[发明专利]基于测井信息的储层岩石中值半径预测方法

权利要求书

1.一种基于测井信息的储层岩石中值半径预测方法，其特征在于：

包含所要预测油气田区域中的至少一口取芯井，对所述取芯井的岩芯样品进行孔隙结构分析后得出该取芯井处的岩石中值半径；

然后与该取芯井中相应深度的测井曲线相对应，找出能取芯井处的值半径的测井响应特征，该测井响应特征为油气田区域中储层岩石中值半径的响应特征；

运用径向基函数神经网络模型建立预测模型，利用取芯井的测井参数预测所要预测油气田区域的岩石中值半径R₅₀。

2.根据权利要求1所述的基于测井信息的储层岩石中值半径预测方法，其特征在于：油气田区域中储层岩石中值半径的测井响应特征采用单因素作图的方法观察比较得出，具体是以取芯井的每条测井曲线的值为横坐标，以对应深度的储层岩石中值半径为纵坐标作出散点图来比较，若点的分布为条带状则说明该测井曲线对中值半径的影响比较明显，如分布比较散乱则说明影响不明显；

所述的测井曲线为电阻率曲线RT、中子曲线CNL、密度曲线DEN、井径曲线CAL、声波曲线AC和伽马曲线GR；

所述径向基函数神经网络模型中的学习方法采用正交最小二乘学习法，该正交最小二乘学习法的特点是每个样本就是一个基函数的中心。

3.根据权利要求1或2所述的基于测井信息的储层岩石中值半径预测方法，其特征在于：所述径向基函数神经网络模型建立预测模型的步骤如下，

第一步、基础资料获取，

所要预测油气田区域中的至少一口取芯井的N个岩石中值半径R₅₀，该N个岩石中值半径R₅₀所在点对应的测井曲线中的电阻率曲线RT、中子曲线CNL、密度曲线DEN、井径曲线CAL、声波曲线AC和伽马曲线GR；

第二步、建立预测模型已知条件和位置条件设定，

假定所述测井曲线为输入，有p个，用x₁、x₂、...、x_p表示；

将要预测的岩石中值半径R₅₀为输出，用y表示；

第三步、建立预测模型，

假定用于建立预测模型的层段有N个取样点，用向量X₁、X₂、...、X_N(N为≥1的自然数)表示输入，其中第k个输入向量X_k＝[x_1k，x_2k，...，x_pk]^T，k＝1、2、...、N(N为≥1的自然数)，所对应的N个输出用向量Y＝[y₁，y₂，...，y_N]^T表示，由此构成径向基函数神经网络模型的N对学习样本集，

X_j＝[x_1j、x_2j、...、x_pj]^T，y_j j＝1、2、...、N(N为≥1的自然数)；

每个基函数对应一个训练数据，各基函数的形式为

(N为≥1的自然数)；

训练数据点X_j是基函数的中心，基函数以输入空间的点X与中心X_j的距离作为函数的自变量，由于距离是径向同性的，所以函数称为径向基函数。

基于径向基函数的人工神经网络模型为

j为模式号、M为训练模式总数、P为度量空间的维数、X为要预测类型的某个点的参数；

将第i个训练数据点X_i分别代入该得到

实际上是一个关于N个未知数ω_j(j＝1、2、...、N，N为≥1的自然数)的线性方程组，令并写成矩阵形式就是

令

则上式就可以写成φW＝Y；

根据Mcchelli定理，如果X₁、X₂、......、X_N各不相同，则矩阵φ是非奇异的，解此方程组可得到N个未知数ω_j(j＝1、2、...、N，N为≥1的自然数)，便可得到基于径向基函数的人工神经网络预测模型

但是在实际中Φ常常是奇异矩阵，为此在网络学习训练中常采用如下Gauss(高斯)函数进行正则化；

等式中N是样本个数；

其中δ称为径向基函数的扩展常数，1/δ²称为平滑因子，也称为稳定因子，d_max是样本间的最大距离；

第三步、通过将测井曲线X_i＝[x_1i，x_2i，...，x_pi]^T代入就可得到相应深度所对应的预测的岩石中值半径R₅₀y_i，i＝1、2、......N，N为≥1的自然数。