CN108875122B - 利用随钻测井数据计算地质参数的人工智能方法和*** - Google Patents
利用随钻测井数据计算地质参数的人工智能方法和*** Download PDFInfo
- Publication number
- CN108875122B CN108875122B CN201810379275.9A CN201810379275A CN108875122B CN 108875122 B CN108875122 B CN 108875122B CN 201810379275 A CN201810379275 A CN 201810379275A CN 108875122 B CN108875122 B CN 108875122B
- Authority
- CN
- China
- Prior art keywords
- logging
- model
- data
- learning
- geological
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供利用随钻测井数据计算地质参数的人工智能方法和***,通过软件定义的人工***进行大数据预处理;包含预测学习、集成学习的数据学习;基于默顿定律实现数据行动引导的指示学习。多分支同步学习***和方法使用机器预测学习解决随时间发展对测井数据数据进行探索、使用集成学习解决在空间分布上对测井数据进行探索、使用指示学习解决待计算地层参数生成的方向。本发明通过井下测井数据地质参数计算,获得可描述地质产状的地层结构参数和电性参数,大大减少了钻井过程中数据传输量,同时也使得测井数据反映的地质信息可视化和定量化,对地质导向和测井解释都有重要意义。
Description
技术领域
本发明涉及油田开发技术领域,具体涉及一种利用随钻测井数据计算地质参数的人工智能方法和***。
背景技术
随着水平井和大斜度井钻井技术广泛应用,电缆测井应用受到一定制约,测井数据采集广泛采用随钻测量方式。随钻电阻率由于钻开时间短,测量点受泥浆侵入影响较小,且能够提供不同探测深度的测井曲线。随钻电阻率数据能反映地层真实的参数,因此随钻测井仪器有着广阔的应用前景。随着复杂油气田勘探开发的不断深入,大斜度井、水平井等复杂工艺井的广泛应用,随钻测井技术研究与随钻测井仪器研发得到足够的重视,并得到了快速的发展。
随钻电磁波电阻率类仪器电阻率测量与电缆侧向类仪器有很大不同,侧向类仪器利用直流电模式进行测量,通过一定的仪器常数进行刻度,即可把测量采集的信号转换成地层电阻率信号;随钻电磁波电阻率仪器是利用距发射源不同距离的两个接收线圈获得感应电磁波的相位移和幅度衰减变化来描述地层电阻率。相位移和幅度衰减与地层电阻率是一种非线性关系,没有固定的刻度系数,通常利用相位移-电阻率转换关系将相位移转换成相位移电阻率,利用幅度衰减-电阻率转换关系将幅度衰减转换成幅度衰减电阻率。不同仪器、不同源距、不同工作频率所对应的电阻率转换关系不同。
传统的随钻电磁波测井仪器发射线圈与接收线圈共轴,测量得到的地层信号为地层信息的平均值;近年来三大石油测井服务公司相继推出了具有方位探测能力的随钻方位电磁波测井仪器。2005年斯伦贝谢公司推出了PeriScope方位电阻率测量仪,2006年贝克休斯公司推出了随钻方位电磁波测井仪APR,2007年哈里伯顿公司推出了方位深电阻率测量仪ADR。方位电磁波测量仪器均采用轴向,倾斜或横向线圈混合,能够更好地提供有关地层方位的信息,指示地层的各向异性,识别地层边界。
随钻电磁波电阻率仪器探测深度大,能够提供丰富测井曲线,尤其是新型随钻电磁波电阻率仪器,通常有数十条测量曲线,在结合其他工具测量曲线,通常随钻工具有上百条曲线记录。与之矛盾的是在地质导向过程中,为了实时导向决策的需要,需要应用泥浆脉冲进行数据实时传输,而泥浆脉冲受带宽显示,不能满足所有信息的实时上传。在这种背景下,工程上通常选用若干能够表征地质参数的数据曲线进行上传,因上传曲线条数有限,实时获得的数据只能定性揭示地质参数变化,不能满足精确地质导向的需要。
为此,我们通过地质模型正演仿真对***进行训练和学习,建立测井响应与地质模型映射函数关系库,根据钻前地质预估信息引入指导学习,最后应用在井下数据处理中去。利用井下采集信号,计算出地质参数,在实时测井中通过泥浆脉冲将地质参数传输到地面,指导地质导向作业。该方法能够综合所有测井曲线,得到精确地质模型参数,能够充分发挥随钻测井工具测量信息丰富的优势;同时该方法利用泥浆脉冲传输的是地质参数,大大减小了泥浆传输通道数据压力;另外,通过工智能方法获得的地质参数,是比测井数据更易被导向作业工程师理解的地层信息,减少了实测数据传回后需进一步加工处理才被理解的情况,更易于工程时实时决策的制定。
发明内容
本发明的目的是提供一种利用随钻测井数据计算地质参数的人工智能方法和***。
本发明的目的可通过如下技术措施来实现:
利用随钻测井数据计算地质参数的人工智能方法,包括:
