一种基于随机森林的深层碳酸盐岩沉积微相分析方法

1.本发明涉及岩性识别技术领域，尤其涉及一种基于随机森林的深层碳酸盐岩沉积微相分析方法。

背景技术：

2.常见的测井岩性识别方法有：测井资料交会图法、聚类分析识别方法以及模式识别分析法。但是采用测井资料交会图法仍然存在难以准确识别复杂矿物，储层的岩性条件裱花多样等问题。而聚类分析识别方法也同样存在着岩性识别中无法有效保证精度的问题。并且，目前国内外碳酸盐岩性识别方法都是基于单一因素，通常精度较低，难以准确地确定深层碳酸盐岩的沉积微相。

技术实现要素：

3.(一)要解决的技术问题
4.鉴于现有技术的上述缺点、不足，本发明提供一种基于随机森林的深层碳酸盐岩沉积微相分析方法，其解决了现有技术中深层碳酸盐岩沉积微相识别精确度较低的技术问题。
5.(二)技术方案
6.为了达到上述目的，本发明采用的主要技术方案包括：
7.本发明实施例提供一种基于随机森林的深层碳酸盐岩沉积微相分析方法，包括：
8.s1、获取研究区奥陶系多口钻井分别所对应的第一数据，并将每口钻井所对应的第一数据输入预先训练的随机森林模型中，以识别出每口钻井所对应的沉积微相；
9.预先采用原始数据集对随机森林模型进行训练以获取训练的随机森林模型；
10.s2、基于研究区奥陶系每口钻井分别所对应的沉积微相，获取整个研究区的沉积微相特征。
11.优选地，
12.所述原始数据集包括：预先在成像测井井段微相解释后，所筛选出的不少于10000个位置点分别所对应的数据点；
13.其中，每一数据点均包括该数据点所对应的位置点的常规井测数据和沉积微相。
14.优选地，所述预先采用原始数据集对随机森林模型进行训练以获取训练的随机森林模型，具体包括：
15.在所述原始数据集有放回的随机抽取数据点以生成n组训练集和一组测试集；
16.所述测试集包括原始数据集中的30％的数据点；
17.采用n组训练集和一组测试集对预先获取的随机森林模型进行训练以及测试，获取训练后的随机森林模型；
18.所述训练后的随机森林模型经过所述测试集测试的正确率大于85％。
19.优选地，
20.所述随机森林模型包含由n组训练集一一对应所构造的n棵决策树。
21.优选地，其中，由训练集构建决策树的过程中随机在预先设定的第一特征中抽取m个特征作为决策树中的节点；
22.所述m小于5；
23.其中所述第一特征包括：gr、ac、cnl、den、rd/rs。
24.优选地，所述采用训练数据集对预先获取的随机森林模型进行训练以获取初始训练后的随机森林模型，具体包括：
25.通过所述随机森林模型中的每棵决策树对应的训练集中的常规井测数据对所述每棵决策树进行评判，以获取所述每棵决策树所对应的沉积微相；
26.基于所述随机森林模型中每棵决策树对应的沉积微相，获取最终的预测结果；
27.所述最终的预测结果为：在所述随机森林中的n棵决策树分别所对应的沉积微相中数量最多的沉积微相。
28.优选地，所述s2包括：
29.基于研究区每口钻井分别所对应的沉积微相，确定该研究区奥陶系中预测频率最高的预测结果，并将该预测结果作为整个研究区奥陶系的沉积微相。
30.优选地，所述方法还包括：
31.s3、基于研究区奥陶系中每口钻井的位置，确定该研究区奥陶系中的第一类钻井；
32.所述第一类钻井为该研究区奥陶系中预先设定通道区域内的钻井；
33.所述预先设定通道区域在两条具有第一预设角度的平行线组成的区域；
34.s4、基于所述第一类钻井，确定该第一类钻井所对应的第一连接线；
