【技术实现步骤摘要】
本申请涉及油气勘探开发，具体而言，涉及一种划分并预测深层超深层优势成岩相的方法及系统。
技术介绍
1、如今，万米深层是油气资源的重要储藏地。我国深层/超深层油气资源占全国油气资源总量的34％，与页岩油/气、煤层气等非常规能源组成我国油气储量增长的主阵地。深层、超深层储层具有低孔-低渗、超低孔-超低渗、裂缝发育、非均质性强等特征，储层评价难度极大。成岩相是沉积物在一定的成岩环境中，经过成岩作用和演化阶段的产物，是决定储层物性的核心因素之一，研究成岩相对储层物性的影响，有助于深层/超深层储层的区域评价和预测，并根据优势成岩相预测“甜点”，更有效地指导油气勘探开发。
2、目前，对于成岩相划分预测首先通过岩心取样，根据薄片、扫描电镜、阴极发光等分析化验资料却确定成岩相类型，然后再结合测井曲线相应特征建立基于测井信息的成岩相识别方法。常见方法有：交会图法、雷达图法、主成分分析法、fisher判别分析法、机器学习等。交会图法、雷达图法优点是直观、易于理解，可以直观地显示不同参数的关系；缺点是对参数的选择和归一化处理非常敏感，可能需要大量的数据和经验来正确解释。如果参数之间存在相关性，可能会导致误解，此外，对于更高维度的数据，交会图法可能难以应用。主成分分析法的优点是可以处理多参数问题，减少数据的维度，同时保留大部分的信息。但是，它需要复杂的计算，对数据的正态性和线性关系有一定的假设。fisher判别分析法的优点是精度高，可以处理多参数问题。但是，它需要大量的样本数据，对数据的正态性和等方差性有一定的假设，同时，在深层/超深层储层
3、随着计算机技术的发展，神经网络、聚类分析、集成分析等人工智能方法运用到油气勘探开发越来越多。这些方法在实际应用中，通常需要结合实际勘探情况进行改动，以提高识别的准确性。但是这都对样本数量有所要求，尤其是深层/超深层储层样品取样困难，当样本数量过少时，会导致分类结果较差，精确度大大降低。
技术实现思路
1、本申请实施例的目的在基于提供一种划分并预测深层超深层优势成岩相的方法及系统，可以提高成岩相分类精确度。
2、本申请实施例还提供了一种划分并预测深层超深层优势成岩相的方法，包括以下步骤：
3、s1、获取岩心薄片实验数据，以及测井数据；
4、s2、基于所述岩心薄片实验数据，确定一级成岩相类型、以及二级成岩相类型；
5、s3、以所述测井数据为自变量，以所述一级成岩相类型为因变量，基于所述测井数据和所述一级成岩相类型进行相关性分析；
6、s4、构建随机森林模型，以所述测井数据作为模型输入，以所述一级成岩相类型作为模型输出，经多次迭代训练后，得到用于划分一级成岩相的第一最优模型；
7、s5、在所述第一最优模型的基础上，基于所述测井数据和所述二级成岩相类型进行相关性分析、以及模型训练，得到用于划分二级成岩相类型的第二最优模型；
8、s6、基于所述第一、二最优模型划分并预测深层超深层优势成岩相。
9、第二方面，本申请实施例还提供了一种划分并预测深层超深层优势成岩相的系统，所述系统包括数据获取模块、成岩相划分模块、相关性分析模块、一级模型训练模块、二级模型训练模块、模型调用识别模块，其中：
10、所述数据获取模块，用于获取岩心薄片实验数据，以及测井数据；
11、所述成岩相划分模块，用于基于所述岩心薄片实验数据，确定一级成岩相类型、以及二级成岩相类型；
12、所述相关性分析模块，用于以所述测井数据为自变量，以所述一级成岩相类型为因变量，基于所述测井数据和所述一级成岩相类型进行相关性分析；
13、所述一级模型训练模块，用于构建随机森林模型，以所述测井数据作为模型输入，以所述一级成岩相类型作为模型输出，经多次迭代训练后，得到用于划分一级成岩相的第一最优模型；
14、所述二级模型训练模块，用于在所述第一最优模型的基础上，基于所述测井数据和所述二级成岩相类型进行相关性分析、以及模型训练，得到用于划分二级成岩相类型的第二最优模型；
