一种基于机器学习的断层封闭烃柱高度评价方法

摘要

本发明涉及一种基于机器学习的断层封闭烃柱高度评价方法，该方法包括：1、基于地震、井基础资料建立三维断层模型；2、在三维工区中提取断层控圈部分的封闭属性数据并构建“封闭属性——烃柱高度”数据集，通过机器学习分类算法构建“断层圈闭油水界面评价模型”；3、提取待评价控圈闭断层的封闭属性参数，以之为评价模型的输入项，以输出项形式获得待评价圈闭的油水界面区间及概率；4、基于圈闭评价得出的油水界面区间及概率，绘制待评价圈闭概率最大的“烃‑水界面”范围，计算相应地质储量。该方法能够保障断层封闭能力影响因素的数据来源准确性和数据结构完整性，最终落实到圈闭有效范围、可封闭烃柱高度和地质储量。

说明书

技术领域

本发明是属于一种适用于油气勘探阶段，具体涉及一种基于机器学习的断层封闭烃柱高度评价方法。

背景技术

断层圈闭是指断层作为遮挡条件的油气聚集场所，断层封闭烃柱高度评价是一项预测断层圈闭烃类聚集程度的风险评价工作，是影响油气田勘探最后环节的核心因素。在油气(烃)运移和聚集过程中，断层的封闭能力决定了断层圈闭油气的富集程度，近二十年来，针对不同的断层封闭类型，地质学家已经发明了多种评价断层封闭能力的方法，例如评价“岩性对接封闭”采用的三角图(Knipe图解)和岩性对接图(Allan图)，评价“断层岩封闭”采用的断层泥展布特征预测参数(包括SGR、SSF、CSP等)，以及通过这类预测参数与已钻探油气藏的油气分布数据，或实验室实测断层物性数据建立半定量-定量关系，用以预测勘探圈闭。

上述方法得到了较广泛的应用，在一定应用场景下，可实现对断层封闭能力的表征。但这类方法都是采用单一地质因素来描述断层的封闭能力，且评价结果趋于绝对，通常与实际钻探结果存在较大偏差。这是因为断层封闭能力受多种地质因素的影响，除了岩性对接类型和断层泥含量以外，母岩物性和力学性质、断层带结构、断层的几何学和运动学特征等，均会对复杂场景下的断层封闭能力产生不同程度的影响。因此，在影响因素的系统化研究基础上，建立基于多维度影响因素的断层封闭烃柱高度评价模型，是提高断层封闭能力评价精度，实现客观的断层圈闭勘探风险性评价的重要途径。

发明内容

本发明的目的是为了得到更精准、客观的圈闭烃柱高度及其概率分布，提供一种基于机器学习的断层封闭烃柱高度评价方法，该方法区别于传统的仅考虑断层泥含量的评价模型，是通过BP神经网络的机器学习方法，建立一种基于多维度影响因素的断层封闭烃柱高度评价模型，旨在为勘探目标优选和井位部署提供可靠依据。

本发明的目的是通过以下技术方案实现的：一种基于机器学习的断层封闭烃柱高度评价方法，所述方法包括以下步骤：

步骤一：建立三维地质模型，依据所获取的三维地震解释数据(包括地层和断层解释成果)和井基础资料，通过FAPSeal软件建立三维地质模型。

步骤二：对研究区进行精细油藏解剖，选取研究区多个受断层控制的已钻探油气藏进行精细解剖，得到各油气藏的圈闭要素和烃水界面，并计算出圈闭所封闭的烃柱高度，建立圈闭要素统计表。

步骤三：断层封闭属性数据集构建，依据油藏解剖成果，在三维工区中，通过对控制烃类分布的断层进行解剖，提取控烃部分的断层封闭属性数据，将该数据作为特征值，烃柱高度作为目标值进行断层封闭属性数据集构建。

步骤四：对所提取的原始“断层封闭属性数据”进行数据预处理。通过断层封闭属性相关性分析，去除无效属性，优化数据集。之后以数据量均衡为前提，对烃柱高度进行分段处理，形成以烃柱高度段为分类单元的多类数据构成的学习数据集，最后将分段后的数据按照7：3的比例随机划分为训练集和测试集。

