基于核磁共振T2分布获取毛管压力曲线的方法和装置与流程

本发明涉及油气勘探开发技术领域，尤其涉及一种基于核磁共振t2分布获取毛管压力曲线的方法和装置。

背景技术

毛管压力曲线及其形态可以表征储层岩石孔喉大小和分布，是评价储层岩石孔隙结构的重要手段之一。目前研究岩石孔隙结构所用的毛管压力曲线主要是通过岩心压汞实验获得，然而在实际生产中由于取心较少，且取心费用高，在一定程度上限制了其应用范围，如何连续获取储层岩石毛管压力曲线一直以来都是油气勘探和开发工作者研究的课题。核磁共振横向弛豫时间t2分布在一定程度上可以反映岩石孔隙大小及其分布信息，利用核磁共振测井t2分布获得储层岩石毛管压力曲线，一方面能弥补岩石实验测量无法获得随测井深度连续的储层岩石毛管压力曲线的不足，同时为利用核磁共振测井资料评价岩石孔隙结构及进行储层分类奠定了基础。

marschalletal.(1995)首次提出采用线性转化方法建立t2分布和毛管压力曲线之间的关系。随后，基于线性转化法发展了一系列适应不同研究地区的方法，包括平均饱和度误差最小值法、volokitn经验公式法、直接转换法、变刻度法、相似类比法以及矩阵法等。何雨丹等(2005)假设t2分布和孔径分布之间的关系是幂函数的形式，提出了分段幂函数法。线性转化法和幂函数法的模型刻度系数因不同岩心样品而异，而这些刻度系数与样品的其他参数(孔隙度、渗透率和t2几何均值等)并没有很明显的相关关系。因此，线性转化法和幂函数法在致密储层中应用时存在一定的局限性。xiaoetal.(2012)提出了一种基于不同毛管压力点处的非润湿相饱和度和t2几何均值(t2lm)、总孔隙度之间的统计关系模型，用于预测毛管压力曲线。后来，xiaoetal.(2016a)对该方法进行了改进，先利用流动单元指数将样品分成三类后，再利用该方法预测毛管压力曲线，预测效果得到改善。xiaoetal.(2016b)将核磁共振t2分布分为8个部分，计算8个部分的孔隙度组分百分含量，建立不同进汞压力下的进汞饱和度与核磁共振孔隙度组分百分含量之间的转换模型。但是该方法存在两个问题：只用到了核磁共振t2分布的t2lm和总孔隙度信息或核磁共振区间孔隙度信息；该方法预测的毛管压力曲线与实验得到的毛管压力曲线在大孔隙部分差别较大。

技术实现要素：

本发明提供一种基于核磁共振t2分布获取毛管压力曲线的方法和装置，以提供一种精度更高的毛管压力曲线预测方法，从而为准确计算复杂储层孔隙结构参数提供有利的技术支持。

本发明的一个方面是提供一种基于核磁共振t2分布获取毛管压力曲线的方法，包括：

对每一毛管压力点建立非润湿相饱和度与核磁共振t2分布多个特征参数的关系，得到基于毛管压力点的核磁共振t2分布转换毛管压力曲线的第一模型；

对每一非润湿相饱和度点建立对应的毛管压力与核磁共振t2分布的多个特征参数的关系，得到基于非润湿相饱和度点的核磁共振t2分布转换毛管压力曲线的第二模型；

根据预先获取的样本数据求解所述第一模型和所述第二模型中的模型参数、以及所述第一模型和所述第二模型的拼接点，从而得到核磁共振t2分布转换毛管压力曲线的混合模型；

根据待测样品的核磁共振t2分布以及所述混合模型获取待测样品的毛管压力曲线。

进一步的，所述对每一毛管压力点建立非润湿相饱和度与核磁共振t2分布多个特征参数的关系，得到基于毛管压力点的核磁共振t2分布转换毛管压力曲线的第一模型，包括：

根据表征毛管压力曲线特征的j函数及核磁共振测井评价渗透率的sdr模型，对每一毛管压力点建立非润湿相饱和度与核磁共振t2分布多个特征参数的关系；

根据所述每一毛管压力点建立非润湿相饱和度与核磁共振t2分布多个特征参数的关系及预先获取的样本数据，得到如下基于毛管压力点的核磁共振t2分布转换毛管压力曲线的第一模型：

sn×e＝tn×qcq×e+dn×e

其中，n为参与建模的样本个数，e为有效毛管压力点个数；q为核磁共振t2分布中提取的参与建模的特征参数的个数；s为不同毛管压力点对应的样品的非润湿相饱和度snw的对数值logsnw构成的矩阵；t为参与建模的样本的核磁共振t2分布中参与建模的特征参数tp的对数值logtp构成的矩阵，tp包括几何均值t2lm、总孔隙度φ、以及t2分布从t2最大值向最小值方向累加饱和度为x％所对应的弛豫时间tx中的q个；c为模型系数矩阵；d为常系数矩阵。

