CN113738353B - 一种含油页岩可动油量预测方法、***、设备和存储介质 - Google Patents
一种含油页岩可动油量预测方法、***、设备和存储介质 Download PDFInfo
- Publication number
- CN113738353B CN113738353B CN202111141307.XA CN202111141307A CN113738353B CN 113738353 B CN113738353 B CN 113738353B CN 202111141307 A CN202111141307 A CN 202111141307A CN 113738353 B CN113738353 B CN 113738353B
- Authority
- CN
- China
- Prior art keywords
- oil
- movable oil
- movable
- data
- logging data
- 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 66
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000007637 random forest analysis Methods 0.000 claims abstract description 38
- 239000004058 oil shale Substances 0.000 claims abstract description 29
- 229930195733 hydrocarbon Natural products 0.000 claims description 25
- 150000002430 hydrocarbons Chemical class 0.000 claims description 25
- 239000004215 Carbon black (E152) Substances 0.000 claims description 23
- 238000000197 pyrolysis Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000001179 sorption measurement Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 9
- 238000005481 NMR spectroscopy Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- 229910052799 carbon Inorganic materials 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 239000002734 clay mineral Substances 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000003079 shale oil Substances 0.000 description 18
- 238000003066 decision tree Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 239000007789 gas Substances 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010206 sensitivity analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000003208 petroleum Substances 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种含油页岩可动油量预测方法、***、设备和存储介质,包括:基于待预测含油页岩储层单井的测井数据,建立基于随机森林的可动油量预测模型;将预先获取的实验可动油量数据对应的含油页岩储层的测井数据作为关键测井数据,并基于该关键测井数据和实验可动油量数据计算得到可动油量预测阈值;将关键测井数据输入可动油量预测模型中得到可动油量预测值,基于可动油量预测阈值和可动油量预测值的比较结果对建立的基于随机森林的可动油量预测模型进行调整,得到最终的可动油量预测模型;基于最终的可动油量预测模型与待测含油页岩储层全区的测井数据,获得含油页岩储层全区的可动油量预测结果。本发明的方法可操作性、实用性较强,便于地质推广应用。
Description
技术领域
本发明涉及一种基于随机森林算法的含油页岩可动油量预测方法、***、设备和存储介质,属于油气田分析技术领域。
背景技术
随着世界油气需求的不断攀升与常规油气发展的走向持续低迷,各个国家以及石油公司不得不探索新的勘探领域。随着近年来对新兴能源的不懈探索,非常规油气资源的地位在当前的能源架构中日益突显,近几年世界石油工业的重点正在从常规油气转向非常规油气。我国页岩油勘探开发起步较晚,但近几年来国内重点盆地非常规油气的勘探进展与所取得的成绩都表明我国具备开发页岩油的地质条件与资源前景。我国页岩油的勘探主要集中在湖相盆地,在鄂尔多斯盆地、准噶尔盆地、三塘湖盆地、松辽盆地、渤海湾盆地、吐哈盆地及四川盆地等地页岩油勘探开发均取得了一定的突破与进展。页岩油是未来石油资源、储量、产量实现大规模增长的优势领域是老油田增储上产、二次创业的重要支撑和发展方向。