步骤1,依照随钻测井工具钻具组合和测量模块工作模式,采集井下仪器测井响应信号,按仪器规定的信号合成、转换、标定方式将原始采集信号转换成可被理解的测量信号,形成原始测井数据;
步骤2,对原始数据进行校正和更新,以提高原始测井数据质量;同时通过部分测井环境影响敏感曲线提取特征信号,结合原始测井数据、仪器响应特征模拟数据、模型正演数据,建立大数据;
步骤3,在行动学习阶段,沿用强化学习的思路,从人工合成大数据中建立模型与测井响应对应关系,并将得到的对应关系以知识库形式存储在***状态转移函数中,以知识库的变化刻画***状态变化,并利用数值模拟仿真方法进行单因素环境变量的预测学习和在单因素预测学习基础上的多因素综合影响集成学习。
步骤4,利用数值仿真建立模型库,根据模型测井曲线响应特征提取机器学习成果形成知识库,建立模型和映射函数集之间的闭环学习机制,其中模型测井曲线响应特征包括:不同探测曲线测量值大小关系、相位幅度测量曲线大小关系、多条曲线大小排序关系。
步骤5,井下实测数据地质参数计算阶段,通过引入指示学习的思想,包括人工设置初值、添加约束条件、设置边界条件,对井下实测数据处理,得到实测地层的地质参数。
步骤6,格式化输出步骤5得到的地质参数,即为当前地层环境下计算得到的地质参数。
进一步的,所述步骤3包含以下几个步骤:
1)根据影响测井数据的环境变量类型,设置地质模型并通过数值仿真计算模型测井响应,按测井响应特征将地质模型分类集合;
2)利用地质模型沿用强化学习的思路,建立模型测井响应与分类集合函数映射关系,利用映射函数来最小化分类误差;
3)根据模型测井响应和映射函数产生一个地质模型预测,并计算预测模型与实际模型误差情况,选取误差最小或误差满足设定条件的映射函数作为可接受的映射函数,并将其记录在***状态转移函数中;
4)利用并行计算技术在多个分类集合中进行中函数构建,建立不同地质模型参数下的状态转移函数,形成映射函数集;
5)借助数值模拟仿真算法对地质模型计算,获得测井响应,并将获得的数据加入***响应-模型映射关系学习中去,并随着所获数据的增多,不断优化采取的映射函数集;通过修改模型参数计算新模型正演响应,利用新的模型响应代入统响应-模型映射关系中检验映射关系正确率及计算精度,根据验证结果优化统响应-模型映射关系形成的映射函数集,实现机器预测学习目的。
进一步的,所述步骤4包含以下几个步骤:
1)根据影响测井数据的环境变量类型,设置地质模型并通过数值仿真计算模型测井响应,按测井响应特征将地质模型分类集合;
2)利用地质模型沿用强化学习的思路,建立模型测井响应与分类集合函数映射关系,利用映射函数来最小化分类误差;
3)根据模型测井响应和映射函数产生一个地质模型预测,并计算预测模型与实际模型误差情况,并选取误差最小或误差满足设定条件的映射函数作为可接受的映射函数,并将其记录在***状态转移函数中;
4)利用并行计算技术在多个分类集合中进行中函数构建,建立不同地质模型参数下的状态转移函数,形成映射函数集;
5)借助数值模拟仿真算法对地质模型计算,获得测井响应,并将获得的数据加入***响应-模型映射关系学习中去,并随着所获数据的增多,不断优化采取的映射函数集。
6)将同类环境影响因素下的映射函数归并为一个集合,形成独立曲线响应特征知识库;
7)利用多分支控制和决策,在每一个知识库子集中,通过拓展同类型地质参数获得新地质模型,通过仿真算法获得新模型的测井响应并进一步构建映射函数和丰富对应知识库;
8)循环步骤1)到步骤7)这一过程,使***在地质模型和知识库之间构成一个闭环,使得***具备自主学习能力。
进一步的,所述步骤5包含以下几个步骤:
1)根据钻前已知的地层信息,设置地层参数变化范围约束条件,确定***学习范围和知识库应用范围;
2)根据实测曲线响应特征选择对应知识库中映射函数集,通过映射函数获得地质模型参数;
3)通过对比地质模型集合中元素响应与测量值之间差异情况决定下一步学习方向,根据确定的学习方向,机器学习进入新的循环,直到满足学习终止条件,所述学习终止条件为:找到真实地质参数,或者找到的地质参数对应模拟测井响应与实际测井数据相对误差小于预设值,或者搜寻范围覆盖所有数据并取相对误差最小对应的地质参数。
利用随钻测井数据计算地质参数的人工智能***,包括:
信号采集和转换模块,用于依照随钻测井工具钻具组合和测量模块工作模式,采集井下仪器测井响应信号,按仪器规定的信号合成、转换、标定方式将原始采集信号转换成可被理解的测量信号,形成原始测井数据;
正演仿真模块,基于有限元方法的随钻测井数值仿真,将地层参数信息转换成仪器测井响应数据,得到模型正演数据;
环境校正模块,在正演仿真模块基础上,计算环境校正图版库并基于单因素环境影响因素校正算法,通过环境校正以消除非地层因素对测井响应的影响;用于对原始测井数据进行校正和更新,以提高原始测井数据质量;
响应特征考察模块,建立仪器型号匹配探测特性数据库,得到仪器响应特征模拟数据;
特征信号提取模块,用于对部分测井环境影响敏感曲线提取特征信号;
大数据建立模块,用于将所述特征信号,结合原始测井数据、仪器响应特征模拟数据、模型正演数据,建立大数据;
