【技术实现步骤摘要】
本专利技术涉及油气储层及机器学习，特别是涉及一种基于地质约束的测井参数融合聚类的成岩相识别方法。
技术介绍
1、成岩作用控制了油气储层物性的演化过程，成岩相是成岩作用演化结果的综合体现。因此，成岩相的准确识别和预测对于油气储层评价及油气资源的高效勘探开发具有重要意义。传统的成岩相的研究方法依赖于来自于有限的取心井段样品的分析测试，对于全井段的成岩相的准确预测难度大。近年来，大数据及机器学习技术已经成为油气储层研究的一种重要手段，利用机器学习算法通过成岩相与测井数据的关系，可实现全井段成岩相的识别及预测。目前对于成岩相测井识别多采用有监督的学习方法，包括：决策树、随机森林、xgboost、bp神经网络等。现有的技术缺少与地质认识的结合，可能会忽略或过度使用部分测井信息，且在实际应用中往往难以满足有监督的机器学习算法的大样本量的要求，影响了成岩相识别结果的准确性。因此，亟需提出一种基于地质约束的综合考虑测井数据的无监督机器学习方法，在样品点较少的研究区域实现成岩相的准确识别和预测。
技术实现思路
1、本专利技术旨在解决现有技术的不足，提出了一种基于地质约束的测井参数融合聚类的成岩相识别方法，基于地质约束对测井参数进行融合，通过对融合测井参数聚类获取初始测井相，基于地质约束及交会合并处理获得目标测井相，基于取心井段样品点的成岩相标记结果，确定目标测井相与成岩相的对应关系，实现成岩相的识别和预测。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于地质约束
4、步骤1、采集目标井全井段的测井数据，对所述测井数据进行归一化处理；
5、步骤2、基于地质认识约束对处理后的测井数据进行融合计算，获取融合测井数据；
6、步骤3、采用无监督机器学习算法对所述融合测井数据分别进行聚类，再将聚类后的融合测井数据进行组合，获取全井段的初始测井相类型；
7、步骤4、基于地质规律约束对所述初始测井相类型进行筛选，并对筛选后的结果进行交会合并处理，获取所述全井段的目标测井相类型，其中，所述地质规律约束包括成岩作用及孔隙响应特征；
8、步骤5、在目标井取心井段选取若干样品点，通过铸体薄片分析对所述样品点进行成岩相标记，构建成岩相数据集；
9、步骤6、基于所述成岩相数据集对所述目标测井相类型进行标定和验证，获取每种目标测井相对应的成岩相类型，完成所述全井段的成岩相识别。
10、可选地，所述步骤1中的测井数据的类型包括：自然伽马gr、自然电位sp、浅电阻率rs、深电阻率rd、声波时差ac、补偿中子cnl、密度den。
11、可选地，所述步骤1中对所述测井数据进行归一化处理的方法为：
12、
13、式中，xnor表示归一化后的测井数据，x表示测井数据，xmin表示测井数据的最小值，xmax表示测井数据的最大值。
14、可选地，所述步骤2中基于地质认识约束对处理后的测井数据进行融合计算，获取融合测井数据包括：
15、基于预设的融合原则对归一化处理后的测井数据进行融合计算，获取所述融合测井数据，其中，所述融合测井数据包括第一融合测井数据、第二融合测井数据、第三融合测井数据；
16、所述融合原则基于地质认识约束设定，所述第一融合测井数据的融合原则为将对泥质含量及岩性响应敏感的gr与sp融合为参数g-s，所述第二融合测井数据的融合原则为将对胶结物及裂缝响应敏感的rs和rd融合为参数s-d，所述第三融合测井数据的融合原则为将对储层孔隙度响应敏感的ac、cnl和den融合为参数a-c-d。
17、可选地，进行所述融合计算的方法为：
18、xg-s＝xgrnor-xspnor
19、xs-d＝xrsnor+xrdnor
20、xa-c-d＝xacnor+xcnlnor-xdennor
21、式中，xg-s表示融合参数g-s的融合值，xs-d表示融合参数s-d的融合值，xa-c-d表示融合参数a-c-d的融合值，xgrnor表示gr的归一化值，xspnor表示sp的归一化值，xrsnor表示rs的归一化值，xrdnor表示rd的归一化值，xacnor表示ac的归一化值，xcnlnor表示cnl的归一化值，xdennor表示den的归一化值。
22、可选地，所述步骤3中采用无监督机器学习算法对所述融合测井数据分别进行聚类，再将聚类后的融合测井数据进行组合，获取全井段的初始测井相类型包括：
23、采用k-means聚类算法将每种融合测井数据分别聚类为3类；
24、基于3种融合测井数据的聚类组合结果，获取27类初始测井相。
25、可选地，所述步骤4中基于地质规律约束对所述初始测井相类型进行筛选，并对筛选后的结果进行交会合并处理，获取所述全井段的目标测井相类型包括：
