一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法技术

一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法，包括以下步骤：获取了岩心样品的总有机碳含量

【技术实现步骤摘要】
一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法


[0001]本专利技术涉及地化参数预测
，具体涉及一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法
。

技术介绍

[0002]地球化学参数是评价烃源岩特征
、
指导油气勘探
、
寻找潜在油气资源的重要指标，包括碳同位素
(
δ
13
C
carb
)、
总有机碳含量
(TOC)
等
。
其中总有机碳含量
(TOC)
是评价烃源岩有机质丰度最直接的指标，即利用总有机碳含量
(TOC)
下限可以确定烃源岩的有效性，但目前国内众多学者提出的碳酸盐岩类烃源岩的总有机碳含量
(TOC)
下限差异很大
。
同时目前的研究发现深层的海相碳酸盐岩具有巨大的油气潜力，但该类岩性的总有机碳含量
(TOC)
低，因此在评价其生烃潜力时都认为较差
。
但对于海相碳酸盐岩而言，利用总有机碳含量
(TOC)
会低估了能够形成烃类的物质，即评价这类岩性的生烃潜力较差
。
因此总有机碳含量
(TOC)
不能成为唯一一个评价烃源岩生烃潜力的参数
。
同时岩石内部在生成油气的过程中，优质的成烃物质已转化成烃，从而导致总有机碳降低，而碳同位素
(
δ
13
C
carb
)
反映了有机碳与无机碳的相互转化，可以有效地指示在地质历史时期内的生烃作用
。
[0003]为了拿到准确的地化参数数据，一般需要对岩心进行实验，但这种方法的成本较高
、
时间跨度长，且无法在连续深度范围内进行取心实验
。
其中总有机碳含量
(TOC)
的评价方法主要分为传统地球物理方法和机器学习方法
。
传统物理模型主要是使用单条或多条测井曲线进行计算，一般容易受到流体性质
、
岩石类型的影响，从而导致计算误差大
。
同时随着机器学习的发展，各种算法结合常规测井曲线用以计算总有机碳含量
(TOC)
的方法很多，且发展前景很好，但针对于深层海相碳酸盐岩的总有机碳含量
(TOC)
测井解释模型研究较少
。
除此之外，碳同位素
(
δ
13
C
carb
)
的数据还停留在实验中，无法很好的取得连续数据，因此其是否可以像总有机碳含量
(TOC)
一样建立测井解释模型是暂未可知的
。
[0004]基于目前深层碳酸盐岩类烃源岩的评价参数少，且未考虑烃源岩评价时已转化为烃类的部分从而导致有效烃源岩厚度小的技术难题，亟需一套多方面确定深层碳酸盐岩类烃源岩有效性的新方法
。

