[發明專利]基于物理模型和機器學習的致密砂巖儲層參數預測方法

有效

• 申請號: 202010413467.4
• 申請日: 2020-05-15
• 公開（公告）號: CN111561313B
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 譚茂金;白洋;張海濤;李高仁
• 申請（專利權）人: 中國地質大學（北京）
• 主分類號: E21B49/00
• 分類號: E21B49/00;G01V11/00
• 代理公司: 北京興智翔達知識產權代理有限公司 11768
• 代理人: 蔣常雪

本發明涉及測井解釋技術領域，特別涉及一種致密砂巖儲層參數測井預測方法。基于物理模型和機器學習的致密砂巖儲層參數預測方法，包括以下步驟：A.建立儲層參數的物理模型；B.建立委員會機器；C.將測井數據及對應的所述物理模型共同輸入至所述委員會機器；D.所述委員會機器對儲層參數進行預測。本發明選擇不同專家構建委員會機器CM，即使單個專家預測誤差偏大，多專家系統也可以整合所有專家的優勢做出補償，提高了智能系統預測結果的準確度、穩定性和泛化能力。同時，本發明將物理模型與委員會機器CM集成在一起，實現了物理模型與敏感測井數據的共同驅動，提高了儲層參數預測效果。

技術領域

本發明涉及測井解釋技術領域，特別涉及一種致密砂巖儲層參數測井預測方法。

背景技術

超深、超低孔砂巖儲層巖性致密、孔隙小、喉道細、連通性差，地層非均質性強、裂縫發育，而且孔隙結構、氯化鹽等礦物成分復雜，測井解釋難度大。目前的做法，有兩大類，一類是物理模型方法，二是機器學習方法。

物理模型方法中，通常利用泥質砂巖構建體積模型，推導得出理論公式，或者利用巖心數據回歸得到經驗公式，然后利用公式進行計算。該類方法的最大特點就是看得見的公式。物理模型方法中，構建的體積模型通常需要對實際巖石進行簡化，當儲層巖石礦物含量復雜時，構建的體積模型不一定適用；基于體積模型推導的理論公式中包含的一些骨架參數值通常采用理論值或者經驗數值，計算的結果不可靠。采用巖心數據構建的一元或者多元公式，有時候擬合精度不高，影響了進一步的規模化應用。

第二類是利用機器學習的方法，通常采用有監督的學習，利用已知的巖石物理實驗數據對測井數據進行標注，通過一定形式的訓練與測試，構建最佳網絡模型，然后對目標井利用測井數據進行預測。該類方法的最大特點是看不見的“黑盒”算法。在目前有監督的機器學習為主的測井儲層參數預測中，其本質是數據驅動，物理模型和物理概念缺乏，當測井數據選擇不合適時，構建的智能模型不科學，泛化能力差，限制了該智能算法的進一步應用。

發明內容

本發明的目的是：針對致密砂巖儲層的特點，即孔隙度低，滲透率極低，礦物成分多樣，以前建立的測井解釋理論方法難以應用的問題，提供一種基于物理模型和機器學習的致密砂巖儲層參數預測方法。

本發明的技術方案是：基于物理模型和機器學習的致密砂巖儲層參數預測方法，包括以下步驟：

A.建立儲層參數的物理模型。

B.建立委員會機器。委員會機器是由多個專家組成的復合專家系統。在這個集成的系統中，所有專家都處理同一任務，并為油藏參數預測設計有效的決策機制將他們的預測結果組合在一起，以獲得最終結果。

C.將測井數據及對應的所述物理模型共同輸入至所述委員會機器。測井數據具體包括：自然伽馬測井、電阻率測井、聲波時差測井、中子密度測井、補償密度測井。

D.所述委員會機器對儲層參數進行預測。

進一步的，致密砂巖儲層的測井解釋主要包括孔隙度，滲透率和飽和度的預測。因此，步驟A中，儲層參數的物理模型包括：孔隙度模型，滲透率模型和含水飽和度模型。

對于泥質砂巖的體積模型，可以從聲波時差測井、中子測井和密度測井得出孔隙度計算模型。孔隙度φ的計算模型如下：

式中，φ_A為聲波孔隙度；Δt_ma為致密砂巖骨架的聲波時差，約為55.5μs/ft；Δt_f為泥漿濾液的聲矩陣，約189μs/ft；Δt_sh為泥質的聲波時差，約為180μs/ft；V_sh為粘土的體積；