地层元素测井曲线重构方法及装置与流程

1.本发明涉及碳酸盐岩、火山岩、泥页岩等复杂岩性储层研究技术领域，尤其涉及地层元素测井曲线重构方法及装置。


背景技术：

2.地层组分含量计算是测井解释评价的基础和关键。目前利用测井方法确定地层组分含量主要依据各矿物、流体和自然伽马、密度、中子等常规测井曲线的响应关系进行计算。然而，在碳酸盐岩、火山岩、泥页岩等复杂岩性储层中，测井响应特征往往具有多解性，现有的上述测井曲线对地层矿物元素分辨能力明显不足，计算出的矿物成分类型有限，精度较低，可靠性差，不能满足储层评价的需要。


技术实现要素：

3.本发明实施例提供一种地层元素测井曲线重构方法，用以对地层元素测井曲线进行重构，提高对地层矿物的分辨能力，计算精度以及可靠性，满足储层评价的需要，该方法包括：
4.获得研究区的第一测井曲线和第二测井曲线，其中所述第一测井曲线根据常规测井曲线集确定，所述第二测井曲线根据数据库中记录的岩屑元素含量数据确定，所述岩屑元素含量数据根据岩屑录井分析获得；
5.根据研究区的第一测井曲线和预先建立的机器学习模型，确定第三测井曲线，所述第三测井曲线是机器学习模型预测出的研究区各元素含量曲线，所述机器学习模型根据研究区的历史第一测井曲线和历史第三测井曲线预先建立，所述历史第三测井曲线根据历史元素俘获能谱确定；
6.根据所述第二测井曲线和第三测井曲线，进行地层元素测井曲线重构。
7.本发明实施例提供一种地层元素测井曲线重构装置，用以对地层元素测井曲线进行重构，提高对地层矿物的分辨能力，计算精度以及可靠性，满足储层评价的需要，该装置包括：
8.曲线获得模块，用于获得研究区的第一测井曲线和第二测井曲线，其中所述第一测井曲线根据常规测井曲线集确定，所述第二测井曲线根据数据库中记录的岩屑元素含量数据确定，所述岩屑元素含量数据根据岩屑录井分析获得；
9.曲线确定模块，用于根据研究区的第一测井曲线和预先建立的机器学习模型，确定第三测井曲线，所述第三测井曲线是机器学习模型预测出的研究区各元素含量曲线，所述机器学习模型根据研究区的历史第一测井曲线和历史第三测井曲线预先建立，所述历史第三测井曲线根据历史元素俘获能谱确定；
10.曲线重构模块，用于根据所述第二测井曲线和第三测井曲线，进行地层元素测井曲线重构。
11.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并
可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述地层元素测井曲线重构方法。
12.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述地层元素测井曲线重构方法的计算机程序。
13.本发明实施例通过获得研究区的第一测井曲线和第二测井曲线，其中所述第一测井曲线根据常规测井曲线集确定，所述第二测井曲线根据数据库中记录的岩屑元素含量数据确定，所述岩屑元素含量数据根据岩屑录井分析获得；根据研究区的第一测井曲线和预先建立的机器学习模型，确定第三测井曲线，所述第三测井曲线是机器学习模型预测出的研究区各元素含量曲线，所述机器学习模型根据研究区的历史第一测井曲线和历史第三测井曲线预先建立，所述历史第三测井曲线根据历史元素俘获能谱确定；根据所述第二测井曲线和第三测井曲线，进行地层元素测井曲线重构。本发明实施例根据研究区的历史第一测井曲线和历史第三测井曲线预先建立机器学习模型，并根据研究区的第一测井曲线和预先建立的机器学习模型确定第三测井曲线，从而在无元素俘获能谱测井段可以利用机器学习模型和第一测井曲线准确预测出各元素含量曲线，得到高分辨率形态的测井曲线，然后结合第二测井曲线的整体趋势得到重构的地层元素测井曲线，有效避免了现有测井曲线地层矿物元素分辨能力不足的问题，提高对地层矿物的分辨能力，计算精度以及可靠性，满足储层评价的需要。
附图说明
14.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的前提下，还可以根据这些附图获得其他的附图。在附图中：
15.图1为本发明实施例中地层元素测井曲线重构方法的示意图；
16.图2为本发明实施例中通过常规测井数据预测的元素含量曲线与实际元素俘获能谱测井测量得到的元素俘获能谱测井曲线的对比图；
17.图3为本发明实施例中在无元素测井资料井段各元素含量曲线重构效果图；
18.图4为本发明实施例中在无元素测井段利用重构获得的高分辨率元素含量及常规测井资料综合处理获得的地层岩性剖面结果图；
