CN113130018B - 基于储层元目标不变特征描述的岩性识别方法 - Google Patents

基于储层元目标不变特征描述的岩性识别方法 Download PDF

Info

Publication number
CN113130018B
CN113130018B CN202110426395.1A CN202110426395A CN113130018B CN 113130018 B CN113130018 B CN 113130018B CN 202110426395 A CN202110426395 A CN 202110426395A CN 113130018 B CN113130018 B CN 113130018B
Authority
CN
China
Prior art keywords
information
curve
reservoir
depth
layer
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
Application number
CN202110426395.1A
Other languages
English (en)
Other versions
CN113130018A (zh
Inventor
曹志民
阳璨
吴云
韩建
全星慧
付天舒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Petroleum University
Original Assignee
Northeast Petroleum University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeast Petroleum University filed Critical Northeast Petroleum University
Priority to CN202110426395.1A priority Critical patent/CN113130018B/zh
Publication of CN113130018A publication Critical patent/CN113130018A/zh
Application granted granted Critical
Publication of CN113130018B publication Critical patent/CN113130018B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • 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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Animal Husbandry (AREA)
  • Databases & Information Systems (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Agronomy & Crop Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明提出一种岩性识别方法，特别是涉及一种基于储层元目标的不变特征描述的岩性识别方法。该方法通过对测井曲线不变特征的提取以及描述，在实现元目标自动分层的同时，将元目标的不变特征嵌入到岩性识别的机器学习模型中，最终在未知井机器模型应用中实现了岩性预测，在保留局部储层个性的同时，大大增强了储层描述的泛化能力，不仅解决了目前利用测井曲线进行岩性识别时跨井可推广能力制约机器学习方法引入的瓶颈问题，还提升了储层描述精度和可靠性。

