一种储层相渗曲线仿真方法与流程

1.本发明涉及储层相渗曲线仿真方法，具体涉及一种基于机器学习算法实现相渗曲线仿真预测的新方法。


背景技术：

2.传统的储层相渗数据的获取目前主要有三种方法：室内实验法、经验公式法和测井资料解释方法。室内实验法能获得完整的相渗曲线，但过程比较精细、昂贵，并且耗时，数据量只占总井数的六十分之一；经验公式法是在缺乏实验数据的情况下进行相关估计，准确度差；测井资料解释方法只是得出在某一含水饱和度下的渗透率值，无法反映出油藏的渗透变化情况。已有的基于神经网络预测的渗透率也都是某一状态下的值，无法预测针对一套物性完整的相渗曲线。在油田开发整体处于高含水阶段，油藏物性与原始状态会有很大变化，需要新的方法来动态反映当前的储层相对渗透率变化状况。


技术实现要素：

3.本发明提供一种储层相渗曲线仿真方法。充分利用现有的油田物性数据，优化应用人工智能算法，实现多属性条件约束，建立储层相渗曲线预测模型，形成油田井、层相渗曲线全集。实现油田每口井目标井段渗曲线的实时生成，使其成为获取储层相渗这一物性数据的必备路径。实现储层渗透性变化预测，准确反映储层现状。推广应用于油藏工程和油藏数值模拟的研究中，有效提升地质研究精度和效率。
4.本发明采用以下技术方案实现：
5.本发明提供一种储层相渗曲线仿真方法，所述方法包括：
6.(1)储层相渗影响因素初步确定；
7.(2)原始数据的融合预处理；
8.(3)筛选、组合储层相渗仿真主要影响因素，确定特征集合；
9.(4)基于预处理数据集，建立独立的训练集和验证集；
10.(5)确定预测算法；
11.(6)生成每一个含水饱和度条件下储层相渗曲线预测模型，校验，汇总，即得。
12.优选地，步骤(1)中，进行围绕岩心的各类物性实验，统计各项试验结果，形成储层相渗影响因素树目录。
13.进一步优选地，所述物性实验包括：孔、渗、饱、碳常规实验、油水相渗实验、润湿性实验、五敏实验、压汞实验、岩电实验。
14.优选地，在步骤(2)中，包括空间和时间上相关数据融合处理；
15.空间上按照井层级别的地质尺度进行测井曲线数据、室内试验数据与地质解释数据多类型数据融合及一致性数据处理；时间上按照同一实验项目的样品编号进行多来源数据的横向融合，并对融合后的数据进行预处理，形成预处理数据集。
16.进一步优选地，所述一致性数据处理，采用实验样品深度值与测井曲线深度值进
行关联。
17.优选地，在步骤(3)中，采用算法筛选特征值，所述算法包括遗传算法、正向逐步回归算法和反向逐步回归算法；优选地，采用反回归算法。
18.优选地，用于筛选的影响因素包括孔隙度、空气渗透率、粒度中值、润湿性，束缚水饱和度、油相最大渗透率、残余油饱和度、残余油饱和度对应的最大水相渗透率及油水两相等渗点。
19.优选地，在步骤4中，含水饱和度以0.1％为间隔，建立每一个含水饱和度条件下人工智能算法训练集与验证集，其中采用30％的数据条数做验证集。
20.优选地，在步骤5中，选择多个算法进行试算，优选地，所述算法包括额外随机树、支持向量机、决策树、神经网络；根据evs、mae、mse、r2算法评估指标进行算法优选。
21.优选地，在步骤6中，采用步骤5确定的预测算法，将油田动态参数作为约束条件，生成每一个含水饱和度条件下储层相渗曲线预测模型，并进行训练；
22.优选地，油田动态参数包括累油、累水；
23.优选地，通过将每一个含水饱和度条件下储层相渗曲线预测模型预测值与实验真实值进行对比来进行模型校验，准确率达90％为合格；若不合格，改进优化模型参数，重新进行训练与验证，直到预测合格；
24.优选地，汇总建立0％-100％含水饱和度范围内的储层相渗曲线预测模型。
25.与现有技术相比，本发明取得的有益效果：
26.(1)本发明方法可实时生成油田单井井段相渗曲线，不受试验条件限制，不受油开发阶段等限制，实时生成井段相渗曲线，实现随着油田开发态势变化而变化的油藏渗流参数实时生成，充分反映出储层的渗透变化预测。
27.(2)本发明方法形成油田单井井段相渗曲线全集，该方法以测井曲线做输入预测相渗曲线特征值，而油田测井曲线做输入最大的优势就是每口井都有。因此单井只要有测井曲线，就可以智能目标井段相渗曲线；为油藏工程研究中油田、区块、井组等不同级别提供相渗数据基础，并解决油藏工程数值模拟时目标块都用一个相渗值的问题，使模拟更准确。
附图说明
28.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
29.图1为本发明一具体实施例所述一种储层相渗曲线仿真方法技术流程图。
具体实施方式
30.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
31.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包
括”时，其指明存在特征、步骤、操作和/或它们的组合。
32.为了使得本领域技术人员能够更加清楚地了解本发明的技术方案，以下将结合具体的实施例详细说明本发明的技术方案。
33.如图1所示，所述储层相渗曲线仿真方法，包括以下步骤：
34.步骤110，储层相渗曲线的业务场景描述，形成树状业务目录；
35.步骤120，原始数据的融合预处理，按照井-小层地质尺度进行测井曲线数据、室内试验数据与地质解释数据多类型数据融合及一致性数据处理；
36.步骤130，采用多种算法筛选特征值，本方法采用反回归算法进行主要物性参数特征选择与确定；
37.步骤140，基于预处理数据集，含水饱和度以0.1％为间隔，建立每一个含水饱和度条件下人工智能算法训练集与验证集；
38.步骤150，优选人工神经网络算法并加入步骤160油田动态参数作为约束条件，生成每一个含水饱和度条件下储层相渗曲线预测模型，并进行训练与验证，成功进入下一步，不成功进行重复训练；
39.步骤170，每一个含水饱和度条件下储层相渗曲线预测模型测试，测试结果不合格转入步骤180，改进优化模型参数，重新回到步骤150进行训练与验证。
40.步骤190，测试结果合格，输出单个含水饱和度运行后的越策模型结果；
41.步骤200，建立0％-100％含水饱和度范围内的储层相渗曲线预测模型。
42.上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。