申请/专利权人：四川大学

申请日：2022-06-06

公开（公告）日：2024-04-26

公开（公告）号：CN114997496B

主分类号：G06F18/23213

分类号：G06F18/23213;G06F18/10;G06F18/2113;G06F18/2135;G06F18/243;G06F18/27;G06N20/20;G06N5/01;E21B47/00;G01V11/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2022.09.20#实质审查的生效;2022.09.02#公开

摘要：本发明公开了一种基于时空序列数据约束的无监督储层智能分段方法，包括S1、离线处理选取的测井特征参数，并构建储层解释模型；S2、获取新井测井数据，并对其进行数据块处理和降采样处理；S3、对测井数据进行特征工程处理，以得到完整、无量纲、低维度的测井数据；S4、采用时空约束的K‑means无监督聚类方法，对特征工程处理后的测井数据进行处理，得到分段结果；S5、优化分段结果，对聚类结果异常值进行连续分段化处理；S6、可视化分段结果，并将分段的深度和人工分段的结果进行对比。本发明将储层中小段的不同地层类型当作噪声过滤，分层结果中每层的长度与实际施工中每段的长度相匹配，提供更加适用于指导开采工程实践分层结果，更具实用性。

主权项：1.一种基于时空序列数据约束的无监督储层智能分段方法，其特征在于，包括以下步骤：S1、离线处理选取的测井特征参数，并构建储层解释模型；S2、获取新井测井数据，并对其进行数据块处理和降采样处理；S3、对测井数据进行特征工程处理，以得到完整、无量纲、低维度的测井数据；S4、采用时空约束的K-means无监督聚类方法，对特征工程处理后的测井数据进行处理，得到分段结果；S5、优化分段结果，对聚类结果异常值进行连续分段化处理；S6、可视化分段结果，并将分段的深度和人工分段的结果进行对比；所述步骤S1具体包括：S11、选取测井特征参数；S12、根据选取的测井特征参数，构建储层解释模型；所述步骤S11具体包括：S111、采用随机森林方法进行储层改造主控因素分析，根据对产量的权重影响，选取测井数据；S112、采用皮尔逊相关系数和斯皮尔曼相关对选取的测井参数进行相关分析；S113、对测井参数数据进行特征分布分析；S114、删除相关度大于阈值的测井参数，以确定最终的测井特征参数；所述步骤S12具体包括：S121、获取历史储层解释参数样本集；S122、通过基于集成学习的储层解释参数回归拟合，形成储层解释模型；所述步骤S2具体包括：S21、对测井数据进行数据块处理和降采样处理；S22、通过离线部分的储层解释模型合成储层解释参数，同时根据离线部分选取的参数对新井测井数据进行特征筛选；S23、基于集成学习的储层解释参数回归拟合构建储层解释模型；S24、利用新井测井数据和S1构建的储层解释模型扩展储层解释数据；所述步骤S4具体包括：S41、引入空间深度参数，确定聚类初值，具体为：通过引入空间深度因素并通过赋予高于其他特征权重的方式将其作为特征参数约束，并结合工程施工段长要求深度范围计算K-means的初值；在数据空间内按照预设的每段深度以及不同的井深初步设定n个聚类中心；S42、将所有数据点划分到于其最近的簇的质心的簇，并更新质心，迭代直到质心稳定。

全文数据：

权利要求：

百度查询： 四川大学 一种基于时空序列数据约束的无监督储层智能分段方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD