基于岩石物理知识确定储层孔隙度的方法、装置及设备与流程

1.本技术涉及石油勘探开发技术领域，特别涉及一种基于岩石物理知识确定储层孔隙度的方法、装置及设备。


背景技术：

2.储层评价是储层研究的重要环节，也是油气勘探开发的重要研究内容。孔隙度作为储层评价的重要物性参数之一，它的准确评估对储层评价变得越来越重要。
3.由于孔隙度的大小受很多不同地质因素的影响，如构造位置、埋藏深度、成岩程度、沉积环境、岩性变化等。现有技术中，主要通过人工智能数据驱动方法确定储层孔隙度。这种方式选择测井数据作为输入，人工精细解释的孔隙度曲线作为标签，利用人工智能数据驱动算法建立多种测井属性与孔隙度的非线性关系从而进行孔隙度预测。然而，由于不同岩性中测井曲线与孔隙度的非线性关系相差较大，这样单纯利用数据驱动的人工智能算法对不同岩性的非线性关系拟合效果较差，从而会降低孔隙度预测的准确度。此外，由于通过钻井获取测井数据的成本比较高，且存在严重的少标签和样本不均衡等瓶颈问题，这样也会降低利用人工智能数据驱动方法预测孔隙度的准确度。
4.因此，业内亟需一种可以解决上述技术问题的技术方案。


技术实现要素：

5.本说明书实施例提供了一种基于岩石物理知识确定储层孔隙度的方法、装置及设备，不仅可以更好地预测复杂储层的孔隙度以及不同岩性的孔隙度，而且可以大幅度地提高岩石孔隙度预测精度。
6.本说明书提供的基于岩石物理知识确定储层孔隙度的方法、装置及设备包括以下实现方式。
7.基于岩石物理知识确定储层孔隙度的方法，包括：获取目标岩性类别的测井数据集；其中，所述测井数据集中每条测井数据对应多种测井曲线；利用预设方式从所述测井数据集中筛选孔隙度指标；其中，所述孔隙度指标表示影响储层孔隙度的测井曲线；基于所述测井数据集中指定孔隙度指标对应的数据和孔隙度曲线，获得孔隙度估算曲线；将所述测井数据集中孔隙度指标对应的数据和所述孔隙度估算曲线输入集成孔隙度预测模型，获得目标岩性类别所对应储层的孔隙度；其中，所述集成孔隙度预测模型基于岩石物理信息对多个决策回归器约束训练获得。
8.基于岩石物理知识确定储层孔隙度的装置，包括：获取模块，用于获取目标岩性类别的测井数据集；其中，所述测井数据集中每条测井数据对应多种测井曲线；筛选模块，用于利用预设方式从所述测井数据集中筛选孔隙度指标；其中，所述孔隙度指标表示影响储层孔隙度的测井曲线；第一获得模块，用于基于所述测井数据集中指定孔隙度指标对应的数据和孔隙度曲线，获得孔隙度估算曲线；第二获得模块，用于将所述测井数据集中孔隙度指标对应的数据和所述孔隙度估算曲线输入集成孔隙度预测模型，获得目标岩性类别所对
应储层的孔隙度；其中，所述集成孔隙度预测模型基于岩石物理信息对多个决策回归器约束训练获得。
9.基于岩石物理知识确定储层孔隙度的设备，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现本说明书实施例中任意一个方法实施例的步骤。
10.本说明书提供的一种基于岩石物理知识确定储层孔隙度的方法、装置及设备。一些实施例中可以获取目标岩性类别的测井数据集，利用预设方式从测井数据集中筛选孔隙度指标；还可以基于测井数据集中指定孔隙度指标对应的数据和孔隙度曲线，获得孔隙度估算曲线，将测井数据集中孔隙度指标对应的数据和孔隙度估算曲线输入集成孔隙度预测模型，获得目标岩性类别所对应储层的孔隙度。由于综合利用具有岩性解释的测井数据与缺少岩性解释的测井数据，采用半监督聚类算法进行多种岩性的自动分类，不仅可以为孔隙度预测增加相控的先验信息，基于先验信息感知储层段与非储层段，而且可以将注意力集中于储层段的孔隙度预测，为后续储层段的孔隙度预测提供基础。由于预先训练获得了集成孔隙度预测模型，这样可以在提高砂岩孔隙度预测精度的同时，提高对砂岩孔隙度预测的效率。
附图说明
11.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，并不构成对本说明书的限定。在附图中：
12.图1为本说明书实施例提供的一种基于岩石物理知识确定储层孔隙度的流程示意图；
13.图2为本说明书实施例提供的w1井对应的测井数据；
14.图3为本说明书实施例提供的w2井对应的测井数据；
15.图4为本说明书实施例提供的w3井对应的测井数据；
16.图5为本说明书实施例提供的w4井对应的测井数据；
17.图6为本说明书实施例提供的w5井对应的测井数据；
18.图7为本说明书实施例提供的一种基于岩石物理交会图筛选岩性敏感属性的示意图；
19.图8为本说明书实施例提供的w5井的岩性解释结果和岩性识别结果的示意图；
20.图9为本说明书实施例提供的一种基于岩石物理交会图筛选孔隙度敏感属性的示意图；
21.图10为本说明书实施例提供的砂岩段的声波时差曲线与孔隙度的岩石物理交会图以及拟合结果示意图；