19.图5为本发明实施例中地层元素测井曲线重构装置的结构图；
20.图6为本发明实施例中地层元素测井曲线重构装置的结构图；
21.图7为本发明实施例中地层元素测井曲线重构装置的结构图。
具体实施方式
22.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
23.如前所述，目前利用测井方法确定地层组分含量主要依据各矿物、流体和自然伽马、密度、中子等测井曲线的响应关系进行计算。在碳酸盐岩、火山岩、泥页岩等复杂岩性储
层中，测井响应特征往往具有多解性，常规测井曲线对地层矿物分辨能力明显不足，计算出的矿物成分类型有限，精度较低，不能满足储层评价的需要。元素俘获能谱测井(下简称元素测井)能够测量获得组成地层岩石的各种元素信息，为准确计算地层矿物含量提供了新的技术手段，但受生产时效、测井采集成本因素的影响，通常只能在重点探井主要目标层段进行部分测量，资料在全井段缺乏连续性和可对比性。岩屑元素录井(下简称元素录井)是近年来发展起来的新型录井技术，它利用x射线荧光分析仪器，直接分析钻井过程中返回岩屑的元素构成，从而获得al、si、mg、ca等常见地层元素的含量。由于元素录井成本较低，直接对钻井岩屑采样分析，全井段连续性较好，因而得到了迅速推广。通过多井资料对比表明，元素录井与元素测井获得的al、si、mg、ca等常见地层元素曲线在地层岩性变化趋势、响应值大小等方面都具有较好的对应关系。但受取样条件等因素限制，元素录井曲线分辨率较低，采样通常间隔为1m，元素测井及常规测井曲线采样间隔一般为0.1m，无法反映地层元素及岩性的精细变化；同时由于分辨率不匹配，无法和常规等其它测井曲线进行联合处理，只能用于地层矿物含量半定量计算和评价，通过元素录井获得元素含量曲线虽然也能用经验模型计算获得地层矿物含量，但分辨率较低，无法用于高分辨率测井资料的定量评价。
24.为了对地层元素测井曲线进行重构，提高对地层矿物的分辨能力，计算精度以及可靠性，满足储层评价的需要，本发明实施例提供一种地层元素测井曲线重构方法，如图1所示，该方法可以包括：
25.步骤101、获得研究区的第一测井曲线和第二测井曲线，其中所述第一测井曲线根据常规测井曲线集确定，所述第二测井曲线根据数据库中记录的岩屑元素含量数据确定，所述岩屑元素含量数据根据岩屑录井分析获得；
26.步骤102、根据研究区的第一测井曲线和预先建立的机器学习模型，确定第三测井曲线，所述第三测井曲线是机器学习模型预测出的研究区各元素含量曲线，所述机器学习模型根据研究区的历史第一测井曲线和历史第三测井曲线预先建立，所述历史第三测井曲线根据历史元素俘获能谱确定；
27.步骤103、根据所述第二测井曲线和第三测井曲线，进行地层元素测井曲线重构。
28.由图1所示可以得知，本发明实施例通过获得研究区的第一测井曲线和第二测井曲线，其中所述第一测井曲线根据常规测井曲线集确定，所述第二测井曲线根据数据库中记录的岩屑元素含量数据确定，所述岩屑元素含量数据根据岩屑录井分析获得；根据研究区的第一测井曲线和预先建立的机器学习模型，确定第三测井曲线，所述第三测井曲线是机器学习模型预测出的研究区各元素含量曲线，所述机器学习模型根据研究区的历史第一测井曲线和历史第三测井曲线预先建立，所述历史第三测井曲线根据历史元素俘获能谱确定；根据所述第二测井曲线和第三测井曲线，进行地层元素测井曲线重构。本发明实施例根据研究区的历史第一测井曲线和历史第三测井曲线预先建立机器学习模型，并根据研究区的第一测井曲线和预先建立的机器学习模型确定第三测井曲线，从而在无元素俘获能谱测井段可以利用机器学习模型和第一测井曲线准确预测出各元素含量曲线，得到高分辨率形态的测井曲线，然后结合第二测井曲线的整体趋势得到重构的地层元素测井曲线，有效避免了现有测井曲线地层矿物元素分辨能力不足的问题，提高对地层矿物的分辨能力，计算精度以及可靠性，满足储层评价的需要。
29.具体实施时，获得研究区的第一测井曲线和第二测井曲线，其中所述第一测井曲
线根据常规测井曲线集确定，所述第二测井曲线根据数据库中记录的岩屑元素含量数据确定，所述岩屑元素含量数据根据岩屑录井分析获得。
30.实施例中，第二测井曲线根据数据库中记录的岩屑元素含量数据确定，岩屑元素含量数据根据岩屑录井分析获得。通过岩屑录井能够分析记录的钻井返回到地表的岩屑元素含量数据，受现场条件等因素限制，通常每隔1m选取标志性岩屑样品进行分析，通过分析通常能够确定al、si、mg、ca、fe、k、na、p、s等17种元素的重量百分含量，根据样品分析的间隔，这些元素含量曲线的采样间隔可以为1m。
