CN108573320B - 页岩气藏最终可采储量的计算方法和*** - Google Patents
页岩气藏最终可采储量的计算方法和*** Download PDFInfo
- Publication number
- CN108573320B CN108573320B CN201810191485.5A CN201810191485A CN108573320B CN 108573320 B CN108573320 B CN 108573320B CN 201810191485 A CN201810191485 A CN 201810191485A CN 108573320 B CN108573320 B CN 108573320B
- Authority
- CN
- China
- Prior art keywords
- shale gas
- gas reservoir
- data
- training
- recoverable reserves
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000010801 machine learning Methods 0.000 claims abstract description 41
- 238000005553 drilling Methods 0.000 claims abstract description 25
- 230000035699 permeability Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 58
- 238000003062 neural network model Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 23
- 238000012706 support-vector machine Methods 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 12
- 239000011148 porous material Substances 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 abstract description 6
- 239000007789 gas Substances 0.000 description 109
- 239000011435 rock Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 239000003345 natural gas Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000001179 sorption measurement Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003795 desorption Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种页岩气藏最终可采储量的计算方法和***，包括：S1，获取页岩气藏的特征数据，所述特征数据包括所述页岩气藏的孔隙度、渗透率、完井方法、钻井参数、裂缝长度和导流能力；S2，将所述特征数据输入训练好的机器学习模型，获取页岩气藏最终可采储量的预测值。本发明充分利用已知的历史数据，在不做任何假设的前提下建立机器学习模型，将与页岩气藏最终可采储量密切相关的特征数据输入训练好的支持机器学习模型中，获取页岩气藏最终可采储量的预测值，获取的预测值符合页岩气藏的实际规律，可使最终可采储量的评估结果真实可靠，准确性高。
Description
技术领域
本发明涉及页岩气勘探技术领域，更具体地，涉及一种页岩气藏最终可采储量的计算方法和***。
背景技术
目前，全球范围内非常规天然气有页岩气、煤层气、致密气，其中页岩气资源储量相当于煤层气和致密气资源的总和，其储量占三种非常规天然气总量的一半左右。页岩气是一种储存在暗色页岩或高碳页岩中的非常规天然气，具有典型的原地成藏模式特征。页岩气藏是储藏一种富含有机质的暗色页岩或高碳质页岩中的,具有低孔、特低渗透的特点，主要以吸附态或游离态为存在的天然气聚集。与常规气藏相比，页岩气藏的特征是，它是一个“自生、自储”***，它既是烃源岩又是储集层还是盖层，气体生成后的运移也发生在页岩内部。页岩气储量计算结果对制定页岩气开发方案，确定页岩气产业投资规模以及对页岩气资源进行评估提供重要根据，由于页岩气***特的吸附解吸机理导致其储量计算过程有别于常规气藏。