技术实现思路

[0005]本专利技术的目的是提供一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法，解决了深层碳酸盐岩类有效烃源岩厚度确定困难的问题
。
[0006]为了实现上述目的，本专利技术采用的技术方案是：
[0007]一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法，该方法包括：
[0008]S1、
获取深层碳酸盐岩类烃源岩的碳同位素
(
δ
13
C
carb
)
和总有机碳含量
(TOC)
实验数据以及相关的测井数据；
[0009]S2、
分别对9条测井曲线与碳同位素
(
δ
13
C
carb
)、
总有机碳含量
(TOC)
进行权重分析；
[0010]S3、
基于碳同位素
(
δ
13
C
carb
)、
总有机碳含量
(TOC)
实验数据和对应的测井数据，利用若干机器学习算法建立地化参数预测模型
。
[0011]S4、
利用所述实验集数据检验评估若干机器学习算法预测结果，预测结果不合格的模型再次基于若干机器学习算法直至预测结果合格；
[0012]S5、
基于碳同位素
(
δ
13
C
carb
)、
总有机碳含量
(TOC)
预测结果，得到深层碳酸盐岩类烃源岩地化参数预测结果；
[0013]S6、
根据总有机碳含量
(TOC)
大于
0.2
％或碳同位素
(
δ
13
C
carb
)
小于
‑2‰
判断深层碳酸盐岩类有效烃源岩厚度
。
[0014]优选地
,
建立地化参数模型是基于所述若干机器学习算法分别建立各种算法下各自对应的预测模型
。
[0015]优选地
,
若干机器学习算法包括但不限于多元线性回归算法
、
局部多项式回归算法
、
高斯算法
、
神经网络算法
、
广义线性模型算法
、
相关性向量机算法
、
支持向量机算法
。
[0016]优选地
,
所述测井数据包括自然伽马
(GR)、
密度
(DEN)、
补偿中子
(CNL)、
声波时差
(AC)、
深侧向测井电阻率
(RLLD)、
浅侧向测井电阻率
(RLLS)、
铀
(U)、
钍
(TH)、
钾
(K)
；
[0017]和
/
或，所述测井曲线特征还采用特征组合扩展形式，所述特征组合扩展形式包括但不限于特征加和
、
特征作差的方式
。
[0018]优选地
,
模型预测结果不合格将根据碳同位素和总有机碳含量随沉积环境的变化特征，将实验数据划分为
I
类和
II
类
。
[0019]优选地
,
碳同位素和总有机碳含量主要分布在两种沉积环境下：
[0020]a1、I
类：海退背景下沉积的局限台地环境，多以白云岩为主
。
该沉积环境气候炎热干旱，抑制了生物活动，而在该环境下的生物母质主要为浮游藻等水生生物，这些藻类为有机质提供了很好的物质基础，同时由于水体处于半封闭环境，接近物源区，因此陆源物质输入较多，并在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法，其特征在于，包括下列步骤：
S1、
获取深层碳酸盐岩类烃源岩的碳同位素
(
δ
13
C
carb
)
和总有机碳含量
(TOC)
实验数据以及相关的测井数据；
S2、
分别对9条测井曲线与碳同位素
(
δ
13
C
carb
)、
总有机碳含量
(TOC)
进行权重分析；
S3、
基于碳同位素
(
δ
13
C
carb
)、
总有机碳含量
(TOC)
实验数据和对应的测井数据，利用若干机器学习算法建立地化参数预测模型；
S4、
利用所述实验集数据检验评估若干机器学习算法预测结果，预测结果不合格的模型再次基于若干机器学习算法直至预测结果合格；
S5、
基于碳同位素
(
δ
13
C
carb
)、
总有机碳含量
(TOC)
预测结果，得到深层碳酸盐岩类烃源岩地化参数预测结果；
S6、
根据总有机碳含量
(TOC)
大于
0.2
％或碳同位素
(
δ
13
C
carb
)
小于
‑2‰
判断深层碳酸盐岩类有效烃源岩厚度
。2.
根据权利要求1所述的一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法，其特征在于
,
所述的地化参数预测模型的建立是基于若干机器学习算法分别建立各种算法下各自对应的预测模型
。3.
根据权利要求2所述的一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法，其特征在于
,
所述的若干机器学习算法包括但不限于多元线性回归算法
、
局部多项式回归算法
、
高斯算法
、
神经网络算法
、
广义线性模型算法
、
相关性向量机算法
、
支持向量机算法
。4.
根据权利要求3所述的一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法，其特征在于
,
所述的局部多项式回归算法是一种用于平滑散点图和建模函数的非参数技术，如果请求数据空间中某个点的标签值，则搜索该点的本地邻域，对于这种搜索，使用了数值测量参数中指定的距离测量，在确定邻域后，利用泰勒公式其次再利用其数据点采用加权最小二乘优化方法拟合指定程度的多项式其中，
h
...

【专利技术属性】
技术研发人员：于红岩，陈斯斯，孟昆，刘文汇，王晓锋，张东东，
申请(专利权)人：西北大学，
类型：发明
国别省市：