一种基于遗传算法驱动支持向量机的烃源岩类型识别方法

摘要

本发明公开一种基于遗传算法驱动支持向量机的烃源岩类型识别方法，该方法通过岩石热解分析仪对岩样进行热解分析，并测量样品的S0、S1、S2、S4、Tmax、总有机碳含量TOC等关键参数，通过HI‑Tmax图版识别烃源岩类型，结合研究区地质特征进一步分析不同类型烃源岩的测井响应特征，依据不同类型烃源岩测井响应，建立基于遗传算法驱动的支持向量机识别烃源岩类型。本发明采用了地球物理方法基于常规测井曲线数据来识别烃源岩类型，打破了使用常规地球化学参数交会图识别烃源岩类型的局限性，可以根据已建立的研究区域的识别模型对多口井资料进行处理，对烃源岩类型的识别具有重要意义。

说明书

技术领域

本发明涉及油气勘探开发领域，具体地说是涉及一种基于遗传算法驱动支持向量机的烃源岩类型识别方法。

背景技术

烃源岩是一种富含沉积有机质，已经生成并排出足以形成商业性油气聚集的烃类岩石。烃源岩的有机质类型是表示烃源岩生烃潜力的重要指标，是烃源岩质量评价的关键参数之一。不同类型的成烃母质具有不同的成烃潜力。I型-腐泥型，产烃潜力最高，以产油为主；Ⅱ型-混合型，其产烃潜力比I型低；Ⅲ型-腐植型，与I、Ⅱ型相比热解产物很少，生油能力差，以生气为主。常见的烃源岩类型划分的方法包括氧指数-氢指数(OI-HI)、氢指数-最高裂解温度(HI-Tmax)交会图版。传统评价烃源岩类型普遍采用地球化学参数的方法，通常需要对样品进行热解并测试和计算样本的地球化学参数，根据热解获得的参数对烃源岩进行分类。

发明内容

本发明的目的在于提供一种基于遗传算法驱动支持向量机的烃源岩类型识别方法，该方法采用常规测井曲线对烃源岩进行识别。

本发明所采用的技术解决方案是：

一种基于遗传算法驱动支持向量机的烃源岩类型识别方法，包括以下步骤：

(1)将岩芯、岩屑样品研磨成粉末，称取100mg放入岩石热解分析仪内，进行检测，获取90℃检测的单位质量烃源岩中的烃含量S

(2)按照下述方法计算总有机碳，计算公式如式(1)：

TOC＝0.083×(S

式(1)中：TOC-总有机碳，％；

S

S

S

S

(3)依据HI-Tmax图版识别烃源岩类型，HI由下述方法计算，计算公式如式(2)：

式(2)中：HI-氢指数，mg/g；

(4)采集烃源岩样品实际测井曲线，包括自然伽马、中子、声波、密度、电阻率、钾含量、铀含量、钍含量八条常规测井曲线，并绘制常规测井交会图版，分析不同类型烃源岩常规测井曲线特征；

(5)对测井曲线进行预处理，具体包括以下步骤：

(51)将八条测井曲线线性融合后生成综合分层曲线，并采用对称差斜率法进行测井曲线自动分层；

式(3)中，T

x

R-采样间距；

(6)将预处理之后的测井曲线作为测试样本，采用支持向量机建立基于测井曲线特征识别烃源岩类型的模型；

(7)对此区域的测井数据进行步骤(5)预处理之后作为测试样本，根据步骤(6)构建的模型预测单井全井段油页岩的烃源岩类型。

优选的，步骤(1)中：将样品放入岩石热解分析仪内，按照设定的程序进行升温；将样品加热至90℃恒温2min，检测岩石中轻烃含量S

优选的，步骤(4)中：所述常规测井交会图版包括CNL-AC、DEN-GR、RT-K。

优选的，步骤(5)中还包括以下步骤：

(52)通过标准化处理消除不同测井参数间量纲影响，数值范围规范化为0-1之间，以及通过主成分正交化处理消除输入参数间的相关性，去除冗余信息。

优选的，步骤(6)中：首先设置SVM基本参数，选取RBF核函数用于多类别分类，通过遗传算法进一步优化核函数中的参数gamma和惩罚因子Cost，构建GA-SVM模型用于识别烃源岩类型。

本发明的有益技术效果是：

本发明考虑了常规测井曲线在烃源岩类型识别中的应用，建立了基于遗传算法优化的支持向量机模型用于识别烃源岩的类型，打破了常规使用地球化学参数识别烃源岩类型的局限性，可以根据已建立的研究区域的识别模型对多口井资料进行处理，对烃源岩类型的识别具有重要意义。