数据学习模块,沿用强化学习的思路,从人工合成大数据中建立模型与测井响应对应关系,并将得到的对应关系以知识库形式存储在***状态转移函数中,以知识库的变化刻画***状态变化,并利用数值模拟仿真方法进行单因素环境变量的预测学习和在单因素预测学习基础上的多因素综合影响集成学习;
指示学习模块,利用数值仿真建立模型库,根据模型测井曲线响应特征提取机器学习成果形成知识库,建立模型和映射函数集之间的闭环学习机制,其中模型测井曲线响应特征包括:不同探测曲线测量值大小关系、相位幅度测量曲线大小关系、多条曲线大小排序关系。
地质参数计算和输出模块,通过引入指示学习的思想,包括人工设置初值、添加约束条件、设置边界条件,对井下实测数据处理,得到实测地层的地质参数,格式化输出得到的地质参数,即为当前地层环境下计算得到的地质参数。
本发明有益效果:随钻电磁波电阻率仪器结构复杂,随钻测井中测量信息量巨大,而数据传输速率受泥浆脉冲带宽限制,严重制约了随钻测井工具优势的发挥,从而影响实时导向过程中钻井决策制定的时效性和准确性。本技术通过软件定义的人工***进行大数据预处理;包含预测学习、集成学习的数据学习;基于默顿定律实现数据行动引导的指示学习。多分支同步学习***和方法使用机器预测学习解决随时间发展对测井数据数据进行探索、使用集成学习解决在空间分布上对测井数据进行探索、使用指示学习解决待计算地层参数生成的方向。通过井下测井数据地质参数计算,获得可描述地质产状的地层结构参数和电性参数,大大减少了钻井过程中数据传输量,同时也使得测井数据反映的地质信息可视化和定量化,对地质导向和测井解释都有重要意义。
附图说明
图1为本发明的一种利用随钻测井数据计算地质参数的人工智能方法具体实施例的流程图;
图2为本发明的随钻电磁波电阻率转换链表;
图3(a)-(b)为本发明的层状介质地层模型,其中图3(a)为斜井底层模型示意图,图3(b)为水平井底层模型示意图;
图4为本发明的随钻测井响应;
图5为本发明的地质模型反演结果;
图6为本发明的***组成模块图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示为发明的一种利用随钻测井数据计算地质参数的人工智能方法具体实施例的流程图,包括如下步骤:
步骤1,依照随钻测井工具钻具组合和测量模块工作模式,采集井下仪器测井响应信号,按仪器规定的信号合成、转换、标定方式将原始采集信号转换成可被理解的测量信号,形成原始测井数据;
步骤2,对原始测井数据进行校正和更新,以提高原始测井数据质量;同时通过部分测井环境影响敏感曲线提取特征信号,结合原始测井数据、仪器响应特征模拟数据、模型正演数据,建立大数据;
步骤3,在行动学习阶段,沿用强化学习的思路,从人工合成大数据中建立模型与测井响应对应关系,并将得到的对应关系以知识库形式存储在***状态转移函数中,以知识库的变化刻画***状态变化,并利用数值模拟仿真方法进行单因素环境变量的预测学习和在单因素预测学习基础上的多因素综合影响集成学习。
步骤4,利用数值仿真建立模型库,根据模型测井曲线响应特征提取机器学习成果形成知识库,建立模型和映射函数集之间的闭环学习机制,其中模型测井曲线响应特征包括:不同探测曲线测量值大小关系、相位幅度测量曲线大小关系、多条曲线大小排序关系。
步骤5,井下实测数据地质参数计算阶段,通过引入指示学习的思想,包括人工设置初值、添加约束条件、设置边界条件,对井下实测数据处理,得到实测地层的地质参数。
步骤6,格式化输出步骤5得到的地质参数,即为当前地层环境下计算得到的地质参数,如图5所示得到地质模型反演结果。
在步骤1中包含:
步骤11:根据接收线圈处的电场强度或磁场强度计算得到接收线圈处的感应电动势,利用距发射线圈不同距离接受线圈感应电动势,可以计算出两接收线圈相位(式1)和幅度(式2):
式中PS表示相位,AT表示幅度,V表示电压,Im(V)表示电压虚部,Re(V)表示电压实部,β为方位角,i为方位角编号。
步骤12:用两个接收线圈得到的相位做差,两个接收线圈得到的幅度做比值,即可得到相位移和幅度衰减,再经过正演仿真计算电阻率转换关系,如图2所示,将相位差、幅度比转换成为原始测井数据对应的相位差电阻率和幅度比电阻率。
在步骤2中包含:
步骤21:根据单位磁偶极子源随时间的变化关系为exp(iωt),其中ω为角频率,i为虚数单位,t为时间变量,并假设在地层直角坐标系中(水平面为xy面)源点的位置坐标为rt=(xt,yt,zt),场点的位置坐标为r=(x,y,z),则方向单位磁偶极子在均匀各向异性介质中产生的Hertz势可表示为:
步骤22:对步骤21推导得到的电场和磁场表达式进行积分计算,可得到各个方向磁偶极子x,y,z分量的电场和磁场值,根据接收线圈处的电场强度或磁场强度计算得到接收线圈处的感应电动势,进而计算得到两个接收线圈之间的相位差和幅度比值。再根据步骤12的方法,将相位差和幅度比转换成模型对应的相位差电阻率和幅度比电阻率。
步骤23:按照三维空间电性分布和结构参数,充分考虑井眼、侵入、偏心、介电等变化,建立三维初始模型,如图3所示,其中图3(a)为斜井底层模型示意图,图3(b)为水平井底层模型示意图。利用步骤21、步骤22方法及随钻电磁波仪器在三维地层模型中的测井响应,如图4所示。
