一种基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法与流程

：
1.本发明涉及油田测井研究技术领域，特别涉及一种基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法。

背景技术：

2.碳酸盐岩储层受沉积、构造及成岩作用影响大，岩性复杂、孔隙结构多样，测井电性响应特征不明显，电性-物性相关性差，不能采用统一的模型进行参数解释。常规交会图法在碳酸盐岩储层岩相识别中识别率低，进而影响测井参数解释结果的精度。

技术实现要素：

3.本发明在于克服背景技术中存在的现有常规交会图法在碳酸盐岩储层岩相识别中识别率低进而影响测井参数解释结果的精度的问题，而提供一种基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法。该基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法，通过主成分分析法确定岩性划分标准，通过bayes逐步分析法识别沉积微相，利用岩性和沉积微相的组合划分岩石物理相，进而进行岩石物理相约束条件下的参数解释，提高了解释精度。本发明解决其问题可通过如下技术方案来达到：该基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法，包括以下步骤：
4.s1、采用敏感性分析方法筛选典型测井曲线；
5.s2、利用主成分分析法构建岩性识别标准；确定取心井的岩性；
6.s3、采用bayes逐步判别法识别并确定碳酸盐岩沉积微相；
7.s4、将确定的取心井的岩性与碳酸盐岩沉积微相进行组合，统计分析所有取心井岩性和沉积微相的组合类型，依据岩性和沉积微相的组合类型划分岩石物理相，确定所有岩石物理相的种类；
8.s5、建立岩石物理相约束条件下的参数解释模型，利用参数解释模型对所有井进行参数解释。
9.进一步的，所述的步骤一采用敏感性分析方法筛选典型测井曲线的方法，包含以下步骤：
10.1)收集整理研究区的全部测井曲线资料；
11.2)对所有曲线分类进行均值化处理，得到均值化处理后的曲线样本数据；
12.3)对取心井进行岩心归位，获取取心层段的测井曲线均值化处理结果；
13.4)采用敏感性分析方法确定各均值化处理后的曲线对识别不同岩性的贡献度；
14.5)根据贡献度大小选择累积贡献度超过90％的典型测井曲线；
15.6)根据典型测井曲线，结合分析化验资料，建立深度学习的样本集。进一步的，步骤2)对所有曲线分类进行均值化处理，采用如下的公式：
[0016][0017][0018][0019]
其中：x
ik
为均值化以后的样本数据；
[0020]
为每种测井曲线的平均值；
[0021]
为每种测井曲线的方差平均值；
[0022]
对原始数据进行均值化处理后，不仅消除了指标量纲和数量的影响，而且能更加全面地反映原始数据中各指标的变异程度和相互影响程度的信息，得到的结果更准确。
[0023]
进一步的，所述步骤4)确定各均值化处理后的曲线对识别不同岩性的贡献度的方法，包括：
[0024]
计算均值化处理后的样本数据的特征方程，得到标准化以后的样本集矩阵，通过样本集矩阵得到方程的特征根λ，其值表征该曲线的贡献度大小；
[0025]
计算数据样本矩阵的特征方程：
[0026][0027]
|x-λi|＝0
[0028]
其中，λ1，λ2，
…
λm为方程的特征根，其值表征该曲线的贡献度大小；
[0029]
x为标准化以后的样本集矩阵；
[0030]
i为特征向量；
[0031]
每个特征根对应的特征向量为：
[0032]
其中，α
ij
为矩阵x的特征根λj的特征向量。
[0033]
该步骤借助于正交变换，将原随机向量的协方差阵变换成对角形阵，使得其分量相关的原随机向量转化成其分量不相关的新向量，保障了各成分之间的不相容性。
[0034]
进一步的，所述步骤二利用主成分分析法构建岩性识别标准的方法为：应用分析后的主成分公式，分别做分析后的主成分fi两两相关的交会图，选择界限最为清晰的交会图确定岩性划分标准。
[0035]
进一步的，所述分析后的主成分公式为：
[0036][0037]
其中：fi为分析后的主成分；
[0038]
