CN119476519A 一种基于机器学习的致密砂岩储层流体识别方法及装置 （中国石油天然气股份有限公司）

一种基于机器学习的致密砂岩储层流体识本发明公开了一种基于机器学习的致密砂位状态寄存器来对N个状态进行编码，每个状态22.根据权利要求1所述的一种基于机器学习的致密砂岩储层流体识别方法，其特征在3.根据权利要求1所述的一种基于机器学习的致密砂岩储层流体识别方法，其特征在据；每层点数大于10小于20的井段取中间40％的数据；每层点数大于20的井段取中间60%4.根据权利要求1所述的一种基于机器学习的致密砂岩储层流体识别方法，其特征在5.根据权利要求1所述的一种基于机器学习的致密砂岩储层流体识别方法，其特征在6.根据权利要求1所述的一种基于机器学习的致密砂岩储层流体识别方法，其特征在7.根据权利要求1所述的一种基于机器学习的致密砂岩储层流体识别方法，其特征在第四处理模块，用于将气水识别敏感特征的测井曲线39.一种电子设备，包括存储器、处理器以及存储运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1_7任一项所述一种机程序被处理器执行时实现权利要求1_7任一项所述一种基于机器学习的致密砂岩储层流4[0002]近年来机器学习被广泛应用于地质建模以及油藏描述中且已取得比传统统计学[0010]S4：将气水识别敏感特征的测井曲线数据分为训练集和测试集，建立XGBoost模5AC、补偿中子曲线CNL、补偿密度曲线DEN、浅侧向电阻率曲线RLLS和深侧向电阻率曲线[0021]第三处理模块，用于分析选取的气水识别敏感特征的测井曲线数据之间的相关[0022]第四处理模块，用于将气水识别敏感特征的测井曲线数据分为算机程序被处理器执行时实现所述一种基于机器学习的致密砂岩储层流体识别方法的步6[0028]进一步，本申请采用Copula函数的Kendall秩相关系数和Spearman秩相关系数来[0030]在此描述的附图仅用于解释目的，而不意图以任何方式来限制本发明公开的范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[0037]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7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/或方框图一每层包含的点数不同，将每层的采用区间做了如下设定：每层点数小于10的井段取中间[0045]在测井的过程中，测井工具会通过下放和抽回的方式在井筒中进行连续的测89下，使用Spearman秩相关系数或Kendall秩相关系数可以更好地来描述它们之间的单调关[0063](2)数据预处理(Datapreprocessing)：XGBoost对输入特征进升决策树(GradientBoostingDecisionTree)作为基本的学习器。决策树通过学习样本[0068]为了更清楚地说明本发明实施例的技术方案,下面将结合本发明实施例中的附于本发明中的实施例,本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所并输出识别结果。其中每层中各点的识别精度达到了80.4各层的识别