1.本发明属于油气勘探开发技术领域，尤其涉及多组分气测数据预测，特别是一种原油密度实时定量预测模型。
背景技术：
2.储层原油密度是试油之前进行的试油方案设计、油藏储量计算、油藏开发方案制定等工作需要明确的重要参数之一。因此，对储层原油密度进行实时准确的预测具有重要的工程意义。但在油气勘探过程中，通常在试油、出油之后采集样品进行实验分析才能得到准确的储层原油密度数据，难以实现录井现场的实时感知分析；储层原油密度预测由定性向定量化方向发展的最终目的之一就是对储层进行产能预测，原油性质的变化是决定储层原油是否具备工业产出能力的重要因素，故在生产实践中对原油性质的实时感知分析及准确预测具有重要意义。
3.以往试油前原油密度的预测主要采用的是储层热解法利用研究区已有钻井原油中热解气态烃、液态烃、重烃含量与密度的相关性进行密度预测。该方法存在两个不足之处：一是岩石热解法检测过程中将样品高温燃烧会导致样品中部分组分损失较大，使得计算得到的轻质油指数。重质油指数等指标在表征样品气态烃、液态烃、重烃的相对含量时存在较大的误差；二是在模型建立时仅仅单一地统计气态烃、液态烃或者重烃含量与原油密度的关系，未描述三种组分对原油密度的综合影响。这就使得该类方法在应用过程中存在较大的误差，预测结果的绝对误差最高可达0.1g/m l以上。现有的对原油密度预测的研究比较少，且大多数是以经验图版、临界点分析以及一元线性回归的方法来对原油密度进行预测，均在很大程度上受人为因素影响，致使拟合效果精度不高，使原油密度预测的不够准确全面，无法实现原油密度的实时定量化预测。
4.原油密度预测不能用汽油比替代，汽油比包含伴生天然气，主要是c4以下的轻烃以及微量的h2s和co2，原油密度预测所需气测参数不仅要用到烷烃类还要用到芳香烃及环烷烃，各项派生参数例如油产率指数等等。原油密度实时定量预测主要聚焦于录井现场的实时感知与定量化以及较高的预测精度。
5.随着轻烃分析技术的不断发展，轻烃分析技术基于石油、天然气中轻烃化合物的浓度和分布、稳定性及其在水中溶解度等物理化学性质差异，应用轻烃组分推演出石油、天然气的成因类型、遭受热演化程度及次生演化强度的规律，并依此对含油性及原油性质进行评价；传统气测系统只能得到含有一些c
1-c5组分的相关数据，并且质量不高，不利于定量分析；多组分气测系统数据全面不受岩性影响，能够实时反映研究层的含油气性与物性情况。多组分气测数据对于复杂储层原油性质分析多是从定性的角度进行研究，例如《基于flai r技术识别储层流体》、《基于气测比率因子的油气层识别新方法》、《基于烃组分分析的渤海油田录井储层流体性质解释新方法》，在定量化预测方面尚未有很大的突破。
6.为了克服上述问题，本发明提出一种基于多组分气测系统的原油密度实时定量预测方法来实现录井现场随钻实时感知，建立精度较高的原油密度实时定量预测模型。
技术实现要素：
7.本发明的目的在于解决上述现有技术存在的缺陷，提供一种基于多组分气测系统的原油密度实时定量预测方法。
8.本发明采用如下技术方案：
9.一种基于多组分气测系统的原油密度实时定量预测方法，包括如下步骤：
10.1)根据研究区钻井液样品，通过气体检测设备定量检测烃类气体和指定非烃气体含量；
11.2)结合气测资料，挖掘分析气测组分数据集曲线特征；
12.3)选取油层位中最能反映含油丰度的参数及派生参数，进行优选；
13.4)将优选参数与原油密度进行相关性分析；
14.5)根据建立的气测数据集派生参数与原油密度的图板及回归方程，通过基于bp神经网络的机器学习方法，将气录参数与测井和岩屑岩心等相关参数与派生参数结合，建立储层的多组分气测参数原油密度定量预测模型。
15.进一步的，步骤1)中：检测气体组分如下：
16.多组分气测录井系统检测分析的烃类气体从烷烃(c1，c2，c3，c4，c5，nc6，nc7，nc8)扩展到芳香烃(c5h6，c7h8)环烷烃(c7h
14
)和非烃类气体(h2s，co2)。
17.进一步的，步骤2)中：分析气测数据多组分气测数据特征，对各流体相进行对比分析；
18.其中气测组分中由于c6及以上烃类气体组分在常态下为液态，所以当气测录井系统检测到大量c6 以上的烃类组分时，意味着含油层或油层的出现；环烷烃和芳香烃在常温常压下可溶于水和油，但在油中的溶解度比在水中大很多，所以环烷烃和芳香烃组分检测值在油层中较高。
19.原油中的轻烃由正构烷烃、异构烷烃、环烷烃、芳烃四部分组成，且是原油的重要组成部分。特别是c5～c8范围的单体正构烷烃在原油中相对百分含量最高；单体异构烷烃和环烷烃如2-甲基己烷，甲基环己烷等可占原油组分的1％以上，苯、甲苯可占轻烃组分的1.3％-1.8％。原油轻烃化合物的含量和分布不仅取决于原油的成因类型也取决于其遭受的热演化程度及次生演化强度。
