CN116168224B 基于成像砾石含量的机器学习岩相自动识别方法（中国石油化工股份有限公司）

(19)国家知识产权局(12)发明专利(10)授权公告号CN116168224B(21)申请号202111396092.6(22)申请日2021.11.23(65)同一申请的已公布的文献号申请公布号CN116168224A(43)申请公布日2023.05.26(73)专利权人中国石油化工股份有限公司地址257000山东省东营市东营区济南路油田分公司勘探开发研究院乌洪翠吴志华吕世超张华锋张玲司陈阳(74)专利代理机构济南日新专利代理事务所(普通合伙)37224专利代理师崔晓艳GO6N3/04(2023.01)(56)对比文件(54)发明名称基于成像砾石含量的机器学习岩相自动识别方法(57)摘要本发明提供一种基于成像砾石含量的机器学习岩相自动识别方法，该基于成像砾石含量的机器学习岩相自动识别方法包括：步骤1,对取心井进行岩心观察描述，开展四性关系分析；步骤2,确定砂砾岩不同岩相的常规及成像测井响应模式；步骤3,通过成像图像处理，精细刻画砾石含量及砾径分布，定量划分全井段岩相；步骤4,以成像测井确定的岩相为基础，筛选测井特征稳定的电性层作为样本层；步骤5,通过成像标定常规测井曲线，确定敏感曲线；步骤6,基于机器学习算法，以样本层岩相为监督对象，自动识别岩相。该基于成像砾石含量的机器学习岩相自动识层21.基于成像砾石含量的机器学习岩相自动识别方法，其特征在于，该基于成像砾石含量的机器学习岩相自动识别方法包括：步骤1,对取心井进行岩心观察描述，开展四性关系分析；步骤2,确定砂砾岩不同岩相的常规及成像测井响应模式；步骤3,通过成像图像处理，精细刻画砾石含量及砾径分布，定量划分全井段岩相；步骤4,以成像测井确定的岩相为基础，筛选测井特征稳定的电性层作为样本层；步骤5,通过成像标定常规测井曲线，确定敏感曲线；步骤6,基于机器学习算法，以样本层岩相为监督对象，自动识别岩相；在步骤6,以步骤4筛选的样本层为监督对象，以步骤5确定的敏感曲线测井值作为训练对象，在归一化处理的基础上，采用自组织特征映射、BP神经网络、支持向量机进行反复训练学习、分类，选择出与岩心和成像岩相吻合程度高的模型作为本井机器学习模型，最终推广应用于全区块其它井中，实现砂砾岩岩相自动识别。2.根据权利要求1所述的基于成像砾石含量的机器学习岩相自动识别方法，其特征在于，在步骤1,对有成像测井的取心井开展岩心观察，描述各类岩性及砾径大小、纵向变化、单层厚度，关注在成像及常规测井曲线中变化明显层段对应的岩性特征。3.根据权利要求2所述的基于成像砾石含量的机器学习岩相自动识别方法，其特征在于，在步骤1,由于钻井取心深度与测井深度存在系统误差，利用成像图像、岩心扫描伽玛辅助进行岩心归位，使岩电对应关系更加合理；结合录井、分析化验开展四性关系分析。4.根据权利要求1所述的基于成像砾石含量的机器学习岩相自动识别方法，其特征在于，在步骤2,岩心刻度成像测井，依据岩性、砾石大小将岩心观察的岩性根据测井曲线响应特征划分为在测井上识别的几类岩相，岩相是指岩性相近，测井响应特征相似的几种岩性组合，目的是考虑测井响应的可识别能力及将非均质性严重的问题转化为相对均质性问题，然后确定砂砾岩不同岩相的常规及成像测井响应模式。5.根据权利要求1所述的基于成像砾石含量的机器学习岩相自动识别方法，其特征在于，在步骤3,成像图像是贴井壁电阻率变化的响应，亮色代表高阻，暗色代表低阻，以静态份4泥质为黑色层状为主。6.根据权利要求5所述的基于成像砾石含量的机器学习岩相自动识别方法，其特征在于，在步骤3,通过调整色调阈值刻画亮色即砾石边缘，将成像图像转化为由不同色调面积组成的图像，不同色调代表不同岩相，通过岩心标定确定不同岩相的色调范围，进一步在一定在窗长内，利用同色调面积叠加确定不同岩相类型的含量，不同组分的分布面积作为岩7.