【技术实现步骤摘要】
本专利技术属于石油地质勘探，具体涉及基于机器学习的页岩油可动性、吸附性预测方法及装置。
技术介绍
1、尽管全球在倡导能源结构调整以减少co2排放，但是在2035年前，石油仍然在全球能源供给中扮演重要地位。随着水平钻井和水力压裂技术的发展，页岩油气在石油勘探与开发中逐步占据重要地位。近年来，我国在陆相页岩油气勘探中取得了瞩目成就，然而相比于北美海相页岩，我国陆相页岩油藏往往表现出强烈的非均质性。因此，厘清陆相页岩油藏中关键地质参数对于优化勘探部署有重要的指导意义。
2、勘探实践表明，页岩油藏的实际产量很大程度上受控于油可动性。赋存在页岩孔隙和裂缝系统中的游离油流动性好，被认为是可动油。根据前人研究表明，单位质量有机质中游离油的含量可以代表页岩中的油可动性能力(omc，wang et al.,2022)。吸附在干酪根和矿物表面的吸附油往往在现实勘探和开发的条件下难以动用，被认为是不可动油。单位质量有机质中吸附油含量可以代表页岩中油吸附能力(osc)。由于页岩中omc和osc受控于诸多因素共同控制且影响机制非常复杂，目前对页岩中油可动性的控制因素的认识尚不清晰，进而导致难以对油可动性进行预测。
3、现如今的资源评价方法中，常规热解方法获得的参数s1(常规热解游离烃含量)可以在一定程度上表示页岩中的游离油含量，并作为重要的地质参数被广泛使用。然而，随着技术手段的进步，常规热解方法被证实存在不足，s1同时包含游离油和一部分吸附油，难以准确反映油可动性。多温阶热解方法作为一种更有效的测试技术，可以更加精细的表征页岩油
4、机器学习(ml)现已成为挖掘数据中复杂模式的有力工具。然而，ml本质上是黑箱模型，很难通过理解模型的内部机制进而理解模型如何进行预测。为了克服这一挑战，可解释性的机器学习技术受到广泛关注。这些技术可以从不同的视角量化每个输入特征对模型预测的重要性贡献，还能够为输入特征之间的复杂协同作用提供见解。
技术实现思路
1、本专利技术为了准确地、低成本地分析出页岩油的可动性和吸附性，采用了机器学习模型，提供一种基于机器学习的页岩油可动性、吸附性预测方法及装置。
2、为了实现上述专利技术目的，本专利技术提供了以下技术方案：
3、基于机器学习的页岩油可动性、吸附性预测方法，包括以下步骤：
4、s1，获取陆相页岩数据集，所述陆相页岩数据集包括页岩矿物学类型、基础地球化学参数、孔隙度及多温阶热解数据；
5、s2，将所述陆相页岩数据集输入机器学习算法模型，输出预测的页岩油可动性参数和吸附性参数，所述机器学习算法模型包括rf-pso、rf-de。
6、作为优选方案，s2还包括对陆相页岩数据集进行预处理后输入机器学习算法模型，所述预处理包括异常值的检测和删除，缺失值的插补。
7、作为优选方案，所述页岩矿物学类型包括石英、长石、斜长石、钾长石、方解石、白云石、文石、菱铁矿、石膏、硬石膏、黏土矿物和黄铁矿；所述基础地球化学参数包括有机质丰度、热解烃峰值温度。
8、作为优选方案，多温阶热解数据包括多温阶热解轻油组分；多温阶热解轻中质油组分；多温阶热解重烃、胶质沥青组分；多温阶热解干酪根热解裂解再生烃。
9、作为优选方案，所述机器学习算法模型包括mlp-sgd、mlp-lbfgs、mlp-adam、rf-pso、rf-ga、rf-de、xgboost-pso、xgboost-ga、xgboost-de、svm-pso、svm-ga、svm-de。
10、作为优选方案，在训练所述机器学习算法模型的过程中，应用回归模型进行模型的开发和评估，并且决定系数和均方根误差定义如下：
11、
12、式中，是预测数据，yi是实际值，是实际数据均值，n是每个数据集的数据个数，r2是决定系数，rmse是均方根误差。
13、作为优选方案，从所述机器学习算法模型中筛选出最优的用于页岩油可动性参数和吸附性参数预测的模型，筛选方法包括基于五折交叉验证的平均预测性能评估。
14、作为优选方案，还包括步骤s3：使用多种解释性算法解释可动性和吸附性参数预测模型，获得页岩油可动性和吸附性的影响因素。
15、作为优选方案，所述解释性算法包括phi、shap和pdp。
