[發明專利]一種基于機器監督學習識別頁巖紋層組合類型的方法

有效

• 申請號: 202011542353.6
• 申請日: 2020-12-22
• 公開（公告）號: CN112731544B
• 公開（公告）日: 2022-07-15
• 發明（設計）人: 葸克來;張媛媛;操應長;王浩;林敉若;李克
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G01V5/12
• 分類號: G01V5/12;G01N23/2055;G06F30/27;G06N3/08
• 代理公司: 山東三邦知識產權代理事務所(普通合伙) 37308
• 代理人: 高洋;肖太升

本發明公開了一種基于機器監督學習識別頁巖紋層組合類型的方法，步驟1：確定主要發育的礦物類型，作為機器監督學習所需的預測目標值；步驟2：選取對礦物敏感的測井數據，作為機器監督學習所需的輸入參數；步驟3：建立和評估機器監督學習的模型，對輸入參數和預測目標值進行模型開發工作；步驟4：明確不同紋層組合礦物組分含量差異性；步驟5：利用開發模型，以連續常規測井新數據作為輸入參數，定量預測其對應深度礦物組分含量，并結合不同紋層組合礦物組分含量差異性，進行紋層組合類型在垂向上的連續判別。本發明提出了基于機器監督學習，建立“常規測井數據?礦物組分預測?紋層組合判別”的模式，實現頁巖紋層組合類型識別的方法。

技術領域

本發明涉及石油天然氣勘探與開發領域，尤其涉及的是一種基于機器監督學習識別頁巖紋層組合類型的方法。

背景技術

紋層是指沉積物或沉積巖中的最小原始沉積層。紋層狀頁巖儲層頁理發育、有機質豐度及脆性礦物含量高的特征為頁巖油的富集創造了優勢條件，尤以富有機質頁巖與其間所夾薄儲集層間互時，排烴效率和儲集性能最優，是頁巖油勘探開發最為有利的儲層類型。但是，頁巖層系紋層類型復雜，垂向變化頻繁，非均質性極強。因此，紋層及其組合關系縱向上連續的分布特征，成為頁巖油勘探開發的重要研究內容之一。

紋層組合類型的差異性在礦物組分的變化上突出明顯，從而利用礦物組分的差異性可以實現紋層組合類型的判別。要對頁巖紋層縱向上連續分布特征進行研究，就需要具有連續的礦物資料，但是，巖心資料全井段取心困難，資料有限；元素俘獲能譜等特殊測井技術可以獲取連續的礦物組分信息，囿于測試成本高，現場應用廣泛性具有一定局限。

目前，現場資料中最為基礎的為常規測井數據，在垂向連續性、資料豐富程度上具有極大優勢，基于機器監督學習，利用常規測井數據對礦物組分的高精度定量預測已有成功先例。因此，通過機器監督學習，建立常規測井資料與礦物組分的對應關系，將可間接以紋層組合礦物組分差異性為劃分依據，實現頁巖紋層組合類型判別及其縱向上的連續展布特征。

發明內容

本發明提供一種基于機器監督學習識別頁巖紋層組合類型的方法，用于實現頁巖紋層組合的垂向連續展布特征，以識別頁巖紋層組合類型為目標，提出了基于機器監督學習，建立“常規測井數據-礦物組分預測-紋層組合判別”的模式，實現頁巖紋層組合類型識別的方法。

一種基于機器監督學習識別頁巖紋層組合類型的方法，包括以下步驟：

步驟1：對頁巖儲層不同類型紋層的典型巖心進行礦物組分含量分析，借助X射線衍射全巖分析技術，確定主要發育的礦物類型，作為機器監督學習所需的預測目標值；

步驟2：針對上述確定的主要礦物類型，與常規測井數據進行相關性分析，選取對礦物敏感的測井數據，作為機器監督學習所需的輸入參數；

步驟3：基于機器監督學習，采用Tensorflow在線開放源代碼軟件庫，采用python3.0設計語言進行機械學習的程序編寫工作，使用Keras建立和評估機器監督學習的模型，對輸入參數(測井數據)和預測目標值(礦物類型)進行模型開發工作，具體步驟如下：

步驟301：將由預測目標值數據及其對應輸入參數組成的樣本集，導入在線神經網絡設計軟件，為機器監督學習作數據準備；

步驟302：對輸入參數進行標準化處理，將其線性變換映射至[0，1]范圍內，公式為：X_n＝(X-X_min)/(X_max-X_min)

其中X_n為標準化后數值；X為原始樣本數據，X_min和X_max分別為樣本集各類型測井數據的最小值和最大值；

步驟303：采用隨機的方式將樣品集按照3：1分為訓練集和測試集兩類，其中75％的數據用以訓練，以尋找最佳模型，剩余25％的數據不參與訓練過程，用以測試模型有效性；