附图说明

下面结合附图与具体实施方式对本发明作进一步说明：

图1为本发明提供的一种基于遗传算法驱动支持向量机的烃源岩类型识别方法的流程图；

图2为本发明实施例所提供的依据地球化学参数方法确定研究区烃源岩类型的HI-Tmax图版；

图3为本发明实施例所提供的依据HI-Tmax图版确定的不同烃源岩类型的中子-声波交会图；

图4为本发明实施例所提供的依据HI-Tmax图版确定的不同烃源岩类型的密度-自然伽马交会图；

图5为本发明实施例所提供的依据HI-Tmax图版确定的不同烃源岩类型的电阻率-钾含量交会图；

图6为本发明实施例所提供的依据GA-SVM模型识别烃源岩类型的流程图；

图7为本发明实施例所提供的GA-SVM模型应用识别烃源岩类型实例；

图8为建立的GA-SVM模型应用到实际测井中的测井图。

具体实施方式

本发明公开一种基于遗传算法驱动支持向量机的烃源岩类型识别方法，该方法通过岩石热解分析仪对岩样进行热解分析，并测量样品的S

下面结合附图对本发明进行更为具体地说明。

如图1所示，本发明提供一种基于遗传算法驱动支持向量机的烃源岩类型识别方法，包括以下步骤：

S1.将岩芯、岩屑样品研磨成粉末，称取100mg放入岩石热解分析仪内，按照设定的程序进行升温。先将样品加热至90℃恒温2min，检测岩石中轻烃含量S

本步骤中，对烃源岩样品进行研磨，有利于保证后续地球化学参数测量的准确性。烃源岩样粉碎至0.07～0.15mm。

S2.按照下述方法计算总有机碳，如式(1)：

TOC＝0.083×(S

式(1)中：TOC-总有机碳，％；

S

S

S

S

S3.依据HI-Tmax图版识别烃源岩类型，HI由下述方法计算，如式(2)：

式(2)中：HI-氢指数，mg/g；

如图2所示，本步骤中，采用HI-Tmax图版识别烃源岩类型，将烃源岩划分为三种不同类型，依据Tmax划分烃源岩成熟度，将烃源岩分为低成熟、成熟、高成熟和过成熟四个阶段。

S4.采集烃源岩样品实际测井曲线，包括自然伽马(GR)、中子(CNL)、声波(AC)、密度(DEN)、电阻率(RT)、钾含量(K)、铀含量(U)、钍含量(TH)八条常规测井曲线，并绘制常规测井交会图版CNL-AC、DEN-GR、RT-K进一步分析不同类型烃源岩常规测井曲线特征。

本步骤中，依据热解法绘制的图版划分烃源岩类型，进一步结合其对应的常规测井资料，分析不同烃源岩类型的测井响应特征。基于测井常见的交会图识别岩性、流体性质的方法，本发明首先绘制了不同类型烃源岩的测井特征值交会图，见图3(CNL-AC)、图4(DEN-GR)、图5(RT-K)，从三种不同的交会图中可以看出，三种类型烃源岩的测井值分布范围非常相近，很难通过简单的线性关系划分不同类型的烃源岩。

S5.将八条测井曲线线性融合后生成综合分层曲线，并采用对称差斜率法进行测井曲线自动分层；

式(3)中，T

x

R-采样间距。

本步骤中，将上述烃源岩样本的测井曲线特征值作为输入样本，综合考虑各个曲线的贡献值进行综合分层，并采用了常用的对称差斜率法进行测井曲线自动分层。

S6.进一步对输入的测井参数进行预处理，包括通过标准化处理消除不同测井参数间量纲影响，数值范围规范化为0-1之间，以及通过主成分正交化处理消除输入参数间的相关性，去除冗余信息。

本步骤为对输入的样本进行数据预处理，进行标准化处理将输入参数范围规范为0-1之间，进一步提升模型的收敛速度和精度，和对数据进行主成分正交化处理，将数据降维。

S7.将预处理之后的测井曲线作为测试样本，采用支持向量机建立基于测井曲线特征识别烃源岩类型的模型；首先设置SVM基本参数，选取RBF核函数用于多类别分类，通过遗传算法进一步优化核函数中的参数gamma和惩罚因子Cost，构建GA-SVM模型用于识别烃源岩类型。

参见图6，本步骤为基于遗传算法对SVM参数优选，首先对需要优化的C和g进行编码，然后设置初始种群参数，最大进化代数maxgen：100，种群最大数量sizepop：40，交叉概率pCrossover：0.4，变异概率pMutation：0.01，惩罚因子C变化范围[0.1，100]，RBF核参数g的变化范围[0.01，1000]，计算适应度函数并判断是否达到精度，如未达到精度，则进行选择、变异、交叉产生新种群并再次计算适应度函数，如果达到精度则输出最优参数C、g。

参见图7为建立的烃源岩类型识别的遗传算法驱动的支持向量机模型，根据遗传算法优选的参数C、g分别为1.99和35.40，模型准确率达到81.08％。

S8.对此区域的测井数据进行上述预处理之后作为测试样本，根据步骤S7构建的GA-SVM模型预测单井全井段油页岩的烃源岩类型。

参见图8为建立的GA-SVM模型应用到实际测井中，测井图第十栏为HI-Tmax图版划分的烃源岩类型，第十一栏为GA-SVM模型识别及预测得到的烃源岩类型。HI-Tmax图版与GA-SVM分类结果具有较高的一致性，说明模型结果的预测精度较准确。