目前计算页岩气藏储量的方法主要有两种：产量递减曲线法和建立流动模型的方法。产量递减曲线法只适用于产量开始递减的井，不适用与已经达到拟稳定流动但是产量没有递减的定产井可采储量计算；对于产量开始递减的井，这种曲线拟合的方法是在很多假设条件的基础上进行的，由于条件的理想化，通过这种方法得到的结果并不能很好的运用到油田的实际生产中，对实际生产没有指导意义。而对建立流动模型法而言，由于页岩气属于非常规气藏，有低孔、特低渗的特点，孔隙情况十分复杂，存在气体的滑脱效应，吸附效应，以及非达西流动等，目前建立流动模型的时候，仍然把孔隙中的流动可看作是达西流动，这从根本上就不符合页岩气藏的实际规律，得出的结论自然存在偏差。
综上可知，目前通过现有技术进行页岩气藏储量评估时，并不重视历史数据的再次利用，使得大量的数据被闲置，提出的方法大都是在假设的理想条件下进行的，并不符合页岩气藏的实际规律，导致最终可采储量的评估有偏差，不准确。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的页岩气藏最终可采储量的计算方法和***。
根据本发明的一个方面，提供一种页岩气藏最终可采储量的计算方法，包括：
S1，获取页岩气藏的特征数据，所述特征数据包括所述页岩气藏的孔隙度、渗透率、完井方法、钻井参数、裂缝长度和导流能力；
S2，将所述特征数据输入训练好的机器学习模型，获取页岩气藏最终可采储量的预测值；
其中，所述钻井参数包括钻压、钻速、钻井周期、转速、孔隙压力、破裂压力和坍塌压力。
优选地，步骤S1前还包括所述特征数据的选取：
根据属性约简算法，从页岩气藏的所有的属性数据中获取与页岩气藏最终可采储量相关的属性数据作为特征数据。
优选地步骤S2中的所述训练好的机器学习模型通过以下步骤建立：
获取多组页岩气藏的特征数据及相应的可采储量作为训练样本集中的样本数据；
从所述训练样本集中任意选取多组特定组数的样本数据，每一特定组数的样本数据组成一个训练子样本集；
若所述训练样本集中样本数据的组数不大于预设组数，将每一所述训练子样本集中的样本数据输入支持向量机模型进行训练，通过高斯核函数将所述样本数据映射到更高维的空间，获取多个训练好的支持向量机模型。
优选地，还包括：
若所述训练样本集中样本数据的组数大于预设组数，将每一所述训练子样本集中的样本数据输入神经网络模型进行训练，根据该训练子样本集中每组样本数据的训练结果调整所述神经网络模型中神经元的连接权值，直至所述训练结果的误差小于预设阈值，获取多个训练好的神经网络模型。
优选地，所述神经网络模型为BP神经网络模型：
所述BP神经网络模型包括9个隐含层；
所述隐含层中的神经元采用sigmoid传递函数。
优选地，步骤S2具体包括：
将所述特征数据输入多个训练好的机器学习模型，每一所述机器学习模型输出一组页岩气藏最终可采储量的预测值，获取多组所述预测值；
根据多组所述预测值，获取所述预测值的正态分布图，从所述正态分布图上获取P10，P50以及P90共三个预测值；
其中，P10表示预测值具有10％的可能性大于实际最终可采储量；P50表示预测值具有50％的可能性大于实际最终可采储量；P90表示预测值具有90％的可能性大于实际最终可采储量。
根据本发明的另一方面，还提供一种页岩气藏最终可采储量的计算***，包括：
数据获取模块，用于获取页岩气藏的特征数据，所述特征数据包括所述页岩气藏的孔隙度、渗透率、完井方法、钻井参数、裂缝长度和导流能力；
预测值获取模块，用于将所述特征数据输入训练好的机器学习模型，获取页岩气藏最终可采储量的预测值；
其中，所述钻井参数包括钻压、钻速、钻井周期、转速、孔隙压力、破裂压力和坍塌压力。
优选地，所述的页岩气藏最终可采储量的计算***，还包括：
特征选取模块，用于根据属性约简算法，从页岩气藏的所有的属性数据中获取与页岩气藏最终可采储量相关的属性数据作为特征数据。
本发明提出的岩气藏最终可采储量的计算方法和***，通过对页岩气藏的历史数据进行分析处理，利用粗糙集的属性约简算法从页岩气藏的全部属性数据中筛选出与页岩气藏最终可采储量密切相关的特征数据，将特征数据输入训练好的支持向量机模型或神经网络模型中，获取页岩气藏最终可采储量的预测值。由于本发明将页岩气藏最终可采储量的计算与机器学习结合起来，充分利用已知的历史数据，在不做任何假设的前提下建立机器学习模型，通过机器学习模型获取的预测值符合页岩气藏的实际规律，可使最终可采储量的评估结果真实可靠，准确性高。
