[发明专利]一种孔隙度计算方法和装置

说明书

本申请实施例公开了一种孔隙度计算方法和装置，该方法包括：获取第一常规测井数据和多个局部最优孔隙度计算模型；局部最优孔隙度计算模型是利用机器学习算法对包含测井数据和岩心孔隙度数据的样本集进行训练时基于机器学习算法未设定的随机种子数以及K‑Fold交叉验证进行多次最优参数搜索获取的；将第一常规测井数据输入多个局部最优孔隙度计算模型输出多条孔隙度预测曲线；从其中筛选出最终孔隙度预测曲线；通过质量评估算法确定最终孔隙度预测曲线的质量等级；根据评定的质量等级对最终孔隙度预测曲线进行校正。通过该实施例方案，实现了快速、准确地预测全井段各深度处孔隙度，降低了人为因素的影响，实现了对预测质量的评估。

技术领域

本文涉及测井技术，尤指一种孔隙度计算方法和装置。

背景技术

孔隙度是油田勘探和开发中极为重要的一个基础参数，目前油气勘探开发行业常用的储层孔隙度计算方法包括基于地震信息的储层孔隙度反演、岩相模式约束的储层孔隙度计算和基于测井资料的储层孔隙度计算，或以上方法的综合应用。

基于地震信息的储层孔隙度反演方法受地震资料分辨率的限制，很难实现薄储层孔隙度计算，基于岩相约束的储层孔隙度计算方法受相模式多样性的影响，其计算结果存在多解性，且无法实现薄储层孔隙度计算，而基于测井资料的储层孔隙度计算方法则很大程度依赖于丰富、系统的测井资料。

随着人工智能技术广泛应用于石油行业，虽然有各类机器学习算法应用于储层孔隙度的计算，但缺乏系统有效的预测质量评估方法，且机器学习算法计算精度受参数影响极大，调节参数困难、预测结果可信度低成为基于机器学习的区域孔隙度计算方法在油田现场推广的一大难题。

发明内容

本申请实施例提供了一种孔隙度计算方法和装置，能够快速、准确地预测全井段各深度处孔隙度，降低人为因素的影响，并实现对预测质量的评估。

本申请实施例提供了一种孔隙度计算方法，所述方法可以包括：

获取第一常规测井数据，并获取多个局部最优孔隙度计算模型；其中，所述局部最优孔隙度计算模型是利用机器学习算法对包含测井数据和岩心孔隙度数据的样本集进行训练时基于所述机器学习算法的未设定的随机种子数以及K-Fold交叉验证进行多次最优参数搜索获取的孔隙度计算模型；

将所述第一常规测井数据输入所述多个局部最优孔隙度计算模型，由所述多个局部最优孔隙度计算模型输出多条孔隙度预测曲线；

从所述多条孔隙度预测曲线中筛选出一条最优孔隙度预测曲线作为最终孔隙度预测曲线；

通过预设的质量评估算法确定所述最终孔隙度预测曲线的质量等级；

根据评定的质量等级对所述最终孔隙度预测曲线进行相应的校正。

在本申请的示例性实施例中，所述获取多个局部最优孔隙度计算模型包括：

直接调取存储的多个局部最优孔隙度计算模型；或者，

创建所述多个局部最优孔隙度计算模型。

在本申请的示例性实施例中，所述创建所述多个局部最优孔隙度计算模型包括：

对所述测井数据和所述岩心孔隙度数据进行预处理获取同一区域井的岩心孔隙度数据，并获取同一区域井内对应深度的测井数据，对所述测井数据和所述岩心孔隙度数据进行预处理，将处理好的测井数据和岩心孔隙度数据格式化为所述样本集；

将所述样本集输入具有初始参数的预设的机器学习算法中，在未设定所述机器学习算法的随机种子数的情况下，采用K-Fold交叉验证方法，以最优参数搜索的方式自动搜索多次，以获取关于所述机器学习算法的多个局部最优参数；

将所述多个局部最优参数分别输入所述机器学习算法中，获取多个局部最优孔隙度计算模型。