基于机器学习的电磁法高含水期油藏饱和度场预测方法与流程

1.本发明涉及石油与天然气中的采油工程技术领域，具体涉及一种基于机器学习的电磁法高含水期油藏饱和度场预测方法。


背景技术：

2.石油和天然气是国家重要的战略资源，是国民经济发展的重要命脉。随着油气勘探领域的拓展，高含水期油藏高效开发已经成为中国各大油田提高采收率的主要战场之一。
3.井地电磁法作为一种非地震的地球物理技术近年来被应用于储层流体参数的监测，研究表明，电阻率对油气储层的饱和度、渗透率等参数反映灵敏，通过电磁技术探测油气水边界及饱和度分布具有经济有效、探测范围大等优点。然而对于纵向层数较多的储层，特别是在如今低油价下考虑施工成本等因素的影响下，井地电磁技术往往只对主力目的层位进行监测，这也为高含水期油藏剩余油的精细识别带来难度，同时制约了油藏开发后期井位部署工作。机器学习模型作为一项目前热门的前沿技术被越来越多的应用于各个行业，被认为是解决复杂指标预测问题的有效手段，林伯韬系统的分析了从上游的勘探、开发、生产贯穿至下游的运营、销售、投资人工智能技术的专业应用和对从业者提出的具体要求。
4.聚焦到石油勘探开发领域，wang利用井斜角、方位角、井深、流体性质、裂缝属性、生产周期等参数建立样本库，应用神经网络算法对水平井压裂指标进行优化。王志章选取对火山岩岩性、孔隙结构反应敏感的12种岩石物理参数作为分类特征量，采用决策树、支持向量机、逻辑回归、adaboost-决策树、adaboost
–
支持向量机、adaboost
–
逻辑回归六种算法对火山岩岩性进行识别和分类。jung通过聚类分析方法对数据集的相似度进行分析，并采用随机森林(rf)、梯度提升树(gbm)和支持向量机(svm)监督学习模型预测页岩储层的生产能力。王治国利用主成分分析(pca)进行多维数据分析，利用红绿蓝(rgb)融合技术建立沉积相图，利用模糊自组织映射(fsom)进行无监督分类，生成储层的地震相分类结果。
5.中国专利申请cn108241785a公开了一种非均质性储层饱和度场精细表征方法，包括以下步骤：1)建立饱和度公式；2)在油田孔隙度模型和渗透率模型的基础上，结合油柱高度分布状况，代入步骤1)所得到的饱和度公式，利用地质模型建模软件即实现饱和度场模型的构建。该发明以非均质性储层的实际岩心样品毛管压力资料为基础，综合考虑地质油藏特征，深入分析含油饱和度与毛管压力、储层质量系数的关系，首先建立饱和度经验公式，其次构建饱和度场地质模型，从而实现了饱和度场的合理、定量、精细表征。
6.中国专利申请cn111832227a一种基于深度学习的页岩气饱和度确定方法，该方法包括：获取目标地层的裂缝渗透率和目标时刻；将所述裂缝渗透率转化为等效基质渗透率，得到所述目标地层的等效渗透率数据；根据所述等效渗透率数据，确定所述目标地层的目标等效渗透率场图；根据所述目标等效渗透率场图和目标时刻，利用目标深卷积解编码网络确定所述目标地层在所述目标时刻的饱和度场图；其中，所述目标深卷积解编码网络用
于利用编码器降低目标等效渗透率场图的分辨率得到多个特征图，并利用解码器根据所述多个特征图运算得到目标时刻的饱和度场图。
7.中国发明专利cn107044277b公开了低渗透非均质油藏水平井重复压裂增产潜力评价方法，依次包括以下步骤：1)利用meyer软件建立裂缝扩展模型，反演初次压裂水力裂缝参数；2)利用油藏数值模拟软件eclipse建立油藏非均质地质模型，并将初次压裂水力裂缝参数植入非均质地质模型，进行生产动态历史拟合，得到剩余油饱和度场和地层压力场分布；3)根据剩余油饱和度场和地层压力场分布对水平井重复压裂增产潜力定量评价，将初次压裂水力裂缝分类，提出针对性重复压裂方式。
8.然而针对利用机器学习进行剩余油饱和度场的预测，尤其是能够反映井地电磁法识别特征的饱和度场预测方法目前还鲜有报道。


