利用测井数据波形结构特征曲线重构评价油气层的方法

本发明涉及石油勘探开发，尤其涉及一种利用测井数据波形结构特征曲线重构评价油气层的方法。

背景技术：

1、由于测井油气层评价受大数据分析技术的制约，传统测井解释方法对多源测井信息相关性分析及以其为基础的储层评价和应用研究不足。随着人工智能ai技术的不断发展，如何将其运用到海量测井数据的加工、挖掘和利用，实现测井信息的增值，升级油气勘探与开发服务，成为新时代测井应用研究的重要内容。人工智能推动了测井解释的智能化发展，特别是在储层参数计算、岩性岩相识别、测井曲线重构等领域取得了良好的应用效果。

2、因此，亟需研究一种利用人工智能评价油气层的方法。

技术实现思路

1、为解决上述技术问题，本发明公开了一种利用测井数据波形结构特征曲线重构评价油气层的方法，该方法在人工智能测井应用研究中，将模型驱动方法引入到数据驱动中，这是一种求解非线性逆问题的物理驱动深度学习网络，该网络包含正演物理模型和一维卷积神经网络，提高了电缆测井和随钻测井的井眼声偶极子资料解释效率，改进了低渗透率储层的检测方法。

2、为实现上述目的，本发明采用下述技术方案：

3、利用测井数据波形结构特征曲线重构评价油气层的方法，包括如下步骤：

4、s1、测井波形结构特征数据的采集；

5、s2、测井数据体波形结构特征的处理；

6、s3、测井数据体波形结构特征曲线的重构；

7、s4、基于重构的测井曲线进行不同岩性岩相的预测；

8、s5、根据岩性岩相预测结果进行储集空间测井物性参数的求取；

9、s6、量化精细评价油气层。

10、步骤s1中，测井波形结构特征数据采集的步骤包括：①设备仪器仪表的选取；②测井数据采集方法的优化；③输出采集数据结果。

11、其中，①设备仪器仪表的选取：包括有放射性的设备，如自然伽马gr、中子密度den等；有地层电阻率的设备，如浅地层电阻率s-ro、中地层电阻率m-ro、深地层电阻率d-ro等；有地层速度的设备，如声波速度测井ac等。把选取好的设备绑好固定在一条测井专用的并能从井筒里很好传递信号到地面的电缆上，顺着井眼一直放到井底位置，该电缆另一端与接受传递信号车连接，然后启动信号车往上拉动电缆绳同时通过信号车发射信号到地层并连续记录数据直到所需地层位置为止。②测井数据采集方法的优化：因为测井数据采集的方法有多种多样，而且不同井类别要求也不同，如有探井、评价井和开发井等，因此，需要测井数据采集方法的优化。③输出采集数据结果：即在测井电缆车上连续采集测井数据，该测井数据是由井筒里根据不同设备发射不同和不同类别信号传递上来的。

12、测井波形结构特征数据的采集方法包括：自然伽马测井、自然电位测井、电阻率测井、密度测井、声速测井、中子测井、地层倾角测井、成像测井、核磁共振测井。

13、步骤s2中，测井数据体波形结构特征的处理，具体包括：

14、s21、输入待处理测井曲线；如自然伽马测井曲线、自然电位测井曲线、电阻率测井曲线、密度测井曲线、声速测井曲线、中子测井曲线等；

15、s22、选择测井曲线处理方法；因为钻井过程中由于受到地层不同岩性、钻机钻头等的影响，使得井筒内的不规则，如阔径、缩径和泥饼影响等，致使测井信息与地层真实信息不相吻合，所以，需要对测井数据进行处理；

16、s23、输出处理结果：即输出处理后的测井曲线，如自然伽马测井曲线、自然电位测井曲线、电阻率测井曲线、密度测井曲线、声速测井曲线、中子测井曲线等。

17、步骤s22中，选择测井曲线处理方法包括：深度校正处理、环境校正处理、标准化和归一化处理；

18、深度校正：由于测井仪器的测量范围及精度误差，测井曲线和地层之间不可避免地出现小范围内的偏差，一般表现在测井曲线的深度上。为了保证测井资料处理的准确性，所以在应用测井曲线前，必须对其进行深度校正，使测井信息与地层信息更好的对应。