26、基于预设的筛选机制对所述初始测井相类型进行删除处理，获取筛选后的16类初始测井相，其中，所述筛选机制基于地质规律约束设定，所述筛选机制包括：将包含相互对立的成岩作用的初始测井相删除，以及将包含相互矛盾的成岩作用及孔隙响应特征的初始测井相删除；
27、基于筛选后的16类初始测井相的融合测井数据构建g-s、s-d、a-c-d三元交会图，并基于分布特征对所述三元交会图进行合并处理，确定所述全井段的目标测井相类型。
28、可选地，所述步骤5中通过铸体薄片分析对所述样品点进行成岩相标记包括：
29、通过分析所述样品点的铸体薄片确定所述样品点的成岩参数，所述成岩参数包括视压实率、胶结物含量、面孔率、裂缝率；
30、基于所述成岩参数确定成岩相定量划分标准，标记所述样品点的成岩相。
31、可选地，所述步骤6中基于所述成岩相数据集对所述目标测井相类型进行标定和验证包括：
32、选取成所述成岩相数据集中70％的数据对所述目标测井相类型进行标定，选取所述成岩相数据集中其余30％的数据对标定结果进行准确性验证。
33、本专利技术具有如下有益效果：
34、本专利技术基于无监督机器学习算法，基于地质约束进行测井参数的融合，通过对融合测井参数进行聚类和合并处理获取测井相类型，基于的测井相与成岩相的对应关系，实现成岩相的识别和预测；相对于现有的技术，本专利技术方法在地质因素约束下综合应用测井数据，对样品点的数量和种类要求低，且对成岩相识别的准确率高；本专利技术方法广泛适用于砂岩储层研究领域，可有效支撑油气资源的高效勘探开发，具有广阔的应用前景。
本文档来自技高网...【技术保护点】
1.一种基于地质约束的测井参数融合聚类的成岩相识别方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的基于地质约束的测井参数融合聚类的成岩相识别方法，其特征在于，所述步骤1中的测井数据的类型包括：自然伽马GR、自然电位SP、浅电阻率RS、深电阻率RD、声波时差AC、补偿中子CNL、密度DEN。
3.根据权利要求1所述的基于地质约束的测井参数融合聚类的成岩相识别方法，其特征在于，所述步骤1中对所述测井数据进行归一化处理的方法为：
4.根据权利要求1所述的基于地质约束的测井参数融合聚类的成岩相识别方法，其特征在于，所述步骤2中基于地质认识约束对处理后的测井数据进行融合计算，获取融合测井数据包括：
5.根据权利要求4所述的基于地质约束的测井参数融合聚类的成岩相识别方法，其特征在于，进行所述融合计算的方法为：
6.根据权利要求1所述的基于地质约束的测井参数融合聚类的成岩相识别方法，其特征在于，所述步骤3中采用无监督机器学习算法对所述融合测井数据分别进行聚类，再将聚类后的融合测井数据进行组合，获取全井段的初始测井相类型包
7.根据权利要求1所述的基于地质约束的测井参数融合聚类的成岩相识别方法，其特征在于，所述步骤4中基于地质规律约束对所述初始测井相类型进行筛选，并对筛选后的结果进行交会合并处理，获取所述全井段的目标测井相类型包括：
8.根据权利要求1所述的基于地质约束的测井参数融合聚类的成岩相识别方法，其特征在于，所述步骤5中通过铸体薄片分析对所述样品点进行成岩相标记包括：
9.根据权利要求1所述的基于地质约束的测井参数融合聚类的成岩相识别方法，其特征在于，所述步骤6中基于所述成岩相数据集对所述目标测井相类型进行标定和验证包括：
...【技术特征摘要】
1.一种基于地质约束的测井参数融合聚类的成岩相识别方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的基于地质约束的测井参数融合聚类的成岩相识别方法，其特征在于，所述步骤1中的测井数据的类型包括：自然伽马gr、自然电位sp、浅电阻率rs、深电阻率rd、声波时差ac、补偿中子cnl、密度den。
3.根据权利要求1所述的基于地质约束的测井参数融合聚类的成岩相识别方法，其特征在于，所述步骤1中对所述测井数据进行归一化处理的方法为：
4.根据权利要求1所述的基于地质约束的测井参数融合聚类的成岩相识别方法，其特征在于，所述步骤2中基于地质认识约束对处理后的测井数据进行融合计算，获取融合测井数据包括：
5.根据权利要求4所述的基于地质约束的测井参数融合聚类的成岩相识别方法，其特征在于，进行所述融合计算的方法为：
...【专利技术属性】
技术研发人员：张立强，贾彤，孟园，严一鸣，胡君达，
申请(专利权)人：中国石油大学华东，
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。