[發明專利]一種使用機器學習算法實現測井解釋的方法

在審

• 申請號: 202110293510.2
• 申請日: 2021-03-19
• 公開（公告）號: CN113033648A
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 張恒榮;胡向陽;鄧志勇;劉土亮;丁磊;湯翟;高華;陳嶸;吳健;朱繼田;王利娟;梁玉楠;楊冬;吳一雄;袁偉
• 申請（專利權）人: 中海石油（中國）有限公司海南分公司;中海石油（中國）有限公司湛江分公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00;G01V99/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

一種使用機器學習算法實現測井解釋的方法，測井資料記錄的一般都是各種不同的物理參數，如電阻率、自然電位、聲波速度、巖石體積密度等，可統稱為測井信息。測井解釋是要使用不同的模板、公式利用測井資料計算地層的孔隙度、滲透率、含水飽和度、確定油氣水層。測井資料測量的是地層的地球物理信息，把地球物理信息轉換為地質信息，需要測井專家總結公式、制作模板、繪制交會圖等各種工作，這些經驗圖版、公式的取得與測井專家的水平有關。機器學習通過大數據理念，收集、整理、學習測井專家對測井資料、鉆井資料、錄井資料與油氣層解釋之間的內部邏輯，使用機器學習分類算法訓練模型，把模型直接應用于目的井、層的解釋，既避免測井人員水平因素的不足和疑難油氣層識別誤差，還極大的提高了測井解釋速度和解釋精度。

一、技術領域

石油與天然氣是化石能源、基礎化工原料，是重要戰略資源和關系國計民生的商品，在鉆井的幾千米地層中找到富含油氣的地層是測井解釋的主要工作，測井解釋人員利用地球物理測井、泥漿錄井等資料通過圖版、交會圖、經驗公式等完成巖性識別、油氣水層的解釋。機器學習通過對樣本特征的訓練可以完成分類的工作，把測井資料、錄井資料、鉆井資料作為特征，把巖性分類、油氣水解釋方案作為目標，通過機器學習算法完成訓練，訓練后的模型直接應用于需要解釋的井，完成機器學習自動解釋工作。

二、背景技術

地層是否賦存油氣資源受到多種因素制約，如生油母巖豐度、厚度、成熟度，油氣從母巖到儲層的運移通道是否連通，蓋層發育程度，以及儲層的優劣，測井解釋需要應用大量資料同時要求解釋人員擁有豐富的經驗。

在已經有探井探明的區域，生油、儲層、蓋層組合，圈閉、運移、保存類型已經探明。油氣層解釋就是石油開發重要一環，是否是儲層？儲層是否含油？對油氣層認識會受到儲層骨架、孔隙、流體、含水飽和度等多種因素的制約。測井專家要完成解釋模型建立、計算孔隙度、計算含水飽和度、計算滲透率、判斷巖性、油氣水層，還要做一系列交會圖版如電阻率-孔隙度交會圖、聲波-伽馬交會圖等等，工作繁瑣紛雜，與解釋專家的經驗相關度高。

機器學習是一門多領域交叉學科，專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。利用機器學習算法，通過學習測井專家使用資料與解釋結果的內部邏輯關系，訓練得到適用的解釋模型，把解釋模型應用于測井解釋，可以避免疑難油氣層解釋經驗不足引起的誤差，還可以規避許多繁瑣的模板制作和經驗公式的推導。

通過大數據技術，收集測井專家的解釋經驗，把測井專家解釋使用的信息進行綜合，把解釋結果與使用的鉆井資料、測井資料、錄井資料相結合形成機器學習數據庫。

機器學習的特點是樣本越豐富，模型準確度越高，因此每一個測井解釋的結果作為一個樣本，把測井解釋所需的條件作為機器學習特征，這些特征不限于樣本的空間坐標、沉積地層、埋深、電性、巖性、物性、錄井氣測、鉆速、泥漿密度等等。

三、發明內容

測井專家的油氣層解釋經驗是機器學習的基礎，收集人工測井解釋成果樣本，按照測井深度采樣間隔取樣測井解釋方案。

設計機器學習特征表，按照空間位置、地質時代、巖性、物性、電性、含油氣性、鉆井參數、錄井參數等能夠收集的信息建立機器學習特征表，涉及的參數可以盡可能多。

選取【0008】特征表中的特征作為X變量，選取測井解釋結論作為y變量，由于測井解釋結論是非數字的，難以進行分類計算，為了機器學習能夠自動運行，需要按照用戶指定的名字-數字對應關系進行數字化譯碼。

選取【0009】樣本庫部分X、y作為訓練數據，命名為X_train、y_train，剩余部分樣本作為測試數據，命名為X_test、y_test。將訓練數據輸入機器學習分類算法得到精度高、泛化能力好的測井解釋模型。

對解釋井選取與訓練模型中X相同的特征，使用機器學習得到的模型進行計算，得到每個深度樣本點預測的測井解釋結論。