31.实施例中，第一测井曲线根据常规测井曲线集确定，第一测井曲线包括：自然伽马、伽马能谱、电阻率、三孔隙度其中之一或任意组合，其曲线采样间隔的取值范围可以为(0.0762m，0.1524m)。
32.实施例中，还对研究区相关的岩心分析资料进行收集整理，主要是对岩心全岩分析获得岩石元素和矿物组分，用于对本发明实施例结果进行进一步验证。
33.实施例中，根据地层岩心分析资料及对研究区地质条件的认识，确定地层岩石的矿物组成、包含的主要元素类型以及常规测井响应和元素含量的分布范围。通常在碎屑岩地层中，主要地层矿物包括粘土、石英、正长石、斜长石、碳酸盐岩以及黄铁矿等，主要的造岩元素包括al、si、mg、ca、fe、k、na、s等。在碳酸盐岩地层中，主要地层矿物包括粘土、石英、方解石、白云石、硬石膏等，主要的造岩元素包括al、si、mg、ca、fe、s等。同理如果能够获得这些元素的含量，就能准确确定地层矿物的含量。
34.具体实施时，根据研究区的第一测井曲线和预先建立的机器学习模型，确定第三测井曲线，所述第三测井曲线是机器学习模型预测出的研究区各元素含量曲线，所述机器学习模型根据研究区的历史第一测井曲线和历史第三测井曲线预先建立，所述历史第三测井曲线根据历史元素俘获能谱确定。
35.实施例中，历史第三测井曲线根据历史元素俘获能谱确定，历史元素俘获能谱测井能够在井下测井获得连续的地层al、si、mg、ca、fe、k、na等18种元素的重量百分含量，其采样间隔的取值范围可以为(0.0762m，0.1524m)。
36.实施例中，由于测井原理、物理响应特征的差异，不同常规测井曲线、元素含量曲线量纲不同、响应值也差异较大，在对机器学习模型训练、测试和应用前应对参与模型运算的输入曲线进行归一化。归一化的目标区间为[0,1]，转换的方法如下式所示：
[0037][0038]
其中，xi表示归一化前某曲线在某个深度点的值；x
i*
表示归一化后的值；x
max
、x
min
分别表示通过给定的该条测井曲线响应最大值和最小值。
[0039]
在完成数据归一化处理后，根据常规测井组合建立各元素含量曲线学习和重构的机器学习模型。常用机器学习模型包括线性回归、支持向量机(svm)、多层神经网络(mlp)等，其模型结构可表示为输入层、隐藏层及输出层。输入层负责接收信号，隐藏层负责对数据的分解与处理，最后的结果被整合到输出层。在建立机器学习模型后，利用已有元素俘获能谱测井段的元素测井曲线数据对模型进行训练和验证，模型训练的过程实质上是利用已知的元素测井曲线数据和常规测井曲线数据确定机器学习模型的参数(即建立常规测井数据和元素测井数据之间的对应关系)，从而在未知元素测井曲线数据的情况下，实现利用常
规测井曲线预测出合理的元素测井曲线。在模型训练过程中，可对待训练的数据随机提取一定百分比η用于验证模型的收敛程度(一般η＝0.2)。对于神经网络模型，通常采用后向传播算法进行梯度更新，得到模型隐藏层及输出层中各个权重和偏置参数，使实际测定的目标曲线和模型预测的曲线差异达到最小，其目标函数可表示为：
[0040][0041]
其中，loss(y
pred
,dataseq_y)表示实际测定的目标曲线和模型预测的曲线差异的代价函数；y
pred
表示模型预测的曲线值；dataseq_y表示实际测定的目标曲线值。
[0042]
通常，如果loss(y
pred
,dataseq_y)低于预设阈值，且不随训练次数增加而下降，那么认为模型收敛，此时获得的权重和偏置参数即可认为是模型训练得到的最优参数。模型验证阶段，利用对上述训练完成的模型权重和偏置参数，获得模型预测的目标曲线，然后与输入的实际元素测井曲线进行差异计算，当差异值在可接受的范围内，且变化趋势与训练阶段类似时，认为模型参数稳定，没有发生过拟合现象，可用于后续实际资料的预测和处理。
[0043]
具体实施时，根据所述第二测井曲线和第三测井曲线，进行地层元素测井曲线重构。
[0044]
实施例中，地层元素测井曲线重构方法还包括：获得研究区的第一测井曲线之后，确定所述历史第一测井曲线和历史第三测井曲线的相关系数；根据所述相关系数，对研究区的第一测井曲线进行选取；根据研究区的第一测井曲线和预先建立的机器学习模型，确定第三测井曲线包括：根据选取后的第一测井曲线和预先建立的机器学习模型，确定第三测井曲线。
[0045]