22.图11为本说明书实施例提供的获取储层段(砂岩)孔隙度的示意图；
23.图12为本说明书实施例提供的w5井的真实砂岩孔隙度与利用集成孔隙度预测模型获得的砂岩孔隙度的对比示意图；
24.图13为本说明书实施例提供的利用传统岩石物理交会与利用集成孔隙度预测模型预测砂岩孔隙度的对比示意图；
25.图14为本说明书实施例提供的基于集成孔隙度预测模型获得的w5井的相控孔隙
度与w5井的真实相控孔隙度的对比示意图；
26.图15为本说明书实施例提供的直接利用梯度提升树(gbdt)算法获得的w5井的孔隙度与w5井的真实相控孔隙度的对比示意图；
27.图16为本说明书实施例提供的一种基于岩石物理知识确定储层孔隙度的具体流程示意图；
28.图17为本说明书提供的一种基于岩石物理知识确定储层孔隙度的装置的一个实施例的模块结构示意图；
29.图18为本说明书提供的一种基于岩石物理知识确定储层孔隙度的服务器的一个实施例的硬件结构框图。
具体实施方式
30.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书中的一部分实施例，而不是全部的实施例。基于本说明书中的一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书实施例保护的范围。
31.下面以一个具体的应用场景为例对本说明书实施方案进行说明。具体的，图1为本说明书实施例提供的一种基于岩石物理知识确定储层孔隙度的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。
32.本说明书提供的一种实施方案可以应用到客户端、服务器等中。所述客户端可以包括终端设备，如智能手机、平板电脑等。所述服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式系统的服务器结构等。
33.需要说明的是，下述实施例描述并不对基于本说明书的其他可扩展到的应用场景中的技术方案构成限制。具体的一种实施例如图1所示，本说明书提供的一种基于岩石物理知识确定储层孔隙度的方法的一种实施例中，所述方法可以包括以下步骤。
34.s0：获取目标岩性类别的测井数据集；其中，所述测井数据集中每条测井数据对应多种测井曲线。
35.其中，目标岩性类别可以是砂岩(即储层段)或泥岩(即非储层段)等。测井数据集中可以包括多条测井数据，每条测井数据可以对应多种测井曲线。每种测井曲线可以理解为一种属性或指标。需要说明的是，本说明书实施例中，以目标岩性类别为砂岩为例进行示例性说明，对其他场景并不构成限定。
36.一些实施例中，测井曲线可以包括声波时差曲线、井径曲线、伽马曲线、微梯度电阻率曲线、2.5米底部梯度电阻率曲线、自然电位曲线、泥质含量曲线以及孔隙度曲线。当然，上述只是进行示例性说明，测井曲线不限于上述举例，所属领域技术人员在本技术技术精髓的启示下，还可能做出其它变更，如测井曲线可以包括声波时差曲线、井径曲线、伽马曲线、微梯度电阻率曲线、2.5米底部梯度电阻率曲线、自然电位曲线、泥质含量曲线，但只要其实现的功能和效果与本技术相同或相似，均应涵盖于本技术保护范围内。
37.一些实施例中，所述获取目标岩性类别的测井数据集，可以包括：获取初始测井数
据集；其中，所述初始测井数据集中每条测井数据对应多种测井曲线，所述初始测井数据集中包括已知岩性类别的测井数据和未知岩性类别的测井数据；利用预设方式从所述初始测井数据集中筛选岩性指标；其中，所述岩性指标表示影响储层岩性的测井曲线；基于所述岩性指标在所述初始测井数据集中所对应数据和已知岩性类别的测井数据，确定所述初始测井数据集中未知岩性类别的测井数据的类别，获得第一测井数据集；从所述第一测井数据集中获取目标岩性类别的测井数据集。
38.一些实施场景中，初始测井数据集中的测井数据可以通过测井仪器在井下测量得到，也可以通过其他方式获得，本说明书对此不作限定。
39.由于通过录井来解释岩性非常昂贵，因此很多井的测井曲线没有岩性解释曲线。所以一些实施场景中，初始测井数据集中可以包括少量已知岩性类别的测井数据和大量未知岩性类别的测井数据。
40.如图2-图6所示，分别表示实际工区的五口已钻井(分别命名为w1、w2、w3、w4与w5)对应的测井数据。其中，w1井与w5井具有岩性解释结果(即已知岩性类别)，测井数据中包括的测井曲线主要包括ac(声波时差曲线)、cal(井径曲线)、gr(伽马曲线)、ml2(微梯度电阻率曲线)、r25(2.5米底部梯度电阻率曲线)、sp(自然电位曲线)、vsh(泥质含量曲线)以及por(孔隙度曲线)，depth表示深度，单位米(m)。
41.由于在对储层长期的勘探与开发过程中，很难保证所有井的测井数据是用同一类型的仪器、相同的标准刻度器以及相同的操作方式等进行测量的，所以，为了减少各井所对应的测井数据间由于仪器性能和刻度不一致引起的误差，一些实施场景中，在获得每口井对应的测井数据后，可以对测井数据进行预处理。其中，预处理可以包括异常值去除、标准化处理等。
