一种基于灰关联和K近邻的煤层含气量定性评价的方法

一种基于灰关联和k近邻的煤层含气量定性评价的方法
技术领域
1.本发明涉及机器学习理论方法应用于煤储层含气性评价技术领域，具体涉及一种基于灰关联和k近邻的煤层含气量定性评价的方法。

背景技术：

2.煤层含气量是煤层气资源勘探和开发的关键参数，也是煤储层评价的重要指标。对煤层含气性的评价对推进勘探区域的有利区圈定和完善生产措施都有着不可或缺的意义。
3.煤层气是以甲烷为主要成分主要以吸附态赋存于煤基质颗粒表面，部分游离于煤孔隙中或溶解于煤层水中的烃类气体。煤层的含气量是煤层经历埋藏、构造、热演化过程中经过生气、吸附/解吸、扩散/渗流、运移后在现今地质条件下动态平衡的结果。
4.通常煤层含气量的测定主要通过钻井取芯至实验室直接测量和通过测量瓦斯压力和煤的孔隙体积，吸附常数反推含气量的间接测量。为了提高测量的精度，在取芯的过程中会保存岩心所处的地层环境(如温度、压力，其中最主要的压力)。但是，不论是取芯的过程还是样品转运以及样品测量，均会破坏圆心所处的地层环境，从而影响其最终的测量精度。而且对于现有的取芯测量来说，其成本较大，周期较长，而且对于没有样品的井来说无法进行测量，且由于该测量方式自身存在的问题而导致测量始终存在固有误差，因此，为了使得煤层含气量的测定更具有广泛，需要研究新的测量方法来较为准确的对预测井煤层气评价提供依据。