35.所述第一连接线为在该第一类钻井中按照在预先设定通道区域中的位置依次连线的连接线；
36.s5、基于研究区奥陶系中每口钻井分别所对应的沉积微相，依据层序地层学原理确定所述第一连接线中任一位置点所对应的沉积微相。
37.优选地，所述s5具体包括：
38.s51、基于所述第一连线中任一位置点，确定该位置点所在的连线上该位置点两侧的第一类钻井分别所对应的沉积微相；
39.s52、判断该位置点所在的连线上该位置点两侧的第一类钻井分别所对应的沉积微相是否相同，若相同则将该位置点所在的连线上该位置点两侧的第一类钻井分别所对应的沉积微相确定为该位置点所对应的沉积微相。
40.优选地，所述s5还包括：
41.s53、若该位置点所在的连线上该位置点两侧的第一类钻井分别所对应的沉积微相不相同，则获取该位置点距离该位置点所在的连线上该位置点两侧的第一类钻井的距离，并将距离该位置点最近的第一连接线上的第一类钻井所对应的沉积微相作为该位置点的沉积微相。
42.(三)有益效果
43.本发明的有益效果是：本发明的一种基于随机森林的深层碳酸盐岩沉积微相分析方法，由于采用获取研究区奥陶系多口钻井分别所对应的第一数据，并将每口钻井所对应的第一数据输入预先训练的随机森林模型中，以识别出每口钻井所对应的沉积微相；然后
基于研究区奥陶系每口钻井分别所对应的沉积微相，获取整个研究区的沉积微相特征。由于基于研究区奥陶系每口钻井分别所对应的沉积微相，因此本发明的一种基于随机森林的深层碳酸盐岩沉积微相分析方法，因为碳酸盐岩性识别精度提高，可以准确地确定深层碳酸盐岩的沉积微相。
附图说明
44.图1为本发明的一种基于随机森林的深层碳酸盐岩沉积微相分析方法流程图；
45.图2为本发明实施例中的随机森林模型结构示意图。
具体实施方式
46.为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
47.为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
48.参见图1，本实施例提供一种基于随机森林的深层碳酸盐岩沉积微相分析方法，包括：
49.s1、获取研究区奥陶系多口钻井分别所对应的第一数据，并将每口钻井所对应的第一数据输入预先训练的随机森林模型中，以识别出每口钻井所对应的沉积微相。
50.预先采用原始数据集对随机森林模型进行训练以获取训练的随机森林模型。
51.所述原始数据集包括：预先在成像测井井段微相解释后，所筛选出的不少于10000个位置点分别所对应的数据点。
52.其中，每一数据点均包括该数据点所对应的位置点的常规井测数据和沉积微相。
53.参见图2，所述预先采用原始数据集对随机森林模型进行训练以获取训练的随机森林模型，具体包括：
54.在所述原始数据集有放回的随机抽取数据点以生成n组训练集和一组测试集。
55.所述测试集包括原始数据集中的30％的数据点。
56.采用n组训练集和一组测试集对预先获取的随机森林模型进行训练以及测试，获取训练后的随机森林模型。
57.所述训练后的随机森林模型经过所述测试集测试的正确率大于85％。
58.所述随机森林模型包含由n组训练集一一对应所构造的n棵决策树。
59.其中，由训练集构建决策树的过程中随机在预先设定的第一特征中抽取m个特征作为决策树中的节点。
60.所述m小于5。
61.其中所述第一特征包括：gr(自然伽马测井)、ac(声波时差测井)、cnl(中子测井)、den(密度测井)、rd/rs(深浅侧向测井)。