16、基于相同的构思，还提出了基于机器学习的页岩油可动性、吸附性预测装置，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的基于机器学习的页岩油可动性、吸附性预测方法。
17、与现有技术相比，本专利技术的有益效果：本专利技术基于矿物学、基础地球化学及孔隙度数据，构建并比较了多种基于机器学习模型，筛选出最优omc、osc预测模型，从而可以准确计算页岩的omc和osc。
本文档来自技高网...【技术保护点】
1.基于机器学习的页岩油可动性、吸附性预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于机器学习的页岩油可动性、吸附性预测方法，其特征在于，S2还包括对陆相页岩数据集进行预处理后输入机器学习算法模型，所述预处理包括异常值的检测和删除，缺失值的插补。
3.如权利要求1所述的基于机器学习的页岩油可动性、吸附性预测方法，其特征在于，所述页岩矿物学类型包括石英、长石、斜长石、钾长石、方解石、白云石、文石、菱铁矿、石膏、硬石膏、黏土矿物和黄铁矿；所述基础地球化学参数包括有机质丰度、热解烃峰值温度。
4.如权利要求1所述的基于机器学习的页岩油可动性、吸附性预测方法，其特征在于，多温阶热解数据包括多温阶热解轻油组分；多温阶热解轻中质油组分；多温阶热解重烃、胶质沥青组分；多温阶热解干酪根热解裂解再生烃。
5.如权利要求1所述的基于机器学习的页岩油可动性、吸附性预测方法，其特征在于，所述机器学习算法模型包括MLP-SGD、MLP-Lbfgs、MLP-Adam、RF-PSO、RF-GA、RF-DE、XGBoost-PSO、XGBoost-
6.如权利要求5所述的基于机器学习的页岩油可动性、吸附性预测方法，其特征在于，在训练所述机器学习算法模型的过程中，应用回归模型进行模型的开发和评估，并且决定系数和均方根误差定义如下：
7.如权利要求5所述的基于机器学习的页岩油可动性、吸附性预测方法，其特征在于，从所述机器学习算法模型中筛选出最优的用于页岩油可动性参数和吸附性参数预测的模型，筛选方法包括基于五折交叉验证的平均预测性能评估。
8.如权利要求1-7任一所述的基于机器学习的页岩油可动性、吸附性预测方法，其特征在于，还包括步骤S3：使用多种解释性算法解释可动性和吸附性参数预测模型，获得页岩油可动性和吸附性的影响因素。
9.如权利要求8所述的基于机器学习的页岩油可动性、吸附性预测方法，其特征在于，所述解释性算法包括PHI、SHAP和PDP。
10.基于机器学习的页岩油可动性、吸附性预测装置，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至9中任一项所述的基于机器学习的页岩油可动性、吸附性预测方法。
...【技术特征摘要】
1.基于机器学习的页岩油可动性、吸附性预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于机器学习的页岩油可动性、吸附性预测方法，其特征在于，s2还包括对陆相页岩数据集进行预处理后输入机器学习算法模型，所述预处理包括异常值的检测和删除，缺失值的插补。
3.如权利要求1所述的基于机器学习的页岩油可动性、吸附性预测方法，其特征在于，所述页岩矿物学类型包括石英、长石、斜长石、钾长石、方解石、白云石、文石、菱铁矿、石膏、硬石膏、黏土矿物和黄铁矿；所述基础地球化学参数包括有机质丰度、热解烃峰值温度。
4.如权利要求1所述的基于机器学习的页岩油可动性、吸附性预测方法，其特征在于，多温阶热解数据包括多温阶热解轻油组分；多温阶热解轻中质油组分；多温阶热解重烃、胶质沥青组分；多温阶热解干酪根热解裂解再生烃。
5.如权利要求1所述的基于机器学习的页岩油可动性、吸附性预测方法，其特征在于，所述机器学习算法模型包括mlp-sgd、mlp-lbfgs、mlp-adam、rf-pso、rf-ga、rf-de、xgboost-pso、xgboost-ga、xgboost-de、svm-pso、svm-ga、svm-de。
【专利技术属性】
技术研发人员：王恩泽，郭彤楼，付英潇，黎茂稳，熊亮，董晓霞，
申请(专利权)人：中国石油化工股份有限公司，
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。