附图说明
图1为本发明一个实施例的页岩气藏最终可采储量的计算方法的流程图；
图2为本发明一个实施例的页岩气藏最终可采储量的计算***的功能框图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
参见图1，为本发明一个实施例的页岩气藏最终可采储量的计算方法的流程图，包括：S1，获取页岩气藏的特征数据，所述特征数据包括所述页岩气藏的孔隙度、渗透率、完井方法、钻井参数、裂缝长度和导流能力；S2，若所述特征数据的组数不大于预设组数，将所述特征数据输入训练好的机器学习模型，获取页岩气藏最终可采储量的预测值；其中，所述钻井参数包括钻压、钻速、钻井周期、转速、孔隙压力、破裂压力和坍塌压力。
具体地，采集一组或多组与页岩气藏的最终可采储量密切相关的特征数据，每组特征数据包括所述页岩气藏的孔隙度、渗透率、完井方法、钻井参数、裂缝长度和导流能力。
其中，孔隙度是指岩样中所有孔隙空间体积之和与该岩样体积的比值，互相连通的孔隙间不仅能储存油气，还可使油气在其中渗滤，是储层评价的重要参数之一。渗透率是指在一定压差下，岩石允许流体通过的能力，属于储油岩或储气岩的物性基础。完井方法是指油气井井筒与油气层的连通方式，包括射孔完井、裸眼完井、衬管完井和砾石充填完井等。钻井参数包括钻压、钻速、钻井周期、转速、孔隙压力、破裂压力和坍塌压力等将地层从地面钻成孔眼时的相关参数。裂缝性储层是指以裂缝为主要储集空间、渗流通道的储集层，可增加有效孔隙度，一般具有高渗透性，对裂缝长度进行采集有利于页岩气藏可采储量的计算。此外，导流能力一般是指裂缝导流能力，即裂缝闭合宽度与闭合压力下裂缝渗透率的乘积，其大小主要与裂缝闭合压力、支撑剂的物理性质以及支撑剂在裂缝中的铺置浓度有关，也与储层岩石硬度、温度、流体性质、盐水环境、非达西流动条件、承压时间以及压裂液对支撑剂层的伤害等因素有关。
机器学习用于研究研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，机器学习模型包括支持向量机模型、神经网络模型、贝叶斯方法模型、逻辑回归模型等等。将特征数据输入训练好的机器学习模型中，对于每一组特征数据，每一个训练好的机器学习模型都能输出相应的页岩气藏最终可采储量的预测值。
本发明充分利用已知的历史数据，在不做任何假设的前提下建立机器学习模型，将与页岩气藏最终可采储量密切相关的特征数据输入训练好的机器学习模型中，获取页岩气藏最终可采储量的预测值，获取的预测值符合页岩气藏的实际规律，可使最终可采储量的评估结果真实可靠，具有更高的准确性。
基于上述实施例，作为一种可选的实施例，步骤S1前还包括所述特征数据的选取：根据属性约简算法，从页岩气藏的所有的属性数据中获取与页岩气藏最终可采储量相关的属性数据作为特征数据。
具体地，通过模糊集的属性约简算法，对页岩气藏的所有的属性数据进行预处理。所谓模糊集的属性约简算法的基本思想，即是从已知的属性数据中找到重要的属性，来组成最佳约简的属性组合。
对于一组页岩气藏而言，其全部的属性数据包括有地层孔隙度、渗透率、此处是否有特殊的地层结构、岩石的性质、钻井时是否钻遇特殊地层、完井方法、完井质量的优劣、钻井参数、天然裂缝和人工裂缝的裂缝长度、导流能力等。而对于每一组页岩气藏的全部属性数据而言，都对应一个决策结果，将所有已知的属性数据划分为多个属性组合，验证每个属性组合是否与相应的属性数据对应的决策结果等价，从而选择出一个尽可能多的保留属性全部信息的属性组合，剔除掉所有具备不定因素，会影响到机器学习的模型建立，阻碍回归预测的属性数据，而得到有效的约简属性，即是与页岩气藏可采储量的估算密切相关的属性数据，并将其作为特征数据，以增强预测结果的可靠性与时效性。
基于上述实施例，作为一种可选的实施例，步骤S2中的所述训练好的机器学习模型通过以下步骤建立：获取多组页岩气藏的特征数据及相应的最终可采储量作为训练样本集中的样本数据；从所述训练样本集中任意选取多组特定组数的样本数据，每一特定组数的样本数据组成一个训练子样本集；若所述训练样本集中样本数据的组数不大于预设组数，将每一所述训练子样本集中的样本数据输入支持向量机模型进行训练，通过高斯核函数将所述样本数据映射到更高维的空间，获取多个训练好的支持向量机模型。
具体地，获取多组页岩气藏的特征数据，每组特征数据都有对应的可采储量，并将它们作为训练样本集中的样本数据，从训练样本集中随机选取多组特定组数的样本数据，每一特定组数的样本数据组成一个训练子样本集，每一个训练子样本集都能训练一个机器学习模型。
