一种基于机器学习网络的岩层渗透率的预测方法技术

本发明专利技术涉及一种岩层的粒径分布与渗透率关系的预测领域，尤其是一种基于机器学习对岩层的粒径分布与渗透率关系的预测方法。一种基于机器学习对岩层的粒径分布与渗透率关系的预测方法，主要通过计算机完成，实现该方法所需设备包括测井仪器、数据通讯接口及计算机；该方法包括：利用FMI图像预测地下岩层渗透率等物性参数；测井数据的降噪；归一化处理；FMI图像与岩层渗透率之间的计算；以测井的FMI图像作为样本，利用MATLAB先对电成像图像进行校正和图像降噪等预处理过程实现对图像的增强，形成测井解释可用的基本图像，再通过机器学习对井的粒径提取出来的数据进行学习从而达到预测的效果。本发明专利技术提供的识别方法，预测简单、识别准确率高，效果好且实用可靠。效果好且实用可靠。效果好且实用可靠。

【技术实现步骤摘要】
一种基于机器学习网络的岩层渗透率的预测方法


[0001]本专利技术涉及一种岩层的粒径分布与渗透率关系的预测领域，尤其是一种基于机器学习下的一种岩层的粒径分布与渗透率关系的预测方法。

技术介绍

[0002]FMI是最先进成像测井技术之一，是由斯伦贝谢公司研制的微电阻率扫描成像测井仪，仪器工作时记录了很多条微电阻率曲线，这些曲线反映了极板所扫过的地层的电阻率的变化特征，具有非常高的采样率和分辨率，可覆80％的井壁。经过数据处理和图像处理，将这些微电阻率曲线转换成图像，即FMI图像，其外观类似于岩心剖面，颜色的深浅表示电阻率的大小，电阻率越低，颜色越深。很适合用于识别裂缝、分析薄层、储层评价和沉积学研究，具有常规测井无法比拟的优势，在复杂油气储层的解释评价中发挥着越来越重要的作用。
[0003]在传统碎屑岩粒度分析领域中，绝大多数颗粒粒度测量方法都是通过物理或化学原理对颗粒粒径进行检测，比较常见的粒度检测方法有直接测量法、筛析法、薄片粒度法等。传统统计颗粒粒径的方法需要投入大量的人力，并且由于是人工处理，在操作过程中不可避免的加入了人为因素的干扰。如今，在数据驱动方法快速发展的背景下，将测井数据与机器学习相融合，实现测井数据的自动智能解释与分析是未来发展的趋势。随着电成像测井和数字岩石技术的兴起，图像检测技术使岩石信息的检测进入了数字化时代，数字图像处理技术在测量颗粒粒度中会避免传统颗粒测量方法中的各种缺陷，不会因测量人员主观因素影响测量结果。从训练图像中提取特征的图像模式还原到最终的模型上去，与传统的两点相关函数相比修补的图像能更准确反映实际地质环境。