本实施例中，历史第一测井曲线也即历史常规测井曲线，历史第三测井曲线也即历史元素测井曲线，历史第一测井曲线包括声波时差(ac)、中子(cnl)、密度(den)、自然伽马(gr)、去铀伽马(cgr)、深电阻率(rd)、浅电阻率(rs)、光电吸咐截面指数(pe)等曲线，记为xi，历史第三测井曲线包括铝元素(al)、钙元素(ca)、铁元素(fe)、镁元素(mg)、硅元素(si)，记为yj，i表示曲线次序(1≤i≤n,n为历史第一测井曲线总条数)，j也表示曲线次序(1≤j≤k,j为历史第三测井曲线总条数)。在同时测量有历史第一测井曲线与历史第三测井曲线的井段，假设任意xi和yj的皮尔逊相关系数相ρ
ij
(i＝1,2,...,n；j＝1,2,...,k)存在，则以ρ
ij
为元素的n
×
k阶矩阵称为该维随机向量的相关矩阵，记作r，表示为：
[0046][0047]
其中，cov(xi,yj)＝e[(x
i-e(xi))(y
j-e(yj))]，e(xi)和e(yj)表示xi和yj变量的期望，d(xi)和d(yj)表示xi和yj变量的方差。
[0048]
通过相关矩阵中对应行列的相关系数即可对历史第一测井曲线和历史第三测井曲线之间的相关性进行直观定量评价，一般当相关系数0≤|ρ
ij
|＜0.3，表示两条曲线之间相关程度较低，当相关系数0.3≤|ρ
ij
|＜0.8，表示两条曲线之间相关程度中等，当相关系数
0.8≤|ρ
ij
|≤1，表示两条曲线之间相关程度高。通过设定相关系数阈值，即可优选确定相关性高的常规测井组合进行各元素含量曲线预测，也即根据所述相关系数，对研究区的第一测井曲线进行选取。
[0049]
实施例中，根据所述第二测井曲线和第三测井曲线，进行地层元素测井曲线重构，包括：根据第三测井曲线及对应的分辨率，对第二测井曲线进行分辨率调整处理；对第三测井曲线进行滑动平均滤波处理；根据分辨率调整处理后的第二测井曲线和滑动平均滤波处理后的第三测井曲线，进行地层元素测井曲线重构。
[0050]
实施例中，地层元素测井曲线重构方法还包括：对研究区的第一测井曲线进行归一化处理；根据研究区的第一测井曲线和预先建立的机器学习模型，确定第三测井曲线，包括：根据归一化处理后的第一测井曲线和预先建立的机器学习模型，确定第三测井曲线。由于测井原理、物理响应特征的差异，不同常规测井曲线、元素含量曲线量纲不同、响应值也差异较大，在对机器学习模型训练、测试和应用前应对参与模型运算的输入曲线进行归一化。通过确定常规测井响应和元素含量的分布范围可以为曲线的归一化提供依据。
[0051]
实施例中，在无元素测井资料的井段，根据常规测井曲线预测获得各元素含量曲线。已知常规测井曲线值，输入到训练完成的机器学习模型中，即可获得对应的元素测井预测曲线。需要注意的是，输入到机器学习模型中的常规测井曲线数据同样需要归一化处理，模型输出的预测结果需要进行反归一化处理才能恢复到正常元素测井响应分布范围的预测曲线。反归一化处理公式如下式：
[0052][0053]
其中，y
pred0i
为根据某元素曲线在某深度点根据机器学习模型输出的预测结果；y
max
、y
min
为给定的该条元素测井曲线最大响应值和最小响应值；为反归一化处理后恢复到正常测井响应分布范围的预测元素曲线值。
[0054]
实施例中，根据分辨率调整处理后的第二测井曲线和滑动平均滤波处理后的第三测井曲线，进行地层元素测井曲线重构，包括：计算分辨率调整处理后的第二测井曲线和滑动平均滤波处理后的第三测井曲线的差值曲线；根据机器学习模型预测出的研究区各元素含量曲线，所述差值曲线，以及预设的增强比例系数，得到重构后的地层元素测井曲线。
[0055]
本实施例中，综合预测得到的第三测井曲线(也即各素含量曲线的高分辨率形态)，以及第二测井曲线(岩屑录井记录的各元素含量曲线的整体趋势)，进行地层元素测井曲线重构。预测得到的第三测井曲线的分辨率与常规测井曲线一致，通常为0.1m。由于常规测井与元素测井本身测量原理、岩石物理特征的差异性，采用常规测井曲线通过机器学习模型预测获得的元素测井测井曲线与地层真实元素含量在绝对值上会存在一定的差异，但在地层矿物、元素发生变化处，常规测井曲线也会有响应变化，因此采用常规测井曲线通过机器学习模型预测获得的元素测井测井曲线能够反映地层真实元素含量的细微变化形态。而岩屑录井受取样条件等因素限制，第二测井曲线分辨率较低(通常为1m)，无法反映地层元素及岩性的精细变化，由于它是直接对地层岩石碎屑进行取样测量，其值反映了地层在1m范围内各元素含量的绝对大小。将通过常规测井预测的各元素高分辨率形态与元素录井测量的各元素整体趋势相结合，获得最终的各元素高分辨率含量曲线。
[0056]
设通过岩屑录井分析获得的某元素曲线为y
c-low
，其分辨率为r
low
