一RS分形结果曲线中存在偏离第一初始频率的平凹段曲线对应的深度段确定为裂缝发育段；将所述裂缝发育段对应的第一目标测井曲线进行归一化处理后作为所述裂缝密度预测模型的输入，以输出所述第一钻井的第一裂缝密度曲线。
[0012]在一个实施例中，优选地，常规测井曲线的类型包括：声波时差、孔隙度、密度和泥质含量。
[0013]在一个实施例中，优选地，处于同一井区包括处于同一圈闭、具有相同砂体和/或处于同一地质层。
[0014]根据本专利技术实施例的第二方面，提供一种基于RS分形的裂缝预测装置，所述装置包括：第一获取模块，用于获取待预测的第一钻井的第一常规测井曲线，所述常规测井曲线中包括多种不同类型的测井曲线；第二获取模块，用于获取与所述第一钻井处于同一井区且已有成像测井数据的至少一个第二钻井的成像测井数据，其中，所述成像测井数据中包括第二常规测井曲线和第二裂缝密度曲线；第一选取模块，用于利用RS分析法从所述第二常规测井曲线中选取储层裂缝响应敏感的第二目标类型的测井曲线；训练模块，用于利用所述第二目标类型的测井曲线、裂缝密度曲线和预设神经网络模型进行训练，以得到裂缝密度预测模型；第二选取模块，用于根据所述第二目标类型的测井曲线，从所述第一常规测井曲线中选取出对应的第一目标类型的测井曲线；预测模块，用于根据所述第一目标类型的测井曲线和所述裂缝密度预测模型，预测所述第一钻井的第一裂缝密度曲线。
[0015]在一个实施例中，优选地，第一选取模块用于：根据所述第二钻井的成像测井本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于RS分形的裂缝预测方法，其特征在于，所述方法包括：获取待预测的第一钻井的第一常规测井曲线，所述第一常规测井曲线中包括多种不同类型的测井曲线；获取与所述第一钻井处于同一井区且已有成像测井数据的至少一个第二钻井的成像测井数据，其中，所述成像测井数据中包括第二常规测井曲线和第二裂缝密度曲线；利用RS分析法从所述第二常规测井曲线中选取储层裂缝响应敏感的第二目标类型的测井曲线；利用所述第二目标类型的测井曲线、第二裂缝密度曲线和预设神经网络模型进行训练，以得到裂缝密度预测模型；根据所述第二目标类型的测井曲线，从所述第一常规测井曲线中选取出对应的第一目标类型的测井曲线；根据所述第一目标类型的测井曲线和所述裂缝密度预测模型，预测所述第一钻井的第一裂缝密度曲线。2.根据权利要求1所述的方法，其特征在于，利用RS分析法从所述第二常规测井曲线中选取储层裂缝响应敏感的第二目标类型的测井曲线，包括：根据所述第二钻井的成像测井数据确定地层裂缝的第二目标井段；从所述第二常规测井曲线中选取出第二目标井段对应的第二目标测井曲线；利用RS分析法，确定第二目标测井曲线的第二RS分形结果曲线；确定各个第二RS分形结果曲线对应的第二初始频率，以及各个第二RS分形结果曲线中是否存在偏离所述第二初始频率的平凹段曲线；将第二RS分形结果曲线中存在偏离第二初始频率的平凹段曲线的目标RS分形结果曲线对应的目标测井曲线确定为储层裂缝响应敏感的第二目标类型的测井曲线。3.根据权利要求1所述的方法，其特征在于，利用所述第二目标类型的测井曲线、第二裂缝密度曲线和预设神经网络模型进行训练，以得到裂缝密度预测模型，包括：分别对所述第二目标类型的测井曲线和第二裂缝密度曲线进行归一化处理，得到处理后的第二目标类型的测井曲线和处理后的第二裂缝密度曲线；将所述处理后的第二目标类型的测井曲线作为预设神经网络模型的输入，处理后的第二裂缝密度曲线作为所述预设神经网络模型的输出，设置所述预设神经网络模型的输入层、隐含层、输出层的节点个数，以及激活函数，随机初始化权重矩阵，采用梯度下降方法进行训练，以得到裂缝密度预测模型。4.根据权利要求1所述的方法，其特征在于，根据所述第二目标类型的测井曲线，从所述第一常规测井曲线中选取出对应的第一目标类型的测井曲线，包括：根据所述第二目标类型的测井曲线，从所述第一常规测井曲线中选取出与所述第二目标类型相同的第一目标类型的测井曲线。5.根据权利要求2所述的方法，其特征在于，根据所述第一目标类型的测井曲线和所述裂缝密度预测模型，预测所述第一钻井的第一裂缝密度曲线，包括：根据所述第二钻井的第二目标井段确定所述第一目标钻井的第一目标井段；从所述第一目标类型的测井曲线中选取出所述第一目标井段对应...
【专利技术属性】
技术研发人员：龚斌，徐凤强，刘玄，石欣，
申请(专利权)人：中科数智能源科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。