α
ik
为特征向量元素；
[0039]
χ
ik
为标准化后的样本集元素；
[0040]
采用该方法，将原来变量重新组合成一组新的相互无关的几个综合变量，同时根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息。
[0041]
进一步的，所述步骤三采用b
ayes
逐步判别法识别碳酸盐岩沉积微相的具体方法为：
[0042]
1)计算各微相的先验概率；
[0043]
2)根据计算的各微相的先验概率，计算判别函数；
[0044]
3)根据计算的判别函数，计算微相归属，识别碳酸盐岩沉积微相。
[0045]
进一步的，步骤(1)计算各微相的先验概率采用的具体公式是：共n个样本，假设有k类沉积微相：
[0046][0047]
其中，pj为先验概率，gj为k维总体，nj为样本个数；
[0048]
步骤(2)计算判别函数采用的具体公式是：
[0049][0050]
其中，x为权利要求4中所述数据样本矩阵；
[0051]
wj为线性判别函数；为j类沉积微相的均值
[0052][0053]
sj为各类微相的协方差矩阵
[0054][0055]
s为联合协方差矩阵
[0056][0057]
步骤(3)计算微相归属采用的具体公式是：
[0058][0059]
其中：wj(x)为线性判别函数计算结果，表示取最大值。
[0060]
进一步的，所述步骤四依据岩性和沉积微相的组合划分岩石物理相的具体方法为：将主成分分析法确定的岩性与bayes逐步判别法确定的沉积微相在同一深度点进行两两组合，统计所有的组合类型，每一种组合类型代表了一种岩石物理相，其地质意义为表征了成岩作用和沉积背景的综合影响；通过该方法，确定所有岩石物理相的种类。
[0061]
进一步的，所述步骤五基于岩石物理相约束条件下进行测井参数解释的具体方法为：利用分析化验资料，根据岩石物理相划分结果，建立每个岩石物理相的参数解释模型；对于非取心井，重复权利要求1的步骤二至步骤四，确定非取心井的岩石物理相划分结果，并利用相应的岩石物理相参数解释模型进行参数解释。
[0062]
本发明与上述背景技术相比较可具有如下有益效果：
[0063]
本发明基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法，鉴于常规交会图法识别岩石物理相精度低造成参数解释结果误差大的现状，基于深度学习方法，通过主成分分析法确定岩性划分标准，通过bayes逐步分析法识别沉积微相，利用岩性和沉积微相的组合划分岩石物理相，进而进行岩石物理相约束条件下的参数解释，提高了解释精度。
附图说明
[0064]
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本发明的实施例，并与说明书一起用于说明本发明的技术方案。
[0065]
附图1是本发明实施例研究区哈法亚油田mishrif组岩石物理相约束下的测井参数解释流程图；
[0066]
附图2是本发明实施例研究区哈法亚油田mishrif组主要的岩性划分及测井响应曲线；
[0067]
附图3是本发明实施例研究区哈法亚油田mishrif组分析化验资料统计的孔渗关系图；
[0068]
附图4是本发明实施例研究区基于主成分分析得到的岩性识别图版；
[0069]
附图5是本发明实施例研究区依据岩性识别图版判断后的岩性与地质录井识别的岩性对比图；
[0070]
附图6是本发明实施例研究区逐步bayes判别方法判断后的沉积微相与原认识的沉积微相对比图；
[0071]
附图7是本发明实施例研究区mishrif组b1小层岩石物理相平面分布图；
[0072]
附图8是本发明实施例研究区mishrif组hf137-n137井岩石物理相垂向分布图。
具体实施方式：
[0073]
为使本发明的目的、技术方案和优点更加清楚，下面将以基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法在哈法亚油田mishrif组碳酸盐岩储层的具体实
施的过程为例，结合附图对本发明实施方式作进一步地详细描述。
[0074]