62.在一具体实例中，所述采用训练数据集对预先获取的随机森林模型进行训练以获取初始训练后的随机森林模型，具体包括：
63.通过所述随机森林模型中的每棵决策树对应的训练集中的常规井测数据对所述每棵决策树进行评判，以获取所述每棵决策树所对应的沉积微相。
64.基于所述随机森林模型中每棵决策树对应的沉积微相，获取最终的预测结果。
65.所述最终的预测结果为：在所述随机森林中的n棵决策树分别所对应的沉积微相中数量最多的沉积微相。
66.s2、基于研究区奥陶系每口钻井分别所对应的沉积微相，获取整个研究区的沉积微相特征。
67.所述s2具体包括：
68.基于研究区每口钻井分别所对应的沉积微相，确定该研究区奥陶系中预测频率最高的预测结果，并将该预测结果作为整个研究区奥陶系的沉积微相。
69.在本实施例的实际应用中，所述方法还包括：
70.s3、基于研究区奥陶系中每口钻井的位置，确定该研究区奥陶系中的第一类钻井。
71.所述第一类钻井为该研究区奥陶系中预先设定通道区域内的钻井。
72.所述预先设定通道区域在两条具有第一预设角度的平行线组成的区域。
73.s4、基于所述第一类钻井，确定该第一类钻井所对应的第一连接线。
74.所述第一连接线为在该第一类钻井中按照在预先设定通道区域中的位置依次连线的连接线。
75.s5、基于研究区奥陶系中每口钻井分别所对应的沉积微相，依据层序地层学原理确定所述第一连接线中任一位置点所对应的沉积微相。
76.在本实施例的实际应用中，所述s5具体包括：
77.s51、基于所述第一连线中任一位置点，确定该位置点所在的连线上该位置点两侧的第一类钻井分别所对应的沉积微相。
78.s52、判断该位置点所在的连线上该位置点两侧的第一类钻井分别所对应的沉积微相是否相同，若相同则将该位置点所在的连线上该位置点两侧的第一类钻井分别所对应的沉积微相确定为该位置点所对应的沉积微相。
79.具体的，所述s5还包括：
80.s53、若该位置点所在的连线上该位置点两侧的第一类钻井分别所对应的沉积微相不相同，则获取该位置点距离该位置点所在的连线上该位置点两侧的第一类钻井的距离，并将距离该位置点最近的第一连接线上的第一类钻井所对应的沉积微相作为该位置点的沉积微相。
81.本实施例中的一种基于随机森林的深层碳酸盐岩沉积微相分析方法，由于采用获取研究区奥陶系多口钻井分别所对应的第一数据，并将每口钻井所对应的第一数据输入预先训练的随机森林模型中，以识别出每口钻井所对应的沉积微相；然后基于研究区奥陶系每口钻井分别所对应的沉积微相，获取整个研究区的沉积微相特征。由于基于研究区奥陶系每口钻井分别所对应的沉积微相，因此本发明的一种基于随机森林的深层碳酸盐岩沉积微相分析方法，因为碳酸盐岩性识别精度提高，可以准确地确定深层碳酸盐岩的沉积微相。
82.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
83.本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
84.应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。
85.此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
86.尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
87.显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。

