一种利用地化热解谱图和机器学习计算原油密度的方法

1.本发明属于石油勘探技术领域，尤其涉及一种利用地化热解谱图和机器学习计算原油密度的方法。


背景技术：

2.通过提高录井阶段时油气层的识别率，在钻头钻进时及时的识别油气层，通过判断油质类型为后续勘探施工作业提供技术支持，从而提供勘探施工作业效率。
3.利用录井技术识别、判断油气层一直是录井作业的技术难题，储集层原油性质的快速判断，对录井油气水解释、电缆测压取样、地层测试工具及工艺的选择、成藏模式研究有着重要作用。“地化录井”，是在油气地球化学、应用地球化学理论和实验室分析测试技术基础上发展起来的一项现场分析技术和实用方法。它是利用热分析和气相色谱分析方法，在钻探现场获取地下岩石中的地质信息和评价参数，解决录井过程中一些地质和地球化学问题，是近年来储层评价中全面推广的一项录井技术。
4.目前利用岩石热解挖掘原油性质方法有：
5.1.利用地化参数判断油质，目前仍停留在利用受多种因素影响较大ps、tpi、主峰碳等几个单项指标进行简单判断阶段。精度高、外界环境影响小的色谱数据及衍生参数没能充分利用。
6.2.利用地化参数判断油质，目前仍停留在利用受多种因素影响较大ps、tpi、主峰碳等几个单项指标进行简单判断阶段。精度高、外界环境影响小的色谱数据及其衍生参数没能充分利用。
7.3.当前方法在解释分析地化热解谱图时，没有对谱图信息挖掘充分，只做到定性分析，没有做到定量的分析，对谱图样本数据利用度不高。