进一步的，所述对每一非润湿相饱和度点建立对应的毛管压力与核磁共振t2分布的多个特征参数的关系，得到基于非润湿相饱和度点的核磁共振t2分布转换毛管压力曲线的第二模型，包括：

根据渗透率与核磁共振t2分布的多个特征参数的关系、渗透率与喉道半径的关系、以及毛管压力与喉道半径的关系，对每一非润湿相饱和度点建立对应的毛管压力与核磁共振t2分布的多个特征参数的关系；

根据所述每一非润湿相饱和度点建立对应的毛管压力与核磁共振t2分布的多个特征参数的关系及预先获取的样本数据，得到如下基于非润湿相饱和度点的核磁共振t2分布转换毛管压力曲线的第二模型：

pn×m＝tn×qaq×m+bn×m

其中，n为参与建模的样本个数，m为有效非润湿相饱和度点个数；q为核磁共振t2分布中提取的参与建模的特征参数的个数；p为不同非润湿相饱和度点的样品的毛管压力pc的对数值logpc构成的矩阵；t为参与建模的样本的核磁共振t2分布中参与建模的特征参数tp的对数值logtp构成的矩阵，tp包括几何均值t2lm、总孔隙度φ、以及t2分布从t2最大值向最小值方向累加饱和度为x％所对应的弛豫时间tx中的q个；a为模型系数矩阵；b为常系数矩阵。

进一步的，所述根据预先获取的样本数据求解所述第一模型和所述第二模型中的模型参数、以及所述第一模型和所述第二模型的拼接点，从而得到核磁共振t2分布转换毛管压力曲线的混合模型，包括：

根据预先获取的样本数据，采用偏最小二乘回归方法求解所述第一模型和所述第二模型中的模型参数；

根据所述样本数据、所述第一模型和所述第二模型，获取所述第一模型和所述第二模型的最优拼接点，从而得到核磁共振t2分布转换毛管压力曲线的混合模型。

进一步的，所述根据预先获取的样本数据求解所述第一模型和所述第二模型中的模型参数、以及所述第一模型和所述第二模型的拼接点，从而得到核磁共振t2分布转换毛管压力曲线的混合模型，包括：

确定不同的第一模型中潜变量个数hpc_opt、不同的第二模型中潜变量个数hsnw_opt以及不同拼接点snwcut；

对于每一组hpc_opt、hsnw_opt和snwcut，根据所述样本数据采用留一法交叉验证和偏最小二乘回归方法获取一个核磁共振t2分布转换毛管压力曲线的备选混合模型及模型误差；

比较各所述备选混合模型的模型误差，以模型误差最小的备选混合模型作为最优的核磁共振t2分布转换毛管压力曲线的混合模型。

本发明的另一个方面是提供一种基于核磁共振t2分布获取毛管压力曲线的装置，包括：

第一模型获取模块，用于对每一毛管压力点建立非润湿相饱和度与核磁共振t2分布多个特征参数的关系，得到基于毛管压力点的核磁共振t2分布转换毛管压力曲线的第一模型；

第二模型获取模块，用于对每一非润湿相饱和度点建立对应的毛管压力与核磁共振t2分布的多个特征参数的关系，得到基于非润湿相饱和度点的核磁共振t2分布转换毛管压力曲线的第二模型；

混合模型获取模块，用于根据预先获取的样本数据求解所述第一模型和所述第二模型中的模型参数、以及所述第一模型和所述第二模型的拼接点，从而得到核磁共振t2分布转换毛管压力曲线的混合模型；

毛管压力曲线预测模块，用于根据待测样品的核磁共振t2分布以及所述混合模型获取待测样品的毛管压力曲线。

进一步的，所述第一模型获取模块具体用于：

根据表征毛管压力曲线特征的j函数及核磁共振测井评价渗透率的sdr模型，对每一毛管压力点建立非润湿相饱和度与核磁共振t2分布多个特征参数的关系；

根据所述每一毛管压力点建立非润湿相饱和度与核磁共振t2分布多个特征参数的关系及预先获取的样本数据，得到如下基于毛管压力点的核磁共振t2分布转换毛管压力曲线的第一模型：

sn×e＝tn×qcq×e+dn×e

其中，n为参与建模的样本个数，e为有效毛管压力点个数；q为核磁共振t2分布中提取的参与建模的特征参数的个数；s为不同毛管压力点对应的样品的非润湿相饱和度snw的对数值logsnw构成的矩阵；t为参与建模的样本的核磁共振t2分布中参与建模的特征参数tp的对数值logtp构成的矩阵，tp包括几何均值t2lm、总孔隙度φ、以及t2分布从t2最大值向最小值方向累加饱和度为x％所对应的弛豫时间tx中的q个；c为模型系数矩阵；d为常系数矩阵。