步骤24:通过修改模型参数值设置不同类型地层模型,比如修改侵入深度考察侵入影响、修改井眼半径考察井眼影响等,利用步骤23方法计算模型响应,建立环境校正图版库、定义和提取测井响应特性信号、仪器分辨率及响应特征考察等;
步骤25:对原始数据进行校正和更新,以提高原始测井数据质量;同时通过部分测井环境影响敏感曲线提取特征信号,结合原始测井数据、仪器响应特征模拟数据、模型正演数据,建立大数据。具体为:
1)原始测井数据:将校正后测井数据归并到大数据中;
2)对原始测井数据进行特征曲线提取、地质参数计算结果归并到大数据中;
3)仪器响应特征模拟数据:建立考察仪器响应特征地质模型,利用数值仿真算法计算模型测井响应,归纳指示仪器响应特征函数,归并到大数据中;
4)模型正演数据:根据仪器量程、测井区块地质参数取值范围,建立地质模型并模拟仪器测井响应,存储在大数据中,并以测井区块地质参数取值范围作为边界约束条件;
5)建立地质模型与模型响应映射函数关系、模型响应特征函数,存储在大数据中。
在步骤3中包含:
步骤31:根据影响测井数据的环境变量类型,设置地质模型并通过数值仿真计算模型测井响应,按测井响应特征将地质模型分类集合。
步骤32:利用地质模型沿用强化学习的思路,建立模型响应与分类集合函数映射(分类函数)关系,利用映射函数来最小化分类误差。假设获取到一系列地质模型并构成集合X={xi},i=1,2,3,...,I,I为模型个数,针对这些地质模型,借助数值仿真建立地质模型响应集合A={ak(X′)},k=1,2,3,...,J;J为每个模型对应响应曲线条数,每一个响应根据不同探测深度曲线排序和分离情况具备一个特征函数,地质模型的获取和定义的特征函数可以在时间上分离。通过特征函数归类形成不同环境影响下的特征函数子集。
步骤33:根据模型测井响应和映射函数产生一个地质模型预测,并计算预测模型与实际模型误差情况,并选取误差最小或误差满足设定条件的映射函数作为可接受的映射函数,并将其记录在***状态转移函数中。
当所有数据已知并且已经被正确分类后,建立一个函数映射(通常是分类函数)来最小化分类误差。一般而言预设数据服从独立同分布假设,则目标函数可进一步写为:
其中L为误差函数,X是地质模型,a为映射函数,I为集合中元素个数。
每次获取一个地质模型xi,依据映射函数f(·)产生一个预测模型响应,接着再利用数值仿真计算地质模型xi真实响应y(xi),并计算由此产生的误差L[y(xi),f(xi)],最终我们的目标函数为选取合适的映射f(·),最小化长期目标函数:
步骤34:通过多分支获得不同地质模型,并随着模型的增多,不断优化采取的映射函数。利用并行计算技术在多个分类集合中进行中函数构建,建立不同地质模型参数下的状态转移函数,形成映射函数集。
步骤35:借助数值模拟仿真算法对地质模型计算,获得测井响应,并将获得的数据加入***响应-模型映射关系中去,并随着所获数据的增多,不断优化采取的映射函数集。通过修改模型参数计算新模型正演响应,利用新的模型响应代入统响应-模型映射关系中检验映射关系正确率及计算精度,根据验证结果优化统响应-模型映射关系形成的映射函数集,实现机器预测学习目的。
该步骤3以正演模拟数据为基础,为机器自学习,模拟钻井过程中地质参数提取过程,通过模拟训练来优化***响应-模型映射关系函数集,起到机器自主预测学习目的。
在步骤4中包含:
步骤41:根据影响测井数据的环境变量类型,设置地质模型并通过数值仿真计算模型测井响应,按测井响应特征将地质模型分类集合,如图3所示。
步骤42:利用地质模型沿用强化学习的思路,建立模型响与分类集合函数映射(分类函数)关系,利用映射函数来最小化分类误差。
步骤43:根据模型测井响应和映射函数产生一个地质模型预测,并计算预测模型与实际模型误差情况,并选取误差最小或误差满足设定条件的映射函数作为可接受的映射函数,并将其记录在***状态转移函数中。
步骤44:利用并行计算技术在多个分类集合中进行中函数构建,建立不同地质模型参数下的状态转移函数,形成映射函数集。
步骤45:借助数值模拟仿真算法对地质模型计算,获得测井响应,并将获得的数据加入***响应-模型映射关系学习中去,并随着所获数据的增多,不断优化采取的映射函数集。
步骤46:将同类环境影响因素下的映射函数归并为一个集合,形成独立曲线响应特征知识库。
步骤47:利用多分支控制和决策,在每一个知识库子集中,通过拓展同类型地质参数获得新地质模型,通过仿真算法获得新模型的测井响应并进一步构建映射函数和丰富对应知识库;
步骤48:循环步骤41到步骤47这一过程,使***在地质模型和知识库之间构成一个闭环,使得***具备自主学习能力。
该步骤4以实际测井数据为基础,在步骤3机器预测学习基层之上,对实际测井数据的应用,同时在应用过程中通过添加约束条件,弱化步骤3模型假设下的理想条件进一步优化***响应-模型映射关系函数集,利用函数记录***学习结果,修改和优化函数即为学习的过程。