在当前技术条件下,以吸附态和溶解态赋存于有机质中的页岩油资源开采利用难度巨大。因此,页岩油可动性成为页岩油可采效率与富集程度的控制因素。如何评价页岩油的可动性,预测页岩油的可动油量成为了页岩油勘探开发过程中的焦点问题。
目前对于页岩油可动油量的求取主要依靠几种方法:通过一维核磁共振技术与驱替实验评价泥页岩样品中的可动油量,量化可动油量的下限;通过二维核磁共振技术的核磁共振T2谱的弛豫时间评估可动含油量和分布;通过三维颗粒定量荧光技术利用页岩提取物的最大TSF荧光强度计算得到的页岩含油饱和度;通过多温阶热释烃分析或者萃取法在不同温阶下或者不同极性的溶剂对页岩样品的不同赋存状态页岩油进行提取,以获得页岩可动油量。
然而上述各方法中也存在一些问题,例如:通过岩心样品的多种联合实验可以获得页岩可动油量,然而样品以及实验条件有限,同样受地质条件、沉积环境及构造特征等影响页岩储层页岩可动性非均质性强,离散取芯得到的实验分析结果难以反映研究区全区的陆相泥页岩储层中的页岩可动油量,并且实验存在取样分析周期长、成本高的问题。
因此为了获得连续的页岩可动油量数据完成其纵向及平面的数据拓展,利用测井资料评价油页岩储层成为快速有效的方法。页岩储层在测井响应上具有典型的“三高一低”特征,即高自然伽马、高电阻率、高声波时差、低补偿密度。目前利用测井资料评价页岩储层含油性主要是利用这种响应差异来构建评价模型所采用的方法主要是多元线性回归法、△logR法及神经网络法。页岩含油率受成藏过程中多种因素的影响,用电阻率和声波时差测井响应通过常规数理统计方法难以表征含油率与其之间的内在关系,而△logR方法中基线值、有机碳背景值及叠合系数等均为人为确定,容易出现误差导致计算结果不准确;多元线性回归法选用的测井曲线人为推测因素过多,影响了用电因子的多样性和某些因子的不可测性,忽略了交互效应和非线性的因果关系,使得回归分析在某些情况下受到限制;神经网络法虽然能够处理参数间的非线性关系,进而提高预测的精度,但其短板较为明显,收敛速度慢且易于收敛于局部极值导致模型准确度不高。
发明内容
针对上述问题,本发明的目的是提供一种含油页岩可动油量预测方法、***、设备和存储介质,降低了预测成本及油气勘探成本,含油页岩的可动油含量的预测结果更加准确,提高了湖相泥页岩页岩可动油预测精度,从而实现页岩中可动油的定量表征。
为实现上述目的,本发明采取以下技术方案:
一种含油页岩可动油量预测方法,包括:基于待预测含油页岩储层单井的测井数据,建立基于随机森林的可动油量预测模型;将预先获取的实验可动油量数据对应的含油页岩储层的测井数据作为关键测井数据,并基于该关键测井数据和实验可动油量数据计算得到可动油量预测阈值;将关键测井数据输入可动油量预测模型中得到可动油量预测值,基于可动油量预测阈值和可动油量预测值的比较结果对建立的基于随机森林的可动油量预测模型进行调整,得到最终的可动油量预测模型;基于最终的可动油量预测模型与待测含油页岩储层全区的测井数据,获得含油页岩储层全区的可动油量预测结果。
所述基于待预测含油页岩储层单井的测井数据,建立基于随机森林的可动油量预测模型的方法,包括以下步骤:对待预测含油页岩储层单井的测井数据进行预处理,得到样本数据集;从样本数据集中,通过有放回的Boostrasp抽样,生成K组训练数据集,每组训练数据集分为被抽中数据与未被抽中数据2种;基于得到的K组训练数据集的被抽中数据,训练得到可动油预测模型;利用未被抽中数据检验可动油预测模型的精度,得到校验后的可动油预测模型。
所述将预先获取的实验可动油量数据对应的含油页岩储层的测井数据作为关键测井数据,并基于该关键测井数据和实验可动油量数据计算得到可动油量预测阈值的方法,包括:获取实验数据所对应的测井数据作为关键测井数据;依据关键测井数据,计算得到含油页岩储层单井的可动油预测阈值。
所述实验数据为冷冻碎样低温热解和多温阶热解联测实验数据。
所述依据关键测井数据,计算得到含油页岩储层单井的可动油预测阈值的方法,包括:根据常规热解和多温阶热释烃线性回归模型,获得含油页岩储层的第一可动油量数据;根据测井数据获得含油页岩储层的粘土矿物含量、总有机碳含量和储层孔隙度数据,并计算得到含油页岩储层的可动油吸附比率;根据测井数据、多温阶热释烃分析获得电阻率测井数据、声波时差测井数据和页岩储层可动系数,获得含油页岩储层的第二可动油量数据;根据常规热解、二维核磁共振驱替离心实验,获得含油页岩储层的可动油占比系数;根据含油页岩储层的第一可动油量数据、第二可动油量数据、可动油吸附比率以及可动油占比系数,计算获得含油页岩的可动油预测阈值。
所述将关键测井数据输入可动油量预测模型中得到可动油量预测值,基于可动油量预测阈值和可动油量预测值的比较结果对建立的基于随机森林的可动油量预测模型进行调整,得到最终的可动油量预测模型的方法,包括:将关键测井数据代入基于随机森林的可动油预测模型中,获得含油页岩储层的可动油量预测值;将可动油量预测值与可动油量预测阈值比较,根据比较结果对基于随机森林的可动油预测模型进行调整,得到最终的可动油预测模型。
