基于井数据预处理的机器学习样本制作方法技术

本发明专利技术提供一种基于井数据预处理的机器学习样本制作方法，包括：步骤1、根据所选择的井数据进行曲线轮廓扫描和不同强度的平滑处理处理；步骤2、利用原始的井曲线减去滤波平滑后的基线曲线，获得幅值差

【技术实现步骤摘要】
基于井数据预处理的机器学习样本制作方法


[0001]本专利技术涉及油田开发
，特别是涉及到一种基于井数据预处理的机器学习样本制作方法。

技术介绍

[0002]随着油气田勘探技术的发展，测井数据越来越得到广泛的应用，无论是地震、地质层位标定，地层对比，岩性解释，油藏描述，还是约束反演等特殊处理都要充分利用现有的测井数据，以保证结果更接近于实际地质情况，这就对测井数据的正确性要求越来越高。测井资料的准确性往往决定着整个工作的成败，而其正确性需要在工作前期通过精细处理和解释来保证，为此需要研制相关的软件对测井散点数据进行处理。针对测井曲线校正的方法前人已开展了大量的研究，为测井曲线校正方法的发展和完善提供了有益的思维启发和奠定了坚实的基础。针对现有曲线制作中存在的问题结合机器学习对井数据预处理的特殊要求等相关问题，研制一个基于井曲线预处理的计算方法和流程。
[0003]由于不可避免地受到各种测量环境的影响，造成测井系统误差。特别是基线偏移造成测井曲线的异常，不能进行周期性解释与油气识别，因此在进行区域储层参数研究或机器学习样本制作时，为了克服样本中对敏感数据差异性不明显或者剔除部分与钻心成果不满足的错误值需要对井数据进行预处理和重构。
[0004]在申请号：CN201910078669.5的中国专利申请中，涉及到一种基于测井数据的多井复杂岩性智能识别方法及系统，该方法首先确定目标测井数据文件并进行格式转换以及归一化预处理，然后根据全区关键取芯井在取芯井段的已知岩性对测井曲线数据进行特征筛选和/或特征组合扩展获得对岩性敏感的测井曲线数据，再给对岩性响应敏感的测井曲线数据进行打标签标定组成样本数据库同时将全区未打标签的测井曲线数据组成待测数据库，进而利用样本数据库的数据并结合若干机器学习算法进行机器学习训练后自动建立若干岩性识别模型，通过分类性能评价法则选出最优的模型，并利用最优的模型对待测数据库中的数据进行岩性预测以实现全区多井复杂岩性智能识别，高效方便、全区适用且自动智能预测结果非常精准。
[0005]在申请号：CN202110747549.7的中国专利申请中，涉及到一种复杂储层岩性识别方法、装置、设备及存储介质，该方法包括：建立适用于实际工区的岩石物理模型；通过岩石物理模型生成岩性标签和多元属性参数；根据生成的岩性标签和多元属性参数，利用随机森林算法和交会分析方法筛选出对岩性敏感的敏感性特征；将筛选出的敏感性特征和岩性标签作为训练样本，利用随机森林算法训练生成岩性识别器；运用岩性识别器进行岩性识别。这样通过岩石物理模型将多元属性纳入到岩性识别的问题中，利用岩石物理模型制作的岩性标签和随机森林算法，训练生成岩性识别器，既能提高实际生产中岩性识别的准确率，也能增强机器学习算法的泛化性。
[0006]在申请号：CN202111172616.3的中国专利申请中，涉及到基于测井大数据的地层评价方法及系统，所述方法基于物理模拟和机器学习实现，属于测井
所述方法包
括：获取测井数据，并根据所述测井数据进行机器学习模型训练，获得机器学习模型；采集测井测量值，并根据预设规则进行所述测量值预处理，获得训练样本数据；基于所述机器学习模型进行所述训练样本数据训练，输出计算结果；根据所述计算结果进行对应地层评价。利用了完整的测井数据进行机器学习模型构建，并基于该机器学习模型进行测井数据解释，使得机器学习模型的关联参数更为全面，模型训练结果更加贴合实际情况。
[0007]以上现有技术均与本专利技术有较大区别，未能解决我们想要解决的技术问题，为此我们专利技术了一种新的基于井数据预处理的机器学习样本制作方法。