，通过机器学习模型预测得到的某元素曲线为y
pred
，其分辨率为r
high
。首先通过线性插值、二次插值或多项式
插值等方法，将岩屑录井分析获得的元素曲线插值到与预测曲线分辨率一致，记为y
c-high
。然后，对预测的元素曲线y
pred
实施窗口大小为k_win滑动平均滤波的操作得到y
pred_mean
，其中，3≤k_win≤r
low
/r
high
，则预测元素曲线与元素录井曲线之间的差异可通过下式计算：
[0057][0058]
设趋势系数p，取值在[0.01,1]区间内，趋势系数取值不同，表示趋势增加幅度不同。则最终元素高分辨率含量曲线为：
[0059][0060]
通过重复对上述处理，可分别重构获得al、si、mg、ca、fe等常见地层元素的高分辨率含量曲线。根据各元素含量重构结果进行储层矿物含量定量计算，实际地层组成包括矿物组分和流体组分，根据常规测井及上述各元素含量重构曲线可建立地层响应方程组及最优化处理目标函数，进而计算地层岩石的矿物组分含量。常规测井系列所对应的响应方程可以表示如下：
[0061][0062]
其中，t
ck1
表示第k种常规测井曲线所对应的地层理论响应值；vi和vj分别表示地层各矿物、流体组分的体积百分含量；ri和rj分别表示各矿物、流体的测井响应参数；m和f表示地层岩石中所含矿物、流体的数目；i,j,k均为正整数。
[0063]
元素曲线所对应的响应方程可以表示如下：
[0064][0065]
其中，t
ck2
表示第k种元素曲线所对应的地层理论响应值；ρi表示第i种地层矿物的密度值，为常数。所建立的目标函数可以表示如下：
[0066]v*
＝argmin{f(v)}
ꢀꢀ
(9)
[0067][0068]
其中，t
ck1
、t
ck2
分别是某常规测井和某元素对应的地层理论响应值；t
mk1
、t
mk2
分别是对应实际常规测井响应值和重构的元素含量值；w
k1
、w
k2
分别是对应的常规和元素曲线在最优化模型中的权重系数，可以根据测井曲线质量确定；n1和n2分别是使用的常规测井曲线和元素曲线的数量。在建立目标函数后，即可采用最优化算法计算地层岩石中的矿物组分含量和流体组分含量。即将所获取的测井曲线所对应的理论测井响应值以及相应的实际测井响应值代入目标函数中；然后可以采用非线性最优化算法进行求解，即可计算出目标函数f(v)的数值；然后通过最优化方法，不断调整地层中各矿物组分和/或流体组分的体积百分含量，使目标函数f(v)的数值达到最小，此时各矿物组分和流体组分体积百分含量即为最终所确定的地层岩石中各矿物、流体组分含量。
[0069]
下面给出一个具体实施例，说明本发明实施例中地层元素测井曲线重构方法的具体应用。在本具体实施例中，首先，收集研究区岩屑元素录井、常规测井、元素俘获能谱测井等资料，岩屑元素录井资料包括岩屑分析获得的al、si、mg、ca、fe、k、na等元素的重量百分含量，其采样间隔与样品分析间隔相关，通常为1m。常规测井包括自然伽马、伽马能谱、电阻
率、三孔隙度等测井系列，采样间隔通常为1m。元素俘获能谱测井资料包括测井获得的al、si、mg、ca、fe、k、na等元素的重量百分含量，其采样间隔与常规测井相近，可以为(0.0762m，0.1524m)。同时对研究区相关的岩心分析资料进行收集整理，主要是对岩心全岩分析获得岩石元素和矿物组分，可对本发明结果进行进一步验证。
[0070]
然后，确定地层待重建元素类型及含量分布范围，根据地层岩心分析等资料及对研究区地质条件的认识，确定地层岩石的主要矿物及微量矿物成分，据此确定地层待重建元素类型。通常在碎屑岩地层中，主要地层矿物包括粘土、石英、正长石、斜长石、碳酸盐岩以及黄铁矿等，主要的造岩元素包括al、si、mg、ca、fe、k、na、s等。在碳酸盐岩地层中，主要地层矿物包括粘土、石英、方解石、白云石、硬石膏等，主要的造岩元素包括al、si、mg、ca、fe、s等。不同地层的矿物及元素含量响应范围差异较大，如si元素曲线，在碎屑岩地层中，si含量响应通常在30～45％之间，而在碳酸盐岩地层中，si含量较低，一般低于10％。通过对地层矿物组成以及对常规、元素测井曲线值分布范围的的认识、分析，可确定出待重建元素类型及含量分布范围。以浙江油田a井资料为例，该井在4570-5040m井段内同时测量了常规、元素测井，区域地质认识表明该井地层岩性以砂泥岩和碳酸盐岩为主，主要岩性包括泥岩、砂岩、灰岩、白云岩等，主要造岩元素包括al、si、mg、ca、fe、k、na、s等，同时根据地层评价要求对碳酸盐岩和碎屑岩进行识别和计算，必需的地层元素为al、si、mg、ca四种。根据资料分布，自然伽马gr响应值在0-300api之间，深、浅电阻率rd响应值在0-100000ohmm之间，密度测井响应值在2-3g/cm3之间，中子测井响应值在-0.15-0.45pu之间，声波测井响应值在40-140us/ft之间，al、si、mg、ca元素测井分布在0-40％之间。