根据权利要求1所述的基于成像砾石含量的机器学习岩相自动识别方法，其特征在于，在步骤4,以成像测井确定的岩相为基础，在相应常规测井系列分辨能力基础上，筛选样本层。8.根据权利要求7所述的基于成像砾石含量的机器学习岩相自动识别方法，其特征在于，在步骤4,筛选原则为：岩相相对均质、单层厚度≥2m,对应常规测井曲线特征稳定。9.根据权利要求1所述的基于成像砾石含量的机器学习岩相自动识别方法，其特征在3于，在步骤5,通过交会图技术和主成分分析，结合不同测井系列的垂向分辨率和横向探测深度，选择对不同岩相分辨能力高的曲线作为敏感曲线。10.根据权利要求9所述的基于成像砾石含量的机器学习岩相自动识别方法，其特征在然电位SP和微电位RN。4技术领域[0001]本发明涉及石油与天然气勘探开发技术领域，特别是涉及到一种基于成像砾石含量的机器学习岩相自动识别方法。背景技术[0002]陆相断陷湖盆陡坡带发育各种成因的砂砾岩扇体，具有埋藏深、厚度大、储量大、潜力大、动用程度低等特点，已成为目前胜利油田增储上产的重要潜力增长点。砂砾岩扇体上都具有较强的非均质性，岩石类型复杂多样，岩相变化快；砾岩骨架对测井响应影响大，岩电关系复杂，同时由于常规测井分辨率不高，薄夹层响应不明显，造成利用常规的测井评价方法识别砂砾岩岩相精度低，参数解释精度低、油水层难准确识别，成为制约砂砾岩油藏有效动用的瓶颈之一。而岩相识别是砂砾岩储层评价的基础，岩相的准确识别对砂砾岩储层物性参数的精确求取、有效储层识别，甚至对沉积规律及优势储层展布等规律的把握都具有重要意义。因此本专利针对砂砾岩储层岩相识别精度低的问题发明了一种基于成像砾石含量计算的机器学习岩相自动识别方法，可以有效的提高岩相识别精度，为砂砾岩储层测井评价研究提供可靠的基础。[0003]微电阻率扫描成像测井是一种反映贴井壁电阻率变化的响应，纵向分辨率高(0.2in),具有直观的视觉效果，能直观反映砂砾岩体内部结构。从成像图上可对砂砾岩岩性、沉积粒序的变化、砾石颗粒的相对大小等做出正确的分析，经岩心刻度后可反映井壁岩性信息，解决了常规测井曲线信息量小、纵向分辨率低(20-80cm)的问题，具有比常规测井资料进行储层特征描述更为直观可靠的优势。但是目前砂砾岩成像测井多以定性应用为主，本次深度挖掘成像资料信息，以静态成像数据为基础，通过岩心刻度，利用成像图像显示色调范围代表不同岩相类型，亮色代表高阻，暗色代表低阻，不同组分的分布面积作为岩[0004]随着人工智能的快速发展，以大数据为基础，机器学习算法为手段，通过快速解析数据、训练学习、实现岩性快速自动识别的方法成为大区块仅有1-2口井进行成像测井，而且取心井也只有部分井段进行取心，因此开展全区岩相识别工作仍需落脚于常规测井曲线的应用。[0005]在申请号：CN201910078669.5的中国专利申请中，涉及到一种基于测井数据的多井复杂岩性智能识别方法及系统，该方法首先确定目标测井数据文件并进行格式转换以及归一化预处理，然后根据全区关键取芯井在取芯井段的已知岩性对测井曲线数据进行特征筛选和/或特征组合扩展获得对岩性敏感的测井曲线数据，再给对岩性响应敏感的测井曲线数据进行打标签标定组成样本数据库同时将全区未打标签的测井曲线数据组成待测数据库，进而利用样本数据库的数据并结合若干机器学习算法进行机器学习训练后自动建立若干岩性识别模型。