一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法

本发明涉及地化参数预测，具体涉及一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法。

背景技术：

1、地球化学参数是评价烃源岩特征、指导油气勘探、寻找潜在油气资源的重要指标，包括碳同位素(δ13ccarb)、总有机碳含量(toc)等。其中总有机碳含量(toc)是评价烃源岩有机质丰度最直接的指标，即利用总有机碳含量(toc)下限可以确定烃源岩的有效性，但目前国内众多学者提出的碳酸盐岩类烃源岩的总有机碳含量(toc)下限差异很大。同时目前的研究发现深层的海相碳酸盐岩具有巨大的油气潜力，但该类岩性的总有机碳含量(toc)低，因此在评价其生烃潜力时都认为较差。但对于海相碳酸盐岩而言，利用总有机碳含量(toc)会低估了能够形成烃类的物质，即评价这类岩性的生烃潜力较差。因此总有机碳含量(toc)不能成为唯一一个评价烃源岩生烃潜力的参数。同时岩石内部在生成油气的过程中，优质的成烃物质已转化成烃，从而导致总有机碳降低，而碳同位素(δ13ccarb)反映了有机碳与无机碳的相互转化，可以有效地指示在地质历史时期内的生烃作用。

2、为了拿到准确的地化参数数据，一般需要对岩心进行实验，但这种方法的成本较高、时间跨度长，且无法在连续深度范围内进行取心实验。其中总有机碳含量(toc)的评价方法主要分为传统地球物理方法和机器学习方法。传统物理模型主要是使用单条或多条测井曲线进行计算，一般容易受到流体性质、岩石类型的影响，从而导致计算误差大。同时随着机器学习的发展，各种算法结合常规测井曲线用以计算总有机碳含量(toc)的方法很多，且发展前景很好，但针对于深层海相碳酸盐岩的总有机碳含量(toc)测井解释模型研究较少。除此之外，碳同位素(δ13ccarb)的数据还停留在实验中，无法很好的取得连续数据，因此其是否可以像总有机碳含量(toc)一样建立测井解释模型是暂未可知的。

3、基于目前深层碳酸盐岩类烃源岩的评价参数少，且未考虑烃源岩评价时已转化为烃类的部分从而导致有效烃源岩厚度小的技术难题，亟需一套多方面确定深层碳酸盐岩类烃源岩有效性的新方法。

技术实现思路

1、本发明的目的是提供一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法，解决了深层碳酸盐岩类有效烃源岩厚度确定困难的问题。

2、为了实现上述目的，本发明采用的技术方案是：

3、一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法，该方法包括：

4、s1、获取深层碳酸盐岩类烃源岩的碳同位素(δ13ccarb)和总有机碳含量(toc)实验数据以及相关的测井数据；

5、s2、分别对9条测井曲线与碳同位素(δ13ccarb)、总有机碳含量(toc)进行权重分析；

6、s3、基于碳同位素(δ13ccarb)、总有机碳含量(toc)实验数据和对应的测井数据，利用若干机器学习算法建立地化参数预测模型。

7、s4、利用所述实验集数据检验评估若干机器学习算法预测结果，预测结果不合格的模型再次基于若干机器学习算法直至预测结果合格；

8、s5、基于碳同位素(δ13ccarb)、总有机碳含量(toc)预测结果，得到深层碳酸盐岩类烃源岩地化参数预测结果；

9、s6、根据总有机碳含量(toc)大于0.2％或碳同位素(δ13ccarb)小于-2‰判断深层碳酸盐岩类有效烃源岩厚度。

10、优选地,建立地化参数模型是基于所述若干机器学习算法分别建立各种算法下各自对应的预测模型。

11、优选地,若干机器学习算法包括但不限于多元线性回归算法、局部多项式回归算法、高斯算法、神经网络算法、广义线性模型算法、相关性向量机算法、支持向量机算法。

12、优选地,所述测井数据包括自然伽马(gr)、密度(den)、补偿中子(cnl)、声波时差(ac)、深侧向测井电阻率(rlld)、浅侧向测井电阻率(rlls)、铀(u)、钍(th)、钾(k)；

13、和/或，所述测井曲线特征还采用特征组合扩展形式，所述特征组合扩展形式包括但不限于特征加和、特征作差的方式。

14、优选地,模型预测结果不合格将根据碳同位素和总有机碳含量随沉积环境的变化特征，将实验数据划分为i类和ii类。

15、优选地,碳同位素和总有机碳含量主要分布在两种沉积环境下：

16、a1、i类：海退背景下沉积的局限台地环境，多以白云岩为主。该沉积环境气候炎热干旱，抑制了生物活动，而在该环境下的生物母质主要为浮游藻等水生生物，这些藻类为有机质提供了很好的物质基础，同时由于水体处于半封闭环境，接近物源区，因此陆源物质输入较多，并在成岩过程中膏盐岩参与热化学硫酸盐还原作用导致富含藻类等生物的碳酸盐岩内有机碳与无机碳的相互转化，部分烃源岩已生烃，因此碳同位素(δ13ccarb)、总有机碳含量(toc)的值域变化范围较大；