技术实现要素：

5.本发明的目的在于提供一种基于灰关联和k近邻的煤层含气量定性评价的方法，以解决现有技术中，由于缺乏相应的定性评价方式而导致的现有煤层气存在测量参数误差的技术问题。
6.为解决上述技术问题，本发明具体提供下述技术方案：
7.一种基于灰关联和k近邻的煤层含气量定性评价的方法，包括具体步骤：
8.步骤100、获取测井数据：获取研究区内各种测井曲线的纯煤层段数据以及对应的深度数据，并进行无量纲化处理；
9.步骤200、灰关联分析：选择参照井，利用灰关联方法计算参照井的各指标与含气量的关联度，并作关联度排序；
10.步骤300、建立k近邻含气性评价模型：划分含气量等级，并提取纯煤层段数据制作训练数据集，通过将训练数据集代入k近邻含气性评价模型，获得训练好的k近邻含气性评价模型；
11.步骤400、预测井含气量特征评价：将预测井的预测数据集代入训练好的k近邻含气性评价模型，对预测井的含气量特征进行评价。
12.作为本发明的一种优选方案，在步骤一中，通过电阻率测井方式获得测井数据，并
根据测井数据构建电阻率相关测井曲线，且电阻率相关测井曲线取对数值。
13.作为本发明的一种优选方案，对通过电阻率相关测井曲线的对数值获得的测井数据进行无量纲化处理具体公式为：
[0014][0015]
其中，x代表某个测井数据列；i代表该列中某个数值；x
max
代表第i列的最大值；x
min
代表第i列的最小值；xi代表无量纲化的数值。
[0016]
作为本发明的一种优选方案，在步骤二中，选择参照井，利用灰关联方法计算参照井的测井指标与含气量的关联度，并作关联度排序的具体方法包括：
[0017]
步骤201、选择参照井，并根据参照井的测井指标和含气量数据建立无量纲化的数据集矩阵；
[0018]
步骤202、根据无量纲化的数据集矩阵构建灰关联系数；
[0019]
步骤203、计算每个测井指标与含气量的关联系数的平均值，并按照从大到小的排序，且选择排序前五的指标作为测井指标。
[0020]
作为本发明的一种优选方案，在步骤300中，通过计算测井指标和含气量数据之间的欧氏距离建立k近邻含气评价模型，其计算方法如下：
[0021][0022]
其中，xi表示测井指标的数据点的坐标，yi表示含气量的数据点的坐标，m为指数。
[0023]
作为本发明的一种优选方案，在步骤300中，划分含气量等级，并提取纯煤层段数据制作训练数据集的具体方法包括：
[0024]
步骤301、制作含气性标签数据列：将所选参照井的含气量分布依据数值分为高含气性ⅰ、中含气性ⅱ以及低含气性ⅲ的三类标签；
[0025]
步骤302、建立训练数据集：通过灰关联选择的测井指标与对应含气量量标签内的数据合并制作成训练数据集。
[0026]
作为本发明的一种优选方案，在步骤400中，将预测井的预测数据代入训练好的k近邻含气评价模型中，选取与预测数据点最近k个数据点，依据k个数据点中最多的含气性标签种类作为预测井的含气性特征。
[0027]
作为本发明的一种优选方案，在步骤200中，参照井的选取的具体方法为：
[0028]
参照井的目标煤层以及目标煤层的邻近煤层的在厚度上选取的整体体积要覆盖煤层含气量的多个层次，且同步获取与煤层钻取深度对应得测井深度的测井数值。
[0029]
作为本发明的一种优选方案，还包括构建衍生数据矩阵，其具体方法包括：
[0030]
对指标与影响参数数据集的每个参量进行线性相关性分析，获得在某个参量的影响下，任意两个指标之间的相关系数以及与所述相关系数接近的参量，构建基于指标的影响参数数据集；其中，约定任意两个指标的相关系数r2≥δ，δ表示设定的相关性参数范围；并根据落入相关系数的范围的结果对建立的无量纲化的数据集矩阵中的指标数据进行转换，获得衍生数据矩阵，随后利用衍生数据矩阵计算灰关联系数。
[0031]
作为本发明的一种优选方案，计算每个指标与含气量的关联系数的平均排序，具体包括：
[0032]
计算基于数据集矩阵和衍生数据矩阵的关联系数的平均值；
[0033]
对基于数据集矩阵的关联系数的平均值进行从大到小的排序；对基于衍生数据矩阵的关联系数的平均值进行从小到大的排序；
[0034]
选择排序前五的指标设定为所需的测井指标。
[0035]
本发明与现有技术相比较具有如下有益效果：
[0036]
本发明基于灰关联和k近邻模型来进行预测井的测井参数的评价，从而能够确定预测井各因素于参考变量间的关系，对测井参数进行优选，含气量的评价和预测在不同地质背景下所选择的测井参数均不同，以适应不同地质条件下含气性评价，并且通过参照井进行的k邻近模型的训练，使得整个模型在后续的预测井的评价中，能够更快速的获得评价结果，这种方式克服了现有岩心取样导致的误差，而是基于测井参数来接近真实环境下的定性测量方式来克服现有技术中测量面不广泛的缺陷。
