一种基于二维核磁共振测井数据识别页岩油储层流体成分及相对体积的方法与流程

1.本发明属于石油地质勘探和页岩油储层评价领域，特别涉及一种基于二维核磁共振测井数据利用无监督降维机器学习算法识别页岩油储层流体成分以及相应流体的相对体积的新方法。


背景技术：

2.随着国家科技的进步和人民生活水平的提高，对油气资源的需求越来越高，常规油气资源不断枯竭，非常规页岩油气资源逐渐替代常规油气资源。而我国页岩油的勘探开发相较美国页岩油难度更大，具体而言，美国的页岩油质较轻，且页岩油藏多发育在脆性较高的地层中，裂缝发育，为页岩油的富集提供了运移通道和储集空间。而我国的湖相页岩油大多富集在岩性相对较纯的泥页岩中，难以有效的压裂。页岩油储层中赋存在多少油，可动油含量是多少，是页岩油储层有效勘探开发中必须要回答的问题，其中页岩油储层流体评价是页岩储层研究中至关重要的内容。页岩油的流体性质与页岩内的孔隙空间大小、分布和连通性相关，同时还与流体在页岩中的赋存机理和状态相关。目前对于页岩油的流体性质研究大多集中在岩心尺度，通过实验室的核磁实验和ct扫描分析等手段研究油页岩的孔隙结构和流体赋存状态，这类方法可以获得精度较高的结果，但只能进行单块岩心的分析，不能进行储层尺度的宏观评价，结果具有一定的局限性。
3.如专利申请202011028076.7公开了一种页岩油可动比例定量评价方法，对具有代表性页岩油储层岩心进行核磁共振t1-t2二维谱测试和二氧化碳吞吐驱替实验，通过不同含氢组分在核磁共振t1-t2二维谱图上的位置特征，确定页岩内原始滞留烃总量信号强度为r1，然后对岩心进行二氧化碳吞吐驱替实验，之后再次进行核磁共振实验，并记录此次页岩内剩余烃总量信号为r2，基于二氧化碳驱替实验前后所得核磁共振t1-t2二维谱所得信号强度变化，可以得到可动页岩油比例f。本发明基于核磁共振二维谱方法获取到页岩储层当中滞留烃和驱替后剩余烃含量的指标参数，通过模拟地层条件下的二氧化碳吞吐实验进行页岩可动油驱替，更接近目前常用的页岩油地下开采工艺，具有数据计算准确方便的特点。
4.然而，近年来，利用核磁共振测井来表征富有机质页岩的方法已得到广泛应用。然而，使用简单的一维t2或t1弛豫时间分布已被证明不足以分离流体类型或表征孔隙系统，因为来自不同流体组分的信号在一维谱上有重叠。t1-t2 二维核磁共振测井可以更为准确的对全井段深度的页岩油储层进行流体性质分析，但是目前对二维核磁共振测井数据的解释主要依赖人工确定截止不同类型流体t1、t2截止值或选取各类流体大概的分布区域，依赖人工的方法需要一定的先验信息，且具有很强的主观性，每次只能分析单个采样点的数据信息，不能综合利用全井段范围内数据信息，费时费力，精度较低。


技术实现要素：

5.基于此，因此本发明的首要目地是提供一种基于二维核磁共振测井数据识别页岩油储层流体成分及相对体积的方法，该方法可自动识别页岩油储层不同流体成分类型以及计算不同流体类型的相对体积，提高页岩油中流体性质评价效率和准确度。
6.为实现上述目的，本发明的技术方案为：
7.一种基于二维核磁共振测井数据识别页岩油储层流体成分及相对体积的方法，包括以下步骤：
8.s1.对t1-t2二维核磁共振测井数据按采样点提取数据，构建t1-t2二维核磁学习样本库；
9.具体的，s1中，目前多数t1-t2二维核磁共振测井采用的都是布点方式，每个采样点是一幅二维的t1-t2图像，对应一个的二维矩阵，按采样点从上至下逐个提取t1-t2二维核磁共振测井数据中的t1-t2图像，构成学习样本库，以提高学习样本库的构建速度和效率。
10.s2.将学习样本库中的每一个t1-t2二维数据向量化为一列向量，再拼接组成一个大型二维矩阵；