Description

基于储层元目标不变特征描述的岩性识别方法
技术领域
本发明提出一种岩性识别方法，特别是涉及一种基于储层元目标的不变特征描述的岩性识别方法。
背景技术
随着我国大部分老油田已经进入中晚期开发阶段，非常规油气资源的勘探开发已经成为当前老油田实现稳产增产、延长生产寿命的最主要途径。无论是老油田非常规油气资源的勘探开发，还是新油气资源的精准预测开发，都是当今我国各主要油田企业所面临的不可回避的难题。
地球物理测井数据是获取油气藏资源描述信息的最主要信息源之一。由于利用不同类型的地球物理测井曲线数据集进行目标储层分层是后续岩性识别、测井相分析、储层划分及含油性的井间参数预测等工作的重要基础，将直接影响这些后续应用的性能，因此为了有效解决上述所说难题，放在首要任务的就是必须能对目标储层的地质变化情况进行更加精确的描述。利用测井曲线进行分层的物理本质是把目标储层划分成多个具有相同地质特征的小层，进而可以减少储层描述所需分析的数据量并在一定程度上减小非地层因素的影响。显然，准确可靠的岩性识别对油气资源的勘探开发工作均具有非常重要的实际意义。
目前，国内外相关企业及学术研究机构已经进行了大量的测井大数据储层描述方面的研究。在理论研究方法方面，当前采用技术主要三类方法：以地质统计学为基础的确定性或随机性地质建模及储层表征方法；经典机器学习方法；集成学习/深度学习方法。然而，经典地质地球物理技术发展速度慢且人力和时间等成本高，无法跟上通信、存储、计算能力的高速发展；单一机器学习方法过拟合风险大、推广能力差；集成学习方法虽然具有一定的生命力，但是无法实现日益增长的多源异构井震大数据的充分利用；深度学习方法在很多其他领域中虽然体现出了超强的挖掘相关大数据潜在价值的能力，但是当前井震多源异构大数据还无法达到深度学习方法的适用条件，无法充分发挥其能力。然而，实际油气资源的贮存状态越来越复杂，且变化快，模式散乱多变，单一或简单多模式描述无法适应这一实际情况。特别是当面对中晚期老油田的后期开发挖潜，以及新油气资源储量有效动用方面，大范围高精度测井曲线的作用非常突出。此外，不同井间的测井数据统计特性往往具有不可忽略的差异，简单的曲线标准化处理等又很难弥补这种差异甚至带来新的信息丢失。
因此，针对测井曲线薄砂体的分层属性，面向目标的多地质对象样本，以及通过面向对象的测试数据与样本数据的关联匹配实现面向对象的井间岩性及岩相的有效识别是油田急需迫切攻克的关键性技术。
发明内容
本发明的为解决现有测井曲线的原始空间幅度特征不具有井间不变性的问题。本发明提供了一种基于储层元目标的不变特征描述的岩性识别方法。
它包括如下步骤：
步骤S1：通过对每个深度采样向量取纵向上相邻点的相关性度量得到储层相关性特征和对相关性特征的测度距离取差分得到对应的相关差特征，实现多测井曲线间的相关不变性特征提取；
步骤S2：通过对每个深度采样向量的邻域向量集进行横向上的奇异值分解实现多曲线储层结构张量特征的提取和对每条曲线进行纵向上局部二值模式LBP纹理特征提取，实现多测井曲线间的结构不变性特征提取；
步骤S3：通过对测井曲线数据集的统计信息描述得到的微观不变矩特征获得局部统计特征和借助宏观灰度共生不变性纹理特征获得全局统计特征，得到其井间不变性特征，实现多测井曲线间的统计不变性特征提取；
步骤S4：结合利用步骤S1中获得的相关差特征和步骤S2中获得的张量特征得到储层元目标精细准确的地质边缘分层点，从而实现自动分层；
步骤S5：通过对小层内测井曲线数据集所能获取的可用信息以及不变特征进行完备描述，实现对每一个精细小层的岩性识别；
步骤S6：采用多通道集成机器学习的方式应用步骤五中获得的描述信息进行岩性识别或编码，构建岩性识别机器学习模型；
步骤S7：在未知井机器模型应用中实现岩性预测。
优选地，所述步骤S1中提取多测井曲线间的相关不变特征的方法为：相关性特征包括：皮尔逊相关系数和余弦相关系数，其分别通过下述公式(1)和公式(2)来进行计算：
Figure BDA0003029747890000031
Figure BDA0003029747890000032
其中，Si表示深度轴上第i个深度采样向量；Cov(Si,Si-1)表示相邻深度采样向量的协方差；σ(Si)表示深度采样向量Si的标准差；
距离测度包括：欧式距离测度、契比雪夫距离测度和城区街区距离测度，其分别通过公式(3)(4)(5)来进行计算：
Figure BDA0003029747890000033
Figure BDA0003029747890000034