步骤五：BP神经网络模型构建。选取BP神经网络作为机器学习分类算法，在模型训练过程中，采用粒子群算法以优化模型，利用测试集，对该条件获得的神经网络评价模型进行测试，完成基于BP神经网络的断层封闭能力评价模型的建立。

步骤六：以待评价圈闭的断层封闭属性为输入项，以输出项形式获得待评价圈闭的烃柱高度范围、烃水界面范围及概率，并在平面图上绘制待评价圈闭概率最大的“烃-水界面”范围，得出圈闭面积。最后，结合储层平均孔隙度、碾平厚度、圈闭面积，计算待评价圈闭的地质储量。

本发明所产生的技术效果：

1、传统的断层封闭评价模型，是通过建立断层泥含量和过断层压差关系来实现断层封闭能力评价模型的构建，但断层封闭能力的影响因素不只断层泥含量这一种。本发明综合了断层泥含量、断距、有效正应力、走向、倾角、断层剪切应变及纵向应变、倾向滑移梯度、纵向梯度和横向梯度这10种在不同程度上影响着断层封闭能力的因素。

2、本发明创新性地把BP神经网络的机器学习方法应用到断层圈闭的勘探评价中，有效地综合上述的10种影响因素对圈闭烃柱高度以及油水界面进行预测，准确率达到约80％，相对于传统预测方法，误差大幅降低。

BP神经网络易陷于局部最优和收敛速度慢等问题，在模型训练过程中，采用粒子群算法以提高训练模型的鲁棒性，避免欠拟合和过拟合现象的发生，用PSO算法优化BP神经网络的中间权值和阈值，可以大幅度提高BP神经网络的效率。

附图说明

图1是双27-28——双25-26井油藏剖面图；

图2是皮尔逊相关系数图；

图3是BP神经网络预测流程图；

图4是模型准确度图；

图5是要素权重分布图；

图6是烃水界面范围图；

图7是预测烃水界面图；

图8是F3断层烃水界面范围图；

图9是F3断层预测烃水界面图；

图10是F3断层传统方法预测油水界面；

图11是预测结果对比图；

图12是装置示意图。

具体实施方式

下面结合实施例对本发明进一步说明：

一种用于评价断层封闭烃柱高度的方法，所述方法包括以下步骤：

步骤一：建立三维地质模型，依据所获取的三维地震解释数据(包括地层和断层解释成果)和井基础资料，通过FAPSeal软件建立三维地质模型。

步骤二：研究区的精细油藏解剖。以双台子地区中双51断块双27-28——双25-26井油藏精细解剖为例，双51油藏发育在F7断层的上升盘，主力含油气层位为兴II和兴III，划分出兴II-1和兴III-1两个储集单元(图1所示)。结合油层顶面构造图、试油数据和测井数据和油水解释结论，可以确定两个储集单元对应的构造高点分别为-2462m和-2522m，油水界面分别为-2521m和-2530m，圈闭封闭的烃柱高度分别为为59m和8m。按照此原理和方法，对双台子地区的断层油气藏进行精细解剖，统计出各油气藏的圈闭要素和断层封闭的烃柱高度(表1)。

表1双台子地区圈闭要素及烃柱高度统计表

步骤三：断层封闭属性解剖及数据集构建。

明确了研究区块断层封闭类型以及断层所封闭的烃柱高度后，在所建立的研究区三维模型中，依据统计出的圈闭要素，绘制出控圈断层的控烃范围，并提取控烃范围内的断层封闭属性数据，封闭属性包括(不限于)断层泥含量、断层断距、断层有效正应力、断层走向、断层倾角、倾向滑移梯度、横向(剪切)应变、纵向应变、断层纵向表面梯度和横向表面梯度。将这些数据与其所对应的烃柱高度进行汇总，最终构建出该控圈断层的封闭属性数据集，应用相同方法，获取所有含油/气圈闭内控圈断层的封闭属性数据。部分提取数据如表2所示：