[0006]在申请号：CN201911190561.1的中国专利申请中，涉及到一种岩心饱和度预测模5型构建方法、装置、计算机设备和存储介质，获取样本测井曲线及其对应的样本岩心饱和度，其中，样本测井曲线是原始测井曲线校深之后得到的，可以提高得到的样本数据准确性，在模型训练过程中，采用训练和测试相结合的方式，将样本数据划分为训练样本集和测试样本集，由训练样本集对多种机器学习模型进行训练，再由测试样本集对已训练的机器学习模型进行测试，选取最优的已训练的机器学习模型作为最终岩心饱和度预测模型，最终得到的岩心饱和度预测模型可以支持后续岩心饱和度的准确预测。[0007]在申请号：CN201910440723.6的中国专利申请中，涉及到一种基于地震反演和机器学习的陆相烃源岩定量预测方法，用于预测某一区域陆相烃源岩的空间分布和有机质含量，该首先优选对陆相沉积地层砂泥岩岩性区分和有机质含量敏感的弹性属性，然后训练训练的机器学习网络与叠前地震数据的叠前弹性参数反演结果结合，进而预测烃源岩的空间分布和有机质含量。[0008]以上现有技术均与本发明有较大区别，未能解决我们想要解决的技术问题，为此我们发明了一种新的基于成像砾石含量的机器学习岩相自动识别方法。发明内容[0009]本发明的目的是提供一种在成像测井图像处理的基础上，计算砾石含量，通过机器学习算法训练学习，确定岩相类型的砂砾岩岩相判别的基于成像砾石含量的机器学习岩相自动识别方法。[0010]本发明的目的可通过如下技术措施来实现：基于成像砾石含量的机器学习岩相自动识别方法，该基于成像砾石含量的机器学习岩相自动识别方法包括：[0011]步骤1,对取心井进行岩心观察描述，开展四性关系分析；[0012]步骤2,确定砂砾岩不同岩相的常规及成像测井响应模式；[0013]步骤3,通过成像图像处理，精细刻画砾石含量及砾径分布，定量划分全井段岩相；[0014]步骤4,以成像测井确定的岩相为基础，筛选测井特征稳定的电性层作为样本层；[0015]步骤5,通过成像标定常规测井曲线，确定敏感[0016]步骤6,基于机器学习算法，以样本层岩相为监督对象，自动识别岩相。[0017]本发明的目的还可通过如下技术措施来实现：[0018]在步骤1,对有成像测井的取心井开展岩心观察，描述各类岩性及砾径大小、纵向变化、单层厚度这些情况，特别关注在成像及常规测井曲线中变化明显层段对应的岩性特[0019]在步骤1,由于钻井取心深度与测井深度存在系统误差，利用成像图像、岩心扫描伽玛辅助进行岩心归位，使岩电对应关系更加合理；结合录井、分析化验这些资料开展四性关系分析。[0020]在步骤2,岩心刻度成像测井，依据岩性、砾石大小这些特征将岩心观察的岩性根据测井曲线响应特征划分为在测井上可以识别的几类岩相，岩相是指岩性相近，测井响应特征相似的几种岩性组合，目的是考虑测井响应的可识别能力及将非均质性严重的问题转化为相对均质性问题，然后确定砂砾岩不同岩相的常规及成像测井响应模式。[0021]在步骤3,成像测井是贴井壁电阻率变化的响应，亮色代表高阻，暗色代表低阻，以6组份4泥质为黑色层状为主。[0022]在步骤3,通过调整色调阈值刻画亮色即砾石边缘，将成像图像转化为由不同色调面积组成的图像，不同色调代表不同岩相，通过岩心标定确定不同岩相的色调范围，进一步在一定在窗长内，利用同色调面积叠加确定不同岩相类型的含量，不同组分的分布面积作为岩相百分含量，计算砾石含量，实现全井段岩相定量划分。[0023]在步骤4,以成像测井确定的岩相为基础，在相应常规测井系列分辨能力基础上，筛选样本层。[0024]在步骤4,筛选原则为：岩相相对均质、单层厚度≥2m,对应常规测井曲线特征稳[0025]在步骤5,通过交会图技术和主成分分析这些方法，结合不同测井系列的垂向分辨率和横向探测深度，选择对不同岩相分辨能力高的曲线作为敏感曲线。[0026]在步骤5,确定了5条敏感曲线，分别为补偿中子测井(CNL)、密度测井(DEN)、自然伽玛(GR)、自然电位(SP)和微电位(RN)。