[0071]
进而，优选用于各元素曲线预测的常规测井组合，以浙江油田a井资料为例，本井在4861-5183m井段常规测井曲线包括声波时差(ac)、中子(cnl)、密度(den)、自然伽马(gr)、深电阻率(rd)、浅电阻率(rs)等曲线，根据待重建的元素包括铝元素(al)、钙元素(ca)、镁元素(mg)、硅元素(si)曲线。根据该井段声波时差(ac)、中子(cnl)、密度(den)、自然伽马(gr)、深电阻率(rd)、浅电阻率(rs)六条常规测井曲线以及元素俘获能谱测井测量获得的铝元素(al)、钙元素(ca)、镁元素(mg)、硅元素(si)四条元素测井曲线，计算各曲线相关系数矩阵，如表1所示：
[0072]
表1
[0073]
相关系数alcamgsiac0.674066-0.644922-0.7111490.732434cnl0.508511-0.451711-0.380430.408762den-0.7166190.5587870.632451-0.621415gr0.880503-0.719692-0.7249830.734194rd-0.1829430.1885140.114054-0.230089rs-0.1825720.1867240.114986-0.229687
[0074]
从表中可见，自然伽马(gr)、密度(den)、声波时差(ac)、中子(cnl)四条曲线与铝元素(al)、钙元素(ca)、镁元素(mg)、硅元素(si)元素曲线相关性均较好，特别是自然伽马(gr)曲线与铝元素(al)相关系数达到0.88以上，据此选定用于各元素曲线预测的常规测井组合如下：
[0075]
预测铝元素(al)采用常规曲线包括自然伽马(gr)、密度(den)、声波时差(ac)、中
子(cnl)以及深电阻率(rd)；
[0076]
预测钙元素(ca)采用常规曲线包括自然伽马(gr)、密度(den)、声波时差(ac)、中子(cnl)以及深电阻率(rd)；
[0077]
预测镁元素(mg)采用常规曲线包括自然伽马(gr)、密度(den)、声波时差(ac)、中子(cnl)；
[0078]
预测硅元素(si)采用常规曲线包括自然伽马(gr)、密度(den)、声波时差(ac)、中子(cnl)以及深电阻率(rd)。
[0079]
然后，建立利用常规测井曲线预测地层各元素含量曲线的机器学习模型，并利用已有元素俘获能谱测井段的元素测井曲线数据对模型进行训练和验证。首先，根据常规、元素测井响应范围，采用归一化公式，将各曲线归一化到[0,1]区间，需要注意的是，电阻率曲线通常为对数刻度，需将其求取对数后再进行归一化处理。然后，建立各常规测井曲线预测地层各元素含量曲线的机器学习模型。本发明实施采用lstm(long short term memory networks，长短期记忆网络)结合gru(gated recurrent units，门递归单元)建立学习模型。模型总体结构采用4个网络层layer，每层网络由一个lstm单元加一个gru单元构成。在输入层，节点数input_dim与使用的常规测井曲线条数一致；隐藏层每层的神经元数量hidden_unit取hidden_unit＝2
×
input_dim 1。网络的最后一层为全连接层，全连接层的输出为y
pred
。在模型训练过程中，采用4861-5100m井段常规测井及元素俘获能谱测井资料作为训练数据(每米井段包括10个数据点)，5100-5183m井段数据作为模型收敛程度的验证数据。对模型训练过程通过后向传播算法进行梯度更新，同时为了防止神经网络模型过拟合，还需要在每个layer层之后加入dropout进行控制。dropout以概率p舍弃神经元并让其它神经元以概率q＝1-p保留，p可设置为0.1。初始的学习率learning_rate为0.01，优化方法使用的是adam，adam通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率。整个模型基于tensorflow框架完成搭建和模型训练。