【技术实现步骤摘要】
本专利技术涉及石油测井解释领域，尤其涉及一种基于流动单元指数分类的储层渗透率预测方法。
技术介绍
1、目前，解决储层渗透率计算方法有统计学方法和机器学习方法。统计学方法中，通常是基于岩石物理实验，构建渗透率与孔隙度的回归模型，有的是线性的，有的是非线性的，如timur模型、sdr模型等。此外，渗透率预测也可以采用机器学习方法，例如，采用神经网络等方法可以更好地捕捉储层渗透率与其他测井响应的非线性关系。此外，为较好地描述储集层储集特征、渗流特征和非均质特征，引入流动单元(flow unit，fu)，使用聚类分析和判别分析等统计学方法识别储层流动单元类型，引入流动单元指数(flow zoneindicator，fzi)作为渗透率计算的中间过渡参数，都是提高渗透率准确性的关键步骤。
2、然而，致密砂岩储层孔隙度小，孔隙结构复杂，孔喉微小，其渗透率测井解释与精确预测是一项具有挑战性的研究任务。储层渗透率与孔隙度一般具有相关性，通常采用回归方法建立渗透率解释模型，但这种方法得到渗透率结果通常与实际测试存在显著的偏差，且该类无法充分捕捉到渗流规律与复杂孔喉结构之间的关系。机器学习方法，如神经网络，通常需要大量的标注数据进行训练，而储层渗透率等实验数据获取成本较高，数据量有限，这可能限制了神经网络模型的性能；其次，当训练数据有限时，传统神经网络容易发生过拟合，即模型在训练数据上表现很好，但在未见过的数据上表现较差。这可能导致对储层渗透率预测的泛化能力不足。这可能包括引入复杂的机器学习模型，例如深度学习网络、循环神经网络等，以适应复
3、现有技术方案在流动单元分类上没有给出合理的分类标准，没有综合考虑到地质特征、孔隙特征，在解释流动单元正态分布特征时不明确，常规fzi累计概率图绘制方法不能正确进行流动单元分类，最佳流动单元分类无法确定，所给定的流动单元类型也不能被测井数据所区分，因此，构建的渗透率模型计算精度低，影响储层油气资源的有效开发。面对这一挑战，在测井解释中研究新的渗透率预测方法和模型势在必行。
技术实现思路
1、本专利技术要解决的技术问题在于，流动单元分类上没有给出合理的分类标准，解释流动单元正态分布特征时不明确，构建的渗透率模型计算精度低。
2、本专利技术解决其技术问题所采用的技术方案是：一种基于流动单元指数分类的储层渗透率预测方法，包括：
3、步骤s1、根据若干深度点的岩心孔隙度实验数据和渗透率实验数据分析得到所述若干深度点的流动单元的流动单元指数，根据所述流动单元指数对所述流动单元进行分类，得到多组流动单元类型，其中，所述若干深度点分布在目标井段范围中，每组流动单元分类包括多个不同的流动单元类型；
4、步骤s2、根据所述多组流动单元分类，构建所述每组流动单元分类的渗透率测井解释模型，按照筛选标准从所述多组流动单元分类中筛选出最佳流动单元分类，以及所述最佳流动单元分类的渗透率测井解释模型；
5、步骤s3、利用若干深度点的测井数据训练双向长短期记忆循环神经网络模型，利用训练后的所述双向长短期记忆循环神经网络模型，预测储层目标井段的流动单元指数，根据所述最佳流动单元分类，判断所述储层目标井段各深度段的流动单元类型；
6、步骤s4、利用储层目标井段测井数据，通过孔隙度模型计算储层目标井段的孔隙度测井解释结果；
7、步骤s5、利用所述储层目标井段各深度段的流动单元类型，从所述最佳流动单元分类的渗透率测井解释模型中，确定各深度段对应的渗透率测井解释模型，通过所述孔隙度测井解释结果，预测储层目标井段的渗透率。
8、优选地，所述步骤s1中根据所述流动单元指数对所述流动单元进行分类，得到多组流动单元类型包括：
9、计算所有深度点的流动单元指数的对数值；
10、根据所有流动单元指数的对数值绘制流动单元指数的对数值与累计频率之间的正态累计概率图；
11、根据预设分类算法对正态累计概率图上的数据点进行多次分类；
12、根据不同的分类结果对全部流动单元相应进行不同分类，得到所述多组流动单元分类。
13、优选地，所述步骤s1中流动单元指数的表达式如下：
14、
15、式中fzi为流动单元指数；
16、τ为孔隙介质的迂回度；
17、fs为孔隙形状系数；
18、sgv为比表面；
19、φz为标准化孔隙度指数，
20、rqi为储层品质因子，
21、φe为有效孔隙度；
22、k为渗透率。
23、优选地，步骤s2中所述按照筛选标准从所述多组流动单元分类中筛选出最佳流动单元分类，以及所述最佳流动单元分类的渗透率测井解释模型步骤包括：