[0027]在步骤6,以步骤4筛选的样本层为监督对象，以步骤5确定的敏感曲线测井值作为训练对象，在归一化处理的基础上，采用自组织特征映射、BP神经网络、支持向量机这些数学算法进行反复训练学习、分类，优选出与岩心和成像岩相吻合程度高的模型作为本井机器学习模型，最终推广应用于全区块其它井中，实现砂砾岩岩相自动识别。[0028]本发明中的基于成像砾石含量的机器学习岩相自动识别方法，基于成像测井图像处理、砾石含量定量计算、测井敏感性分析、机器学习等多尺度、多参数融合的砂砾岩岩相自动识别方法，以基于成像识别的岩相样本层为监督对象进行训练学习，提取常规测井曲线敏感特征值，建立机器学习岩相识别模型，实现砂砾岩岩相自动识别。附图说明[0029]图1为本发明的基于成像砾石含量的机器学习岩相自动识别方法的一种实施流程[0030]图2为本发明的基于成像砾石含量的机器学习岩相自动识别方法的一种具体实施例的流程图；[0031]图3为本发明一具体实施例中机器学习岩相自动识别流程图；[0032]图4为本发明另一具体实施例中机器学习岩相自动识别流程图。具体实施方式[0033]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。[0034]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7括”时，其指明存在特征、步骤、操作和/或它们的组合。[0035]如图1所示，图1为本发明的基于成像砾石含量的机器学习岩相自动识别方法的流程图。该基于成像砾石含量的机器学习岩相自动识别方法包括了以下步骤：[0036]步骤1,对取心井进行岩心观察描述，开展四性关系分析；[0037]步骤2,岩心刻度成像测井，确定砂砾岩不同岩相的常规及成像测井响应模式；[0038]步骤3,通过成像图像处理，精细刻画砾石含量及砾径分布，定量划分全井段岩相；[0039]步骤4,以成像测井确定的岩相为基础，筛选测井特征稳定的电性层作为样本层；[0040]步骤5,通过成像标定常规测井曲线，确定敏感曲线；[0041]步骤6,基于机器学习算法，以样本层岩相为监督对象，自动识别岩相。[0042]以下为应用本发明的几个具体实施例。[0043]实施例1:[0044]在应用本发明的具体实施例1中，如图2所示，图2为本发明的基于成像砾石含量的机器学习岩相自动识别方法的一种具体实施例的流程图。[0045]步骤1,对有成像测井的取心井开展岩心观察，尽量详细描述各类岩性及砾径大小、纵向变化、单层厚度等情况，特别关注在成像及常规测井曲线中变化明显层段对应的岩性特征；由于钻井取心深度与测井深度存在系统误差，利用成像图像、岩心扫描伽玛辅助进行岩心归位，使岩电对应关系更加合理；结合录井、分析化验等资料开展四性关系分析。[0046]步骤2,岩心刻度成像测井，依据岩性、砾石大小等特征将岩心观察的岩性根据测井曲线响应特征划分为在测井上可以识别的几类岩相，岩相是指岩性相近，测井响应特征相似的几种岩性组合，目的是考虑测井响应的可识别能力及将非均质性严重的问题转化为相对均质性问题，然后确定砂砾岩不同岩相的常规及成像测井响应模式。[0047]步骤3,成像测井是贴井壁电阻率变化的响应，亮色代表高阻，暗色代表低阻，以静态成像数据为基础，利用岩心刻度成像，确定砾石、砂质、粉砂质、泥质等4种组份，其中组份1砾石为白色斑点、团块状，组份2砂质为亮色，分散或层状，组份3粉砂质为暗色，分散状，组份4泥质为黑色层状为主。通过调整色调阈值刻画亮色(砾石)边缘，将成像图像转化为由不同色调面积组成的图像，不同色调代表不同岩相，通过岩心标定确定不同岩相的色调范围，进一步在一定在窗长内，利用同色调面积叠加确定不同岩相类型的含量，不同组分的分布面积作为岩相百分含量，计算砾石含量，实现全井段岩相定量划分。