文摘

由于石油和天然气的生产和消费高,非常规储层吸引了巨大的利益。总有机碳(TOC)是一个重要的非常规资源的质量。一般来说,TOC测量实验;然而,连续TOC信息很难获得,由于样本的局限性,TOC有适度的开发经验公式精度应用在不同的数据集。本文来自泥盆纪Duvernay页岩的数据被用来建立一个优化的经验相关性预测TOC基于人工神经网络(ANN)。3井的数据集被用来构建和验证模型包含超过1250数据点,和每个数据点包括TOC值、密度、孔隙度、电阻率、自然伽马、声波瞬态时间和光谱射线。这三个数据集分别用于训练,测试和验证。开发相关的结果比较三个模型可用。灵敏度和优化测试达到最好的执行模型的平均绝对百分误差(AAPE)和相关系数(R实际和预测TOC之间)。新关联了一个优秀的匹配与实际TOC值R值高于0.93和AAPE值低于14%。验证数据集的相关性优于其他经验相关性和导致AAPE不到10%,与20%以上AAPE相比其它模型。这些结果暗示这种相关性的适用性;据报道,因此,所有相关的参数允许其使用在不同的数据集。

1。介绍

随着石油和天然气生产和消费持续下去,这将导致全球传统油气储量的逐渐减少。因此,每天的石油产量从目前生产水库大大下降1,2]。因此,最近源岩和非常规储层引起了重大利益3,4]。非常规资源的勘探比常规储层的勘探更复杂,因为他们更复杂,紧张,和不透水5]。

最近,源岩储层页岩储层等广泛发现在许多国家,包括美国、加拿大、中国、阿根廷、沙特阿拉伯、阿拉伯联合酋长国和阿尔及利亚;因此,这导致显著增加发现油气资源(6,7]。

与常规油藏相比,自生的非常规资源和self-storing水库;所以,关键是出了名的,这类储层的生烃潜力。此外,开发非常规资源也是昂贵的,不容易从这些资源中提取碳氢化合物,而且极难定义储层(即。,净支付)。这证实了的重要性评估生烃的非常规资源的能力与精度高(以具有成本效益的方式4,6]。

其中一个最强大的和有效的储层参数表明潜在的生烃和评估非常规资源的质量是总有机碳(TOC) (8),一些专家和研究曾认为评估潜在的生烃(9- - - - - -11]。

一般来说,TOC含量测量在实验室进行岩石热解实验(12,13]。由于高成本的实验中,样品的数量有一个限制在实验室评估。这是一个昂贵的和具有挑战性的过程有一个实验连续TOC估计目标的形成,影响后续评估的非常规资源14]。

然而,一些以前的经验相关性和TOC测定人工智能模型是基于连续测井和测量TOC决定使用有限数量的核心从实验室试验或钻孔岩屑样品。然后,发达的相关性可以用来可靠地计算多个TOC井(15- - - - - -19]。

1.1。TOC估算经验公式

什莫克(20.)开发的第一个经验方程TOC预测,也就是说,在方程(1),该模型被开发为泥盆纪页岩和它预测的体积百分率TOC基于有机物自由岩石密度(ρ_B)和散装地层密度(ρ);然后,TOC的重量百分比可以计算解释为什莫克(20.]: 在哪里ρ_B和ρ都是在g / cm吗³。

什莫克(21提出了一种修正方程(1在巴肯页岩)应用;这个修改后的形式给出了方程(2),它计算TOC内容基于有机物质密度(重量百分比ρ_o),有机matter-to-organic碳比率(R),谷物和孔隙流体平均密度(ρ_心肌梗死): 在哪里ρ_o和ρ_心肌梗死克/厘米吗³。

1990年,Passey et al。22)开发了ΔlogR模型现在常用来评估TOC作为地层电阻率的一个函数(FR)和声波(Δ渡越时间日志t)。方程(3)和(4)总结ΔlogR模型预测的TOC日志(Δlog分离R)、FRΔt基础地层电阻率(FR_基线),基本形成声波传播时间(Δt_基线),成熟的水平(LOM): FR和FR_基线在欧姆。m和Δt和Δt_基线在μs /英国《金融时报》。