20.进一步的，步骤3)中：派生参数s0(气态烃)，s1(常温常压下为液态的重组分)，pg(产烃潜量)，opi(油产率指数)，ps(轻重组分指数)，tg(全烃)；
[0021][0022][0023]
pg＝hg h
h mg/g
[0024]
opi＝hh/hg hh[0025]
ps＝hg/hh[0026][0027]
进一步的，步骤4)中：将派生参数与实际原油密度进行相关性分析
[0028]
筛选储层中最具代表性的气测数据，去掉非典型数据，选取反映储层流体性质的
气测样品数据进行优选派生参数再与原油密度进行相关性分析，通过气测参数与派生参数与原油密度的图板及回归方程，相关系数分析派生参数hg(轻组分气态烃)，hh(重组分)，pg(产烃潜量)，opi(油产率指数)，tg(全烃)，ps(轻重组分指数)与原油密度的相关性强度。
[0029]
进一步的，步骤5)中：
[0030]
bp神经网络由输入层、隐藏层、输出层组成，能学习和贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。她的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使误差平方和最小。
[0031]
定义了三层网络，输入层(第0层)，隐藏层(第1层)，输出层(第2层)，q个神经元个数，具体个数根据最终拟合效果确定，并且每个结点设有偏置，激活函数为relu函数。
[0032]
v,w分别为输入层到隐藏层，隐藏层到输出层的权重，对于只含单个隐层的神经网络模型：bp神经网络的过程主要分为两个阶段，第一阶段是信号的正向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。
[0033]
正向传播过程：
[0034]
从输入层到隐藏层：
[0035]
从隐藏层到输出层：
[0036]
式中：ah为隐层神经元的输入；v
ih
为输入层到隐藏层的权重；xi为输入的特征值数值，θh,θj为偏置变量，βj为输出神经元的输入，w
hj
为隐藏层到输出层的权重；bh为隐层数值系数。
[0037]
因为参数是随机的，所以首次计算出的结果跟真实的结果会有一个非常大的误差，所以需要根据误差去调整参数，让参数可以更好的去拟合，直到误差达到最小值，这时就需要模型的反向传播；
[0038]
反向传播过程：
[0039]
通过计算输出层与期望值之间的误差来调整网络参数，从而使得误差变小。
[0040]
误差公式：
[0041][0042]
式中：yk为模型输出值；tk为实际期望值。
[0043]
权重反向更新：δw
ij
＝(l)e
yk
[0044]wij
＝δw
ij
w
ij
[0045]
式中：l为学习率，e
yk
为输出层与期望值之间的误差，δw
ij
为反向权重差。
[0046]
选取多组能表征已知原油密度的测井参数作为输入数据，按比例随机分为训练集和验证集，对所得数据进行数据预处理和归一化处理后，输入到上述bp神经网络模型中，训练所述bp神经网络预测模型；计算训练集在网络上的预测准确率，评价模型的准确性。
[0047]
本发明的有益效果：
[0048]
本发明的基于多组分气测系统的原油密度实时定量预测方法，通过多组分气测系统实时获取研究层位中最能反映原有密度性质的参数及相关派生参数输入bp神经网络进行训练，从而进行原油密度的实时定量预测，与传统气测系统预测方法相比，相关气测参数
实时获取更为全面准确，为提高原油密度的实时定量预测精度提供更好的可能性。因此认为此方法是实现较为准确的原油密度实时定量预测的重要一步。
附图说明
[0049]
图1为本发明的实施例流程示意图；
[0050]
图2为本发明建立研究区原油密度实时定量预测模型的流程示意图；
[0051]
图3为本发明根据实施例选取派生参数hg,hh作特征值的预测模型对照结果图。
具体实施方式
[0052]
为使本发明的目的、技术方案和优点更加清楚，下面本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0053]
本发明应用多组分气测系统气体检测设备所检测到的烃类气体，从烷烃(c1，c2，c3，c4，c5，nc6，nc7，nc8)扩展到芳香烃(c5h6，c7h8)环烷烃(c7h
14
)。挖掘烃组分，含油丰度，派生参数组分及含量等数据点特征与原油密度之间的有效关系。
[0054]
通过把地层油气信息解构成烃组分单元，并找出烃组分及其派生参数与储层特征的内在联系，结合历史气测资料与测量的烃组分非烃气录含量等数据与原油密度之间的内在联系。
