【技术实现步骤摘要】
本专利技术涉及油气田开发，更具体地说，涉及一种基于数据驱动的烃源岩综合评价方法。
技术介绍
1、在石油勘探领域，烃源岩对油气储量的形成和聚集起着举足轻重的作用。它不仅是油气生成的物质基础，也是油气资源评价和预测的核心。烃源岩的品质和数量直接决定了油气资源的潜力和经济可行性，因此对烃源岩的全面评价在油气勘探和开发中具有重要意义。
2、在油气资源评价中，通常通过热解实验获取有机碳含量（toc-%）、游离烃含量（s1-mg/g）和热解烃含量（s2-mg/g）来评估烃源岩的有机质丰度、生烃潜力特征。但是开展烃源岩评价主要依赖于实验数据，成本高、耗时长，并且受取芯样本限制较大。以往一些学者会通过建立经验公式如δlogr法、改进δlogr方法以及多元回归法预测toc（%）、s1（mg/g）等参数。通过测井建立模型来计算参数，虽然可以有效弥补数据有限问题，但该方法需要各领域专家花费大量时间来利用复杂的逻辑推理和数学物理公式进行计算，是一项十分繁琐的工作，并且可能存在可移植性差、无法表示非线性关系的局限性。随着科学技术的发展，机器学习被用来预测各种参数。但是对烃源岩评价时涉及参数较多，通过单一机器学习模型实现烃源岩综合评价较为繁琐。
技术实现思路
1、本专利技术的目的在于，提供一种基于数据驱动的烃源岩综合评价方法，能同时预测有机碳含量、游离烃含量和热解烃含量并进一步预测烃源岩的类型，实现烃源岩的全面评价，提高了烃源岩综合评价的准确性、可靠性和效率。
2、本专利技术提供一种基
3、进一步地，上述岩心实验数据包括有机碳含量数据、游离烃含量数据和热解烃含量数据；对应测井数据包括自然伽马数据、电阻数据、声波时差数据、密度数据和中子数据。
4、进一步地，上述第一训练数据集包括第一数据集、第二数据集和第三数据集；第一数据集包括有机碳含量数据和对应测井数据；第二数据集包括游离烃含量数据和对应测井数据；第三数据集包括热解烃含量数据和对应测井数据。
5、进一步地，上述第一预测模型包括第一参数预测模型、第二参数预测模型和第三参数预测模型。
6、进一步地，上述步骤s3具体包括：以第一数据集中的有机碳含量数据、第二数据集中的游离烃含量数据和第三数据集中的热解烃含量数据为因变量，以对应测井数据为自变量，对第一预测模型进行训练和预测，得到预测有机碳含量、预测游离烃含量和预测热解烃含量；根据第一数据集中的有机碳含量数据和预测有机碳含量，得到第一决定系数；根据第二数据集中的游离烃含量数据和预测游离烃含量，得到第二决定系数；根据第三数据集中的热解烃含量数据和预测热解烃含量，得到第三决定系数；当第一决定系数、第二决定系数和第三决定系数中任一项小于预设决定系数阈值时，继续训练和预测；当第一决定系数、第二决定系数和所诉第三决定系数均不小于预设决定系数阈值时，停止训练，得到训练好的第一预测模型。
7、进一步地，上述预设决定系数阈值为0.8。
8、进一步地，上述训练好的第一预测模型包括训练好的第一参数预测模型、训练好的第二参数预测模型和训练好的第三参数预测模型；
9、本专利技术还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述基于数据驱动的烃源岩综合评价方法的步骤。
10、实施本专利技术提供的基于数据驱动的烃源岩综合评价方法及计算机程序产品，具有以下有益效果：
11、本专利技术以岩心实测数据（总有机碳-toc（%）、游离烃含量-s1（mg/g）、热解烃含量s2（mg/g））为因变量、、，对应的测井数据为自变量，并划分训练集和测试集，通过多输出随机森林算法，建立不同输出参数预测模型；以训练好的模型实现单井到研究区多参数预测，能够同时预测toc（%）、s1（mg/g）、s2（mg/g），再根据烃源岩评价国家标准划分类别，并进一步建立模型预测烃源岩的类型，通过二次机器学习单参数预测模型，实现全区烃源岩潜力的综合评价；这种综合评价不仅考虑了有机质含量，还包括了烃源岩的生烃潜力，从多个维度对烃源岩进行全面分析；
12、本专利技术实现多参数同时预测与输出，相比常规机器学习预测方法大大提高了效率；本专利技术充分利用已有数据，通过数据驱动的方法解决数据缺失问题，相比传统的插值或填补方法，本专利技术不仅能够预测缺失的数据，还能捕捉到数据之间的复杂关系，从而提高预测的准确性和可靠性；本专利技术具有很强的扩展性和通用性，能够为不同类型的烃源岩评价提供参考。
本文档来自技高网...【技术保护点】
1.一种基于数据驱动的烃源岩综合评价方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数据驱动的烃源岩综合评价方法，其特征在于，所述岩心实验数据包括有机碳含量数据、游离烃含量数据和热解烃含量数据；所述对应测井数据包括自然伽马数据、电阻数据、声波时差数据、密度数据和中子数据。
3.根据权利要求1所述的基于数据驱动的烃源岩综合评价方法，其特征在于，所述第一训练数据集包括第一数据集、第二数据集和第三数据集；所述第一数据集包括有机碳含量数据和对应测井数据；所述第二数据集包括游离烃含量数据和对应测井数据；所述第三数据集包括热解烃含量数据和对应测井数据。
4.根据权利要求1所述的基于数据驱动的烃源岩综合评价方法，其特征在于，所述第一预测模型包括第一参数预测模型、第二参数预测模型和第三参数预测模型。
5.根据权利要求3所述的基于数据驱动的烃源岩综合评价方法，其特征在于，步骤S3具体包括：以第一数据集中的有机碳含量数据、第二数据集中的游离烃含量数据和第三数据集中的热解烃含量数据为因变量，以对应测井数据为自变量，对所述第一预测模型进行训练
6.根据权利要求5所述的基于数据驱动的烃源岩综合评价方法，其特征在于，所述预设决定系数阈值为0.8。
7.根据权利要求1所述的基于数据驱动的烃源岩综合评价方法，其特征在于，所述训练好的第一预测模型包括训练好的第一参数预测模型、训练好的第二参数预测模型和训练好的第三参数预测模型。
8.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7任一所述的基于数据驱动的烃源岩综合评价方法的步骤。
...【技术特征摘要】
1.一种基于数据驱动的烃源岩综合评价方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数据驱动的烃源岩综合评价方法，其特征在于，所述岩心实验数据包括有机碳含量数据、游离烃含量数据和热解烃含量数据；所述对应测井数据包括自然伽马数据、电阻数据、声波时差数据、密度数据和中子数据。
3.根据权利要求1所述的基于数据驱动的烃源岩综合评价方法，其特征在于，所述第一训练数据集包括第一数据集、第二数据集和第三数据集；所述第一数据集包括有机碳含量数据和对应测井数据；所述第二数据集包括游离烃含量数据和对应测井数据；所述第三数据集包括热解烃含量数据和对应测井数据。
4.根据权利要求1所述的基于数据驱动的烃源岩综合评价方法，其特征在于，所述第一预测模型包括第一参数预测模型、第二参数预测模型和第三参数预测模型。
5.根据权利要求3所述的基于数据驱动的烃源岩综合评价方法，其特征在于，步骤s3具体包括：以第一数据集中的有机碳含量数据、第二数据集中的游离烃含量数据和第三数据集中的热解烃含量数据为因变量，以对应测井数据为自变量，对所...
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。