基于测井信息的储层岩石中值半径预测方法与流程

本发明涉及储层岩石中值半径数据采集方法，尤其是快速有效、降低成本、缩短数据采集周期和提高环保性的基于测井信息的储层岩石中值半径预测方法。

背景技术：

岩石中值半径r50是反映储层渗透性能的重要指标，在油气勘探开发中应用非常广泛，但是要获得此指标首先要用专用设备获取岩心，再用取样设备在岩心上取样，然后将取得的样品放入专门的分析化验设备-压汞仪进行测试，费时费力，成本高，且多次取岩心对环境污染严重。

技术实现要素：

本发明的目的是提供快速有效、降低成本、缩短数据采集周期和提高环保性的基于测井信息的储层岩石中值半径预测方法。

为实现上述目的而采用的技术方案是这样的，即一种基于测井信息的储层岩石中值半径预测方法，其中：

包含所要预测油气田区域中的至少一口取芯井，对所述取芯井的岩芯样品进行孔隙结构分析后得出该取芯井处的岩石中值半径；

然后与该取芯井中相应深度的测井曲线相对应，找出能取芯井处的值半径的测井响应特征，该测井响应特征为油气田区域中储层岩石中值半径的响应特征；

运用径向基函数神经网络模型建立预测模型，利用取芯井的测井参数预测所要预测油气田区域的岩石中值半径r50。

本发明所述方法的优点是：快速有效对储层岩石中值半径数据采集、降低了成本、缩短了数据采集周期和提高了环保性。

附图说明

本发明可以通过附图给出的非限定性实施例进一步说明。

图1为本发明的具体测井曲线对储层岩石中值半径影响的示意图。

图2为本发明实测取芯井的岩石中值半径和预测取芯井的岩石中值半径对比示意图。

图3为本发明预测岩石中值半径的示意图。

图4为本发明对一口油气井已知岩石中值半径的预测岩石中值半径的对比示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明：

基于测井信息的储层岩石中值半径预测方法，其中：

包含所要预测油气田区域中的至少一口取芯井，对所述取芯井的岩芯样品进行孔隙结构分析后得出该取芯井处的岩石中值半径；

然后与该取芯井中相应深度的测井曲线相对应，找出能取芯井处的值半径的测井响应特征，该测井响应特征为油气田区域中储层岩石中值半径的响应特征；

运用径向基函数神经网络模型建立预测模型，利用取芯井的测井参数预测所要预测油气田区域的岩石中值半径r50。在该实施例中，径向基函数(radicalbasicfunction，rbf)神经网络模型是由正则理论导出的网络，与其它网络相比，rbf网络具有最佳逼近的特性。

上述实施例中，优选地：油气田区域中储层岩石中值半径的测井响应特征采用单因素作图的方法观察比较得出，具体是以取芯井的每条测井曲线的值为横坐标，以对应深度的储层岩石中值半径为纵坐标作出散点图来比较，若点的分布为条带状则说明该测井曲线对中值半径的影响比较明显，如分布比较散乱则说明影响不明显；【参见附图1，电阻率曲线rt、中子曲线cnl、密度曲线den、井径曲线cal、声波曲线ac和伽马曲线gr对储层岩石中值半径的影响】；

所述的测井曲线为电阻率曲线rt、中子曲线cnl、密度曲线den、井径曲线cal、声波曲线ac和伽马曲线gr；

所述径向基函数神经网络模型中的学习方法采用正交最小二乘学习法，该正交最小二乘学习法的特点是每个样本就是一个基函数的中心。在该实施例中，正交最小二乘学习法(orthogonalleastsquares，ols)由于其特点是每个样本就是一个基函数的中心，是目前训练rbf网络应用较多的一种方法。

参见附图2至4，上述实施例中，优选地：所述径向基函数神经网络模型建立预测模型的步骤如下，

第一步、基础资料获取，

所要预测油气田区域中的至少一口取芯井的n个岩石中值半径r50，该n个岩石中值半径r50所在点对应的测井曲线中的电阻率曲线rt、中子曲线cnl、密度曲线den、井径曲线cal、声波曲线ac和伽马曲线gr；

第二步、建立预测模型已知条件和位置条件设定，

假定所述测井曲线为输入，有p个，用x1、x2、...、xp表示；

将要预测的岩石中值半径r50为输出，用y表示；

第三步、建立预测模型，

假定用于建立预测模型的层段有n个取样点，用向量x1、x2，...、xn(n为≥1的自然数)表示输入，其中第k个输入向量xk＝[x1k，x2k，...，xpk]^t，k＝1、2、...、n(n为≥1的自然数)，所对应的n个输出用向量y＝[y1，y2，...，yn]^t表示，由此构成径向基函数神经网络模型的n对学习样本集，

xj＝[x1j、x2j、...、xpj]^t，yjj＝1、2、...、n(n为≥1的自然数)；

每个基函数对应一个训练数据，各基函数的形式为

(n为≥1的自然数)；

训练数据点xj是基函数的中心，基函数以输入空间的点x与中心xj的距离作为函数的自变量，由于距离是径向同性的，所以函数称为径向基函数。

基于径向基函数的人工神经网络模型为

j为模式号、m为训练模式总数、p为度量空间的维数、x为要预测类型

的某个点的参数；

将第i个训练数据点xi分别代入该得到

实际上是一个关于n个未知数ωj(j＝1、2、...、n，n为≥1的自然数)的线性方程组，令并写成矩阵形式就是

令

则上式就可以写成φw＝y；

根据mcchelli定理，如果x1、x2、......、xn各不相同，则矩阵φ是非奇异的，解此方程组可得到n个未知数ωj(j＝1、2、...、n，n为≥1的自然数)，便可得到基于径向基函数的人工神经网络预测模型

但是在实际中φ常常是奇异矩阵，为此在网络学习训练中常采用如下gauss(高斯)函数进行正则化；

等式中n是样本个数；

其中δ称为径向基函数的扩展常数，1/δ²称为平滑因子，也称为稳定因子，dmax是样本间的最大距离；

第三步、通过将测井曲线xi＝[x1i，x2i，...，xpi]^t代入就可得到相应深度所对应的预测的岩石中值半径r50yi，i＝1、2、......n，n为≥1的自然数。

附图2和3是一个基于正交最小二乘学习法的径向基函数人工神经网络模型的应用实例，所用的输入x＝[gr，cnl，ac，den，cal，rt]t，输出为y＝r50，用某口井的孔隙结构资料与测井资料建立了神经网络预测模型，图2红色曲线【曲线1】是实测的中值半径，蓝色曲线【曲线2】是预测的中值半径，图3是对另一口没有孔隙结构资料的井所预测的中值半径。

图4是对另一口有孔隙结构资料的井所预测的中值半径，最后一列红色横线条【横线条3】是实测的中值半径，蓝色曲线【曲线4】是预测的中值半径。

通过附图和上述实施例的阐述，本发明的价值在于利用测井曲线预测未取芯井段的岩石中值半径，进而确定和划分有利储渗段。本发明克服了单凭取样分析获取中值半径的不足，既获得了中值半径在储层上的连续性分布，又极大的减低了分析化验成本，缩短了分析化验周期，是一种成本低且快速、有效的方法。

显然，上述所有实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明所述实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范畴。

综上所述，由于上述方法，本发明快速有效对储层岩石中值半径数据采集、降低了成本、缩短了数据采集周期和提高了环保性。