11.具体的，s2中，每一幅t1-t2图都是一个64
×
64的二维矩阵，将每一幅t1-t2 图的二维矩阵都向量化为一个4096维的列向量，再将所有的列向量在列的维度上拼接为大型的二维矩阵。
12.s3.初始化源数，对由s1步骤中形成的样本库中的数据所建立的大型二维矩阵进行非负矩阵分解，得到初始化源矩阵和初始化系数矩阵；其中，源数为页岩储层中流体类型的个数；
13.具体的，在s3中，s2中构建的大型矩阵v，可以近似为源矩阵w和系数矩阵h进行矩阵乘法得到的结果，如公式(3)所示，由于信号强度小于0不具有物理意义，因此这三个矩阵必定是非负的，本发明提出利用非负矩阵分解的无监督学习算法求解源矩阵w和系数矩阵h，通过公式(4)定义二范数损失函数，c为损失值，在w＞0,h＞0的约束下通过乘法更新准则的梯度下降原理求解损失函数的最小值。其中源矩阵w的每一列是一种流体类型的t1-t2图的列向量形式，系数矩阵h的每一列是样本库中合成t1-t2图的的一组系数，给定不同的分解源数r既流体类别数，会得到不同的分解结果。由于不使用任何先验信息，本发明提出先初始化给定一个较大的源数，通过对s2建立的大型矩阵按初始化给定的源数进行非负矩阵分解，得到初始化的源矩阵和系数矩阵。
14.v≈wh
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
15.c＝‖v-wh‖2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
16.需要说明的是，在本实施例中，在s3中，初始化给定的源数r＝8。在其他实施例中，可以将初始化源数给定其他值。
17.s4.对初始化的系数矩阵进行主成分分析，确定最佳分解源数；
18.具体的，s4中，对s3中获得的初始化系数矩阵进行主成分分析，得到每个主成分所携带的解释方差(对原始数据信息量的贡献)的估计，给定一个累计解释方差阈值，超过该累计方差阈值的最小主成分数就是最佳源数。
19.s5.将非负矩阵分解的源数设置为步骤s4中获得的最佳源数，再次对样本库建立
的大型矩阵进行非负矩阵分解，得到源矩阵和系数矩阵；
20.具体的，s5中，将待学习的大型二维矩阵v的分解源数设置为s4得到的最佳分解源数4，对矩阵v进行二次非负矩阵分解，得到r＝4对应的源矩阵和系数矩阵，将源矩阵每一列提取出来恢复成64
×
64的二维矩阵。
21.s6.源矩阵中每一列代表一类流体类型对应的t1-t2图，从而确定每类流体质心对应的t1和t2坐标；
22.具体的，s6中，计算s5得到的四种源流体类型t1-t2图中信号强度大于给定信号强度下限的像素点所对应的t1和t2值，计算每种源流体类型的质心，质心的计算公式如下：
[0023][0024][0025]
式中，t1c为某一类流体的质心t1轴的坐标；t2c为某一类流体的质心t2 轴的坐标；t1i，t2i分别为t1-t2图中信号强度大于给定信号强度下限的第i 个像素点所对应的t1和t2值。
[0026]
s7.对数据库中每一个t1-t2图数据中的像素点按照距离以每类流体质心欧式距离的远近对流体类型进行划分；
[0027]
具体的，s7中，计算数据库每一幅t1-t2图中的信号强度大于信号强度下限0.05的像素点距离s6中得到的四种流体类型的质心的欧式距离，将其分给距离质心欧式距离最小的这一类流体，完成流体类型的划分。
[0028]
s8.根据流体类型划分结果确定每类流体的总信号强度，根据信号强度比值确定每类流体的相对体积。
[0029]
具体的，s8中，根据s7中流体类型划分的结果，计算数据库中每幅t1-t2 图中各类流体的信号强度总和，然后计算不同类型流体的总信号强度比值，该比值就是每类流体的相对体积，完成不同流体类型的相对体积计算。
