[发明专利]一种低阻页岩含气量预测融合模型方法

说明书

本发明涉及一种低阻页岩含气量预测的融合模型方法。包括以下步骤：S1：整理目标工区页岩气井的测井数据，使用LOF算法进行测井数据异常值检测，利用均值和众数对异常值进行替换；S2:利用最大最小值法对测井数据进行归一化处理；S3：结合地球物理测井知识和斯皮尔曼法筛选输入模型的测井数据类型；S4：利用S3处理后的数据，建立测井数据到岩心含气量间的随机森林、XGBoost和深度神经网络模型；S5：利用Stacking模型融合策略，将S4中的三模型融合，建立泛化性能更佳的低阻页岩含气量预测机器学习模型；本专利从新颖和适用角度出发，基于Stacking模型融合策略，设计了一种可高效预测低阻页岩含气量的机器学习方法，为低阻页岩气开发策略制定提供参考。

技术领域

本发明设计的低阻页岩含气量预测融合模型方法，该方法融合数据挖掘领域的随机森林、XGBoost和深度神经网络模型，得到更高预测准确度的融合机器学习模型。具体提出了数据知识融合驱动思路筛选得到模型输入数据，利用学习曲线参数优化法建立随机森林、XGBoost和深度神经网络作为基模型，融合基模型建立了融合机器学习模型，对低阻页岩含气量作出了准确预测。本发明属于页岩气测井表征技术领域。

背景技术

页岩气是非常规油气藏开发主力、国家能源安全的压舱石。随着中国页岩气开发由浅层迈入深层，在许多工区储层电阻率偏低-特低普遍出现。低阻电阻率页岩气井的含气量存在着巨大差异，严重影响着页岩气开发进度。建立准确且可快速推广的低阻页岩储层含气量表征模型，是各大石油公司迫切需求，关系天然气增产上储的国家战略实现。

通过测井数据建立解释模型得到油气储层的含油气性，是储量计算的关键步骤。储量计算的准确性直接决定油气田开发策略的制定。按照油气藏一般规律，富集油气的层段电阻率较高。但是，由于深层页岩有机质碳化作用等特俗地化作用，变现出不一样的规律，常存在储层电阻率偏低或特低现象。而且，页岩存在强烈的非均质性，测井数据和含气量间关系复杂。低阻页岩情况更加复杂，需要既准确又适用性广的模型来预测其含气量。目前尚无可快速推广的测井解释模型，用于低阻页岩储层含气量准确表征。由此，低阻现象严重制约着页岩气的增产上储进程。

从国内外研究现状来看，对于低阻油藏的研究较为成熟。对于低阻油藏的定义边界给出了明确定义，对低阻油藏的含油饱和度也给出了相应的测井解释模型。修正的双水模型以及阿尔奇公式等方法已经在各低阻碎屑岩油藏评价中得以应用。中国的页岩气刚进入深层开发阶段，低阻现象是随着深层开发而出现的，因此，对于低阻页岩含气量准确预测的相关研究成果极少。一些学者按照传统地球物理测井解释思路，优选了密度测井、密度孔隙度、密度与中子孔隙度测井数据，优化最佳叠合系数的双孔隙度重叠等多种方法建立了页岩气含气饱和度计算模型。此外，有学者建立了基于TOC的低阻页岩含气饱和度计算模型，对前述方法进行了改进。基于传统的测井解释模型主要存在两点问题：(1)过程繁琐，需因地制宜建立不同模型，建模成本高；(2)存在较多地区经验常数，这些常数随工区改变而改变，每个新工区需要求取对应的常数。页岩气藏的开发有一定时间节点，而传统测井解释的这两点问题又限制了其快速推广应用。

发明内容

为了解决上述所提问题，本发明提出了一种融合机器学习模型用于低阻页岩含气量预测模型。融合模型是当下最先进的数据挖掘方法，它集成多个基础机器学习模型的优势，挖掘数据间非线性关系和泛化能力得到极大提升。本发明融合了随机森林、XGBoost和深度神经网络模型，前者有着很好的泛化性能、后两者则在挖掘数据间非线性关系有着非凡表现，融合三者使得模型兼具准确性和适用性。此外，在模型建立过程中提出了知识数据融合驱动的数据筛选思路，提高了数据筛选的科学性。本融合模型可以准确预测低阻页岩含气量，助力页岩气藏开发策略制定。

一种低阻页岩含气量的融合模型预测方法，其特征在于，详述其具体步骤如下：