CN111048163A - 一种基于高阶神经网络的页岩油滞留烃量（s1）评价方法 - Google Patents

Abstract

本发明公开了一种基于高阶神经网络的页岩油滞留烃量(S1)评价方法，其核心是利用页岩热解数据，并从生烃动力学角度，对S1进行轻、重烃补偿，为页岩油资源潜力准确评价提供客观参数。在S_1(原始)与测井曲线之间建立了相关关系，以确定合适的测井曲线输入，选取相关性较强的测井曲线，如密度(DEN)、电阻率(RT)、伽马射线(GR)、中子(CNL)和声波时差(AC)，提高计算速度基础上，采用高阶神经网络法，专门针对以上各测井曲线权重进行深入学习，有效提高页岩油滞留烃量(S1)评价的准确性和时效性，克服了现有技术存在的缺陷。

Description

一种基于高阶神经网络的页岩油滞留烃量(S1)评价方法

技术领域

本发明涉及页岩油开发领域的一种页岩油滞留烃量(S1)的评价方法，具体技术为基于人工神经网络的页岩油滞留烃量(S1)求取方法，可以有效提高对页岩油储层评价阶段滞留烃量(S1)评价的准确性。

背景技术

页岩气勘探与开发的成功，说明了页岩可以是源、储和盖一体的完美结合。目前具有工业产量价值的页岩油大多数采出于裂缝性泥页岩，很少在纯泥、页岩开采出规模产量的页岩油。根据生-排烃理论模型计算结果来说，烃源岩大约会滞留生成石油总量的20％-50％，页岩油的资源潜力非常巨大。伴随致密油的大规模据勘探与开发，页岩油勘探开发也出现了较好的苗头，如South Texas盆地EagleFord页岩层系、Williston盆地Bakken页岩层系等凝析油。据估算，全球页岩油可采资源量约为2080×10⁸t，页岩油的相关研究工作也不断涌现。在我国，目前已发现了许多页岩储层，如四川、渤海湾、松辽、江汉、塔里木盆地。滞留烃量(S1)是评价烃源岩的基本指标，它反映了页岩资源潜力，因此，迫切需要进行准确、连续的预测。然而，直接实验室方法是费时和昂贵的。近年来，人们开始研究烃源岩的地球化学参数与测井信息之间的关系。

在页岩油资源潜力评价的过程中常将热解参数S1，用来反映泥页岩的含油率。S1定义为岩石中的滞留烃含量，由岩石热解仪(Rock-Eval)分析得到，为岩样加热到不超过300℃时挥发出的烃。同时，岩石通过热解分析也可得到S₂，称为裂解烃，为300℃以后的加热过程中有机质裂解出来的烃类产物。但受岩心存放条件、实验测试分析技术及干酪根吸附和溶胀作用的影响，滞留烃S₁存在轻、重烃的损失，导致其实测值远低于地下实际值。李进步等(2014)通过对页岩油的大量热解数据进行分析，从抽提热解实验、组分生烃动力学角度出发，提出了一套对热解参数S₁进行轻、重烃的恢复的方案，为页岩油资源潜力评价提供客观的参数。

在页岩油资源评价过程中，已经广泛应用测井曲线评价有机质含量，与有机质有关的测井资料包括密度(DEN)、电阻率(RT)、伽马射线(GR)、中子(CNL)和声波时差(AC)等。之前的研究表明，只有当DEN、AC等和TOC相关密切时，才能获得较好的预测精度。每种测井响应都是多种地质因素综合作用的结果，利用单一测井评价滞留烃(S₁)含量的方法必然会受到不同因素的影响。因此，我们尝试采用多测井曲线预测滞留烃量。实际应用中，由于S₁与测井曲线之间存在复杂的非线性关系，使得神经网络计算S₁更加可靠和先进。因此，它已被应用于许多石油工程领域，特别是非常规资源评价。Wang等(2019)提出了基于CNN的S₁预测，但其在具体预测过程中，没用进行轻、重烃补偿，会导致预测不准。

高阶神经网络是对多层感知器神经网络的扩展。它是在感知器的基本模型上，加入辅助元素，将输入向量变为其互相结合的N次值(以二阶为例，如多层感知器神经网络中的输入参数x₁、x₂，在高阶神经网络中就会变为

x₁x₂、x₁、x₂)。使得网络输出与输入的高阶相关函数相对应，降低了计算复杂度，即便遇到数据量大的情况，其收敛速度也明显具有优越性。且高阶神经网络不包含隐藏层，可以获得较快的训练速度，且不易出现局部极小值，同时避免了隐藏层层数和节点数的选取问题。

利用岩心分析数据可获得精确的滞留烃含量(S₁)信息，但取芯数据有限，不能获得连续的滞留烃含量信息，且岩心分析成本高、时间长，而高纵向分辨率的测井资料可提供沿井剖面的连续分布。对于普通的多层感知器神经网络(神经网络的一种，是最简单最常用的神经网络。通常包括一个输入层，若干个隐藏层和一个输出层。)而言，由于隐藏层的层数和节点数都是根据经验设置，数据量大时会遇到收敛速度慢，且存在容易陷入局部极小值等问题。为合理解决此问题，本发明提出了一种基于高阶神经网络的页岩油滞留烃量(S₁)的预测方法，有望进一步提高对页岩油滞留烃量(S₁)评价的准确性和时效性。