一种含油页岩可动油量预测***,该***包括:模型训练模块,用于基于待预测含油页岩储层单井的测井数据,建立基于随机森林的可动油量预测模型;阈值计算模块,用于将预先获取的实验可动油量数据对应的含油页岩储层的测井数据作为关键测井数据,并基于该关键测井数据和实验可动油量数据计算得到可动油量预测阈值;模型评估模块,用于将关键测井数据输入可动油量预测模型中得到可动油量预测值,基于可动油量预测阈值和可动油量预测值的比较结果对建立的基于随机森林的可动油量预测模型进行调整,得到最终的可动油量预测模型;预测模块,用于基于可动油量预测模型与待测含油页岩储层全区的测井数据,获得含油页岩储层全区的可动油量预测结果。
所述阈值计算模块包括:实验可动油量数据计算模块,用于获取实验数据所对应的测井数据作为关键测井数据;可动油量预测阈值计算模块,用于依据关键测井数据,计算得到含油页岩储层单井的可动油预测阈值。
一种处理设备,所述处理设备至少包括处理器和存储器,所述存储器上存储有计算机程序,所述处理器运行所述计算机程序时执行以实现所述含油页岩可动油量预测方法的步骤。
一种计算机存储介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现所述含油页岩可动油量预测方法的步骤。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明依据液氮冷冻低温热解和多温阶热释烃联测实验结果建立预测模型,降低了预测成本及油气勘探成本,页岩可动油含量的预测结果更加准确,提高了湖相泥页岩页岩可动油预测精度,从而实现页岩中可动油的定量表征。
2、本发明采用的随机森林方法,对每条测井曲线做关于页岩可动油量的敏感性分析,不受到人为因素影响。
本发明的方法可操作性、实用性较强,便于地质推广应用。
附图说明
图1是本发明实施例提供的一种含油页岩预测可动油量预测方法的流程示意图;
图2是本发明实施例提供的某井测井资料数据的参数示意图;
图3是本发明实施例提供的实测与预测数据对比散点图;
图4是本发明实施例提供的可动油量预测模型的预测结果示意图;
图5是本发明实施例提供的某井测井及实验数据的参数示意图;
图6是本发明实施例提供的轻烃恢复后岩心热释烃含量分布图;
图7是本发明实施例提供的含油页岩可动油量预测***的结构示意图;
图8是本发明实施例提供的含油页岩可动油量预测设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
为更好的理解本发明,首先对本发明用到的随机森林原理和多温阶热解原理做简单介绍。
一、随机森林原理
决策树是广泛应用的一种树状分类器,在树的每个节点通过选择最优的***特征不停地进行分类,直到达到建树的停止条件,比如叶节点里的数据都是同一个类别的。当输入待分类样本时,决策树确定一条由根节点到叶节点的唯一路径,该路径叶节点的类别就是待分类样本的所属类别。决策树是一种简单且快速的非参数分类方法,一般情况下,它有很好的准确率,然而当数据复杂时,决策树有性能提升的瓶颈。
而随机森林是基于决策树的一种集成学习算法。随机森林是2001年由LeoBreiman将Bagging集成学习理论与随机子空间方法相结合,提出的一种机器学习算法。随机森林是以决策树为基分类器的一个集成学习模型,它包含多个由Bagging集成学习技术训练得到的决策树,当输入待分类的样本时,最终的分类结果由单个决策树的输出结果投票决定。随机森林解决了决策树性能瓶颈的问题,对噪声和异常值有较好的容忍性,对高维数据分类问题具有良好的可扩展性和并行性。
此外,随机森林是由数据驱动的一种非参数分类方法,只需通过对给定样本的学习训练分类规则,并不需要先验知识。在Breiman提出随机森林算法之后,由于其良好的性能表现,该算法被广泛应用到诸如生物信息领域对基因序列的分类和回归、经济金融领域对客户信用的分析及反欺诈、计算机视觉领域对人体的监测与跟踪、手势识别、动作识别、人脸识别、性别识别和行为与事件识别,语音领域的语音识别与语音合成、数据挖掘领域的异常检测、度量学习等实际领域。
二、多温阶热解原理
以“热解S1”法为代表的热释烃法,这类方法通过不断的改进,由传统的温阶热释烃含量——300℃恒温3h测试S1,然后以25℃/min的速率升温至600℃测试S2;到目前改进的4温阶热释烃含量——在200℃恒温1min测试S1-1,然后以25℃/min的速率升温至350℃恒温1min测试S1-2,再以25℃/min的速率升温至450℃恒温1min测试S2-1,最后以25℃/min的速率升温至600℃测试S2-2。S1-1和S1-2主要是游离态的非极性和极性较弱的化合物,S2-1主要是重烃和极性较强的胶质沥青质吸附态物质,而S2-2主要是干酪根热解生烃组分。因此在页岩油研究中,S1-1与S1-2之和表征了页岩中游离态油量,S1-1由于是轻油,反映了现实可动油量,而S1-1与S1-2之和反映了最大可动油量;参数S2-1主要表征了页岩中吸附态油量(含重烃与干酪根互溶烃),参数S2-2主要表征了页岩中干酪根的剩余生烃潜力。
实施例1
如图1所示,本实施例1提供一种陆相泥页岩可动油量预测方法,包括以下步骤:
步骤S1、基于待预测含油页岩储层单井的测井数据,建立基于随机森林的可动油量预测模型;
步骤S2、将预先获取的实验可动油量数据对应的待预测含油页岩储层的测井数据作为关键测井数据,并基于该关键测井数据和实验可动油量数据计算得到可动油量预测阈值;