进一步的，所述第二模型获取模块具体用于：

根据渗透率与核磁共振t2分布的多个特征参数的关系、渗透率与喉道半径的关系、以及毛管压力与喉道半径的关系，对每一非润湿相饱和度点建立对应的毛管压力与核磁共振t2分布的多个特征参数的关系；

根据所述每一非润湿相饱和度点建立对应的毛管压力与核磁共振t2分布的多个特征参数的关系及预先获取的样本数据，得到如下基于非润湿相饱和度点的核磁共振t2分布转换毛管压力曲线的第二模型：

pn×m＝tn×qaq×m+bn×m

其中，n为参与建模的样本个数，m为有效非润湿相饱和度点个数；q为核磁共振t2分布中提取的参与建模的特征参数的个数；p为不同非润湿相饱和度点的样品的毛管压力pc的对数值logpc构成的矩阵；t为参与建模的样本的核磁共振t2分布中参与建模的特征参数tp的对数值logtp构成的矩阵，tp包括几何均值t2lm、总孔隙度φ、以及t2分布从t2最大值向最小值方向累加饱和度为x％所对应的弛豫时间tx中的q个；a为模型系数矩阵；b为常系数矩阵。

进一步的，所述混合模型获取模块具体用于：

根据预先获取的样本数据，采用偏最小二乘回归方法求解所述第一模型和所述第二模型中的模型参数；

根据所述样本数据、所述第一模型和所述第二模型，获取所述第一模型和所述第二模型的最优拼接点，从而得到核磁共振t2分布转换毛管压力曲线的混合模型。

进一步的，所述混合模型获取模块具体用于：

确定不同的第一模型中潜变量个数hpc_opt、不同的第二模型中潜变量个数hsnw_opt以及不同拼接点snwcut；

对于每一组hpc_opt、hsnw_opt和snwcut，根据所述样本数据采用留一法交叉验证和偏最小二乘回归方法获取一个核磁共振t2分布转换毛管压力曲线的备选混合模型及模型误差；

比较各所述备选混合模型的模型误差，以模型误差最小的备选混合模型作为最优的核磁共振t2分布转换毛管压力曲线的混合模型。

本发明提供的基于核磁共振t2分布获取毛管压力曲线的方法和装置，通过基于毛管压力点的核磁共振t2分布转换毛管压力曲线的第一模型和基于非润湿相饱和度点的核磁共振t2分布转换毛管压力曲线的第二模型；根据预先获取的样本数据求解第一模型和第二模型中的模型参数、以及第一模型和第二模型的拼接点，从而得到核磁共振t2分布转换毛管压力曲线的混合模型，综合了第一模型和第二模型分别在预测小孔隙部分(高压力、非润湿相高饱和度)和大孔隙部分(非润湿相低饱和度)的毛管压力曲线的优势，形成核磁共振t2分布转换毛管压力曲线的混合模型，能得到完整且精度较高的毛管压力曲线，可在获取到任意待测样品核磁共振t2分布后应用该混合模型对该待测样品的毛管压力曲线进行预测，从而为准确计算复杂储层孔隙结构参数提供有利的技术支持。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的基于核磁共振t2分布获取毛管压力曲线的方法流程图；

图2为本发明实施例中不同模型参数组合时预测的毛管压力曲线与实验毛管压力曲线的模型误差；

图3为本发明实施例中采用穷举法的循环过程流程图；

图4为本发明实施例中#5、#11和#19三块样品的实验毛管压力曲线和预测毛管压力曲线；

图5为本发明实施例提供的实际井的测井曲线及处理成果图；

图6为本发明实施例提供的基于核磁共振t2分布获取毛管压力曲线的装置结构图。

具体实施方式

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。

图1为本发明实施例提供的基于核磁共振t2分布获取毛管压力曲线的方法流程图。如图1所示，本实施例提供了一种基于核磁共振t2分布获取毛管压力曲线的方法，该方法具体步骤如下：

s101、对每一毛管压力点建立非润湿相饱和度与核磁共振t2分布多个特征参数的关系，得到基于毛管压力点的核磁共振t2分布转换毛管压力曲线的第一模型。

在本实施例中，基于毛管压力点的核磁共振t2分布转换毛管压力曲线的第一模型对小孔隙部分(高压力、非润湿相高饱和度)的毛管压力曲线预测效果较好。因此本实施例可通过对每一毛管压力点建立非润湿相饱和度与核磁共振t2分布多个特征参数的关系，具体可通过表征毛管压力曲线特征的j函数及核磁共振测井评价渗透率的sdr模型，对每一毛管压力点建立非润湿相饱和度与核磁共振t2分布多个特征参数的关系，从而得到基于毛管压力点的核磁共振t2分布转换毛管压力曲线的第一模型。其中核磁共振t2分布多个特征参数可包括几何均值t2lm、总孔隙度φ、以及t2分布从t2最大值向最小值方向累加饱和度为x％所对应的弛豫时间tx中的多个。当然也可采用其他方式获取所述基于毛管压力点的核磁共振t2分布转换毛管压力曲线的第一模型。

