CN109800954B - 基于测井数据的储层评价方法 - Google Patents

Abstract

本发明提供一种基于测井数据的储层评价新方法及装置，该基于测井数据的储层评价新方法包括：步骤1，进行资料的选择与数据的预处理；步骤2，采用预处理好的资料，针对非取心段进行孔隙度与渗透率的预测；步骤3，利用预测孔隙度与渗透率进行隔夹层的识别；步骤4，合成用于储层评价的综合参数。该基于测井数据的储层评价新方法及装置一方面可以量化对储层的评价，另一方面可以避免采用单一参数导致的储层评价不准确；利用测井数据，制定一种有效的储层评价参数，充分利用岩心实验数据，增强可信度。

Description

基于测井数据的储层评价方法

技术领域

本发明涉及地质勘探领域，特别是涉及到一种基于测井数据的储层评价方法。

背景技术

在地质学中，将能够产出石油、天然气或水的岩石被称作储层，储层是油气聚集的重要场所，也是油气勘探和开发的直接目标。而针对储层的研究其出发点是对储层做出符合实际地质事实的评价，储层评价结果的优劣直接影响到地质勘探与开发的经济利益。

目前国内外的储层评价方法多种多样，主要有早期定性的地质经验法，结合各种数学算法的权重分析法、层次分析法、模糊数学法、人工神经网络法、分形几何法、变差函数法、聚类分析法、灰色关联法，与结合储层的岩电关系、声波、核磁资料的测井方法和利用储层岩性、孔隙度、渗透率以及含流体性质地震的反射特征的地震方法。其中早期的定性方法对储层的评价多依靠经验，难以客观评价储层。而数学算法是使用最广泛的方法，初期数学算法将复杂地质问题简单化，实现了储层的定量评价，但大多数存在受样本点代表性的影响出现局限性结果；如今的数学算法引入了大量智能算法，大大提高了储层评价的精度，但同时也出现存在计算量过大的问题，推广受到一定限制。各种测井方法利用丰富的测井资料可以实现数据的批量处理，但受仪器和人员经验的影响其评价也会受到不同程度的影响。地震方法通过空间信息可以掌握储层评价的宏观规律，但同样也受到地震资料分辨率与可信度的影响。为此我们发明了一种新的基于测井数据的储层评价方法，解决了以上技术问题。

发明内容

本发明的目的是提供一种在勘探阶段评价储层从而寻找优质储层获得更大经济利益的基于测井数据的储层评价方法。

本发明的目的可通过如下技术措施来实现：基于测井数据的储层评价方法，该基于测井数据的储层评价方法包括：步骤1，进行资料的选择与数据的预处理；步骤2，采用预处理好的资料，针对非取心段进行孔隙度与渗透率的预测；步骤3，利用预测孔隙度与渗透率进行隔夹层的识别；步骤4，合成用于储层评价的综合参数。

本发明的目的还可通过如下技术措施来实现：

步骤1包括：

步骤1.1：选择资料完整的井数据，要求单个井上孔隙度与渗透率岩心实测数据T的个数要满足公式1，

T≥(H/0.125)/10 (公式1)

H为研究目的层段内地层总厚度；

步骤1.2：对数据进行前期处理，将测井曲线进行标准化，包括将曲线单位统一化，将曲线的值域进行统一；

步骤1.3：检查岩心描述，将岩心资料进行归位，将实测岩心孔隙度与渗透率数据深度恢复到真实垂直深度上。

在步骤1.1中，选取自然伽马、补偿密度、声波时差、深电阻率4种测井曲线，保证测井曲线在研究深度内是具有有效值，而不是空值。

在步骤1.1中，选取自然伽马、补偿密度、声波时差、深电阻率、中子伽马、自然电位、深感应、中感应、深双侧向电阻率、横波时差、高分辨率阵列感应电阻率，这些测井曲线中的3至7种曲线。

在步骤2中，采用双重检验的人工蜂群-神经网络算法计算预测孔隙度与预测渗透率，基本原理是将四组测井曲线数据,利用人工蜂群算法优化神经网络的权值与阈值，计算预测孔隙度与渗透率，过程中采用反向传播神经网络算法，并将神经网络的权值与阈值的计算交给人工蜂群算法。

步骤2包括：

步骤2.1：以整理好的岩心实测孔隙度与渗透率为基础，其中将孔隙度与渗透率中的10％的数据作为最终结果的验证数据，这些数据的选择遵循在研究层段内的深度段上均匀分布，其余90％的数据组成训练样本集，同时将实测孔隙度与渗透率数据按照0.125m的间隔进行离散，形成与深度值对应的孔隙度B₁和渗透率B₂曲线，检验孔隙度J₁和检验渗透率J₂曲线；

步骤2.2：设置神经网络层数、输入层数、隐含层数、输出层数、激活函数，目标误差及最大循环次数与预测误差，定义初始解X代表神经网络需要优化的参数，其中解为一个D维向量，是由神经网络的连接权值和阈值组成的，其中维度D满足下列方程：

D＝N_input*N_hidden+N_hidden+N_hidden*N_output (公式2)

N_input、N_hidden、N_output分别表示神经网络输入层、隐含层、输出层的参数个数；

步骤2.3：预处理好的四条测井曲线数据记做参数A₁、A₂、A₃、A₄，数据A₁、A₂、A₃、A₄、B₁、B₂分别进行标准化，将数据处理到[-1,1]中，采用原标号，并纪录映射关系F，公式如下：

其中d_i为处理前的数据，d^new _i为处理后无量纲的数据，i为参与标准化的数据个数，d_imax为该列数据中的最大值，d_imin为该列数据中的最小值；

步骤2.4：设置人工蜂群算法参数，包括蜂群总数N_c，采蜜蜂数量N_e，观察蜂数量N_o，解的数量N_s，最大更新次数L，最大的循环次数MEN，参数满足以下公式：

N_c＝2N_s＝N_e+N_o,N_e＝N_o＝N_s (公式4)

步骤2.5：生成N_s个解，该解由神经网络的连接权值和阈值组成，进入模拟蜂群阶段，生成解公式如下：

X_i ^j表示优化问题的一个解，X_i ^jnew表示一个新解，i与N是解的编号，n≠i，j∈{1,2,…D}；

步骤2.6：将生成的权值和阈值带入神经网络中计算出孔隙度和渗透率，根据公式6求取与实测孔隙度和渗透率之间的总误差平方和，

式中，MSE_i为第i个解的总误差平方和，E为单组输出数据的误差平方和，q为单组内输出数据个数，m为神经网络输出数据的组数，y为神经网络预测出的数值，B为输入的实测孔隙度与渗透率值即B₁、B₂；