步骤S3、将关键测井数据输入步骤S1中的可动油量预测模型中得到可动油量预测值,基于可动油量预测阈值和可动油量预测值的比较结果对建立的基于随机森林的可动油量预测模型进行调整,得到最终的可动油量预测模型;
步骤S4、基于步骤S3中的可动油量预测模型与待测含油页岩储层全区的测井数据,获得含油页岩储层全区的可动油量预测结果。
上述步骤S1中,基于待预测含油页岩储层单井的测井数据,建立基于随机森林的可动油量预测模型的方法,包括以下步骤:
预处理:对待预测含油页岩储层单井的测井数据进行预处理,得到样本数据集;
抽样:从样本数据集中,通过有放回的Boostrasp(有放回抽样)抽样,生成K组训练数据集,每组训练数据集分为被抽中数据与未被抽中数据(被称作袋外数据)2种,用于训练产生一个决策树。
生长:基于得到的K组训练数据集的被抽中数据,训练得到可动油预测模型。
在每次分节点时,从M个属性中(即M个不同测井的测井响应值)随机选取m个特征,依据Gini指标选取最优特征进行分支充分生长,直到无法再生长为止,不进行剪枝。
检验:利用袋外数据检验可动油预测模型的精度,得到校验后的可动油预测模型。
由于袋外数据未参与建模,其能一定程度上检验模型效果与泛化能力。通过袋外数据的预测误差,确定算法中最佳决策树数目重新进行建模。
优选地,上述步骤S2中,具体包括以下步骤:
步骤S2.1、依据冷冻碎样低温热解和多温阶热解联测实验数据,获取对应的待预测含油页岩储层的测井数据作为关键测井数据。
其中,由于每个实验数据点都有测井数据相对应,但测井数据相对应的点不一定有实验数据,所以本发明实施例根据实验数据对测井数据进行挑选,用挑选出的测井数据作为关键测井数据来对可动油预测阈值进行预测。
步骤S2.2、基于关键测井数据,计算得到待预测含油页岩储层单井的可动油量预测阈值。
具体地,基于实验数据所对应的关键测井数据,预测得到含油页岩样品的可动油预测阈值的方法,包括:
步骤S2.2.1、根据常规热解和多温阶热释烃线性回归模型,获得含油页岩储层的第一可动油量数据;
步骤S2.2.2、根据关键测井数据获得含油页岩储层的粘土矿物含量、总有机碳含量和储层孔隙度数据,并计算得到含油页岩储层的可动油吸附比率;
步骤S2.2.3、根据关键测井数据、多温阶热释烃分析获得电阻率测井数据、声波时差测井数据和页岩储层可动系数,获得含油页岩储层的第二可动油量数据;
步骤S2.2.4、根据常规热解、二维核磁共振驱替离心实验,获得含油页岩储层的可动油占比系数;
步骤S2.2.5、根据含油页岩储层的第一可动油量数据、第二可动油量数据、可动油吸附比率以及可动油占比系数,计算获得含油页岩的可动油量预测阈值。
优选地,上述步骤S3中,具体的包括以下步骤:
步骤S3.1、将关键测井数据代入步骤S1中的基于随机森林的可动油预测模型中,获得含油页岩储层的可动油量预测值。
步骤S3.2、将可动油量预测值与可动油量预测阈值比较,根据比较结果对基于随机森林的可动油预测模型进行调整,得到最终的可动油预测模型。
实施例2
本实施例以图2所示的某井测井资料数据为例,对本发明实施例1进行介绍。
如图3和图4所示,为可动油量预测模型的预测结果示意图。图中,点为实测值,线为预测值连线,可以直观表达预测效果。
如图5所示,为某井测井及实验数据的参数示意图。表现了区域性测井资料丰度程度、可动油量预测模型建立的可行性及建立后的可实施性。其中,SP、GR、CAL、AC、CNL及DEN等为测井(曲线)数据,后续点数据为常规热解、液氮冷冻热解及多温阶热释烃分析实验得出数据。
如图6所示,“计算出的轻烃散失量”为散失前即为轻烃散失量,S恢复为计算出页岩中所有轻烃散失量,将其按一定比例系数换算累加到S1-1和S1-2,S1-1和S1-2上所有已散失与未散失相加为轻烃未散失时含油页岩的可动油含量。
本发明采用的随机森林方法,对每条测井曲线做关于页岩可动油量的敏感性分析,不受到人为因素影响。随机森林方法能处理很高维度的数据,并且不用做特征选择,训练速度快,能提供平衡数据集误差;可以解决分类与回归两种类型的问题,并在这两方面都有相当好的估计表现;随机森林使用的是无偏估计模型,泛化能力强,多方面表现性能好与其他算法相比有着很大优势。
实施例3
如图7所示,上述实施例1提供了含油页岩可动油量预测方法,与之相对应地,本实施例提供一种含油页岩可动油量预测***。本实施例提供的预测***可以实施实施例1的含油页岩可动油量预测方法,该预测***可以通过软件、硬件或软硬结合的方式来实现。例如,该***可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的预测***基本相似于方法实施例,所以本实施例描述过程比较简单,相关之处可以参见实施例1的部分说明即可,本实施例的***的实施例仅仅是示意性的。
本实施例提供的一种含油页岩可动油量预测***,包括:
模型训练模块,用于基于待预测含油页岩储层单井的测井数据,建立基于随机森林的可动油量预测模型;
阈值计算模块,用于将预先获取的实验可动油量数据对应的含油页岩储层的测井数据作为关键测井数据,并基于该关键测井数据和实验可动油量数据计算得到可动油量预测阈值;
模型评估模块,用于将关键测井数据输入可动油量预测模型中得到可动油量预测值,基于可动油量预测阈值和可动油量预测值的比较结果对建立的基于随机森林的可动油量预测模型进行调整,得到最终的可动油量预测模型;
预测模块,用于基于可动油量预测模型与待测含油页岩储层全区的测井数据,获得含油页岩储层全区的可动油量预测结果。