s102、对每一非润湿相饱和度点建立对应的毛管压力与核磁共振t2分布的多个特征参数的关系，得到基于非润湿相饱和度点的核磁共振t2分布转换毛管压力曲线的第二模型。

在本实施例中，基于非润湿相饱和度点的核磁共振t2分布转换毛管压力曲线的第二模型对大孔隙部分(非润湿相低饱和度)的毛管压力曲线预测效果较好，因此可通过对每一非润湿相饱和度点建立对应的毛管压力与核磁共振t2分布的多个特征参数的关系，具体可根据渗透率与核磁共振t2分布的多个特征参数的关系、渗透率与喉道半径的关系、以及毛管压力与喉道半径的关系，对每一非润湿相饱和度点建立对应的毛管压力与核磁共振t2分布的多个特征参数的关系，从而得到基于非润湿相饱和度点的核磁共振t2分布转换毛管压力曲线的第二模型。其中核磁共振t2分布多个特征参数可包括几何均值t2lm、总孔隙度φ、以及t2分布从t2最大值向最小值方向累加饱和度为x％所对应的弛豫时间tx中的多个，第二模型中的特征参数可以和第一模型中不同。当然也可采用其他方式获取所述基于非润湿相饱和度点的核磁共振t2分布转换毛管压力曲线的第二模型。

s103、根据预先获取的样本数据求解所述第一模型和所述第二模型中的模型参数、以及所述第一模型和所述第二模型的拼接点，从而得到核磁共振t2分布转换毛管压力曲线的混合模型。

在本实施例中，由于基于毛管压力点的核磁共振t2分布转换毛管压力曲线的第一模型对小孔隙部分(高压力、非润湿相高饱和度)的毛管压力曲线预测效果较好，而对大孔隙部分预测效果较差，而基于非润湿相饱和度点的核磁共振t2分布转换毛管压力曲线的第二模型对大孔隙部分(非润湿相低饱和度)的毛管压力曲线预测效果较好，但不能预测小孔隙部分的毛管压力曲线，基于这种情况本实施例通过一拼接点将第一模型和第二模型拼接起来，形成一核磁共振t2分布转换毛管压力曲线的混合模型，也即将第一模型预测的毛管压力曲线和第二模型预测的毛管压力曲线在拼接点处拼接融合为完整的毛管压力曲线，有效的避免了两种模型的不足，能得到完整且精度较高的毛管压力曲线。本实施例中通过预先获取的样本数据求解第一模型和第二模型中的模型参数、以及第一模型和第二模型的拼接点，其中样本数据至少包括若干个样品的实测毛管压力曲线和核磁共振t2分布等数据，其求解过程可以采用现有技术中的任意求最优解的优化算法，例如遗传算法、蚁群算法、爬山算法等等，此处不再赘述。

s104、根据待测样品的核磁共振t2分布以及所述混合模型获取待测样品的毛管压力曲线。

在本实施例中，在得到核磁共振t2分布转换毛管压力曲线的混合模型后，可在获取到任意待测样品核磁共振t2分布后应用该混合模型对该待测样品的毛管压力曲线进行预测，从而为准确计算复杂储层孔隙结构参数提供有利的技术支持。

本实施例提供的基于核磁共振t2分布获取毛管压力曲线的方法，通过基于毛管压力点的核磁共振t2分布转换毛管压力曲线的第一模型和基于非润湿相饱和度点的核磁共振t2分布转换毛管压力曲线的第二模型；根据预先获取的样本数据求解第一模型和第二模型中的模型参数、以及第一模型和第二模型的拼接点，从而得到核磁共振t2分布转换毛管压力曲线的混合模型，综合了第一模型和第二模型分别在预测小孔隙部分(高压力、非润湿相高饱和度)和大孔隙部分(非润湿相低饱和度)的毛管压力曲线的优势，形成核磁共振t2分布转换毛管压力曲线的混合模型，能得到完整且精度较高的毛管压力曲线，可在获取到任意待测样品核磁共振t2分布后应用该混合模型对该待测样品的毛管压力曲线进行预测，从而为准确计算复杂储层孔隙结构参数提供有利的技术支持。