步骤2.7：求取人工蜂算法的适应度fit，计算每个解的适应度值，公式如下：

式中MSE_i表示第i个解的总误差平方和，误差越大，表示适应度越小；

步骤2.8：采蜜蜂根据公式8贪婪选择法选择解，将解储存起来，

上式P_i代表第i个解被选择的概率，被称作收益度值，fit_i是位置i的适应度值，SN是食物源的数量，适应度大的解被选择的概率较大；

步骤2.9：观察蜂接收到采蜜蜂所储存的解，在该解的邻域生成一个新的解V_ij(公式9)，同样计算总误差平方和与适应度，比较两个解的优劣；

V_ij＝X_ij+rand(-1,1)(X_ij-X_kj) (公式9)

其中k∈{1,2，…SN}和j∈{1,2,…D}是随机产生的，rand(-1,1)是[-1,1]中的随机数，如果新解的适应度比旧解的适应度值大，则记下新解，更新旧解，否则在旧解的更新失败次数上加1，控制搜索X_ij位置附近的食物源，随着X_ij-X_kj值的增加，搜索越来越接近最优解，当观察蜂的更新失败次数达到最大循环次数L时则停止搜索，此时为一次完整循环，纪录当时最优解；

步骤2.10：进行第一阶段误差分析，将循环最优解的总误差平方和与神经网络的目标误差值进行比较，当总误差平方和小于神经网络的目标误差时，则通过第一阶段的误差分析，之后进入步骤11，否则观察蜂变为侦查蜂，通过公式5寻找新解；

步骤2.11：进入第二阶段误差分析，将最优化的权值与阈值组成神经网络，将J₁、J₂数值深度对应的四条测井曲线数据作为输入值，计算得到预测的检验孔隙度L_por与检验渗透率L_perm；

步骤2.12：将L_por与L_perm预测值进行去标准化，利用映射关系F，将数据从[-1,1]集合中分别还原成孔隙度与渗透率的数据范围，之后与J₁、J₂数值求取总误差平方和，与步骤2.2设置的预测误差进行对比，此时当总误差平方和小于设定的预测误差，则整个人工蜂群-神经网络模块结束，同时输出该解，当总误差平方和大于设定的预测误差时，重复步骤2.5到2.10，同时纪录本次循环得到的最优解与该次的总均方根误差，整个循环次数达到最大循环次数时，默认整个人工蜂群-神经网络模块结束，同时输出总均方根误差最小的最优解；

步骤2.13：求得的最终解中包括神经网络的权值与阈值，带入神经网络中，重新输入A₁、A₂、A₃、A₄、B₁、B₂数据，计算得到的孔隙度与渗透率进行去标准化后，得到最终的预测孔隙度曲线与预测渗透率曲线。

步骤3包括：

步骤3.1：确定隔夹层标准，参考中国石油标准与实际地质情况，定义隔夹层的标准为地层孔隙度φ<6％，渗透率k<0.1um²，厚度≥0.5米；

步骤3.2：在每口井上连续出现4个数据点及以上，同时对应的预测孔隙度φ_f与预测渗透率k_f，满足φ_f<6％，k_f<0.1um²时，将该段记做隔夹层；当数据点少于4个或者孔隙度、渗透率不同时小于φ_f<6％，k_f<0.1um²时，则认为是储层。

在步骤4中，将隔夹层厚度、含砂厚度、平均泥质含量、平均孔隙度与平均渗透率五项数据，基于熵权法进行参数融合，得出储层综合评分，评分为0-100分，按照评分对储层做出评价，分数越高，储层越好。

步骤4包括：

步骤4.1：确定基本储层单元，将井上的地层进行划分，以一个10至30米的具有完整沉积旋回的地层作为标准，在每口井上进行沉积储层单元划分；

步骤4.2：整理储层评价单参数集，在划分的基础上，分别统计每个储层单元深度内的隔夹层厚度、含砂厚度、平均泥质含量、平均孔隙度与平均渗透率，建立评价参数矩阵A

其中a_ij为第i个储层单元第j种参数的数值；

步骤4.3：将参数数值进行归一化，当单一参数a_ij的数值越大,表示储层越好时，公式11进行归一化；参数的数值越大,表示储层越差时,使用公式12进行归一化，仍将数值记为a_ij，此时这些归一化后的参数数值看做是对每个储层单元的评分，

步骤4.4：计算参数其中第j项参数下第i个储层单元占该参数的比重P_ij，

步骤4.5：计算第j项参数的熵值E_j，

其中

ln为自然对数，0≤E_j≤1，

步骤4.6：计算第j项参数的差异系数G_j，对于第j项参数，熵值越小，参数值a_ij的差异系数越大，对储层评价的作用越大，

G_j＝1-E_j (公式15)

步骤4.7：求取第j项参数的权值，

步骤4.8：将每一个参数的权值与比重相乘之后再相加，计算得到各储层单元的综合得分S_j，将这些得分进行排列，得分越高表示储层越好，反之表示储层越差，自此完成了储层的定量评价，

针对目标储层进行综合评价及排序，将储层评价不单单建立在定性的好与差上，而是利用综合定量参数描述储层。

本发明的目的还可通过如下技术措施来实现：基于测井数据的储层评价装置，该基于测井数据的储层评价装置包括资料选择及预处理模块，孔隙度与渗透率预测模块，隔夹层识别模块和储层评价模块，该资料选择及预处理模块进行资料的选择与数据的预处理，该孔隙度与渗透率预测模块采用预处理好的资料，针对非取心段进行孔隙度与渗透率的预测，该隔夹层识别模块利用预测孔隙度与渗透率进行隔夹层的识别，该储层评价模块合成用于储层评价的综合参数。

本发明的目的还可通过如下技术措施来实现：

该孔隙度与渗透率预测模块采用双重检验的人工蜂群-神经网络算法计算预测孔隙度与预测渗透率，基本原理是将四组测井曲线数据,利用人工蜂群算法优化神经网络的权值与阈值，计算预测孔隙度与渗透率，过程中采用反向传播神经网络算法，并将神经网络的权值与阈值的计算交给人工蜂群算法。