发明内容

本发明的目的在于提供一种基于高阶神经网络的页岩油滞留烃量(S1)评价方法，该方法基于人工神经网络的非线性模式识别技术，利用密度(DEN)、电阻率(RT)、伽马射线(GR)、中子(CNL)和声波时差(AC)五种测井曲线，专门针对影响页岩油滞留烃量的测井曲线权重进行深入学习，有效提高页岩油储层评价阶段滞留烃量(S1)综合评价的准确性，克服了现有技术存在的缺陷。

为达到以上技术目的，本发明提供以下技术方案。

一种基于高阶神经网络的页岩油滞留烃量(S1)评价方法，合适的测井曲线输入，选取相关性较强的测井曲线，如密度(DEN)、电阻率(RT)、伽马射线(GR)、中子(CNL)和声波时差(AC)，提高计算速度。

其核心是利用页岩热解数据，并从生烃动力学角度，对S₁进行轻、重烃补偿，为页岩油资源潜力准确评价提供客观参数，并确定合适的测井曲线输入、各测井曲线权重的求取。该方法依次包括以下步骤：

(1)利用页岩热解数据，并从生烃动力学角度，对S1进行轻、重烃补偿，为页岩油资源潜力准确评价提供客观参数。

(2)在原始滞留烃量，记为S_1(原始)，与测井曲线之间建立了相关关系，以确定合适的测井曲线输入，选取相关性较强的测井曲线，如密度(DEN)、电阻率(RT)、伽马射线(GR)、中子(CNL)和声波时差(AC)，提高计算速度；

(3)对以上数据进行归一化处理，确定训练样本；

(4)设置神经网络的阶数，转换输入样本，并进行输入；

(5)随机设定初始连接权；

(6)计算实际输出；

(7)根据期望输出与实际输出的误差，更新连接权，不断进行网络训练；

(8)当所有样本训练结束并达到网络精度要求后，即可确定各测井曲线的权重。再得出所有样本的页岩油滞留烃评价模型。

附图说明

图1是本发明提供的一种基于高阶神经网络的页岩油滞留烃量(S1)评价方法的高阶神经网络模型示意图；

图2是本发明提供的一种基于高阶神经网络的页岩油滞留烃量(S1)评价方法流程图示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

本发明的具体实施方式按照图2所示的流程图来逐步计算，下面以具体实施例为例进行描述和说明。其内容是对本发明的解释而非限定本发明的保护范围。

页岩油储层评价阶段基于高阶神经网络的页岩油滞留烃量的评价方法，依次包括以下详细步骤：

步骤一：利用页岩热解数据，并从生烃动力学角度，对S1进行轻、重烃补偿(式1)，为页岩油资源潜力准确评价提供客观参数。

S_1原始＝S_1(实测值)+S_{1(重烃恢复量)}+S_{1(轻烃恢复量)}

＝S_1(实测值)+K_重烃×S_1(实测值)+(S_1(实测值)+K_重烃×S_1(实测值))×K_轻烃

(1)

其中：

式中：S_1(原始)为地下原始滞留烃量；S_1(实测值)为常规热解S₁；S_{1(重烃恢复量)}为重轻补偿量；S_{1(轻烃恢复量)}为轻轻补偿量；K_重烃为重烃补偿系数；K_轻烃为轻烃补偿系数；S₂为常规热解实验测得值；S’为对抽提后的岩样再进行热解实验所得S₂。

步骤二：在S_1(原始)与测井曲线之间建立了相关关系，以确定合适的测井曲线输入，选取相关性较强的测井曲线，如密度(DEN)、电阻率(RT)、伽马射线(GR)、中子(CNL)和声波时差(AC)，提高计算速度

步骤三：对每个计算所得S_1(原始)，读取相对应DEN、RT、GR、CNL、AC数据进行统计，归一化处理，得到若干个输入样本。从第一个样本X₁(式4)开始运行。

X₁＝(x₁,x₂,x₃,x₄,x₅) (4)

其中，x₁＝DEN，x₂＝RT，x₃＝GR，x₄＝CNL，x₅＝AC。

步骤四：设置高阶神经网络对输入参数的转换阶数为2，即将输入样本变为X₁ ^*(式5)。

其中，5个输入参数的平方项有5项，5个输入参数两两乘积的二次项有10项，5个输入参数的一次项为5项，加上最后一项常数1，总项数为21，即将5个输入参数转换为包含高阶自变量的21个参数。

步骤五：设第一个样本X₁ ^*对应的期望输出为O₁，设定X₁ ^*与O₁之间的初始权向量为W₁，W₁中元素可随机设定为0-1之间的任一值(式6)(图1)。

W₁＝(w₁,w₂,···,w₂₁)^T (6)

