【技术实现步骤摘要】
一种基于成本敏感型学习的富水致密砂岩流体判别方法
[0001]本专利技术涉及测井流体识别技术和机器学习
，尤其涉及一种成本敏感型集成学习测井流体类型智能判别方法
。
技术介绍
[0002]致密砂岩气在世界各大含油气盆地广泛分布，是重要的非常规气类型之一
。
随着构造油气资源的枯竭，致密砂岩储层逐渐成为石油天然气工程师关注的焦点
。
此类储层非均质性强，其因孔喉细小而出现“低孔
、
低渗
、
低饱”的三低特征
。
这使得岩石骨架成为测井响应的首要影响因素，降低了储层中不同流体对于测井响应的贡献，给测井流体解释工作带来了极大挑战
。
目前致密砂岩气藏流体识别工作开始与人工智能结合
。
[0003]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.)
使用
PSO
‑
【技术保护点】
【技术特征摘要】
1.
一种基于成本敏感型学习的富水致密砂岩流体判别方法，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
13
个复合参数，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，
ρ
b
为补偿密度测井值，
g/cm3；
ρ
ma
为岩石骨架密度，
ρ
ma
＝
2.65(g/cm3)
，
g/cm3；
H
为储层有效厚度，
m
；
PERM
为储层渗透率计算值，
mD
；
Δ
t
为声波时差测井值，
μ
m/s
；
S
g
为储层含气饱和度，％；
Δ
t
ma
为岩石骨架的声波时差值，
μ
m/s
，取储层岩性较纯时的声波时差值；
Δ
t
sh
为泥质骨架的声波时差值，
μ
m/s
，取泥质含量极高时的声波时差值；
Δ
t
f
为流体的声波时差值，
μ
m/s
；为流体的含氢指数，％
/
％；
ρ
f
为流体密度，
g/cm3；
RT
为地层电阻率，
Ω
·
m
；
RXO
为冲洗带电阻率，
Ω
·
m
；
V
sh
为地层泥质的体积百分含量，％，计算公式如下：
V
sh
＝
(22·
△
GR
‑
1)/(22‑
1)
△
GR
＝
(GR
‑
GR
min
)/(GR
max
‑
GR
min
)
其中，
GR
为自然伽马测井值，
API
，
GR
min
为纯砂岩自然伽马值，
GR
max
为纯泥岩自然伽马值，根据本工区地质情况，取
GR
min
＝
28(API)
，
GR
max
＝
140(API)
；
POR
为储层孔隙度计算值，％，计算公式如下：
V
ma
为骨架矿物
(
纯砂岩
)
的体积百分含量，％，计算公式如下：
V
ma
＝1‑
POR
‑
V
sh
为根据补偿中子测井值求得的去除泥质含量的中子孔隙度，％，其计算公式如下：
CNL
为补偿中子测井值，
v/v
；为泥质骨架含氢指数；为根据补偿密度测井值求得的去除泥质含量的密度孔隙度，％，其计算公式如下：
ρ
sh
为泥质骨架密度，
g/cm3，根据本工区地质情况取
ρ
sh
＝
2.6(g/cm3)
；
(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、
构建成本敏感型梯度提升机，具体步骤如下：
(1)
设训练数据集
U:(x
i
,y
i
)|i∈[1,N],
定义基础学习器个数为
T∈(1,+∞)
，
T
为正整数，
t∈[1,T]
为迭代次数，
N
为样本数量，
L
为损失函数；
(2)
令
t
＝1，初始化样本权重初始化基础分类器
h
t
(D
t
(i)x
；
α
t
)
，此时模型的优化目标函数为
H
t
(x)
＝
H0(x)+h
t
(D
t
(i)x
；
α
t
)
其中，
α
t
为基础分类器
h
t
(D
t
(i)x
；
α
t
)
的模型参数，
H0(x)
...
【专利技术属性】
技术研发人员：罗仁泽，雷璨如，武娟，易玺，赵丹，廖波，曹瑞，陈星廷，刘恒，王磊，林虹宇，
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。