本发明属于页岩气开发技术领域，尤其涉及一种基于测井信息的页岩岩相连续预测方法。
背景技术：
页岩岩相划分多从成因角度划分，对页岩气有利开发层段不适用。岩石样品取样分析建立页岩岩相，容易丢失页岩的连续性属性及其差异，导致页岩属性认识差异，用测井解释方法也存在判定失误较多、不同的解释人员解释结果差异的问题。
技术实现要素：
本发明的目的在于提供一种基于测井信息的页岩岩相连续预测方法，旨在解决岩石样品取样分析建立页岩岩相，容易丢失页岩的连续性属性及其差异，导致页岩属性认识差异的问题。本发明是这样实现的，一种基于测井信息的页岩岩相连续预测方法，所述基于测井信息的页岩岩相连续预测方法是利用测井信息，采用取芯井的分析化验和薄片资料对页岩岩相类型进行判定，然后根据页岩岩相与测井响应特征之间的关系，运用人工神经网络技术，建立利用测井参数预测页岩岩相类型的模型；对空间页岩岩相类型进行连续性预测。进一步，所述基于测井信息的页岩岩相连续预测方法包括以下步骤：步骤1，采用取芯井的分析化验和薄片资料对页岩岩相类型进行判定，将页岩岩相划分为富有机质硅质页岩、富有机质碳酸盐质页岩、富有机质黏土质页岩、贫有机质硅质页岩、贫有机质碳酸盐质页岩、贫有机质黏土质页岩、贫有机质灰岩等7种类型，用A、B、C、D、E、F、G表示这7种类型，将其数量化以后用7维行向量表示，如某个取样点判定为其中某一类，则在这一类上的取值为1，而在其它类上的取值为0，例如某一取样点经判定属于A类，则用向量[1000000]表示，属于B类，则用向量[0100000]表示；然后将测井曲线与对应深度的页岩岩相类型进行对比，找出几种能反映页岩岩相类型的常规测井曲线，作为预测页岩岩相类型的测井响应特征；对每种页岩岩相类型找出与之对应的若干个测井取样点，作为建立预测模型的学习样本；利用所有取样点的页岩岩相类型以及与深度对应的测井资料，以P个测井参数[X1,X2,…,XP]T作为输入，以对应的页岩岩相类型作为输出，建立预测页岩岩相类型的人工神经网络模型；步骤2，运用人工神经网络技术，对空间页岩岩相连续性预测，根据预测结果，画出该井段的页岩岩相剖面图，进而确定出页岩气的有利开发层段；步骤3，根据预测结果，画出该井段的页岩岩相剖面图，进而确定出页岩气的有利开发层段。进一步，所述模型(以A类为例)为：式中：m测井取样点，用XAi＝[XAi1,XAi2,…,XAip]T表示第i个取样点的P个测井参数；i＝模式号；m＝训练模式总数；XAi＝类型A的第i训练模式；σ＝平滑参数；P＝度量空间的维数；X＝要预测类型的某个点的参数。本发明提供的基于测井信息的页岩岩相连续预测方法，克服了单凭岩石样品取样分析建立页岩岩相，容易丢失页岩的连续性属性及其差异，导致页岩属性认识差异的问题。本发明的页岩岩相的连续性预测对于优选页岩气有利层段和有利勘探区块有重要的意义，例如富含有机质的层段和富含有机质的区块才是有利的层段和区块。传统的页岩岩相的识别是采用岩芯分析以及薄片鉴定的方法，由于取芯井较少且取芯成本太高而且分析化验项目较多薄片鉴定又费时所以不利于页岩岩相在纵向上及横向(平面)上的的预测，本发明考虑采用测井信息预测页岩岩相的方法，是一种成本低且快速、有效的方法，例如一口井取芯加上分析化验费用至少要100万元以上，而一口井测井费用只需10万元左右。本发明根据页岩岩相与测井响应特征之间的关系，运用人工神经网络技术，建立利用测井参数预测页岩岩相模型；对空间页岩岩相进行连续性预测，不仅极大的提高了效率，而且极大的节约了成本。附图说明图1是本发明实施提供的基于测井信息的页岩岩相连续预测方法的流程图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。本发明选择有机质含量和矿物组成两大参数为页岩岩相划分的依据，先按有机质含量是否超过2％，划分出富有机质和贫有机质页岩；再按黏土、石英及长石含量、碳酸盐矿物含量的多少建立7种页岩岩相类型的划分标准，本发明利用测井信息与通过岩石分析化验资料鉴定的页岩岩相之间的关系，运用人工神经网络技术，建立预测模型，开展空间页岩岩相的连续性预测。克服了单凭岩石样品取样分析建立页岩岩相，容易丢失页岩的连续性属性及其差异，从而导致页岩属性认识上的差异。以下结合图1对本发明作出进一步的说明。本发明实施例的基于测井信息的页岩岩相连续预测方法包括以下步骤：采用取芯井的分析化验和薄片资料对页岩岩相类型进行判定，将页岩岩相划分为富有机质硅质页岩、富有机质碳酸盐质页岩、富有机质黏土质页岩、贫有机质硅质页岩、贫有机质碳酸盐质页岩、贫有机质黏土质页岩、贫有机质灰岩等7种类型，为了叙述方便，以下用A、B、C、D、E、F、G表示这7种类型，将其数量化以后用7维行向量表示，如某个取样点判定为其中某一类，则在这一类上的取值为1，而在其它类上的取值为0，例如某一取样点经判定属于A类，则用向量[1000000]表示，属于B类，则用向量[0100000]表示，……,以此类推。然后将测井曲线与对应深度的页岩岩相类型进行对比，找出几种能反映页岩岩相类型的常规测井曲线(参数)，如声波AC、伽马HCGR、密度DEN、电阻率RT…等P个测井参数，作为预测页岩岩相类型的测井响应特征(参数)。以下为了叙述方便用向量X＝[X1,X2,…,XP]T表示P个测井参数。对每种页岩岩相类型找出与之对应的若干个测井取样点，作为建立预测模型的学习样本，如A类有m个测井取样点，则用XAi＝[XAi1,XAi2,…,XAip]T表示A类的第i个取样点的P个测井参数。然后利用所有取样点的页岩岩相类型以及与深度对应的测井资料，以P个测井参数[X1,X2,…,XP]T作为输入，以对应的页岩岩相类型作为输出，作为建立预测页岩岩相类型的人工神经网络模型的学习样本。根据不同的页岩岩相类型所对应的测井响应特征以及分布范围，利用7种页岩岩相类型所对应的学习样本采用概率神经网络方法建立页岩岩相类型的预测模型，如A类的预测模型为：式中:i＝模式号。m＝训练模式总数。XAi＝类型A的第i训练模式(取样点)。σ＝平滑参数。P＝度量空间的维数。X＝要预测类型的某个点的参数。B类的预测模型为：G类的预测模型为：将要预测页岩岩相类型的井段的M个测井参数按深度顺序逐个代入上述模型，算出fA(X)、fB(X)、…、fG(X),找出最大值1，例如若fA(x)＝1，则将该点归入A类，以次类推。根据预测结果，画出该井段的页岩岩相剖面图，进而确定出页岩气的有利开发层段。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。