通过学习提取,可以得到存在某些环境影响下的曲线响应特征及测量值知识库,并用于多分支控制和决策。知识库是针对测井响应与地质模型间映射函数的分类集合形成的特定智能化的知识。而多分支控制和决策将引导***进行特定的地质参数预测,通过仿真算法获得新的原始数据并进一步构建映射函数和丰富知识库。通过新的多分支同步学习,使***在数据和行动之间构成一个闭环。
在步骤5中包含:
步骤51:根据钻前已知的地层信息,设置地层参数变化范围约束条件,确定***学习范围和知识库应用范围。
步骤52:根据实测曲线响应特征选择对应知识库中映射函数集,通过映射函数获得地质模型参数。
步骤53:通过对比地质模型集合中元素响应与测量值之间差异情况决定下一步学习方向,根据确定的学习方向,机器学习进入新的循环,直到满足学习终止条件,所述学习终止条件为:找到真实地质参数,或者找到的地质参数对应模拟测井响应与实际测井数据相对误差小于预设值,或者搜寻范围覆盖所有数据,此时取模拟测井响应与实际测井数据相对误差最小所对应的地质参数。
如图6所示为本发明利用随钻测井数据计算地质参数的人工智能***结构模块图,包括:
信号采集和转换模块,用于依照随钻测井工具钻具组合和测量模块工作模式,采集井下仪器测井响应信号,按仪器规定的信号合成、转换、标定方式将原始采集信号转换成可被理解的测量信号,形成原始测井数据;
正演仿真模块,基于有限元方法的随钻测井数值仿真,将地层参数信息转换成仪器测井响应数据,得到模型正演数据;
环境校正模块,在正演仿真模块基础上,计算环境校正图版库并基于单因素环境影响因素校正算法,通过环境校正以消除非地层因素对测井响应的影响;用于对原始测井数据进行校正和更新,以提高原始测井数据质量;
响应特征考察模块,建立仪器型号匹配探测特性数据库,得到仪器响应特征模拟数据;
特征信号提取模块,用于对部分测井环境影响敏感曲线提取特征信号;
大数据建立模块,用于将所述特征信号,结合原始测井数据、仪器响应特征模拟数据、模型正演数据,建立大数据;
数据学习模块,沿用强化学习的思路,从人工合成大数据中建立模型与测井响应对应关系,并将得到的对应关系以知识库形式存储在***状态转移函数中,以知识库的变化刻画***状态变化,并利用数值模拟仿真方法进行单因素环境变量的预测学习和在单因素预测学习基础上的多因素综合影响集成学习;
指示学习模块,利用数值仿真建立模型库,根据模型测井曲线响应特征提取机器学习成果形成知识库,建立模型和映射函数集之间的闭环学习机制;其中模型测井曲线响应特征包括:不同探测曲线测量值大小关系、相位幅度测量曲线大小关系、多条曲线大小排序关系;
地质参数计算和输出模块,通过引入指示学习的思想(包括人工设置初值、添加约束条件、设置边界条件),对井下实测数据处理,得到实测地层的地质参数,格式化输出得到的地质参数,即为当前地层环境下计算得到的地质参数。
本发明提出的方法和***能够综合所有测井曲线,得到精确地质模型参数,能够充分发挥随钻测井工具测量信息丰富的优势;同时该方法利用泥浆脉冲传输的是地质参数,大大减小了泥浆传输通道数据压力;另外,通过工智能方法获得的地质参数,是比测井数据更易被导向作业工程师理解的地层信息,减少了实测数据传回后需进一步加工处理才被理解的情况,更易于工程时实时决策的制定。
总之,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.利用随钻测井数据计算地质参数的人工智能方法,其特征在于,包括:
步骤1,依照随钻测井工具钻具组合和测量模块工作模式,采集井下仪器测井响应信号,按仪器规定的信号合成、转换、标定方式将原始采集信号转换成可被理解的测量信号,形成原始测井数据;
步骤2,对原始数据进行校正和更新,以提高原始测井数据质量;同时通过测井环境影响敏感曲线提取特征信号,结合原始测井数据、仪器响应特征模拟数据、地质模型正演数据,建立大数据;
步骤3,在行动学习阶段,沿用强化学习的思路,从人工合成大数据中建立地质模型与测井响应对应关系,并将得到的对应关系以知识库形式存储在***状态转移函数中,以知识库的变化刻画***状态变化,并利用数值模拟仿真方法进行单因素环境变量的预测学习和在单因素预测学习基础上的多因素综合影响集成学习;
步骤4,利用数值仿真建立模型库,根据模型测井曲线响应特征提取机器学习成果形成知识库,建立地质模型和映射函数集之间的闭环学习机制,其中模型测井曲线响应特征包括:不同探测曲线测量值大小关系、相位幅度测量曲线的相位、幅度的大小关系、多条曲线大小排序关系;
步骤5,井下实测数据地质参数计算阶段,通过引入指示学习的思想,人工设置初值、添加约束条件、设置边界条件,对井下实测数据处理,得到实测地层的地质参数;
步骤6,格式化输出步骤5得到的地质参数,即为当前地层环境下计算得到的地质参数。
2.根据权利要求1所述的方法,其特征在于,所述步骤3包含以下几个步骤:
1)根据影响测井数据的环境变量类型,设置地质模型并通过数值仿真计算模型测井响应,按测井响应特征将地质模型分类集合;
2)利用地质模型沿用强化学习的思路,建立模型测井响应与分类集合函数映射关系,利用映射函数来最小化分类误差;