当训练样本集中所有样本数据的组数小于或等于预设组数时，可知此时样本数据的组数较少，则将样本数据输入训练好的支持向量机模型。需要说明的是，支持向量机模型是一种在解决小样本、非线性及高维模式识别的问题中较有优势的机器学习模型，可根据有限的样本信息在模型的复杂性和学习能力间寻求最佳折中，以获取最好的推广能力。则利用一定量的样本信息对支持向量机模型进行训练后，对于每一组特征数据，上述支持向量机模型都输出相应的页岩气藏可采储量的预测值。
将样本数据输入到支持向量机模型后，通过核函数采用非线性映射将样本数据映射到更高维或者无穷维的特征空间，进而在特征空间进行对应的线性操作，来解决线性不可分的问题，对样本进行分类处理。在特征空间中，对线性可分的样本进行分类时，需要计算样本内积，但当样本维数较高时，容易造成“维数灾难”，因此引入核函数，可把高维向量的内积转变成了求低维向量的内积问题。上述核函数的种类包括线性核函数、p阶多项式核函数、高斯核函数、多层感知器核函数等，本发明中采用高斯核函数，可有效提高计算的时效性，并减小计算误差。
基于上述实施例，作为一种可选的实施例，所述训练好的神经网络模型通过以下步骤建立：若所述训练样本集中样本数据的组数大于预设组数，将每一所述训练子样本集中的样本数据输入神经网络模型进行训练，根据该训练子样本集中每组样本数据的训练结果调整所述神经网络模型中神经元的连接权值，直至所述训练结果的误差小于预设阈值，获取多个训练好的神经网络模型。
具体地，当特征数据的组数大于预设组数时，可知此时特征数据的组数较多，则将特征数据输入训练好的神经网络模型。神经网络模型模拟人的神经***，通过在输入层、中间传输层和输出层之间的传递，训练出特征数据与页岩气藏最终可采储量间的关系。
首先给神经元的连接权值赋予(-1,1)区间的随机值，每组数据输入神经网络模型后，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各连接权值的依据。通过调整输入节点与隐含层节点的联接强度和隐含层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，直到训练结果的误差，即是输出误差小于预设阈值时，确定与该输出误差相对应的连接权值，训练即告停止，此时得到训练好的神经网络模型。
则利用一定量的样本信息对神经网络模型进行训练后，对于每一组特征数据，上述神经网络模型都输出相应的页岩气藏最终可采储量的预测值。
基于上述实施例，作为一种可选的实施例，所述神经网络模型为BP神经网络模型：所述BP神经网络模型包括9个隐含层；所述隐含层中的神经元采用sigmoid传递函数。
具体地，本发明采用的神经网络模型为BP神经网络模型，所述BP神经网络模型是一种按照误差逆向传播算法训练的多层前馈神经网络，包括信号的前向传播和误差的反向传播两个过程，即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播过程中，输入模式从输入层经隐含层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，可使得误差信号最小。
本发明中的BP神经网络模型包括9个隐含层，且隐含层中的神经元采用sigmoid传递函数。传递函数的作用是控制输入对输出的激活作用，把可能的无限域变换到给定的输出，对输入、输出进行函数转换，以模拟生物神经元线性或非线性转移特性。目前常见的传递函数的类型有阈值逻辑，线性传递函数，线性阈值函数，sigmoid函数，双曲线-正切函数等，本发明中通过依次选取上述多个传递函数进行BP神经网络模型的训练，并对输出误差进行比较，从而选取误差最小的传递函数，即sigmoid传递函数进行数据转换。
基于上述实施例，作为一种可选的实施例，还包括：将所述特征数据输入多个训练好的机器学习模型，每一所述机器学习模型输出一组页岩气藏最终可采储量的预测值，获取多组所述预测值；根据多组所述预测值，获取所述预测值的正态分布图，从所述正态分布图上获取P10，P50，P90三个预测值；其中，P10表示预测值具有10％的可能性大于实际最终可采储量；P50表示预测值具有50％的可能性大于实际最终可采储量；P90表示预测值具有90％的可能性大于实际最终可采储量。