附图说明
[0037]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0038]
图1为本发明实施例提供的基于灰关联和k近邻的煤层含气量定性评价方法的流程图。
具体实施方式
[0039]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0040]
如图1所示，本发明提供了一种基于灰关联和k近邻的煤层含气量定性评价的方法，包括具体步骤：
[0041]
步骤100、获取测井数据：获取研究区内各种测井曲线的纯煤层段数据以及对应的深度数据，并进行无量纲化处理。
[0042]
所述步骤100中，提取纯煤层段测井数据的步骤为：根据现有的地质资料和岩性资料，获取到煤层段深度的测井数据，并剔除夹矸层，且舍去距离顶底板和夹矸层近的两层数据行。
[0043]
步骤200、灰关联分析：选择参照井，利用灰关联方法计算参照井的各指标与含气量的关联度，并作关联度排序。
[0044]
步骤300、建立k近邻含气性评价模型：划分含气量等级，并提取纯煤层段数据制作训练数据集，通过将训练数据集代入k近邻含气性评价模型，获得训练好的k近邻含气性评价模型。
[0045]
步骤400、预测井含气量特征评价：将预测井的预测数据集代入训练好的k近邻含气性评价模型，对预测井的含气量特征进行评价。
[0046]
在步骤一中，通过电阻率测井方式获得测井数据，并根据测井数据构建电阻率相关测井曲线，且对电阻率的相关测井曲线取对数值。
[0047]
对通过电阻率相关测井曲线的对数值获得的测井数据进行无量纲化处理具体公式为：
[0048][0049]
其中，x代表某个测井数据列；i代表该列中某个数值；x
max
代表第i列的最大值；x
min
代表第i列的最小值；xi代表无量纲化的数值。
[0050]
在步骤二中，选择参照井，利用灰关联方法计算参照井的测井指标与含气量的关联度，并作关联度排序的具体方法包括：
[0051]
步骤201、选择参照井，并根据参照井的测井指标和含气量数据建立无量纲化的数据集矩阵；
[0052]
如下矩阵：
[0053][0054]
其中，n为指标个数，x
′
为各个测井指标；y为含气量，即参考数据列；
[0055]
x
′i＝(x
′1(1),x
′1(2),
…
,x
′1(n))
t
，i＝1,2,3,
…
,n；
[0056]
y＝(y(1),y(2),
…
,y(m))
t
,i＝1,2,3,
…
,n；
[0057]
其中，x
′i为不同测井指标的数据列，x
′i(1)为无量纲化后的各指标具体数值。
[0058]
由于，在实际的测井过程中，各个指标之间还存在其他相互影响的参数，例如温度、深度以及煤层成熟度等，为此为了消除任意两个指标在测井过程中的相互影响或者说通过其他测井因素去关联任意两个指标，使得任意两个指标之间可以进行参数互换，在后续的无量纲计算中可以优化数据矩阵的数据结构，从而扩大在后续选定的用于进行评价的指标的范围，还包括构建衍生数据矩阵，其具体方法包括：
[0059]
对指标与影响参数数据集的每个参量进行线性相关性分析，获得在某个参量的影响下，任意两个指标之间的相关系数以及与所述相关系数接近的参量，构建基于指标的影响参数数据集；
[0060]
其中，约定任意两个指标的相关系数r2≥δ，δ表示设定的相关性参数范围；
[0061]
并根据落入相关系数的范围的结果对建立的无量纲化的数据集矩阵中的指标数据进行转换，获得衍生数据矩阵，随后利用衍生数据矩阵计算灰关联系数。
[0062]
计算每个指标与含气量的关联系数的平均排序，具体包括：
[0063]
计算基于数据集矩阵和衍生数据矩阵的关联系数的平均值；
[0064]
对基于数据集矩阵的关联系数的平均值进行从大到小的排序；对基于衍生数据矩阵的关联系数的平均值进行从小到大的排序；
[0065]
选择排序前五的指标设定为所需的测井指标。
[0066]
步骤202、根据无量纲化的数据集矩阵构建灰关联系数；
[0067]
具体公式为：
[0068][0069]
其中|y(k)-xi(k)|为各指标数据列与含气量数据列的差值的绝对值，i＝1,2,3,
…
,n；
[0070][0071]
为差值矩阵的最小值；为插值矩阵的最大值，ρ为分辨系数，取值范围为(0，1)，通常ρ取0.5；
[0072]
步骤203、计算每个测井指标与含气量的关联系数的平均值，并按照从大到小的排序，且选择排序前五的指标作为测井指标；
[0073]
其中，计算关联系数平均值，计算方法如下：
[0074][0075]