Figure BDA0003029747890000035
优选地，所述步骤S2中提取多测井曲线间的结构不变特征的方法为：
为获得测井曲线间的结构张量特征，对于局部深度采样点向量集N(Si)，对其进行奇异值分解：
Figure BDA0003029747890000036
其中，λ1≥λ2为局部深度采样点向量集N(Si)的特征值，那么对应深度采样向量Si的结构张量特征取为：
Figure BDA0003029747890000037
对于给定的某条曲线X，其LBP纹理特征计算公式如下：
Figure BDA0003029747890000038
其中，Ni为该测井曲线第i个深度样点的局部邻域；fj为二值编码值，其编码规则如下：
Figure BDA0003029747890000041
优选地，步骤S3中提取多测井曲线间的统计不变特征的方法具体包括：
对于局部深度采样点向量集N(Si)，不变矩表示为：
φ1＝η20+η02                 (10)
Figure BDA0003029747890000046
φ3＝(η30-3η12)2+(3η21-η03)2            (12)
φ4＝(η30+η12)2+(η21+η03)2            (13)
Figure BDA0003029747890000042
φ6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)    (15)
Figure BDA0003029747890000043
其中，
Figure BDA0003029747890000044
M表示深度采样向量集的横向维度，即测井曲线条数；N表示深度采样向量集的纵向维度，即局部深度取样点数；Nsi(i,j)表示深度采样向量集中第i条曲线的第j个深度采样点的幅值；
从测井曲线对宏观交互统计信息方面给出灰度共生不变性纹理特征描述；对于差分测井曲线对(dX,dY)，分别对每条曲线进行量化或灰度化；灰度共生不变性纹理特征表达式：
TGLCM(i)＝GLCM(dX(i),dY(i))           (17)
其中，
Figure BDA0003029747890000045
此时，N(dX＝i,dY＝j)表示同一深度采样中dX＝i,dY＝j的个数；
TN＝L*L为所有可能灰度对个数，其中，L为灰度级个数。
优选地，步骤S4中结合利用步骤S1中获得的相关差特征和步骤S2中获得的张量特征得到储层元目标精细准确的地质边缘分层点，从而实现自动分层的方法具体包括：
利用步骤S1中获得的相关差特征可以得到如下候选边缘点：
Figure BDA0003029747890000051
其中，ZCross(dCorr)表示dCorr相关差特征的上升过零点；N(pi)表示当前点pi的局部邻域；TdCorr为一阈值常数；
利用步骤S2中获得的储层结构张量特征得到如下候选边缘点：
PTen＝{pi|(pi∈Peak(Ten))}           (19)
其中，Peak(Ten)表示Ten特征的峰值点；
总的边缘候选点为：
PEC＝∪(PdCorr,PTen)。        (20)
优选地，步骤S5中通过对小层内测井曲线数据集所能获取的可用信息以及不变特征进行完备描述，实现对每一个精细小层的岩性识别的方法具体包括：
对小层内测井曲线数据集进行描述可用信息，包括：小层的厚度、层内曲线的相对高度信息、层内曲线的绝对高度信息以及小层内各曲线的形状/形态信息以及小层内数据与上下邻层的上下文信息。
优选地，小层的厚度信息：直接可以利用小层顶底深度差得到，即：
Thick＝Depthbottom-Depthtop                 (21)
层内曲线的相对高度信息：
Figure BDA0003029747890000052
其中，
Figure BDA0003029747890000053
表示第i个小层的第j条曲线；
层内曲线的绝对高度信息：
Figure BDA0003029747890000054
小层内各曲线形态/形状信息：
利用步骤S2中所提到的结构张量和LBP纹理特征来描述；
小层内数据与相邻层的上下文信息：
从层厚对比关系、绝对幅度关系、层结构相似性关系对小层上下文信息进行描述，其中的层结构相似性关系利用层结构张量、不变距及LBP纹理特征信息的相关性进行计算。