在上述实施例的基础上，本实施例中对基于核磁共振t2分布获取毛管压力曲线的方法进行详细的说明。

具体的，s101所述的对每一毛管压力点建立非润湿相饱和度与核磁共振t2分布多个特征参数的关系，得到基于毛管压力点的核磁共振t2分布转换毛管压力曲线的第一模型，包括：

s1011、根据表征毛管压力曲线特征的j函数及核磁共振测井评价渗透率的sdr模型，对每一毛管压力点建立非润湿相饱和度与核磁共振t2分布多个特征参数的关系。

首先表征毛管压力曲线特征的j函数为：

其中，pc为毛管压力；σ为界面张力；θ为流体内表面和孔隙壁的接触角；j(sw)为无量纲的函数；sw为润湿相含水饱和度；k为岩心渗透率；φ为岩心孔隙度。

核磁共振测井评价渗透率的sdr模型为：

k＝cφ^mt2lmⁿ

其中：t2lm为核磁共振t2分布的几何均值；c、m、n为模型系数。

联立上述两个公式可得：

由上式可知，在给定毛管压力pc的情况下，润湿相饱和度sw与j(sw)之间往往存在幂函数关系。由于非润湿相饱和度snw与润湿相饱和度sw存在关系：snw＝1-sw，可知对于每一个毛管压力点，非润湿相饱和度snw与φ、t2分布对数均值(t2lm)之间存在函数关系，记为log(snw)＝g(log(tp))。核磁共振测井评价地层渗透率的sdr模型只考虑了两个参数(φ和t2lm)，而事实上渗透率与核磁共振t2分布的多个特征参数(几何均值t2lm、总孔隙度φ、t2分布从t2最大值向最小值方向累加(以下简称“反向累积”)饱和度为x％所对应的弛豫时间tx)有关。由此，对每一个毛管压力点pc,j，建立所有样品非润湿相饱和度snw与核磁共振t2分布的多个参数(tp)的关系：

其中，pc,j为毛管压力点，j∈[1,e]，e为有效毛管压力点个数，snw,j为毛管压力点为pc,j时的非润湿相饱和度，tp为核磁共振t2分布的特征参数，包括几何均值t2lm、总孔隙度φ、以及t2分布从t2最大值向最小值方向累加饱和度为x％所对应的弛豫时间tx中的多个特征参数，gj表示毛管压力点为pc,j时logsnw,j与logtp之间的函数关系式。

当g为线性函数时，可将上式写成矩阵形式，也即：

s1012、根据所述每一毛管压力点建立非润湿相饱和度与核磁共振t2分布多个特征参数的关系及预先获取的样本数据，得到如下基于毛管压力点的核磁共振t2分布转换毛管压力曲线的第一模型：

sn×e＝tn×qcq×e+dn×e

其中，n为参与建模的样本个数，e为有效毛管压力点个数；q为核磁共振t2分布中提取的参与建模的特征参数的个数；s为不同毛管压力点对应的样品的非润湿相饱和度snw的对数值logsnw构成的矩阵；t为参与建模的样本的核磁共振t2分布中参与建模的特征参数tp的对数值logtp构成的矩阵，tp包括几何均值t2lm、总孔隙度φ、以及t2分布从t2最大值向最小值方向累加饱和度为x％所对应的弛豫时间tx中的q个；c为模型系数矩阵；d为常系数矩阵。

进一步的，s102所述的对每一非润湿相饱和度点建立对应的毛管压力与核磁共振t2分布的多个特征参数的关系，得到基于非润湿相饱和度点的核磁共振t2分布转换毛管压力曲线的第二模型，包括：

s1021、根据渗透率与核磁共振t2分布的多个特征参数的关系、渗透率与喉道半径的关系、以及毛管压力与喉道半径的关系，对每一非润湿相饱和度点建立对应的毛管压力与核磁共振t2分布的多个特征参数的关系。

首先根据渗透率与核磁共振t2分布的多个特征参数的关系，建立多参数渗透率计算模型：

其中，k为渗透率；q为核磁共振t2分布的特征参数个数；tp,i为第i个特征参数；a0、ai为模型系数。

渗透率k与喉道半径r之间存在密切关系为：

logk＝b1+b2logφ+b3logrx

其中，b1、b2、b3是模型系数；rx为非润湿相饱和度为x％时所对应的喉道半径。

毛管压力pc与喉道半径r的关系为：

联立上述三个公式可得：

其中：c0、ci是模型系数；pc,x为非润湿相饱和度为x％时所对应的毛管压力。

由此，对每一非润湿相饱和度点建立对应的毛管压力与核磁共振t2分布的多个特征参数的关系：

其中，snw,x为非润湿相饱和度点，x∈[1,m]，m为有效非润湿相饱和度点个数，pc,x为非润湿相饱和度点为snw,x时的毛管压力，tp为核磁共振t2分布的特征参数，包括几何均值t2lm、总孔隙度φ、以及t2分布从t2最大值向最小值方向累加饱和度为x％所对应的弛豫时间tx中的多个特征参数，fx表示非润湿相饱和度点为snw,x时logpc,x与logtp之间的函数关系式。

