本技术涉及石油勘探,尤其涉及一种正演测井数据集的构建方法、使用方法、设备和介质。
背景技术:
1、在石油勘探技术领域中,基于数据驱动的机器学习智能地球物理测井有望显著提高测井资料处理与解释的效率,因此,具有广阔的应用前景。然而,在实际应用中,一方面,基于数据驱动的机器学习智能地球物理测井,如,储层物性参数预测面临小样本、少标签和可解释性差等问题;另一方面,人工解释实测数据是基于数据驱动的机器学习智能地球物理测井数据集标签的主要来源,但井下油气储层复杂多样,加之测井反演的多解性和地层的非均质性,实测数据集的人工解释标签,不仅量少,可靠性也存疑。
2、为提升测井数据集的数据质量,相关技术通常是利用现有测井数据生成综合测井曲线的机器学习方法或使用无监督人工神经网络补全缺省测井数据的方法,但仍存在训练得到的测井模型预测的准确率低的问题。
技术实现思路
1、本技术提供一种正演测井数据集的构建方法、使用方法、设备和介质,用以解决通过测井数据集训练得到的测井模型预测的准确率低的问题。
2、第一方面,本技术提供一种正演测井数据集的构建方法,包括:
3、获取待勘测区域对应的虚拟区域的地质信息和地层环境,虚拟区域是根据待勘探区域的实际情况模拟的;
4、根据地质信息,预测储层物性和岩石类型;
5、根据储层物性、岩石类型和地层环境构建地层模型和井筒模型;
6、根据地质信息、地层模型与井筒模型,确定储层物性参数、测井响应方程和区域性解释参数;
7、根据储层物性参数、测井响应方程和区域性解释参数,得到理论常规测井响应值组合;
8、根据理论常规测井响应值组合,构建待勘测区域对应的正演测井数据集。
9、一种可能的实施方式中,根据储层物性、岩石类型和地层环境构建地层模型和井筒模型,包括:
10、根据储层物性和岩石类型,得到岩石成分的占比和孔隙流体的占比,其中,储层物性包括岩石结构、储集空间类型和孔隙结构,岩石类型包括岩石成分;
11、根据岩石成分的占比、孔隙流体的占比和地层环境,构建地层模型,并得到储层物性参数的参数范围,地层模型满足物质平衡方程,储层物性参数包括孔隙度;
12、根据孔隙度、孔隙结构、待勘探区域的井的类型和钻井液类型,构建井筒模型,井筒模型满足物理模型要求。
13、一种可能的实施方式中,根据地质信息、地层模型与井筒模型,确定储层物性参数、测井响应方程和区域性解释参数,包括:根据地质信息,在参数范围内确定储层物性参数,储层物性参数遵循物质平衡方程;根据正演测井数据集对应的测井响应值类型、地层模型和井筒模型,确定测井响应方程;根据地质信息,确定测井响应方程的区域性解释参数。
14、一种可能的实施方式中,根据储层物性参数、测井响应方程和区域性解释参数,得到理论常规测井响应值组合,包括:将储层物性参数和区域性解释参数代入测井响应方程中,得到理论常规测井响应值组合,理论常规测井响应值组合包括补偿密度、声波时差、补偿中子、深电阻率、中电阻率、浅电阻率、自然伽马、自然电位以及井径等。
15、一种可能的实施方式中,根据理论常规测井响应值组合,构建待勘测区域对应的正演测井数据集,包括:根据地层环境和测井仪器数据,对理论常规测井响应值组合中的理论测井响应值添加噪音,得到待勘测区域对应的正演测井数据集,噪音服从正态分布。
16、一种可能的实施方式中,根据地层环境和测井仪器数据,对理论常规测井响应值组合中的理论测井响应值添加噪音,得到待勘测区域对应的正演测井数据集,包括:对理论测井响应值进行校正,得到校正值;校正包括地层环境的相关误差校正和测井仪器的系统误差校正;根据地层环境和测井仪器数据,对校正值添加噪音,得到待勘测区域对应的正演测井数据集。
17、第二方面,本技术提供一种正演测井数据集使用方法,包括:根据需求获取正演测井数据集,正演测井数据集是根据第一方面的正演测井数据集的构建方法得到的,正演测井数据集可以是包含不同数据类型的数据集;使用正演测井数据集,训练得到基于数据驱动机器学习的智能地球物理测井模型。
18、一种可能的实施方法中,生成一个各类数据分布均衡、标签齐全的正演测井数据集,作为地球物理测井标准数据集,用于训练机器学习模型,并横向对比各种机器学习方法在地球物理测井中的效果。
19、另一种可能的实施方法中,根据实测数据的地质情况,生成实测数据中数据类型较少的正演测井数据集,将实测数据与正演测井数据集混合后用于训练机器学习模型。
20、另一种可能的实施方法中,根据实测数据的地质情况,生成无噪音或少噪音正演测井数据集,与实测数据按比例混合后用于训练机器学习模型。
21、另一种可能的实施方法中,根据实测数据的地质情况,生成大量正演测井数据集,利用迁移学习,先使用正演测井数据集训练源模型,再将源模型的参数迁移至目标模型中,使用实测数据对目标模型进行训练。
22、第三方面,本技术提供一种正演测井数据集的构建装置,包括:
23、获取模块,用于获取待勘测区域对应的虚拟区域的地质信息和地层环境,虚拟区域是根据待勘探区域的实际情况模拟的;
