System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及储层识别,尤其涉及一种储层类型分类方法、装置、电子设备及存储介质。
技术介绍
1、碳酸盐岩在世界范围内拥有丰富的油气资源和产量。近年来,含油气盆地深层碳酸盐岩储层日益成为全球范围内重要的勘探目标。由于长期埋藏过程中复杂的成岩作用和构造作用,深埋碳酸盐岩内部孔洞、裂缝等多种储集空间错综发育,形成了多种类型的储集层不同类型的碳酸盐岩储层在不同尺度范围内表现出不同的储集和渗流能力,导致碳酸盐岩储层内部储层质量的显着非均质性和油气富集差异,给有效开发带来潜在风险。储层类型的准确识别是深层碳酸盐岩储层质量评价和油气合理开发的关键问题之一。
2、对于地下储层,钻探取心和地球物理测井资料是储层类型识别的常用方法。岩心描述是识别储层类型最直接、最有效的方法,但由于取心率低、耗时长,难以得到广泛应用。成像测井具有较高的纵向连续性和分辨率,可为油气藏类型识别提供丰富的信息。然而,这些数据并不总是可以从所有井获得,因为成本较高。相比之下,传统的测井数据更为普遍、经济和可靠。常规测井通过声学、电学和放射性探测等手段测量井孔周围岩石的物理化学性质,包括岩性、物理性质、以及力学性能和含油气性能的识别和预测。传统方法利用常规测井资料,一般采用交会图分析、经验公式和解释图版等技术进行储层类型识别。大多数方法严重依赖地质学家的经验,具有效率低、主观性强的特点。此外,由于复杂的测井响应,这些方法无法达到预期的准确性。
3、因此,如何对测井数据进行有效的储层类型识别,是一个亟待解决的技术问题。
技术实
1、有鉴于此,有必要提供一种储层类型分类方法、装置、电子设备及存储介质,用以解决现有技术中储层类型分类不准确的技术问题。
2、为了解决上述问题,第一方面,本专利技术提供一种储层类型分类方法,包括:
3、获取原始测井数据集,并对所述原始测井数据集进行预处理,得到预处理后的测井数据集,其中,所述测井数据集包括训练数据集;
4、将所述训练数据集输入包括超参数的初始混合pso-mkfd模型中进行训练,直至满足预设的收敛条件,输出最优超参数,得到训练完备的混合pso-mkfd模型,其中,所述超参数包括多项式次数、径向基函数核宽度和混合系数;
5、获取待分类测井数据,将所述待分类测井数据输入所述训练完备的pso-mkfd模型中,输出储层类型分类结果,其中所述储层类型包括孔隙型储层、孔洞型储层、缝洞型储层、裂缝型储层及致密型储层。
6、进一步的,获取测井数据集,包括:
7、获取多个测井曲线,并确定每一测井曲线的储层类型;
8、提取所述测井曲线中的测井响应特征,将每一测井曲线的储层类型与测井响应特征一一对应构建测井数据集,作为测井数据,其中,所述测井响应特征包括自然伽马、井经、补偿密度、声波时差、补偿中子及地层电阻率中的任一项。
9、进一步的,所述对所述原始测井数据集进行预处理,得到预处理后的测井数据集,包括:
10、基于预设统计标准对所述原始测井数据集进行统计评估,剔除原始测井数据集中的异常值,其中,所述异常值为根据预设统计标准偏差范围之外的测井值。
11、进一步的,所述将所述训练数据集输入包括超参数的初始混合pso-mkfd模型中进行训练,直至满足预设的收敛条件,输出最优超参数,得到训练完备的混合pso-mkfd模型,包括:
12、确定所述混合pso-mkfd模型的初始超参数;
13、基于粒子群优化算法对所述超参数在预设的搜索范围内进行迭代寻优,直至五折交叉验证的平均准确率收敛到预设的适应度值,输出最优超参数,得到训练完备的混合pso-mkfd模型。
14、进一步的,在使用所述粒子群优化算法之前,所述方法还包括:
15、确定粒子群优化算法的初始化参数,其中,所述初始化参数包括第一加速因子、第二加速因子、最大惯性因子、最小惯性因子及最大迭代次数。
16、进一步的,所述方法还包括:
17、计算所述混合pso-mkfd模型关于训练结果和测试结果的混淆矩阵,其中,所述混淆矩阵中包括正确分类样本个数和错误分类样本个数;
18、基于所述混淆矩阵中正确分类样本个数和错误分类样本个数计算评价指标,并基于所述评价指标确定所述混合pso-mkfd模型的分类性能,其中,所述评价指标包括准确率、精确率、召回率及精确率和召回率的调和平均值。
19、进一步的,所述方法还包括:
