[发明专利]一种油气储层渗透率预测模型的构建方法及其应用

说明书

本发明属于油井储层参数预测领域，具体涉及一种油气储层渗透率预测模型的构建方法及其应用，方法包括获取待测油井目标样本集和辅助油井辅助样本集；从辅助样本集选出多个样本构成分类训练样本集，结合目标样本集二类训练分类器；采用训练的分类器生成辅助样本集中各样本与待测油井相关性大小以作为该样本初始权重，从辅助样本集中确定初始权重大于过滤阈值的多个样本构成辅助训练样本集；调整该多个样本初始权重使得各样本权重加和不大于目标样本集中各样本权重加和；基于目标样本集、辅助训练样本集以及各样本权重训练渗透率预测模型。本发明适用于新井训练样本不足下的储层渗透率预测，提高在低比例训练样本数据集下油气储层渗透率预测准确性。

技术领域

本发明属于石油工程储层参数预测领域，更具体地，涉及一种油气储层渗透率预测模型的构建方法及其应用。

背景技术

渗透性是一种描述流体通过岩石的特征，也是评估石油工程中油藏质量的关键参数，在提高采收率，油气开发、储层评估管理与油气开发等方面起着重要作用。如果能准确估算储层渗透率，将有利于储层评价和生产优化，从而降低生产成本。然而，由于油气储层的非均质性和复杂的地层结构，准确预测储层渗透率是一个挑战。

储层渗透率预测方法可以分为三种类型：直接测量、经验模型和机器学习方法。直接测量方法是根据渗透率的定义(达西定律)直接测量各项物理参数，并计算出岩心渗透率，目前是获取储层渗透率较为准确的方法之一。经验模型方法是基于一些物理模型使用岩心数据建立的一系列非线性方程组。它可以根据岩石物理理论合理地解释地层参数对储层渗透率的影响，其主要思想是通过统计回归研究地层参数与渗透率之间的关系，最终建立渗透率与地层参数之间的物理模型。不同于复杂的物理模型方法，机器学习方法直接利用样本数据建立输入与输出之间的非线性关系。这三种方法虽然在储层渗透率预测领域有了广泛的应用，但是在渗透率预测方面仍有一些局限性：(1)直接测量方法耗时长，成本高；(2)由于地层非常复杂且难以描述，因此，经验模型方法无法建立较为准确的渗透率预测模型；(3)机器学习方法输入样本的部分地质参数需要间接测量或计算获取，此外还需要大量的训练样本进行模型训练，当训练样本不足时预测效果不佳。

发明内容

本发明提供一种油气储层渗透率预测模型的构建方法及其应用，用以解决现有油气储层渗透率预测模型构建中新训练样本不足导致预测精度不高的技术问题。

本发明解决上述技术问题的技术方案如下：一种油气储层渗透率预测模型的构建方法，包括：

获取待测油井的测井数据样本集并作为目标样本集，同时获取辅助油井的测井数据样本集并作为辅助样本集；

从所述辅助样本集中选出多个测井数据样本构成分类训练样本集，并将所述分类训练样本集和所述目标样本集作为两类，训练分类器；

采用训练后的分类器，生成所述辅助样本集中每个测井数据样本与所述待测油井的相关性大小以作为该样本的初始权重，并从所述辅助样本集中确定初始权重大于过滤阈值的多个测井数据样本，构成辅助训练样本集；

对所述辅助训练样本集中每个测井数据样本的初始权重进行调整，使得所述辅助训练样本集中各测井数据样本的权重加和不大于所述目标样本集中各样本的预设权重加和；

基于所述目标样本集、所述辅助训练样本集以及各样本的权重，训练并得到油气储层渗透率预测模型，造成油气储层渗透率预测模型的构建。

本发明的有益效果是：本发明首次将迁移学习思想应用于储层渗透率预测，首先通过过滤阈值对辅助样本进行初筛，得到辅助训练样本集。进一步提出样本集权重概念，综合考虑辅助训练样本集与目标样本集的贡献，对辅助训练样本集中各样本权重进行调整，保证目标样本集的总权重不小于辅助训练样本集的总权重。本方法适用于新井训练样本不足情况下的储层渗透率快速预测，提高了在低比例训练样本数据集下的油气储层渗透率预测准确性，通过迁移相关性高的辅助样本有效地解决了跨井储层渗透率预测问题。