通过在训练和验证的数据对应的损失代价函数值观察，损失代价函数值随迭代周期轮数的变化趋势均不断下降，证明模型学习良好，模型参数稳定可靠，没有发生过拟合现象，可用于后续实际资料的预测和处理。图2是模型训练完成后，在5100-5183m验证数据中通过常规测井数据预测的元素含量曲线与实际元素俘获能谱测井测量得到的元素俘获能谱测井曲线的对比。图2中第二至六道分别是自然伽马(gr)、深电阻率(rd)、声波时差(ac)、中子(cnl)以及密度(den)曲线，第七道是模型预测的铝元素(al)含量(虚线)与元素测井铝元素(al)含量(实线)，第八道是模型预测的硅元素(si)含量(虚线)与元素测井硅元素(si)含量(实线)，第九道是模型预测的钙元素(ca)含量(虚线)与元素测井钙元素(ca)含量(实线)，第十道是模型预测的镁元素(mg)含量(虚线)与元素测井镁元素(mg)含量(实线)。从对比结果可见。模型预测结果与元素测井实测结果在变化趋势上具有一致性，但在绝对值上存在一定的差异。
[0080]
进而，在无元素俘获能谱测井段，利用训练完成的机器学习模型，根据常规测井曲线预测获得各元素含量曲线，利用上述训练完成的机器学习模型，在无元素测井资料的井段，根据常规测井曲线预测获得各元素含量曲线。此时已知常规测井曲线值，输入到训练完成的机器学习模型中，即可获得对应的元素测井预测曲线。图3是在无元素测井资料井段各元素含量曲线重构效果图。图3中第二至六道分别是自然伽马(gr)、深电阻率(rd)、声波时差(ac)、中子(cnl)以及密度(den)曲线，第八至十一道是铝元素(al)、硅元素(si)、钙元素
(ca)及镁元素(mg)含量(虚线)及对应元素录井获得的各元素含量(实线)。在获得该结果后，可通过后续处理进一步提升元素含量重构曲线的精度。
[0081]
进而，综合常规测井预测的各素含量曲线的高分辨率形态以及岩屑录井记录的各元素含量曲线的整体趋势，确定最终的各元素含量曲线，在无元素测井资料的井段采用常规测井资料重构获得各元素含量曲线，但由于测量原理本身的差异性，其真实值与实际地层元素含量还存在一定的差异。通过本步骤处理，将通过常规测井预测的各元素高分辨率形态与元素录井测量的各元素整体趋势相结合，获得最终的各元素高分辨率含量曲线。本井处理中，通过岩屑录井分析获得的铝(al)、硅(si)、钙(ca)、镁(mg)元素曲线采样间隔r
low
＝1m，通过预测的元素曲线为r
low
＝0.1m，首先通过二次插值方法，将岩屑录井分析获得的元素曲线插值到0.1m。然后，分别对预测的铝(al)、硅(si)、钙(ca)、镁(mg)元素曲线进行滑动平均滤波，滤波窗长为11。在此基础上，可分别计算得到插值后的元素录井的铝(al)、硅(si)、钙(ca)、镁(mg)元素曲线和滑动平均滤波后的模型预测铝(al)、硅(si)、钙(ca)、镁(mg)元素曲线之间的差值设定趋势系数p＝1，则最终各元素高分辨率含量曲线图3中第十三至十六道是元素录井的铝元素(al)、硅元素(si)、钙元素(ca)及镁元素(mg)含量(实线)及经过本发明处理后的最终各元素高分辨率含量曲线(虚线)对比，从图3中可见，各元素含量曲线与元素录井得到的各元素含量曲线整体趋势和幅度上基本一致，但本发明重构得到的各元素含量曲线明显分辨率更高，能够反映出细微的元素含量变化。
[0082]
进而，利用重构完成各元素含量曲线进行储层矿物含量定量计算。基于重构获得的高分辨率的各元素含量曲线即可结合常规测井曲线进行储层矿物含量定量计算。a井地层岩性以泥岩、砂岩、灰岩、白云岩为主，建立的地层矿物、流体组分包括粘土、石英、方解石、白云石、气和水，采用重构获得的高分辨率铝(al)、硅(si)、钙(ca)、镁(mg)结合常规测井自然伽马(gr)、深电阻率(rd)、浅电阻率(rd)、声波时差(ac)、中子(cnl)以及密度(den)曲线建立地层响应方程组进行最优化求解。图4是a井在无元素测井段利用重构获得的高分辨率元素含量及常规测井资料综合处理获得的地层岩性剖面结果。图4中第二至六道为常规测井自然伽马(gr)、深电阻率(rd)、浅电阻率(rd)、声波时差(ac)、中子(cnl)以及密度(den)曲线，第八至第十一道为本发明重构获得的高分辨率铝(al)、硅(si)、钙(ca)、镁(mg)元素曲线，第十二道为计算获得的地层矿物含量曲线。通过结合本发明重构的元素含量曲线，不仅能够提升粘土、方解石、白云石矿物含量的计算精度，同时还能对传统仅依靠常规测井曲线难以识别的石英、硬石膏等矿物含量进行准确确定，从而有效提升了复杂储层中地层矿物类型的识别能力以及矿物含量的计算精度。
[0083]
