[发明专利]基于储层元目标不变特征描述的岩性识别方法

说明书

本发明提出一种岩性识别方法，特别是涉及一种基于储层元目标的不变特征描述的岩性识别方法。该方法通过对测井曲线不变特征的提取以及描述，在实现元目标自动分层的同时，将元目标的不变特征嵌入到岩性识别的机器学习模型中，最终在未知井机器模型应用中实现了岩性预测，在保留局部储层个性的同时，大大增强了储层描述的泛化能力，不仅解决了目前利用测井曲线进行岩性识别时跨井可推广能力制约机器学习方法引入的瓶颈问题，还提升了储层描述精度和可靠性。

技术领域

本发明提出一种岩性识别方法，特别是涉及一种基于储层元目标的不变特征描述的岩性识别方法。

背景技术

随着我国大部分老油田已经进入中晚期开发阶段，非常规油气资源的勘探开发已经成为当前老油田实现稳产增产、延长生产寿命的最主要途径。无论是老油田非常规油气资源的勘探开发，还是新油气资源的精准预测开发，都是当今我国各主要油田企业所面临的不可回避的难题。

地球物理测井数据是获取油气藏资源描述信息的最主要信息源之一。由于利用不同类型的地球物理测井曲线数据集进行目标储层分层是后续岩性识别、测井相分析、储层划分及含油性的井间参数预测等工作的重要基础，将直接影响这些后续应用的性能，因此为了有效解决上述所说难题，放在首要任务的就是必须能对目标储层的地质变化情况进行更加精确的描述。利用测井曲线进行分层的物理本质是把目标储层划分成多个具有相同地质特征的小层，进而可以减少储层描述所需分析的数据量并在一定程度上减小非地层因素的影响。显然，准确可靠的岩性识别对油气资源的勘探开发工作均具有非常重要的实际意义。

目前，国内外相关企业及学术研究机构已经进行了大量的测井大数据储层描述方面的研究。在理论研究方法方面，当前采用技术主要三类方法：以地质统计学为基础的确定性或随机性地质建模及储层表征方法；经典机器学习方法；集成学习/深度学习方法。然而，经典地质地球物理技术发展速度慢且人力和时间等成本高，无法跟上通信、存储、计算能力的高速发展；单一机器学习方法过拟合风险大、推广能力差；集成学习方法虽然具有一定的生命力，但是无法实现日益增长的多源异构井震大数据的充分利用；深度学习方法在很多其他领域中虽然体现出了超强的挖掘相关大数据潜在价值的能力，但是当前井震多源异构大数据还无法达到深度学习方法的适用条件，无法充分发挥其能力。然而，实际油气资源的贮存状态越来越复杂，且变化快，模式散乱多变，单一或简单多模式描述无法适应这一实际情况。特别是当面对中晚期老油田的后期开发挖潜，以及新油气资源储量有效动用方面，大范围高精度测井曲线的作用非常突出。此外，不同井间的测井数据统计特性往往具有不可忽略的差异，简单的曲线标准化处理等又很难弥补这种差异甚至带来新的信息丢失。

因此，针对测井曲线薄砂体的分层属性，面向目标的多地质对象样本，以及通过面向对象的测试数据与样本数据的关联匹配实现面向对象的井间岩性及岩相的有效识别是油田急需迫切攻克的关键性技术。

发明内容

本发明的为解决现有测井曲线的原始空间幅度特征不具有井间不变性的问题。本发明提供了一种基于储层元目标的不变特征描述的岩性识别方法。

它包括如下步骤：

步骤S1：通过对每个深度采样向量取纵向上相邻点的相关性度量得到储层相关性特征和对相关性特征的测度距离取差分得到对应的相关差特征，实现多测井曲线间的相关不变性特征提取；

步骤S2：通过对每个深度采样向量的邻域向量集进行横向上的奇异值分解实现多曲线储层结构张量特征的提取和对每条曲线进行纵向上局部二值模式LBP纹理特征提取，实现多测井曲线间的结构不变性特征提取；

步骤S3：通过对测井曲线数据集的统计信息描述得到的微观不变矩特征获得局部统计特征和借助宏观灰度共生不变性纹理特征获得全局统计特征，得到其井间不变性特征，实现多测井曲线间的统计不变性特征提取；

步骤S4：结合利用步骤S1中获得的相关差特征和步骤S2中获得的张量特征得到储层元目标精细准确的地质边缘分层点，从而实现自动分层；