[发明专利]一种低渗透油藏剩余油位置与含量测定系统、方法及应用

权利要求书

1.一种低渗透油藏剩余油位置与含量测定方法，其特征在于，所述低渗透油藏剩余油位置与含量测定方法包括：获取测井资料物性及非均质参数，数据预处理对分布范围较大的渗透率及其级差参数作对数变换；对所有参数采用标准化标准差完成归一化；采用逻辑回归模型的机器学习方法，并进行F-score评分计算及序列迭代作降维处理，对已知类进行训练挖掘潜在数据模式以预测未知类，实现某一位置的含油可能性及含油多少预测的双重量化；

引入F-score评分的砂体厚度ZH、泥质含量ZVsh、孔隙度ZPor、渗透率ZlogK、渗透率变异系数ZVk、渗透率级差ZlogJk、渗透率突进系数ZTk和夹层密度ZD 8个特征时，逻辑回归模型的效果最好，对应的逻辑回归公式F建立的公式为F＝0.009ZH-0.114ZVsh-0.784Zpor-0.225ZVk-0.037ZTk+0.366ZD-1.255ZlogK-0.201ZlogJk+1.051；其中ZH、ZVsh、ZPor、ZlogK、ZVk、ZlogJk、ZTk和ZD表示逻辑回归公式F的参数；

所述的F-score评分公式为：

其中，和分别为第i个特征在整体、正类和负类集上的平均值，n₍₊₎、n_(-)分别为正、负类数据集的样本数，为第i个特征在第k个正、负类样本点的特征值。

2.如权利要求1所述的低渗透油藏剩余油位置与含量测定方法，其特征在于，所述低渗透油藏剩余油位置与含量测定方法具体包括：

步骤一，数据采集：获取测井数据、生产数据，根据测井资料解释物性及非均质参数；

步骤二，数据变换：通过对数变换、标准差标准化公式，消除不同参数之间的量纲差异；

步骤三，特征评分：采用F-score评分公式得到特征序列；

步骤四，逻辑回归模型建立及特征降维：选用逻辑回归模型，根据F-score评分序列依次迭代，由训练集准确率、测试集准确率的大小比较，获得最优特征子集；

步骤五，模型检验及应用：利用逻辑回归模型获得的逻辑回归公式，对测试集、全体样本进行检验、解释和应用。

3.如权利要求2所述的低渗透油藏剩余油位置与含量测定方法，其特征在于，步骤一中，所述物性及非均质参数包括：砂体厚度(H)、泥质含量(Vsh)、孔隙度(Por)、渗透率(K)、渗透率变异系数(Vk)、渗透率级差(Jk)、渗透率突进系数(Tk)、夹层厚度(T)、夹层频率(P)、夹层密度(D)共10种特征参数。

4.如权利要求2所述的低渗透油藏剩余油位置与含量测定方法，其特征在于，步骤二中，所述数据变换具体包括：

1)对数变换：渗透率和渗透率级差采用对数变换，即变换后数据＝log₁₀(变换前数据)；

2)标准差标准化：将其他参数和对数变换后的渗透率、渗透率级差的标准差标准化，公式为：

标准化后数据＝(样本值-平均值)÷标准差。

5.如权利要求4所述的低渗透油藏剩余油位置与含量测定方法，其特征在于，对数变换中，由于低渗透油藏中渗透率参数有0.01～1×10^-3μm²的部分，为使对数变换后的渗透率参数为正数，在原基础上加3。

6.如权利要求2所述的低渗透油藏剩余油位置与含量测定方法，其特征在于，步骤四中，样本集按6:4划分训练集和测试集两部分，根据训练集含油属性和按F-score评分大小顺序依次输入的参数，通过逻辑回归模型实现对测试集含油属性的判别，根据测试集准确率剔除引入后使效果变差的参数特征，获得模型效果最好时对应的逻辑回归公式F的方程系数；其中，

F＝0.009ZH-0.114ZVsh-0.784Zpor-0.225ZVk-0.037ZTk+0.366ZD-1.255ZlogK-0.201ZlogJk+1.051。