该储层评价模块将隔夹层厚度、含砂厚度、平均泥质含量、平均孔隙度与平均渗透率五项数据，基于熵权法进行参数融合，得出储层综合评分，评分为0-100分，按照评分对储层做出评价，分数越高，储层越好。

本发明中的基于测井数据的储层评价方法，运用已有岩心实测孔隙度与渗透率数据结合测井曲线数据，进行非取心段孔隙度、渗透率的预测，摒弃先用的定性化储层描述或单一参数的定量描述，替换这些片面的、容易受主观影响的、不能准确定义的方法，评价方式采用了综合参数概念，一方面可以量化对储层的评价，另一方面可以避免采用单一参数导致的储层评价不准确。利用测井数据，制定一种有效的储层评价参数，充分利用岩心实验数据，增强可信度。

附图说明

图1为本发明的一具体实施例中孔隙度与渗透率预测模块在庄102井上运用的结果的示意图；

图2为本发明的一具体实施例中本发明在庄102井与庄104井上11个储层单元评价的最终结果的示意图；

图3为本发明的基于测井数据的储层评价方法的一具体实施例的流程图。

具体实施方式

为使本发明的上述和其他目的、特征和优点能更明显易懂，下文特举出较佳实施例，并配合附图所示，作详细说明如下。

如图3所示，图3为本发明的基于测井数据的储层评价方法的流程图。

步骤101，进行资料的选择与数据的预处理。

步骤1.1：选择资料完整的井数据，要求单个井上孔隙度与渗透率岩心实测数据T的个数要满足公式1。

T≥(H/0.125)/10 (公式1)

H为研究目的层段内地层总厚度。

本发明过程中选取自然伽马、补偿密度、声波时差、深电阻率4种测井曲线，需保证测井曲线在研究深度内是具有有效值，而不是空值(一般空值为-999或-9999)。

步骤1.2：数据进行前期处理，将测井曲线进行标准化。首先将各口井上自然伽马、补偿密度、声波时差、深电阻率曲线单位统一化，将曲线的值域进行统一。

步骤1.3：检查岩心描述，由于钻井取心工艺的影响，岩心的收获率通常小于100％，因此需要将岩心资料进行归位，将实测岩心孔隙度与渗透率数据深度恢复到真实垂直深度上。

另外，本发明中输入的曲线个不局限在4种，一般在3至7种。也不局限自然伽马、补偿密度、声波时差、深电阻率这4种曲线，也可以是中子伽马、自然电位等测井曲线。

步骤102，采用预处理好的资料，针对非取心段进行孔隙度与渗透率的预测。本发明提供了一种双重检验的人工蜂群-神经网络算法计算预测孔隙度与预测渗透率的方法。基本原理是将自然伽马、补偿密度、声波时差、深电阻率四组数据,利用人工蜂群算法优化神经网络的权值与阈值，计算预测孔隙度与渗透率。而过程中采用反向传播神经网络算法，并将神经网络的权值与阈值的计算交给人工蜂群算法。步骤如下：

步骤2.1：以整理好的岩心实测孔隙度与渗透率为基础，其中将孔隙度与渗透率中的10％的数据作为最终结果的验证数据，这些数据的选择遵循在研究层段内的深度段上均匀分布，其余90％的数据组成训练样本集。同时将实测孔隙度与渗透率数据按照0.125m的间隔进行离散，形成与深度值对应的孔隙度B₁和渗透率B₂曲线，检验孔隙度J₁和检验渗透率J₂曲线。

步骤2.2：设置神经网络层数、输入层数、隐含层数、输出层数、激活函数，目标误差及最大循环次数与预测误差。定义初始解X代表神经网络需要优化的参数，其中解为一个D维向量，是由神经网络的连接权值和阈值组成的，其中维度D满足下列方程：

D＝N_input*N_hidden+N_hidden+N_hidden*N_output (公式2)

N_input、N_hidden、N_output分别表示神经网络输入层、隐含层、输出层的参数个数。

步骤2.3：预处理好的自然伽马、补偿密度、声波时差、深电阻率四条测井曲线数据记做参数A₁、A₂、A₃、A₄。数据A₁、A₂、A₃、A₄、B₁、B₂分别进行标准化，将数据处理到[-1,1]中，采用原标号，并纪录映射关系F，公式如下：

其中d_i为处理前的数据，d^new _i为处理后无量纲的数据，i为参与标准化的数据个数。d_imax为该列数据中的最大值，d_imin为该列数据中的最小值。

步骤2.4：设置人工蜂群算法参数，包括蜂群总数N_c，采蜜蜂数量N_e，观察蜂数量N_o，解的数量N_s，最大更新次数L，最大的循环次数MEN，参数满足以下公式：

N_c＝2N_s＝N_e+N_o,N_e＝N_o＝N_s (公式4)

步骤2.5：生成N_s个解，该解由神经网络的连接权值和阈值组成，进入模拟蜂群阶段，生成解公式如下：

X_i ^j表示优化问题的一个解，X_i ^jnew表示一个新解，i与N是解的编号，n≠i，j∈{1,2,…D}。

步骤2.6：将生成的权值和阈值带入神经网络中计算出孔隙度和渗透率。根据公式6求取与实测孔隙度和渗透率之间的总误差平方和。

式中，MSE_i为第i个解的总误差平方和，E为单组输出数据的误差平方和，q为单组内输出数据个数，m为神经网络输出数据的组数，y为神经网络预测出的数值，B为输入的实测孔隙度与渗透率值即B₁、B₂。

步骤2.7：求取人工蜂算法的适应度fit，计算每个解的适应度值，公式如下。

式中MSE_i表示第i个解的总误差平方和，误差越大，表示适应度越小。

步骤2.8：采蜜蜂根据公式8贪婪选择法选择解，将解储存起来。

上式P_i代表第i个解被选择的概率，被称作收益度值。fit_i是位置i的适应度值，SN是食物源的数量，适应度大的解被选择的概率较大。

步骤2.9：观察蜂接收到采蜜蜂所储存的解，在该解的邻域生成一个新的解V_ij(公式9)，同样计算总误差平方和与适应度，比较两个解的优劣。

V_ij＝X_ij+rand(-1,1)(X_ij-X_kj) (公式9)