实施例4
如图8所示,本实施例提供一种与本实施例1所提供的一种含油页岩可动油量预测方法对应的处理设备,处理设备可以是用于客户端的处理设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行实施例1的方法。
所述处理设备包括处理器、存储器、输入装置、输出装置和总线,处理器、存储器、输入装置、输出装置通过总线连接,以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行本实施例1所提供的一种含油页岩可动油量预测方法。
在一些实现中,存储器可以是高速随机存取存储器(RAM:Random AccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
在另一些实现中,处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器,在此不做限定。
实施例5
本实施例1的一种含油页岩可动油量预测方法可被具体实现为一种计算机程序产品,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本实施例1所述的一种含油页岩可动油量预测方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
需要说明的是,附图中的流程图和框图显示了根据本申请的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (7)
1.一种含油页岩可动油量预测方法,其特征在于,包括:
基于待预测含油页岩储层单井的测井数据,建立基于随机森林的可动油量预测模型;
将预先获取的实验可动油量数据对应的含油页岩储层的测井数据作为关键测井数据,并基于该关键测井数据和实验可动油量数据计算得到可动油量预测阈值;
将关键测井数据输入可动油量预测模型中得到可动油量预测值,基于可动油量预测阈值和可动油量预测值的比较结果对建立的基于随机森林的可动油量预测模型进行调整,得到最终的可动油量预测模型;
具体地,包括:
获取实验数据所对应的测井数据作为关键测井数据;
依据关键测井数据,计算得到含油页岩储层单井的可动油预测阈值;
其中,所述依据关键测井数据,计算得到含油页岩储层单井的可动油预测阈值的方法,包括:
根据常规热解和多温阶热释烃线性回归模型,获得含油页岩储层的第一可动油量数据;所述实验数据为冷冻碎样低温热解和多温阶热解联测实验数据;
根据测井数据获得含油页岩储层的粘土矿物含量、总有机碳含量和储层孔隙度数据,并计算得到含油页岩储层的可动油吸附比率;
根据测井数据、多温阶热释烃分析获得电阻率测井数据、声波时差测井数据和页岩储层可动系数,获得含油页岩储层的第二可动油量数据;
根据常规热解、二维核磁共振驱替离心实验,获得含油页岩储层的可动油占比系数;
根据含油页岩储层的第一可动油量数据、第二可动油量数据、可动油吸附比率以及可动油占比系数,计算获得含油页岩的可动油预测阈值;
基于最终的可动油量预测模型与待测含油页岩储层全区的测井数据,获得含油页岩储层全区的可动油量预测结果。
2.如权利要求1所述的一种含油页岩可动油量预测方法,其特征在于,所述基于待预测含油页岩储层单井的测井数据,建立基于随机森林的可动油量预测模型的方法,包括以下步骤:
对待预测含油页岩储层单井的测井数据进行预处理,得到样本数据集;
从样本数据集中,通过有放回的Boostrasp抽样,生成K组训练数据集,每组训练数据集分为被抽中数据与未被抽中数据2种;
基于得到的K组训练数据集的被抽中数据,训练得到可动油预测模型;
利用未被抽中数据检验可动油预测模型的精度,得到校验后的可动油预测模型。
3.如权利要求1所述的一种含油页岩可动油量预测方法,其特征在于,所述将关键测井数据输入可动油量预测模型中得到可动油量预测值,基于可动油量预测阈值和可动油量预测值的比较结果对建立的基于随机森林的可动油量预测模型进行调整,得到最终的可动油量预测模型的方法,包括:
将关键测井数据代入基于随机森林的可动油预测模型中,获得含油页岩储层的可动油量预测值;
将可动油量预测值与可动油量预测阈值比较,根据比较结果对基于随机森林的可动油预测模型进行调整,得到最终的可动油预测模型。
4.一种含油页岩可动油量预测***,其特征在于,该***包括:
模型训练模块,用于基于待预测含油页岩储层单井的测井数据,建立基于随机森林的可动油量预测模型;
阈值计算模块,用于将预先获取的实验可动油量数据对应的含油页岩储层的测井数据作为关键测井数据,并基于该关键测井数据和实验可动油量数据计算得到可动油量预测阈值,包括:
获取实验数据所对应的测井数据作为关键测井数据;
依据关键测井数据,计算得到含油页岩储层单井的可动油预测阈值;
其中,所述依据关键测井数据,计算得到含油页岩储层单井的可动油预测阈值的方法,包括:
根据常规热解和多温阶热释烃线性回归模型,获得含油页岩储层的第一可动油量数据;所述实验数据为冷冻碎样低温热解和多温阶热解联测实验数据;
根据测井数据获得含油页岩储层的粘土矿物含量、总有机碳含量和储层孔隙度数据,并计算得到含油页岩储层的可动油吸附比率;
根据测井数据、多温阶热释烃分析获得电阻率测井数据、声波时差测井数据和页岩储层可动系数,获得含油页岩储层的第二可动油量数据;
根据常规热解、二维核磁共振驱替离心实验,获得含油页岩储层的可动油占比系数;