19、环境校正：由于原始测井曲线受井眼、泥饼、测井仪器偏心等多种因素的影响，因此需要对测井曲线的环境影响进行校正后再进行测井解释评价，否则解释结果不能正确反映地层的实际情况。

20、标准化和归一化：在储层参数智能建模中，需要使用标准化归一化后的测井数据作为输入量，所以，需要对测井数据进行归一化处理，以确保模型的稳定性和准确性，一般采用最小-最大标准化进行归一化处理。标准化和归一化计算公式为：

21、

22、式中，y为归一化结果；x实测为实际测井值；xmax为实际测量最大值；xmin为实际测量最小值。

23、步骤s3中，测井数据体波形结构特征曲线的重构是指利用关联数据或从海量数据中得到的客观规律对现有测井曲线中不恰当的部分进行数据重造；而数据关联规律的寻找又依赖于有监督或无监督学习。

24、重构方法包括：单级测井曲线重构、多级测井曲线重构和复合级测井曲线重构。

25、单级测井曲线重构方法：一次性完成测井曲线的重构，首先要对测井数据进行变量聚类分析和数据变换以区分目标值，进而训练不同机器学习方法，求取并验证最好的模型。单级测井曲线重构一般依赖线性回归、决策树、神经网络等算法中的一种或几种方法。通过输入测井数据、聚类分析、数据变换、数据集划分等环节借助算法构建模型，实现目标曲线的重构。测井曲线重构后，根据预先评估指标筛选重构效果较好的模型，因而模型学习环节表现为这些算法的“并联”。单级测井曲线重构选取参数，一般为补偿密度、声波时差、自然伽马和泥质含量4种测井参数作为卷积神经网络cnn的自变量重构孔隙度等因变量的变化曲线，这是一种基于深度神经网络预测岩石物理特征的油藏建模方法，利用邻近钻井的大量地质数据，构建缺少测井曲线和岩心资料的井段的虚拟测井数据，即构建一个受监督的委员会神经网络scmnn的投票模型，用以重构物性参数曲线。单级测井曲线重构的步骤包括：①输入变量，包括补偿密度、声波时差、自然伽马和泥质含量；②变量聚类；③数据变换；④数据集划分，依据任务目标进行数据集划分，划分为训练数据集、验证数据集和测试数据集；⑤输出不同模型的结果和置信值。

26、多级测井曲线重构方法：连续完成二次以上的单级测井曲线的重构，把上阶段重构生成的测井曲线作为一种约束条件参与下一阶段曲线的重构。多级测井曲线重构与单级测井曲线重构方法相比，通常表现为机器学习方法的“串联”，需要关联由单级测井曲线重构方法重构的测井资料以重构目标测井曲线。可以有多阶段的曲线生成方案，每一个阶段生成的测井曲线将作为一种约束条件自动参与下一阶段的曲线预测，以提高最终解释结果的可靠性，最终重构的曲线质量取决于每一阶段生成曲线的精度，也可以利用串级形态的记忆神经网络clstm进行了测井曲线的重构。多级测井曲线重构方法涉及的测井曲线单位和测井曲线幅度值变化较多，在实际运用过程中需要特别注意。多级测井曲线重构的步骤类似于单级测井曲线重构的步骤。

27、复合级测井曲线重构：复合级测井曲线重构方法这是一种结合交叉熵聚类-高斯混合模型和隐马尔可夫模型的工作流，该工作流通过发现样本与地层带相对应的局部平稳聚类簇，将聚类结果所对应的分带信息从训练井传播到其他井，复合级测井曲线重构方法同时包含下列的单级测井曲线重构过程和多级测井曲线重构过程。鉴于大量数据可能没有分类标签，为实现测井曲线重构方法的推广应用，应优先考虑无监督学习，如构建一定规模、一定数量的模型库，以减少多解性和不确定性、提高测井评价结果的可靠性。本发明提出综合相关性分析模型、聚类算法和曲线延展外推方法开展了测井曲线的重构方法，构建了一套机器快速学习并加强岩石物理学分析的自动化流程，用于检测测井数据中的异常值，剔除异常值后，利用聚类信息去评估井间相似度，进而实现测井曲线的重建。