42.例如一些实施场景中，在获得每口井对应的测井数据后，可以去除测井曲线中的异常值(如空值nan，-999等)，然后按照下述公式对测井曲线进行标准化处理：
[0043][0044]
其中，x
*
为标准化后的测井曲线，x为标准化前的测井曲线，为测井曲线的平均值，σ为测井曲线的标准差。
[0045]
本说明书实施例，通过对测井数据进行预处理，获得高质量的测井数据，可以为后续提高储层孔隙度预测精度提供保障。
[0046]
一些实施场景中，在对测井数据进行预处理后，可以将预处理后的测井数据作为初始测井数据集，进一步可以从初始测井数据集中筛选岩性指标。其中，岩性指标可以表示影响储层岩性的测井曲线。岩性指标也可以称为岩性敏感属性。例如一些实施场景中，在获取初始测井数据集后，可以基于岩石物理交会图的方式对测井数据中的岩性敏感属性进行筛选。需要说明的是，本说明书实施例中岩性敏感属性从ac、cal、gr、ml2、r25、sp、vsh中筛选。如图7所示，为本说明书实施例提供的一种基于岩石物理交会图筛选岩性敏感属性的示意图。其中，横纵坐标分别为ac、cal、gr、ml2、r25、sp、vsh，每幅子图表示横纵坐标对应的两条曲线的交会图。根据岩石物理交会图可以直观知晓测井曲线对岩性划分的影响。本说明书一些实施场景中，岩性指标可以包括gr、ml2、r25、sp和vsh。当然，上述只是进行示例性说明，岩性指标不限于上述举例，例如，岩性指标还可以包括ml2、r25、sp和vsh，所属领域技术
人员在本技术技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本技术相同或相似，均应涵盖于本技术保护范围内。
[0047]
一些实施场景中，在确定岩性敏感属性后，可以基于岩性敏感属性在初始测井数据集中所对应数据和已知岩性类别的测井数据，确定初始测井数据集中未知岩性类别的测井数据的类别。
[0048]
一些实施场景中，所述基于所述岩性指标在所述初始测井数据集中所对应数据和已知岩性类别的测井数据，确定所述初始测井数据集中未知岩性类别的测井数据的类别，获得第一测井数据集，可以包括：基于已知岩性类别的测井数据，确定聚类簇数以及每一簇的中心点；计算岩性指标在所述初始测井数据集中所对应数据到每一簇中心点的距离；根据到每一簇中心点的距离，确定所述初始测井数据集中未知岩性类别的测井数据的类别，获得第一测井数据集。例如一些实施场景中，可以将已知岩性类别的测井数据中所包括的岩性类别数量确定为k均值算法中的k值(即聚类簇数)，然后基于已知岩性类别的测井数据确定初始簇中心点。进一步，分别计算岩性敏感属性所对应的数据点到每个簇中心点的距离，将各数据点分配到距离最近的簇(岩性类别)中。更新迭代次数，重新确定每个簇的中心点(记为“新簇中心点”)，并分别计算岩性敏感属性所对应的数据点到每个“新簇中心点”的距离，将各数据点分配到距离最近的簇(岩性类别)中。重复上述步骤，直到收敛或达到预设迭代次数，确定初始测井数据集中未知岩性类别的测井数据的类别，从而获得第一测井数据集。至此，第一测井数据集中每条测井数据都已知岩性类别。一些实施场景中，上述距离可以是闵可夫斯基距离，当然也可以是其他距离，本说明书对此不做限定。
[0049]
具体的，假设已知岩性类别的测井数据中所包括的岩性类别为砂岩和泥岩，则可以确定k均值算法中的k值为2。进一步，可以基于已知岩性类别的测井数据确定2个初始簇中心点，然后分别计算岩性敏感属性所对应的数据点到2个初始簇中心点的闵可夫斯基距离，将各数据点分配到2范数距离最近的岩性类别中。更新迭代次数，重新确定2个簇的中心点(记为“新簇中心点”)，并分别计算岩性敏感属性所对应的数据点到2个“新簇中心点”的闵可夫斯基距离，将各数据点分配到2范数距离最近的岩性类别中。重复上述步骤，直到达到预设迭代次数，确定初始测井数据集中未知岩性类别的测井数据的岩性类别，从而获得第一测井数据集。
[0050]
一些实施场景中，为了验证上述采用半监督聚类算法进行多种岩性的自动分类结果是否准确，可以利用w5井的测井数据对上述半监督聚类算法获得是岩性识别结果进行验证。具体的，在验证过程中，可以先基于w1井、w2井、w3井、w4井的测井数据中已知岩性类别的测井数据，确定聚类簇数以及每一簇的中心点，然后计算岩性指标在w5井的测井数据中所对应数据到每一簇中心点的距离，根据到每一簇中心点的距离，确定w5井的测井数据的类别。重复上述步骤，直到达到预设迭代次数，获得岩性识别结果。进一步，由于w5井的测井数据具有岩性解释结果(即已知岩性类别)，此时可以将获得岩性识别结果与岩性解释结果进行比较。如图8所示，为本说明书实施例提供的w5井的岩性解释结果和岩性识别结果的示意图。其中，横坐标表示深度范围，纵坐标无实际意义，下图表示w5井的岩性识别结果，颜色比较深的表示泥岩(mudstone)，颜色比较浅的表示砂岩(sandstone)。通过比较w5井的岩性解释结果和岩性识别结果，可知砂泥岩的识别准确率为91.01％，可见，通过半监督聚类算法可以较好地实现测井岩性的智能划分，从而可以为后续准确预测砂岩孔隙度提供基础。