根据含油页岩储层的第一可动油量数据、第二可动油量数据、可动油吸附比率以及可动油占比系数,计算获得含油页岩的可动油预测阈值;
模型评估模块,用于将关键测井数据输入可动油量预测模型中得到可动油量预测值,基于可动油量预测阈值和可动油量预测值的比较结果对建立的基于随机森林的可动油量预测模型进行调整,得到最终的可动油量预测模型;
预测模块,用于基于可动油量预测模型与待测含油页岩储层全区的测井数据,获得含油页岩储层全区的可动油量预测结果。
5.如权利要求4所述的一种含油页岩可动油量预测***,其特征在于,所述阈值计算模块包括:
实验可动油量数据计算模块,用于获取实验数据所对应的测井数据作为关键测井数据;
可动油量预测阈值计算模块,用于依据关键测井数据,计算得到含油页岩储层单井的可动油预测阈值。
6.一种处理设备,所述处理设备至少包括处理器和存储器,所述存储器上存储有计算机程序,其特征在于,所述处理器运行所述计算机程序时执行以实现权利要求1到3任一项所述含油页岩可动油量预测方法的步骤。
7.一种计算机存储介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现根据权利要求1到3任一项所述含油页岩可动油量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111141307.XA CN113738353B (zh) | 2021-09-28 | 2021-09-28 | 一种含油页岩可动油量预测方法、***、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111141307.XA CN113738353B (zh) | 2021-09-28 | 2021-09-28 | 一种含油页岩可动油量预测方法、***、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113738353A CN113738353A (zh) | 2021-12-03 |
CN113738353B true CN113738353B (zh) | 2023-05-26 |
Family
ID=78741547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111141307.XA Active CN113738353B (zh) | 2021-09-28 | 2021-09-28 | 一种含油页岩可动油量预测方法、***、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113738353B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017139271A2 (en) * | 2016-02-08 | 2017-08-17 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
CN111008483A (zh) * | 2019-12-20 | 2020-04-14 | 中国石油大学(北京) | 一种模型构建方法、装置及设备 |
CN112282742A (zh) * | 2020-10-22 | 2021-01-29 | 中国石油大学(华东) | 一种页岩油优质储层的预测方法 |
GB202104244D0 (en) * | 2020-05-01 | 2021-05-12 | Landmark Graphics Corp | Facilitating hydrocarbon exploration by applying a machine learning model to basin data |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278866B (zh) * | 2013-06-07 | 2015-10-14 | 中国石油大学(华东) | 一种泥页岩层系内页岩油资源潜力评价方法 |
CN104237965B (zh) * | 2014-09-02 | 2017-01-25 | 中国石油天然气股份有限公司 | 页岩油资源评价方法和装置 |
CN106547966B (zh) * | 2016-11-01 | 2019-07-05 | 中国石油大学(华东) | 一种页岩油吸附量与可动量评价模型及其建立、应用方法 |
CN108573320B (zh) * | 2018-03-08 | 2021-06-29 | 中国石油大学(北京) | 页岩气藏最终可采储量的计算方法和*** |
CN108956952A (zh) * | 2018-08-01 | 2018-12-07 | 中国石油化工股份有限公司江汉油田分公司勘探开发研究院 | 盐间泥页岩层系油藏地质甜点的预测方法及勘探方法 |
CN109611087B (zh) * | 2018-12-11 | 2021-10-08 | 中国石油大学(北京) | 一种火山岩油藏储层参数智能预测方法及*** |
CN110717249B (zh) * | 2019-09-16 | 2021-04-09 | 中国石油大学(北京) | 页岩气储层测井孔隙度快速预测方法及*** |
