一种基于地层因素的岩石热物理参数的预测方法

摘要

本发明公开了一种基于地层因素的岩石热物理参数的预测方法，包括以下步骤：采集研究区域不同岩性的岩石并制备试样；测量试样的密度、孔隙度、纵波速度、横波速度、电阻率；在常温常压、温度T压力P条件下，分别测试热导率，并计算热扩散系数和比热容；将上述常温常压下获得的密度、孔隙度、纵波速度、横波速度、电阻率、热导率、热扩散系数和比热容输入BP神经网络模型中进行训练；利用常温常压对温度T压力P条件下岩石热物理参数进行校正得到地层热物理参数剖面。采用该方法预测的热物理参数其应用范围广。

权利要求

1.一种考虑地层因素的岩石热物理参数的预测方法，其特征在于，包括以下步骤：A、采集研究区域不同岩性的岩石并制备试样；

B、测量试样的密度、孔隙度、纵波速度、横波速度、电阻率；

C、在常温常压、温度T压力P条件下，分别测试热导率，并计算热扩散系数和比热容；

D、将上述常温常压下获得的密度、孔隙度、纵波速度、横波速度、电阻率、热导率、热扩散系数和比热容输入BP神经网络模型中进行训练；所述BP神经网络模型以密度、孔隙度、纵波速度、横波速度、电阻率为输入参数，并以热导率、热扩散系数和比热容为输出参数；

E、利用常温常压对温度T压力P条件下岩石热物理参数进行校正得到地层热物理参数剖面；

对温度T压力P条件下岩石热物理参数进行校正的具体方法为：

λ(p,T)＝g1(x)λ(p0,T0)，

α(p,T)＝g2(x)α(p0,T0)，

Cp(p,T)＝g3(x)Cp(p0,T0)，

式中，λ(p,T)为在压力为pMPa，温度为T℃下的热导率；λ(p0,T0)为常温常压下的热导率；g1(x)为实验中不同压力和温度下测量的热导率值与常温常压下测量的热导率比值；α(p,T)为在压力为pMPa，温度为T℃下的热扩散系数；α(p0,T0)为常温常压下的热扩散系数；

g2(x)为实验中不同压力和温度下测量的热扩散系数与常温常压下测量的热扩散系数的比值；Cp(p,T)为在压力为pMPa，温度为T℃下的比热容值；Cp(p0,T0)为常温常压下的比热容值；g3(x)为实验中不同压力和温度下测量的比热容与常温常压下测量的比热容比值；

其中，g1(x)＝4.2339×10-4p-4.9791×10-4(T-273)+1.015，g2(x)＝4.0243×10-4p-

4.8159×10-4(T-273)+1.012，g3(x)＝3.9675×10-4p-4.6658×10-4(T-273)+1.014。

2.根据权利要求1所述的一种考虑地层因素的岩石热物理参数的预测方法，其特征在于，所述温度T压力P均高于常温常压。

3.根据权利要求1所述的一种考虑地层因素的岩石热物理参数的预测方法，其特征在于，所述BP神经网络模型为双隐含层结构。

4.根据权利要求3所述的一种考虑地层因素的岩石热物理参数的预测方法，其特征在于，所述BP神经网络模型包括依次的输入层、隐含层1、隐含层2和输出层，所述隐含层1的神经元数目为11个，所述隐含层2的神经元数目为3个。

说明书

一种基于地层因素的岩石热物理参数的预测方法

技术领域

[0001] 本发明涉及岩石热物理参数的预测方法领域，更具体的说是涉及一种基于地层因素的岩石热物理参数的预测方法。

背景技术

[0002] 岩石的热物理性质在地热、岩石圈热结构、岩土工程等领域有着重要的研究与应用，在油气领域也备受关注。通常是通过钻取深部岩心室内测试来获取热物理参数，但是这种传统的方式会受到取样数量、取样条件、时间等因素的限制，不能较为准确地代表地下岩石真实的热物理性质。Evans et al.(1977)建立了沉积岩中热导率与孔隙度、波速和密度的关系，不过这种关系只适用于特定的地区和岩性；Merkl et al.(1976)对石灰岩地层的测井资料分析后获取了岩石主要的矿物成分及含量，通过每种矿物组成的标准热导率，计算得到了岩石骨架的热导率，不过这种方法需要有详细的测井资料来得到岩石矿物组分；Vacquier et al.(1988)、Hartmann et al.(2005)利用密度、声波等测井曲线预测了地层的热导率；欧新功等(2006)利用纵波速度预测了地层的热导率；Esteban et al.(2015)、马峰等(2019)基于室内试验，用纵波速度和孔隙度预测了岩心热导率，这些预测方法都忽略了温度和压力对对岩石热物理参数的影响，造成预测结果的局限性。