具体地，由于建立的机器学习模型较多，且每一机器学习模型都会输出一个预测值，因此对于每一组页岩气藏的特征数据，都会输出多组对该页岩气藏最终可采储量的预测值。此时可根据获取的多组预测值，作出相应的正态分布图，并从正态分布图上获取P10，P50，P90三个标志性的预测值，其中，P10表示预测值具有10％的可能性大于实际最终可采储量；P50表示预测值具有50％的可能性大于实际最终可采储量；P90表示预测值具有90％的可能性大于实际最终可采储量，通过P10，P50，P90这三个标志性的预测值来给页岩气藏的最终可采储量的估测提供一个评价标准。
本发明通过对页岩气藏的历史数据进行分析处理，利用粗糙集的属性约简算法从页岩气藏的全部属性数据中筛选出与页岩气藏最终可采储量密切相关的特征数据，将特征数据输入训练好的支持向量机模型或神经网络模型中，获取页岩气藏最终可采储量的预测值。由于本发明将页岩气藏最终可采储量的计算与机器学习结合起来，充分利用已知的历史数据，在不做任何假设的前提下建立机器学习模型，通过机器学习模型获取的预测值符合页岩气藏的实际规律，可使最终可采储量的评估结果真实可靠，准确性高。
参见图2，为本发明一个实施例的页岩气藏最终可采储量的计算***的结构示意图，包括：数据获取模块201，用于获取页岩气藏的特征数据，所述特征数据包括所述页岩气藏的孔隙度、渗透率、完井方法、钻井参数、裂缝长度和导流能力；预测值获取模块202，用于将所述特征数据输入训练好的机器学习模型，获取页岩气藏最终可采储量的预测值；其中，所述钻井参数包括钻压、钻速、钻井周期、转速、孔隙压力、破裂压力和坍塌压力。
具体地，数据获取模块用于获取需要输入支持向量机模型或神经网络模型等机器学习模型的特征数据；预测值获取模块用于将特征数据输入到支持向量机模型中，以获取该特征数据对应的页岩气藏最终可采储量的预测值。需要说明的是，使用支持向量机模型评价页岩气藏最终可采储量的具体方法步骤在上述的方法实施例中已做详细描述，此处不再多做赘述。
本发明充分利用已知的历史数据，在不做任何假设的前提下建立机器学习模型，将与页岩气藏最终可采储量密切相关的特征数据输入训练好的机器学习模型中，获取页岩气藏最终可采储量的预测值，获取的预测值符合页岩气藏的实际规律，可使最终可采储量的评估结果真实可靠，具有更高的准确性。
基于上述实施例，作为一种可选的实施例，还包括：特征选取模块，用于根据属性约简算法，从页岩气藏的所有的属性数据中获取与页岩气藏最终可采储量相关的属性数据作为特征数据。
具体地，特征选取模块用于根据属性约简算法，对页岩气藏的所有的属性数据进行预处理，剔除掉所有阻碍回归预测的属性数据，从而得到有效的约简属性，即是与页岩气藏最终可采储量的估算密切相关的属性数据，并将其作为特征数据，以增强预测结果的可靠性与时效性。需要说明的是，使用属性约简算法将属性数据处理为特征数据的具体方法步骤在上述的方法实施例中已做详细描述，此处不再多做赘述。
本发明通过对页岩气藏的历史数据进行分析处理，利用粗糙集的属性约简算法从页岩气藏的全部属性数据中筛选出与页岩气藏最终可采储量密切相关的特征数据，将特征数据输入训练好的支持向量机模型或神经网络模型中，获取页岩气藏最终可采储量的预测值。由于本发明将页岩气藏最终可采储量的计算与机器学习结合起来，充分利用已知的历史数据，在不做任何假设的前提下建立机器学习模型，通过机器学习模型获取的预测值符合页岩气藏的实际规律，可使最终可采储量的评估结果真实可靠，准确性高。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种页岩气藏最终可采储量的计算方法，其特征在于，包括：
S1，获取页岩气藏的特征数据，所述特征数据包括所述页岩气藏的孔隙度、渗透率、完井方法、钻井参数、裂缝长度和导流能力；
S2，将所述特征数据输入训练好的机器学习模型，获取页岩气藏最终可采储量的预测值；
其中，所述钻井参数包括钻压、钻速、钻井周期、转速、孔隙压力、破裂压力和坍塌压力；
步骤S1前还包括所述特征数据的选取：
根据属性约简算法，从页岩气藏的所有的属性数据中获取与页岩气藏最终可采储量相关的属性数据作为特征数据；
步骤S2中的所述训练好的机器学习模型通过以下步骤建立：
获取多组页岩气藏的特征数据及相应的可采储量作为训练样本集中的样本数据；
从所述训练样本集中任意选取多组特定组数的样本数据，每一特定组数的样本数据组成一个训练子样本集；
若所述训练样本集中样本数据的组数不大于预设组数，将每一所述训练子样本集中的样本数据输入支持向量机模型进行训练，通过高斯核函数将所述样本数据映射到更高维的空间，获取多个训练好的支持向量机模型；
