【技术实现步骤摘要】
本申请涉及一种非均衡样本的测井岩相智能识别方法、相关方法及装置。
技术介绍
1、岩相是指一定沉积环境中形成的岩石特征，包括岩石矿物组分、结构、构造和颜色等。准确地识别和划分岩相，可为储层参数计算、开发方案设计、压裂改造施工、油藏描述和盆地预估等提供重要依据，是储层评价的重要内容。而测井资料以其纵向分辨率高以及连续性好的特点，在岩相识别与评价方面应用广泛。但随着勘探开发的不断深入，储层日益复杂，非均质性极强，在复杂岩性储层特别是含薄夹层或薄互层发育的储层，由岩心或录井资料得到的岩性样本一般主要类岩性多，少数类岩性少，不同岩性样本数量分布不均衡。采用传统岩心标定测井或者深度学习方法进行岩性识别的精度往往不高。
技术实现思路
1、为了实现精度更高的非均衡样本的测井岩相识别，本申请实施例提供了一种非均衡样本的测井岩相智能识别方法、相关方法及装置。
2、第一方面，本申请实施例提供一种非均衡样本的测井岩相智能识别方法，该方法包括：
3、根据预先获得的研究区域内实际井的各类岩相对应的测井属性，建立岩相样本数据集，并抽样得到多个第一样本子集；
4、对于每一所述第一样本子集，计算每一类岩相的所有样本数据对应的各测井属性的均值，得到每一类岩相的各属性特征；
5、基于所述每一类岩相的各属性特征，确定各属性特征的权重；
6、根据所述各属性特征的权重，计算每一类岩相的加权特征参数，得到第二样本子集；
7、将每一所述第二样本子集输入一个基
8、根据预先确定的每一所述基分类器的组合权重和对应测井岩相识别概率结果，确定研究区域内实际井不同深度的岩相类型。
9、本申请实施例的一个或一些可选的实施方式中，通过下述方式得到训练好的各基分类器：
10、根据预先获得的各类岩相对应的测井属性，建立历史岩相样本数据集；
11、根据预设非均衡指数，对所述历史岩相样本数据集进行重采样，得到重采样后历史样本数据集，并抽样得到多个第一历史样本子集；
12、对于每一所述第一历史样本子集，计算每一类岩相的所有样本数据对应的各测井属性的均值，得到每一类岩相的各属性特征；
13、基于所述每一类岩相的各属性特征，确定各属性特征的权重；
14、根据所述各属性特征的权重，计算每一类岩相的加权特征参数，得到第二历史样本子集；
15、将每一所述第二历史样本子集输入一个基分类器中进行识别，确定各基分类器中历史测井岩相识别概率结果；
16、将所述各基分类器中历史测井岩相识别概率结果与预先获得的测井岩相的真实结果进行对比，判断各基分类器的预测准确率是否达到预设阈值；
17、若是，得到训练好的各基分类器。
18、本申请实施例的一个或一些可选的实施方式中，所述根据预设非均衡指数，对所述历史岩相样本数据集进行重采样，得到重采样后历史样本数据集，并抽样得到多个第一历史样本子集，包括：
19、根据所述历史岩相样本数据集中不同岩相类型的样本数量，确定多数类岩相和少数类岩相；
20、根据所述预设非均衡指数，对多数类岩相进行欠采样，对少数类岩相进行过采样，直至所述历史岩相样本数据集中不同岩相类型的样本数量达到均衡，得到重采样后历史样本数据集，并抽样得到多个第一历史样本子集。
21、本申请实施例的一个或一些可选的实施方式中，所述对于每一所述第一样本子集，计算每一类岩相的所有样本数据对应的各测井属性的均值，得到每一类岩相的各属性特征，包括：
22、对于每一所述第一样本子集，基于下述公式1，计算每一类岩相的所有样本数据对应的各测井属性的均值：
23、
24、式中，rij为所述第一样本子集中第i类岩相第l个训练样本的第j个测井属性的均值；fijl为所述第一样本子集中第i类岩相中第l个样本的第j个测井属性值；nc为所述第一样本子集中样本数量；
25、将每一类岩相的所有样本数据对应的各测井属性的均值作为每一类岩相的各属性特征。
26、本申请实施例的一个或一些可选的实施方式中，所述基于所述每一类岩相的各属性特征，确定各属性特征的权重，包括：
27、对于所述第一样本子集，基于所述每一类岩相的各属性特征，计算每一属性特征与其它类岩相中相同属性特征的离差；
28、根据所述离差，计算各类岩相的各属性特征的总离差；
29、根据所述总离差，确定各属性特征的权重。
30、本申请实施例的一个或一些可选的实施方式中，所述根据所述各属性特征的权重，计算每一类岩相的加权特征参数，得到第二样本子集，包括：
31、根据所述各属性特征的权重，基于下述公式2，计算每一类岩相的加权特征参数：
32、