[0051]
一些实施场景中，在获得第一测井数据集后，可以从第一测井数据集中获取目标岩性类别的测井数据集。具体的，可以从第一测井数据集中获取岩性类别为砂岩的测井数据集。
[0052]
一些实施场景中，从所述第一测井数据集中获取目标岩性类别的测井数据集后，还可以从第一测井数据集中获取非目标岩性类别的测井数据集；将所述非目标岩性类别的测井数据集中孔隙度曲线的值设置为预设值，获得非目标岩性类别所对应储层的孔隙度。
[0053]
在实际地层中通常会同时包含储层(即砂岩)与非储层(即泥岩)，由于泥岩的孔隙度远低于砂岩，在常规测井孔隙度解释中研究人员通常关注储层段(即砂岩)的孔隙度曲线解释。因此，一些实施场景中，针对上述半监督聚类的岩性识别结果(即第一测井数据集)，可以将泥岩的孔隙度设置为一个极小的常数(如0.1、0.3等)。然后，针对储层段(即砂岩)进行孔隙度智能预测。这样就可以结合实际专家认识，完成分段分岩性的孔隙度预测。
[0054]
本说明书实施例，通过模拟神经网络的注意力机制，综合利用具有岩性解释的测井数据与缺少岩性解释的测井数据，采用半监督聚类算法进行多种岩性的自动分类，实现测井砂泥岩的智能精细分类，不仅可以为孔隙度预测增加相控的先验信息，基于先验信息感知储层段与非储层段，而且可以将注意力集中于储层段的孔隙度预测，为后续储层段的孔隙度预测提供基础。其中，注意力机制主要可以用于提取图像重要特征让机器感知图像中重要部分与非重要部分。
[0055]
s2：利用预设方式从所述测井数据集中筛选孔隙度指标；其中，所述孔隙度指标表示影响储层孔隙度的测井曲线。
[0056]
一些实施例中，在获取目标岩性类别的测井数据集后，可以利用预设方式从所述测井数据集中筛选孔隙度指标。其中，预设方式可以包括岩石物理交会图的方式等。孔隙度指标可以表示影响储层孔隙度的测井曲线。孔隙度指标也可以称为孔隙度敏感属性。
[0057]
一些实施场景中，在从已知岩性类别的第一测井数据集中获取岩性类别为砂岩的测井数据集后，可以基于砂岩测井数据集的岩石物理交会图筛选孔隙度敏感属性。
[0058]
例如一些实施场景中，在从已知岩性类别的第一测井数据集中获取岩性类别为砂岩的测井数据集后，可以获取测井数据集中每种测井曲线所对应的岩石物理交会图，然后利用最小二乘法对岩石物理交会图进行拟合，获得交会图拟合线，进一步，根据交会图拟合线的斜率筛选孔隙度敏感属性。其中，斜率值越大表示测井曲线与孔隙度的相关性越好。如图9所示，为本说明书实施例提供的一种基于岩石物理交会图筛选孔隙度敏感属性的示意图。其中，纵坐标表示孔隙度，横坐标依次对应ac、cal、gr、ml2、r25、sp、vsh。本说明书一些实施场景中，孔隙度指标可以包括ac、cal、gr、ml2、r25以及sp。当然，上述只是进行示例性说明，孔隙度指标不限于上述举例，例如，孔隙度指标还可以包括ac、cal、ml2和sp，所属领域技术人员在本技术技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本技术相同或相似，均应涵盖于本技术保护范围内。
[0059]
s4：基于所述测井数据集中指定孔隙度指标对应的数据和孔隙度曲线，获得孔隙度估算曲线。
[0060]
其中，指定孔隙度指标可以是孔隙度指标中任意一个指标，如可以是ac、也可以是ml2，还可以是其他等。需要说明的是，本说明书实施例中以ac为指定孔隙度指标为例进行示例性说明，其他实施场景类似，对此不做赘述。
[0061]
一些实施例中，在利用预设方式从测井数据集中筛选孔隙度指标后，可以基于测井数据集中指定孔隙度指标对应的数据和孔隙度曲线，获得孔隙度估算曲线。
[0062]
一些实施例中，所述基于所述测井数据集中指定孔隙度指标对应的数据和孔隙度曲线，获得孔隙度估算曲线，可以包括：基于指定孔隙度指标在所述测井数据集中所对应数据和孔隙度曲线，建立岩石物理模型；所述岩石物理用于估算孔隙度；将所述测井数据集中指定孔隙度指标对应的数据输入所述岩石物理模型，获得孔隙度估算曲线。
[0063]
一些实施场景中，可以基于砂岩段的声波时差曲线与孔隙度的岩石物理交会图，通过最小二乘法进行建模拟合，获得简单岩石物理模型。如图10所示，为本说明书实施例提供的砂岩段的声波时差曲线与孔隙度的岩石物理交会图以及拟合结果示意图。其中，横坐标表示声波时差ac，纵坐标表示孔隙度por，上侧以及右侧分别表示声波时差、孔隙度的样本分布，直线表示声波时差与孔隙度的拟合结果，拟合获得的简单岩石物理模型可以表示为：