技术实现要素：

9.本发明主要目的是提供一种基于机器学习的电磁法高含水期油藏饱和度场预测方法，本发明方法将机器学习算法与井地电磁法测试饱和度场相结合，以井地电磁法得到的单层饱和度场分布为基础，引入储层流动相关性参数，利用机器学习中的不同回归算法对储层纵向全区饱和度分布进行预测，最终形成精确的高含水期油藏流体预测结果。
10.为实现上述目的，本发明采用以下技术方案：
11.本发明提供一种基于机器学习的电磁法高含水期油藏饱和度场预测方法，包括以下步骤：井地电磁法饱和度场测定；机器学习预测模型建立；机器学习预测指标筛选；饱和度场预测。
12.进一步地，井地电磁法饱和度场测定测定方法：顶底部署两个激发点进行激发，在对采集信号进行去噪、消除套管影响等处理后，通过局部极化不均衡性的空间分布确定油气水界面，并通过测井及地震资料的场约束反演获得油层电阻率场分布，最终利用阿尔奇公式确定储层剩余油饱和度场分布。井地电磁法预测储层流体分布的原理主要是通过位于井中的激发电极发射一系列不同频率的电流，在地面沿测线部署接收电极，通过差分处理，消除由于储层非均质性造成的影响，得到油气电性异常的电阻率分布，实现工区内的剩余油、水饱和度分布监测。
13.进一步地，通过adaboost算法实现强回归器的饱和度场预测。
14.进一步地，所述算法具体实现过程为：
15.(1)首先给出一个基回归算法和训练集：{(x1，y1)，
…
，(xn，yn)}
16.其中x1、xn∈x，y1、yn∈y，x和y分别表征特征数据集合；
17.(2)对训练数据的权重向量进行初始化：
[0018][0019]
其中i＝1,2
…
,n；为第一个基回归器的权重向量，n为第n个特征参数集合；
[0020]
(3)对于adaboost设定的n个基回归器，当m＝1,2,
…
,n，时，使用权重向量w
(m)
的训练数据集进行学习，得到训练数据集的回归误差率和该基回归器在样本处的判别结果：
[0021][0022][0023]
式中，em为上一步基回归器的误差率；hm(xi)为基回归器的判别结果；am为基回归器的权重系数；
[0024]
对样本集的权重向量分布进行更新：
[0025][0026]
(4)构建最终的强回归器：
[0027][0028]
式中，ck为第k次训练后得到的基回归器，h(x)为最终的回归器。
[0029]
进一步地，在机器学习预测指标筛选过程中，筛选地层厚度、渗透率、孔隙度、含油边界和地层倾角五个参数作为控制剩余油分布的地质因素。影响饱和度场分布的主要因素可以分为地质因素和油藏因素两种，对于地质因素来说，油藏岩相复杂，物性非均质性强，厚度变化大，这些都是造成剩余油分散的主要原因，同时储层的微构造带也是控制剩余油富集的重要因素，因此筛选地层厚度、渗透率、孔隙度、含油边界和地层倾角五个参数作为控制剩余油分布的地质因素。
[0030]
进一步地，在机器学习预测指标筛选过程中，将累积过水量、瞬时过水量和流体流动天数作为衡量剩余油饱和度的动态指标。从开发动态的角度讲，不同区域的过水量决定了储层受注水冲刷的程度；同时在整个开发过程中不同区域流体参与流动的累计时间也是反映饱和度变化的重要指标，部分死油区内流体并未参与流动，这样的区域内的含油饱和度仍为原始含油饱和度，综合考虑后将累积过水量、瞬时过水量和流体流动天数作为衡量剩余油饱和度的动态指标。
[0031]
进一步地，在特征数据集的建立过程中，筛选5项静态参数和3项动态参数共8项指标建立饱和度场预测特征数据集。
[0032]
进一步地，饱和度场预测过程中，利用动、静态指标数据点构建指标预测数据集，利用adaboost机器学习算法建立预测模型，通过对机器学习模型拟合度进行评价，并利用网格搜索对模型超参数进行优化，最终得到最优化模型和预测结果。
[0033]
与现有技术相比，本发明具有以下优势：
[0034]
本发明方法将机器学习算法与井地电磁法测试饱和度场相结合，以井地电磁法得到的单层饱和度场分布为基础，引入储层流动相关性参数，利用机器学习中的不同回归算法对储层纵向全区饱和度分布进行预测，对最终形成的高含水期油藏流体预测结果更为精确。本发明方法能够准确、快速有效的定量化预测饱和度场分布。