[0048]步骤4,以成像测井确定的岩相为基础，在相应常规测井系列分辨能力基础上，筛选样本层，筛选原则为：岩相相对均质、单层厚度≥2m,对应常规测井曲线特征稳定。[0049]步骤5,通过交会图技术和主成分分析等方法，结合不同测井系列的垂向分辨率和横向探测深度，选择对不同岩相分辨能力高的曲线作为敏感曲线，本例中确定5条敏感曲线，分别为补偿中子测井(CNL)、密度测井(DEN)、自然伽玛(GR)、自然电位(SP)和微电位[0050]步骤6,以步骤4筛选的样本层为监督对象，以步骤5确定的敏感曲线测井值作为训练对象，在归一化处理的基础上，采用自组织特征映射、BP神经网络、支持向量机等数学算法进行反复训练学习、分类，优选出与岩心和成像岩相吻合程度高的模型作为本井机器学习模型，最终推广应用于全区块其它井中，实现砂砾岩岩相自动识别，本例中识别5种岩性：8[0052]在应用本发明的具体实施例2中，如图2所示，图2为本发明的基于成像砾石含量的机器学习岩相自动识别方法的一种具体实施例的流程图。[0053]步骤1,对有成像测井的取心井开展岩心观察，尽量详细描述各类岩性及砾径大小、纵向变化、单层厚度等情况，特别关注在成像及常规测井曲线中变化明显层段对应的岩性特征；由于钻井取心深度与测井深度存在系统误差，利用成像图像、岩心扫描伽玛辅助进行岩心归位，使岩电对应关系更加合理；结合录井、分析化验等资料开展四性关系分析。[0054]步骤2,岩心刻度成像测井，依据岩性、砾石大小等特征将岩心观察的岩性根据测井曲线响应特征划分为在测井上可以识别的几类岩相，岩相是指岩性相近，测井响应特征相似的几种岩性组合，目的是考虑测井响应的可识别能力及将非均质性严重的问题转化为相对均质性问题，然后确定砂砾岩不同岩相的常规及成像测井响应模式。[0055]步骤3,成像测井是贴井壁电阻率变化的响应，亮色代表高阻，暗色代表低阻，以静份4泥质为黑色层状为主。通过调整色调阈值刻画亮色(砾石)边缘，将成像图像转化为由不同色调面积组成的图像，不同色调代表不同岩相，通过岩心标定确定不同岩相的色调范围，进一步在一定在窗长内，利用同色调面积叠加确定不同岩相类型的含量，不同组分的分布面积作为岩相百分含量，计算砾石含量，实现全井段岩相定量划分。[0056]步骤4,以成像测井确定的岩相为基础，在相应常规测井系列分辨能力基础上，筛选样本层，筛选原则为：岩相相对均质、单层厚度≥2m,对应[0057]步骤5,通过交会图技术和主成分分析等方法，结合不同测井系列的垂向分辨率和横向探测深度，选择对不同岩相分辨能力高的曲线作为敏感曲线，本例中确定4条敏感曲[0058]步骤6,以步骤4筛选的样本层为监督对象，以步骤5确定的敏感曲线测井值作为训练对象，在归一化处理的基础上，采用自组织特征映射、BP神经网络、支持向量机等数学算法进行反复训练学习、分类，优选出与岩心和成像岩相吻合程度高的模型作为本井机器学[0060]在应用本发明的具体实施例3中，与实施例1和实施例2相似，实施流程为基于成像砾石含量的机器学习岩相自动识别方法的一种具体实施例的流程图(图2)。[0061]步骤1,对取心井进行岩心观察描述，开展四性关系分析；[0062]步骤2,岩心刻度成像测井，确定砂砾岩不同岩相的常规及成像测井响应模式；[0063]步骤3,通过成像图像处理，精细刻画砾石含量及砾径分布，定量划分全井段[0064]步骤4,以成像测井确定的岩相为基础，筛选测井特征稳定的电性层作为样本层；[0065]步骤5,通过成像标定常规测井曲线，确定敏感曲线，本例3中声波时差曲线对岩性识别较为敏感，因此本例中确定5条敏感曲线，分别为补偿中子测井(CNL)、密度测井(DEN)、自然伽玛(GR)、声波时差(AC)和微电位(R