Charsky赫伦和(23评估什莫克的准确性和∆日志R模型在评估不同形态的TOC在四个不同的井。Charsky赫伦和(23,24)报道,这两种模型不是高度精确,他们预测TOC平均绝对差高的实际的TOC。

最近的一些研究集中在提高Δlog的可预测性R模型估计TOC (11,24,25]。王等人。26)建立了一个ΔlogR修正模型来估计TOC的泥盆纪页岩FR,Δt、RHOB和伽马射线(GR)。在王的模型,ΔlogR通过方程计算(5)或(6计算),而TOC由方程(7)。作者报道,Δlog的准确性R模型改进后,包括伽马射线。他们也使用ΔlogR简化模型代替原始模型上的LOM与镜质体反射率(R_o)或T_马克斯,这也降低了实际问题(27]: 在哪里T_马克斯在°C,是成熟的标志米是胶结指数,Δ吗t_米是矩阵声波渡越时间,α,β,δ,η是常数,其他参数都是相同的定义如公式(1)(4),单位的所有方程之间是一致的。

在另一项研究中,王et al。(26]模型被赵修订等。28TOC)开发经验公式估算。这些模型不依赖于LOM,镜质体反射率(R_o),或T_马克斯。这些模型占TOC基于FR,大量伽马射线(GR)和Δt或散装地层密度(RHOB)日志。

1.2。使用人工智能评估TOC

在前一节中讨论的经验相关性产量预测精度在使用不同的数据集。最近,几个作者评估使用强大的非线性拟合能力的人工智能(AI)技术在预测TOC (29日,30.]。

Kadkhodaie-Ilkhchi et al。31日)开发了一个委员会机器智能系统(CMIS)评估的TOC的GR测井数据,FR,Δt、RHOB和中子孔隙度(CNP)。CMIS了使用遗传算法作为输入了TOC值估计与去噪(NF)、模糊逻辑(FL)和反向传播神经网络(NN)。

另一个TOC模型是由朱et al。30.使用支持向量机(SVM)从测井评价TOC数据。该模型预测精度高的TOC与Δlog相比R模型。

施等。32]比较极端的学习机器的可预测性(ELM)和人工神经网络(ANN)模型在预测TOC基于GR的结合,RHOB, CNP,压缩波慢度(DTC)和光谱日志的铀(Ur), (Th)、钍和钾(K)。这项研究表明,榆树模型是最精确的预测相比TOC与安。

马哈茂德·et al。9,33首先提取一个经验相关的优化ANN模型来评估TOC的测井FR, GR, RHOB,Δt。这个提取相关性将ANN模型转换为白色盒子可以很容易地应用到新的数据。发达的相关性也为TOC预测偏离剧本表演所有可用的相关性。后来,Elkatatny [34)优化ANN模型使用自适应差分进化算法,他开发了另一个模型TOC预测基于优化的ANN模型。Elkatatny [34]证明了他的相关改进的可预测性艾哈迈迪et al。9,33)的相关性。

马哈茂德·et al。17)开发两个TOC基于SVM预测模型和功能神经网络。作者报道,模糊神经网络模型偏离剧本表演TOC预测的支持向量机,并没有从这些优化模型中提取相关。表1总结了不同的研究,使用人工智能技术从测井预测TOC。

在这项研究中,一个新的优化ANN-based实证相关开发预测页岩的TOC的测井数据,如地层电阻率、声波瞬态时间、体积密度、散装伽马射线、中子测井孔隙度、你和伽马能谱日志,Th, k模型给出的参数允许感兴趣的研究人员或公司使用。

2。方法

在这项研究中,相关开发基于提取的参数优化的人工神经网络(ANN)模型来估计函数的TOC八测井FR,Δt、RHOB CNP、GR、伽马能谱你的日志,,和k以下部分解释的不同步骤优化ANN模型,提取经验相关,验证发达相关性。图1总结了方法应用的研究工作。

2.1。数据描述

8个输入测井及其对应的TOC收集从三个不同的井在泥盆纪Duvernay页岩,和891年从放慢了数据集被用来学习ANN模型。相比之下,291年数据集从c b和82数据集被用来测试和验证开发的经验方程。