本发明提供的基于储层元目标的不变特征描述的岩性识别方法，构建了一个岩性机器学习模型，成功解决了现有井间测井曲线特征统计特性偏差大的问题，实现了机器学习模型的井间推广能力提升。所述方法通过对测井曲线不变特征的提取以及描述，在实现元目标自动分层的同时，将元目标的不变特征嵌入到岩性识别的机器学习模型中，最终在未知井机器模型应用中实现了岩性预测，在保留局部储层个性的同时，大大增强了储层描述的泛化能力，不仅解决了目前利用测井曲线进行岩性识别时跨井可推广能力制约机器学习方法引入的瓶颈问题，还提升了储层描述精度和可靠性。
附图说明
图1为测井曲线井间域不变特征体系构建图；
图2为本发明实施例一所述的基于储层元目标不变特征描述的岩性识别方法的流程示意图；
图3为本发明实施例二所述的基于储层元目标不变特征描述的岩性识别方法的某井测井数据相关特征曲线示例图；
图4为本发明实施例二所述的基于储层元目标不变特征描述的岩性识别方法的某井测井数据相关差特征曲线示例图；
图5为本发明实施例三所述的基于储层元目标不变特征描述的岩性识别方法的某井测井数据结构张量特征曲线示例图；
图6为本发明实施例三所述的基于储层元目标不变特征描述的岩性识别方法的某井测井数据LBP纹理特征曲线示例图；
图7为本发明实施例四所述的基于储层元目标不变特征描述的岩性识别方法的某井测井曲线集不变矩特征实例图；
图8为本发明实施例五所述的基于储层元目标不变特征描述的岩性识别方法的某井测井曲线集GLCM特征实例图；
图9为本发明实施例六所述的基于储层元目标不变特征描述的岩性识别方法的小层测井相特征完备描述示意图；
图10为本发明实施例六所述的基于储层元目标不变特征描述的岩性识别方法的层内数据与上下文相关信息的定量描述向量结构示意图；
图11为本发明实施例七所述的基于储层元目标不变特征描述的岩性识别方法的岩性识别机器学习模型示意图；
图12为本发明对金98井进行岩性预测的实验结果；
图13为本发明对金98井进行岩性预测的实验结果细节图；
图14为本发明对金392井进行岩性预测的实验结果；
图15为本发明对金392井进行岩性预测的实验结果细节图；
图16为本发明对金50井进行岩性预测的实验结果；
图17为本发明对金50井进行岩性预测的实验结果细节图。
具体实施方式
实施例一：
下面结合图1说明本实施方式，本实施方式所述的基于储层元目标不变特征描述的岩性识别方法，它包括如下步骤：
步骤S1：通过对每个深度采样向量取纵向上相邻点的相关性度量得到储层相关性特征和对相关性特征的测度距离取差分得到对应的相关差特征，实现多测井曲线间的相关不变性特征提取；
步骤S2：通过对每个深度采样向量的邻域向量集进行横向上的奇异值分解实现多曲线储层结构张量特征的提取和对每条曲线进行纵向上局部二值模式(LBP，Local BinaryPatterns)纹理特征提取，实现多测井曲线间的结构不变性特征提取；
步骤S3：通过对测井曲线数据集的统计信息描述得到的微观不变矩特征获得局部统计特征和借助宏观灰度共生不变性纹理特征获得全局统计特征，得到其井间不变性特征，实现多测井曲线间的统计不变性特征提取；
步骤S4：结合利用步骤一中获得的相关差特征和步骤S2中获得的张量特征得到储层元目标精细准确的地质边缘分层点，从而实现自动分层；
步骤S5：通过对小层内测井曲线数据集所能获取的可用信息以及不变特征进行完备描述，实现对每一个精细小层的岩性识别；
步骤S6：采用多通道集成机器学习的方式应用步骤五中获得的描述信息进行岩性识别或编码，构建岩性识别机器学习模型；
步骤S7：在未知井机器模型应用中实现岩性预测。
实施例二：
实施例一的所述的基于储层元目标不变特征描述的岩性识别方法的进一步限定，
对步骤一中的相关不变性特征提取的方法为：
传统测井特征没有充分考虑多测井曲线同深度的横向相关性及相关变换信息，而这种信息恰恰具有井间储层描述的不变性能力。
然而，具体的，对于某井的多条曲线构成的数据集来说，由于每个深度采样向量由多个来自不同曲线的取值构成，因此，可以在测井曲线的对深度采样向量取纵向上相邻点的相关性度量即可得到储层相关性特征。其中，本专利中提及的相关性特征主要包括：皮尔逊相关系数和余弦相关系数。另外，还可以通过计算向量不相关性实现相关性的计算，如欧式距离测度、契比雪夫距离测度、城区街区距离测度等。
同时，在获得上述所描述的相关特征之后，对其取差分即可得到对应的相关差特征。为更好的说明对测井曲线相关不变性特征的提取，图1和图2分别给出了某井目标储层的相关特征及相关差特征曲线作为示例。
实施例三：
实施例一的所述的基于储层元目标不变特征描述的岩性识别方法的进一步限定，
对步骤二中的结构不变性特征提取的方法为：