33、式中，rti为所述第二样本子集中第i类岩相的加权特征参数；rij为所述第一样本子集中第i类岩相的第j个加权特征参数；为所述所有特征的总离差取得最大值时对应的第j个加权特征参数的权重；
34、对于每一所述第一样本子集，根据所述每一类岩相的加权特征参数，得到第二样本子集。
35、本申请实施例的一个或一些可选的实施方式中，所述得到训练好的各基分类器后，还包括：
36、根据所述各训练好的基分类器中历史测井岩相识别概率结果与预先获得的测井岩相的真实结果，确定每一基分类器的精确率和召回率；
37、根据所述每一基分类器的精确率和召回率，基于下述公式3，确定每一基分类器的测井岩相识别性能指数：
38、
39、式中，f为一种基分类器的测井岩相识别性能指数；pp为一种基分类器的精确率；pr为一种基分类器的召回率；
40、根据所述每一基分类器的测井岩相识别性能指数，基于下述公式4，确定每一基分类器的组合权重：
41、
42、式中，wt为第t个基分类器的组合权重；ft为第t个基分类器的测井岩相识别性能指数；fmin为所有基分类器测井岩相识别性能指数的最小值；fmax为所有基分类器测井岩相识别性能指数的最大值。
43、本申请实施例的一个或一些可选的实施方式中，所述根据预先获得的研究区域内实际井的各类岩相对应的测井属性，建立岩相样本数据集后，还包括：
44、对所述岩相样本数据集中所有测井曲线进行归一化处理。
45、本申请实施例的一个或一些可选的实施方式中，所述根据预先确定的每一基分类器的组合权重和对应测井岩相识别概率结果，确定研究区域内实际井不同深度的岩相类型，包括：
46、对于研究区域内实际井的每一测井采样深度，根据预先确定的每一基分类器的组合权重和对应测井岩相识别概率结果，基于下述公式5，确定对应的每类岩相的概率：
47、
【技术保护点】
1.一种非均衡样本的测井岩相智能识别方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，通过下述方式得到训练好的各基分类器：
3.如权利要求2所述的方法，其特征在于，所述根据预设非均衡指数，对所述历史岩相样本数据集进行重采样，得到重采样后历史样本数据集，并抽样得到多个第一历史样本子集，包括：
4.如权利要求1所述的方法，其特征在于，所述对于每一所述第一样本子集，计算每一类岩相的所有样本数据对应的各测井属性的均值，得到每一类岩相的各属性特征，包括：
5.如权利要求1所述的方法，其特征在于，所述基于所述每一类岩相的各属性特征，确定各属性特征的权重，包括：
6.如权利要求1所述的方法，其特征在于，所述根据所述各属性特征的权重，计算每一类岩相的加权特征参数，得到第二样本子集，包括：
7.如权利要求2所述的方法，其特征在于，所述得到训练好的各基分类器后，还包括：
8.如权利要求1所述的方法，其特征在于，所述根据预先获得的研究区域内实际井的各类岩相对应的测井属性，建立岩相样本数据集后，还包括：<...
【技术特征摘要】
1.一种非均衡样本的测井岩相智能识别方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，通过下述方式得到训练好的各基分类器：
3.如权利要求2所述的方法，其特征在于，所述根据预设非均衡指数，对所述历史岩相样本数据集进行重采样，得到重采样后历史样本数据集，并抽样得到多个第一历史样本子集，包括：
4.如权利要求1所述的方法，其特征在于，所述对于每一所述第一样本子集，计算每一类岩相的所有样本数据对应的各测井属性的均值，得到每一类岩相的各属性特征，包括：
5.如权利要求1所述的方法，其特征在于，所述基于所述每一类岩相的各属性特征，确定各属性特征的权重，包括：
6.如权利要求1所述的方法，其特征在于，所述根据所述各属性特征的权重，计算每一类岩相的加权特征参数，得到第二样本子集，包括：
7.如权利要求2所述的方法，其特征在于，所述得到训练好的各基分类器后，还包括：
8.如权利要求1所述的方法，其特征在于，所述根据预先获得的研究区域内实际井的各类岩相对应的测井属性，建立岩相样本数据集后，还包括：
9.如权利要求1-8任一项所述的方法，其特征在于，所述根据预先确定的每一基分类器的组合权重和对应测井岩相识别概率结果，确定研究区域内实际井不同深度的岩相类型，包括：
10.一种非均衡样本的测井岩...
【专利技术属性】
技术研发人员：王才志，刘英明，王浩，夏守姬，原野，傅海成，
申请(专利权)人：中国石油天然气集团有限公司，
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。