其中k∈{1,2，…SN}和j∈{1,2,…D}是随机产生的。rand(-1,1)是[-1,1]中的随机数。如果新解的适应度比旧解的适应度值大，则记下新解，更新旧解，否则在旧解的更新失败次数上加1。控制搜索X_ij位置附近的食物源。随着X_ij-X_kj值的增加，搜索越来越接近最优解。当观察蜂的更新失败次数达到最大循环次数L时则停止搜索，此时为一次完整循环，纪录当时最优解。

步骤2.10：进行第一阶段误差分析，将循环最优解的总误差平方和与神经网络的目标误差值进行比较，当总误差平方和小于神经网络的目标误差时，则通过第一阶段的误差分析，之后进入步骤11，否则观察蜂变为侦查蜂，通过公式5寻找新解。

步骤2.11：进入第二阶段误差分析，将最优化的权值与阈值组成神经网络，将J₁、J₂数值深度对应的自然伽马、补偿密度、声波时差、深电阻率四条测井曲线数据作为输入值，计算得到预测的检验孔隙度L_por与检验渗透率L_perm。

步骤2.12：将L_por与L_perm预测值进行去标准化，利用映射关系F，将数据从[-1,1]集合中分别还原成孔隙度与渗透率的数据范围。之后与J₁、J₂数值求取总误差平方和，与步骤2.2设置的预测误差进行对比。此时当总误差平方和小于设定的预测误差，则整个人工蜂群-神经网络模块结束，同时输出该解。当总误差平方和大于设定的预测误差时，重复步骤2.5到2.10，同时纪录本次循环得到的最优解与该次的总均方根误差。整个循环次数达到最大循环次数时，默认整个人工蜂群-神经网络模块结束，同时输出总均方根误差最小的最优解。

步骤2.13：求得的最终解中包括神经网络的权值与阈值，带入神经网络中，重新输入A₁、A₂、A₃、A₄、B₁、B₂数据。计算得到的孔隙度与渗透率进行去标准化后，得到最终的预测孔隙度曲线(R_por)与预测渗透率曲线(R_perm)。

另外，本项发明中的孔隙度与渗透率的预测方法，可以推广至其他与测井相关联的数据预测，比如在非取心段进行含有饱和度的预测等。

文献“人工蜂群算法优化BP神经网络的低渗透油藏渗透率预测模型”中介绍了利用人工蜂群算法优化BP神经网络，建立了低渗透储层渗透率预测模型。首先文献中输入的数据是单个的实验数据，而不是连续的测井数据，在非取心段无法进行渗透率的预测。其次文献中没有对渗透率数据进行归一化，由于孔隙度数量级跨度大，导致不进行归一化的数据会出现误差大。同时本发明中增加了多次检验模块，能够很好的保证预测的精度。另外文献中只有渗透率的预测技术，本发明中还包括孔隙度的预测技术。

步骤103，利用预测孔隙度与渗透率进行隔夹层的识别。隔夹层是指在渗透层内或渗透层间所分布的相对非渗透性岩层，其影响渗透层内流体的垂向与水平流动。具体步骤如下：

步骤3.1：确定隔夹层标准。参考中国石油标准与发明的应用地准噶尔盆地腹部的实际情况，定义隔夹层的标准为地层孔隙度φ<6％，渗透率k<0.1um²，厚度≥0.5米。

步骤3.2：在每口井上连续出现4个数据点(表示0.5m)及以上，同时对应的预测孔隙度φ_f与预测渗透率k_f，满足φ_f<6％，k_f<0.1um²的时候，将该段记做隔夹层。当数据点少于4个或者孔隙度、渗透率不同时小于φ_f<6％，k_f<0.1um²时，则认为是储层。

专利“一种油砂隔夹层定量分类识别方法”(申请号201611041689.8)中也提到了一种隔夹层识别方法，其隔夹层识别使用自然伽马曲线、补偿补偿密度曲线，以及其中提到的可能之后会使用的其他曲线，这些单一曲线由于在每口井中测井的仪器、测量员、测量时间不同，数据都会产生误差，只用这种单一曲线不能得到客观的隔夹层判别结论，同时采用的曲线都不是直接与隔夹层相关的数据，本身缺乏客观性。

步骤104，合成用于储层评价的综合参数。将隔夹层厚度、含砂厚度、平均泥质含量、平均孔隙度与平均渗透率五项数据，基于熵权法进行参数融合，得出储层综合评分，评分为0-100分，按照评分对储层做出评价，分数越高，储层越好。

步骤4.1：确定基本储层单元。将井上的地层进行划分，以一个10至30米的具有完整沉积旋回的地层作为标准，在每口井上进行沉积储层单元划分。

步骤4.2：整理储层评价单参数集。在划分的基础上，分别统计每个储层单元深度内的隔夹层厚度、含砂厚度、平均泥质含量、平均孔隙度与平均渗透率，建立评价参数矩阵A。

其中a_ij为第i个储层单元第j种参数的数值。

步骤4.3：将参数数值进行归一化。当单一参数a_ij的数值越大,表示储层越好时(正向参数)，用式(5-3)进行归一化；参数的数值越大,表示储层越差时(负向参数),使用式(5-4)进行归一化，仍将数值记为a_ij，此时这些归一化后的参数数值可以简单的看做是对每个储层单元的评分。

步骤4.4：计算参数其中第j项参数下第i个储层单元占该参数的比重P_ij。

步骤4.5：计算第j项参数的熵值E_j。

其中

ln为自然对数，0≤E_j≤1。

步骤4.6：计算第j项参数的差异系数G_j，对于第j项参数，熵值越小，参数值a_ij的差异系数越大，对储层评价的作用越大。

G_j＝1-E_j (公式15)

步骤4.7：求取第j项参数的权值。

步骤4.8：将每一个参数的权值与比重相乘之后再相加，计算得到各储层单元的综合得分S_j，将这些得分进行排列，得分越高表示储层越好，反之表示储层越差，自此完成了储层的定量评价。

针对目标储层进行综合评价及排序，将储层评价不单单建立在定性的好与差上，而是利用综合定量参数描述储层。

本发明还提供了一种基于测井数据的储层评价装置，该基于测井数据的储层评价装置包括资料选择及预处理模块，孔隙度与渗透率预测模块，隔夹层识别模块和储层评价模块，该资料选择及预处理模块进行资料的选择与数据的预处理，该孔隙度与渗透率预测模块采用预处理好的资料，针对非取心段进行孔隙度与渗透率的预测，该隔夹层识别模块利用预测孔隙度与渗透率进行隔夹层的识别，该储层评价模块合成用于储层评价的综合参数。

