基于地质约束和XGboost算法的高分辨率Gr预测方法技术

本发明专利技术提供一种基于地质约束和XGboost算法的高分辨率Gr预测方法，包括：步骤1，进行井震精细标定；步骤2，针对储层段，在地震数据上提取多种属性；步骤3，在时间域，沿井轨迹提取地震属性和测井Gr值；步骤4，基于地质约束，进行地震属性优选；步骤5，利用XGboost算法进行属性优选；步骤6，在属性优选的基础上，将优选属性与测井Gr值作为特征值和标签，利用XGboost训练模型；步骤7，预测Gr三维数据体。该基于地质约束和XGboost算法的高分辨率Gr预测方法不受低频模型的影响，井间可靠性高，可靠程度优于地质统计学反演，在实际工区的应用不受样本数量的影响，普适性较强。普适性较强。普适性较强。

【技术实现步骤摘要】
基于地质约束和XGboost算法的高分辨率Gr预测方法


[0001]本专利技术涉及油田开发
，特别是涉及到一种基于地质约束和XGboost算法的高分辨率Gr预测方法。

技术介绍

[0002]测井Gr曲线三维体预测是油气藏储层描述的一项重要工作。
[0003]叠后反演技术被广泛应用于测井Gr曲线三维体预测，方法主要包括确定性反演和地质统计学反演两种。叠前道集资料包括更多岩性、流体的信息，因此也可用于测井Gr曲线三维体预测，预测方法包括叠前弹性波阻抗反演和叠前地质统计学反演。不论是叠后反演还是叠前反演，受限于反演技术的纵向分辨率，叠后确定性反演和叠前弹性波阻抗反演多用于分析有利砂体的平面分布；叠后地质统计学反演和叠前地质统计学反演虽然可以实现储层的精细刻画和描述，但是井间预测可靠性较弱，井间预测的准确率有待进一步提高。
[0004]随着机器学习的不断发展，机器智能化学习的手段开始应用于测井Gr曲线三维体预测，XGboost算法是一种较为常用的机器学习方法，其特点在于模型能自动利用CPU进行多线程并行计算，提高运算速度，并且对损失函数进行泰勒公式二阶展开使得预测精度更高。XGboost算法用于测井Gr曲线三维体预测，可通过数据驱动，充分挖掘多种地震属性与测井Gr之间的数据关系，最大限度地发挥地震属性的利用效率，而且模型预测结果的纵向分辨率高于确定性反演，井间可靠性优于地质统计学反演。
[0005]但是机器学习算法缺少特征自动提取的过程，且不能有效利用地震数据局部特征预测储层，另外将单一采样点作为输入缺失相邻数据关联关系。针对这一问题，神经网络算法(包括深度信念网络和卷积神经网络)开始应用于测井Gr曲线三维体预测，提高了预测精度。但是当样本数据较少时，神经网络算法容易过拟合，造成预测假像，所以对于勘探程序较低的井区，神经网络算法适用性较低。
[0006]对于样本数据较少地区，如何获得普适性较强的测井Gr曲线三维体预测方法，并且具有较高的纵向分辨率和较强的井间可靠性，是一个亟需解决的问题。
[0007]在申请号：CN201310311751.0的中国专利申请中，涉及到一种用于致密含气砂岩储层预测的测井曲线恢复方法，所述恢复方法是一种获取恢复曲线的方法；通过将趋势场因子引入目标测井曲线AC与待恢复曲线GR，并采用频谱整合技术对所述目标测井曲线AC与所述待恢复曲线GR的高频成分进行匹配整合，得到具有所述目标测井曲线的量纲特征、保留有高频成分的恢复曲线。
[0008]在申请号：CN202110243211.8的中国专利申请中，涉及到一种基于储层预测因子的储层预测方法及装置，方法包括：获取测井曲线数据、测井解释成果和地震数据体；根据所述测井曲线数据构建储层预测因子；将所述储层预测因子与所述测井曲线数据中的GR测井曲线进行双参数相关分析，得到所述储层预测因子中的待定系数值；基于所述测井曲线数据以及所述待定系数值计算储层预测因子曲线；根据所述储层预测因子曲线和所述测井解释成果确定储层预测因子阈值；基于所述地震数据体和所述待定系数值计算储层预测因
子地震数据体；根据所述储层预测因子阈值和所述储层预测因子地震数据体进行研究区含油气储层地震预测。
[0009]在申请号：CN201811403271.6的中国专利申请中，涉及到一种基于多曲线联合校正的储层物性分析方法，该基于多曲线联合校正的储层物性分析方法包括:步骤1，通过曲线交汇明确储层物性敏感曲线；步骤2，确定Gr曲线表征的放射性物质对于储层物性的影响；步骤3，使用Gr曲线对物性敏感曲线进行校正形成一种新的敏感曲线；步骤4，将所有校正后物性敏感曲线联合应用分析物性发育区。
[0010]以上现有技术均与本专利技术有较大区别，未能解决我们想要解决的技术问题，为此我们专利技术了一种新的基于地质约束和XGboost算法的高分辨率Gr预测方法。