若所述训练样本集中样本数据的组数大于预设组数，将每一所述训练子样本集中的样本数据输入神经网络模型进行训练，根据该训练子样本集中每组样本数据的训练结果调整所述神经网络模型中神经元的连接权值，直至所述训练结果的误差小于预设阈值，获取多个训练好的神经网络模型。
2.根据权利要求1所述的页岩气藏最终可采储量的计算方法，其特征在于，所述神经网络模型为BP神经网络模型：
所述BP神经网络模型包括9个隐含层；
所述隐含层中的神经元采用sigmoid传递函数。
3.根据权利要求1至2任意一项所述的页岩气藏最终可采储量的计算方法，其特征在于，步骤S2具体包括：
将所述特征数据输入多个训练好的机器学习模型，每一所述机器学习模型输出一组页岩气藏最终可采储量的预测值，获取多组所述预测值；
根据多组所述预测值，获取所述预测值的正态分布图，从所述正态分布图上获取P10，P50以及P90共三个预测值；
其中，P10表示预测值具有10％的可能性大于实际最终可采储量；P50表示预测值具有50％的可能性大于实际最终可采储量；P90表示预测值具有90％的可能性大于实际最终可采储量。
4.一种页岩气藏最终可采储量的计算***，其特征在于，包括：
数据获取模块，用于获取页岩气藏的特征数据，所述特征数据包括所述页岩气藏的孔隙度、渗透率、完井方法、钻井参数、裂缝长度和导流能力；
预测值获取模块，用于将所述特征数据输入训练好的机器学习模型，获取页岩气藏最终可采储量的预测值；
其中，所述钻井参数包括钻压、钻速、钻井周期、转速、孔隙压力、破裂压力和坍塌压力；
特征选取模块，用于根据属性约简算法，从页岩气藏的所有的属性数据中获取与页岩气藏最终可采储量相关的属性数据作为特征数据；
其中，所述训练好的机器学习模型通过以下步骤建立：
获取多组页岩气藏的特征数据及相应的可采储量作为训练样本集中的样本数据；
从所述训练样本集中任意选取多组特定组数的样本数据，每一特定组数的样本数据组成一个训练子样本集；
若所述训练样本集中样本数据的组数不大于预设组数，将每一所述训练子样本集中的样本数据输入支持向量机模型进行训练，通过高斯核函数将所述样本数据映射到更高维的空间，获取多个训练好的支持向量机模型；
若所述训练样本集中样本数据的组数大于预设组数，将每一所述训练子样本集中的样本数据输入神经网络模型进行训练，根据该训练子样本集中每组样本数据的训练结果调整所述神经网络模型中神经元的连接权值，直至所述训练结果的误差小于预设阈值，获取多个训练好的神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810191485.5A CN108573320B (zh) | 2018-03-08 | 2018-03-08 | 页岩气藏最终可采储量的计算方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810191485.5A CN108573320B (zh) | 2018-03-08 | 2018-03-08 | 页岩气藏最终可采储量的计算方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108573320A CN108573320A (zh) | 2018-09-25 |
| CN108573320B true CN108573320B (zh) | 2021-06-29 |
Family
ID=63576083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810191485.5A Active CN108573320B (zh) | 2018-03-08 | 2018-03-08 | 页岩气藏最终可采储量的计算方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108573320B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740210B (zh) * | 2018-12-21 | 2020-10-13 | 中国石油大学(北京) | 一种页岩气压裂井下砂堵事故实时风险评估方法及装置 |
| CN110056348B (zh) * | 2019-04-25 | 2021-05-11 | 中国海洋石油集团有限公司 | 一种测定地层流体组成和性质的方法和*** |
| CN110837913B (zh) * | 2019-09-24 | 2020-10-23 | 广州地理研究所 | 一种基于极端梯度算法的陆地水储量预测方法及设备 |