[0064]
por＝0.527
×
ac 0.0855
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0065]
其中，por表示砂岩段孔隙度，ac砂岩段声波时差。
[0066]
一些实施场景中，在获得简单岩石物理模型后，可以将砂岩测井数据集中声波时差对应的数据输入简单岩石物理模型，获得孔隙度估算曲线。
[0067]
当然，上述只是进行示例性说明，本说明书实施例还可以通过其他方式获得孔隙度估算曲线，所属领域技术人员在本技术技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本技术相同或相似，均应涵盖于本技术保护范围内。
[0068]
s6：将所述测井数据集中孔隙度指标对应的数据和所述孔隙度估算曲线输入集成孔隙度预测模型，获得目标岩性类别所对应储层的孔隙度；其中，所述集成孔隙度预测模型基于岩石物理信息对多个决策回归器约束训练获得。
[0069]
一些实施例中，在获得孔隙度估算曲线后，可以将测井数据集中孔隙度指标对应的数据和孔隙度估算曲线输入集成孔隙度预测模型，获得目标岩性类别所对应储层的孔隙度。其中，孔隙度估算曲线可以作为集成孔隙度预测模型的先验信息。集成孔隙度预测模型可以预先基于岩石物理信息(如声波时差与孔隙度的岩石物理关系)的引导，采用多回归模型串行学习并集成评价的思想对预设集成学习模型训练获得。集成孔隙度预测模型可以包括多个决策回归器。一些实施场景中，集成孔隙度预测模型可以是梯度提升树回归器。
[0070]
如图11所示，为本说明书实施例提供的获取储层段(砂岩)孔隙度的示意图。其中，采用图10得到的简单岩石物理模型计算孔隙度的先验信息(即孔隙度估算曲线por_lin)，然后将por_lin与孔隙度指标对应的数据ac、cal、gr、ml2、r25、sp输入梯度提升树回归器进行砂岩孔隙度的智能预测，获得砂岩孔隙度。其中，梯度提升树回归器包括n个决策回归器(如图10中tree_1，
…
，tree_n)。
[0071]
一些实施例中，集成孔隙度预测模型可以通过下述方式确定：获取训练数据集中目标岩性类别的测井数据集；利用预设方式从测井数据集中筛选孔隙度指标；基于测井数据集中指定孔隙度指标对应的数据和孔隙度曲线，获得孔隙度估算曲线；将测井数据集中孔隙度指标对应的数据和孔隙度估算曲线作为输入数据，将真实解释的目标岩性类别孔隙度曲线作为标签，对预设集成学习模型进行训练，获得集成孔隙度预测模型。其中，预设集成学习模型包括多个决策回归器。
[0072]
例如一些实施场景中，可以以图2-图6获得的测井数据为例，在对w1井、w2井、w3井、w4井与w5井对应的测井数据进行预处理后，选择w1井、w2井、w3井、w4井的测井数据作为训练数据集，w5井的测井数据作为测试数据集。岩性类别包括砂岩和泥岩。
[0073]
在获取训练数据集后，可以利用岩石物理交汇图的方式从训练数据集中筛选岩性指标，基于岩性指标在训练数据集中所对应数据和w1井的测井数据，确定训练数据集中w2井、w3井、w4井所对应测井数据的类别，这样，训练数据集中所有测井数据都已知岩性类别。进一步，从训练数据集中获取岩性类别为砂岩的测井数据集，利用岩石物理交汇图的方式从砂岩测井数据集中筛选孔隙度指标，基于砂岩测井数据集中ac对应的数据和孔隙度曲线，获得孔隙度估算曲线por_lin。进一步，可以将ac、cal、gr、ml2、r25、sp与por_lin作为输入数据，将真实解释的砂岩孔隙度曲线作为标签，对预设集成学习模型进行训练，获得集成孔隙度预测模型。
[0074]
一些实施场景中，集成孔隙度预测模型可以表示为以决策树作为基回归器的集成提升装置：
[0075][0076]
其中，fm(x)表示预测的孔隙度结果，t(x；φm)表示第m个决策回归器，x表示输入数据，φm为决策回归器的参数，m为决策回归器的总数。
[0077]
相应的，上述对预设集成学习模型进行训练可以包括下述步骤：
[0078]
(1)确定初始提升回归器：
[0079]
f0(x)＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0080]
(2)采用向前分布算法，得到第m步(即集成第m个决策回归器)的模型为：
[0081]fm
(x)＝f
m-1
(x) t(x；φm)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0082]
其中，f
m-1
(x)为当前模型。
[0083]
(3)利用经验风险结构最小化作为评价准则来确定下一个决策回归器的参数φm:
[0084][0085]
其中，l为损失函数，n为决策回归器个数，yi为每个决策回归器的预测结果，xi表示输入数据，xi＝x。
[0086]
