本發(fā)明涉及儲層巖石中值半徑數據采集方法，尤其是快速有效、降低成本、縮短數據采集周期和提高環(huán)保性的基于測井信息的儲層巖石中值半徑預測方法。

背景技術：

巖石中值半徑r50是反映儲層滲透性能的重要指標，在油氣勘探開發(fā)中應用非常廣泛，但是要獲得此指標首先要用專用設備獲取巖心，再用取樣設備在巖心上取樣，然后將取得的樣品放入專門的分析化驗設備-壓汞儀進行測試，費時費力，成本高，且多次取巖心對環(huán)境污染嚴重。

技術實現要素：

本發(fā)明的目的是提供快速有效、降低成本、縮短數據采集周期和提高環(huán)保性的基于測井信息的儲層巖石中值半徑預測方法。

為實現上述目的而采用的技術方案是這樣的，即一種基于測井信息的儲層巖石中值半徑預測方法，其中：

包含所要預測油氣田區(qū)域中的至少一口取芯井，對所述取芯井的巖芯樣品進行孔隙結構分析后得出該取芯井處的巖石中值半徑；

然后與該取芯井中相應深度的測井曲線相對應，找出能取芯井處的值半徑的測井響應特征，該測井響應特征為油氣田區(qū)域中儲層巖石中值半徑的響應特征；

運用徑向基函數神經網絡模型建立預測模型，利用取芯井的測井參數預測所要預測油氣田區(qū)域的巖石中值半徑r50。

本發(fā)明所述方法的優(yōu)點是：快速有效對儲層巖石中值半徑數據采集、降低了成本、縮短了數據采集周期和提高了環(huán)保性。

附圖說明

本發(fā)明可以通過附圖給出的非限定性實施例進一步說明。

圖1為本發(fā)明的具體測井曲線對儲層巖石中值半徑影響的示意圖。

圖2為本發(fā)明實測取芯井的巖石中值半徑和預測取芯井的巖石中值半徑對比示意圖。

圖3為本發(fā)明預測巖石中值半徑的示意圖。

圖4為本發(fā)明對一口油氣井已知巖石中值半徑的預測巖石中值半徑的對比示意圖。

具體實施方式

下面結合附圖和實施例對本發(fā)明作進一步說明：

基于測井信息的儲層巖石中值半徑預測方法，其中：

包含所要預測油氣田區(qū)域中的至少一口取芯井，對所述取芯井的巖芯樣品進行孔隙結構分析后得出該取芯井處的巖石中值半徑；

然后與該取芯井中相應深度的測井曲線相對應，找出能取芯井處的值半徑的測井響應特征，該測井響應特征為油氣田區(qū)域中儲層巖石中值半徑的響應特征；

運用徑向基函數神經網絡模型建立預測模型，利用取芯井的測井參數預測所要預測油氣田區(qū)域的巖石中值半徑r50。在該實施例中，徑向基函數(radicalbasicfunction，rbf)神經網絡模型是由正則理論導出的網絡，與其它網絡相比，rbf網絡具有最佳逼近的特性。

上述實施例中，優(yōu)選地：油氣田區(qū)域中儲層巖石中值半徑的測井響應特征采用單因素作圖的方法觀察比較得出，具體是以取芯井的每條測井曲線的值為橫坐標，以對應深度的儲層巖石中值半徑為縱坐標作出散點圖來比較，若點的分布為條帶狀則說明該測井曲線對中值半徑的影響比較明顯，如分布比較散亂則說明影響不明顯；【參見附圖1，電阻率曲線rt、中子曲線cnl、密度曲線den、井徑曲線cal、聲波曲線ac和伽馬曲線gr對儲層巖石中值半徑的影響】；

所述的測井曲線為電阻率曲線rt、中子曲線cnl、密度曲線den、井徑曲線cal、聲波曲線ac和伽馬曲線gr；

所述徑向基函數神經網絡模型中的學習方法采用正交最小二乘學習法，該正交最小二乘學習法的特點是每個樣本就是一個基函數的中心。在該實施例中，正交最小二乘學習法(orthogonalleastsquares，ols)由于其特點是每個樣本就是一個基函數的中心，是目前訓練rbf網絡應用較多的一種方法。

