基于AI的岩石流体可动用性预测、模型选取方法及装置制造方法及图纸

本发明专利技术公开了一种基于AI的岩石流体可动用性预测、模型选取方法及装置。所述方法包括：从岩心样本数据集中抽取训练测试集；选取多个机器学习模型，针对每个机器学习模型进行训练，得到符合预设条件的训练好的机器学习模型；从岩心样本数据集中抽取验证集，将所述验证集岩心样本数据中的岩心的物理特征数据输入训练好的多个机器学习模型中，通过计算每个机器学习模型的预测误差，选择用于岩石流体可动用性预测的机器学习模型。本发明专利技术能够以较低的经济成本实现快速预测岩石流体可动用性，并且有较高的适用性和准确性，能够满足现场预测的需要。的需要。的需要。

【技术实现步骤摘要】
基于AI的岩石流体可动用性预测、模型选取方法及装置


[0001]本专利技术涉及岩石流体可动用性预测领域，特别涉及一种基于AI的岩石流体可动用性预测、模型选取方法及装置。

技术介绍

[0002]低渗油藏储层存在孔隙度和渗透率较低、束缚流体饱和度高的特点，使得只有其中的可流动流体部分才具有重要开采价值。因此，研究低渗透储层岩石流体赋存状态及动用性，对指导低渗透油气田资源评价和开发具有重要的意义。
[0003]核磁共振技术是一种快速无损检测技术，由于核磁共振T2谱可获取可动流体的相关参数，对研究可动流体与孔喉结构关系方面具有重要作用。因此。在研究低渗透储层岩石流体赋存状态及可动用性时通常采用核磁共振技术来进行岩心分析。
[0004]目前已有的核磁共振岩心分析技术是通过核磁共振实验提供的T2分布及T2截止值计算可动流体百分数、可动流体孔隙度和束缚水饱和度，从而确定致密岩心的微观孔隙结构及其流体的可动用性。