其中，该孔隙度与渗透率预测模块采用双重检验的人工蜂群-神经网络算法计算预测孔隙度与预测渗透率，基本原理是将自然伽马、补偿密度、声波时差、深电阻率四组数据,利用人工蜂群算法优化神经网络的权值与阈值，计算预测孔隙度与渗透率，过程中采用反向传播神经网络算法，并将神经网络的权值与阈值的计算交给人工蜂群算法。

储层评价模块将隔夹层厚度、含砂厚度、平均泥质含量、平均孔隙度与平均渗透率五项数据，基于熵权法进行参数融合，得出储层综合评分，评分为0-100分，按照评分对储层做出评价，分数越高，储层越好。

在应用本发明的一具体实施例中，主要包括了资料选择及前处理、孔隙度与渗透率预测、隔夹层识别与最终的综合参数合成与评价。结合准噶盆地腹地莫西庄地区侏罗系储层的钻井为例，运用本发明中的储层评价方法与装置。

第一部分为资料选择及预处理，操作过程分为3个步骤。

步骤1.1：在准噶尔盆地莫西庄地区内侏罗系储层钻井中进行筛选，此处只以两口井为例。筛选出的庄102在研究深度4228.8至4370.4m中具有实测孔隙度、渗透率229个数据点，满足公式1。庄104井在研究深度4270至4403m中具有实测孔隙度、渗透率213个数据点，满足公式1。

步骤1.2：在筛选出的井庄102与庄104中查看自然伽马、补偿密度、声波时差、深电阻率四种曲线的单位，其中庄102井的声波时差单位为us/ft(微秒每英尺)，而庄104井的声波时差单位为us/m(微妙每米)，将庄104井的声波时差单位转化成us/ft。同时查看各曲线的值域，庄102井的自然伽马的值域在30至100之间，庄104井的自然伽马的值域在0至30之间，将庄104井的自然伽马值域调整到30至100之间。

步骤1.3：在庄102与庄104两口井上对比实际岩心和录井资料，将岩心孔隙度与渗漏率数据恢复到真是深度上，其中庄102井的岩心孔隙度与渗透率数据的深度全部增加0.2m，庄104井的岩心孔隙度与渗透率数据深度全部增加0.3m。

第二部分为孔隙度与渗透率预测，分为以下13个步骤。

步骤2.1：分别对庄102与庄104井进行孔隙度与渗透率的预测，分别将岩心实测孔隙度与渗透率90％的数据作为样本集，10％作为验证数据，并离散为样本孔隙度B₁、样本渗透率B₂、验证孔隙度J₁、验证渗透率J₂。

步骤2.2：设置神经网络层数为3，输入层为2，隐含层为11，输出层为2，维度D为77，激活函数为tansig，目标误差为0.001，预测误差为0.1。

步骤2.3：预处理好的自然伽马、补偿密度、声波时差、深电阻率四条测井曲线数据记做参数A₁、A₂、A₃、A₄。将参与计算的A₁、A₂、A₃、A₄、B₁、B₂数据根据公式3，分别进行标准化，沿用原标号。

步骤2.4：设置人工蜂群的基本参数，蜂群总数N_c为200，采蜜蜂数量N_e为100，观察蜂数量N_o为100，解的数量N_s为100，最大更新次数L为5000，最大的循环次数MEN为10。

步骤2.5：利用公式5生成100个解。

步骤2.6：将生成的权值和阈值带入神经网络中计算出孔隙度和渗透率。根据公式6求取与实测孔隙度和渗透率之间的总误差平方和。

步骤2.7：求取人工蜂群算法的适应度，计算每个解的适应度。

步骤2.8：采蜜蜂根据公式8贪婪选择法选择解。

步骤2.9：观察蜂接收采蜜蜂所储存的解，利用公式9在每个解的邻域搜索生成一个新解，同时比较与原始解的优劣。新解的适应度比旧解的适应度值大，则记下新解，更新旧解，否则在旧解的更新失败次数上加1。观察蜂的更新失败次数达到最大循环次数5000时,停止搜索纪录当时最优解。

步骤2.10：进行第一阶段误差分析，将迭代最优解的总误差平方和与神经网络的目标误差值进行比较。其中庄102井计算时总误差平方和小于神经网络的目标误差0.001，通过第一阶段的误差分析，之后进入步骤11。而庄104井计算时总误差平方和大于神经网络的目标误差0.001，神经网络再寻找新解。

步骤2.11：进入第二阶段误差分析，将最优化的权值与阈值组成神经网络，将J₁、J₂数值深度对应的自然伽马、补偿密度、声波时差、深电阻率四条测井曲线数据作为输入值，计算得到预测的检验孔隙度L_por与检验渗透率L_perm。

步骤2.12：将L_por与L_perm预测值进行去标准化，利用映射关系F，将数据从[-1,1]集合中分别还原成孔隙度与渗透率的数据范围。之后与J₁、J₂数值求取总误差平方和，与步骤2.2设置的预测误差进行对比。其中庄102的总误差平方和，小于设定的预测误差0.1，整个人工蜂群-神经网络模块结束，同时输出该解，此时循环次数为1(设定的最大循环次数为10)。庄104的总误差平方和大于设定的预测误差0.1，重复步骤2.5到2.10，通过两次误差分析的循环次数为6，输出总均方根误差最小的最优解。

步骤2.13：求得的最终解中包括神经网络的权值与阈值，带入神经网络中，重新输入A₁、A₂、A₃、A₄、B₁、B₂数据。计算得到的孔隙度与渗透率进行去标准化后，得到最终的预测孔隙度曲线(R_por)与预测渗透率曲线(R_perm)，实例结果见图1。

之后，第三部分在求得预测孔隙度与渗透率的基础上，进行隔夹层的识别，步骤如下。

步骤3.1，参考中国石油标准与发明的应用地准噶尔盆地腹部侏罗系储层的实际情况，定义隔夹层的标准为地层孔隙度φ<6％，渗透率k<0.1um²，厚度≥0.5米。

步骤3.2，在庄104井与庄102两口井上识别隔夹层，井上连续出现4个数据点(表示0.5m)及以上，同时对应的预测孔隙度φ_f与预测渗透率k_f，满足φ_f<6％，k_f<0.1um²的时候，将该段记做隔夹层。通过该模块在庄104井上识别出42个隔夹层，在庄102井上识别出46个隔夹层。

