基于动态细粒度K-means递归算法的剩余气分布研究制造技术

本发明专利技术公开了基于动态细粒度K‑means递归算法应用于致密砂岩储层剩余气类型分布的方法，该方法通过获取致密气t时刻每个网格影响剩余气的主要影响因素；将所有网格上的主要影响因素作为输入，采用K‑means通过主控因素对所有网格进行无监督学习，贴上标签；随后利用新算法‑‑动态细粒度K‑means递归算法，融入网格的空间坐标参数，设定阈值，动态递归搜索每一个网格形成剩余气的区域，刻画出剩余气高的区域、剩余气中等的区域、和剩余气低的区域，最终得到每层的剩余气类型分布。本发明专利技术提出的新的确定剩余气分布类型的方法，能够处理多种类、动静态的数据，且能动态的分析剩余气，通过主控因素进行无监督学习和递归，解决剩余气分布类型，为后续的挖潜措施提供依据。

【技术实现步骤摘要】

本专利技术属于非常规天然气开发、致密砂岩剩余气类型分布领域，具体为基于动态细粒度k-means递归算法的致密砂岩储层剩余气类型分布的方法。

技术介绍

1、随着全球能源需求的增长且常规油气资源的日益枯竭，致密气已成为非常规天然气资源开发的重要领域，广泛分布在世界各大含油气盆地，并且近年来它已成为全球天然气储量和产量增长的主要来源。由于致密砂岩气储层物性差、储集空间复杂，其中，孔隙度和渗透率低、裂缝发育程度较差，这使得开发难度大、最终采收率低，存在剩余气局部富集的问题难以精细刻画。传统的数值模拟和定性分析方法面对大量的钻井、开采和开发数据时通常只能利用部分数据单方面对剩余气进行评价，无法实现高维数据的综合评价。随着人工智能发展，机器学习方法具有良好的非线性、自学习、适应性和容错性，能够处理多种类、动静态的数据，定量化模型确定剩余气分布类型，并对剩余气进行动态的分析，为确定剩余气类型分布提供新的方法。

2、k-means算法是一种迭代求解的无监督分析算法，其核心思想是将数据集中的n个对象划分为k个聚类，使得每个对象到其所属聚类的中心的距离之和最小，其本文档来自技高网...

【技术保护点】

1.基于动态细粒度K-means递归算法的致密砂岩储层剩余气类型分布的方法，其实施步骤如下：

2.根据权利要求1所述的基于动态细粒度K-means递归算法的致密砂岩储层剩余气类型分布的方法，其特征在于，所述主控因素包括：渗透率、孔隙度、深度、地层压力、含气饱和度、气质量密度、剩余气量、储量丰度和有效厚度。

3.根据权利要求2所述的基于动态细粒度K-means递归算法的致密砂岩储层剩余气类型分布的方法，其特征在于，采用两种机器学习方法(XGBoost、随机森林RF)以及四个统计标准进行评估，最终得到影响剩余气的重要性排序，通过综合分析筛选出储量丰度、有效厚度和地层压...

【技术特征摘要】

1.基于动态细粒度k-means递归算法的致密砂岩储层剩余气类型分布的方法，其实施步骤如下：

2.根据权利要求1所述的基于动态细粒度k-means递归算法的致密砂岩储层剩余气类型分布的方法，其特征在于，所述主控因素包括：渗透率、孔隙度、深度、地层压力、含气饱和度、气质量密度、剩余气量、储量丰度和有效厚度。

3.根据权利要求2所述的基于动态细粒度k-means递归算法的致密砂岩储层剩余气类型分布的方法，其特征在于，采用两种机器学习方法(xgboost、随机森林rf)以及四个统计标准进行评估，最终得到影响剩余气的重要性排序，通过综合分析筛选出储量丰度、有效厚度和地层压力作为主控因素。

4.根据权利要求3所述的基于动态细粒度k-means递归算法的致密砂岩储层剩余气类型分布的方法，其特征在于，所述四个统计标准包括...

【专利技术属性】
技术研发人员：赵春兰，何熙，郭平，王兵，敬金涛，伍湘，徐佳，魏如玉，董绍宇，徐玮，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：