[发明专利]基于测井信息的储层岩石中值半径预测方法

说明书

技术领域

本发明涉及储层岩石中值半径数据采集方法，尤其是快速有效、降低成本、缩短数据采集周期和提高环保性的基于测井信息的储层岩石中值半径预测方法。

背景技术

岩石中值半径R₅₀是反映储层渗透性能的重要指标，在油气勘探开发中应用非常广泛，但是要获得此指标首先要用专用设备获取岩心，再用取样设备在岩心上取样，然后将取得的样品放入专门的分析化验设备-压汞仪进行测试，费时费力，成本高，且多次取岩心对环境污染严重。

发明内容

本发明的目的是提供快速有效、降低成本、缩短数据采集周期和提高环保性的基于测井信息的储层岩石中值半径预测方法。

为实现上述目的而采用的技术方案是这样的，即一种基于测井信息的储层岩石中值半径预测方法，其中：

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。

本发明所述方法的优点是：快速有效对储层岩石中值半径数据采集、降低了成本、缩短了数据采集周期和提高了环保性。

附图说明

本发明可以通过附图给出的非限定性实施例进一步说明。

图1为本发明的具体测井曲线对储层岩石中值半径影响的示意图。

图2为本发明实测取芯井的岩石中值半径和预测取芯井的岩石中值半径对比示意图。

图3为本发明预测岩石中值半径的示意图。

图4为本发明对一口油气井已知岩石中值半径的预测岩石中值半径的对比示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明：

基于测井信息的储层岩石中值半径预测方法，其中：

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。在该实施例中，径向基函数(Radical Basic Function，RBF)神经网络模型是由正则理论导出的网络，与其它网络相比，RBF网络具有最佳逼近的特性。

上述实施例中，优选地：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；【参见附图1，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对储层岩石中值半径的影响】；

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。在该实施例中，正交最小二乘学习法(Orthogonal Least Squares，OLS)由于其特点是每个样本就是一个基函数的中心，是目前训练RBF网络应用较多的一种方法。

参见附图2至4，上述实施例中，优选地：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；