结构性不变特征是指对局部结构的检测或描述对于几何变换等保持不变的特征，其基本思想是提取局部结构的本质属性进行描述。具体的，本专利所涉及的结构不变信息主要包括结构张量、局部二值模式等纹理特征描述。
对于测井曲线集来说，对于某一个深度采样向量Si，令N(Si)表示以深度采样向量Si为中心的局部邻域(邻域半径一般设为0.5米左右)。则可以通过对每个深度采样向量的邻域向量集的分析实现结构张量特征的提取。结构张量是指从测井曲线梯度变化信息中导出的体现局部结构不变性的信息。通过对局部邻域进行奇异值分解，能够找到该邻域内数值变化的主方向及方向的连贯信息。
除了可以利用局部深度采样向量集进行横向上的多曲线储层结构张量特征的提取为，还可以针对每条曲线局部纵向结构特征进行不变性描述。其中，局部二值模式(LocalBinary Mode,LBP)是一种对局部结构进行不变性编码的特征描述方式。
为更好的说明对测井曲线结构不变性特征的提取，图3和图4分别给出了某井测井数据结构张量特征曲线示例图和某井测井数据LBP纹理特征曲线示例图作为示例。
实施例四：
实施例一的所述的基于储层元目标不变特征描述的岩性识别方法的进一步限定，
对步骤三中的统计不变性特征中的提取局部统计不变矩特征的方法为：
统计不变特征完全是通过对测井曲线数据集的统计信息入手得到的纯统计特征，这些特征具有很好的井间不变性，且能在测井相识别等方面具有较好的描述能力。具体的，统计不变特征分为局部统计不变矩特征和全局统计特征，全局统计特征是通过测井数据取值的共生关系得到的。
不变矩特征是由数据的一阶、二阶及高阶统计特征构成的具有平移、旋转及尺度等不变性的特征。
具体的，对于局部深度采样点向量集N(Si)，可定义其二维矩表示为：
Figure BDA0003029747890000091
其中，M表示深度采样向量集的横向维度，也就是测井曲线条数；N表示深度采样向量集的纵向维度，也就是局部深度取样点数；
Figure BDA0003029747890000092
表示深度采样向量集中第i条曲线的第j个深度采样点的幅值。对应的，的中心矩可表示为：
Figure BDA0003029747890000101
为了使中心矩具有几何不变性，可将式(2)改写为如下归一化中心矩的形式：
Figure BDA0003029747890000102
进而，利用如上归一化中心矩可以得到不变矩，即Hu不变矩。
为更好的说明对测井曲线局部统计不变性特征的提取，图5给出了某井测井曲线集不变矩特征实例图作为示例。
实施例五：
实施例一的所述的基于储层元目标不变特征描述的岩性识别方法的进一步限定，
对步骤三中的统计不变性特征中的提取全局统计不变矩特征的方法为：
具体实施方案四中描述的不变矩信息是通过局部微观统计信息挖掘的角度提出的。显然，除了微观上统计信息的挖掘外，还可以从宏观上进行储层相关信息挖掘。因此，借助图像处理中灰度共生矩阵(Gray-Level Co-occurrence Matrix,GLCM)的思想，可以从测井曲线对宏观交互统计信息方面给出一种宏观纹理特征描述。具体的，对于差分测井曲线对(dX,dY)，分别对每条曲线进行量化(或灰度化)，如进行256级灰度化处理，即使差分曲线的幅度规定化到0-255之间。接下来，进行如下的灰度共生矩阵计算：
Figure BDA0003029747890000103
其中，N(dX＝i,dY＝j)表示同一深度采样中dX＝i,dY＝j的个数；TN＝L*L为所有可能灰度对个数(L为灰度级个数)。在得到灰度共生矩阵后，即可计算差分曲线对(dX,dY)对应的灰度共生不变性纹理特征：
TGLCM(i)＝GLCM(dX(i),dY(i))         (5)
为更好的说明对测井曲线全局统计不变性特征的提取，图6给出了某井测井曲线集GLCM特征实例图作为示例。
实施例六：
实施例一的所述的基于储层元目标不变特征描述的岩性识别方法的进一步限定，
步骤五中通过对小层内测井曲线数据集所能获取的可用信息以及不变特征进行完备描述，实现对每一个精细小层的岩性识别的方法为：
对小层内测井曲线数据集进行描述可用信息，包括：小层的厚度、层内曲线的相对高度信息、层内曲线的绝对高度信息等基本物理属性；小层内各曲线的形状/形态信息；以及小层内数据与上下邻层的上下文信息等，如附图7所示。
(1)层厚度信息：直接可以利用小层顶底深度差得到，即：
Thick＝Depthbottom-Depthtop        (6)
(2)层内曲线的相对高度信息：
Figure BDA0003029747890000111