技术实现思路

[0004]本专利技术利用计算机机器学习中高斯过程回归模型、回归树模型和支持向量机模型的拟合来根据粒径信息与渗透率训练回归模型，为预测其他具有电成像井的渗透率提供帮助。
[0005]本专利技术公开了一种基于机器学习网络的岩层渗透率预测方法，主要通过计算机完成，其特征在于实现该方法所需设备包括测井仪器、数据通讯接口及计算机；
[0006]所述测井仪器,用于采集地层微电阻率扫描成像，即用于识别岩性、识别沉积构造、精细描述裂缝、储集层综合评价、沉积环境分析、评价薄层；
[0007]所述数据通讯接口,用于将现场测井仪器采集的FMI测井数据,传输到计算机中
[0008]所述计算机，用于对读取的粒径数据进行学习，并根据FMI测井数据，预测出输出该井不同深度的渗透率；
[0009]该方法包括如下步骤：
[0010]步骤一、利用采集地层微电阻率扫描成像来得到对应的FMI图像用来提取粒径信息从而预测对应的渗透率；
[0011]步骤二、图像灰度化处理：
[0012]原始的彩色图像都是采用的RGB颜色模式，每个像素的颜色由R、G、B三个分量决定，且每个分量有255个变化值，在处理时要分别对三种分量进行处理。在彩色图像RGB取值的基础上，利用公式(1)计算对应像素点的灰度值，公式(1)为： Gray＝0.2989
×
R+0.5870
×
G+0.1140
×
B，实际上RGB不仅不能反映图像的形态特征，更增加了工作量，因此图像灰度化处理经常作为图像处理的预处理步骤，可以大大减轻计算量，保留图像原色度和亮度等特征；
[0013]步骤三、中间滤波：
[0014]FMI图像在井下成像过程中常常会受到噪声污染，影响整体图像的质量。在数字图像信号中，噪声表现为或大或小的极值，这些极值通过加减作用于图像像素的真实灰度值上，对图像造成亮、暗点干扰，极大降低了图像质量，影响图像复原、分割等后面工作的进行,因此必须使用滤波压制噪声。采用中值滤波，与均值滤波相比正好排除了被噪声影响的像素点，与线性滤波器相比，可以克服图像细节模糊，获得更好的平滑和保护边缘的效果；
[0015]步骤四、阈值分割：
[0016]图像分割是图像分析和图像理解的前提和基础，是进行特征提取之前必要的图像预处理过程。图像分割效果的好坏会对之后的研究造成很大的影响，目前从分割角度来讲，可分为阈值、边缘、图论、能量泛函等分割方法。本专利技术采用的是阈值技术，该方法关键在于确定阈值；
[0017]步骤五、特征提取：
[0018]在计算粒径大小分布时，采用global全局阈值，结构元尺寸采用80个等距大小的结构元进行比较，并记录相邻结构元大小之间的灰度差值，用变化的像素点的和除以结构元的尺寸，得到原图中粒子的尺寸频率分布。
[0019]步骤六、回归预测：
[0020]已有X井阈值分割图n(不少于70)张，Y井阈值分割图m(不少于30)张，先对X井和Y 井进行粒径信息的特征提取，根据已有的X井的一组渗透率数据，得到X
×
81组数据集，利用MATLAB中机器学习之Regression learner里的高斯过程回归模型、回归树模型和支持向量机模型，分别用这三种模型训练Y井的三组数据，预测Y井的渗透率，并与已知的渗透率拟合，比较哪种模型效果最优，最后得出结果用于预测渗透率。
[0021]步骤七、将想要预测渗透率的FMI图像传输到电脑上，并分别按照步骤二、步骤三、步骤四、步骤五、步骤六的顺序来预测想要的岩层渗透率。
[0022]前人的成果主要是针对岩屑粒径测量的直接研究。根据颗粒的分选性，利用MATLAB读取电成像测井图像的粒径分布数据来预测渗透率的实验研究并不多见。本专利技术在前人工作的基础上利用MATLAB先对电成像图像进行校正以及图像降噪等预处理过程实现对图像的增强，形成测井解释可用的基本图像，再利用机器学习对图像可用信息进行提取为渗透率的预测准备可用的数据，并使用MATLAB机器学习根据粒径信息与渗透率训练回归模型，为预测其它具有电成像井的渗透率提供帮助。
[0023]现利用本专利技术学习M152和M15井并对M15井某深度的渗透率进行预测。结果见图3，图 4，图5。图6为本专利技术的预测值与真实值的对比。R2是反映模型拟合优度的重要的统计量，为回归平方和与总平方和之比。R2取值在0到1之间，且无单位，其数值大小反映了回归
贡献的相对程度，即在因变量Y的总变异中回归关系所能解释的百分比。R2是最常用于评价回归模型优劣程度的指标，R2越大则说明预测值与真实值越可靠，一般认为R2大于0.5则可以表示模型拟合度很好，可解释程度较高。
附图说明
[0024]图1为本专利技术实施例的机器学习岩层渗透率计算方法的流程图。
[0025]图2为本专利技术实施例的机器学习岩层渗透率训练流程图。
[0026]图3为所述MATLAB中机器学习之Regression learner里的高斯过程回归模型预测
‑
实际结果图。
[0027]图4为所述MATLAB中机器学习之Regression learner里的回归树模型预测
‑
实际结果图。
[0028]图5为所述MATLAB中机器学习之Regressi本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种岩层的粒径分布与渗透率关系的预测领域，主要通过计算机完成，其特征在于实现该方法所需设备包括测井仪器、数据通讯接口及计算机；所述测井仪器,用于采集地层微电阻率扫描成像，即用于识别岩性、识别沉积构造、精细描述裂缝、储集层综合评价、沉积环境分析、评价薄层；所述数据通讯接口,用于将现场测井仪器采集的上述FMI测井数据,传输到计算机中；所述计算机，用于对读取的粒径数据进行学习，并根据FMI测井数据，预测出输出该井不同深度的渗透率；该方法包括如下步骤：步骤一、利用采集地层微电阻率扫描成像来得到对应的FMI图像用来提取粒径信息从而预测对应的渗透率；步骤二、图像灰度化处理：原始的彩色图像都是采用的RGB颜色模式，每个像素的颜色由R、G、B三个分量决定，且每个分量有255个变化值，在处理时要分别对三种分量进行处理。在彩色图像RGB取值的基础上，利用公式(1)计算对应像素点的灰度值，公式(1)为：Gray＝0.2989
×
R+0.5870
×
G+0.1140
×
B，实际上RGB不仅不能反映图像的形态特征，更增加了工作量，因此图像灰度化处理经常作为图像处理的预处理步骤，可以大大减轻计算量，保留图像原色度和亮度等特征；步骤三、中间滤波：FMI图像在井下成像过程中常常会受到噪声污染，影响整体图像的质量。在数字图像信号中，噪声表现为或大或小的极值，这些极值通过加减作用于图像像素的真实灰度值上，对图像造成亮、暗点干扰，极大降低了图像...

【专利技术属性】
技术研发人员：胡永，刘泽君，韦波，姜维，齐兴华，
申请(专利权)人：新疆维吾尔自治区煤田地质局一五六煤田地质勘探队，
类型：发明
国别省市：