[发明专利]基于机器学习的测井储层识别预测方法

说明书

本发明提出一种基于机器学习的测井储层识别预测方法。针对常规测井解释方法进行致密气低孔低渗储层流体识别时，由于储层非均质性强、孔隙结构复杂，导致测井解释模型适用性差、准确率低的问题，并且传统的单一机器学习算法容易陷入过拟合、局部最优等问题。本发明采用经典的集成学习算法xgboost，结合试气录井结果和常规测井数据，对致密砂岩储层进行识别，能有效提升预测的精度，缩短了测试人员判别储层的时间，从而节约大量成本。

技术领域

本发明属于机器学习领域，涉及一种基于机器学习的测井储层识别预测方法。

背景技术

集成学习是机器学习的一个分支方向，主要通过组合多个弱学习器形成一个强学习器，采用合适的组合策略对各学习器的预测结果进行综合，以得到较为全面和可靠的判断，从而提高模型预测的精度。相比于单一的机器学习算法，不易陷入过拟合、局部最优等问题。其中xgboost是集成学习的一种较为经典的算法，xgboost是基于GBDT的思想，使用了一阶和二阶导数信息，也可以说它是GBDT的一种，因为其也是基于Gradient和Boosting思想，但是和原始GBDT不同的是：xgboost中引入了二阶导数和正则化。相对于传统的测井解释方法进行致密气低孔低渗储层流体识别时，由于储层非均质性强、孔隙结构复杂，导致测井解释模型适用性差、准确率低的问题。而xgboost却不仅能解决这一问题，还能显著提高储层流体识别的精度。

发明内容

本发明基于单一机器学习算法容易陷入过拟合、局部最优等问题，并且传统的测井解释方法精度不高，适用性差，提出了一种基于机器学习的测井储层识别预测方法。

为解决现有技术存在的问题，本发明采用经典的集成学习算法xgboost，结合试气录井结果和常规测井数据，对致密砂岩储层进行识别，能有效提升预测的精度，缩短了测试人员判别储层的时间，从而节约大量成本。

本发明的技术方案为：

所述一种基于机器学习的测井储层识别预测方法，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。

为了更好的实现本发明，进一步的，所述步骤S1，具体还包括以下步骤：

步骤S1.1：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S1.2: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S1.1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(有些井中是RS)，深侧向：RLLD(有些井中是RD)。