[0030]
本发明可以在没有任何先验信息的条件下通过t1-t2二维核磁测井数据进行无监督学习，准确识别流体类型并进行各类流体相对体积的计算。它主要的特点是不需要地层相关信息，也不需要人为主观干预就可以自动化的识别页岩油储层中的流体类型，识别结果客观合理，能大幅度提高页岩油储层中流体识别的精度，解决页岩油储层流体评价不准确的问题。
[0031]
本发明首先构建大量t1-t2图数据的学习样本库，通过学习样本库数据构造大型二维矩阵，然后对大型二维矩阵进行初始化非负矩阵分解，得到初始化的系数矩阵，其次对初始化系数矩阵进行主成分分析得到最佳分解源数，之后将非负矩阵分解源数设置为最佳分解源数对大型二维矩阵进行二次非负矩阵分解得到最佳源系数对应的源矩阵和系数矩阵，再根据最佳源系数对应的源矩阵得到每类流体的质心坐标，根据距离质心欧式距离的远近划分数据库中t1-t2 图流体类型，最后计算每类流体对应的t1-t2图中信号强度总和的比值确定每类流体的相对体积。由此可见，该方法不需要任何先验信息就可以基于二维核磁共振测井数据对页岩油储层流体性质进行准确分析，且该方法不需要人为主观干涉就
可以主动化的划分流体类型和计算流体相对体积，并在模拟数据集上取得了非常准确的结果，与人工解释方法相对，该方法极大的提高了页岩油储层流体性质评价的效率与准确率。
附图说明
[0032]
图1为本发明所实现数值模拟四种流体类型的t1-t2图。
[0033]
图2为本发明所实现基于四种源流体类型随机合成的2张t1-t2图。
[0034]
图3为本发明所实现数据库数据构建大型二维矩阵示意图。
[0035]
图4为本发明所实现非负矩阵分解示意图。
[0036]
图5为本发明所实现主成分数与累计方差折线图。
[0037]
图6为本发明所实现非负矩阵分解结果。
[0038]
图7为本发明所实现2张t1-t2图流体类型识别和相对体积计算成果图。
具体实施方式
[0039]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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。
[0040]
本发明所实现的基于二维核磁共振测井数据识别页岩油储层流体成分及相对体积的方法，包括以下步骤：
[0041]
s1.对t1-t2二维核磁共振测井数据按采样点提取数据，构建t1-t2二维核磁学习样本库；
[0042]
s2.将学习样本库中的每一个t1-t2二维数据向量化为一列向量，再拼接组成一个大型二维矩阵；
[0043]
s3.初始化源数，对由s1步骤中形成的样本库中的数据所建立的大型二维矩阵进行非负矩阵分解，得到初始化源矩阵和初始化系数矩阵；其中，源数为页岩储层中流体类型的个数；
[0044]
s4.对初始化的系数矩阵进行主成分分析，确定最佳源数；
[0045]
s5.将非负矩阵分解的源数设置为最佳源数，再次对样本库建立的大型矩阵进行非负矩阵分解，得到源矩阵和系数矩阵；
[0046]
s6.源矩阵中每一列代表一类流体类型对应的t1-t2图，从而确定每类流体质心对应的t1和t2坐标；
[0047]
s7.对数据库中每一个t1-t2图数据中的像素点按照距离以每类流体质心欧式距离的远近对流体类型进行划分；
[0048]
s8.根据流体类型划分结果确定每类流体的总信号强度，根据信号强度比值确定每类流体的相对体积。
[0049]