US11746651B2 (en) * | 2019-10-28 | 2023-09-05 | Conocophillips Company | Integrated machine learning framework for optimizing unconventional resource development |
CN110992200B (zh) * | 2019-12-11 | 2022-09-27 | 长江大学 | 基于随机森林的页岩气井分段压裂效果评价和产量预测方法 |
CN112036430A (zh) * | 2020-06-05 | 2020-12-04 | 中国海洋石油集团有限公司 | 一种基于随机森林算法的储层含油性预测方法 |
CN112255256A (zh) * | 2020-09-26 | 2021-01-22 | 陕西省煤田地质集团有限公司 | 一种页岩油可动比例定量评价方法 |
CN112487620B (zh) * | 2020-11-20 | 2022-08-19 | 中国石油大学(华东) | 一种页岩油可动资源量的评价方法 |
CN112576238B (zh) * | 2020-12-02 | 2022-10-28 | 中国石油大学(华东) | 一种低渗透油藏剩余油位置与含量测定***、方法及应用 |
CN112862169B (zh) * | 2021-01-28 | 2024-03-29 | 中国石油大学(北京) | 预测陆相泥页岩游离油含量的方法及装置 |
CN113065279A (zh) * | 2021-03-15 | 2021-07-02 | 中国石油大学(北京) | 预测总有机碳含量的方法、装置、设备及存储介质 |
-
2021
- 2021-09-28 CN CN202111141307.XA patent/CN113738353B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017139271A2 (en) * | 2016-02-08 | 2017-08-17 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
CN111008483A (zh) * | 2019-12-20 | 2020-04-14 | 中国石油大学(北京) | 一种模型构建方法、装置及设备 |
GB202104244D0 (en) * | 2020-05-01 | 2021-05-12 | Landmark Graphics Corp | Facilitating hydrocarbon exploration by applying a machine learning model to basin data |
CN112282742A (zh) * | 2020-10-22 | 2021-01-29 | 中国石油大学(华东) | 一种页岩油优质储层的预测方法 |
Non-Patent Citations (6)
Title |
---|
Geological characteristics and shale oil potential of the lacustrine immature to low mature shale oil system;Xiaoping Liu;Energy Sources;第43卷(第13期);1577-1599 * |
利用随机森林回归算法预测总有机碳含量;冯明刚;严伟;葛新民;朱林奇;;矿物岩石地球化学通报(第03期) * |
基于最小二乘支持向量机的油页岩含油率近红外光谱分析;张福东;刘杰;王智宏;;高等学校化学学报(第10期) * |
基于门控循环单元神经网络的储层孔渗饱参数预测;王俊;曹俊兴;尤加春;刘杰;周欣;;石油物探(第04期) * |
致密含气砂岩核磁共振―声波速度联合实验;邓少贵;牛云峰;赵岳;马明明;谢伟彪;庄东志;;石油学报(第06期) * |
鄂尔多斯盆地西南部彬长区块三叠系延长组7段3亚段页岩油勘探前景探讨;李志明;陶国亮;黎茂稳;钱门辉;谢小敏;蒋启贵;刘鹏;鲍云杰;夏东领;;石油与天然气地质(第03期) * |
Also Published As
Publication number | Publication date |
---|---|
CN113738353A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tariq et al. | A holistic approach to develop new rigorous empirical correlation for static Young's modulus | |
Liu et al. | Predictive model for water absorption in sublayers using a machine learning method | |
Lu et al. | Lithology identification using graph neural network in continental shale oil reservoirs: A case study in Mahu Sag, Junggar Basin, Western China | |
