[发明专利]基于机器学习的测井储层识别预测方法

权利要求书

1.一种基于机器学习的测井储层识别预测方法，其特征包括以下步骤：

步骤S1：准备数据，构建测井数据库，选取常规测井数据及试气数据作为输入，并对所述数据进行标注，根据预先特征选取规则获取已有井的数据信息；

步骤S2：根据采集到的数据集，对数据进行预处理，并将其中的脏数据进行清洗，确保数据的准确性和可靠性,并对数据进行二分类处理；

步骤S3：针对复杂的致密砂岩储层，进行数据重采样和相关性分析，采用生成式对抗网络GAN对小样本进行数据增强，从而平衡样本的数据量；

步骤S4：构建xgboost集成学习的储层识别模型，将常规测井数据及试气数据输入至已经训练好的xgboost集成学习储层识别模型，实现储层精准分类的效果,并对模型进行评估。

2.根据权利要求1所述一种基于机器学习的测井储层识别预测方法，其特征在于所述步骤S1包括以下步骤：

步骤S11：根据本领域的专业人员充分收集相关资料以及经验积累，对于厚一点的层取中间部分数据，薄一点的层取中间数据的峰值，针对于厚薄层的区分，做了如下设定：井径(CAL)区间大于等于1米的为厚层，井径小于1米的为薄层；由于原始测井数据中按照每0.125米的间隔取一个数据点，每层的厚度也存在较大的差异，导致每层包含的点数都不一样，为了进一步提高数据的可靠性，则设定了储层数据采集区间的规则：每层点数小于20的井段取中间10％的数据；每层点数大于20小于40的井段取中间20％的数据；每层点数大于40的井段取中间50％的数据；

步骤S12:根据本领域的专业人员对储层气水特征分析和测井响应研究，从步骤S11中选取气水识别敏感的特征数据组成数据集，所述特征数据为:深度DEPTH,井号JING,层位WEI,自然电位SP，光电指数PE，井径CAL，自然伽马GR，铀U，钍Th，钾K，声波时差AC，补偿中子CNL，补偿密度DEN，浅侧向RLLS，深侧向RLLD；

步骤S13:将步骤S12中得到的数据集进行标注，将任务类型分为气层、气水同层、差气层、含气水层、水层和干层，分别用1，2，3，4，5，6作为类别编号；再将任务对应的编号作为标签，得到带标签的数据集；此外，为了确保标签数据的准确性，根据研究领域专业人员的分析，将试气结果作为标签数据标注的第一标准，录井结论作为第二标准，测井解释作为第三标准，优先级依次降低，由此确定最终的标签值；最后将得到的带标签的数据集划分为训练集与测试集。

3.根据权利要求1所述一种基于机器学习的测井储层识别预测方法，其主要特征在于所述步骤S2包括以下步骤：

步骤S21：针对步骤S1中采集到的数据集进行预处理，为了数据的准确性和可靠性，首先需要对一些脏数据进行清洗，包括格式错误的数据，不符合逻辑的数据，对储层识别结果影响不大的数据等。可以将类似于“-999999”这样的值剔除掉，或者对非数NAN进行填补；其次对数据进行归一化处理，从而消除奇异样本数据导致的不良影响，采用min-max标准化的方式进行归一化处理，对原始数据进行线性变换，使结果值映射到[0-1]之间，转换函数如下：

其中max为样本数据的最大值，min为样本数据的最小值；最后对数据的缺失值进行均值填充；

步骤S22:在构建的测井数据库中，根据研究领域专业人员的探索和分析，气层、气水同层、差气层、含气水层、水层和干层这六类测井数据样本存在一些共性，为了解决样本类别较多的情况，从而降低模型对储层识别做出误判的情况，提出了二分类的方法，分别为水相关和气相关，将气层、差气层和干层作为气相关这一类，将气水同层、含气水层和水层作为水相关这一类。