当采用平方误差损失函数作为评价准则时：
[0087]
l[y,f(x)]＝[y-f
m-1
(x)]2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0088]
其中，y为孔隙度标签(即标签)，f(x)表示集成学习模型预测的结果(即fm(x))。
[0089]
此时其损失为：
[0090]
l[y,f
m-1
(x) t(x；φm)]＝[y-f
m-1
(x)-t(x；φm)]2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0091]
(4)重复(2)、(3)的操作，直到残差收敛或达到预设迭代次数，获得集成孔隙度预测模型。
[0092]
需要说明的是，在训练集成孔隙度预测模型的过程中涉及到s0-s6中相关步骤可以参照前述实施例，对此不做赘述。
[0093]
由于决策回归器自身特点，即使数据中的输入与输出之间存在着复杂关系，多个决策回归器的线性组合也可以很好地拟合表达所有训练数据，因此最终获得的集成孔隙度预测模型可以理解为是一个高性能的预测器。
[0094]
本说明书实施例中，基于岩石物理信息对多个回归器并联的强学习器进行约束训练得到集成孔隙度预测模型，由于其充分挖掘和融合了已有的所有数据和专家知识，从而可以提高对复杂油气储层孔隙度的预测精度，为后续优质储层评价和钻井设计提供重要参考依据。
[0095]
一些实施场景中，在基于训练数据集训练获得集成孔隙度预测模型后，可以利用测试数据集中w5井的测井数据对集成孔隙度预测模型进行验证。
[0096]
具体的，可以基于w5井测井数据中声波时差曲线对应的数据和孔隙度曲线，获得孔隙度估算曲线por_lin，将w5井测井数据中ac、cal、gr、ml2、r25、sp及por_lin输入集成孔隙度预测模型，获得砂岩孔隙度。由于w5井的测井数据具有岩性解释结果，此时可以将获得的砂岩孔隙度与真实砂岩孔隙度进行对比。如图12所示，为本说明书实施例提供的w5井的真实砂岩孔隙度与利用集成孔隙度预测模型获得的砂岩孔隙度的对比示意图。其中，横坐标表示深度，纵坐标表示por表示孔隙度，predict表示真实砂岩孔隙度，real表示利用集成孔隙度预测模型获得的砂岩孔隙度，利用集成孔隙度预测模型预测的砂岩孔隙度的准确率为91.42％。
[0097]
进一步，为了验证本技术获得的集成孔隙度预测模型的可行性，本说明书将利用传统岩石物理交会预测砂岩孔隙度与利用集成孔隙度预测模型预测砂岩孔隙度进行对比。如图13所示，为本说明书实施例提供的利用传统岩石物理交会与利用集成孔隙度预测模型预测砂岩孔隙度的对比示意图。其中，横坐标表示深度，纵坐标表示por表示孔隙度，predict表示利用集成孔隙度预测模型预测砂岩孔隙度，real表示利用传统岩石物理交会预测砂岩孔隙度，利用传统岩石物理交会预测砂岩孔隙度的准确率为56.86％，远低于本技术利用集成孔隙度预测模型预测砂岩孔隙度的准确度。
[0098]
综上可知，本技术使用岩石物理信息引导训练获得的集成孔隙度预测模型具有较高的非线性拟合能力，可以有效提高砂岩孔隙度的预测精度。
[0099]
一些实施场景中，在基于集成孔隙度预测模型获得目标岩性类别所对应储层的孔隙度后，还可以将目标岩性类别所对应储层的孔隙度和非目标岩性类别所对应储层的孔隙度组合，获得目标储层的相控孔隙度。例如一些实施场景中，在获得砂岩孔隙度后，可以将砂岩孔隙度与泥岩孔隙度基于聚类结果进行组合，从而得到相控孔隙度。
[0100]
如图14所示，为本说明书实施例提供的基于集成孔隙度预测模型获得的w5井的相控孔隙度与w5井的真实相控孔隙度的对比示意图。其中，横坐标表示深度，纵坐标表示por表示孔隙度，real表示w5井的真实相控孔隙度，predict表示将利用集成孔隙度预测模型预测获得的w5井砂岩孔隙度与泥岩孔隙度进行组合得到的相控孔隙度，将利用集成孔隙度预测模型预测获得的w5井砂岩孔隙度与泥岩孔隙度进行组合得到的相控孔隙度的准确率为78.85％。
[0101]
如图15所示，为本说明书实施例提供的直接利用梯度提升树(gbdt)算法获得的w5井的孔隙度与w5井的真实相控孔隙度的对比示意图。其中，横坐标表示深度，纵坐标表示por表示孔隙度，real表示w5井的真实相控孔隙度，predict表示直接利用梯度提升树(gbdt)算法获得的w5井的孔隙度。由于直接利用梯度提升树(gbdt)算法获得的w5井的孔隙度是使用梯度提升树的纯数据驱动装置不分储层与非储层部分预测的孔隙度，没有考虑岩性的变化，所有其准确率仅为16％。
[0102]
综上可知，本说明书实施例不仅可以更好地预测复杂储层的孔隙度以及不同岩性的孔隙度，而且可以大幅度地提高岩石孔隙度预测精度。
[0103]