20、获取第一测井数据集,将所述第一测井数据集输入混合pso-mkfd模型中,输出分类结果,其中,所述第一测井数据集为未进行训练和测试的数据集;
21、基于所述分类结果验证所述混合pso-mkfd模型的泛化能力。
22、第二方面,本专利技术还提供一种储层类型分类装置,包括:
23、预处理模块,用于获取原始测井数据集,并对所述原始测井数据集进行预处理,得到预处理后的测井数据集,其中,所述测井数据集包括训练数据集;
24、参数优化模块,用于将所述训练数据集输入包括超参数的初始混合pso-mkfd模型中进行训练,直至满足预设的收敛条件时,输出最优超参数,得到训练完备的混合pso-mkfd模型,其中,所述超参数包括多项式次数、径向基函数核宽度和混合系数;
25、分类模块,用于将所述待分类测井数据输入所述训练完备的混合pso-mkfd模型中,输出储层类型分类结果,其中所述储层类型包括孔隙型储层、孔洞型储层、缝洞型储层、裂缝型储层及致密型储层。
26、第三方面,本专利技术还提供一种电子设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述储层类型分类方法中的步骤。
27、第四方面,本专利技术还提供一种计算机存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上述储层类型分类方法中的步骤。
28、采用上述实施例的有益效果是:
29、本专利技术通过对原始测井数据集进行预处理,以剔除异常的测井数据,便于数据的后续处理,并且针对储层类型与测井响应特征之间存在复杂的非线性关系,采用混合pso-mkfd模型分析多变量数据集,并且通过将训练数据集输入包括超参数的初始混合pso-mkfd模型中进行训练,直至满足预设的收敛条件,输出最优超参数,加强模型的分类性能,提高模型对储层识别的准确度,最后对训练完备的混合pso-mkfd模型进行应用,提高储层类型分类的准确度。
本文档来自技高网...【技术保护点】
1.一种储层类型分类方法,其特征在于,包括:
2.根据权利要求1所述的储层类型分类方法,其特征在于,获取测井数据集,包括:
3.根据权利要求1所述的储层类型分类方法,其特征在于,所述对所述原始测井数据集进行预处理,得到预处理后的测井数据集,包括:
4.根据权利要求1所述的储层类型分类方法,其特征在于,所述将所述训练数据集输入包括超参数的初始混合PSO-MKFD模型中进行训练,直至满足预设的收敛条件,输出最优超参数,得到训练完备的混合PSO-MKFD模型,包括:
5.根据权利要求4所述的储层类型分类方法,其特征在于,所述方法还包括:
6.根据权利要求1所述的储层类型分类方法,其特征在于,所述方法还包括:
7.根据权利要求6所述的储层类型分类方法,其特征在于,所述方法还包括:
8.一种储层类型分类装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括存储器和处理器,其中,所述存储器,用于存储程序;所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述权利要求1至
10.一种计算机可读存储介质,其特征在于,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时,能够实现上述权利要求1至7中任一项所述储层类型分类方法中的步骤。
...【技术特征摘要】
1.一种储层类型分类方法,其特征在于,包括:
2.根据权利要求1所述的储层类型分类方法,其特征在于,获取测井数据集,包括:
3.根据权利要求1所述的储层类型分类方法,其特征在于,所述对所述原始测井数据集进行预处理,得到预处理后的测井数据集,包括:
4.根据权利要求1所述的储层类型分类方法,其特征在于,所述将所述训练数据集输入包括超参数的初始混合pso-mkfd模型中进行训练,直至满足预设的收敛条件,输出最优超参数,得到训练完备的混合pso-mkfd模型,包括:
5.根据权利要求4所述的储层类型分类方法,其特征在于,所述方法还包括:
6.根据权利...
【专利技术属性】
技术研发人员:张云钊,张荣军,曾联波,代全齐,史今雄,屈乐,吴浩,李永臣,
申请(专利权)人:西安石油大学,
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。