技术实现思路

[0011]本专利技术的目的是提供一种井间可靠性高，可靠程度优于地质统计学反演的基于地质约束和XGboost算法的高分辨率Gr预测方法。
[0012]本专利技术的目的可通过如下技术措施来实现：基于地质约束和XGboost算法的高分辨率Gr预测方法，该基于地质约束和XGboost算法的高分辨率Gr预测方法包括：
[0013]步骤1，进行井震精细标定；
[0014]步骤2，针对储层段，在地震数据上提取多种属性；
[0015]步骤3，在时间域，沿井轨迹提取地震属性和测井Gr值；
[0016]步骤4，基于地质约束，进行地震属性优选；
[0017]步骤5，利用XGboost算法进行属性优选；
[0018]步骤6，在属性优选的基础上，将优选属性与测井Gr值作为特征值和标签，利用XGboost训练模型；
[0019]步骤7，预测Gr三维数据体。
[0020]本专利技术的目的还可通过如下技术措施来实现：
[0021]在步骤1，通过井震精细标定，得到测井和地震数据的准确匹配定位，明确测井储层段在地震数据上的确切位置，并将测井Gr曲线标定到时间域。
[0022]在步骤2，针对目的层段，在地震数据上提取振幅、频率、相位、单频体、能量半时多种三维属性，根据地震资料频带宽度，生成频宽范围内的单频数据体以及主频和最大能量数据体，从而从地震数据上提取到更多的地质体信息。
[0023]在步骤3，在时间域，采样间隔取1ms，沿井轨迹提取多种地震属性曲线和测井Gr曲线。
[0024]在步骤4，针对目的层段，在多种三维属性体上，提取均方根属性，从而获得不同属性的平面预测结果；基于地质认识、属性公式含义及测井综合解释成果，从众多平面属性当中优选敏感属性。
[0025]在步骤5，根据时间域沿井轨迹的测井Gr值和地震属性，利用XGboost算法进行属性优选，从XGboost算法原理的角度以及数据驱动关系的角度，选择更适合的属性数据。
[0026]在步骤6，在将步骤4和步骤5优选出来的属性当成样本数据的特征值，将时间域测井Gr值作为标签，利用XGboost训练模型。
[0027]在步骤7，将训练好的模型应用到实际三维工区，预测Gr三维数据体。
[0028]本专利技术中的基于地质约束和XGboost算法的高分辨率Gr预测方法，可预测高分辨率Gr数据体，其纵向分辨率高于稀疏脉冲反演，井间可靠性优于地质统计学反演，并且该方法对于井少地区的测井Gr曲线三维体预测具有较强的普适性。另外，该方法加入了地质约束和XGboost算法进行属性优选，使得地震属性与测井Gr之间的关联性更强，进一步提高预测准确度。与现有技术相比，本专利技术具有以下优势：
[0029]本专利技术所述基于地质约束和XGboost算法的高分辨率Gr预测方法，通过井震精细标定将地震属性数据和测井曲线进行准确匹配并结合应用，使用地质约束和XGboost算法，实现针对测井Gr曲线的沿井轨迹的地震属性优选，在此基础上，将沿井轨迹的敏感地震属性作为样本特征值，将测井Gr曲线作为样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于地质约束和XGboo st算法的高分辨率Gr预测方法，其特征在于，该基于地质约束和XGboost算法的高分辨率Gr预测方法包括：步骤1，进行井震精细标定；步骤2，针对储层段，在地震数据上提取多种属性；步骤3，在时间域，沿井轨迹提取地震属性和测井Gr值；步骤4，基于地质约束，进行地震属性优选；步骤5，利用XGboost算法进行属性优选；步骤6，在属性优选的基础上，将优选属性与测井Gr值作为特征值和标签，利用XGboost训练模型；步骤7，预测Gr三维数据体。2.根据权利要求1所述的基于地质约束和XGboost算法的高分辨率Gr预测方法，其特征在于，在步骤1，通过井震精细标定，得到测井和地震数据的准确匹配定位，明确测井储层段在地震数据上的确切位置，并将测井Gr曲线标定到时间域。3.根据权利要求1所述的基于地质约束和XGboost算法的高分辨率Gr预测方法，其特征在于，在步骤2，针对目的层段，在地震数据上提取振幅、频率、相位、单频体、能量半时多种三维属性，根据地震资料频带宽度，生成频宽范围内的单频数据体以及主频和最大能量数据体，从而从地震数据上提取到更多的地质体信息。4.根据权利要求1所述的基于地质约束和XGbo...

【专利技术属性】
技术研发人员：颜世翠，杨勇，杜玉山，曹小朋，王树华，张鹏飞，杨河山，马骥，杨国杰，徐鹏晔，
申请(专利权)人：中国石油化工股份有限公司胜利油田分公司勘探开发研究院，
类型：发明
国别省市：