其中，
Figure BDA0003029747890000112
表示第i个小层的第j条曲线；
(3)层内曲线的绝对高度信息：
Figure BDA0003029747890000113
(4)层内曲线形态/形状信息：
利用步骤二所提方式——结构张量和LBP纹理特征来描述。
(5)层内数据与相邻层的上下文信息：
从层厚对比关系、绝对幅度关系、层结构相似性关系等方面对小层上下文信息进行描述，其中，层厚对比信息及绝对幅度关系是记录本层及相邻层的层厚、绝对幅度数值；层结构相似性关系可以利用层结构张量、不变距及LBP纹理等信息的相关性进行计算。为此，可以得到附图8所示的层内数据与上下文相关信息的定量描述向量。
实施例七：
实施例一的所述的基于储层元目标不变特征描述的岩性识别方法的进一步限定，
步骤六中采用多通道集成机器学习的方式应用步骤五中获得的描述信息进行岩性识别或编码，构建岩性识别机器学习模型的方法为：
对信息进行完备的描述后，利用多个基学习机器构成多通道集成机器学习，构建测井曲线的元特征，通过元机器学习和地层地质知识对其预测结果优化处理。本发明构建的机器学习识别框架原理图如图9所示。
为了验证本发明方法的有效性，采用松原盆地北部中央凹陷区的齐家工区内金3到金392工区范围内24口井对本方法进行了方法验证。实验结果表明，本发明方法预测结果比现有常规测井解释精度更高，更接近于岩心岩性，能够准确的反应小层砂泥比的变化情况，具有很好的推广作用。
其中，随机选取金3、金12、金23、金27、金31、金37、金38、金54、金58、金80、金391等11口井作为模型井，金20、金28G、金30、金34、金40、金45、金51、金55、金56和金59等10口井作为模型校正井，金50、金98和金392等具有岩心描述精细岩性的3口井作为测试井。
测井曲线选择上，选取了GR、DEN、SP、CAL、AC、LLD和LLS7条常规曲线，目标岩性为：泥岩、粉砂岩、泥质粉砂岩、粉砂质泥岩、细砂岩、介形虫层、油页岩。图6-图11分别给出了3口测试井岩性预测的整体结果和细节结果。
然而，实验结果也表明该方法也存在一定的缺点，由于训练样本和测试样本中细砂岩比例都非常小，预测效果不好，而通过重点强调油页岩的检测，在保证了有效检出率的情况下，提高了误检率。为此，在后续研究中还需要通过增加细砂岩、油页岩等小样本的处理能力，实现***性能的再次增强。
本发明的特点在于,构建了一个如附图1所示的可以有效提升测井曲线地层信息表达能力的井间域不变特征体系，在基于此不变特征体系的基础上，构建岩性识别机器学习模型，实现了岩性识别。
为解决现有测井曲线的原始空间幅度特征不具有井间不变性的问题，本发明以充分挖掘能够有效表征储层特征的不变性特征为出发点，设计了由相关不变性特征、结构不变性特征和统计不变性特征构成的测井曲线不变特征体系，在一定程度上解决了井间测井曲线特征不一致的问题，能够针对目标储层本质属性进行不变性表达，为后续的处理及分析奠定了基础。
本发明针对现有井间测井曲线特征统计特性偏差大的问题，通过提出面向储层元目标的不变特征描述方法，构建测井曲线井间域不变特征体系，同时，为了更好的实现岩性识别的任务，对小层内测井曲线数据集所能获取的可用信息进行了完备描述，在其两者的基础上，利用集成机器学习模型实现精准的地质储层的岩性识别。为此，本发明所述方法通过构建测井曲线井间域不变特征体系，从相关不变性特征、结构不变性特征和统计不变性特征三个方面对测井曲线井间域不变特征进行描述，从而有效解决了利用目标储层本质属性进行不变性表达的问题，实现了一种有效利用储层元目标的不变特征和多通道集成机器学习实现岩性识别的方法，在保留局部储层个性的同时，大大增强了储层描述的泛化能力。
为解决目前利用测井曲线进行岩性识别时跨井可推广能力制约机器学习方法引入的瓶颈问题,本发明提出了一种基于储层元目标不变特征描述的岩性识别方法。适应本发明的方法在利用不同地区不同井的测井曲线进行岩性识别的应用中具有很好的自适应能力和鲁棒性。通过与测井相分析等定性分析和利用局部空间数据幅度特征曲线等简单曲线进行储层描述的常规方法相比较，本发明的方法大大提升了目标储层描述精度和可靠性。图2给出了本发明方法的结构框图。其中本发明的重点技术内容包含建立测井曲线井间域不变特征体系和对井间小层知识完备表达两部分。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所给出的技术范围内，可理解想到的变换或替换，都应该涵盖在本发明的权利要求书的保护范围之内。

