Использование передового аналитического подхода к данным о шахтах для оценки пласта в пласте
Фундаментальная идея оценки хранилища заключается в том, чтобы занять в целом выгодное положение различных материалов, включая большую информацию о каротаже, для оценки свойств хранилища, например, оценки количества нефти, определения характеристик пласта, прогноза параметров хранилища, оценки пределов и так далее. В связи с постоянным накоплением информации о лесозаготовках среди наиболее важных вопросов, связанных с разведкой и добычей нефти, выделяется то, как полностью добывать, что помогает нам исследовать топографическую информацию. Информационный майнинг дает еще одну мощную стратегию.
Оценка страт через разные журналы
Подача нефти – это камни со связанными порами, они могут не только удерживать нефть и газ, но, кроме того, влиять на проникновение нефти и газа, а также течь при определенном весовом различии. Отслеживать и прогнозировать транспортировку поставок наряду с толщиной, изменениями литологии и физических свойств, инновациями в оценке поставок в сейсмической, геологической и каротажной информации.
<Р> а. Параметры пласта
Основные принципы магазина – пористость, проницаемость, насыщенность.
1) Пористость
Если принять во внимание процедуру кадрирования и последнее соединение, между сотрясенными сильными частицами наблюдаются расщепления или отверстия, которые технически называются порами встряхивания. Пористость действует как объемная пропорция поры для встряхивания.
p = v_p / v_b × 100%
Здесь p обозначает абсолютную пористость. Vp объем всех горных пор. v_b объем породы.
T = v_t / v_b × 100%
Эффективная пористость характеризуется ∅_T, а v_t и v_b – объем эффективных пор породы и объем породы соответственно.
2) проницаемость
В условиях определенной разности давлений жидкость в пористой среде имеет тенденцию течь. Следовательно, проницаемость определяется как уровень сопротивления потоку. Он описывается формулой Дарси-Вейсбаха.
Q = K A / мкл ∆P
Q – количество потока под перепадом давления; µ – вязкость жидкости; ∆P – толщина жидкости. A – объем поперечного сечения породы, а K – проницаемость.
3) насыщаемость
Свойство пласта нефтеносным определяется как насыщаемость. Другими словами, насыщаемость обозначается как объемное отношение пор нефтеносной породы ко всем порам породы.
S_o = V_o / V_P × 100%
Где Vp – объем всех пор горных пород, а Vo – объем пор нефтеносных пород.
Интерпретация каротажа скважины
Геофизическая съемка скважин – это метод, который использует физические принципы для решения геофизических проблем. Он используется для прогнозирования геофизических параметров с использованием электрохимических свойств коллектора, характеристик проводимости, акустических характеристик, радиоактивности и т. Д. Он имеет две основные задачи: сбор данных и интерпретация данных каротажа. Первичные данные, собираемые при каротаже скважин, обычно включают кривую спонтанного потенциала (SP), кривую гамма-излучения (GR), кривую удельного сопротивления (RT, RI, RXO), каротаж плотности (DEN), акустический каротаж (AC), компенсированный нейтронный каротаж (CNL) и т. д. Общими методами количественного определения пористости являются акустическое каротаж (AC), компенсированный нейтронный каротаж (CNL) и каротаж плотности (DEN). Существует множество методов количественной оценки насыщаемости, наиболее распространенными являются кривая удельного сопротивления (RT, RI, RXO), компенсированный нейтронный каротаж (CNL) и т. Д. Проницаемость является относительно трудной для количественной оценки, распространенные методы включают кривую удельного сопротивления (RT, RI, RXO). ), пористость и несводимая оценка насыщения диоксида водорода, гамма-кривая (GR) и т. д.
Основная задача интерпретации данных каротажа скважин – анализ нефтеносности, литологическая идентификация и разделение осадочных граней с использованием этих данных кривых каротажа скважин. С развитием технологии каротажа скважин до более высокого уровня геологическая информация, отражаемая данными каротажа скважин, становится все более доступной. Но интерпретация существующей модели часто становится узким местом, которое вызывает препятствие в продвижении пласта. Таким образом, потребуется найти более эффективные методы для извлечения дополнительной информации из данных каротажа скважин.
МЕТОДЫ МОДЕЛИРОВАНИЯ ДЛЯ ЛОГИРОВАНИЯ ОЦЕНКИ РЕЗЕРВУАРОВ
По мере того, как месторождения вступают в среднюю и позднюю стадии разработки, нетрадиционный пласт постепенно становится основным объектом разведки и разработки нефти. Эволютные проблемы оценки, такие как низкая пористость, низкая проницаемость, слой, залитый диоксидом водорода, и т.д. становятся все более и более популярными Традиционные методы, такие как перекрестный график, множественный дискриминантный анализ, не могут решить задачу оценки этих сложных резервуаров. Техника добычи данных становится все более популярной в оценке пластов.