技术实现要素：

8.本发明的目的在于解决上述现有技术存在的缺陷，只做到定性没有做到定量，提供一种利用地化热解谱图和机器学习计算原油密度的方法，地化录井热解方法能以分子级精度分析组成石油的各类烃类的含量，通过对不同时间段烃类含量的分析以及样本降解度和最大峰出现时间的分析，对油质的密度进行快速计算。
9.本发明采用如下技术方案：
10.一种利用地化热解谱图和机器学习计算原油密度的方法，包括如下步骤：
11.根据分析地化热解谱图历史数据集，对谱图进行标准化处理；
12.根据标准化的谱图，在谱图中提取原油样本特征参数，其中特征参数包括不同时间段谱图对应的面积，以及用谱图顶峰连线面积和谷底连线面积比计算的样本降解度，参数还包括有最大峰出现的时间；根据提取不同油质样本建立训练样本集；根据样本集选取机器学习模型进行训练，从而得到原油密度计算模型。
13.其中，对谱图样本集进行标准化处理的步骤具体包括：
14.地化谱图样本集中样本来源于不同的场地及不同的设备，图片的大小及格式不一，规定了图片格式为jpg图片格式，规定图片大小为801*343；
15.根据谱图特征，将谱图中蓝色图谱曲线提取出来，依据提取出的图谱曲线对整个谱图进行灰度化处理，再对灰度化的谱图进行二值化处理；
16.通过二值化的图像提取相应的图谱的数据，横轴为时间，纵轴为幅值，针对不同设备下幅值不同的状况，将不同幅值进行归一化，实际幅值为y，谱图中最大幅值为y
max
，最小幅值为y
min
，归一化后的幅值为y’[0017][0018]
其中，对标准化后的图谱进行特征提取的具体步骤包括：
[0019]
根据热解过程，不同组分出峰的时间点不同，对整个谱图进行分6区，前后分区对样本密度影响不一，计算各分区面积，作为六个样本特征参数；
[0020]
根据谱图基线不同鼓包程度，计算峰顶连线与横轴面积s1、谷底连线与横轴面积s2、谱图曲线起始点及终止点连线面积s3，则样本降解度d为：
[0021][0022]
样本降解度计算后区间为0到1，样本降解度接近1说明鼓包严重，样本降解度高，反之样本降解度接近0则样本降解度低；
[0023]
根据谱图最大峰出现的位置到最大峰出现位置的横坐标，作为样本特征参数之一。
[0024]
其中，建立油质样本训练集的步骤具体包括：
[0025]
收集凝析油、轻质油、中质油、重质油的试油样本共240，保证各样本比例均匀，依据提取谱图特征的步骤，提取谱图特征，样本标签为密度，建立样本集。
[0026]
其中，通过训练机器学习模型得到依据地化热解谱图计算密度的步骤具体包括：
[0027]
选取bp神经网络模型、多元线性拟合模型、以及grnn广义回归神经网络模型，依据建立的样本集，对选取的模型进行训练；
[0028]
对训练好的模型进行验证评估，模型精度不低于0.02，对已训练好的模型进行评估，选取满足精度且计算精度较好的模型作为最终计算密度的模型。
[0029]
依据上述步骤，需计算的谱图经过标准化和归一化处理，依据所述特征提取步骤提取谱图特征参数，将其代入训练好的密度计算模型当中，从而得到该谱图的所对应原油样本的密度。
[0030]
本发明的有益效果：
[0031]
通过对不同时间段烃类含量的分析以及样本降解度和最大峰出现时间的分析，对油质的密度进行快速计算，与传统定制的方法相比，本方法解决的问题如下：
[0032]
1.省去标定谱图各个峰对应组分的步骤，规避了标定峰组分的时间和误差，节省了人力。
[0033]
2.针对已有方法只做定性的分析，本发明深度挖掘了谱图信息，对原油的密度进行了定量化解释。
[0034]
本发明利用地化热解谱图和机器学习计算原油密度的方法，通过对地化录井的热
解谱图进行标准化处理，得到图谱的特征参数，进而为建立样本集提供基础，利用建立的样本集训练密度计算模型，通过模型评估得到满足误差精度的模型，进而计算原油样本密度，从而直观、准确、快速地定量化评价油气层。本发明可及时为后续井筒作业中测井方法的选用、测试措施的制定及测试方案的选择提供科学依据。
附图说明
[0035]
图1为本发明的步骤流程图；
[0036]
图2为谱图不同时间段的分区表示,谱图对应样本试油密度为0.8554；
[0037]
图3为计算样本降解度时的面积分割图，谱图对应样本试油密度为0.8554；
[0038]
图4为模型误差对比图。
具体实施方式
[0039]
为使本发明的目的、技术方案和优点更加清楚，下面本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0040]
本发明主要用于利用地化热解谱图和机器学习计算原油密度的方法，下面结合附图对本发明的应用原理作详细的描述。
[0041]
如图1所示，本发明的一种利用地化热解谱图和机器学习计算原油密度的方法包括以下步骤：
[0042]
s1.对整理的谱图样本进行格式统一和标准化，不同设备的谱图幅值无标准，对谱图幅值进行归一化；
[0043]
s2.对谱图进行步骤s1的处理后，提取谱图各分区面积、计算样本降解度和最大峰出现时间作为特征参数；
[0044]
s3.收集凝析油、轻质油、中质油和重质油的样本谱图，提取谱图特征，建立热解谱图样本集；
[0045]
s4.根据样本特征，选取不同的机器学习模型，对选取的模型使用s3中的样本集进行训练；
[0046]
s5.依据s1
‑
s3中的输入参数，代入计算模型，从而依据谱图得到所对应原油样本的密度。
[0047]
下面结合具体实施例对本发明的应用原理作进一步的说明：
[0048]
如图2所示，图2样本试油密度为0.8554，为轻质油，依照s1步骤先对谱图格式大小进行了标准化，然后将纵轴幅值进行了归一化，按照地化岩石热解图谱的原理，按照不同时间不同组分出峰次序的先后，对谱图进行分区，然后计算单独分区的面积作为输入参数，根据其原理，计算提取分区特征参数和密度的协方差，先后分区的面积大小与密度大小有着一定的关联性，如表1所示。
[0049]
表1谱图分区面积与密度的关联性
[0050]
谱图分区编号谱图分区面积与密度关联性10.27650128
20.62547500330.76312287440.89118614350.71422857760.570994301
[0051]
如图3所示，根据谱图基线不同鼓包程度，计算峰顶连线与横轴面积s1、谷底连线与横轴面积s2、谱图曲线起始点及终止点连线面积s3，则样本降解度d为：
[0052]
根据谱图基线不同鼓包程度，计算峰顶连线与横轴面积s1、谷底连线与横轴面积s2、谱图曲线起始点及终止点连线面积s3，则样本降解度d为：
[0053][0054]
样本降解度计算后区间为0
‑
1，样本降解度接近1说明鼓包严重，样本降解度高，反之样本降解度接近0则样本降解度低；
[0055]
如图4所示，选取不同学习模型时的准确度，对模型准确度进行评估，结果表明crnn广义神经网络算法模型下，原油样本密度计算的准确度最高。
[0056]
依据上述步骤，将需要计算的谱图经过标准化和归一化处理，依据所述特征提取步骤提取谱图特征参数，将其代入训练好的密度计算模型当中，从而得到该谱图的对应原油样本的密度为0.8542。
[0057]
具体计算步骤如下：
[0058]
首先.将需要计算的地化热解样本谱图采取上述标准化过程，将该标准化的样本幅值进行归一化；
[0059]
然后.依据s2步骤，将处理过后的谱图提取特征参数，包括分区面积、样本降解度和最大峰的出峰时间。
[0060]
最后.将特征参数代入s5选取的机器学习模型，继而得到该谱图所对应样本的密度为0.8542。
[0061]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。