Claims (7)

1.一种基于储层元目标不变特征描述的岩性识别方法，其特征在于，包括如下步骤:
步骤S1：通过对每个深度采样向量取纵向上相邻点的相关性度量得到储层相关性特征和对相关性特征的测度距离取差分得到对应的相关差特征，实现多测井曲线间的相关不变性特征提取；
步骤S2：通过对每个深度采样向量的邻域向量集进行横向上的奇异值分解实现多曲线储层结构张量特征的提取和对每条曲线进行纵向上局部二值模式LBP纹理特征提取，实现多测井曲线间的结构不变性特征提取；
步骤S3：通过对测井曲线数据集的统计信息描述得到的微观不变矩特征获得局部统计特征和借助宏观灰度共生不变性纹理特征获得全局统计特征，得到其井间不变性特征，实现多测井曲线间的统计不变性特征提取；
步骤S4：结合利用步骤S1中获得的相关差特征和步骤S2中获得的张量特征得到储层元目标精细准确的地质边缘分层点，从而实现自动分层；
步骤S5：通过对小层内测井曲线数据集所能获取的可用信息以及不变特征进行完备描述，实现对每一个精细小层的岩性识别；
步骤S6：采用多通道集成机器学习的方式应用步骤五中获得的描述信息进行岩性识别或编码，构建岩性识别机器学习模型；
步骤S7：在未知井机器模型应用中实现岩性预测。
2.根据权利要求1所述的基于储层元目标不变特征描述的岩性识别方法，其特征在于，所述步骤S1中提取多测井曲线间的相关不变特征的方法为：相关性特征包括：皮尔逊相关系数和余弦相关系数，其分别通过下述公式(1)和公式(2)来进行计算：
Figure FDA0004170051660000011
Figure FDA0004170051660000012
其中，Si表示深度轴上第i个深度采样向量；Cov(Si,Si-1)表示相邻深度采样向量的协方差；σ(Si)表示深度采样向量Si的标准差；
距离测度包括：欧式距离测度、契比雪夫距离测度和城区街区距离测度，其分别通过公式(3)(4)(5)来进行计算：
Figure FDA0004170051660000021
Figure FDA0004170051660000022
Figure FDA0004170051660000023
3.根据权利要求1所述的基于储层元目标不变特征描述的岩性识别方法，其特征在于，所述步骤S2中提取多测井曲线间的结构不变特征的方法为：
为获得测井曲线间的结构张量特征，对于局部深度采样点向量集N(Si)，对其进行奇异值分解：
Figure FDA0004170051660000024
其中，λ1≥λ2为局部深度采样点向量集N(Si)的特征值，那么对应深度采样向量Si的结构张量特征取为：
Figure FDA0004170051660000025
对于给定的某条曲线X，其LBP纹理特征计算公式如下：
Figure FDA0004170051660000026
其中，Ni为该测井曲线第i个深度样点的局部邻域；fj为二值编码值，其编码规则如下：
Figure FDA0004170051660000027
4.根据权利要求1所述的基于储层元目标不变特征描述的岩性识别方法，其特征在于，步骤S3中提取多测井曲线间的统计不变特征的方法具体包括：
对于局部深度采样点向量集N(Si)，不变矩表示为：
φ1＝η20+η02                  (10)
Figure FDA0004170051660000036
φ3＝(η30-3η12)2+(3η21-η03)2             (12)
φ4＝(η30+η12)2+(η21+η03)2             (13)
Figure FDA0004170051660000031
φ6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)    (15)
Figure FDA0004170051660000032
其中，
Figure FDA0004170051660000033
M表示深度采样向量集的横向维度，即测井曲线条数；N表示深度采样向量集的纵向维度，即局部深度取样点数；
Figure FDA0004170051660000035
表示深度采样向量集中第i条曲线的第j个深度采样点的幅值；
从测井曲线对宏观交互统计信息方面给出灰度共生不变性纹理特征描述；对于差分测井曲线对(dX,dY)，分别对每条曲线进行量化或灰度化；灰度共生不变性纹理特征表达式：
TGLCM(i)＝GLCM(dX(i),dY(i))           (17)
其中，
Figure FDA0004170051660000034
此时，N(dX＝i,dY＝j)表示同一深度采样中dX＝i,dY＝j的个数；TN＝L*L为所有可能灰度对个数，其中，L为灰度级个数。
5.根据权利要求1所述的基于储层元目标不变特征描述的岩性识别方法，步骤S4中结合利用步骤S1中获得的相关差特征和步骤S2中获得的张量特征得到储层元目标精细准确的地质边缘分层点，从而实现自动分层的方法具体包括：
利用步骤S1中获得的相关差特征可以得到如下候选边缘点：
Figure FDA0004170051660000041
其中，ZCross(dCorr)表示dCorr相关差特征的上升过零点；N(pi)表示当前点pi的局部邻域；TdCorr为一阈值常数；
利用步骤S2中获得的储层结构张量特征得到如下候选边缘点：
PTen＝{pi|(pi∈Peak(Ten))}                      (19)
其中，Peak(Ten)表示Ten特征的峰值点；
总的边缘候选点为：
PEC＝U(PdCorr,PTen)                                (20)。
6.根据权利要求1所述的基于储层元目标不变特征描述的岩性识别方法，其特征在于，步骤S5中通过对小层内测井曲线数据集所能获取的可用信息以及不变特征进行完备描述，实现对每一个精细小层的岩性识别的方法具体包括：
对小层内测井曲线数据集进行描述可用信息，包括：小层的厚度、层内曲线的相对高度信息、层内曲线的绝对高度信息以及小层内各曲线的形状/形态信息以及小层内数据与上下邻层的上下文信息。
7.根据权利要求1所述的基于储层元目标不变特征描述的岩性识别方法，其特征在于，包括：
其中，小层的厚度信息：直接可以利用小层顶底深度差得到，即：
Thick＝Depthbottom-Depthtop                   (21)
层内曲线的相对高度信息：
Figure FDA0004170051660000042
其中，
Figure FDA0004170051660000043
表示第i个小层的第j条曲线；
层内曲线的绝对高度信息：
Figure FDA0004170051660000044
小层内各曲线形态/形状信息：
利用步骤S2中所提到的结构张量和LBP纹理特征来描述；
小层内数据与相邻层的上下文信息：
从层厚对比关系、绝对幅度关系、层结构相似性关系对小层上下文信息进行描述，其中的层结构相似性关系利用层结构张量、不变距及LBP纹理特征信息的相关性进行计算。
CN202110426395.1A 2021-04-20 2021-04-20 基于储层元目标不变特征描述的岩性识别方法 Active CN113130018B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110426395.1A CN113130018B (zh) 2021-04-20 2021-04-20 基于储层元目标不变特征描述的岩性识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110426395.1A CN113130018B (zh) 2021-04-20 2021-04-20 基于储层元目标不变特征描述的岩性识别方法