本说明书实施例，通过预先训练获得集成孔隙度预测模型，不仅可以提高对复杂储层孔隙度预测精度和对砂岩孔隙度预测的效率，而且可以为后续优质储层评价、油藏描述、钻井设计提供重要参考依据。通过将砂岩孔隙度与泥岩孔隙度基于聚类结果进行组合得到相控孔隙度，可以实现不同区域不同沉积地层孔隙度的精准预测。
[0104]
本说明书实施例，综合利用有岩性解释的测井数据与无岩性解释的测井数据，通过半监督聚类算法对多条测量的敏感测井曲线与录井岩性标签进行自动建模，并将建立的模型应用到未有岩性解释的区域，可以实现多类型岩性的自动划分，进而提取相控先验知识。
[0105]
本说明书实施例，针对砂岩储层段，通过岩石物理理论建立多条测井曲线与孔隙度之间的岩石物理关系，基于岩石物理关系估算孔隙度，然后间接利用这种模型驱动的岩石物理关系，将估算的粗糙孔隙度与测量的测井曲线作为多元的输入数据，利用集成学习思想将多个统计性的预测模型通过加权结合的方式进行共同决策，从而实现砂岩孔隙度的预测，这样不仅能高精度地预测复杂储层的孔隙度，而且也能区分出不同区域不同深度的储层与非储层。
[0106]
当然，上述只是进行示例性说明，本说明书实施例不限于上述举例，所属领域技术人员在本技术技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本技术相同或相似，均应涵盖于本技术保护范围内。
[0107]
从以上的描述中，可以看出，本技术实施例可以获取目标岩性类别的测井数据集，利用预设方式从测井数据集中筛选孔隙度指标；还可以基于测井数据集中指定孔隙度指标对应的数据和孔隙度曲线，获得孔隙度估算曲线，将测井数据集中孔隙度指标对应的数据和孔隙度估算曲线输入集成孔隙度预测模型，获得目标岩性类别所对应储层的孔隙度。由于综合利用具有岩性解释的测井数据与缺少岩性解释的测井数据，采用半监督聚类算法进行多种岩性的自动分类，不仅可以为孔隙度预测增加相控的先验信息，基于先验信息感知储层段与非储层段，而且可以将注意力集中于储层段的孔隙度预测，为后续储层段的孔隙度预测提供基础。由于预先训练获得了集成孔隙度预测模型，这样可以在提高砂岩孔隙度预测精度的同时，提高对砂岩孔隙度预测的效率。通过将砂岩孔隙度与泥岩孔隙度基于聚类结果进行组合得到相控孔隙度，可以实现不同区域不同沉积地层孔隙度的精准预测。
[0108]
如图16所示，为本说明书实施例提供的一种基于岩石物理知识确定储层孔隙度的具体流程示意图。其中，多个决策回归器构建的集成学习模型相当于集成孔隙度预测模型。具体实施过程中，可以输入测井数据与对应的部分带标签的岩性曲线，然后利用岩石物理交会分析筛选岩石敏感属性，然后基于带标签的岩性曲线确定k均值算法的k值，利用k均值算法对岩石敏感属性进行无监督分类岩性。进一步，一方面基于专家经验设置非储层孔隙度为常数值0.1。另一方面，提取储层段测井曲线与对应孔隙度标签，利用岩石物理交会分析筛选孔隙度敏感属性，并基于简单岩石物理模型估算孔隙度作为模型先验信息，将孔隙度敏感属性对应数据和模型先验信息作为多个决策回归器构建的集成学习模型的输入，获得储层孔隙度预测结果。最后，将基于专家经验设置的非储层孔隙度和获得的储层孔隙度预测结果组合，获得相控孔隙度预测结果。
[0109]
本说明书实施例，不仅可以改善少井少标签的问题，而且由于利用了所有测量的信息、岩石物理信息和专家知识，从而可以极大提高复杂储层孔隙度预测的精度。
[0110]
本说明书实施例，模拟了计算机视觉中注意力机制算法的运行原理，通过半监督聚类算法可以感知储层段与非储层段，并将注意力聚焦于储层段的孔隙度预测，从而更加符合实际储层参数预测的需要。
[0111]
本说明书实施例，综合有监督和无监督各自优势，发展半监督聚类方法进行测井砂泥岩识别可以最大限度地利用所有有标签和无标签的测井数据，避免标签有限造成分类准确率降低的情况发生。
[0112]
本说明书中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参照即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
[0113]
基于上述所述的一种基于岩石物理知识确定储层孔隙度的方法，本说明书一个或多个实施例还提供一种基于岩石物理知识确定储层孔隙度的装置。所述的装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0114]
具体地，图17为本说明书提供的一种基于岩石物理知识确定储层孔隙度的装置的一个实施例的模块结构示意图，如图17所示，本说明书提供的一种基于岩石物理知识确定储层孔隙度的装置可以包括：获取模块120，筛选模块122，第一获得模块124，第二获得模块126。
[0115]
获取模块120，可以用于获取目标岩性类别的测井数据集；其中，所述测井数据集中每条测井数据对应多种测井曲线；
[0116]