其中，w₁,w₂,···,w₂₁为步骤四中每一项的权重系数。

步骤六：计算第一个输出节点的实际输出Z₁(式7)。

Z₁＝f(W₁ ^TX₁ ^*) (7)

其中，f为激励函数，代表输入样本与输出之间的函数关系。常见的激励函数包括：Sigmoid函数、tanh函数和ReLU函数等。此处选择用Sigmoid函数作为激励函数。

步骤七：根据期望输出O₁与实际输出Z₁的误差，更新连接权向量W₁为W₂(式8)，W₂即为第二个样本的初始权向量。

W₂＝W₁+η(O₁-Z₁)X^* (8)

式中，η为权系数更新步长。随迭代次数的增加，η逐渐减小。一般其初始值随机设置为一个较小的正值，此处设步长初始值为η₁，η₁取值为0.1，设置其每迭代100轮乘以0.1。即所有样本重复反馈训练100轮以后步长变为η₂，η₂＝0.1η₁＝0.1*0.1＝0.01，以此类推。

步骤八：假设样本总数为n，循环步骤六和步骤七，依次得到每个样本的初始权向量。

步骤八：计算所有样本的平均误差E(式9)。

其中，O_j和Z_j分别为第j个样本的期望输出和实际输出。

步骤九：当平均误差E≤ε(设定

)后，即可确定各测井曲线的权重。再得出所有样本的页岩油滞留烃量的评价模型。否则，返回步骤六。

以上步骤对应的流程图如下图2所示。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明。凡采用等同替换或者等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (7)

1.一种基于高阶神经网络的页岩油滞留烃量(S1)评价方法，依次包括以下步骤：

步骤一：利用页岩热解数据，并从生烃动力学角度，对S1进行轻、重烃补偿，为页岩油资源潜力准确评价提供客观参数；

步骤二：在原始滞留烃量，记为S_1(原始)，与测井曲线之间建立相关关系，并选取相关性较强的测井曲线，提高计算速度；相关性较强的测井曲线为密度测井曲线(DEN)、电阻率测井曲线(RT)、伽马射线测井曲线(GR)、中子测井曲线(CNL)和声波时差测井曲线(AC)；

步骤三：对每个计算所得的S_1(原始)，读取相对应密度测井曲线、电阻率测井曲线、伽马射线测井曲线、中子测井曲线和声波时差测井曲线数据进行统计，归一化处理，得到若干个输入样本；从第一个样本开始运行；

步骤四：设置高阶神经网络的阶数，并将步骤三中输入样本进行阶数的转换；

步骤五：设置转换后的第一个样本的初始权向量；

步骤六：对转换后的第一个样本进行输出；

步骤七：根据第一个样本的期望输出和实际输出的误差更新第一个样本的连接权向量，并设置更新后的连接权向量为第二个样本的初始权向量；

步骤八：循环步骤六和步骤七，依次得到每个样本的初始权向量；

步骤九：计算所有样本的平均误差，当平均误差满足精读要求后即可确定各测井曲线的权重，再算出所有样本的滞留烃量预测模型，否则，返回步骤六。

2.根据权利要求1所述的一种基于高阶神经网络的页岩油滞留烃量(S1)评价方法，其特征在于，步骤六中计算第一个输出节点的实际输出方法如下：

Z₁＝f(W₁ ^TX₁ ^*) (7)

其中，Z₁为实际输出；f为激励函数，代表输入样本与输出之间的函数关系；X₁ ^*为第一个样本，其对应的期望输出为O₁，设定W₁为X₁ ^*与O₁之间的初始权向量，W₁中元素可随机设定为0-1之间的任一值，W₁ ^T为W₁的转置矩阵。

3.根据权利要求2所述的一种基于高阶神经网络的页岩油滞留烃量(S1)评价方法，其特征在于，激励函数为Sigmoid函数。

4.根据权利要求1所述的一种基于高阶神经网络的页岩油滞留烃量(S1)评价方法，其特征在于，步骤七中更新第一个样本的连接权向量的方法如下：

W₂＝W₁+η(O₁-Z₁)X^* (8)

式中，W₁为连接权向量，W₂为更新后的连接权向量，O₁为期望输出，Z₁为实际输出，η为权系数更新步长。随迭代次数的增加，η逐渐减小。

5.根据权利要求4所述的一种基于高阶神经网络的页岩油滞留烃量(S1)评价方法，其特征在于，权系数更新步长的设置方法如下：其初始值随机设置为一个较小的正值，此处设步长初始值为η₁，η₁取值为0.1，设置其每迭代100轮乘以0.1，即所有样本重复反馈训练100轮以后步长变为η₂，η₂＝0.1η₁＝0.1*0.1＝0.01，以此类推。

6.根据权利要求1所述的一种基于高阶神经网络的页岩油滞留烃量(S1)评价方法，其特征在于，步骤九中计算所有样本的平均误差方法为：

其中，E为所有样本的平均误差；O_j和Z_j分别为第j个样本的期望输出和实际输出。

7.根据权利要求1所述的一种基于高阶神经网络的页岩油滞留烃量(S1)评价方法，其特征在于，步骤九中平均误差精度要求为3‰。

Images