Publications (2)

Publication Number Publication Date
CN113130018A CN113130018A (zh) 2021-07-16
CN113130018B true CN113130018B (zh) 2023-05-12

Family

ID=76778460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110426395.1A Active CN113130018B (zh) 2021-04-20 2021-04-20 基于储层元目标不变特征描述的岩性识别方法

Country Status (1)

Country Link
CN (1) CN113130018B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109655933A (zh) * 2017-10-11 2019-04-19 中国石油化工股份有限公司 非常规地层的岩性识别方法及***

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2397664B (en) * 2003-01-24 2005-04-20 Schlumberger Holdings System and method for inferring geological classes
US8219319B2 (en) * 2009-12-18 2012-07-10 Chevron U.S.A. Inc. Workflow for petrophysical and geophysical formation evaluation of wireline and LWD log data
CN103149589B (zh) * 2013-02-22 2016-01-06 中国石油天然气股份有限公司 火成岩油气勘探方法及装置
US10815758B2 (en) * 2015-01-16 2020-10-27 Schlumberger Technology Corporation Oilfield service selector
CN106951924B (zh) * 2017-03-27 2020-01-07 东北石油大学 基于AdaBoost算法的地震相干体图像断层自动识别方法及***
CN109388816A (zh) * 2017-08-07 2019-02-26 中国石油化工股份有限公司 一种复杂岩性的分级识别方法
CN109425896B (zh) * 2017-08-25 2021-04-30 中国石油天然气股份有限公司 白云岩油气储层分布预测方法及装置
CN110685600B (zh) * 2018-06-20 2021-01-19 中国石油化工股份有限公司 一种用于地质导向的钻头调整预测方法
CN109919184A (zh) * 2019-01-28 2019-06-21 中国石油大学(北京) 一种基于测井数据的多井复杂岩性智能识别方法及***
CN110097069A (zh) * 2019-03-11 2019-08-06 西安科技大学 一种基于深度多核学习的支持向量机岩相识别方法及装置
CN112528106B (zh) * 2019-12-20 2024-06-25 中国石油天然气股份有限公司 火山岩岩性识别方法
CN112016477B (zh) * 2020-08-31 2023-06-09 电子科技大学 一种基于深度学习的测井沉积微相识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109655933A (zh) * 2017-10-11 2019-04-19 中国石油化工股份有限公司 非常规地层的岩性识别方法及***

Also Published As

Publication number Publication date
CN113130018A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN109653725A (zh) 基于沉积微相和岩石相的混积储层水淹程度测井解释方法
US7519476B1 (en) Method of seismic interpretation
CN111596978A (zh) 用人工智能进行岩相分类的网页显示方法、模块和***
CN106529667A (zh) 一种大数据环境下基于模糊深度学习的测井相识别与分析方法
Xueqing et al. Bi-LSTM deep neural network reservoir classification model based on the innovative input of logging curve response sequences
CN109613623B (zh) 一种基于残差网络的岩性预测方法
CN117576335B (zh) 面向矿产区域勘查的三维空间模型数据处理方法及***
CN110412662A (zh) 基于地震多属性深度学习的薄互层储层预测方法
CN114529110A (zh) 一种基于深度神经网络模型的岩相反演方法及***
CN105629304A (zh) 一种基于多属性的砂体叠合模式识别方法
CN116168224A (zh) 基于成像砾石含量的机器学习岩相自动识别方法
CN113608265A (zh) 一种基于深度混合神经网络的储层预测方法
CN104459790B (zh) 含油气性盆地有效储层的分析方法和装置
Peng et al. Predicting rate of penetration in ultra-deep wells based on deep learning method
CN113130018B (zh) 基于储层元目标不变特征描述的岩性识别方法
Dramsch Machine learning in 4D seismic data analysis
Wang et al. Quantitative evaluation of unconsolidated sandstone heavy oil reservoirs based on machine learning
You et al. Automatic facies classification from acoustic image logs using deep neural networks
WO2022178507A1 (en) Geologic learning framework
Zhu et al. Seismic Facies Analysis Using the Multiattribute SOM‐K‐Means Clustering
Wang et al. A lithology identification approach using well logs data and convolutional long short-term memory networks
Deng et al. Machine learning based stereoscopic triple sweet spot evaluation method for shale reservoirs
CN113344729B (zh) 一种基于小样本学习的剩余油挖潜方法
Zhang et al. A convolutional neural network approach for stratigraphic interface detection
Zhang et al. Automated well top picking and reservoir property analysis of the Belly River Formation of the Western Canada Sedimentary Basin

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