泥盆纪Duvernay页岩是一个著名的加拿大西部沉积盆地中富含有机物源岩(44]。这个页岩地层水量充足,包含了617亿桶石油和443万亿立方英尺的天然气(45]。

2.2。核心样品收集和测试

实际的TOC值认为火车ML算法是基于实验室测量获得进行钻井岩屑。收集到的岩屑进行了分析使用Rock-Eval 6。在测试之前,小尺寸的样本磨(< 63μ米)。然后,样本使用热解炉热分解评价pyrolyzable碳和无机碳对所有样本的重量百分比的总样本。然后,样品被烧死在300°C 30秒氧化炉确定残余碳和氧化煤的重量百分比。更多的讨论和考虑的细节和样品制备测试通过Rock-Eval 6提供了不同作者(46]。

2.3。测井

原位测井,井眼周围岩石的性质是间接估计从电气、声学、核指标。的解释,这些指标反映了碳氢化合物的存在,岩石物性属性和岩性的形成47,48]。在这项研究中,以下日志的记录被使用:地层电阻率(FR):这是一个测量的电阻率在三个增加深度主要解释为知道流体的饱和度,因此,碳氢化合物的存在(49,50]。声波测井:它是一个测量声波旅行所需的时间预定的距离,这取决于弹性矩阵和孔隙度(51];因此,它用于识别岩性、骨折和孔隙度。密度测井:这是一个记录周围的体积密度;这个密度测量覆盖矩阵和毛孔充满液体,可以用来量化孔隙度分数。中子测井:这是一个日志依靠中子源测量氢指数,因此,形成的孔隙度。伽马射线日志:它测量自然伽马辐射,因此,它是用来区分从其他沉积岩页岩。伽马能谱测井:它是一个复杂的伽马射线测量,使用的能量释放伽马射线和识别元素。

2.4。数据预处理

之前培训的ANN模型,数据集预处理消除不能存活的数据和异常值。所有零或不切实际的值从输入数据集被移除。离群值(其值明显的区别于其他数据点,至少三倍标准差,SD)也从训练数据集。训练数据的统计特征(即,总结了891数据点嗯)表2。

2.5。优化的人工神经网络模型

安是一个流行的机器学习方法,模拟大脑的神经元,可以用于集群、分类或回归(52,53]。安包含各种参数如神经元激活函数,层,和学习功能。许多成功的实现安在石油行业已报告(54- - - - - -58]。

ANN模型训练和优化在本工作使用的891数据点收集到的放慢了八个不同的输入参数来估计TOC。这些输入参数包括FR,Δt、RHOB CNP、GR、伽马能谱你的日志,Th, k图2显示了培训收集到的测井的ANN模型。

安内不同的参数算法的性能评估进行灵敏度分析在优化阶段。这些研究参数包括神经元的数量在每一层,层数,类型的网络功能,培训和转移函数。算法的设计参数进行了测试,运行里面的算法为循环在MATLAB软件评估几个参数的组合。

2.6。测试和验证的开发模型

开发模型测试的准确性在82年291数据点和验证数据收集从b和c,分别。这两个井的位置相对较近的训练。ANN预测性能也与目前相比相关性,即Δlog什莫克模型R方法,赵et al。28)的相关性。

3所示。结果与讨论

3.1。训练人工神经网络

TOC的ANN模型训练估计基于八FR的测井数据,Δt、RHOB CNP、GR、伽马能谱你的日志,Th, k . 891数据点的训练数据集包括放慢了。图3比较实际和预测TOC为训练数据集。应该注意到在图3(一个)实际的概要文件和估计TOC匹配彼此完全相关系数为0.98,平均误差为8.8%。图3 (b)显示了十字架的情节,预计值,证实了模型的准确性,因为所有45°附近的点线。

3.2。模型试验

初始模型的准确性确认使用额外的TOC估计看不见的291 b的数据点。图4显示了实际和ANN-predicted TOC的测试数据集。ANN-based模型导致了0.93和14%,相关系数分别为测试数据集。类似于培训结果,估算值的配置文件遵循相同的趋势随着实际值,见图4(一)。同样,在图4 (b),大部分的点叉下降接近45°线的阴谋。