28、步骤s4中，不同岩性岩相分析是油气资源评估的先验要素，也是决定评估油气资源方法及相关参数的前提。测井曲线有利含油气层岩性岩相的预测方法包括半监督学习岩性岩相预测方法和有监督学习岩性岩相预测方法。

29、半监督学习预测岩性岩相：当测井数据的标签有限或测井数据缺少标签但含有其他地质信息时，可以先利用无监督学习方法获取数据隐含的类别特征，再根据其他地质信息或借助测井专家的支持确定相应的机器学习方法，最终建立可预测目标储层岩性岩相类型的模型。半监督学习预测岩性岩相方法，包括基于图像多分辨率聚类分析方法mrgc建立了测井曲线评价流动单元渗透率的精细模型；利用mrgc方法实现了测井数据对测井相ef和岩相lf的界定；利用密度属性的聚类分析进行岩性岩相的识别，基于聚类分析的半监督学习岩性岩相预测方法。该类方法的预测效果不仅取决于训练阶段对样本特征提取的无监督学习，如聚类、降维算法等方法，也依赖于预测阶段的分类方法，可以是标签传播方法或是其他有监督学习方法。

30、有监督学习预测岩性岩相：数据标签是构建有监督学习岩性岩相预测模型的基础和前提。岩石物理学家和测井专家根据测井数据等地质资料划定岩性，并利用岩心和岩屑样品进行校正，建立测井资料预测岩性岩相的函数模型，并在此基础上，利用机器学习方法进行模型的训练和目标函数的预测。

31、除利用常规测井资料构建机器学习模型识别岩性岩相外，还可以将成像测井的图像资料引入岩性岩相预测模型的构建。模型使用的数据集中的类别信息是按照颗粒形状喷发机制进行确定的，利用卷积神经网络对每一样本输出的各类别的最大概率来确定形状复杂的火山灰颗粒的混合比例，解决了测井专家难以完成的任务。通过深度残差网络构建了井眼图像数据分类模型，可识别钙质岩、辉绿岩、页岩、粉砂岩4类岩性，平均准确率达到80％。构建了一种基于resnext-50架构的岩性岩相分类模型，对砂岩、石灰岩和页岩岩心图像的分类准确率超过90％。为进一步提高预测岩相类型的精度，需要引入图像语义分割等技术实现对岩性岩相的像素级别预测，以实现预测结果与不同岩相的语义信息的一一对应。

32、基于重构的测井曲线进行不同岩性岩相的预测，具体包括：

33、s41、输入训练曲线；如自然伽马测井曲线、自然电位测井曲线、电阻率测井曲线、密度测井曲线、声速测井曲线、中子测井曲线等；

34、s42、确定最优聚类数目；如优选第一类高能滩的数目、优选第二类低能滩的数目、优选第三类滩间海的数目、优选第四类石膏坪的数目、优选第五类泻湖的数目等，即合并最优聚类结果的数目；

35、s43、划定岩性岩相类别；如亮晶生物碎屑灰岩、泥晶生物碎屑灰岩、含生物碎屑泥晶灰岩、泥晶灰岩、泥质灰岩、泥岩和泥质硬石膏等；

36、s44、输入待测曲线；如电阻率测井曲线、密度测井曲线、声速测井曲线、中子测井曲线等；

37、s45、类别标签传播；如高能滩、低能滩、滩间海、石膏坪、泻湖等；

38、s46、输出岩性岩相。即输出岩性岩相，如高能滩亮晶生物碎屑灰岩、低能滩泥晶生物碎屑灰岩、滩间海泥晶生物碎屑灰岩、石膏坪灰岩等。

39、步骤s5中，常见的岩石物性参数的求取有孔隙度、渗透率等，岩石物性参数计算是测井储层评价和油气藏分析的重要内容。鉴于神经网络在处理大规模数据方面的优势，物性参数的求取方法包括：半监督学习方法、有监督浅层机器学习方法、有监督深层机器学习方法。