筛选模块122，可以用于利用预设方式从所述测井数据集中筛选孔隙度指标；其中，所述孔隙度指标表示影响储层孔隙度的测井曲线；
[0117]
第一获得模块124，可以用于基于所述测井数据集中指定孔隙度指标对应的数据和孔隙度曲线，获得孔隙度估算曲线；
[0118]
第二获得模块126，可以用于将所述测井数据集中孔隙度指标对应的数据和所述孔隙度估算曲线输入集成孔隙度预测模型，获得目标岩性类别所对应储层的孔隙度；其中，所述集成孔隙度预测模型基于岩石物理信息对多个决策回归器约束训练获得。
[0119]
需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
[0120]
本说明书还提供一种基于岩石物理知识确定储层孔隙度的设备的实施例，包括处理器及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时可以实现上述任意一项方法实施例。例如，所述指令被所述处理器执行时实现包括以下步骤：获取目标岩性类别的测井数据集；其中，所述测井数据集中每条测井数据对应多种测井曲线；利用预设方
式从所述测井数据集中筛选孔隙度指标；其中，所述孔隙度指标表示影响储层孔隙度的测井曲线；基于所述测井数据集中指定孔隙度指标对应的数据和孔隙度曲线，获得孔隙度估算曲线；将所述测井数据集中孔隙度指标对应的数据和所述孔隙度估算曲线输入集成孔隙度预测模型，获得目标岩性类别所对应储层的孔隙度；其中，所述集成孔隙度预测模型基于岩石物理信息对多个决策回归器约束训练获得。
[0121]
需要说明的，上述所述的设备根据方法或装置实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
[0122]
本说明书所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图18为本说明书提供的一种基于岩石物理知识确定储层孔隙度的服务器的一个实施例的硬件结构框图，该服务器可以是上述实施例中的基于岩石物理知识确定储层孔隙度的装置或基于岩石物理知识确定储层孔隙度的系统。如图18所示，服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解，图18所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器10还可包括比图18中所示更多或者更少的组件，例如还可以包括其他的处理硬件，如数据库或多级缓存、gpu，或者具有与图18所示不同的配置。
[0123]
存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的基于岩石物理知识确定储层孔隙度的方法对应的程序指令/模块，处理器100通过运行存储在存储器200内的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0124]
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
[0125]
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0126]
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果。所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质可以包括：利用电能方式存储信息的装置如，各式存储器，如ram、rom等；利用磁能方式存储信息的装置如，硬盘、软
盘、磁带、磁芯存储器、磁泡存储器、u盘；利用光学方式存储信息的装置如，cd或dvd。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
[0127]
本说明书提供的上述基于岩石物理知识确定储层孔隙度的方法或装置实施例可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作系统的c 语言在pc端实现、linux系统实现，或其他例如使用android、ios系统程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。
[0128]
需要说明的是说明书上述所述的装置、设备、系统根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照对应方法实施例的描述，在此不作一一赘述。
[0129]
本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件 程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。