其中，ζi(k)表示第i各测井指标中各个数值与对应含气量的关联系数；m为第i各测井指标数据列的数据个数；ri为第i个指标的关联系数；然后对r做排序，使其按照从大到小排序，选择排序前5的测井指标作为所需的指标。
[0076]
在步骤300中，通过计算测井指标和含气量数据之间的欧氏距离建立k近邻含气评价模型，其计算方法如下：
[0077][0078]
其中，xi表示测井指标的数据点的坐标，yi表示含气量的数据点的坐标，m为指数。
[0079]
其中数据点x的坐标为(x1,x2,x3,x4,x5)；数据点y的坐标为(y1,y2,y3,y4,y5)，m为指数。
[0080]
在步骤300中，划分含气量等级，并提取纯煤层段数据制作训练数据集的具体方法包括：
[0081]
步骤301、制作含气性标签数据列：将所选参照井的含气量分布依据数值分为高含气性ⅰ、中含气性ⅱ以及低含气性ⅲ的三类标签；
[0082]
步骤302、建立训练数据集：通过灰关联选择的测井指标与对应含气量量标签内的数据合并制作成训练数据集。
[0083]
在步骤400中，将预测井的预测数据代入训练好的k近邻含气评价模型中，选取与预测数据点最近k个数据点，依据k个数据点中最多的含气性标签种类作为预测井的含气性特征。
[0084]
在步骤200中，参照井的选取的具体方法为：
[0085]
参照井的目标煤层以及目标煤层的邻近煤层的在厚度上选取的整体体积要覆盖煤层含气量的多个层次，且同步获取与煤层钻取深度对应得测井深度的测井数值。
[0086]
即所述步骤200中参照井的选取的基本原则为：
[0087]
其一参照井的煤层及临井的煤层厚度总体普遍较大；
[0088]
其二为所选参照井的含气量值范围足够大，包含高中低各层次，并且统计分布合理；
[0089]
最后与煤层钻取深度对应得测井深度的测井数值可以获得。
[0090]
上述步骤中，将预测井的参数输入到训练好的k近邻模型中，选取与预测数据点最近k个数据点，依据k个数据点中最多的含气性标签种类作为预测井的含气性特征。
[0091]
总体来说，本方法首先获取测井和深度数据构成数据集，并选取用于训练的参照井，然后通过灰关联分析方法选取与含气量关联度相对较高的参数，再通过训练数据集训练建立用于含气量评价的k近邻模型，最后将预测井的相应参数输入到模型中得到含气量评价结果。
[0092]
下面通过具体实施例对基于灰关联和k近邻的煤层含气量评价方法做进一步说明。
[0093]
选取沁水盆地南部郑庄区块22口参数井作为参照井构建数据集：
[0094][0095]
划定含气量等级，依据参照井含气量分布将区内含气量划分为三个等级：
[0096]
含气性标签iiiiii含气量(m3/t)[25，35][15，25)[0，15)
[0097]
对数据进行无量纲处理后，进行灰关联分析，计算各参数的关联度并作关联度
排序：
[0098]
次序参数关联度次序参数关联度1深侧向电阻率0.8486埋深0.7822浅侧向电阻率0.8487补偿密度0.7323微电阻率0.8318自然伽马0.7104声波时差0.8099井径0.6995自然电位0.792
ꢀꢀꢀ
[0099]
选择深侧向电阻率、浅侧向电阻率、微电阻率、声波时差、自然电位作为用于模型训练的训练参数。将上述五个参数对应的数据列和含气性标签合并制作训练数据集。
[0100]
通过数据集代入k近邻模型内，建立用于含气量评价的k近邻模型。
[0101]
预测井的五个参数代入模型，统过距离公式计算与预测井数据最近的k个点，在k个点内所属含气性标签最多的一类即为预测井的含气性等级。k值通过训练集的交叉验证取评价效果最好的值，本例中k＝2。
[0102]
通过煤层测井参数定性评价含气性的方法具有高效快捷的特点，因此利用深度特征和测井参数对煤储层含气量评价可提高勘探开发效率。
[0103]
灰关联分析是指对一个系统发展态势的定量描述和比较的方法，其基本思想是通过确定参考数据列和若干比较数列的几何形状相似程度来判断其是否紧密联系，他反映了曲线间的关联程度。灰关联通过系统中的有限数列，寻求系统内各因素之间的联系，通过比较各因素间灰关联度的大小，从而确定各因素于参考变量间的关系。含气量的评价和预测中不同地质背景下所选择的测井参数均不同，因此为适应不同地质条件下含气性评价，需要通过灰关联分析对参数进行优选。
[0104]
k近邻算法是的基本思路是在特征空间中，如果一个样本附件的k个最近(即特征空间中最邻近)样本的大多数属于某一类别，则该样本也属于这个类别。k近邻是一个理论上比较成熟的机器学习算法，本身简单有效。通过k近邻算法可以实现对煤储层含气量的快速评价。
[0105]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。