之后，第四部分，在预测孔隙度与渗透率、隔夹层识别的基础上，合成综合参数，进行储层评价，步骤如下。

步骤4.1：在庄104井与庄102井目的层中，以10至30m为单元进行地层储层单元划分。在实例中庄104与庄102上一共划分出11个储层单元。

表1储层单元统计表

步骤4.2：分别统计每个储层单元深度内的隔夹层厚度、含砂厚度、平均泥质含量、平均孔隙度与平均渗透率(表1)，建立评价参数矩阵。

步骤4.3：将参数数值进行归一化，其中含砂厚度、平均孔隙度、平均渗透率为正向参数，用公式11进行归一化；隔夹层厚度、平均泥质含量为负向参数,使用公式12进行归一化。

步骤4.4：利用公式13，计算各项参数下每个储层单元在该参数内所占的比重，见表2。

表2各项参数中每个储层单元分别在各参数内所占的比重

步骤4.5：根据公式14计算每一项参数的熵值。

表3各项参数的熵值

步骤4.6：利用公式15计算每一项参数的差异系数，表4。

表4各项参数的差异系数

步骤4.7：利用公式16求取每一项参数的权值，见表5。

表5各项参数的权值

步骤4.8：利用公式17，计算得到各储层单元的综合评分，见表6。将这些得分进行排列，图2可以看到储层单元11得分最高，代表储层最好，依次排序，自此完成了实例中储层单元的定量评价。

表6各储层单元的评分

Claims (6)

1.基于测井数据的储层评价方法，其特征在于，该基于测井数据的储层评价方法包括：

步骤1，进行资料的选择与数据的预处理；

步骤2，采用预处理好的资料，针对非取心段进行孔隙度与渗透率的预测；

步骤3，利用预测孔隙度与渗透率进行隔夹层的识别；

步骤4，合成用于储层评价的综合参数；

在步骤2中，采用双重检验的人工蜂群-神经网络算法计算预测孔隙度与预测渗透率，基本原理是将四组测井曲线数据,利用人工蜂群算法优化神经网络的权值与阈值，计算预测孔隙度与渗透率，过程中采用反向传播神经网络算法，并将神经网络的权值与阈值的计算交给人工蜂群算法；

步骤2包括：

步骤2.1：以整理好的岩心实测孔隙度与渗透率为基础，其中将孔隙度与渗透率中的10％的数据作为最终结果的验证数据，这些数据的选择遵循在研究层段内的深度段上均匀分布，其余90％的数据组成训练样本集，同时将实测孔隙度与渗透率数据按照0.125m的间隔进行离散，形成与深度值对应的孔隙度B₁和渗透率B₂曲线，检验孔隙度J₁和检验渗透率J₂曲线；

步骤2.2：设置神经网络层数、输入层数、隐含层数、输出层数、激活函数，目标误差及最大循环次数与预测误差，定义初始解X代表神经网络需要优化的参数，其中解为一个D维向量，是由神经网络的连接权值和阈值组成的，其中维度D满足下列方程：

D＝N_input*N_hidden+N_hidden+N_hidden*N_output (2)

N_input、N_hidden、N_output分别表示神经网络输入层、隐含层、输出层的参数个数；

步骤2.3：预处理好的四条测井曲线数据记做参数A₁、A₂、A₃、A₄，数据A₁、A₂、A₃、A₄、B₁、B₂分别进行标准化，将数据处理到[-1,1]中，采用原标号，并纪录映射关系F，公式如下：

其中d_i为处理前的数据，d^new _i为处理后无量纲的数据，i为参与标准化的数据个数，d_imax为数据中的最大值，d_imin为数据中的最小值；

步骤2.4：设置人工蜂群算法参数，包括蜂群总数N_c，采蜜蜂数量N_e，观察蜂数量N_o，解的数量N_s，最大更新次数L，最大的循环次数MEN，参数满足以下公式：

N_c＝2N_s＝N_e+N_o,N_e＝N_o＝N_s (4)

步骤2.5：生成N_s个解，该解由神经网络的连接权值和阈值组成，进入模拟蜂群阶段，生成解公式如下：

X_i ^j表示优化问题的一个解，X_i ^jnew表示一个新解，i与N是解的编号，n≠i，j∈{1,2,…D}；

步骤2.6：将生成的权值和阈值带入神经网络中计算出孔隙度和渗透率，根据公式6求取与实测孔隙度和渗透率之间的总误差平方和，

式中，MSE_i为第i个解的总误差平方和，E为单组输出数据的误差平方和，q为单组内输出数据个数，m为神经网络输出数据的组数，y为神经网络预测出的数值，B为输入的实测孔隙度与渗透率值即B₁、B₂；

步骤2.7：求取人工蜂算法的适应度fit，计算每个解的适应度值，公式如下：

式中MSE_i表示第i个解的总误差平方和，误差越大，表示适应度越小；

步骤2.8：采蜜蜂根据公式8贪婪选择法选择解，将解储存起来，

上式P_i代表第i个解被选择的概率，被称作收益度值，fit_i是位置i的适应度值，SN是食物源的数量，适应度大的解被选择的概率较大；

步骤2.9：观察蜂接收到采蜜蜂所储存的解，在该解的邻域生成一个新的解V_ij，即公式9，同样计算总误差平方和与适应度，比较两个解的优劣；

V_ij＝X_ij+rand(-1,1)(X_ij-X_kj) (9)

其中X_ij为记录的一个解，X_kj为邻域中随机选择的另一个解，i与k∈{1,2，…SN}且i≠k，j∈{1,2,…D}，rand(-1,1)是[-1,1]中的随机数，如果新解的适应度比旧解的适应度值大，则记下新解，更新旧解，否则在旧解的更新失败次数上加1，控制搜索X_ij位置附近的食物源，随着X_ij-X_kj值的增加，搜索越来越接近最优解，当观察蜂的更新失败次数达到最大循环次数L时则停止搜索，此时为一次完整循环，纪录当时最优解；

步骤2.10：进行第一阶段误差分析，将循环最优解的总误差平方和与神经网络的目标误差值进行比较，当总误差平方和小于神经网络的目标误差时，则通过第一阶段的误差分析，之后进入步骤2.11，否则观察蜂变为侦查蜂，通过公式5寻找新解；

步骤2.11：进入第二阶段误差分析，将最优化的权值与阈值组成神经网络，将J₁、J₂数值深度对应的四条测井曲线数据作为输入值，计算得到预测的检验孔隙度L_por与检验渗透率L_perm；