3)根据模型测井响应和映射函数产生一个地质模型预测,并计算预测模型与实际模型误差情况,选取误差最小或误差满足设定条件的映射函数作为可接受的映射函数,并将其记录在***状态转移函数中;
4)利用并行计算技术在多个分类集合中进行函数构建,建立不同地质模型参数下的状态转移函数,形成映射函数集;
5)借助数值模拟仿真算法对地质模型计算,获得测井响应,并将获得的数据加入***响应-模型映射关系学习中去,并随着所获数据的增多,不断优化采取的映射函数集;通过修改模型参数计算新模型正演响应,利用新的模型响应代入***响应-模型映射关系中检验映射关系正确率及计算精度,根据验证结果优化***响应-模型映射关系形成的映射函数集,实现机器预测学习目的。
3.根据权利要求1所述的方法,其特征在于,所述步骤4包含以下几个步骤:
1)根据影响测井数据的环境变量类型,设置地质模型并通过数值仿真计算模型测井响应,按测井响应特征将地质模型分类集合;
2)利用地质模型沿用强化学习的思路,建立模型测井响应与分类集合函数映射关系,利用映射函数来最小化分类误差;
3)根据模型测井响应和映射函数产生一个地质模型预测,并计算预测模型与实际模型误差情况,并选取误差最小或误差满足设定条件的映射函数作为可接受的映射函数,并将其记录在***状态转移函数中;
4)利用并行计算技术在多个分类集合中进行函数构建,建立不同地质模型参数下的状态转移函数,形成映射函数集;
5)借助数值模拟仿真算法对地质模型计算,获得测井响应,并将获得的数据加入***响应-模型映射关系学习中去,并随着所获数据的增多,不断优化采取的映射函数集;
6)将同类环境影响因素下的映射函数归并为一个集合,形成独立曲线响应特征知识库;
7)利用多分支控制和决策,在每一个知识库子集中,通过拓展同类型地质参数获得新地质模型,通过仿真算法获得新模型的测井响应并进一步构建映射函数和丰富对应知识库;
8)循环步骤1)到步骤7),使***在地质模型和知识库之间构成一个闭环,使得***具备自主学习能力。
4.根据权利要求1所述的方法,其特征在于,所述步骤5包含以下几个步骤:
1)根据钻前已知的地层信息,设置地层参数变化范围约束条件,确定***学习范围和知识库应用范围;
2)根据实测曲线响应特征选择对应知识库中映射函数集,通过映射函数获得地质模型参数;
3)通过对比地质模型集合中元素响应与测量值之间差异情况决定下一步学习方向,根据确定的学习方向,机器学习进入新的循环,直到满足学习终止条件,所述学习终止条件为:找到真实地质参数,或者找到的地质参数对应模拟测井响应与实际测井数据相对误差小于预设值,或者搜寻范围覆盖所有数据并取相对误差最小对应的地质参数。
5.利用随钻测井数据计算地质参数的人工智能***,其特征在于,包括:
信号采集和转换模块,用于依照随钻测井工具钻具组合和测量模块工作模式,采集井下仪器测井响应信号,按仪器规定的信号合成、转换、标定方式将原始采集信号转换成可被理解的测量信号,形成原始测井数据;
正演仿真模块,基于有限元方法的随钻测井数值仿真,将地层参数信息转换成仪器测井响应数据,得到地质模型模拟响应数据;
环境校正模块,在正演仿真模块基础上,计算环境校正图版库并基于单因素环境影响因素校正算法,通过环境校正以消除非地层因素对测井响应的影响;用于对原始测井数据进行校正和更新,以提高原始测井数据质量;
响应特征考察模块,建立仪器型号匹配探测特性数据库,得到仪器响应特征模拟数据;
特征信号提取模块,用于对测井环境影响敏感曲线提取特征信号;
大数据建立模块,用于将所述特征信号,结合原始测井数据、仪器响应特征模拟数据、地质模型正演数据,建立大数据;
数据学习模块,沿用强化学习的思路,从人工合成大数据中建立地质模型与测井响应对应关系,并将得到的对应关系以知识库形式存储在***状态转移函数中,以知识库的变化刻画***状态变化,并利用数值模拟仿真方法进行单因素环境变量的预测学习和在单因素预测学习基础上的多因素综合影响集成学习;
指示学习模块,利用数值仿真建立模型库,根据模型测井曲线响应特征提取机器学习成果形成知识库,建立地质模型和映射函数集之间的闭环学习机制,其中模型测井曲线响应特征包括:不同探测曲线测量值大小关系、相位幅度测量曲线的相位、幅度大小关系、多条曲线大小排序关系;
地质参数计算和输出模块,通过引入指示学习的思想,人工设置初值、添加约束条件、设置边界条件,对井下实测数据处理,得到实测地层的地质参数,格式化输出得到的地质参数,即为当前地层环境下计算得到的地质参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810379275.9A CN108875122B (zh) | 2018-04-25 | 2018-04-25 | 利用随钻测井数据计算地质参数的人工智能方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810379275.9A CN108875122B (zh) | 2018-04-25 | 2018-04-25 | 利用随钻测井数据计算地质参数的人工智能方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108875122A CN108875122A (zh) | 2018-11-23 |