如图1所示，一种基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法，充分利用分析化验资料、薄片观察资料和岩心描述成果，评价目的层的岩性及沉积微相分类。利用敏感性分析，评价各类测井曲线对岩性和沉积微相的敏感程度，筛选典型曲线，利用主成分分析法建立岩性识别图版，利用bayes逐步判别法识别沉积微相。基于岩性识别和沉积微相划分，确定岩石物理相划分结果，分岩石物理相建立储层参数计算模型，用于非取芯井孔渗饱参数解释。包括以下步骤：
[0075]
步骤一：采用敏感性分析方法筛选典型测井曲线；
[0076]
1)根据归纳总结，mishrif组碳酸盐岩储层主要包含颗粒灰岩、泥粒灰岩、粒泥灰岩和泥晶灰岩四种类型，为了进行岩性分类，需收集整理研究区的全部测井曲线资料，以便于研究各测井曲线对四类岩性的测井响应特征(如图2～图3)；
[0077]
2)对所有曲线分类进行均值化处理；其采用的公式为：
[0078][0079][0080][0081]
其中：x
ik
为样本集元素；
[0082]
为每种测井曲线的平均值；
[0083]
为每种测井曲线的方差平均值；
[0084]
x
ik
为样本集元素标准化变换以后的值。
[0085]
对原始数据进行均值化处理后，不仅消除了指标量纲和数量的影响，而且能更加全面地反映原始数据中各指标的变异程度和相互影响程度的信息，得到的结果更准确。
[0086]
3)对取心井进行岩心归位，获取取心层段的测井曲线均值化处理结果；
[0087]
4)采用敏感性分析方法确定各曲线对识别不同岩性的贡献度；
[0088]
具体步骤及采用的公式为：采用敏感性分析方法确定各曲线对识别不同岩性的贡献度，具体步骤为：
[0089]
计算数据样本矩阵的特征方程：
[0090][0091]
|x-λi|＝0
[0092]
其中，λ1，λ2，
…
λm为方程的特征根，其值表征该曲线的贡献度大小；
[0093]
x为标准化以后的样本集矩阵；
[0094]
i为特征向量；
[0095]
每个特征根对应的特征向量为：
[0096]
其中，α
ij
为矩阵x的特征根λj的特征向量。
[0097]
该步骤借助于正交变换，将原随机向量的协方差阵变换成对角形阵，使得其分量相关的原随机向量转化成其分量不相关的新向量，保障了各成分之间的不相容性。
[0098]
5)根据贡献度大小选择累积贡献度超过90％的典型测井曲线；
[0099]
6)根据典型测井曲线，结合分析化验资料，建立深度学习的样本集。
[0100]
步骤二、利用主成分分析法构建岩性识别标准(如图4)；其中泥晶灰岩的标准为f1＞3，f2＞0.2，粒泥灰岩标准为3＞f1＞0.5，f2＞-1.6；颗粒灰岩的标准为f1＜-0.9，f2＜0.2。由主成分f1和f2组成的岩性识别图版能够较好的区分四种不同岩性，取心井检验证实，由f1-f2构建的岩性识别图版符合率在87.8％-93.5％之间，平均89.1％(如图5所示)。
[0101]
具体方法为：应用分析后的主成分公式，分别做fi两两相关的交会图，选择界限最为清晰的交会图确定岩性划分标准。
[0102]
所述分析后的主成分公式为：
[0103][0104]
其中：fi为分析后的主成分；
[0105]
α
ik
为矩阵x的特征值λk特征向量元素；
[0106]
χ
ik
为标准化后的样本集元素；
[0107]
m为主成分个数，n为每个主成分对应的样本数
[0108]
采用该方法，将原来变量重新组合成一组新的相互无关的几个综合变量，同时根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息。
[0109]
步骤三：采用bayes逐步判别法识别碳酸盐岩沉积微相；具体方法为：
[0110]
1)计算各沉积微相的先验概率；
[0111]
2)计算各沉积微相的判别函数；
[0112]
3)判别各测井数据段的沉积微相类型。
[0113]
其具体步骤如下：
[0114]
步骤(1)计算各微相的先验概率采用的具体公式是：
[0115]
共n个样本，假设有k类沉积微相：
[0116][0117]
步骤(2)计算各沉积微相的判别函数采用的具体公式是：
[0118]
[0119]
其中，x为权利要求4种所述数据样本矩阵；
[0120][0121][0122][0123]
采用步骤2方法，计算得到12类沉积微相判别公式如下：12类沉积微相判别公式如下：
