[发明专利]一种基于地层因素的岩石热物理参数的预测方法

说明书

本发明公开了一种基于地层因素的岩石热物理参数的预测方法，包括以下步骤：采集研究区域不同岩性的岩石并制备试样；测量试样的密度、孔隙度、纵波速度、横波速度、电阻率；在常温常压、温度T压力P条件下，分别测试热导率，并计算热扩散系数和比热容；将上述常温常压下获得的密度、孔隙度、纵波速度、横波速度、电阻率、热导率、热扩散系数和比热容输入BP神经网络模型中进行训练；利用常温常压对温度T压力P条件下岩石热物理参数进行校正得到地层热物理参数剖面。采用该方法预测的热物理参数其应用范围广。

技术领域

本发明涉及岩石热物理参数的预测方法领域，更具体的说是涉及一种基于地层因素的岩石热物理参数的预测方法。

背景技术

岩石的热物理性质在地热、岩石圈热结构、岩土工程等领域有着重要的研究与应用，在油气领域也备受关注。通常是通过钻取深部岩心室内测试来获取热物理参数，但是这种传统的方式会受到取样数量、取样条件、时间等因素的限制，不能较为准确地代表地下岩石真实的热物理性质。Evans et al.(1977)建立了沉积岩中热导率与孔隙度、波速和密度的关系，不过这种关系只适用于特定的地区和岩性；Merkl et al.(1976)对石灰岩地层的测井资料分析后获取了岩石主要的矿物成分及含量，通过每种矿物组成的标准热导率，计算得到了岩石骨架的热导率，不过这种方法需要有详细的测井资料来得到岩石矿物组分；Vacquier et al.(1988)、Hartmann et al.(2005)利用密度、声波等测井曲线预测了地层的热导率；欧新功等(2006)利用纵波速度预测了地层的热导率；Esteban et al.(2015)、马峰等(2019)基于室内试验，用纵波速度和孔隙度预测了岩心热导率，这些预测方法都忽略了温度和压力对对岩石热物理参数的影响，造成预测结果的局限性。

发明内容

本发明为了解决上述技术问题，研发一种基于地层因素的岩石热物理参数的预测方法，其对不同岩性岩样在不同温度压力条件下测试的热物理参数，基于密度、孔隙度、纵波速度、横波速度、电阻率，利用BP神经网络模型实现热物理参数的预测，其应用范围广。

本发明通过下述技术方案实现：

一种基于地层因素的岩石热物理参数的预测方法，包括以下步骤：

A、采集研究区域不同岩性的岩石并制备试样；

B、测量试样的密度、孔隙度、纵波速度、横波速度、电阻率；

C、在常温常压、温度T压力P条件下，分别测试热导率，并计算热扩散系数和比热容；

D、将上述常温常压下获得的密度、孔隙度、纵波速度、横波速度、电阻率、热导率、热扩散系数和比热容输入BP神经网络模型中进行训练；所述BP神经网络模型以密度、孔隙度、纵波速度、横波速度、电阻率为输入参数，并以热导率、热扩散系数和比热容为输出参数；

E、利用常温常压对温度T压力P条件下岩石热物理参数进行校正得到地层热物理参数剖面。

本发明与现有技术相比，具有如下的优点和有益效果：

1、本方法对不同岩性岩样在不同温度压力条件下测试的热物理参数，测量密度、孔隙度、纵波速度、横波速度、电阻率，利用常温常压下密度、孔隙度、纵波速度、横波速度、电阻率、热物理参数训练BP神经网络模型，利用BP神经网络模型实现热物理参数的预测，并以常温常压数据校正高温高压的热物理参数，得到地层热物理参数剖面，其应用范围广。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。

图1为本发明的原理图

图2为本发明建立的BP神经网络模型结构。

图3为本发明BP神经网络模型训练界面。