技术特征：

1.一种基于灰关联和k近邻的煤层含气量定性评价的方法，其特征在于，包括具体步骤：步骤100、获取测井数据：获取研究区内各种测井曲线的纯煤层段数据以及对应的深度数据，并进行无量纲化处理；步骤200、灰关联分析：选择参照井，利用灰关联方法计算参照井的各指标与含气量的关联度，并作关联度排序；步骤300、建立k近邻含气性评价模型：划分含气量等级，并提取纯煤层段数据制作训练数据集，通过将训练数据集代入k近邻含气性评价模型，获得训练好的k近邻含气性评价模型；步骤400、预测井含气量特征评价：将预测井的预测数据集代入训练好的k近邻含气性评价模型，对预测井的含气量特征进行评价。2.根据权利要求1所述的一种基于灰关联和k近邻的煤层含气量定性评价的方法，其特征在于，在步骤一中，通过电阻率测井方式获得测井数据，并根据测井数据构建电阻率相关测井曲线，且电阻率相关测井曲线取对数值。3.根据权利要求2所述的一种基于灰关联和k近邻的煤层含气量定性评价的方法，其特征在于，对通过电阻率相关测井曲线的对数值获得的测井数据进行无量纲化处理具体公式为：其中，x代表某个测井数据列；i代表该列中某个数值；x
max
代表第i列的最大值；x
min
代表第i列的最小值；x
i
代表无量纲化的数值。4.根据权利要求1所述的一种基于灰关联和k近邻的煤层含气量定性评价的方法，其特征在于，在步骤二中，选择参照井，利用灰关联方法计算参照井的测井指标与含气量的关联度，并作关联度排序的具体方法包括：步骤201、选择参照井，并根据参照井的测井指标和含气量数据建立无量纲化的数据集矩阵；步骤202、根据无量纲化的数据集矩阵构建灰关联系数；步骤203、计算每个测井指标与含气量的关联系数的平均值，并按照从大到小的排序，且选择排序前五的指标作为测井指标。5.根据权利要求1所述的一种基于灰关联和k近邻的煤层含气量定性评价的方法，其特征在于，在步骤300中，通过计算测井指标和含气量数据之间的欧氏距离建立k近邻含气评价模型，其计算方法如下：其中，x
i
表示测井指标的数据点的坐标，y
i
表示含气量的数据点的坐标，m为指数。6.根据权利要求5所述的一种基于灰关联和k近邻的煤层含气量定性评价的方法，其特征在于，在步骤300中，划分含气量等级，并提取纯煤层段数据制作训练数据集的具体方法包括：步骤301、制作含气性标签数据列：将所选参照井的含气量分布依据数值分为高含气性
ⅰ
、中含气性ⅱ以及低含气性ⅲ的三类标签；步骤302、建立训练数据集：通过灰关联选择的测井指标与对应含气量量标签内的数据合并制作成训练数据集。7.根据权利要求1所述的一种基于灰关联和k近邻的煤层含气量定性评价的方法，其特征在于，在步骤400中，将预测井的预测数据代入训练好的k近邻含气评价模型中，选取与预测数据点最近k个数据点，依据k个数据点中最多的含气性标签种类作为预测井的含气性特征。8.根据权利要求1所述的一种基于灰关联和k近邻的煤层含气量定性评价的方法，其特征在于，在步骤200中，参照井的选取的具体方法为：参照井的目标煤层以及目标煤层的邻近煤层的在厚度上选取的整体体积要覆盖煤层含气量的多个层次，且同步获取与煤层钻取深度对应得测井深度的测井数值。9.根据权利要求4所述的一种基于灰关联和k近邻的煤层含气量定性评价的方法，其特征在于，还包括构建衍生数据矩阵，其具体方法包括：对指标与影响参数数据集的每个参量进行线性相关性分析，获得在某个参量的影响下，任意两个指标之间的相关系数以及与所述相关系数接近的参量，构建基于指标的影响参数数据集；其中，约定任意两个指标的相关系数r2≥δ，δ表示设定的相关性参数范围；并根据落入相关系数的范围的结果对建立的无量纲化的数据集矩阵中的指标数据进行转换，获得衍生数据矩阵，随后利用衍生数据矩阵计算灰关联系数。10.根据权利要求9所述的一种基于灰关联和k近邻的煤层含气量定性评价的方法，其特征在于，计算每个指标与含气量的关联系数的平均排序，具体包括：计算基于数据集矩阵和衍生数据矩阵的关联系数的平均值；对基于数据集矩阵的关联系数的平均值进行从大到小的排序；对基于衍生数据矩阵的关联系数的平均值进行从小到大的排序；选择排序前五的指标设定为所需的测井指标。

技术总结

本发明公开了一种基于灰关联和K近邻的煤层含气量定性评价的方法，首先获取测井数据：获取研究区内各种测井曲线的纯煤层段数据以及对应的深度数据，并进行无量纲化处理；然后灰关联分析：选择参照井，利用灰关联方法计算各指标与含气量的关联度，并作关联度排序；建立K近邻含气性评价模型：划分含气量等级，并提取纯煤层段数据制作训练数据集。通过训练数据集代入K近邻模型得到训练模型；利用训练好的含气性评价模型代入预测数据集，评价预测井的含气量特征。本发明可以有效的分析评价含气性特征，操作简单，效率高。效率高。效率高。