[0124]
风化角砾岩：
[0125]-3.6*gr+45.3*dt+3208*nphi+5109.1*rhob+0.5*rt-7888.2；生屑滩：
[0126]-3.7*gr+46.5*dt+3282.9*nphi+5200.2*rhob+0.5*rt-8199.7；滩与滩交互相：
[0127]-3.7*gr+46.8*dt+3265.4*nphi+5224.9*rhob+0.5*rt-8281.9；滩与灰坪交互相：
[0128]-3.5*gr+46.3*dt+3244.3*nphi+5185.4*rhob+0.5*rt-8149.2；砂屑滩：
[0129]-3.9*gr+46.5*dt+3306.6*nphi+5192.8*rhob+0.5*rt-8180.4；滩间：
[0130]-3.6*gr+46.7*dt+3255.1*nphi+5222.4*rhob+0.5*rt-8266.9；厚壳蛤碎屑滩：
[0131]-4*gr+46.8*dt+3311.1*nphi+5201*rhob+0.5*rt-8223.5；藻屑滩：
[0132]-3.8*gr+46.4*dt+3314.5*nphi+5182.1*rhob+0.5*rt-8156；介屑滩：
[0133]-3.9*gr+46.3*dt+3316.6*nphi+5189.8*rhob+0.5*rt-8161.9；似球粒滩：
[0134]-3.7*gr+46.7*dt+3280*nphi+5213*rhob+0.5*rt-8238.7；灰坪：
[0135]-3.5*gr+46.7*dt+3229.4*nphi+5288*rhob+0.5*rt-8283.1；沼泽：
[0136]-2*gr+46.8*dt+3077*nphi+5137.9*rhob+0.6*rt-8132.7；
[0137]
步骤(3)计算微相归属采用的具体公式是：
[0138][0139]
根据步骤3，采用bayes逐步判别法识别碳酸盐岩沉积微相的判别公式，将5种典型测井曲线数据代入上述12类沉积微相判别公式，对比计算结果，其中最大值对应的沉积微相即为该深度段的沉积微相。
[0140]
由6口井243个层段构建bayes岩相判别模型自检验结果表明，该判别方法能准确判别沉积微相类型，在局部井段出现的误判薄层，经对比检查，多由异常测井点构成，但厚度比例不足0.5％。该方法对以未参与构建模型的m316井进行岩相识别，除各岩相内部分薄层岩相判别有误外，微相类型判别准确率达90％(见图6)。
[0141]
步骤四、将确定的取心井的岩性与碳酸盐岩沉积微相进行组合，统计分析所有取心井岩性和沉积微相的组合类型，依据岩性和沉积微相的组合类型划分岩石物理相，确定所有岩石物理相的种类，具体方法为：
[0142]
将主成分分析法确定的岩性与bayes逐步判别法确定的沉积微相在同一深度点进
行组合，统计所有的组合类型，每一种类型为一种岩石物理相，则确定所有岩石物理相的种类。
[0143]
步骤五、建立岩石物理相约束条件下的参数解释模型，利用参数解释模型对所有井进行参数解释，具体方法为：
[0144]
利用分析化验资料，根据岩石物理相划分结果，建立每个岩石物理相的参数解释模型；对于非取心井，重复权利要求1的步骤二至步骤四，确定非取心井的岩石物理相划分结果，并利用相应的岩石物理相参数解释模型进行参数解释。
[0145]
岩石物理相平面划分结果表明，在孔隙型碳酸盐岩油藏中，储层类型、物性特征及非均质程度受沉积环境控制明显，成岩作用进一步加剧了储层的非均质程度。因此，孔隙结构类型受沉积及成岩的综合作用影响，平面和垂向非均质性强，不同类型有着不同的测井响应特征，同时也造成储层物性参数解释模型多样(见图7)。
[0146]
本发明基于岩石物理相约束条件下的参数解释方法，通过主成分分析法确定岩性划分标准，通过bayes逐步分析法识别沉积微相，利用岩性和沉积微相的组合划分岩石物理相，进而进行岩石物理相约束条件下的参数解释，孔隙度相对误差为3.2％，渗透率相对误差控制在一个数量级内。根据常规测井曲线交会图法，孔隙度相对误差高达10％以上，渗透率相对误差达2～3个数量级(见图8)。
[0147]
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