发明内容

[0003] 本发明为了解决上述技术问题，研发一种基于地层因素的岩石热物理参数的预测方法，其对不同岩性岩样在不同温度压力条件下测试的热物理参数，基于密度、孔隙度、纵波速度、横波速度、电阻率，利用BP神经网络模型实现热物理参数的预测，其应用范围广。

[0004] 本发明通过下述技术方案实现：

[0005] 一种基于地层因素的岩石热物理参数的预测方法，包括以下步骤：

[0006] A、采集研究区域不同岩性的岩石并制备试样；

[0007] B、测量试样的密度、孔隙度、纵波速度、横波速度、电阻率；

[0008] C、在常温常压、温度T压力P条件下，分别测试热导率，并计算热扩散系数和比热容；

[0009] D、将上述常温常压下获得的密度、孔隙度、纵波速度、横波速度、电阻率、热导率、热扩散系数和比热容输入BP神经网络模型中进行训练；所述BP神经网络模型以密度、孔隙度、纵波速度、横波速度、电阻率为输入参数，并以热导率、热扩散系数和比热容为输出参数；

[0010] E、利用常温常压对温度T压力P条件下岩石热物理参数进行校正得到地层热物理参数剖面。

[0011] 本发明与现有技术相比，具有如下的优点和有益效果：

[0012] 1、本方法对不同岩性岩样在不同温度压力条件下测试的热物理参数，测量密度、孔隙度、纵波速度、横波速度、电阻率，利用常温常压下密度、孔隙度、纵波速度、横波速度、电阻率、热物理参数训练BP神经网络模型，利用BP神经网络模型实现热物理参数的预测，并以常温常压数据校正高温高压的热物理参数，得到地层热物理参数剖面，其应用范围广。

附图说明

[0013] 此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。

[0014] 图1为本发明的原理图

[0015] 图2为本发明建立的BP神经网络模型结构。

[0016] 图3为本发明BP神经网络模型训练界面。

[0017] 图4为本发明的BP神经网络模型的训练误差图。

[0018] 图5为本发明热导率计算值和实测值对比图。

[0019] 图6为本发明比热容计算值和实测值对比图。

[0020] 图7为本发明热扩散系数计算值和实测值对比图。

[0021] 图8为实施例2中计算得到地层热物理参数剖面图。

具体实施方式

[0022] 为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

[0023] 实施例1

[0024] 如图1所示的一种基于地层因素的岩石热物理参数的预测方法，包括以下步骤：

[0025] A、采集研究区域不同岩性的岩石并制备试样；

[0026] B、测量试样的密度、孔隙度、纵波速度、横波速度、电阻率；

[0027] C、在常温常压、温度T压力P条件下，分别测试热导率，并计算热扩散系数和比热容；

[0028] D、将上述常温常压下获得的密度、孔隙度、纵波速度、横波速度、电阻率、热导率、热扩散系数和比热容输入BP神经网络模型中进行训练；所述BP神经网络模型以密度、孔隙度、纵波速度、横波速度、电阻率为输入参数，并以热导率、热扩散系数和比热容为输出参数；

[0029] E、利用常温常压对温度T压力P条件下岩石热物理参数进行校正得到地层热物理参数剖面。

[0030] 实施例2

[0031] 基于上述实施例的原理，本实施例公开一具体实施方法并结合实验数据对本方案的创造性进行论证。

[0032] 一种基于地层因素的岩石热物理参数的预测方法，包括以下步骤：

[0033] A、收集研究区块地质、测井资料和不同岩性的岩样，制备试样。根据SY/T 5336—1996《岩心常规分析方法》以及GB/T50266—99《工程岩体试验方法标准》规定的标准，将岩心样品制成30-60块直径为2.5cm、高为5.0cm的圆柱体岩样，岩样高度、直径误差均不超过
0.3mm；两端面的不平行度，最大不超过0.05mm；端面垂直于试件轴，最大偏差不超过0.25°。

[0034] B、烘干试样，测量试样的几何尺寸和重量，获得试样的密度；使用气测孔渗仪SY/T 6385-2016《覆压下岩石孔隙度和渗透率测定方法》获取试样的孔隙度；采用超声波透射法，按照SY/T 6351—1998《岩石声波特性的实验室测定》的要求对岩样进行室内声波测试，得到试样的纵波波速和横波速度；按照SYT 5385-2007《岩石电阻率参数实验室测量及计算方法》的要求，测试试样的电阻率。