3.3。ANN-Based经验相关性

灵敏度分析已经应用,优化模型基于两个评估标准,相关系数(R),平均绝对百分误差(AAPE)。的不同的输入测试,以找到最好的TOC预测表3。

表3显示最高的预测精度达到8个日志使用时,同时最低性能发生当GR和光谱GR被排除在外。安最优参数输入的设置表,取得最好的拟合4。

如表所示3,最适合使用tan-sigmoid获得传递函数,从而导致相关系数0.98和0.93的培训和测试,分别用AAPE值不超过14%。生成的模型方程表达的(8),而表5显示了重量和偏见所使用的模型:

3.4。模型验证和结果比较

前面的结果表明,本研究中所开发的模型具有较高的精度估算TOC在泥盆纪页岩。82数据点从另一个的数据集(c)已经被用于验证新关联。c位于附近的放慢和b用于训练和测试,验证数据集覆盖深度超过140英尺的间隔。方程的预测精度(8)而TOC三个可用的模型预测,即Δlog什莫克模型R方法,赵et al。28)的相关性。

图5比较TOC为所有这些模型预测的准确性和相关性对c的验证数据。如图5,新的相关性比其他所有相关性估计AAPE的TOC和高仅为9.7%R0.97,而赵et al。28相关性是第二准确,估计和AAPE TOCR分别为20.2%和0.84。的ΔlogR方法计算了TOC AAPE高的和低24.6%R0.83,最准确的预测模型是由什莫克TOC AAPE最高的48.6%和最低的R0.80。所有块图的视觉比较5也证实了方程的高精度(8)相对于其他模型。

前面的结果和分析证实了方程的准确性预测泥盆纪页岩的TOC。这个方程估计常规测井和伽马能谱的TOC日志。它偏离剧本表演当前的经验方程,计算了基于TOC RHOB日志(Schomoker模型),或FR和Δ的组合t日志和LOM(ΔlogR方法),或散装伽马射线,FR,Δt,或RHOB日志(赵et al。28]相关)。比较不同的TOC(以前)应用模型估计,提出一个从这个工作证明TOC的开发相关预测的适用性在泥盆纪页岩。

3.5。模型的局限性

本研究中使用的数据收集了从三个井在同一领域。数据也局限于泥盆纪页岩。因此,这个模型的准确性不能保证如果用于不同类型的形成或不同的数据范围提出了一项研究。

4所示。结论

在这项研究中,一个优化ANN-based经验相关,TOC预测在泥盆纪Duvernay页岩从常规测井和伽马能谱日志是基于优化的ANN模型开发的。总结了本文研究结果报道如下:(我)ANN模型预测TOC与AAPE训练和测试数据集R8.8%的培训和14%和0.93和0.98进行测试。(2)82数据点的验证数据集从第三是完全隐藏的ANN算法。这个模型产生了0.97 AAPE在这个数据集相关系数和9.7%。(3)验证数据集也被用来比较发达的性能TOC与三个不同的经验相关经验公式预测。模型明显优于其他模型相关系数小于0.85和AAPE超过20%。(iv)开发模型的权重和偏见都是摘要,将促进其使用相同的数据集。

缩写

AAPE:	平均绝对误差百分比
简称ANFIS:	自适应神经模糊干扰系统
安:	人工神经网络
有线电视新闻网:	卷积神经网络
中国出版集团:	中子孔隙度
榆树:	极端的学习机器
FL:	模糊逻辑
FN:	功能网络
FR:	地层电阻率
探地雷达:	高斯过程回归
格:	伽马射线
尼克-弗瑞:	去噪
神经网络:	神经网络
R:	相关系数
RHOB:	体积密度
SP:	自发的潜力
支持向量机:	支持向量机
目录:	总有机碳
ρ:	密度
Δt:	声波传输时间。

数据可用性

使用的数据来支持这个研究的发现也包含在这篇文章,可以从相应的作者。

伦理批准

这项研究已通过所有有关各方。作者声明没有人类或动物作为研究对象。

的利益冲突

作者宣称没有利益冲突。

确认

作者要感谢KFUPM给予许可发布这项工作。