表2F8控圈断层部分属性数据

步骤四：对所提取数据进行数据预处理。

获取的断层封闭属性数据包含较多的特征，第一步需要特征筛选，剔除不相关或冗余的特征，从而达到减少特征个数，提高模型精确度，减少运行时间的目的，降低学习任务的难度，选取出真正相关的特征简化模型，协助理解数据产生的过程。对获取的原始特征进行皮尔逊相关系数分析，具体的皮尔逊相关系数公式如下：

其中，X和Y代表两个随机变量，E为数学期望或均值，σ为标准差，μ

相关系数衡量随机变量X与Y相关程度的一种方法，相关系数的取值范围是[-1,1]。相关系数的绝对值越大，则表明X与Y相关度越高。当X与Y线性相关时，相关系数取值为1(正线性相关)或-1(负线性相关)若某两个或者多个因素之间的线性关系非常强烈达到0.9及以上，可替换为一个相关属性。经过特征筛选后的特征关系如图2所示，筛选后的属性线性相关性系数较小，故可以全部保留。

根据上述选取的10个断层封闭属性，对数据进行缺失值与异常值处理，以保证数据中不存在异常值，并满足各个属性参数对烃柱高度影响的均衡性。在本次实例中，将筛选后数据按照烃柱高度进行从低到高排序，并按顺序将烃柱高度分为多个数据量相对均衡的连续段，每一连续段定义为一类，将烃柱高度范围作为神经网络的输出神经元，进行分类学习，本次实例中烃柱高度分类情况如表3所示分为8类，即8段。

表3分类数据示例

数据集划分：以构造图中的烃柱高度和断层封闭属性为样本数据，建立机器学习数据集。在本次实例中，利用数据预处理后的上述10个断层封闭属性和烃柱高度分类结果，组成网络学习数据集。将所述的网络学习数据集随机划分为训练集和测试集。在本次实例中，将所述的神经网络学习数据集按照7:3随机划分为训练集和测试集，其中训练集中的部分数据如表4所示，测试集中的部分数据如表5所示。

表4训练集中的部分数据

表5测试集中的部分数据

不同的数据指标(断层封闭属性)往往具有不同的量纲和量纲单位，为了消除指标之间量纲的影响，需要进行数据归一化处理，目的是处理不同规模和量纲的数据，使其缩放到相同的数据区间和范围，以减少规模、特征、分布差异对模型的影响。原始断层封闭属性数据经过数据归一化处理后，各指标处于同一数量级，适合进行综合对比评价。

在本实施例中，将所述学习数据集(包括训练集和测试集)中的样本数据进行数据转换处理：对所述学习数据集中的烃柱高度范围进行数值化处理，例如，将层级1数值化为1，层级2数值化为2，具体描述划分规则由表3呈现；将学习数据集中的每个断层封闭属性值进行归一化处理，均归一化到[-1，1]之间，其具体公式如下所示：

x

式中，x

表6部分训练集转化后结果

步骤五：BP神经网络模型构建。

所述机器学习分类算法可以为支持向量机(SVM)、决策树、K-近邻分类、神经网络和深度学习中的一种。在本实施例中，采用神经网络作为机器学习分类算法。

以所述训练集中的多个断层封闭属性为输入项，以所述训练集中的烃柱高度范围状态为输出项，对机器学习分类模型进行训练，利用所述测试集进行测试，从而构建所述断层烃柱高度的评价模型。在本实施例中，以训练集中的上述10项断层封闭属性作为输入项，以所述训练集中的特定烃柱高度范围为输出项，用BP神经网络进行训练。

在模型训练过程中，采用粒子群算法以提高训练模型的鲁棒性，避免发生欠拟合和过拟合现象。在本实施例中，采用粒子群算法对上述训练过程中的超参数进行寻优，通过粒子群算法优化BP神经网络的权值和阈值。利用测试集对该条件获得的神经网络评价模型进行测试，其具体流程图如图3所示。