[0035] C、在条件1-5的室内，进行岩石热学参数测试，获取热导率参数λ，并通过式1计算得到扩散系数α，利用公式2可以计算得到比热容Cp。其中条件1-5的温度分别为20℃、50℃、100℃、150℃和200℃，压力分别为0.1MPa、20MPa、50MPa、100MPa，其中，20℃、0.1MPa构成常温常压环境，对应的，50℃、100℃、150℃、200℃及其对应压力构成高温高压环境。

[0036]

[0037] λ＝αCpρ   (2)

[0038] 式中：λ为热导率，单位为W/(m·K)；α为热扩散系数，单位为mm2/s；Cp为比热容，单位为kJ/kg·K；ρ为岩样密度，单位为g/cm3。

[0039] D、将上述常温常压下获得的密度、孔隙度、纵波速度、横波速度、电阻率、热导率、热扩散系数和比热容输入BP神经网络模型中进行训练。

[0040] 其中，BP神经网络模型以密度、孔隙度、纵波速度、横波速度、电阻率为输入参数，并以热导率、热扩散系数和比热容为输出参数，即该模型输入参数为5维输入，输出参数为3维输出，据BP神经网络理论可知，三层BP神经网络就可以完成任意的n维到m维的映射，考虑本发明将热导率、热扩散系数、比热容同时作为输出，将选择双隐含层结构，其中，根据输入与输出节点数确定隐层1的神经元个数为11个，隐层2的神经元个数为3个。本发明所建立的BP神经网络模型结构如图2所示。按照图2所示模型结构模型图，构建输入层为5维、输出层为3维、隐含层1神经元数目为11个，隐含层2神经元数目为3个的四层BP神经网络。隐含层和输出层的传递函数分别为tansig函数、logsig函数，网络训练函数为trainlm函数，网络权值学习函数为learngdm函数，性能函数为mse函数。

[0041] 训练过程中，最大迭代次数为1000，网络训练误差为0.001。将常温常压环境实验数据分为两部分，一部分用于训练BP神经网络模型，另外一部分用于验证模型的精度。将用于训练的实验数据对BP网络模型进行训练。发明人按此方法搭建的BP神经网络模型训练界面、训练误差及训练状态分别如图3、图4所示。

[0042] 利用构建的基于BP神经网络的岩石热物理参数模型计算岩石的热物理参数。岩石热物理参数计算值和实测值对比如图5～8所示。从对比图可以看出，除个别点外，由模型计算出来的热物理参数与实测热物理参数较为吻合，热导率计算值和实测值平均相对误差为7.300％，比热容计算值和实测值平均相对误差为3.788％，热扩散系数计算值和实测值平均相对误差为11.797％。

[0043] E、由于模型是在常温常压的实验条件下求取的，而压力和温度对热物理参数有着一定的影响，所以需要以常温常压条件下计算的到的热物理参数校正到相应的环境条件下的真实值，即利用常温常压对温度T压力P条件下岩石热物理参数进行校正得到地层热物理参数剖面。

[0044] 其中，热导率的校正公式3如：

[0045] λ(p,T)＝g1(x)λ(p0,T0)   (3)

[0046] 式中，λ(p,T)为在压力为pMPa，温度为T℃下的热导率；λ(p0,T0)为常温常压下的热导率；g1(x)为实验中不同压力和温度下测量的热导率值与常温常压下测量的热导率比值，由实验得到的g1(x)，其中，

[0047] g1(x)＝4.2339×10-4p-4.9791×10-4(T-273)+1.015。

[0048] 扩散系数的校正公式4如：

[0049] α(p,T)＝g2(x)α(p0,T0)   (4)

[0050] 式中，α(p,T)为在压力为pMPa，温度为T℃下的热扩散系数；α(p0,T0)为常温常压下的热扩散系数；g2(x)为实验中不同压力和温度下测量的热扩散系数与常温常压下测量的热扩散系数的比值，由实验得到的g2(x)，其中，

[0051] g2(x)＝4.0243×10-4p-4.8159×10-4(T-273)+1.012。

[0052] 比热容的校正公式5如：

[0053] Cp(p,T)＝g3(x)Cp(p0,T0)   (5)

[0054] 式中，Cp(p,T)为在压力为pMPa，温度为T℃下的比热容值；Cp(p0,T0)为常温常压下的比热容值；g3(x)为实验中不同压力和温度下测量的比热容与常温常压下测量的比热容比值，由实验得到的g3(x)，其中，

[0055] g3(x)＝3.9675×10-4p-4.6658×10-4(T-273)+1.014。

[0056] 计算得到地层热物理参数剖面，如图8所示。可以看出，在碳酸盐岩地层段预测热导率曲线明显增大，在孔隙度较大的地层热导率预测值明显减小，这些与常规认识结论较为符合。另外，可以看出热导率预测曲线与扩散系数曲线有着较为相似的变化趋势。

[0057] 以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。