24、预测模块,用于根据地质信息,预测储层物性和岩石类型;
25、第一构建模块,用于根据储层物性、岩石类型和地层环境构建地层模型和井筒模型;
26、第一确定模块,用于根据地质信息、地层模型与井筒模型,确定储层物性参数、测井响应方程和区域性解释参数;
27、第二确定模块,用于根据储层物性参数、测井响应方程和区域性解释参数,得到理论常规测井响应值组合;
28、第二构建模块,用于根据理论常规测井响应值组合,构建待勘测区域对应的正演测井数据集。
29、一种可能的实施方式中,第一构建模块可以具体用于:根据储层物性和岩石类型,得到岩石成分的占比和孔隙流体的占比,其中,储层物性包括岩石结构、储集空间类型和孔隙结构,岩石类型包括岩石成分;根据岩石成分的占比、孔隙流体的占比和地层环境,构建地层模型,并得到储层物性参数的参数范围,地层模型满足物质平衡方程,储层物性参数包括孔隙度;根据孔隙度、孔隙结构、待勘探区域的井的类型和钻井液类型,构建井筒模型,井筒模型满足物理模型要求。
30、一种可能的实施方式中,第一确定模块可以具体用于:根据地质信息,在参数范围内确定储层物性参数,储层物性参数遵循物质平衡方程;根据正演测井数据集对应的测井响应值类型、地层模型和井筒模型,确定测井响应方程;根据地质信息,确定测井响应方程的区域性解释参数。
31、一种可能的实施方式中,第二确定模块可以具体用于:将储层物性参数和区域性解释参数代入测井响应方程中,得到理论常规测井响应值组合,理论常规测井响应值组合包括补偿密度、声波时差、补偿中子、深电阻率、中电阻率、浅电阻率、自然伽马、自然电位以及井径等。
32、一种可能的实施方式中,第二构建模块可以具体用于:根据地层环境和测井仪器数据,对理论常规测井响应值组合中的理论测井响应值添加噪音,得到待勘测区域对应的正演测井数据集,噪音服从正态分布。
33、一种可能的实施方式中,第二构建模块还可以用于:对理论测井响应值进行校正,得到校正值;校正包括地层环境的相关误差校正和测井仪器的系统误差校正;根据地层环境和测井仪器数据,对校正值添加噪音,得到待勘测区域对应的正演测井数据集。
34、第四方面,本技术提供一种正演测井数据集使用装置,包括:
35、获取模块,用于获取正演测井数据集,正演测井数据集是根据第一方面的正演测井数据集的构建方法得到的,正演测井数据集可以是包含不同数据类型的数据集;
36、训练模块,用于根据正演测井数据集,训练得到基于数据驱动机器学习的智能地球物理测井模型。
37、一种可能的实施方法中,生成一个各类数据分布均衡、标签齐全的正演测井数据集,作为地球物理测井标准数据集,用于训练机器学习模型,并横向对比各种机器学习方法在地球物理测井中的效果。
38、另一种可能的实施方法中,根据实测数据的地质情况,生成实测数据中数据类型较少的正演测井数据集,将实测数据与正演测井数据集混合后用于训练机器学习模型。
39、另一种可能的实施方法中,根据实测数据的地质情况,生成无噪音或少噪音正演测井数据集,与实测数据按比例混合后用于训练机器学习模型。
40、另一种可能的实施方法中,根据实测数据的地质情况,生成大量正演测井数据集,利用迁移学习,先使用正演测井数据集训练源模型,再将源模型的参数迁移至目标模型中,使用实测数据对目标模型进行训练。
41、第五方面,本技术提供一种电子设备,包括:存储器和处理器。存储器用于存储程序指令;处理器用于调用存储器中的程序指令执行第一方面的正演测井数据集的构建方法,和/或,处理器用于调用存储器中的程序指令执行第二方面的正演测井数据集使用方法。
42、第六方面,本技术提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被执行时,实现第一方面的正演测井数据集的构建方法,和/或,实现第二方面的正演测井数据集使用方法。
43、第七方面,本技术提供一种计算机程序产品,计算机程序产品包含计算机程序,计算机程序被执行时,实现第一方面的正演测井数据集的构建方法,和/或,实现第二方面的正演测井数据集使用方法。
44、本技术提供的正演测井数据集的构建方法、使用方法、设备和介质,通过获取待勘测区域对应的虚拟区域的地质信息和地层环境,虚拟区域是根据待勘探区域的实际情况模拟的;根据地质信息,预测储层物性和岩石类型;根据储层物性、岩石类型和地层环境构建地层模型和井筒模型;根据地质信息、地层模型与井筒模型,确定储层物性参数、测井响应方程和区域性解释参数;根据储层物性参数、测井响应方程和区域性解释参数,得到理论常规测井响应值组合;根据理论常规测井响应值组合,构建待勘测区域对应的正演测井数据集。其中,储层物性参数等可以作为数据标签,保证数据标签的真实性和准确性;构建的正演测井数据集,可以减少数据安全问题,且可以作为实测数据集的有效补充,有效提高测井数据集的数量和质量,进而可以提升测井模型的预测准确率,并推动智能测井方法的发展和应用。