本技术属于石油勘探开发技术领域,涉及一种超浅低对比度储层流体识别方法与系统,方法步骤为:获取靶区目标层的所有测井、录井原始响应数据;根据测井、录井原始响应数据计算衍生参数;从衍生参数中选择不同类型流体的特征;对选择的特征数据进行预处理得到标准化特征数据,并将其划分为训练集和测试集;以选择的特征为输入,流体类型为输出,通过训练集训练验证装袋树、LGBM和XGBoost三种模型;通过投票机制将训练测试后的三种模型动态集成为一个集成模型,通过测试集验证集成模型;将未知流体类型的储层段测井、录井响应数据及衍生参数输入至集成模型,预测流体类型。本发明能够快速准确识别海域超浅低对比度储层的流体性质。
背景技术
在当前油气勘探中,海域超浅层气藏由于埋藏浅、易开采,对天然气增储上产具有重要意义。这类气藏典型代表如琼东南乐东LD22-1区的超浅天然气储层,具有岩性细腻、泥质含量高、地层含水饱和度和地层水矿化度较高、薄/低阻气层发育等特点,导致气层对比度低,“声波时差-密度-中子”三孔隙度曲线的“镜像”效应不明显。现有技术方法,包括基于测录井响应或衍生参数的交会图版法、重叠图、孔隙度差值比值以及敏感参数法,在薄/低阻/低对比气层中应用效果不佳。特殊测井方法如阵列声波和核磁共振测井的能够提升流体识别效果,但海域施工条件苛刻,成本高昂,测量数据质量受限,其使用范围收到限制。例如:在极高孔深含气储层中,随钻声波衰减明显,导致难以有效提取声波时差,进而降低了这些方法的普适性。
近年来,机器学习方法为流体识别提供了一个全新的解决思路。机器学习方法能够高效处理复杂数据,快速建立常规测井数据和测试数据间的非线性映射关系,充分应利用已有的各类原始测录井响及衍生参数提取和突出不同流体性质间的差异,提高流体性质的识别精度和效率。常见的流体识别机器学习方法有单一识别方法(例如:神经网络、随机森林、XGBOOST等)和基于多种方法组合的动态分类委员会方法,用于不同区域流体识别。但这些方法在海域超浅低对比度储层流体识别中仍存在以下问题:
(1)现有模型通常基于特定区域的训练数据,无法直接适用于诸如南海超浅层未成岩储层低对比度的流体识别,需要针对该区域重新设计数据集并训练模型。
(2)当前方法多以单一类型测量数据(如测井曲线)作为输入,未充分综合考虑测录响应及其衍生参数,缺乏对流体敏感特征的系统提取,直接输入原始测井数据可能导致流体识别精度受限。
实现思路