【技术实现步骤摘要】
本专利技术涉及油气勘探开发，具体而言，涉及一种基于mlp-mts的致密砂岩储层岩相智能判识方法及系统。
技术介绍
1、随着非常规油气资源勘探前景的发展及潜力的开发，致密油藏因其巨大的产业价值受到广泛关注[1]。然而，致密砂岩储层岩相识别较困难，主要原因是储层的组构复杂、孔隙结构性差、非均质性强[2]，制约了储层勘探规模的拓展和高效开发。使得人工岩相划分效率低下。因此，实现高效的岩相智能判识对于致密砂岩储层评价的勘探具有重要意义[3]。
2、岩相通常指沉积岩相，用于反映一定沉积环境的岩性特征，包括所有物理、岩石及生物的特征[4]。地球物理学家和地质专家利用测井资料的连续性、多维性等性质探索岩相与测井资料之间的关联关系。岩相判识技术的发展主要经历三个阶段：传统岩相判识阶段[5]、浅层神经网络判识阶段[6]和深度神经网络判识阶段[7]。在传统岩相判识方法中：徐德龙(2012)等人提出交会图法识别油田岩性与流体类型[8]，但是个别测井曲线参数无法很好对测井曲线特征进行识别。严伟(2014)等人提出了测井曲线叠合法[9]，优选对泥页岩敏感度高的测井曲线进行叠合，但单独依靠一种测井曲线参数无法完全识别岩相类型，必须结合其他岩相识别方法。周正龙(2015)等人提出特征转换法[10]，利用电测井和成像测井等手段对岩相进行测井定性和定量表征，但此方法依赖专业地质解释人员的经验和知识。总体而言，传统岩相判识方法的缺点在于过于依赖领域专家人工判识，导致效率偏低。在浅层神经网络识别方法中：薛林福(1999)等人采用自组织神经网络法对测井资料
技术实现思路
1、本专利技术要解决的技术问题是：
2、为了解决传统致密砂岩岩相判识方法中训练时间长，准确率偏低的问题，进而提供了基于mlp-mts的致密砂岩储层岩相智能判识方法及系统（其中的mlp-mts为缩写，其含义为multilayer perception and multiple time series intelligent lithofaciesidentification method for tight sandstone reservoirs）。
3、本专利技术为解决上述技术问题所采用的技术方案：
4、本专利技术提供了一种基于mlp-mts的致密砂岩储层岩相智能判识方法，包括以下步骤：
5、s100、将致密砂岩的岩相根据岩性特征及层理结构分为七类，在测井资料中筛选出五类贡献度最高的测井曲线参数，作为岩相智能判识的依据；
6、s200、对步骤s100获取的测井曲线数据进行标准化处理后，再进行预处理，包括深度-时间域值转换、数据清洗和数据差值处理，用于减少数据集的噪声以保证数据质量；
7、s300、建立mlp-mts模型并进行训练，对致密砂岩不同类型岩相进行智能判识，包含提取测井曲线特征、降采样去噪处理和模型数据分类识别。
8、进一步地，在步骤s100中，包括：
9、s110、依据岩相的岩性类型和层理结构结合测井曲线响应特征进行岩相划分，包括板状交错层理细砂岩相、槽状交错层理细砂岩相、平行层理细砂岩相、波状层理细砂岩相、水平层理粉砂岩相、波状层理泥质粉砂岩相，其它岩相统一合并为其它泥岩类岩相；
10、s120、基于测井曲线的岩相判识方法中测井曲线数据，采用主成分分析法对测井曲线参数值进行评分，计算公式为：
11、 （1）
12、其中，为第个特征值；为第个特征值；为主要特征的主成分，贡献率是指某特征值占全部特征值的比例；为总特征数。
13、进一步地，在步骤s200中，包括：
14、s210、利用数据标准化对s100获取的测井曲线数据进行处理；
15、采用z-score数据标准化方法，如公式(2)所示：
16、 （2）
17、其中，是某井的单个样本层中第条测井曲线对应的第个深度采样点的测井数据值；是样本层的长度；是测井曲线数据的条数；是样本层的某一条测井曲线数据均值；是样本层的某一条测井曲线的标准差；
18、s220、对步骤s210标准化后的测井曲线序列数据进行预处理操作，包括利用时深关系对测井序列进行时深转换，将测井序列由深度域转化为时间域序列；检查岩相数据集，对数据中的异常值进行清洗；最后进行数据插值处理，弥补测井数据中的缺失值或稀疏数据点。
19、进一步地，在步骤s220中，包括：
20、s221、深度-时间域值转换，包括从测井曲线数据中提取声波时差数据，通过声波时差数据建立速度模型；再通过速度数据计算深度到时间的转化关系；生成深度-时间曲线，用于转换测井曲线数据；最后，使用深度-时间曲线将测井数据从深度域转换成时间域；
21、s222、数据清洗处理，通过回归法对异常数据进行统计回归，再用回归法拟合的函数值与原测井曲线数据进行比较从而消除噪声数据；
22、回归分析法如公式(3)至公式(5)所示：
23、 （3）
24、 (4)
25、(5)
26、其中，根据最小二乘法法则，通过测井曲线数据计算估计的回归方程的斜率和轴截距；为对于第次观测自变量的观测值；为第次观测因变量的观测值；为自变量的样本平均值；为因变量的样本平均值；
27、s223、数据插值处理，采用数据插值法来解决数据点缺失问题，通过建立相关的映射关系，利用预测的数据进行数据插值处理：
28、 （6）
29、其中，是数据插值方法；是自变量特征；为数据误差；是和之间的映射关系。
30、进一步地，在步骤s300中，包括：
31、s310、提取测井曲线特征，将步骤s200处理后的本文档来自技高网...
【技术保护点】
1.一种基于MLP-MTS的致密砂岩储层岩相智能判识方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于MLP-MTS的致密砂岩储层岩相智能判识方法，其特征在于，在步骤S100中，包括：
3.根据权利要求2所述的基于MLP-MTS的致密砂岩储层岩相智能判识方法，其特征在于，在步骤S200中，包括：
4.根据权利要求3所述的基于MLP-MTS的致密砂岩储层岩相智能判识方法，其特征在于，在步骤S220中，包括：
5.根据权利要求4所述的基于MLP-MTS的致密砂岩储层岩相智能判识方法，其特征在于，在步骤S300中，包括：
6.基于MLP-MTS的致密砂岩储层岩相智能判识系统，其特征在于：该系统具有与上述权利要求1-5任一项权利要求所述的步骤对应的程序模块，运行时执行上述的基于MLP-MTS的致密砂岩储层岩相智能判识方法中的步骤。
7.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现权利要求1-5中任一项所述的基于MLP-MTS的致密砂岩储
...【技术特征摘要】
1.一种基于mlp-mts的致密砂岩储层岩相智能判识方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于mlp-mts的致密砂岩储层岩相智能判识方法，其特征在于，在步骤s100中，包括：
3.根据权利要求2所述的基于mlp-mts的致密砂岩储层岩相智能判识方法，其特征在于，在步骤s200中，包括：
4.根据权利要求3所述的基于mlp-mts的致密砂岩储层岩相智能判识方法，其特征在于，在步骤s220中，包括：
5.根据权利要求4所述的基于mlp-mt...
【专利技术属性】
技术研发人员：牟子豪，李春生，牟海维，刘宗堡，张可佳，刘涛，
申请(专利权)人：东北石油大学三亚海洋油气研究院，
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。