15、所述模型调用识别模块，用于基于所述第一、二最优模型划分并预测深层超深层优势成岩相。
16、第三方面，本申请实施例还提供了一种可读存储介质，所述可读存储介质中包括划分并预测深层超深层优势成岩相的方法程序，所述划分并预测深层超深层优势成岩相的方法程序被处理器执行时，实现如上述任一项所述的一种划分并预测深层超深层优势成岩相的方法的步骤。
17、由上可知，本申请实施例提供的一种划分并预测深层超深层优势成岩相的方法、系统及存储介质，获取岩心薄片实验数据，以及测井数据；基于岩心薄片实验数据，确定一级成岩相类型、以及二级成岩相类型；以测井数据为自变量，以一级成岩相类型为因变量，基于测井数据和一级成岩相类型进行相关性分析；构建随机森林模型，以测井数据作为模型输入，以一级成岩相类型作为模型输出，经多次迭代训练后，得到用于划分一级成岩相的第一最优模型；在第一最优模型的基础上，基于测井数据和二级成岩相类型进行相关性分析、以及模型训练，得到用于划分二级成岩相类型的第二最优模型；基于第一、二最优模型划分并预测深层超深层优势成岩相。当前创新性的将机器学习算法应用于识别深层/超深层优势成岩相，能够克服深层/超深层储层样品取样困难，导致分类结果较差的问题，能够为地下油气藏优质储层识别提供有效技术支撑。
18、本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
本文档来自技高网...【技术保护点】
1.一种划分并预测深层超深层优势成岩相的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤S2中，所述一级成岩相类型包括建设型和破坏型；
3.根据权利要求2所述的方法，其特征在于，步骤S2中，所述基于所述岩心薄片实验数据，确定二级成岩相类型，包括：
4.根据权利要求3所述的方法，其特征在于，步骤S21中，所述基于所述岩心薄片实验数据，确定压实率、胶结率以及溶蚀率，包括：
5.根据权利要求3所述的方法，其特征在于，步骤S22中，在基于相应成岩相的岩心薄片实验数据，确定计算所得的压实率包含于[44,85]，胶结率包含于[3-41]、溶蚀率包含于[10-64]时，将其归类为绿泥石包膜相；
6.根据权利要求1所述的方法，其特征在于，步骤S3中，所述基于所述测井数据和所述一级成岩相类型进行相关性分析，包括：
7.根据权利要求1所述的方法，其特征在于，步骤S4中，所述第一最优模型的构建步骤包括：
8.一种划分并预测深层超深层优势成岩相的系统，其特征在于，所述系统包括数据获取模块、
9.一种可读存储介质，其特征在于，所述可读存储介质中包括划分并预测深层超深层优势成岩相的方法程序，所述划分并预测深层超深层优势成岩相的方法程序被处理器执行时，实现如权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种划分并预测深层超深层优势成岩相的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤s2中，所述一级成岩相类型包括建设型和破坏型；
3.根据权利要求2所述的方法，其特征在于，步骤s2中，所述基于所述岩心薄片实验数据，确定二级成岩相类型，包括：
4.根据权利要求3所述的方法，其特征在于，步骤s21中，所述基于所述岩心薄片实验数据，确定压实率、胶结率以及溶蚀率，包括：
5.根据权利要求3所述的方法，其特征在于，步骤s22中，在基于相应成岩相的岩心薄片实验数据，确定计算所得的压实率包含于[44,85]，胶结率包含于[3-41]、溶蚀率包含于[10-64]时，将其归类为...
【专利技术属性】
技术研发人员：周三栋，刘新宇，王少秋，王华，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。