Метод прогнозного моделирования наиболее приближен к оценке пласта. Он использует обучающие данные с метками классов для построения модели и поиска целевой функции Y = f (X), чтобы предсказать. Это понижение, когда у дискретно, и регрессия, когда у вечно. Методы мирского прогнозирования включают в себя множественную линейную регрессию, дерево решений, искусственную нейронную сеть, гениальный байесовский аппарат, метод опорных векторов и т. Д.
множественная линейная регрессия
Множественная линейная регрессия использует метод наименьших квадратов для
Построить функцию y с почтением к n параметрам (x1, x2,…, x3)
Y = β_o + β_1 x_1 + β_2 x_2 + ⋯ + β_n x_n
Множественная линейная регрессия – это модель регрессии, а ее результат у – вечная переменная. Это затруднительное положение, когда у – фиктивная переменная. Мы можем преобразовать эту формулу в следующую форму.
ln (Y_i / (1-Y_i)) = β_o + β_1 x_1 + β_2 x_2 + ⋯ + β_n x_n
Это логистический регрессионный анализ. Yi представляет вероятность. βo + β1 x1 + β2 x2 + ⋯ + βn xn> 0 Этот элемент мы обозначим как Yi. βo + β1 x1 + β2 x2 + ⋯ + βn xn <0, мы не переводим элемент как Yi
Множественная линейная регрессия обычно используется при предварительном определении параметров пласта, таких как пористость, насыщенность, проницаемость. Как мы можем визуально воспринимать, MRA может обозначать порядок зависимости между y и (x1, x2,…, x3) соответственно. Таким образом, MRA может использоваться в качестве новаторского инструмента для уменьшения размеров в области анализа географических данных. Фактически, множественные линейные регрессии обычно используются для уменьшения размеров при интерпретации каротажа скважины вместе с перекрестным графиком.
Дерево решений
Дерево решений постепенно применяется в естественных и общественных науках с 1990-х годов и широко применяется в этом 21-м веке. TD3 и C4.5 являются двумя типичными алгоритмами. В последние годы применение дерева решений для
Науки о Земле произошли в некоторой степени, чем в последнее время.
Отбор атрибутов является ключевым моментом для дерева решений. C4.5 использует коэффициент усиления вместо информационного усиления, чтобы избежать этих атрибутов при больших условиях тестирования выходных данных. CART использует Gini и ограничивает условие теста бинарным. CHAID использует статистический тест X2 для определения наилучшей точки разграничения и создает дерево с множеством ветвей. Для каждого конечного узла алгоритма LMT существует модель логистической регрессии.
Искусственная нейронная сеть
Нейронная сеть действует как параллельная и распределенная структура сети для обработки информации. Многослойная прямая нейронная сеть и обратное распространение ошибок (BP) – два типичных алгоритма. Нейронная сеть с радикальной базисной функцией – еще одна широко используемая прямая нейронная сеть с радиальной субструктурой в качестве функции активации. Из-за обилия гипотетических пространств и высокой степени чувствительности к шуму данных поезда, ANN достаточно надежен в отношении структуры сети, количества узловых точек и параметров модели. Производительность ANN не стабильна на геологических данных, но это альтернативное предложение, особенно с относительно легким программированием.
<Р> Д. Байесовская классификация
Байесовская классификация – это классификационный подход, основанный на статистике. Типичными алгоритмами являются наивная байесовская классификация, байесовская дискриминация и последовательная байесовская дискриминация. В последние годы наивная байесовская классификация применялась к геонаукам почти в некоторой степени, тогда как байесовская дискриминация и ступенчатая байесовская дискриминация применяются к геонаукам, относительно более обширным и интенсивным.
<Р> £. Машина опорных векторов
Машина опорных векторов основана на принципе минимизации структурных рисков и измерении VC. Он строит модель классификации, находя оптимальный интерфейс классификации. Для нелинейных задач SVM используется
Функция ядра
для перевода входного пространства в пространство более высокого измерения и поиска оптимального интерфейса классификации в этом пространстве высокого измерения. C-SVM и v-SVM являются двумя типичными классификационными моделями. На производительность SVM напрямую влияет штрафной коэффициент C, функция ядра и его параметры. При использовании SVM необходимо оптимизировать параметры модели. SVM также может быть использован для регрессии. Например, метод опорных векторов наименьших квадратов (LSSVM) [4] является типичным алгоритмом. Разница между SVM и LSSVM заключается в том, что LSSVM выводит ограничение неравенства к ограничению равенства. Эта проблема переносится на следующую оптимизацию
Целевая функция: min f (w) = w ^ 2/2 + γ1 / 2∑_ (K = 1) ^ Ne_k ^ 2
Условие ограничения: y_k w ^ T (x_k) + b = 1-e_k, k = 1,…, N
Мы получаем следующую регрессионную модель, решая уравнение.
y (x) = ∑_K ^ N_K K (x, x_k) + b
LSSVM может использоваться для прогнозирования параметров пласта, таких как пористость, насыщаемость и проницаемость.