具体的，s1中，目前多数t1-t2二维核磁共振测井采用的都是布点方式，每个采样点是一幅二维的t1-t2图像，对应一个的二维矩阵，按采样点从上至下逐个提取t1-t2二维核磁共振测井数据中的t1-t2图像，构成学习样本库，以提高学习样本库的构建速度和效率。
[0050]
在s1中，采用数值模拟的方式生成学习样本库，在其他的实施例中可以直接通过
真实数据构建学习样本库。实际测量得到的t1-t2图可以看成是多种流体类型信号叠加的结果，因此，将二维核磁测井测量得到的某个采样点的t1-t2 数据看成是一张混合图像，其中这张图像是由多张只含有某一种流体类型的 t1-t2源图像叠加而成的，如下式所示：
[0051]
imagem＝a1image
s1
a2image
s1

…
animage
sn
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0052]
式中：imagem为混合图像，images1,images2,imagesn为源图像，a1,a2, an为系数。
[0053]
基于非常规页岩中流体的预期nmr弛豫特征，应用二维高斯分布模拟了由沥青、粘土束缚水、可动水和可动油四种页岩油储层常见流体类型，见附图 1。根据四种源流体类型的t1-t2图像基于公式(1)采用随机系数组合的方式生成200张t1-t2图，为了模拟核磁数据处理中的正则化效果，对合成的图像采用高斯模糊滤波处理，见公式(2)，附图2是从随机合成图片中选取的2 张t1-t2图。通过二维高斯数值模拟生成的200张图片构成了学习样本库。
[0054][0055]
式中，σ是需要人为设定的权重矩阵系数，x，y是根据模糊半径确定的坐标值，中心坐标为(0,0)，g(x,y)是权重矩阵对应的权重值。在本实施例中，设置权重矩阵系数σ＝1.5，模糊半径为1。在其他的实施例中，可将权重矩阵系数和模糊半径设置为其他值。
[0056]
具体的，s2中，每一幅t1-t2图都是一个64
×
64的二维矩阵，将每一幅t1-t2 图的二维矩阵都向量化为一个4096维的列向量，再将所有的列向量在列的维度上拼接为大型的二维矩阵，具体流程见附图3。
[0057]
需要说明的是，在本实施例中，在s2中，数据库中的样本一共是200个，因此生成的大型矩阵是4096
×
200的二维矩阵v。在其他的实施例中，数据库中的样本数可以是其他数字。
[0058]
具体的，在s3中，s2中构建的大型矩阵v，可以近似为源矩阵w和系数矩阵h进行矩阵乘法得到的结果，如公式(3)所示，由于信号强度小于0不具有物理意义，因此这三个矩阵必定是非负的，本发明提出利用非负矩阵分解的无监督学习算法求解源矩阵w和系数矩阵h，通过公式(4)定义二范数损失函数，c为损失值，在w＞0,h＞0的约束下通过乘法更新准则的梯度下降原理求解损失函数的最小值。非负矩阵分解对应附图4，其中源矩阵w的每一列是一种流体类型的t1-t2图的列向量形式，系数矩阵h的每一列是样本库中合成 t1-t2图的的一组系数，给定不同的分解源数r既流体类别数，会得到不同的分解结果。由于不使用任何先验信息，本发明提出先初始化给定一个较大的源数，通过对s2建立的大型矩阵按初始化给定的源数进行非负矩阵分解，得到初始化的源矩阵和系数矩阵。
[0059]
v≈wh
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0060]
c＝‖v-wh‖2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0061]
需要说明的是，在本实施例中，在s3中，初始化给定的源数r＝8。在其他实施例中，可以将初始化源数给定其他值。
[0062]
