[發(fā)明專利]一種基于時空序列數(shù)據(jù)約束的無監(jiān)督儲層智能分段方法

在審

• 申請?zhí)枺?/td>: 202210628285.8
• 申請日: 2022-06-06
• 公開（公告）號: CN114997496A
• 公開（公告）日: 2022-09-02
• 發(fā)明（設(shè)計）人: 胡榮戎;常貴雄;李林濤;黃利娜
• 申請（專利權(quán)）人: 四川大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06K9/62;E21B47/00;G01V11/00
• 代理公司: 北京正華智誠專利代理事務(wù)所(普通合伙) 11870
• 代理人: 王玲玲

本發(fā)明公開了一種基于時空序列數(shù)據(jù)約束的無監(jiān)督儲層智能分段方法，包括S1、離線處理選取的測井特征參數(shù)，并構(gòu)建儲層解釋模型；S2、獲取新井測井數(shù)據(jù)，并對其進行數(shù)據(jù)塊處理和降采樣處理；S3、對測井數(shù)據(jù)進行特征工程處理，以得到完整、無量綱、低維度的測井數(shù)據(jù)；S4、采用時空約束的K?means無監(jiān)督聚類方法，對特征工程處理后的測井數(shù)據(jù)進行處理，得到分段結(jié)果；S5、優(yōu)化分段結(jié)果，對聚類結(jié)果異常值進行連續(xù)分段化處理；S6、可視化分段結(jié)果，并將分段的深度和人工分段的結(jié)果進行對比。本發(fā)明將儲層中小段的不同地層類型當作噪聲過濾，分層結(jié)果中每層的長度與實際施工中每段的長度相匹配，提供更加適用于指導(dǎo)開采工程實踐分層結(jié)果，更具實用性。

技術(shù)領(lǐng)域

本發(fā)明屬于油氣開采和工程的技術(shù)領(lǐng)域，具體涉及一種基于時空序列數(shù)據(jù)約束的無監(jiān)督儲層智能分段方法。

背景技術(shù)

在資源劣質(zhì)化加劇，新動用儲量品質(zhì)差、日益復(fù)雜的地質(zhì)儲層的背景環(huán)境下，隨著越來越多的儲層被投入開發(fā)，如何提高儲層的動用程度和利用價值，成為儲層開發(fā)的關(guān)鍵問題。儲層開發(fā)時，針對不同特征的地層，需要采取不同的開發(fā)工藝。建立一套系統(tǒng)而合理的方法根據(jù)特征對儲層分段，對于開發(fā)工藝的正確選擇有重要意義。

以往關(guān)于儲層分段的方法可分為四大類：

1、人工經(jīng)驗分段，這種方法需依靠專業(yè)經(jīng)驗及地區(qū)經(jīng)驗來確定骨架參數(shù)和區(qū)域參數(shù)等，它們的取值因人而異，取值范圍也不固定。該方法不僅費時費力，而且分析人員需要較高的歷史經(jīng)驗和專業(yè)知識，存在較大的主觀性；

2、數(shù)理統(tǒng)計方法，數(shù)理統(tǒng)計方法有層內(nèi)差異法、有序聚類分析、極值方差聚類方法和變點分析法，數(shù)理統(tǒng)計方法在數(shù)學(xué)上比較嚴格，但計算量較大。同時對測井信息和地質(zhì)信息有很高的要求，如果沒有準確的信息支持，則不易達到地質(zhì)應(yīng)用的要求；

3、非數(shù)理統(tǒng)計方法，非數(shù)理統(tǒng)計方法有活度函數(shù)法、小波變換等，非數(shù)理統(tǒng)計方法原理簡單、計算量小，但活度函數(shù)法不易綜合多條測井曲線的信息，小波分析應(yīng)用需要選取小波，目前主要是通過經(jīng)驗或不斷的實驗來選擇小波函數(shù)，不易操作；

4、智能算法，人工智能神經(jīng)網(wǎng)絡(luò)技術(shù)的迅速崛起，打破了前三種方法的局限性，它不需要太多的專家經(jīng)驗；不需要繁瑣的參數(shù)選?。徊恍枰⒕唧w的解釋模型和推導(dǎo)、應(yīng)用具體的計算公式。但是，在儲層分段的情境下，現(xiàn)有智能算法應(yīng)用，還存在以下不足：

其一，智能算法在儲層分段應(yīng)用中單一化嚴重。

有監(jiān)督的智能算法和無監(jiān)督的智能算法各有優(yōu)劣，若在預(yù)測時只采取一種算法或者模型均會有缺點難以避免。神經(jīng)網(wǎng)絡(luò)分類方法，如KNN算法，比較適用于樣本容量比較大的類域的自動分類，在樣本容量較小的類域采用這種算法比較容易產(chǎn)生誤分，而且在特征數(shù)非常多的時候，計算量大；樣本不平衡的時候，對稀有類別的預(yù)測準確率低；KD樹，球樹之類的模型建立需要大量的內(nèi)存；使用懶散學(xué)習(xí)方法，基本上不學(xué)習(xí)，導(dǎo)致預(yù)測時速度比起邏輯回歸之類的算法慢；有監(jiān)督學(xué)習(xí)方法，如決策樹分類容易產(chǎn)生分支過多，把訓(xùn)練集自身的一些特點當作所有數(shù)據(jù)都具有的一般性質(zhì)，出現(xiàn)過擬合；

可能會導(dǎo)致：

預(yù)測方法無法有效刻畫出復(fù)雜數(shù)據(jù)特征與預(yù)測目標之間的映射關(guān)系，進而會導(dǎo)致預(yù)測精度不佳；

不同儲層的滲透性和空隙性等之間存在明顯差異，智能算法的單一性無法保證多情境下的有效性，會使得模型缺乏泛化能力。

其二，在儲層分段情境下，一般通過人工部署特征選擇，這使得特征的選擇缺少智能化，選定的特征也使得模型缺乏泛化能力和魯棒性。

其三，現(xiàn)有智能算法進行儲層分類時，分層過細，在地質(zhì)學(xué)上分類嚴謹，但針對每一個較短的地層都更換工藝方法不現(xiàn)實，結(jié)果并不適用于指導(dǎo)開采工藝的選擇。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對現(xiàn)有技術(shù)中的上述不足，提供一種基于時空序列數(shù)據(jù)約束的無監(jiān)督儲層智能分段方法，以解決目前儲層智能分段方法的缺失的問題。