一种基于智能融合策略的复杂地层岩石力学参数预测方法

摘要

本发明公开一种基于智能融合策略的复杂地层岩石力学参数预测方法，包括：收集资料；获取基本岩石物理参数；得到岩石力学参数；确定研究区的岩石力学参数与岩石纵波时差、横波时差、密度间的关系式；利用机器学习算法建立复杂地层岩石力学参数的预测模型；优选每个岩石力学参数的基模型；以基模型的预测结果为基础，基于智能融合策略构建复杂地层岩石力学参数系列智能预测方法的融合模型，利用Pearson相关系数准则的计算基模型的权重系数，最后通过融合模型对复杂地层岩石力学参数进行预测。本发明引入Pearson相关系数的准则，进行多种智能算法的融合以提高预测方法泛化，增强智能算法的迁移学习能力，以提高预测方法的适应性。

说明书

技术领域

本发明涉及一种基于智能融合策略的复杂地层岩石力学参数预测方法，属于油气藏开发领域。

背景技术

储层地质力学参数在地质工程一体化中起桥梁作用，能确保地质认识和工程技术无缝衔接和切实解决工程难题，是井位选择、井眼轨迹优化、压裂改造等方面的关键参数，其中岩石力学参数是储层地质力学参数中的核心基础。岩石力学参数的传统评价方法主要包括基于经典均匀各向同性弹性波动理论的预测方法和基于岩石力学参数的声波响应机制建立的系列预测方法。然而复杂岩石力学参数差异明显及其岩石物理响应规律复杂，造成传统岩石力学测井计算方法预测结果精度较低，为复杂地层地质力学参数评价带来较大挑战。为此，提出了一种基于智能融合策略的复杂地层岩石力学参数预测方法。

发明内容

为了克服现有技术中的问题，本发明提供一种基于智能融合策略的复杂地层岩石力学参数预测方法。

本发明解决上述技术问题所提供的技术方案是：一种基于智能融合策略的复杂地层岩石力学参数预测方法，包括以下步骤：

步骤一、收集研究区地质资料、测井资料、取心资料；

步骤二、采集研究区井下或露头岩样，进行岩性描述，记录每块岩样的岩性；

步骤三、对加工后的岩样进行预处理，并获取基本岩石物理参数；

步骤四、进行力学试验，得到研究区的岩石力学参数；

步骤五、基于岩石力学参数传统评价方法，确定研究区的岩石力学参数与岩石纵波时差、横波时差、密度间的关系式；

步骤六、综合考虑岩石岩性、岩石密度、纵波时差、横波时差的室内测试数据，利用机器学习算法建立复杂地层岩石力学参数的预测模型；

步骤七、基于机器学习算法预测岩石力学参数的相关系数和平均相对误差，优选每个岩石力学参数中预测效果较好的机器学习算法构建的预测模型作为模型融合的基模型；

步骤八、以基模型的预测结果为基础，基于智能融合策略构建复杂地层岩石力学参数系列智能预测方法的融合模型，利用Pearson相关系数准则的计算基模型的权重系数，最后通过融合模型对复杂地层岩石力学参数进行预测。

进一步的技术方案是，所述步骤一中地质资料包括录井岩性剖面、地层划分资料，用以模型构建；测井资料包括自然伽马、补偿声波、补偿密度、中子测井资料。

进一步的技术方案是，所述步骤二的具体过程为：制备标准岩样30～60块，其中对于单轴压缩实验样品，将全直径岩样加工成30～60块直径为2.5cm、高为5.0cm的圆柱体岩样，岩样两端面最大不平行度小于0.05mm，另外端面垂直于试样中心轴，最大偏差不超过0.25°；对于抗张强度实验样品，将岩样加工成30～60块直径为2.5cm，厚度为直径的0.5～1倍的圆柱体；对于断裂韧性实验样品，将岩样加工成30～60块直径为7.5cm，直径与厚度比例为5:2的人字型切槽巴西圆盘(CCNBD)试样。

进一步的技术方案是，所述步骤三的具体过程为：在60℃温度下对岩样进行烘干处理12小时，排除水分对岩样性质影响；测量试样的几何尺寸及重量，计算得到试样的密度；在岩石力学测试过程中同步获取每一个岩样的纵波时差、横波时差。

进一步的技术方案是，所述岩石力学参数包括：岩石抗压强度、弹性模量、泊松比、内聚力、内摩擦角、抗张强度、脆性指数及断裂韧性。

进一步的技术方案是，所述步骤四的具体过程为：按照设定实验方案对不同制样方式的岩样分别进行单轴/三轴压缩试验、抗张强度试验、断裂韧性试验，对实验原始数据进行处理，分别得到岩石抗压强度、弹性模量、泊松比、内聚力、内摩擦角、抗张强度、脆性指数及断裂韧性。