基于同一发明构思，本发明实施例还提供了一种地层元素测井曲线重构装置，如下面的实施例所述。由于这些解决问题的原理与地层元素测井曲线重构方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
[0084]
图5为本发明实施例中地层元素测井曲线重构装置的结构图，如图5所示，该装置包括：
[0085]
曲线获得模块501，用于获得研究区的第一测井曲线和第二测井曲线，其中所述第一测井曲线根据常规测井曲线集确定，所述第二测井曲线根据数据库中记录的岩屑元素含
量数据确定，所述岩屑元素含量数据根据岩屑录井分析获得；
[0086]
曲线确定模块502，用于根据研究区的第一测井曲线和预先建立的机器学习模型，确定第三测井曲线，所述第三测井曲线是机器学习模型预测出的研究区各元素含量曲线，所述机器学习模型根据研究区的历史第一测井曲线和历史第三测井曲线预先建立，所述历史第三测井曲线根据历史元素俘获能谱确定；
[0087]
曲线重构模块503，用于根据所述第二测井曲线和第三测井曲线，进行地层元素测井曲线重构。
[0088]
一个实施例中，如图6所示，图5的地层元素测井曲线重构装置还包括：
[0089]
相关系数确定模块504，用于获得研究区的第一测井曲线之后，确定所述历史第一测井曲线和历史第三测井曲线的相关系数；
[0090]
曲线选取模块505，用于根据所述相关系数，对研究区的第一测井曲线进行选取；
[0091]
所述曲线确定模块502进一步用于：根据选取后的第一测井曲线和预先建立的机器学习模型，确定第三测井曲线。
[0092]
一个实施例中，所述曲线重构模块503进一步用于：
[0093]
根据第三测井曲线及对应的分辨率，对第二测井曲线进行分辨率调整处理；
[0094]
对第三测井曲线进行滑动平均滤波处理；
[0095]
根据分辨率调整处理后的第二测井曲线和滑动平均滤波处理后的第三测井曲线，进行地层元素测井曲线重构。
[0096]
一个实施例中，所述曲线重构模块503进一步用于：
[0097]
计算分辨率调整处理后的第二测井曲线和滑动平均滤波处理后的第三测井曲线的差值曲线；
[0098]
根据机器学习模型预测出的研究区各元素含量曲线，所述差值曲线，以及预设的增强比例系数，得到重构后的地层元素测井曲线。
[0099]
一个实施例中，如图7所示，图6的地层元素测井曲线重构装置还包括：
[0100]
归一化模块506，用于对研究区的第一测井曲线进行归一化处理；
[0101]
所述曲线确定模块502进一步用于：根据归一化处理后的第一测井曲线和预先建立的机器学习模型，确定第三测井曲线。
[0102]
一个实施例中，所述第一测井曲线包括：自然伽马、伽马能谱、电阻率、三孔隙度其中之一或任意组合。
[0103]
综上所述，本发明实施例通过获得研究区的第一测井曲线和第二测井曲线，其中所述第一测井曲线根据常规测井曲线集确定，所述第二测井曲线根据数据库中记录的岩屑元素含量数据确定，所述岩屑元素含量数据根据岩屑录井分析获得；根据研究区的第一测井曲线和预先建立的机器学习模型，确定第三测井曲线，所述第三测井曲线是机器学习模型预测出的研究区各元素含量曲线，所述机器学习模型根据研究区的历史第一测井曲线和历史第三测井曲线预先建立，所述历史第三测井曲线根据历史元素俘获能谱确定；根据所述第二测井曲线和第三测井曲线，进行地层元素测井曲线重构。本发明实施例根据研究区的历史第一测井曲线和历史第三测井曲线预先建立机器学习模型，并根据研究区的第一测井曲线和预先建立的机器学习模型确定第三测井曲线，从而在无元素俘获能谱测井段可以利用机器学习模型和第一测井曲线准确预测出各元素含量曲线，得到高分辨率形态的测井
曲线，然后结合第二测井曲线的整体趋势得到重构的地层元素测井曲线，有效避免了现有测井曲线地层矿物元素分辨能力不足的问题，提高对地层矿物的分辨能力，计算精度以及可靠性，满足储层评价的需要。
[0104]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0105]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0106]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0107]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0108]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。