附图说明
[0035]
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
[0036]
图1为本发明一具体实施例所述井地电磁法测试剩余油饱和度图；
[0037]
图2为本发明一具体实施例所述静态指标数据点分布图：a为渗透率数据点分布，b为孔隙度数据点分布，c为含油边界数据点分布，d为地层倾角数据点分布，e为地层厚度数据点分布。
[0038]
图3为本发明一具体实施例所述动态指标数据点分布图：a为累积过水量数据点分布，b为瞬时过水量数据点分布图，c为流体流动天数数据点分布图。
[0039]
图4为本发明一具体实施例所述ng2-3-1小层饱和度预测模型图。
具体实施方式
[0040]
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
[0041]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作和/或它们的组合。
[0042]
为了使得本领域技术人员能够更加清楚地了解本发明的技术方案，以下将结合具体的实施例详细说明本发明的技术方案。
[0043]
实施例1
[0044]
基于机器学习的电磁法高含水期油藏饱和度场预测方法，包括以下步骤：
[0045]
步骤1.井地电磁法饱和度场测定：顶底部署两个激发点进行激发，在对采集信号进行去噪、消除套管影响等处理后，通过局部极化不均衡性的空间分布确定油气水界面，并通过测井及地震资料的场约束反演获得油层电阻率场分布，最终利用阿尔奇公式确定储层剩余油饱和度场分布。
[0046]
步骤2.机器学习预测模型建立：
[0047]
通过adaboost算法实现强回归器的饱和度场预测。所述算法具体实现过程为：
[0048]
(1)首先给出一个基回归算法和训练集：{(x1，y1)，
…
，(xn，yn)}
[0049]
其中x1、xn∈x，y1、yn∈y，x和y分别表征特征数据集合。
[0050]
(2)对训练数据的权重向量进行初始化：
[0051][0052]
其中i＝1,2
…
,n；为第一个基回归器的权重向量，n为第n个特征参数集合。
[0053]
(3)对于adaboost设定的n个基回归器，当m＝1,2,
…
,n，时，使用权重向量w
(m)
的训练数据集进行学习，得到训练数据集的回归误差率和该基回归器在样本处的判别结果：
[0054][0055][0056]
式中，em为上一步基回归器的误差率；hm(xi)为基回归器的判别结果；am为基回归器的权重系数；
[0057]
对样本集的权重向量分布进行更新：
[0058][0059]
(4)构建最终的强回归器：
[0060][0061]
式中，ck为第k次训练后得到的基回归器，h(x)为最终的回归器。
[0062]
步骤3.机器学习预测指标筛选：筛选地层厚度、渗透率、孔隙度、含油边界和地层倾角五个参数作为控制剩余油分布的地质因素；将累积过水量、瞬时过水量和流体流动天数作为衡量剩余油饱和度的动态指标。在特征数据集的建立过程中，筛选上述5项静态参数和3项动态参数共8项指标建立饱和度场预测特征数据集。
[0063]
步骤4.饱和度场预测：利用动、静态指标数据点构建指标预测数据集，利用提到的adaboost机器学习算法建立预测模型，通过对机器学习模型拟合度进行评价，并利用网格搜索对模型超参数进行优化，最终得到最优化模型和预测结果。
[0064]
实施例2
[0065]
采用实施例1所述方法对一个实际区块油藏饱和度场进行预测。通过井地电磁法，得到该区块nm3-4-2小层饱和度场检测图，如图1所示。通过数据筛选，建立8参数的预测指标数据集，如图2、3所示。通过adaboost机器学习模型对8参数进行预测，建立8参数与nm3-4-2小层电磁法检测饱和度模型之间的数据联系，形成ng2-3-1小层饱和度预测结果，如图4所示。
[0066]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。