技术实现思路

[0005]本申请专利技术人发现，现有技术使用核磁共振岩心分析技术确定致密岩心的微观孔隙结构及其流体的可动用性时，其通常伴随着较高的经济成本、时间成本，且该方法得到的小样本量实验数据难以描述整个储层尺度的性质。基于此，本申请专利技术人致力于研究如何能够快速、低成本的准确预测岩心的可动流体参数。
[0006]为了至少部分地解决现有技术存在的技术问题，专利技术人做出本专利技术，将人工智能算法用于预测岩心的可动流体参数能够快速、低成本的预测预测岩心的可动流体参数。提供一种基于AI的岩石流体可动用性预测及相关模型选取方法及相关装置。
[0007]第一方面，本专利技术实施例提供一种基于AI的岩石流体可动用性预测模型选取方法，包括：
[0008]从岩心样本数据集中抽取训练测试集；
[0009]所述岩心样本数据中包括不同储层特性的岩心的物理特征数据及对应的可动流体参数；
[0010]选取多个机器学习模型，针对每个机器学习模型进行训练：将所述训练测试集中的岩心样本数据，输入所述机器学习模型中进行训练，得到符合预设条件的训练好的机器学习模型；
[0011]从岩心样本数据集中抽取验证集，将所述验证集岩心样本数据中的岩心的物理特征数据输入训练好的多个机器学习模型中，分别得到多个机器学习模型预测出的可动流体参数；
[0012]将多个机器学习模型预测出的可动流体参数分别与所述验证集岩心样本数据中的可动流体参数进行比较，得到每个机器学习模型的预测误差；
[0013]基于所述预测误差选择用于岩石流体可动用性预测的机器学习模型。
[0014]在一些可选的实施例中，所述从岩心样本数据集中抽取训练测试集，包括：
[0015]从岩心样本数据集中抽取训练集和测试集；相应的，
[0016]所述将所述训练测试集中的岩心样本数据，输入所述机器学习模型中进行训练，得到符合预设条件的训练好的机器学习模型包括：将所述训练集中的岩心样本数据，输入所述机器学习模型中进行训练；使用所述测试集对训练得到的机器学模型进行测试，得到符合预设条件的训练好的机器学习模型。
[0017]在一些可选的实施例中，所述将多个机器学习模型预测出的可动流体参数分别与所述验证集岩心样本数据中的可动流体参数进行比较，得到每个机器学习模型的预测误差；包括：
[0018]针对每个机器学习模型，采用如下公式计算选择的可动流体参数的平均绝对误差MAE：
[0019][0020]其中，y
i
为验证集岩心样本数据中的可动流体参数的真实值、为机器学习模型预测出的可动流体参数的预测值、n为验证集的样本数量；相应的，
[0021]所述基于所述预测误差选择用于岩石流体可动用性预测的机器学习模型，包括：选取MAE最小的机器学习模型作为用于岩石流体可动用性预测的机器学习模型。
[0022]在一些可选的实施例中，所述选取多个机器学习模型包括：选取支持向量回归模型SVR、最邻近分类模型KNN、岭回归模型Ridge、套索模型Lasso、线性回归模型Linear Regression、引导聚集模型Bagging、极限树模型ExtraTree、随机森林模型RandomForest、极限梯度提升模型XGBoost、自适应增强模型AdaBoost、梯度提升模型GradientBoost、多层感知机模型MLP、反向传播模型BP、长短期记忆网络模型LSTM、双向长短期记忆网络模型BiLSTM、卷积神经网络
‑
双向长短期记忆网络
‑
注意力模型CNNBiLSTMAttention中的多个。
[0023]在一些可选的实施例中，所述岩心样本物理特征数据包括深度、密度、体积、孔隙度、渗透率、粘土含量、井号、层位中的至少一个；所述可动流体参数包括可动流体百分数、可动流体孔隙度、束缚水饱和度中的至少一个。
[0024]在一些可选的实施例中，还包括：
[0025]收集具有不同储层特性的岩心样本的物理特征数据和对应的可动流体参数，得到岩心样本数据集。
[0026]在一些可选的实施例中，收集具有不同储层特性的岩心样本的物理特征数据和对应的可动流体参数，包括：
[0027]收集具有不同储层特性的岩心样本的物理特征数据，基于所述岩心样本的物理特征数据进行核磁共振实验，得到对应的可动流体参数。
[0028]在一些可选的实施例中，得到岩心样本数据集之前，还包括：
[0029]基于可动流体参数，删除岩心样本数据集中具有孤立点、或异常值、或错误值的样本；
[0030]对于缺少物理特征数据深度、密度、体积、孔隙度、渗透率、粘土含量、井号、层位之
一或多个的样本，选择与所述缺少物理特征数据的样本位于相同储层段的其他岩心样本中的同类数据，填补到所述缺少物理特征数据的样本中。
[0031]第二方面，本专利技术实施例提供一种基于AI的岩石流体可动用性预测方法，包括：