步骤2.12：将L_por与L_perm预测值进行去标准化，利用映射关系F，将数据从[-1,1]集合中分别还原成孔隙度与渗透率的数据范围，之后与J₁、J₂数值求取总误差平方和，与步骤2.2设置的预测误差进行对比，此时当总误差平方和小于设定的预测误差，则整个人工蜂群-神经网络模块结束，同时输出该解，当总误差平方和大于设定的预测误差时，重复步骤2.5到2.10，同时纪录本次循环得到的最优解与该次的总均方根误差，整个循环次数达到最大循环次数时，默认整个人工蜂群-神经网络模块结束，同时输出总均方根误差最小的最优解；

步骤2.13：求得的最终解中包括神经网络的权值与阈值，带入神经网络中，重新输入A₁、A₂、A₃、A₄、B₁、B₂数据，计算得到的孔隙度与渗透率进行去标准化后，得到最终的预测孔隙度曲线与预测渗透率曲线；

在步骤4中，将隔夹层厚度、含砂厚度、平均泥质含量、平均孔隙度与平均渗透率五项数据，基于熵权法进行参数融合，得出储层综合评分，评分为0-100分，按照评分对储层做出评价，分数越高，储层越好；

步骤4包括：

步骤4.1：确定基本储层单元，将井上的地层进行划分，以一个10至30米的具有完整沉积旋回的地层作为标准，在每口井上进行沉积储层单元划分；

步骤4.2：整理储层评价单参数集，在划分的基础上，分别统计每个储层单元深度内的隔夹层厚度、含砂厚度、平均泥质含量、平均孔隙度与平均渗透率，建立评价参数矩阵A

其中a_ij为第i个储层单元第j种参数的数值；

步骤4.3：将参数数值进行归一化，当单一参数a_ij的数值越大,表示储层越好时，用公式11进行归一化,参数的数值越大,表示储层越差时,使用公式12进行归一化，仍将数值记为a_ij，此时这些归一化后的参数数值看做是对每个储层单元的评分，

步骤4.4：计算参数其中第j项参数下第i个储层单元占该参数的比重P_ij，

步骤4.5：计算第j项参数的熵值E_j，

其中

ln为自然对数，0≤E_j≤1，

步骤4.6：计算第j项参数的差异系数G_j，对于第j项参数，熵值越小，参数值a_ij的差异系数越大，对储层评价的作用越大，

G_j＝1-E_j (15)

步骤4.7：求取第j项参数的权值，

步骤4.8：将每一个参数的权值与比重相乘之后再相加，计算得到各储层单元的综合得分S_j，将这些得分进行排列，得分越高表示储层越好，反之表示储层越差，自此完成了储层的定量评价，

针对目标储层进行综合评价及排序，将储层评价不单单建立在定性的好与差上，而是利用综合定量参数描述储层。

2.根据权利要求1所述的基于测井数据的储层评价方法，其特征在于，步骤1包括：

步骤1.1：选择资料完整的井数据，要求单个井上孔隙度与渗透率岩心实测数据T的个数要满足公式1，

T≥(H/0.125)/10 (1)

H为研究目的层段内地层总厚度；

步骤1.2：对数据进行前期处理，将测井曲线进行标准化，包括将曲线单位统一化，将曲线的值域进行统一；

步骤1.3：检查岩心描述，将岩心资料进行归位，将实测岩心孔隙度与渗透率数据深度恢复到真实垂直深度上。

3.根据权利要求2所述的基于测井数据的储层评价方法，其特征在于，在步骤1.1中，选取自然伽马、补偿密度、声波时差、深电阻率4种测井曲线，保证测井曲线在研究深度内是具有有效值，而不是空值。

4.根据权利要求2所述的基于测井数据的储层评价方法，其特征在于，在步骤1.1中，选取自然伽马、补偿密度、声波时差、深电阻率、中子伽马、自然电位、深感应、中感应、深双侧向电阻率、横波时差、高分辨率阵列感应电阻率，这些测井曲线中的3至7种曲线。

5.根据权利要求1所述的基于测井数据的储层评价方法，其特征在于，步骤3包括：

步骤3.1：确定隔夹层标准，参考中国石油标准与实际地质情况，定义隔夹层的标准为地层孔隙度φ<6％，渗透率k<0.1um²，厚度≥0.5米；

步骤3.2：在每口井上连续出现4个数据点及以上，同时对应的预测孔隙度φ_f与预测渗透率k_f，满足φ_f<6％，k_f<0.1um²时，将段记做隔夹层；当数据点少于4个或者孔隙度、渗透率不同时小于φ_f<6％，k_f<0.1um²时，则认为是储层。

6.基于测井数据的储层评价装置，其特征在于，所述评价装置包括资料选择及预处理模块，孔隙度与渗透率预测模块，隔夹层识别模块和储层评价模块，所述资料选择及预处理模块进行资料的选择与数据的预处理，所述孔隙度与渗透率预测模块采用预处理好的资料，针对非取心段进行孔隙度与渗透率的预测，所述隔夹层识别模块利用预测孔隙度与渗透率进行隔夹层的识别，所述储层评价模块合成用于储层评价的综合参数；

所述孔隙度与渗透率预测模块采用双重检验的人工蜂群-神经网络算法计算预测孔隙度与预测渗透率，基本原理是将四组测井曲线数据,利用人工蜂群算法优化神经网络的权值与阈值，计算预测孔隙度与渗透率，过程中采用反向传播神经网络算法，并将神经网络的权值与阈值的计算交给人工蜂群算法；

所述孔隙度与渗透率预测模块具体用于执行以下步骤：

步骤2.1：以整理好的岩心实测孔隙度与渗透率为基础，其中将孔隙度与渗透率中的10％的数据作为最终结果的验证数据，这些数据的选择遵循在研究层段内的深度段上均匀分布，其余90％的数据组成训练样本集，同时将实测孔隙度与渗透率数据按照0.125m的间隔进行离散，形成与深度值对应的孔隙度B₁和渗透率B₂曲线，检验孔隙度J₁和检验渗透率J₂曲线；

步骤2.2：设置神经网络层数、输入层数、隐含层数、输出层数、激活函数，目标误差及最大循环次数与预测误差，定义初始解X代表神经网络需要优化的参数，其中解为一个D维向量，是由神经网络的连接权值和阈值组成的，其中维度D满足下列方程：