Из-за сложности геологических правил данные каротажа коллекторов имеют нелинейную связь в большинстве случаев. В общем, SVM рекомендуется при сильной нелинейности. И Искусственная Нейронная Сеть, Дерево Решений или Байесовская Классификация рекомендуются, когда нелинейность действует не сильно.
РАМКА РАБОТЫ С ДАННЫМИ ДЛЯ ЛОГИРОВАНИЯ
ОЦЕНКА РЕЗЕРВУАРА
Основная задача оценки пласта – оценить его свойства, такие как пористость, нефтенасыщенность, литологические характеристики и т. д., и, наконец, дать всестороннюю оценку, используя оригинальные данные, собранные при каротаже скважины.
Исходные данные, собранные с помощью каротажа скважин, в основном включают кривые каротажа скважин, такие как кривая потенциала (SP), кривая гамма-излучения (GR), кривая удельного сопротивления (RT, Rl, RXO), каротаж плотности (DEN), акустический каротаж (AC) ), компенсированный нейтронный каротаж (CNL) и т. д. Помимо исходных данных каротажа скважин, мы также собираем экспериментальные данные критических скважин. Для критических скважин мы не только проводим комплексные каротажи для сбора исходных данных, но и принимаем во внимание выполнение экспериментов на образцах горных пород, отобранных из пробуренных скважин. Мы получаем литологию, нефтеносные свойства, анализируя экспериментальные данные, такие как пористость, проницаемость и т. Д. Для некритических скважин у нас есть только данные каротажа скважин, такие как SP, GR, RT, R1, RXO, AC, поскольку довольно дорого керна из пробуренных скважин. Мы не можем получить экспериментальные данные для некритической скважины, так как там нет образцов горных пород.
Традиционная процедура оценки каротажа каротажа показана ниже.
- Упростите сложность страт и предположите, что это однородная и изотропная физическая модель.
- Построить математическую модель Forg с неизвестными параметрами в соответствии с физической теорией жидкости и твердого тела.
- Рассчитайте неизвестные параметры Forg, используя данные из критических скважин, которые имеют как исходные данные, так и экспериментальные данные. Здесь математическая модель Forg с определенными параметрами становится хорошо интерпретируемой моделью интерпретации FDecision
- Установите пороговое значение и стандартное для Dorg сорта для пористости, нефтенасыщенности и литологических характеристик.
- Построить анализ данных на некритических данных скважин с помощью модели интерпретации каротажа скважин FDecision и использовать Dorg для проведения комплексной оценки.
Интеллектуальный анализ данных предоставляет новый эффективный метод. Для оценки каротажного пласта расчет параметров, таких как пористость, проницаемость и насыщаемость, соответствует задаче регрессии при добыче данных. А идентификация нефтяного слоя, литологическая идентификация и разделение осадочных фаций соответствуют задачам классификации при добыче данных.
Прогноз параметров коллектора
Как указано выше, традиционным методом измерения пористости, насыщаемости и проницаемости является построение математической модели Forg с заранее определенными независимыми переменными. Например, независимыми переменными пористости обычно являются AC, CNL и DEN. Модельные параметры Forg рассчитываются путем обучения данных керна. Это в значительной степени зависит от опыта экспертов, поскольку окончательные комплексные оценки будут даны профессиональными экспертами. Как уже упоминалось, алгоритм регрессии может использоваться для прогнозирования параметров пласта, таких как множественная линейная регрессия, метод опорных векторов наименьших квадратов. Преимущество этого метода заключается в том, что ему не нужно заранее определять независимые переменные, но нужно находить взаимосвязь между параметрами пласта и кривыми каротажа скважины, изучая данные обучения, собранные с забуренных скважин. Это управляемый данными метод. Процедура интерпретации пористости, проницаемости и насыщаемости заключается в следующем.
Экономисты часто ссылаются на ОПЕК в качестве учебного примера картеля, который сотрудничает с целью снижения рыночной конкуренции, но консультации которого защищены доктриной иммунитета государства по
Итак, мы все знаем масло мяты перечной, масло чайного дерева и масло макадамии, но знаем ли мы разницу между эфирными маслами и эфирными маслами и
Сколько нефти на самом деле осталось на Земле? Когда мы закончим? Это вопросы, о которых люди обычно не задумываются. Люди так привыкли к вещам, которые