技术实现思路

[0008]本专利技术的目的是提供一种不仅能有效的处理测井曲线的目标段特征不突出的问题，同时也能有效的作为机器学习的样本制作算法体系的基于井数据预处理的机器学习样本制作方法。
[0009]本专利技术的目的可通过如下技术措施来实现：基于井数据预处理的机器学习样本制作方法，该基于井数据预处理的机器学习样本制作方法包括：
[0010]步骤1、根据所选择的井数据进行曲线轮廓扫描和不同强度的平滑处理处理；
[0011]步骤2、利用原始的井曲线减去滤波平滑后的基线曲线，获得幅值差
△
t；
[0012]步骤3、基于钻井取芯和测井解释结果，对
△
t设置调整阈值，从而获得基线调整后的测井曲线；
[0013]步骤4、基于岩石物理特征，对调整后的曲线依然存在不合理的点，进行处理，获得最终修正的测井曲线，并应用于机器学习样本。
[0014]本专利技术的目的还可通过如下技术措施来实现：
[0015]在步骤1中，根据所选择的井数据进行曲线轮廓扫描和不同强度的平滑处理处理，滤波的强度与所需的基线平整度相关。
[0016]步骤1包括：
[0017]S 11、选择对岩性特征敏感的测井曲线，输入原始测井曲线；
[0018]S 12、判断测井曲线基线异常特征；
[0019]S 13、采用多点平滑算法进行校正，采用连续跳点算法判定平滑强度，即每次根据滤波强度选择跳过多少个点，并不断平滑处理，获得曲线基线。
[0020]在步骤2中，在基线建立完成后，把原始测井曲线对基线求差处理，获得每一测点的
△
t值。
[0021]在步骤3中，基于钻井取芯和测井解释结果，对
△
t设置调整阈值，将低于或者高于阈值的
△
t进行增益或规范化处理，从而获得基线调整后的测井曲线。
[0022]步骤3包括：
[0023]S31、采用上述的测井曲线计算完成后，生成一条获得一条基线修正后的测井曲线；
[0024]S32、基于钻井取芯和测井解释结果，对
△
t设置调整阈值，将低于或者高于阈值的
△
t进行增益或规范化处理，从而获得基线调整后的测井曲线。
[0025]步骤S32包括：
[0026]S321、对由于机器学习的样本需求不同，采用不同的调整算法；
[0027]S322、根据机器学习样本需求，将测井曲线进行二值化处理。
[0028]在步骤S321，当要突出砂岩的测井曲线特性时，将GR曲线的泥岩和砂岩分界线制定出，将大于分界线值的曲线即代表泥岩赋值为固定值，小于分界线的值进行增益或锐化。
[0029]在步骤S322，将曲线采用阈值调整的方式，低于某阈值的值设置为0代表砂岩，高于阈值的值设置为1代表泥岩，并进行规范化处理，从而获得基线调整后的测井曲线。
[0030]步骤4包括：
[0031]S41、对基线调整后曲线仍然存在一定与地质资料不匹配的点，选择任意点手动拖动进行平滑，获得工作区域内的适应地质解释的点；
[0032]S42、在部分井段整体曲线计算错误的点，基于岩石物理特征，采用整体幅值调整的方法，以适应实际地质资料；
[0033]S43、校正后的曲线应用于储层反本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于井数据预处理的机器学习样本制作方法，其特征在于，该基于井数据预处理的机器学习样本制作方法包括：步骤1、根据所选择的井数据进行曲线轮廓扫描和不同强度的平滑处理处理；步骤2、利用原始的井曲线减去滤波平滑后的基线曲线，获得幅值差
△
t；步骤3、基于钻井取芯和测井解释结果，对
△
t设置调整阈值，从而获得基线调整后的测井曲线；步骤4、基于岩石物理特征，对调整后的曲线依然存在不合理的点，进行处理，获得最终修正的测井曲线，并应用于机器学习样本。2.根据权利要求1所述的基于井数据预处理的机器学习样本制作方法，其特征在于，在步骤1中，根据所选择的井数据进行曲线轮廓扫描和不同强度的平滑处理处理，滤波的强度与所需的基线平整度相关。3.根据权利要求2所述的基于井数据预处理的机器学习样本制作方法，其特征在于，步骤1包括：S11、选择对岩性特征敏感的测井曲线，输入原始测井曲线；S12、判断测井曲线基线异常特征；S13、采用多点平滑算法进行校正，采用连续跳点算法判定平滑强度，即每次根据滤波强度选择跳过多少个点，并不断平滑处理，获得曲线基线。4.根据权利要求1所述的基于井数据预处理的机器学习样本制作方法，其特征在于，在步骤2中，在基线建立完成后，把原始测井曲线对基线求差处理，获得每一测点的
△
t值。5.根据权利要求1所述的基于井数据预处理的机器学习样本制作方法，其特征在于，在步骤3中，基于钻井取芯和测井解释结果，对
△
t设置调整阈值，将低于或者高于阈值的
△
t进行增益或规范化处理，从而获得基线调整后的测井曲线。6.根据权利要求5所述的基于井数据预处理的机器学...

【专利技术属性】
技术研发人员：于正军，高秋菊，刘升余，巴素玉，曲志鹏，阎丽艳，朱定蓉，
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物探研究院，
类型：发明
国别省市：