当f为线性函数时，可将上式写成矩阵形式，也即：

s1022、根据所述每一非润湿相饱和度点建立对应的毛管压力与核磁共振t2分布的多个特征参数的关系及预先获取的样本数据，得到如下基于非润湿相饱和度点的核磁共振t2分布转换毛管压力曲线的第二模型：

pn×m＝tn×qaq×m+bn×m

其中，n为参与建模的样本个数，m为有效非润湿相饱和度点个数；q为核磁共振t2分布中提取的参与建模的特征参数的个数；p为不同非润湿相饱和度点的样品的毛管压力pc的对数值logpc构成的矩阵；t为参与建模的样本的核磁共振t2分布中参与建模的特征参数tp的对数值logtp构成的矩阵，tp包括几何均值t2lm、总孔隙度φ、以及t2分布从t2最大值向最小值方向累加饱和度为x％所对应的弛豫时间tx中的q个；a为模型系数矩阵；b为常系数矩阵。

进一步的，s103所述的根据预先获取的样本数据求解所述第一模型和所述第二模型中的模型参数、以及所述第一模型和所述第二模型的拼接点，从而得到核磁共振t2分布转换毛管压力曲线的混合模型，包括：

根据预先获取的样本数据，采用偏最小二乘回归方法求解所述第一模型和所述第二模型中的模型参数；根据所述样本数据、所述第一模型和所述第二模型，获取所述第一模型和所述第二模型的最优拼接点，从而得到核磁共振t2分布转换毛管压力曲线的混合模型。

考虑到t2分布特征参数间存在多重共线性关系，且变量个数较多，而样本数相对较少，因此采用偏最小二乘回归方法求解上述两个模型的模型参数。其中，偏最小二乘回归方法(partialleastsquaresregression，plsr)是一种多因变量对多自变量的回归建模方法，通过最小化误差的平方和找到一组数据的最佳函数匹配，可以实现多种数据分析方法的综合应用。目前常用的偏最小二乘回归方法为非线性迭代偏最小二乘。其通常的过程为：

假设自变量x＝(x1,x2,…,xp)，因变量y＝(y1,y2,…,yq)，在x、y中分别提取成分l＝(l1,l2,…,lh)和u＝(u1,u2,…,uh)，使得l和u携带原矩阵中尽可能多的信息且相关性达到最大。因此，对于提取的每一组成分li、ui，满足：

其对应的数学表述为求解如下最优化问题：

max＜xiwi,yici>

其中：wi和ci为权重向量，xi和yi分别为x和y提取(i-1)个潜变量(latentvariable)后的残差矩阵。

通过拉格朗日算法求取第一个潜变量l1和u1，并将x，y分别对l1和u1回归得到残差矩阵x1,y1；用x1和y1分别代替x和y，采用同样的方法，提取第二个潜变量；迭代此过程，直到潜变量个数达到最优潜变量个数h或者残差yh小于给定误差。提取h个潜变量后：

其中：z和q为荷载矩阵；xh和yh为提取h个潜变量后残差矩阵。

通过提取h个潜变量后，回归方程可表示为：

y＝x(zbq^t)+yh

其中：b为回归方程的系数矩阵。

对于输入变量x*，其预测值为：

具体的，对于本实施例中第一模型sn×e＝tn×qcq×e+dn×e，以t为自变量x，以s为因变量y，核磁共振t2分布中参与建模的特征参数tp的个数为潜变量个数h，计为hpc_opt；对于pn×m＝tn×qaq×m+bn×m，以t为自变量x，以p为因变量y，核磁共振t2分布中参与建模的特征参数tp的个数为潜变量个数h，计为hsnw_opt。由于潜变量个数h可能决定偏最小二乘回归的迭代次数，进而决定模型的准确性，因此也需要确定最优的hpc_opt和hsnw_opt，从而才能得到最优的模型参数。再通过获取第一模型和第二模型的最优拼接点，避免了第一模型和第二模型的缺陷，也即第一模型对pc值小于所有样品最大的排驱压力的数据点(即大孔隙度部分的毛管压力曲线)预测效果较差，而第二模型可以预测非润湿相饱和度为1％～m％(m为有效非润湿相饱和度点个数)的毛管压力曲线，但是不能预测snw值大于m％的数据点，即不能预测较小孔隙部分的毛管压力曲线，从而得到最优的核磁共振t2分布转换毛管压力曲线的混合模型。

具体的，本实施例中采用如下的步骤：

s1031、确定不同的第一模型中潜变量个数hpc_opt、不同的第二模型中潜变量个数hsnw_opt以及不同拼接点snwcut；

s1031、对于每一组hpc_opt、hsnw_opt和snwcut，根据所述样本数据采用留一法交叉验证和偏最小二乘回归方法获取一个核磁共振t2分布转换毛管压力曲线的备选混合模型及模型误差；

s1033、比较各所述备选混合模型的模型误差，以模型误差最小的备选混合模型作为最优的核磁共振t2分布转换毛管压力曲线的混合模型。

在本实施例中，由于样本数相对较少，可通过留一法交叉验证提高样本数据利用率，留一法交叉验证就是每次只留下一个样本做测试集，其它样本做训练集，如果有a个样本则需要训练a次并测试a次。

