一种基于集成学习的高含水致密砂岩储层产能智能预测方法技术

一种基于集成学习的高含水致密砂岩储层产能智能预测方法，本方法在bagging集成算法的采样方式和基分类器输入特征筛选两方面进行了修改，原采样方式的数据采样为随机采样，每个基分类器的输入特征相同，本发明专利技术的采样方式在随机采样中加入了相关系数筛选机制，若每一个采样后的数据集所有输入测井特征与预测值的相关系数之和小于预设值则舍弃此数据集，重新采样；将基于信息增益的特征重要性生成算法用于计算每个基学习器的训练集的测井特征重要程度，取重要程度最高的前N个测井特征作为该基学习器的输入特征。为该基学习器的输入特征。为该基学习器的输入特征。

【技术实现步骤摘要】
一种基于集成学习的高含水致密砂岩储层产能智能预测方法


[0001]本专利技术涉及测井产能预测技术和机器学习
，尤其涉及一种集成学习测井产能智能预测方法。

技术介绍

[0002]随着各大油田和研究机构对油气资源研究的不断深入，非常规气藏开发逐步成为热点问题。其中，致密砂岩气藏通常储层物性差、非均质性强，存在气层测井识别难，储层参数定量评价难，产能定量预测难等问题。目前致密砂岩气藏的产能预测方式开始与人工智能结合。
[0003]时卓(时卓,石玉江,张海涛,等.低渗透致密砂岩储层测井产能预测方法[J].测井技术,2012,36(6):641
‑
646.)等以苏里格气田西区为研究目标，根据测井分类和压力恢复动态结果建立了多参数复合图版法，结合常规测井资料构建的加权储能系数，产能预测符合率达到92.5％；建立按每米日产气量分级的参数回归模型，模型决定系数达到0.95，实现了对致密砂岩气层产能分级和气井产能的快速分类。庄华(庄华.苏里格致密砂岩气层压裂产能测井预测方法研究[D].吉林大学,2013.)以苏里格地区东部为研究区域，采用灰色关联法对测井参数、储集参数和压裂试工参数做了相关性分析，将产气层段测井资料平均值作为输入，选用Elman神经网络对每米产气量进行预测，预测的均方误差为0.2490
×
104m3/d。蒋必辞(蒋必辞,潘保芝,庄华,等.改进GRNN网络预测致密砂岩气层压裂产能[J].世界地质,2014,33(2):471
‑
476.)等以苏里格地区东部为研究区域，采用灰色关联法对测井参数、储集参数和压裂试工参数做了相关性分析，采用GRNN网络逐点预测气层压裂产能，预测的均方误差为0.2418
×
104m3/d。Weng SF(Weng SF,Pan BZ,Jiang BC,et al.Research on the methods of splitting and prediction point by point in tight sandstone gas reservoir productivity[J].Journal of Geophysics and Engineering,2015,12(3):427.)等人将产气量通过KH劈分和KHK劈分后，建立了常规测井曲线和单点产气量的关系，用来获得单点产气量。郭宇航(郭宇航.基于渗流与导电特性的致密砂岩储层测井解释与产能预测[D].吉林大学，2017.)基于致密砂岩渗流和导电特性的研究结果，改进KHK产能劈分公式，得到更准确地单点产能劈分结果；单点劈分结果作为输出，常规测井数据作为输入，应用径向基函数神经网络(RBF)方法预测产能，预测的均方误差为0.537
×
104m3/d。
[0004]时卓、庄华、蒋必辞、郭宇航等人建立的产能预测模型在该工区内取得了较好的实验结果；他们的共同之处为将每个试气层段的产能劈分或平均至一个深度点上，去除厚度因素的干扰；这表现出苏里格地区储层薄，非均质性强，受累计有效厚度影响大的特点，同时也显示出苏里格气田工区间储层的差异性大，气、水关系纵向、横向变化性强的特点。时卓、庄华、蒋必辞在建立产能预测模型时加入了压裂工程参数，考虑了压裂对产能的影响；郭宇航则是应用了改进的岩石物理模型、产能劈分模型对产气量数据进行处理，得到精确度更高的储集参数、更合理的逐点产能数据。因此，在缺少岩心分析资料、压裂工程资料时，测井资料与产能的关系更为模糊，产能预测难度更大。
[0005]本专利技术针对复杂测井响应特征，在测井数据的基础上，采用基于委员会机器、Bagging集成学习算法的改进的集成学习算法，通过相关系数筛选的随机采样方法测井响应特征及规律进行大致划分与聚合，避免基学习器对杂乱数据的无效学习；利用基于信息熵的特征选择方法筛选某一规律、特征的表征参数，再通过并行的基分类器建立表征参数与规律的映射关系，使得模型对于复杂规律能够分而治之，避免测井数据类间差异小、类内差异大所带来的干扰，最后生成综合的产能预测模型。