[0032]将待测岩心的物理特征数据，输入前述的基于AI的岩石流体可动用性预测模型选取方法选取的可动流体参数预测模型，得到待测岩心的可动流体参数；所述可动流体参数包括可动流体百分数预测值、可动流体孔隙度预测值和束缚水饱和度预测值中的至少一个。
[0033]在一些可选的实施例中，根据待测岩心的可动流体百分数预测值、可动流体孔隙度预测值和束缚水饱和度预测值中的至少一个，确定待测岩心的微观孔隙结构及其流体的可动用性。
[0034]在一些可选的实施例中，所述物理特征数据包括岩心的深度、密度、体积、孔隙度、渗透率、粘土含量，井号、层位中的至少一个。
[0035]第三方面，本专利技术实施例提供一种基于AI的岩石流体可动用性预测模型选取装置，包括：
[0036]预测模型训练模块101，用于从岩心样本数据集中抽取训练测试集；所述岩心样本数据中包括不同储层特性的岩心的物理特征数据及对应的可动流体参数；选取多个机器学习模型，针对每个机器学习模型进行训练：将所述训练测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI的岩石流体可动用性预测模型选取方法，其特征在于，包括：从岩心样本数据集中抽取训练测试集；所述岩心样本数据中包括不同储层特性的岩心的物理特征数据及对应的可动流体参数；选取多个机器学习模型，针对每个机器学习模型进行训练：将所述训练测试集中的岩心样本数据，输入所述机器学习模型中进行训练，得到符合预设条件的训练好的机器学习模型；从岩心样本数据集中抽取验证集，将所述验证集岩心样本数据中的岩心的物理特征数据输入训练好的多个机器学习模型中，分别得到多个机器学习模型预测出的可动流体参数；将多个机器学习模型预测出的可动流体参数分别与所述验证集岩心样本数据中的可动流体参数进行比较，得到每个机器学习模型的预测误差；基于所述预测误差选择用于岩石流体可动用性预测的机器学习模型。2.如权利要求1所述的方法，其特征在于，所述从岩心样本数据集中抽取训练测试集，包括：从岩心样本数据集中抽取训练集和测试集；相应的，所述将所述训练测试集中的岩心样本数据，输入所述机器学习模型中进行训练，得到符合预设条件的训练好的机器学习模型包括：将所述训练集中的岩心样本数据，输入所述机器学习模型中进行训练；使用所述测试集对训练得到的机器学模型进行测试，得到符合预设条件的训练好的机器学习模型。3.如权利要求1所述的方法，其特征在于，所述将多个机器学习模型预测出的可动流体参数分别与所述验证集岩心样本数据中的可动流体参数进行比较，得到每个机器学习模型的预测误差；包括：针对每个机器学习模型，采用如下公式计算选择的可动流体参数的平均绝对误差MAE：其中，y
i
为验证集岩心样本数据中的可动流体参数的真实值、为机器学习模型预测出的可动流体参数的预测值、n为验证集的样本数量；相应的，所述基于所述预测误差选择用于岩石流体可动用性预测的机器学习模型，包括：选取MAE最小的机器学习模型作为用于岩石流体可动用性预测的机器学习模型。4.如权利要求1所述的方法，其特征在于，所述选取多个机器学习模型包括：选取支持向量回归模型SVR、最邻近分类模型KNN、岭回归模型Ridge、套索模型Lasso、线性回归模型Linear Regression、引导聚集模型Bagging、极限树模型ExtraTree、随机森林模型RandomForest、极限梯度提升模型XGBoost、自适应增强模型AdaBoost、梯度提升模型GradientBoost、多层感知机模型MLP、反向传播模型BP、长短期记忆网络模型LSTM、双向长短期记忆网络模型BiLSTM、卷积神经网络
‑
双向长短期记忆网络
‑
注意力模型CNNBiLSTMAttention中的多个。5.如权利要求1所述的方法，其特征在于，所述岩心样本物理特征数据包括深度、密度、
体积、孔隙度、渗透率、粘土含量、井号、层位中的至少一个；所述可动流体参数包括可动流体百分数、可动流体孔隙度、束缚水饱和度中的至少一个。6.如权利要求1
‑
5任一所述的方法，其特征在于，还包括：收集具有不同储层特性的岩心样本的物理特征数据和对应的可动流体参数，得到岩心样本数据集。7.如权利要求6所述的方法，其特征在于，收集具有不同储层特性的岩心样本的物理特征数据和对应的可动流体参数，包括：收集具有不同储层特性的岩心样本的物理特征数据，基于所述岩心样本的物理特征数据进行核磁共振实验，得到对应的可动流体参数。8.如权利要求6所述的方法，其特征在于，得到岩心样本数据集之前，还包括：基于可动流体参数，删除岩心样本数据集中属于孤立...

【专利技术属性】
技术研发人员：骆雨田，张亚蒲，杨正明，李海波，刘学伟，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：