| CN110952970A (zh) * | 2019-12-03 | 2020-04-03 | 西南石油大学 | 一种组合支撑剂导流能力预测方法 |
| CN113011626A (zh) * | 2019-12-19 | 2021-06-22 | 北京国双科技有限公司 | 地层压力预测模型的构建方法、地层压力预测方法和装置 |
| CN110952978B (zh) * | 2019-12-20 | 2020-11-06 | 西南石油大学 | 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法 |
| CN111520123B (zh) * | 2020-03-27 | 2021-03-02 | 中国石油化工股份有限公司石油工程技术研究院 | 一种机械钻速预测方法、装置及设备 |
| CN112819035B (zh) * | 2021-01-12 | 2021-11-09 | 北京科技大学 | 利用pvt实验和机器学习判断气窜的方法及装置 |
| CN113297803B (zh) * | 2021-06-17 | 2022-12-06 | 东北石油大学 | 一种油气产量智能模拟预估方法和*** |
| CN113488118A (zh) * | 2021-08-12 | 2021-10-08 | 氢储(上海)能源科技有限公司 | 利用bp神经网络模型预测镁基固态储氢材料性能的方法 |
| CN113758851B (zh) * | 2021-09-07 | 2022-07-15 | 中国石油大学(北京) | 致密岩心eur测定实验方法 |
| CN113738353B (zh) * | 2021-09-28 | 2023-05-26 | 中国石油大学(北京) | 一种含油页岩可动油量预测方法、***、设备和存储介质 |
| CN114358427B (zh) * | 2022-01-07 | 2024-05-07 | 西南石油大学 | 一种预测页岩气井最终可采储量的方法 |
| CN115062029B (zh) * | 2022-08-12 | 2022-11-04 | 北京安捷瑞软件有限公司 | 一种基于大数据的油气藏勘探开发特性数据成果管理*** |
| CN115660221B (zh) * | 2022-12-07 | 2023-03-21 | 西南石油大学 | 基于混合神经网络的油气藏经济可采储量评估方法及*** |
| CN116911640B (zh) * | 2023-09-11 | 2023-12-26 | 中国地质大学（北京） | 一种基于机器学习的页岩储层含气量预测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104134101A (zh) * | 2014-07-23 | 2014-11-05 | 中国石油集团川庆钻探工程有限公司 | 低渗透储层天然气产能预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8510242B2 (en) * | 2007-08-31 | 2013-08-13 | Saudi Arabian Oil Company | Artificial neural network models for determining relative permeability of hydrocarbon reservoirs |
-
2018
- 2018-03-08 CN CN201810191485.5A patent/CN108573320B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104134101A (zh) * | 2014-07-23 | 2014-11-05 | 中国石油集团川庆钻探工程有限公司 | 低渗透储层天然气产能预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| "利用SVM 方法计算中国南方X 盆地页岩气含气量";郭怀志 等;《世界地质》;20150930;第34卷(第3期);第757-763页 * |
| "基于ＲBF 神经网络的页岩气丰度预测";杨宇宁 等;《西安石油大学学报》;20151130;第30卷(第6期);第786-790页 * |