CN108875122B true CN108875122B (zh) | 2022-07-22 |
Family
ID=64327006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810379275.9A Active CN108875122B (zh) | 2018-04-25 | 2018-04-25 | 利用随钻测井数据计算地质参数的人工智能方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875122B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10677052B2 (en) | 2014-06-06 | 2020-06-09 | Quantico Energy Solutions Llc | Real-time synthetic logging for optimization of drilling, steering, and stimulation |
CA3107639A1 (en) * | 2019-02-12 | 2020-08-20 | Quantico Energy Solutions, Llc | Real-time synthetic logging for optimization of drilling, steering, and stimulation |
CN111798000A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 数据优化方法、装置、存储介质及电子设备 |
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*** |
CN110110466B (zh) * | 2019-05-17 | 2023-07-21 | 中冶华天工程技术有限公司 | 一种机器学习和工艺仿真的污水处理目标参数预测方法 |
CN113050189B (zh) * | 2019-12-27 | 2024-06-21 | 北京国双科技有限公司 | 一种测井曲线的重构方法、装置、设备及存储介质 |
CN111753138B (zh) * | 2020-05-13 | 2023-11-28 | 中国石油天然气集团有限公司 | 一种实时测井数据采集方法 |
CN114060013B (zh) * | 2020-07-27 | 2023-09-26 | 中国石油天然气股份有限公司 | 用于火山岩气藏水平井的干扰试井方法 |
CN113065664B (zh) * | 2021-02-20 | 2024-05-14 | 北京三一智造科技有限公司 | 一种地质层识别模型构建方法和地质层识别方法 |
CN115238807B (zh) * | 2022-07-29 | 2024-02-27 | 中用科技有限公司 | 一种基于人工智能的amc侦测方法 |
CN115434688B (zh) * | 2022-08-16 | 2024-01-30 | 成都捷科思石油天然气技术发展有限公司 | 一种水平井的随钻测井的进钻曲线控制方法 |
CN117287180B (zh) * | 2023-07-17 | 2024-03-19 | 盐城工学院 | 一种电磁波测井方法及*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU6359401A (en) * | 2000-08-28 | 2002-03-07 | Halliburton Energy Services, Inc. | Method and system for predicting performance of a drilling system of a given formation |
CN103046868B (zh) * | 2012-12-28 | 2014-10-22 | 中国石油集团川庆钻探工程有限公司 | 一种水平井一体化地质导向方法 |
CN105464650A (zh) * | 2014-09-04 | 2016-04-06 | 中国石油化工股份有限公司 | 一种随钻测井解释方法 |
CN106407574A (zh) * | 2016-09-23 | 2017-02-15 | 上海神开石油设备有限公司 | 一种多分量随钻方位电磁波仪器的快速正反演处理方法 |
CN107045154A (zh) * | 2017-02-08 | 2017-08-15 | 中国海洋石油总公司 | 一种水平井环境中的识别地层产状的方法和装置 |