[0055]
下面结合井hz26-6-1中得到的原油样品各项相关数据对本发明的基于多组分气测系统的原油密度实时定量预测方法做出详细说明。
[0056]
如图1-2所示，本发明的一种基于多组分气测系统的原油密度实时定量预测方法，包括：
[0057]
1)根据研究区钻井液样品，通过多组分气测录井系统定量检测烃类气体和指定非烃气体含量：
[0058]
烷烃(c1，c2，c3，c4，c5，nc6，nc7，nc8)扩展到芳香烃(c5h6，c7h8)、环烷烃(c7h
14
)和非烃类气体(h2s，co2)，特别是c5～c8范围的单体正构烷烃在原油中相对百分含量最高；
[0059]
2)结合气测资料，挖掘分析气测组分数据集曲线特性；
[0060]
分析研究层各气测组分数据分布曲线的特性，对各流体相进行对比分析挖掘流体曲线和原油密度之间的侧面关联，如图2所示；
[0061]
3)选取油层为中最能反映原油性质的参数及派生参数；
[0062]
hg(轻组分气态烃)，hh(常温常压下为液态的重组分液态烃)，pg(产烃潜量)，opi(油产率指数)，ps(轻重组分指数)，tg(全烃)；
[0063][0064][0065]
pg＝hg h
h mg/g
[0066]
opi＝hh/hg hh[0067]
ps＝hg/hh[0068][0069]
4)将派生参数与样品原油密度数据进行相关性分析
[0070]
样品数据选择时，因为研究层段中存在较多岩心，岩壁的分析参数资料，但在建立派生参数与原油密度之间的拟合回归方程时，只能一对一，也就是一个派生参数对应一个原油密度，所以在大量的样品数据中，选择具代表性的数据，反映研究层流体性质的样品数据。
[0071]
5)根据建立的气测数据集派生参数与原油密度的图板及回归方程，通过基于bp神经网络的机器学习方法，将气录参数与测井和岩屑岩心等相关参数与派生参数结合，建立储层的多组分气测参数原油密度定量预测模型；
[0072]
定义三层网络，输入层(第0层)，隐藏层(第1层)，输出层(第2层)选取能表征已知原油密度的多组分气测参数及派生参数作为输入，q个神经元个数，并且每个结点设有偏置，激活函数为re l u函数。
[0073]
过程主要分为两个阶段，第一阶段是信号的正向传播，从输入层经过隐含层后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。
[0074]
正向传播过程：
[0075]
从输入层到隐藏层：
[0076]
从隐藏层到输出层：
[0077]
式中：ah为隐层神经元的输入；v
ih
为输入层到隐藏层的权重；xi为输入的特征值数值，θh,θj为偏置变量，βj为输出神经元的输入，w
hj
为隐藏层到输出层的权重；bh为隐层数值系数。
[0078]
首次计算出的结果跟真实的结果会有一个非常大的误差，所以需要根据误差去调整参数，让参数可以更好的去拟合，直到误差达到最小值，需要模型的反向传播；
[0079]
反向传播过程：
[0080]
通过计算输出层与期望值之间的误差来调整网络参数，从而使得误差变小。
[0081]
误差公式：
[0082]
式中：yk为模型输出值；tk为实际期望值。
[0083]
权重反向更新：δw
ij
＝(l)e
yk
[0084]wij
＝δw
ij
w
ij
[0085]
式中：l为学习率，e
yk
为输出层与期望值之间的误差，δw
ij
为反向权重差。
[0086]
采用adam算法，快速调整权重的大小，使损失函数不断地变小。adam算法是在梯度下降法基础上，通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率，可以加快收敛速率。
[0087]
选取多组能表征已知原油密度的测井参数作为输入数据，按比例随机分为训练集和验证集，对所得数据进行数据预处理和归一化处理后输入到上述bp神经网络模型中，训练所述bp神经网络预测模型；计算训练集在网络上的预测准确率，根据训练集和对照集结
果评价模型的准确性。图3为其中选取派生hg，hh作特征值的预测模型对照结果。
[0088]
表1为以派生参数hg，hh为特征值30组样本集数据；
[0089]
选取表1所示30组样本集，根据优选的两个派生参数特征值所建立的原油密度定量预测模型，利用预测模型进行训练，预测模型对照结果图3所示，拟合优度为：0.92336，误差在0.02g/ml以内，可以实现录井现场对储层原油密度较为精准的实时定量化预测。表1以派生参数hg，hh为特征值30组样本集
[0090]
[0091][0092][0093]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。