技术实现思路

[0006]本专利技术主要是克服现有技术中的不足之处，提供一种集成学习测井产能智能预测方法。
[0007]为达到以上技术目的，本专利技术采用以下技术方案：
[0008]1、一种基于集成学习的高含水致密砂岩储层产能智能预测方法，其特征在于包括以下步骤：
[0009]步骤1、建立适合人工智能模型训练的测井数据集合X：
[0010](1)从某区块目标层位选取a口井，a为正整数，每口井包含自然伽马、自然电位、补偿中子、补偿密度、声波时差、地层电阻率、冲洗带电阻率7条测井曲线，渗透率、孔隙度、泥质含量、含水饱和度4个物性参数；
[0011](2)基于测井曲线和物性参数，构建3个复合参数DT、AK、Swa，将测井曲线、物性参数和复合参数共同作为输入特征参数；
[0012][0013]其中，
△
t，声波时差测井值，μm/s；
△
t
ma
，岩石骨架的声波时差值，μm/s；
△
t
f
，流体的声波时差值，μm/s；流体的含氢指数，m3/m3；ρ
b
，补偿密度测井值，g/cm3；ρ
f
，流体密度，g/cm3；R
T
，地层电阻率，Ω
·
m；R
XO
，冲洗带电阻率，Ω
·
m；
[0014](3)采用Z
‑
score标准化方法，使其符合正态分布，其中SP曲线采用局部标准化，其他曲线采用全局标准化，Z
‑
score标准化方法公式如下；
[0015][0016]其中，x
i
，归一化前的第i个样本；x
′
i
，归一化后的第i个样本；μ，原始数据的平均值；σ，原始数据的标准差；
[0017](4)去除所选曲线中对应的非储层段、泥岩夹层、储层段顶底界面及数据缺失段；
[0018](5)将每个井段按照固定采样点数Q进行采样，Q为正整数，使得不同厚度的储层井段有着不同的分辨率，作为原始曲线数据集合X；
[0019]步骤2、构建改进的集成学习模型，具体步骤如下：
[0020](1)使用自助采样将训练集划分为M个子集N1,N2,N3,...,N
M
，子集中包含的样本数量大于等于最少样本类别的样本数，M为正整数；
[0021](2)设每个子集中，各输入特征参数和无阻流量、产水量的皮尔逊相关系数为R
u
，u代表每个输入特征参数，r
i
为所有R
u
的绝对值之和，i＝1,2,3,...,M；
[0022][0023][0024]其中，R
u
为特征u与Y的皮尔逊相关系数，X
i
对应每一个采样点的测井参数值，Y本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习的高含水致密砂岩储层产能智能预测方法，其特征在于包括以下步骤：步骤1、建立适合人工智能模型训练的测井数据集合X：(1)从某区块目标层位选取a口井，a为正整数，每口井包含自然伽马、自然电位、补偿中子、补偿密度、声波时差、地层电阻率、冲洗带电阻率7条测井曲线，渗透率、孔隙度、泥质含量、含水饱和度4个物性参数；(2)基于测井曲线和物性参数，构建3个复合参数DT、AK、Swa，将测井曲线、物性参数和复合参数共同作为输入特征参数；其中，
△
t，声波时差测井值，μm/s；
△
t
ma
，岩石骨架的声波时差值，μm/s；
△
t
f
，流体的声波时差值，μm/s；流体的含氢指数，m3/m3；ρ
b
，补偿密度测井值，g/cm3；ρ
f
，流体密度，g/cm3；R
T
，地层电阻率，Ω
·
m；R
XO
，冲洗带电阻率，Ω
·
m；(3)采用Z
‑
score标准化方法，使其符合正态分布，其中SP曲线采用局部标准化，其他曲线采用全局标准化；(4)去除所选曲线中对应的非储层段、泥岩夹层、储层段顶底界面及数据缺失段；(5)将每个井段按照固定采样点数Q进行采样，Q为正整数，使得不同厚度的储层井段有着不同的分辨率，作为原始曲线数据集合X；步骤2、构建改进的集成学习模型，具体步骤如下：(1)使用自助采样将训练集划分为M个子集N1,N2,N3,...,N
M
，子集中包含的样本数量大于等于最少样本类别的样本数，M为正整数；(2)设每个子集中，各输入特征参数和无阻流量、产水量的皮尔逊相关系数为R
u
，u代表每个输入特征参数，r
i
为所有R
u
的绝对值之和，i＝1,2,3,...,M；的绝对值之和，i＝1,2,3,...,M；其中，R
u
为特征u与Y的皮尔逊相关系数，X
i
对应每一个采样点的测井参数值，Y为与X
i
相
对应的无阻流量、产水量，X为所有参与计算的X
i
的平均值，Y为所有参与计算的Y的平均值，n为参与计算的采样点数量，即参与计算的井段总有效厚度；(3)将r
i
从大到小排序后，选择前N个对应的集合作为子训练集，所有子训练集的合集为全部训练集，若则舍弃M个样本中样本数最少的个子集，重新采样出个子集，直至N1∩N2∩N3∩...∩N
M
＝N，其中符号为向下取整符，表示对进行向下取整操作；(4)在N个子训练集上应用基于信息增益的特征选择方法：a.假设当前数据集合W＝{W
...

【专利技术属性】
技术研发人员：罗仁泽，雷璨如，赵丹，易玺，廖波，曹瑞，武娟，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：