技术特征：

1.一种基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法，其特征在于：包括以下步骤：s1、采用敏感性分析方法筛选典型测井曲线；s2、利用主成分分析法构建岩性识别标准；确定取心井的岩性；s3、采用bayes逐步判别法识别并确定碳酸盐岩沉积微相；s4、将确定的取心井的岩性与碳酸盐岩沉积微相进行组合，统计分析所有取心井岩性和沉积微相的组合类型，依据岩性和沉积微相的组合类型划分岩石物理相，确定所有岩石物理相的种类；s5、建立岩石物理相约束条件下的参数解释模型，利用参数解释模型对所有井进行参数解释。2.根据权利要求1所述的基一种基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法，其特征在于：所述采用敏感性分析方法筛选典型测井曲线的方法包含以下步骤：收集整理研究区的全部测井曲线资料；对所有曲线分类进行均值化处理，得到均值化处理后的曲线样本数据；对取心井进行岩心归位，获取取心层段的测井曲线均值化处理结果；采用敏感性分析方法确定各均值化处理后的曲线对识别不同岩性的贡献度；根据贡献度大小选择累积贡献度超过90％的典型测井曲线；根据选择的典型测井曲线，结合分析化验资料，建立深度学习的样本集。3.根据权利要求2所述的一种基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法，其特征是：对所有曲线分类进行均值化处理，采用如下的公式：征是：对所有曲线分类进行均值化处理，采用如下的公式：征是：对所有曲线分类进行均值化处理，采用如下的公式：其中：x
ik
为均值化以后的样本数据；为每种测井曲线的平均值；为每种测井曲线的方差平均值。4.根据权利要求2所述的基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法，其特征在于：确定各均值化处理后的曲线对识别不同岩性的贡献度的方法，包括：计算均值化处理后的样本数据的特征方程，得到标准化以后的样本集矩阵，通过样本集矩阵得到方程的特征根λ，其值表征该曲线的贡献度大小；计算数据样本矩阵的特征方程：
|x-λi|＝0其中，λ1，λ2，
…
λ
m
为方程的特征根，其值表征该曲线的贡献度大小；x为标准化以后的样本集矩阵；i为特征向量；每个特征根对应的特征向量为：其中，α
ij
为矩阵x的特征根λ
j
的特征向量。5.根据权利要求1所述的基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法，其特征在于：利用主成分分析法构建岩性识别标准的方法为：应用分析后的主成分公式，分别做分析后的主成分f
i
两两相关的交会图，选择界限最为清晰的交会图确定岩性划分标准。6.根据权利要求5所述的基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法，其特征在于：所述分析后的主成分公式为：f1＝α
11
χ
11
+α
21
χ
21
+
…
+α
n1
χ
n1
f
m
＝α
1m
χ
1m
+α
2m
χ
2m
+
…
+α
nm
χ
nm
其中：f
i
为分析后的主成分；α
ik
为特征向量元素；χ
ik
为标准化后的样本集元素。7.根据权利要求1所述的基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法，其特征在于：所述采用bayes逐步判别法识别碳酸盐岩沉积微相的方法包括：计算各微相的先验概率；根据计算的各微相的先验概率，计算判别函数；根据计算的判别函数，计算微相归属，识别碳酸盐岩沉积微相。8.根据权利要求7所述的基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法，其特征在于：计算各微相的先验概率采用的具体公式是：共n个样本，假设有k类沉积微相：其中，p
j
为先验概率，g
j
为k维总体，n
j
为样本个数；以及/或，计算判别函数采用的具体公式是：其中，x为权利要求4中所述数据样本矩阵；w
j
为线性判别函数；为j类沉积微相的均值
s
j
为各类微相的协方差矩阵s为联合协方差矩阵以及/或，计算微相归属采用的具体公式是：其中：w
j
(x)为线性判别函数计算结果，表示取最大值。9.根据权利要求1所述的基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法，其特征在于：依据岩性和沉积微相的组合划分岩石物理相的方法包括：将主成分分析法确定的岩性与bayes逐步判别法确定的沉积微相在同一深度点进行两两组合，统计所有的组合类型，每一种组合类型代表了一种岩石物理相，其地质意义为表征了成岩作用和沉积背景的综合影响；通过该方法，确定所有岩石物理相的种类。10.根据权利要求1所述的基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法，其特征在于：基于岩石物理相约束条件下进行测井参数解释的方法包括：利用分析化验资料，根据岩石物理相划分结果，建立每个岩石物理相的参数解释模型；对于非取心井，重复权利要求1的步骤2至步骤4，确定非取心井的岩石物理相划分结果，并利用相应的岩石物理相参数解释模型进行参数解释。

技术总结

本发明涉及一种基于深度学习的碳酸盐岩岩石物理相约束下的测井参数解释方法，解决了碳酸盐岩储层岩性复杂和储集空间类型多样造成测井参数解释误差大的问题。包括以下步骤：（1）针对碳酸盐岩储层发育的各种不同岩性，采用敏感性分析方法筛选主要测井曲线；（2）利用主成分分析法构建岩性识别标准；（3）采用贝叶斯逐步判别法识别碳酸盐岩沉积微相；（4）依据岩性和沉积微相的组合划分岩石物理相；（5）基于岩石物理相约束条件进行测井参数解释。本发明采用深度学习方法，诊断测井曲线与储层岩性、物性、孔隙类型、孔隙结构等之间关联性，基于岩性和沉积微相的组合划分岩石物理相，进而对岩石物理相约束下的测井参数解释，提高了解释精度。释精度。释精度。