Guo et al. | Optimization of fracturing parameters for tight oil production based on genetic algorithm | |
Hongliang et al. | Management and instant query of distributed oil and gas production dynamic data | |
Li et al. | Prediction of shale gas production by hydraulic fracturing in changning area using machine learning algorithms | |
Wang et al. | Unsupervised contrastive learning for few-shot TOC prediction and application | |
CN114741944A (zh) | 一种利用机器学习和深度学习算法预测测井曲线的方法 | |
Huang et al. | A deep-learning-based graph neural network-long-short-term memory model for reservoir simulation and optimization with varying well controls | |
CN113738353B (zh) | 一种含油页岩可动油量预测方法、***、设备和存储介质 | |
Ren et al. | Flexible learning tree augmented naïve classifier and its application | |
Li et al. | Lithology classification based on set-valued identification method | |
Gandhi et al. | Overview of feature subset selection algorithm for high dimensional data | |
Sun et al. | Optimization of models for rapid identification of oil and water layers during drilling-a win-win strategy based on machine learning | |
Li et al. | Single-well lithofacies identification based on logging response and convolutional neural network | |
Ruiz et al. | Combined artificial intelligence modeling for production forecast in an oil field | |
Wang et al. | Capturing intrinsic features from field data for predicting the production of natural gas | |
Daribayev et al. | Implementation of the solution to the oil displacement problem using machine learning classifiers and neural networks | |
Ma et al. | In-situ stresses prediction by using a CNN-BiLSTM-Attention hybrid neural network | |
Qin et al. | Predicting Heavy Oil Production by Hybrid Data‐Driven Intelligent Models | |
Huang et al. | Reservoir parameters prediction based on spatially transferred long short-term memory network | |
CN112114360A (zh) | 一种地震波形分析方法及装置 | |
Liao et al. | Predictive Analytics and Statistical Learning for Waterflooding Operations in Reservoir Simulations | |
Fan et al. | A Novel Ensemble Machine Learning Model for Oil Production Prediction with Two-Stage Data Preprocessing | |
Zhao et al. | Forecasting Gas Well Classification Based on a Two-Dimensional Convolutional Neural Network Deep Learning Model |
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 |