进一步的技术方案是，所述机器学习算法包括BP神经网络、XGBoost、支持向量机、随机森林、卷积神经网络、决策树、长短期记忆神经网络。

进一步的技术方案是，所述相关系数的计算公式如下：

式中：y

进一步的技术方案是，所述步骤八中的Pearson相关系数的计算公式为：

式中：ρ为Pearson相关系数；y

进一步的技术方案是，所述步骤八中融合模型的计算公式为：

式中：g为融合模型；g

本发明具有以下有益效果：本发明引入Pearson相关系数的准则，进行多种智能算法的融合以提高预测方法泛化，增强智能算法的迁移学习能力，以提高预测方法的适应性。

附图说明

图1为基于传统评价方法的岩石力学参数的预测效果图；

图2为基于多元非线性回归方法的岩石力学参数的预测效果；

图3为各个模型预测岩石力学参数的相关系数图；

图4为各个模型预测岩石力学参数的平均相对误差图；

图5为岩石抗张强度的预测效果图；

图6为岩石抗压强度的预测效果图；

图7为岩石内聚力的预测效果图；

图8为岩石脆性指数的预测效果图；

图9为岩石断裂韧性的预测效果图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的一种基于智能融合策略的复杂地层岩石力学参数预测方法，包括以下步骤：

步骤一、收集研究区地质资料、测井资料、取心资料；

其中地质资料包括录井岩性剖面、地层划分等资料，用以模型构建；测井资料包括自然伽马、补偿声波、补偿密度、中子等常规测井资料；

步骤二、采集研究区井下或露头岩样，进行岩性描述，记录每块岩样的岩性；

具体是：制备标准岩样30～60块，其中对于单轴压缩实验样品，将全直径岩样加工成30～60块直径为2.5cm、高为5.0cm的圆柱体岩样，岩样两端面最大不平行度小于0.05mm，另外端面垂直于试样中心轴，最大偏差不超过0.25°；对于抗张强度实验样品，将岩样加工成30～60块直径为2.5cm，厚度为直径的0.5～1倍的圆柱体；对于断裂韧性实验样品，将岩样加工成30～60块直径为7.5cm，直径与厚度比例为5:2的人字型切槽巴西圆盘(CCNBD)试样；

步骤三、对加工后的岩样进行预处理，并获取基本岩石物理参数；

具体是：在60℃温度下对岩样进行烘干处理12小时，排除水分对岩样性质影响；测量试样的几何尺寸及重量，计算得到试样的密度；在岩石力学测试过程中同步获取每一个岩样的纵波时差、横波时差；

步骤四、进行力学试验，得到研究区的岩石力学参数；

具体是：按照设定实验方案对不同制样方式的岩样分别进行单轴/三轴压缩试验、抗张强度试验、断裂韧性试验，对实验原始数据进行处理，分别得到岩石力学参数(岩石抗压强度、弹性模量、泊松比、内聚力、内摩擦角、抗张强度、脆性指数及断裂韧性)；

步骤五、基于岩石力学参数传统评价方法，确定研究区的岩石力学参数与岩石纵波时差、横波时差、密度间的关系式；

σ

式中：σ

E

式中：E

式中：μ

σ

式中，σ

基于传统评价思路建立的岩石力学参数的系列预测方法的计算结果如图1所示，从图中可看出各个岩石力学参数的预测效果较差，平均相对误差均大于20％。同时，利用最小二乘法多元非线性回归方法建立了不同复杂地层岩石力学参数的预测方法，预测效果如图2所示，从图中可看出基于多元非线性回归方法建立的复杂地层岩石力学参数预测效果仍然不太理想；

式中：y

步骤六、综合考虑岩石岩性、岩石密度、纵波时差、横波时差的室内测试数据，利用机器学习算法(BP神经网络、XGBoost、支持向量机、随机森林、卷积神经网络、决策树、长短期记忆神经网络)建立复杂地层岩石力学参数的预测模型；

式中：y

岩石力学参数的计算结果的R

步骤七、基于机器学习算法预测岩石力学参数的相关系数和平均相对误差，优选每个岩石力学参数中预测效果较好的机器学习算法构建的预测模型作为模型融合的基模型，其中基模型不超过4种；

步骤八、以基模型的预测结果为基础，利用Pearson相关系数的计算公式得到机器学习算法的Pearson相关系数(结果可见表1)，基于智能融合策略构建复杂地层岩石力学参数系列智能预测方法的融合模型，利用Pearson相关系数准则的计算基模型的权重系数，最后通过融合模型对复杂地层岩石力学参数进行预测

式中：ρ为Pearson相关系数；y

式中：g为融合模型；g

表1各机器学习算法的Pearson相关系数

表2各基模型的权重系数

在本发明中利用构建的智能融合预测方法对复杂地层岩石力学参数进行预测，预测结果如图3和图4所示，部分岩石力学参数的预测效果如图5-图9所示。从图中可看出各类岩石力学参数智能融合预测方法的预测效果较好，各类岩石力学参数的平均相对误差总体上小于10％，其中泊松比的智能融合预测模型的预测效果最差，相对误差为最大9.86％，而内聚力的智能融合预测模型的预测效果最好，平均相对误差为最小3.13％。与单个模型的预测结果进行对比，所构建的系列智能融合预测方法提高了各类岩石力学参数(单轴抗压强度、弹性模量、泊松比、内聚力、内摩擦角、抗张强度、脆性指数及断裂韧性)的整体预测效果，具有更好的预测精度，提高了该方法的适应性。

以上所述，并非对本发明作任何形式上的限制，虽然本发明已通过上述实施例揭示，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，可利用上述揭示的技术内容作出些变动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。