17、a2、ii类：为海平面上升的开阔台地环境，气候较温暖，有机质保存较好，但陆源输入较少，且缺少膏盐岩，无法促使有机碳的转化，因此碳同位素(δ13ccarb)、总有机碳含量(toc)的值域变化范围较小。

18、优选地,若干机器学习算法包括但不限于多元线性回归算法、局部多项式回归算法、高斯算法、神经网络算法、广义线性模型算法、相关性向量机算法、支持向量机算法。

19、优选地,所述测井数据包括自然伽马(gr)、密度(den)、补偿中子(cnl)、声波时差(ac)、深侧向测井电阻率(rlld)、浅侧向测井电阻率(rlls)、铀(u)、钍(th)、钾(k)。

20、本发明的有益效果集中体现在：

21、1、本发明利用测井资料纵向分辨率好、可靠性高等优势，利用权重分析碳同位素(δ13ccarb)、总有机碳含量(toc)密切联系的九条测井曲线，利用机器学习算法对碳同位素(δ13ccarb)、总有机碳含量(toc)进行预测；碳同位素(δ13ccarb)、总有机碳含量(toc)预测结果与实验数据的相关性较高，具有较好的预测精度。

22、2、本发明的预测方法适用于深层碳酸盐岩类烃源岩地层，具有较广泛的应用前景。可以不只依靠实验获取得到的数据，可减少人为及仪器因素对结果的影响；连续的地化参数曲线的获得，可满足连续、非连续的碳同位素(δ13ccarb)、总有机碳含量(toc)预测需要。

23、3、本发明通过机器学习的方式充分挖掘测井资料与碳同位素(δ13ccarb)、总有机碳含量(toc)之间的内在关系，极大的提高了模型预测精度，对研究深层碳酸盐岩类烃源岩的生烃历史、评价高成熟碳酸盐岩有效烃源岩具有重要意义。

技术特征：

1.一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法，其特征在于，包括下列步骤：

2.根据权利要求1所述的一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法，其特征在于,所述的地化参数预测模型的建立是基于若干机器学习算法分别建立各种算法下各自对应的预测模型。

3.根据权利要求2所述的一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法，其特征在于,所述的若干机器学习算法包括但不限于多元线性回归算法、局部多项式回归算法、高斯算法、神经网络算法、广义线性模型算法、相关性向量机算法、支持向量机算法。

4.根据权利要求3所述的一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法，其特征在于,所述的局部多项式回归算法是一种用于平滑散点图和建模函数的非参数技术，如果请求数据空间中某个点的标签值，则搜索该点的本地邻域，对于这种搜索，使用了数值测量参数中指定的距离测量，在确定邻域后，利用泰勒公式

5.根据权利要求1所述的一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法，其特征在于,所述地测井数据包括自然伽马(gr)、密度(den)、补偿中子(cnl)、声波时差(ac)、深侧向测井电阻率(rlld)、浅侧向测井电阻率(rlls)、铀(u)、钍(th)、钾(k)；测井曲线特征还采用特征组合扩展形式，特征组合扩展形式包括但不限于特征加和、特征作差的方式。

6.根据权利要求1所述的一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法，其特征在于,所述的步骤s4中的模型预测结果不合格将根据碳同位素和总有机碳含量随沉积环境的变化特征，将实验数据划分为i类和ii类。

7.根据权利要求6所述的一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法，其特征在于：所述的碳同位素和总有机碳含量主要分布在两种沉积环境下：

技术总结
一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法，包括以下步骤：获取了岩心样品的总有机碳含量(TOC)和碳同位素(δ<supgt;13</supgt;C<subgt;carb</subgt;)实验数据，以及相关的测井数据；分析测井曲线与总有机碳含量(TOC)和碳同位素(δ<supgt;13</supgt;C<subgt;carb</subgt;)的权重；将实验数据与测井曲线，利用若干机器学习算法建立地化参数模型；利用实验集数据检验评估模型，预测结果不合格的模型再次基于若干机器学习算法直至预测结果合格；根据总有机碳含量(TOC)大于0.2％或碳同位素(δ<supgt;13</supgt;C<subgt;carb</subgt;)小于‑2‰判断深层碳酸盐岩类有效烃源岩厚度。本发明解决了深层碳酸盐岩类有效烃源岩厚度确定困难的问题。

技术研发人员：于红岩,陈斯斯,孟昆,刘文汇,王晓锋,张东东
受保护的技术使用者：西北大学
技术研发日：
技术公布日：2024/1/16