本实施例中可首先确定hpc_opt的取值范围为(0,np1)和hsnw_opt的取值范围为(0,np2)，具体例如可以取1～10中任意整数；拼接点snwcut的取值范围为(minsnw,maxsnw)，例如可取5％～65％，以5％的步长取值；确定取值范围后可以得到多组hpc_opt、hsnw_opt和snwcut。

对于每一组hpc_opt、hsnw_opt和snwcut，根据样本数据从样本中选取训练样本和测试样本，例如样本数量有19个，先选取样本1作为测试样本，样本2～19作为训练样本，根据样本2～19的数据采用偏最小二乘回归方法求第一模型和第二模型的模型参数，并以潜变量个数h达到hpc_opt、hsnw_opt或者残差yh小于给定误差作为偏最小二乘回归方法的迭代结束条件，从而得到第一模型和第二模型，并在拼接点snwcut对第一模型和第二模型进行拼接，形成备选混合模型，由样本1的样本数据获取该备选混合模型的模型误差serror1；在选取样本2作为测试样本，其余样本为训练样本，重复上述步骤，直至得到模型误差serror2；迭代上述步骤直至完成留一法交叉验证，得到serror1～serror19，通过获取均方根误差，从而得到该组hpc_opt、hsnw_opt和snwcut对应的备选混合模型的模型误差serror(hpc_opt,hsnw_opt,snwcut)。

迭代上述过程直至完成每一组hpc_opt、hsnw_opt和snwcut的计算，比较各所述备选混合模型的模型误差，如图2所示，以模型误差最小的备选混合模型作为最优的核磁共振t2分布转换毛管压力曲线的混合模型。此时参数为最佳模型参数组合(例如hpc_opt＝4,hsnw_opt＝4,snwcut_opt＝65％)。

本实施例可以采用如图3所示的穷举法的循环过程对每一组hpc_opt、hsnw_opt和snwcut以及留一法交叉验证进行取值，穷举法较为简单并具有较高的准确性，可便于获取最优的混合模型。

在获取到最优的核磁共振t2分布转换毛管压力曲线的混合模型后，可选取物性相差较大的样本对该混合模型进行验证，以验证该混合模型的适应性，例如本实施例中选取19块样品中5#、11#和19#这三块物性差别较大的样品进行计算，可以得到如图4所示的毛管压力曲线预测结果(图中实线为预测结果，空心点为通过岩心压汞实验得到的数据点)。

进一步的，本实施例中根据s104所述步骤，根据待测样品的核磁共振t2分布以及所述混合模型获取待测样品的毛管压力曲线。例如，本实施例预测了某油田h井致密砂岩储层段的毛管压力曲线，结果如图5。图中第一道为自然伽马(gr)和井径曲线(cal)。第二道为cnl、den和ac三孔隙度曲线。第三道为核磁共振t2分布及t2几何均值。第四道为t2分布的归一化反向累积分布，不同的灰度代表不同的饱和度值；tx为饱和度为x％时所对应的横向弛豫时间。第五道为利用本文提出的方法，根据t2分布预测的毛管压力曲线，不同的颜色表示随非润湿相饱和度变化所对应的不同的毛管压力值。第六道为根据计算的毛管压力划分的孔隙结构类型，其中黑色代表第一类孔隙结构，其孔隙度和渗透率较高，排驱压力和中值压力较低；深灰色代表第二类孔隙结构，其孔隙度和渗透率相对较低，排驱压力和中值压力较高；浅灰色代表第三类孔隙结构，其孔隙度和渗透率更低，排驱压力和中值压力更高。第七道为根据预测的毛管压力曲线计算的排驱压力pd和岩心压汞实验得到的pd。第八道为根据预测的毛管压力曲线计算的饱和度中值压力pc50和岩心分析的pc50，第九道为核磁共振孔隙度和岩心分析孔隙度，第十道为采用核磁共振t2分布计算的渗透率和岩心分析渗透率。由预测的毛管压力曲线计算的排驱压力pd和中值压力pc50，与岩心压汞实验分析结果对应较好，证实了该方法的有效性。通过采用本发明提出的方法预测毛管压力曲线，精细划分储层孔隙结构，对于发现有利储集体和制定合理开发方案具有重要意义。

图6为本发明实施例提供的基于核磁共振t2分布获取毛管压力曲线的装置结构图。本实施例提供的基于核磁共振t2分布获取毛管压力曲线的装置可以执行上述基于核磁共振t2分布获取毛管压力曲线的方法实施例提供的处理流程，如图6所示，所述装置包括第一模型获取模块21、第二模型获取模块22、混合模型获取模块23以及毛管压力曲线预测模块24。

其中，第一模型获取模块21，用于对每一毛管压力点建立非润湿相饱和度与核磁共振t2分布多个特征参数的关系，得到基于毛管压力点的核磁共振t2分布转换毛管压力曲线的第一模型；

第二模型获取模块22，用于对每一非润湿相饱和度点建立对应的毛管压力与核磁共振t2分布的多个特征参数的关系，得到基于非润湿相饱和度点的核磁共振t2分布转换毛管压力曲线的第二模型；