技术特征：

1.一种基于随机森林的深层碳酸盐岩沉积微相分析方法，其特征在于，包括：s1、获取研究区奥陶系多口钻井分别所对应的第一数据，并将每口钻井所对应的第一数据输入预先训练的随机森林模型中，以识别出每口钻井所对应的沉积微相；预先采用原始数据集对随机森林模型进行训练以获取训练的随机森林模型；s2、基于研究区奥陶系每口钻井分别所对应的沉积微相，获取整个研究区的沉积微相特征。2.根据权利要求1所述的方法，其特征在于，所述原始数据集包括：预先在成像测井井段微相解释后，所筛选出的不少于10000个位置点分别所对应的数据点；其中，每一数据点均包括该数据点所对应的位置点的常规井测数据和沉积微相。3.根据权利要求2所述的方法，其特征在于，所述预先采用原始数据集对随机森林模型进行训练以获取训练的随机森林模型，具体包括：在所述原始数据集有放回的随机抽取数据点以生成n组训练集和一组测试集；所述测试集包括原始数据集中的30％的数据点；采用n组训练集和一组测试集对预先获取的随机森林模型进行训练以及测试，获取训练后的随机森林模型；所述训练后的随机森林模型经过所述测试集测试的正确率大于85％。4.根据权利要求3所述的方法，其特征在于，所述随机森林模型包含由n组训练集一一对应所构造的n棵决策树。5.根据权利要求4所述的方法，其特征在于，其中，由训练集构建决策树的过程中随机在预先设定的第一特征中抽取m个特征作为决策树中的节点；所述m小于5；其中所述第一特征包括：gr、ac、cnl、den、rd/rs。6.根据权利要求5所述的方法，其特征在于，所述采用训练数据集对预先获取的随机森林模型进行训练以获取初始训练后的随机森林模型，具体包括：通过所述随机森林模型中的每棵决策树对应的训练集中的常规井测数据对所述每棵决策树进行评判，以获取所述每棵决策树所对应的沉积微相；基于所述随机森林模型中每棵决策树对应的沉积微相，获取最终的预测结果；所述最终的预测结果为：在所述随机森林中的n棵决策树分别所对应的沉积微相中数量最多的沉积微相。7.根据权利要求6所述的方法，其特征在于，所述s2包括：基于研究区每口钻井分别所对应的沉积微相，确定该研究区奥陶系中预测频率最高的预测结果，并将该预测结果作为整个研究区奥陶系的沉积微相。8.根据权利要求7所述的方法，其特征在于，所述方法还包括：s3、基于研究区奥陶系中每口钻井的位置，确定该研究区奥陶系中的第一类钻井；所述第一类钻井为该研究区奥陶系中预先设定通道区域内的钻井；所述预先设定通道区域在两条具有第一预设角度的平行线组成的区域；s4、基于所述第一类钻井，确定该第一类钻井所对应的第一连接线；所述第一连接线为在该第一类钻井中按照在预先设定通道区域中的位置依次连线的
连接线；s5、基于研究区奥陶系中每口钻井分别所对应的沉积微相，依据层序地层学原理确定所述第一连接线中任一位置点所对应的沉积微相。9.根据权利要求8所述的方法，其特征在于，所述s5具体包括：s51、基于所述第一连线中任一位置点，确定该位置点所在的连线上该位置点两侧的第一类钻井分别所对应的沉积微相；s52、判断该位置点所在的连线上该位置点两侧的第一类钻井分别所对应的沉积微相是否相同，若相同则将该位置点所在的连线上该位置点两侧的第一类钻井分别所对应的沉积微相确定为该位置点所对应的沉积微相。10.根据权利要求9所述的方法，其特征在于，所述s5还包括：s53、若该位置点所在的连线上该位置点两侧的第一类钻井分别所对应的沉积微相不相同，则获取该位置点距离该位置点所在的连线上该位置点两侧的第一类钻井的距离，并将距离该位置点最近的第一连接线上的第一类钻井所对应的沉积微相作为该位置点的沉积微相。

技术总结

本发明涉及一种基于随机森林的深层碳酸盐岩沉积微相分析方法，包括：S1、获取研究区奥陶系多口钻井分别所对应的第一数据，并将每口钻井所对应的第一数据输入预先训练的随机森林模型中，以识别出每口钻井所对应的沉积微相；预先采用原始数据集对随机森林模型进行训练以获取训练的随机森林模型；S2、基于研究区奥陶系每口钻井分别所对应的沉积微相，获取整个研究区的沉积微相特征。由于基于研究区奥陶系每口钻井分别所对应的沉积微相，因此本发明的一种基于随机森林的深层碳酸盐岩沉积微相分析方法，因为碳酸盐岩性识别精度提高，可以准确地确定深层碳酸盐岩的沉积微相。准确地确定深层碳酸盐岩的沉积微相。准确地确定深层碳酸盐岩的沉积微相。