【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 ...
【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:
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。