40、半监督学习计算物性参数：半监督学习物性参数计算与半监督学习岩相预测方法相似，第一步也是采用k均值聚类、自编码等无监督方法进行岩相划分。可以针对不同流动单元构建了精细的渗透率评价模型；或基于测井曲线的变化规律，利用机器学习和无监督岩石分类技术对岩石物理特性进行了预测；还可以利用领域转移分析方法，该方法不仅可以计算饱和度和渗透率，还可以识别储层岩相、重构测井曲线等。值得注意的是，建立测井数据与物性参数之间关系的过程依旧很复杂，需要多维度数据分析来减少这一过程的不确定性。

41、有监督浅层机器学习计算物性参数：本发明设计有监督浅层机器学习计算物性参数模型，以岩心资料为标定，利用bp神经网络建立了测井响应与储层物性参数间的非线性映射关系，可有效预测储层物性；利用遗传算法自动化优化设计bp网络模型中的学习率、隐藏层神经元个数等超参数。常规bp神经网络模型中加入定量化的岩性评价参数作为一个学习样本，建立了储层参数与测井响应及岩性之间的非线性模型，提高了储层参数的预测精度。构建的scmnn模型，则由几十个估计器组合而成，每个估计器由一个选择高、低渗透率的门阀网络，形成一个识别高渗透率数据的网络和识别低渗透率数据的网络，输入数据后，由门阀网络将数据输入给相应的高渗透率网络或低渗透率网络，最后进行渗透率预测输出，这种联合求解减少了“多解性”。

42、本发明计算有监督浅层机器学习计算物性参数方法，采用具有三个隐藏层、每层含二十个个神经元的神经网络建立了核磁共振测量结果与渗透率之间的关系，运用遗传算法为神经网络选取最佳参数和初始值进行分析，利用遗传算法和数据挖掘技术对相关参数进行优选，有效降低了渗透率的预测误差。通过人工蜂群算法优化权重参数，利用遗传算法对人工神经网络的隐藏神经元数目、学习速率和动量等参数进行了自动优化设计，构建了更精确的渗透率神经网络预测模型。

43、有监督深层机器学习计算物性参数：有监督深度学习中的残差结构、随机丢失模块等新机制出现可有效解决深层网络学习中梯度消失、易过拟合等问题，使深层机器学习成为可能。在处理核磁共振测井资料时，传统sdr弛豫时间-渗透率模型建立了核磁共振测井的横向弛豫时间谱(t2谱)与渗透率之间的联系，但其对致密砂岩储层参数的预测精度不高，本发明设计了一种利用集成正则化改进后向传播神经网络bpnn算法与核磁共振t2谱预测致密储层渗透率的方法，取得了良好的应用效果。通过研究发现10层以上的深度置信网络能有效提取岩心样本特征，其结合核极限学习机可解决现有核磁共振测井对低孔低渗储层的渗透率预测效果欠佳的问题。在处理成像测井资料时，提出一种利用图像识别神经网络快速预测渗透率的孔隙尺度建模方法。研究表明，多尺度的2d cnn网络可有效预测岩石渗透率，类似地，通过深度学习直接从2d图像中获取渗透率预测值，在处理常规测井资料时，基于4类常规测井资料构建了卷积神经网络模型，提高了孔隙度预测精准度。研究发现，如果将深度学习和粒子群优化pso这两种技术相结合，以增强支持向量回归svr的方法，改善了渗透率预测效果。

44、步骤s6中，量化精细评价油气层，包括量化精细评价砂岩储层油气层和量化精细评价灰岩储层油气层两种。目的是通过确定与含油气性有关系的不同岩性岩相储集空间的物性参数，提高油气层评价精度，加快油气田的开发进程，提升油气田开发经济效益。

45、本发明的有益效果是，

46、本发明利用测井数据波形结构特征曲线重构，精细评价油气层，加快油气田投产建设的进程，提高油气田开发的经济效益。