24、根据取心段的岩心孔隙度实验数据计算每组流动单元分类的渗透率测井解释模型的取心段渗透率预测值；
25、根据取心段的渗透率实验数据和每组流动单元分类的渗透率测井解释模型的取心段渗透率预测值计算每组流动单元分类的渗透率测井解释模型的渗透率误差；
26、将渗透率误差最小的渗透率测井解释模型作为所述最佳流动单元分类的渗透率测井解释模型；
27、将所述最佳流动单元分类的渗透率测井解释模型对应的流动单元分类作为所述最佳流动单元分类。
28、优选地，所述步骤s3中利用测井数据训练双向长短期记忆循环神经网络模型包括：
29、将若干深度点的岩心流动单元指数与若干深度点的测井数据进行相关性分析，选择相关性满足预设要求的测井数据作为敏感测井数据；
30、利用所述敏感测井数据构建训练集，对所述双向长短期记忆循环神经网络模型进行训练。
31、优选地，所述将若干深度点的岩心流动单元指数与若干深度点的测井数据进行相关性分析，选择相关性满足预设要求的测井数据作为敏感测井数据包括：
32、分别将测井数据中的每类参数与所述流动单元指数进行交会，根据交会结果进行回归分析；分别计算每类参数对应的回归拟合系数，将回归拟合系数满足预设要求的所有参数作为敏感测井数据。
33、优选地，所述预测储层目标井段的流动单元指数步骤包括：
34、将目标井段的敏感测井数据输入所述双向长短期记忆循环神经网络模型，计算得到储层目标井段的流动单元指数。
35、优选地，所述敏感测井数据包括：自然伽马、补偿密度、补偿中子、浅电阻率、孔隙度和t2几何均值。
36、优选地，所述构建每组流动单元分类的渗透率测井解释模型步骤包括：
37、根据每组流动单元分类的分类情况对所述若干深度点进行分类；
38、基于预设的渗透率测井解释模型的公式，分别对每一类深度点的岩心孔隙度实验数据和渗透率实验数据进行拟合，得到多个孔渗关系式，作为所每组流动单元分类的渗透率测井解释模型。
39、优选地，所述渗透率测井解释模型的公式本文档来自技高网...
【技术保护点】
1.一种基于流动单元指数分类的储层渗透率预测方法，其特征在于，包括：
2.根据权利要求1所述储层渗透率预测方法，其特征在于，所述步骤S1中根据所述流动单元指数对所述流动单元进行分类，得到多组流动单元类型包括：
3.根据权利要求1所述储层渗透率预测方法，其特征在于，所述步骤S1中流动单元指数的表达式如下：
4.根据权利要求1所述储层渗透率预测方法，其特征在于，步骤S2中所述按照筛选标准从所述多组流动单元分类中筛选出最佳流动单元分类，以及所述最佳流动单元分类的渗透率测井解释模型步骤包括：
5.根据权利要求1所述储层渗透率预测方法，其特征在于，所述步骤S3中利用测井数据训练双向长短期记忆循环神经网络模型包括：
6.根据权利要求5所述储层渗透率预测方法，其特征在于，所述将若干深度点的岩心流动单元指数与若干深度点的测井数据进行相关性分析，选择相关性满足预设要求的测井数据作为敏感测井数据包括：
7.根据权利要求5所述储层渗透率预测方法，其特征在于，所述预测储层目标井段的流动单元指数步骤包括：
8.根据权利要求
9.根据权利要求1所述储层渗透率预测方法，其特征在于，所述构建每组流动单元分类的渗透率测井解释模型步骤包括：
10.根据权利要求1所述储层渗透率预测方法，其特征在于，所述渗透率测井解释模型的公式为：
...【技术特征摘要】
1.一种基于流动单元指数分类的储层渗透率预测方法，其特征在于，包括：
2.根据权利要求1所述储层渗透率预测方法，其特征在于，所述步骤s1中根据所述流动单元指数对所述流动单元进行分类，得到多组流动单元类型包括：
3.根据权利要求1所述储层渗透率预测方法，其特征在于，所述步骤s1中流动单元指数的表达式如下：
4.根据权利要求1所述储层渗透率预测方法，其特征在于，步骤s2中所述按照筛选标准从所述多组流动单元分类中筛选出最佳流动单元分类，以及所述最佳流动单元分类的渗透率测井解释模型步骤包括：
5.根据权利要求1所述储层渗透率预测方法，其特征在于，所述步骤s3中利用测井数据训练双向长短期记忆循环神经网络模型包括：
【专利技术属性】
技术研发人员：冯进，王清辉，管耀，关利军，周开金，王菲，杨清，
申请(专利权)人：中海石油中国有限公司深圳分公司，
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。