混合模型获取模块23，用于根据预先获取的样本数据求解所述第一模型和所述第二模型中的模型参数、以及所述第一模型和所述第二模型的拼接点，从而得到核磁共振t2分布转换毛管压力曲线的混合模型；

毛管压力曲线预测模块24，用于根据待测样品的核磁共振t2分布以及所述混合模型获取待测样品的毛管压力曲线。

进一步的，所述第一模型获取模块21具体用于：

根据表征毛管压力曲线特征的j函数及核磁共振测井评价渗透率的sdr模型，对每一毛管压力点建立非润湿相饱和度与核磁共振t2分布多个特征参数的关系；

根据所述每一毛管压力点建立非润湿相饱和度与核磁共振t2分布多个特征参数的关系及预先获取的样本数据，得到如下基于毛管压力点的核磁共振t2分布转换毛管压力曲线的第一模型：

sn×e＝tn×qcq×e+dn×e

其中，n为参与建模的样本个数，e为有效毛管压力点个数；q为核磁共振t2分布中提取的参与建模的特征参数的个数；s为不同毛管压力点对应的样品的非润湿相饱和度snw的对数值logsnw构成的矩阵；t为参与建模的样本的核磁共振t2分布中参与建模的特征参数tp的对数值logtp构成的矩阵，tp包括几何均值t2lm、总孔隙度φ、以及t2分布从t2最大值向最小值方向累加饱和度为x％所对应的弛豫时间tx中的q个；c为模型系数矩阵；d为常系数矩阵。

进一步的，所述第二模型获取模块22具体用于：

根据渗透率与核磁共振t2分布的多个特征参数的关系、渗透率与喉道半径的关系、以及毛管压力与喉道半径的关系，对每一非润湿相饱和度点建立对应的毛管压力与核磁共振t2分布的多个特征参数的关系；

根据所述每一非润湿相饱和度点建立对应的毛管压力与核磁共振t2分布的多个特征参数的关系及预先获取的样本数据，得到如下基于非润湿相饱和度点的核磁共振t2分布转换毛管压力曲线的第二模型：

pn×m＝tn×qaq×m+bn×m

其中，n为参与建模的样本个数，m为有效非润湿相饱和度点个数；q为核磁共振t2分布中提取的参与建模的特征参数的个数；p为不同非润湿相饱和度点的样品的毛管压力pc的对数值logpc构成的矩阵；t为参与建模的样本的核磁共振t2分布中参与建模的特征参数tp的对数值logtp构成的矩阵，tp包括几何均值t2lm、总孔隙度φ、以及t2分布从t2最大值向最小值方向累加饱和度为x％所对应的弛豫时间tx中的q个；a为模型系数矩阵；b为常系数矩阵。

进一步的，所述混合模型获取模块23具体用于：

根据预先获取的样本数据，采用偏最小二乘回归方法求解所述第一模型和所述第二模型中的模型参数；

根据所述样本数据、所述第一模型和所述第二模型，获取所述第一模型和所述第二模型的最优拼接点，从而得到核磁共振t2分布转换毛管压力曲线的混合模型。

进一步的，所述混合模型获取模块23具体用于：

确定不同的第一模型中潜变量个数hpc_opt、不同的第二模型中潜变量个数hsnw_opt以及不同拼接点snwcut；

对于每一组hpc_opt、hsnw_opt和snwcut，根据所述样本数据采用留一法交叉验证和偏最小二乘回归方法获取一个核磁共振t2分布转换毛管压力曲线的备选混合模型及模型误差；

比较各所述备选混合模型的模型误差，以模型误差最小的备选混合模型作为最优的核磁共振t2分布转换毛管压力曲线的混合模型。

本发明实施例提供的基于核磁共振t2分布获取毛管压力曲线的装置可以具体用于执行上述图1所提供的方法实施例，具体功能此处不再赘述。

本实施例提供的基于核磁共振t2分布获取毛管压力曲线的装置，通过基于毛管压力点的核磁共振t2分布转换毛管压力曲线的第一模型和基于非润湿相饱和度点的核磁共振t2分布转换毛管压力曲线的第二模型；根据预先获取的样本数据求解第一模型和第二模型中的模型参数、以及第一模型和第二模型的拼接点，从而得到核磁共振t2分布转换毛管压力曲线的混合模型，综合了第一模型和第二模型分别在预测小孔隙部分(高压力、非润湿相高饱和度)和大孔隙部分(非润湿相低饱和度)的毛管压力曲线的优势，形成核磁共振t2分布转换毛管压力曲线的混合模型，能得到完整且精度较高的毛管压力曲线，可在获取到任意待测样品核磁共振t2分布后应用该混合模型对该待测样品的毛管压力曲线进行预测，从而为准确计算复杂储层孔隙结构参数提供有利的技术支持。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。