CN107256316B (zh) * | 2017-06-21 | 2020-12-18 | 山东大学 | 一种基于高速正演结果训练下人工智能的电磁测井反演方法 |
CN107939385B (zh) * | 2017-09-30 | 2021-01-26 | 杭州迅美科技有限公司 | 定量计算极化值及应用的方法 |
CN107944159B (zh) * | 2017-11-29 | 2018-10-02 | 中国石油集团长城钻探工程有限公司 | 一种随钻电磁波正演仿真数据库高精度压缩方法 |
-
2018
- 2018-04-25 CN CN201810379275.9A patent/CN108875122B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108875122A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875122B (zh) | 利用随钻测井数据计算地质参数的人工智能方法和*** | |
CN110685600B (zh) | 一种用于地质导向的钻头调整预测方法 | |
CN106405651B (zh) | 一种基于测井匹配的全波形反演初始速度模型构建方法 | |
CN108547611B (zh) | 水平井复杂环境随钻电磁波电阻率测井快速仿真方法 | |
CN105938503B (zh) | 一种方向信号多层界面识别方法 | |
CN104047598A (zh) | 非均质古岩溶碳酸盐岩储层产能预测方法 | |
US20210325558A1 (en) | Methods and systems for processing slowness values from borehole sonic data | |
CN114529110A (zh) | 一种基于深度神经网络模型的岩相反演方法及*** | |
CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
CN116305850A (zh) | 一种基于随机森林模型的地层热导率预测方法 | |
CN117744505B (zh) | 基于深度学习的随钻方位电磁波电阻率反演方法 | |
Li et al. | Study on ultra-deep azimuthal electromagnetic resistivity LWD tool by influence quantification on azimuthal depth of investigation and real signal | |
Ding et al. | Reliability analysis of seismic attribute in the detection of fault-karst | |
CN108508481B (zh) | 一种纵波转换波地震数据时间匹配的方法、装置及*** | |
CN113189672B (zh) | 一种基于多属性反演的隧道超前地质预报方法 | |
CN110529106B (zh) | 一种利用测井资料确定煤层显微组分含量的方法 | |
CN107939385B (zh) | 定量计算极化值及应用的方法 | |
CN112394392B (zh) | 对烃源岩分布情况进行评价的方法和装置 | |
CN115980861A (zh) | 用于随钻方位电磁波探测界面的反演方法及其实现*** | |
Zhang et al. | Identifying minor faults on top of coalfield Ordovician limestone stratum using seismic attributes derived from azimuthally stacked data | |
Xiong et al. | An improved constrained velocity inversion algorithm for geological structures | |
Pratt et al. | An AI approach to using magnetic gradient tensor analysis for quick depth and property estimation | |
Pang et al. | Machine learning for carbonate formation drilling: Mud loss prediction using seismic attributes and mud loss records | |
CN108931813B (zh) | 一种识别礁盖、礁核、礁基的方法 | |
Wang et al. | Lithological Reservoir Exploration Technology |
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 |