作为实例，神经网络评价模型在测试集中的预测结果(如图9绿色虚线所示)和实测结果(如图9红色区域所示)对比，评价模型的准确率可以达到80％(如图4所示)，可以满足对断层烃柱高度预测的精度要求。

所述断层烃柱高度范围与烃水界面以图像的形式输出。在本实例中，将待预测断层圈闭的油水界面预测结果以柱状图的形式输出，同时将多个断层封闭属性在评价模型中的权重比例以柱状图形式输出，如图5所示。

步骤六：圈闭评价及储量计算。

选取研究区未钻探圈闭，通过相邻井对圈闭的相对高点的控圈断层断面属性进行计算，得到相关属性的数据(表7)，并将这些数据作为未勘探圈闭的敏感性地质参数输入到评价模型中，根据所建立起的评价模型，可以将该断层圈闭的油水界面的范围以柱状图的形式输出(如图6所示)，同时将油水界面预测结果以构造图形式输出(如图7所示)。

表7断层部分属性数据

根据预测的油水界面范围采用容积法(公式3)进行相应的地质储量计算：

N＝100·Ao·H·Φ·Soi·ρ/Boi(公式3)

式中：N为原油地质储量(10

根据该计算公式，计算石油地质储量为55.6×10

模型效果对比：

应用传统评价模型与BP评价模型，分别对已知油水界面的圈闭进行油水界面预测，对比基于两种评价模型的输出结果与已知油水界面的差异，分析准确度。

本次测试圈闭选取的是F3断层控制的圈闭(简称F3断层圈闭)，实际油水界面为-2580m。首先，需要计算F3断层的封闭属性，将其作为神经网络模型的输入项，根据所建立起评价模型，将F3断层封闭的烃柱高度范围和烃水界面范围以柱状图的形式输出(如图8所示)，同时将烃水界面预测结果以构造图形式表现出(如图9所示)，得到F3断层圈闭的烃水界面分布图。

BP评价模型误差分析：依据输出的圈闭烃水界面，可见其对应的概率大小。在此选取烃水界面概率最大的输出结果为预测结果。对于本次测试圈闭，概率最大的烃水界面位于-2576～-2608m，概率值达66％，对应的烃柱高度范围为106～138m。据该圈闭的实际油水界面-2580m，得知BP评价模型所预测出的油水界面与实际油水界面误差为4～28m。

传统评价模型误差分析：基于传统评价模型的构建过程，研究区断层封闭烃柱高度与断层泥含量存在如下定量关系：

式中H为烃柱高度(m)；SGR为泥质含量(％)；g为重力加速度(m/s

依据该定量关系，可计算得出断层面各点支撑的烃柱高度，并依据各点埋深与其支撑烃柱高度之和，得出断层面各点对应的烃水界面，选择其中埋深最浅的烃水界面作为整个圈闭的最终评价结果。通过上述方法，预测出圈闭的烃水界面为-2633m，如图10所示与实际油水界面相差53m。

通过对比多个圈闭的预测结果(图11)，基于BP神经网络的断层封闭能力评价结果的平均误差为17m，传统的评价模型结果误差高达51m。表明基于多维度影响因素构建的BP评价模型具有更高的准确率。

本发明流程的示意图如图12所示，根据图12可将预测断层烃水界面实施方案的装置分为三个单元。

模型构建单元501，用于基于已勘探断层圈闭中的烃水界面，能够判识其烃柱高度和相关联的多个断层封闭属性，通过机器学习分类算法构建断层烃柱高度评价模型；

构造图数据集建立单元502，用于基于所述待预测断层的烃柱高度和多个断层封闭属性，建立待预测断层封闭属性数据集；

烃水界面预测单元503，用于所述待预测断层数据集中的多个断层封闭属性为输入项，通过所述断层烃柱高度范围评价模型，以输出的形式获得所述待预测断层圈闭的烃水界面和对应概率。

根据本发明的流程还可以包括其他单元，比如，特定断面的烃水界面判识单元，特定断面封闭属性获取单元，待预测断层的相关参数获取单元(用于获取待预测断层的烃水界面和多个断层封闭属性等)。