| "基于遗传算法改进ＢＰ神经网络的";田亚鹏 等;《中国科技论文》;20160831;第11卷(第15期);第1710-1715页 * |
| "页岩油气不确定性产量预测方法及应用";徐兵祥等;《兰州大学学报》;20171231;第45-49页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108573320A (zh) | 2018-09-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108573320B (zh) | 页岩气藏最终可采储量的计算方法和*** | |
| CN112901137B (zh) | 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法 | |
| Xue et al. | A new fracture prediction method by combining genetic algorithm with neural network in low-permeability reservoirs | |
| CN110619353B (zh) | 一种基于深度学习的多尺度测井曲线自动识别方法 | |
| CN113537585B (zh) | 基于随机森林和梯度提升决策树的油田增产措施推荐方法 | |
| CN113792479B (zh) | 一种基于物理约束的煤层气藏压裂效果评价方法 | |
| Khoukhi | Hybrid soft computing systems for reservoir PVT properties prediction | |
| CN106326624A (zh) | 一种预测地层破裂压力的方法 | |
| CN116384554A (zh) | 机械钻速预测方法、装置、电子设备及计算机存储介质 | |
| CN110717270B (zh) | 一种基于数据的油气藏仿真模拟方法 | |
| CN116910638A (zh) | 一种基于大数据的优势渗流通道智能识别方法 | |
| CN114065909A (zh) | 一种基于CNN_AB_Bi-LSTM的测井曲线补全方法 | |
| Wang et al. | An interpretable interflow simulated graph neural network for reservoir connectivity analysis | |
| CN112539054B (zh) | 地面管网与地下油藏复杂***生产优化方法 | |
| CN117574755A (zh) | 页岩储层井工厂水平井压裂参数分层多级优化方法 | |
| CN110118994B (zh) | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 | |
| Anifowose et al. | A functional networks-type-2 fuzzy logic hybrid model for the prediction of porosity and permeability of oil and gas reservoirs | |
| CN116433059A (zh) | 一种页岩油甜点智能评价方法及装置 | |
| CN115099406A (zh) | 基于多元时间序列的地层压力反演方法及装置 | |
| Schiozer et al. | Integration of history matching and uncertainty analysis | |
| CN111706323A (zh) | 一种综合gwo-lssvm算法的水淹层精细解释评价方法 | |
| CN115293462B (zh) | 一种基于深度学习的漏失通道尺寸范围预测方法 | |
| CN117633658B (zh) | 岩石储层岩性识别方法及*** | |
| Liu et al. | Data-Driven Models for Predicting Rate of Penetration Based on Machine Learning Algorithms | |
| CN117235628B (zh) | 一种基于混合贝叶斯深度网络测井曲线预测方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |