[发明专利]一种基于机器学习的油水相对渗透率曲线计算方法

权利要求书

1.一种基于机器学习的油水相对渗透率曲线计算方法，其特征在于，包括以下步骤：

步骤1、建立表征油水相对渗透率曲线特征的模型；

步骤2、油水相对渗透率曲线样本的预处理；

步骤3、采用神经网络图灵机训练样本及检验模型；

步骤4、预测油水相对渗透率曲线。

2.根据权利要求1所述的计算方法，其特征在于，所述步骤1中的建立表征油水相对渗透率曲线特征的模型具体为：

S1.1、在图像中提取出等渗点、端点值反应油水相对渗透率曲线的表征值；

S1.2、使用基于Freeman链码的曲线表征方法表征油水相对渗透率曲线的弯曲特征，求得每条油水相对渗透率曲线的链码值，用于表征曲线的变化形态；

S1.3、将上述参数整理成向量形式，构成样本的数据的输出。

3.根据权利要求2所述的计算方法，其特征在于，所述的使用基于Freeman链码的曲线表征方法表征油水相对渗透率曲线的弯曲特征具体为：

选择一个已细化的二值化图像中的端点作为参考点，与其相邻的像素分别在8个不同的位置上，给它们赋予方向值0～7，称为0～7位链码方向值，一个线条用Freeman链码的码值串来表示，称为该线条图形的链码；

曲线的链码表示：

式中，M_N—曲线的Freeman链码表示，S—曲线的起点，a_i—方向；

给出一条曲线，将其二值化为一个9×9的点阵图，以S为起始点，E为终点，根据链码方向值，下一像素点在初始点的u方位，则第一位数为u；同理，下一位点在上一位点的方向值即为其链码值，逐点判断，直到终点E(a_n)，得出链码值；

首先，在油水相对渗透率曲线中提取实际值等渗点d，油相相对渗透率曲线的两个端点值(S_wc，k_roc)和(S_or,0)，水相相对渗透率曲线的两个端点值(S_wc，0)和(S_or,k_rwr)；

其次，将油水相对渗透率曲线进行二值化处理，图像大小细化为20×20像素，由Freeman链码方法，得出分别表示两条相对渗透率曲线弯曲特点的链码值M_o和M_w；

式中，d—等渗点，小数；S_wc—束缚水饱和度，小数；S_or—残余油饱和度，小数；k_roc—束缚水饱和度下油相相对渗透率，小数；k_rwr—残余油饱和度下水相相对渗透率，小数；M_o—油相曲线链码值；M_w—水相曲线链码值；

根据每条油水相对渗透率曲线的特征，求得每一个样本中油水相对渗透率曲线的表征值。

4.根据权利要求1所述的计算方法，其特征在于，所述步骤S2中的油水相对渗透率曲线样本的预处理具体为：

收集油水相对渗透率曲线样本；对于不同沉积微相类型，用数字1,2,3…依次表示；对于岩性，采用A，B，C…按含量依次表示；对于物性参数，用渗透率、孔隙度等表示；对于流体性质，用油水粘度表示；对于微观孔隙结构，用平均粒径、孔喉半径、分选系数、均质系数表示；对于驱替条件，用压力、温度、注入体积倍数等表示；

上述数据构成样本的输入，油水相对渗透率曲线的表征值构成样本的输出，即形成样本集。

5.根据权利要求4所述的计算方法，其特征在于，研究的沉积相带为河流相，河流相的沉积微相具体为：心滩微相—1；边滩微相—2；河套充填微相—3；天然堤—4；决口扇—5；泛滥盆地—6；河底滞留沉积—7；

岩性为常规砂岩，常规砂岩的矿物成分具体为：长石—A；石英—B；白云母—C；重矿物——D；岩屑—E。