具体的，s4中，对s3中获得的初始化系数矩阵进行主成分分析，得到每个主成分所携带的解释方差(对原始数据信息量的贡献)的估计，给定一个累计解释方差阈值，超过该累计方差阈值的最小主成分数就是最佳源数。
[0063]
需要说明的是，在本实施例中，在s4步骤中，给定的累计方差阈值为95％，如附图5所示，4个主成分已经携带了原始数据的95％以上的信息，因此将最佳源数设置为4提供给s5进行二次非负矩阵分解。在其他实施例中，累计方差阈值可以给定其他合理值。
[0064]
具体的，s5中，将待学习的大型二维矩阵v的分解源数设置为s4得到的最佳源数4，对矩阵v进行二次非负矩阵分解，得到r＝4对应的源矩阵和系数矩阵，将源矩阵每一列提取出来恢复成64
×
64的二维矩阵，可视化结果见附图6，对比附图6与附图1四种源流体类型已经非常精准的被恢复了。
[0065]
具体的，s6中，计算s5得到的四种源流体类型t1-t2图中信号强度大于给定信号强度下限的像素点所对应的t1和t2值，计算每种源流体类型的质心，质心的计算公式如下：
[0066][0067][0068]
式中，t1c为某一类流体的质心t1轴的坐标；t2c为某一类流体的质心t2 轴的坐标；t1i，t2i分别为t1-t2图中信号强度大于给定信号强度下限的第 i个像素点所对应的t1和t2值。
[0069]
需要说明的是，在本实施例中，在s6中，给定的信号强度下限为0.05，得到的沥青、黏土束缚水、可动油和可动水这四种流体类型对应的质心(t2c,t1c)坐标分别为(1.01，10.03)，(1，0.99)，(6.33，24.67)，(39.45，39.69)。
[0070]
具体的，s7中，计算数据库每一幅t1-t2图中的信号强度大于信号强度下限0.05的像素点距离s6步骤中得到的四种流体类型的质心的欧式距离，将其分给距离质心欧式距离最小的这一类流体，完成流体类型的划分，结果见附图 7，沥青、粘土束缚水、可动水和可动油这四种流体的分布范围非常清楚的被表征出来。
[0071]
具体的，s8中，根据s7中流体类型划分的结果，计算数据库中每幅t1-t2 图中各类流体的信号强度总和，然后计算不同类型流体的总信号强度比值，该比值就是每类流体的相对体积，完成不同流体类型的相对体积计算，结果见附图7。图中上方混合图像中看出流体类型主要以沥青和可动油为主，流体表征的结果与实际资料一致，沥青占了总流体体积的39％，可动油占了总流体体积的48％；图中下方混合图像中看出流体类型主要以束缚水和可动水为主，流体表征的结果与实际资料一致，可动水占了总流体体积的49％，束缚水占了总流体体积的28％，流体相对体积计算结果准确。
[0072]
本发明首先构建大量t1-t2图数据的学习样本库，通过学习样本库数据构造大型二维矩阵，然后对大型二维矩阵进行初始化非负矩阵分解，得到初始化的系数矩阵，其次对初始化系数矩阵进行主成分分析得到最佳分解源数，之后将非负矩阵分解源数设置为最佳分解源数对大型二维矩阵进行二次非负矩阵分解得到最佳源系数对应的源矩阵和系数矩阵，再根据最佳源系数对应的源矩阵得到每类流体的质心坐标，根据距离质心欧式距离的远近划分数据库中t1-t2 图流体类型，最后计算每类流体对应的t1-t2图中信号强度总和的比值确定每类流体的相对体积。由此可见，该方法不需要任何先验信息就可以基于二维核磁共振测井数据对页岩油储层流体性质进行准确分析，且该方法不需要人为主观干涉就可以主动化的划分流体类型和计算流体相对体积，并在模拟数据集上取得了非常准确的结
果，与人工解释方法相对，该方法极大的提高了页岩油储层流体性质评价的效率与准确率。
[0073]
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。