參見附圖2至4，上述實施例中，優(yōu)選地：所述徑向基函數神經網絡模型建立預測模型的步驟如下，

第一步、基礎資料獲取，

所要預測油氣田區(qū)域中的至少一口取芯井的n個巖石中值半徑r50，該n個巖石中值半徑r50所在點對應的測井曲線中的電阻率曲線rt、中子曲線cnl、密度曲線den、井徑曲線cal、聲波曲線ac和伽馬曲線gr；

第二步、建立預測模型已知條件和位置條件設定，

假定所述測井曲線為輸入，有p個，用x1、x2、...、xp表示；

將要預測的巖石中值半徑r50為輸出，用y表示；

第三步、建立預測模型，

假定用于建立預測模型的層段有n個取樣點，用向量x1、x2，...、xn(n為≥1的自然數)表示輸入，其中第k個輸入向量xk＝[x1k，x2k，...，xpk]^t，k＝1、2、...、n(n為≥1的自然數)，所對應的n個輸出用向量y＝[y1，y2，...，yn]^t表示，由此構成徑向基函數神經網絡模型的n對學習樣本集，

xj＝[x1j、x2j、...、xpj]^t，yjj＝1、2、...、n(n為≥1的自然數)；

每個基函數對應一個訓練數據，各基函數的形式為

(n為≥1的自然數)；

訓練數據點xj是基函數的中心，基函數以輸入空間的點x與中心xj的距離作為函數的自變量，由于距離是徑向同性的，所以函數稱為徑向基函數。

基于徑向基函數的人工神經網絡模型為

j為模式號、m為訓練模式總數、p為度量空間的維數、x為要預測類型

的某個點的參數；

將第i個訓練數據點xi分別代入該得到

實際上是一個關于n個未知數ωj(j＝1、2、...、n，n為≥1的自然數)的線性方程組，令并寫成矩陣形式就是

令

則上式就可以寫成φw＝y；

根據mcchelli定理，如果x1、x2、......、xn各不相同，則矩陣φ是非奇異的，解此方程組可得到n個未知數ωj(j＝1、2、...、n，n為≥1的自然數)，便可得到基于徑向基函數的人工神經網絡預測模型

但是在實際中φ常常是奇異矩陣，為此在網絡學習訓練中常采用如下gauss(高斯)函數進行正則化；

等式中n是樣本個數；

其中δ稱為徑向基函數的擴展常數，1/δ²稱為平滑因子，也稱為穩(wěn)定因子，dmax是樣本間的最大距離；

第三步、通過將測井曲線xi＝[x1i，x2i，...，xpi]^t代入就可得到相應深度所對應的預測的巖石中值半徑r50yi，i＝1、2、......n，n為≥1的自然數。

附圖2和3是一個基于正交最小二乘學習法的徑向基函數人工神經網絡模型的應用實例，所用的輸入x＝[gr，cnl，ac，den，cal，rt]t，輸出為y＝r50，用某口井的孔隙結構資料與測井資料建立了神經網絡預測模型，圖2紅色曲線【曲線1】是實測的中值半徑，藍色曲線【曲線2】是預測的中值半徑，圖3是對另一口沒有孔隙結構資料的井所預測的中值半徑。

圖4是對另一口有孔隙結構資料的井所預測的中值半徑，最后一列紅色橫線條【橫線條3】是實測的中值半徑，藍色曲線【曲線4】是預測的中值半徑。

通過附圖和上述實施例的闡述，本發(fā)明的價值在于利用測井曲線預測未取芯井段的巖石中值半徑，進而確定和劃分有利儲滲段。本發(fā)明克服了單憑取樣分析獲取中值半徑的不足，既獲得了中值半徑在儲層上的連續(xù)性分布，又極大的減低了分析化驗成本，縮短了分析化驗周期，是一種成本低且快速、有效的方法。

顯然，上述所有實施例是本發(fā)明的一部分實施例，而不是全部的實施例?；诒景l(fā)明所述實施例，本領域技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都屬于本發(fā)明保護的范疇。

綜上所述，由于上述方法，本發(fā)明快速有效對儲層巖石中值半徑數據采集、降低了成本、縮短了數據采集周期和提高了環(huán)保性。