(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210495667.8 (22)申请日 2022.05.09 (65)同一申请的已公布的文献号 申请公布号 CN 114818076 A (43)申请公布日 2022.07.29 (73)专利权人 东北石油大 学 地址 163000 黑龙江省大庆市高新 技术产 业开发区学府街9 9号 专利权人 黑龙江省飞谱 思能源科技有限公 司 (72)发明人 孟令东　付晓飞　杜睿山　胡志明　 程永昌　张晓玲　李宏杰　张桐　 吴桐　王超　李子扬　 (74)专利代理 机构 黑龙江省百盾知识产权代理 事务所(普通 合伙) 23218 专利代理师 门雨晴 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/25(2020.01) G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) G06F 111/08(2020.01)(56)对比文件 CN 114320266 A,2022.04.12 CN 113803047 A,2021.12.17 CN 110954944 A,2020.04.0 3 US 2009/0125238 A1,20 09.05.14 景紫岩等.勘探前期断层封闭性 三维定量评 价及软件研发. 《东北石油大 学学报》 .2021,第45 卷(第04期),27- 34+68页. 刘化清等.岩性 地层油气藏区带及圈闭评价 技术研究新进 展. 《岩性油气藏》 .2020,第3 3卷 (第01期),25 -36页. 祝鹏.低渗透砂岩储层测井 评价方法及其应 用. 《中国博士学位 论文全文数据库 基础科 学 辑》 .2018,(第0 6期),A01 1-81页. 张博为.冀中坳陷议 论堡地区源—输—圈时 空匹配及控藏作用研究. 《中国博士学位 论文全 文数据库 基础科 学辑》 .2019,(第01期),A01 1- 81页. Xiaofei FU等.Comprehensive evaluati on on hydrocarbo n-bearing availability of. 《Petroleum Expl oration and Devel opment》 .2021,第48卷(第04期),787-797页. (续) 审查员 马秋爽 (54)发明名称 一种基于机器学习的断层封闭烃柱高度评 价方法 (57)摘要 本发明涉及一种基于机器学习的断层封闭 烃柱高度评价方法， 该方法包 括： 1、 基于地震、 井 基础资料建立三维断层模 型； 2、 在三维工区中提 取断层控圈部分的封闭属性数据并构建 “封闭属 性——烃柱高度 ”数据集， 通过机器学习分类算 法构建“断层圈闭油水界面评价模型 ”； 3、 提取待 评价控圈闭断层的封闭属性参数， 以之为评价模 型的输入项， 以输出项形式获得待评价圈闭的油水界面区间及概率； 4、 基于圈闭评价得出的油水 界面区间及概率， 绘制待评价圈闭概率最大的 “烃‑水界面”范围， 计算相应地质储量。 该方法能 够保障断层封闭能力影响因素的数据来源准确 性和数据结构完整性， 最终落实到圈闭有效范 围、 可封闭烃柱高度和地质储量。 [转续页] 权利要求书2页 说明书9页 附图7页 CN 114818076 B 2022.12.20 CN 114818076 B (56)对比文件 丁翠平等.岩性油藏预测技 术. 《石油勘探与 开发》 .19 99,第26卷(第01期),6 -9页. Ivan Makhoti n等.Machine learn ing for recovery factor estimati on of an o il reservoir: A to ol for derisk ing at a hydrocarbo n asset evaluati on. 《Petro leum》 .2021,第08卷(第02期),278-2 90页. 王丽等.基于常规测井资料的储层流体识别 方法. 《地质科技情 报》 .2018,第37 卷(第02期), 241-245页.2/2 页 2[接上页] CN 114818076 B1.一种基于 机器学习的断层封闭烃柱高度评价方法， 所述方法包括以下步骤： 步骤一： 建立三维地质模型， 依据所获取的三维地震解释数据， 包括地层和断层解释成 果和井基础资料， 通过 FAPSeal软件建立 三维地质模型； 步骤二： 对研究区进行精细油藏解剖， 选取研究区多个受断层控制的已钻探油气藏进 行精细解剖， 得到各油气藏的圈闭要 素和烃水界面， 并计算出圈闭所封闭的烃柱高度， 建立 圈闭要素统计表； 步骤三： 断层封闭属性数据集构建， 依据油藏解剖 成果， 在三维工区中， 通过对控制烃 类分布的断层 进行解剖， 提取控烃部分的断层封闭属性数据， 将该数据作为特征值， 烃柱高 度作为目标值进行断层封闭属性数据集构建； 步骤四： 对所提取的原始 “断层封闭属性数据 ”进行数据预处理， 通过断层封闭属性相 关性分析， 去除无效属性， 优化数据集， 之后以数据量均衡为前提， 对烃柱高度进行分段处 理， 形成以烃柱高度段为分类单元 的多类数据构成的学习 数据集， 最后将分段后的数据按 照7： 3的比例随机划分为训练集和 测试集； 步骤五： BP神经网络模型构建， 选取BP神经网络作 为机器学习分类算法， 在模型训练过 程中， 采用粒子群算法以优化模 型， 利用测试集， 对该条件获得的神经网络评价模型进行测 试， 完成基于BP神经网络的断层封闭能力评价模型的建立； 步骤六： 以待评价圈闭的断层封 闭属性为输入项， 以输出项形式获得待评价圈闭的烃 柱高度范围、 烃水界面范围及概率， 并在平面图上绘制待评价圈闭概率最大的 “烃水界面 ” 范围， 得出圈闭面积， 最后， 结合储层平均孔隙度、 碾平厚度、 圈闭面积， 计算待评价圈闭的 地质储量。 2.根据权利要求1所述的基于机器学习的断层封闭烃柱高度评价方法， 其特征在于， 步 骤三中明确了研究区块断层封闭类型以及断层所封闭的烃柱高度后， 在所建立的该地区的 三维工区中， 依据油藏解剖得出的烃水界面， 在圈闭边界断层， 后简称为控圈断层， 上绘制 出控烃范围， 并提取控烃范围内的断层封闭属性数据， 封闭属性包括断层泥含量、 断层断 距、 断层有效正应力、 断层走向、 断层倾角、 倾向滑移梯度、 横向应变、 纵向应变、 断层纵向表 面梯度和横向表面梯度； 将这些数据与其所对应的烃柱高度进行汇总， 最终构建出该控圈 断层的封闭属性数据集， 应用相同方法， 获取所有含油/气圈闭内控圈断层的封闭属性数 据。 3.根据权利要求1所述的基于机器学习的断层封闭烃柱高度评价方法， 其特征在于， 步 骤四中对获取的原始 “断层封闭属性数据 ”进行皮尔逊相关系数分析， 具体的皮尔逊相关系 数公式如下： 其中， X和Y代表两个随机变量， E为数学期望或均值， σ 为标准差， μX和 μY分别代表随机变 量X和Y的期望， Xi和Yi代表具体的变量值； E[(X ‑μX)(Y‑μY)]称为随机变量X与Y的协方差， 和 是两个随机变量各自的标准差； 两个变量之间的协方 差和两个变量各自的标准差的商称为随机变量X与Y的相关系数， 记为ρ(X,Y)； 相关系数是 衡量随机变量X与Y相关程度的一种方法， 相关系数的取值范围是[ ‑1,1]， 相关系数的绝对权　利　要　求　书 1/2 页 2 CN 114818076 B 3