D＝N_input*N_hidden+N_hidden+N_hidden*N_output (2)

N_input、N_hidden、N_output分别表示神经网络输入层、隐含层、输出层的参数个数；

步骤2.3：预处理好的四条测井曲线数据记做参数A₁、A₂、A₃、A₄，数据A₁、A₂、A₃、A₄、B₁、B₂分别进行标准化，将数据处理到[-1,1]中，采用原标号，并纪录映射关系F，公式如下：

其中d_i为处理前的数据，d^new _i为处理后无量纲的数据，i为参与标准化的数据个数，d_imax为列数据中的最大值，d_imin为列数据中的最小值；

步骤2.4：设置人工蜂群算法参数，包括蜂群总数N_c，采蜜蜂数量N_e，观察蜂数量N_o，解的数量N_s，最大更新次数L，最大的循环次数MEN，参数满足以下公式：

N_c＝2N_s＝N_e+N_o,N_e＝N_o＝N_s (4)

步骤2.5：生成N_s个解，该解由神经网络的连接权值和阈值组成，进入模拟蜂群阶段，生成解公式如下：

X_i ^j表示优化问题的一个解，X_i ^jnew表示一个新解，i与N是解的编号，n≠i，j∈{1,2,…D}；

步骤2.6：将生成的权值和阈值带入神经网络中计算出孔隙度和渗透率，根据公式6求取与实测孔隙度和渗透率之间的总误差平方和，

式中，MSE_i为第i个解的总误差平方和，E为单组输出数据的误差平方和，q为单组内输出数据个数，m为神经网络输出数据的组数，y为神经网络预测出的数值，B为输入的实测孔隙度与渗透率值即B₁、B₂；

步骤2.7：求取人工蜂算法的适应度fit，计算每个解的适应度值，公式如下：

式中MSE_i表示第i个解的总误差平方和，误差越大，表示适应度越小；

步骤2.8：采蜜蜂根据公式8贪婪选择法选择解，将解储存起来，

上式P_i代表第i个解被选择的概率，被称作收益度值，fit_i是位置i的适应度值，SN是食物源的数量，适应度大的解被选择的概率较大；

步骤2.9：观察蜂接收到采蜜蜂所储存的解，在该解的邻域生成一个新的解V_ij，即公式9，同样计算总误差平方和与适应度，比较两个解的优劣；

V_ij＝X_ij+rand(-1,1)(X_ij-X_kj) (9)

其中X_ij为记录的一个解，X_kj为邻域中随机选择的另一个解，i与k∈{1,2，…SN}且i≠k，j∈{1,2,…D}，rand(-1,1)是[-1,1]中的随机数，如果新解的适应度比旧解的适应度值大，则记下新解，更新旧解，否则在旧解的更新失败次数上加1，控制搜索X_ij位置附近的食物源，随着X_ij-X_kj值的增加，搜索越来越接近最优解，当观察蜂的更新失败次数达到最大循环次数L时则停止搜索，此时为一次完整循环，纪录当时最优解；

步骤2.10：进行第一阶段误差分析，将循环最优解的总误差平方和与神经网络的目标误差值进行比较，当总误差平方和小于神经网络的目标误差时，则通过第一阶段的误差分析，之后进入步骤2.11，否则观察蜂变为侦查蜂，通过公式5寻找新解；

步骤2.11：进入第二阶段误差分析，将最优化的权值与阈值组成神经网络，将J₁、J₂数值深度对应的四条测井曲线数据作为输入值，计算得到预测的检验孔隙度L_por与检验渗透率L_perm；

步骤2.12：将L_por与L_perm预测值进行去标准化，利用映射关系F，将数据从[-1,1]集合中分别还原成孔隙度与渗透率的数据范围，之后与J₁、J₂数值求取总误差平方和，与步骤2.2设置的预测误差进行对比，此时当总误差平方和小于设定的预测误差，则整个人工蜂群-神经网络模块结束，同时输出该解，当总误差平方和大于设定的预测误差时，重复步骤2.5到2.10，同时纪录本次循环得到的最优解与该次的总均方根误差，整个循环次数达到最大循环次数时，默认整个人工蜂群-神经网络模块结束，同时输出总均方根误差最小的最优解；

步骤2.13：求得的最终解中包括神经网络的权值与阈值，带入神经网络中，重新输入A₁、A₂、A₃、A₄、B₁、B₂数据，计算得到的孔隙度与渗透率进行去标准化后，得到最终的预测孔隙度曲线与预测渗透率曲线；

所述储层评价模块将隔夹层厚度、含砂厚度、平均泥质含量、平均孔隙度与平均渗透率五项数据，基于熵权法进行参数融合，得出储层综合评分，评分为0-100分，按照评分对储层做出评价，分数越高，储层越好；

所述储层评价模块具体用于执行以下步骤：

步骤4.1：确定基本储层单元，将井上的地层进行划分，以一个10至30米的具有完整沉积旋回的地层作为标准，在每口井上进行沉积储层单元划分；

步骤4.2：整理储层评价单参数集，在划分的基础上，分别统计每个储层单元深度内的隔夹层厚度、含砂厚度、平均泥质含量、平均孔隙度与平均渗透率，建立评价参数矩阵A

其中a_ij为第i个储层单元第j种参数的数值；

步骤4.3：将参数数值进行归一化，当单一参数a_ij的数值越大,表示储层越好时，用公式11进行归一化；参数的数值越大,表示储层越差时,使用公式12进行归一化，仍将数值记为a_ij，此时这些归一化后的参数数值看做是对每个储层单元的评分，

步骤4.4：计算参数其中第j项参数下第i个储层单元占该参数的比重P_ij，

步骤4.5：计算第j项参数的熵值E_j，

其中

ln为自然对数，0≤E_j≤1，

步骤4.6：计算第j项参数的差异系数G_j，对于第j项参数，熵值越小，参数值a_ij的差异系数越大，对储层评价的作用越大，

G_j＝1-E_j (15)

步骤4.7：求取第j项参数的权值，

步骤4.8：将每一个参数的权值与比重相乘之后再相加，计算得到各储层单元的综合得分S_j，将这些得分进行排列，得分越高表示储层越好，反之表示储层越差，自此完成了储层的定量评价，

针对目标储层进行综合评价及排序，将储层评价不单单建立在定性的好与差上，而是利用综合定量参数描述储层。

Images