本發(fā)明涉及油田開發(fā)技術(shù)領(lǐng)域，特別涉及一種裂縫識別方法和裝置。

背景技術(shù)：

石油儲層在形成的過程中會受到沉積作用的影響和各種成巖作用的強(qiáng)烈改造。例如，低滲透砂巖儲層巖石由于脆性高,在構(gòu)造變形中極易產(chǎn)生裂縫。裂縫的存在明顯改善了儲層的滲流能力，導(dǎo)致儲層可能會具有更好的儲油能力。因此，在油田開發(fā)過程中，對裂縫的識別及預(yù)測成為石油儲層開發(fā)地質(zhì)研究的重要內(nèi)容之一。

目前，具體施工時(shí)所采用的裂縫識別方法大多是：巖心觀察法和根據(jù)測井資料識別裂縫法。其中，巖心觀察法可以通過巖心觀察，直觀地認(rèn)識和描述宏觀裂縫的發(fā)育情況。而根據(jù)測井資料識別裂縫法一般具體可以根據(jù)不同測井系列對裂縫的響應(yīng)程度不同，進(jìn)一步可以細(xì)分為：常規(guī)測井識別法和成像測井識別法。其中，常規(guī)測井識別法一般可以利用交匯圖法、曲線重疊法進(jìn)行直觀定性識別，例如雙側(cè)向電阻率差異法、聲波時(shí)差增大和密度值減小等特征法。而成像測井識別法通常能夠以直觀、形象、清晰的特點(diǎn)顯示出井壁二維空間的地質(zhì)特征，可用于裂縫識別及儲層可動流體評價(jià)，例如地層微電阻率掃描成像測井、方位電阻率成像測井、超聲波成像測井、偶極子橫波成像測井和核磁共振成像測井等。

上述所列舉的幾種常用的裂縫識別方法雖然可以定性地描述并識別部分裂縫，但在具體實(shí)施時(shí)，由于方法本身的局限性，大都存在裂縫識別范圍小(一般僅局限于井內(nèi)裂縫的識別)和裂縫識別準(zhǔn)確度差的技術(shù)問題。

針對上述問題，目前尚未提出有效的解決方案。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供了一種裂縫識別方法和裝置，以達(dá)到解決現(xiàn)有裂縫識別方法存在的裂縫識別范圍小、準(zhǔn)確度低的技術(shù)問題，實(shí)現(xiàn)對裂縫發(fā)育層段和平面分布的識別和預(yù)測，并提高裂縫識別的準(zhǔn)確度。

本發(fā)明實(shí)施例提供了一種裂縫識別方法，包括：

獲取研究區(qū)的裂縫資料，其中，所述裂縫資料包括研究區(qū)目的層段巖心資料、測井資料和生產(chǎn)動態(tài)資料；

根據(jù)所述裂縫資料確定研究區(qū)的裂縫的發(fā)育特征和裂縫的分布規(guī)律；

根據(jù)所述研究區(qū)目的層段巖心資料、所述裂縫的發(fā)育特征和所述裂縫的分布規(guī)律，建立巖性的電性識別標(biāo)準(zhǔn)；

根據(jù)所述巖性的電性識別標(biāo)準(zhǔn)，劃分得到各種巖性；

根據(jù)所述測井曲線，分別提取所述各種巖性的裂縫特征參數(shù)；

根據(jù)所述裂縫特征參數(shù)建立裂縫非線性識別模型；

通過所述裂縫非線性識別模型獲得研究區(qū)內(nèi)單井的裂縫識別結(jié)果；

根據(jù)所述單井的裂縫識別結(jié)果、所述生產(chǎn)動態(tài)資料、所述裂縫的發(fā)育特征和所述裂縫的分布規(guī)律，確定研究區(qū)的裂縫強(qiáng)度的三維模型。

在一個(gè)實(shí)施方式中，所述獲取研究區(qū)的裂縫資料包括：根據(jù)所述研究區(qū)內(nèi)的地表露頭分析結(jié)果、巖心觀察數(shù)據(jù)、薄片分析數(shù)據(jù)、實(shí)驗(yàn)測試數(shù)據(jù)、研究區(qū)的測井?dāng)?shù)據(jù)和生產(chǎn)動態(tài)數(shù)據(jù)，獲取研究區(qū)的裂縫資料。

在一個(gè)實(shí)施方式中，所述裂縫的發(fā)育特征包括：裂縫的產(chǎn)狀、裂縫的傾角、裂縫的發(fā)育巖性和裂縫的充填情況。

在一個(gè)實(shí)施方式中，根據(jù)所述研究區(qū)目的層段巖心資料、所述裂縫的發(fā)育特征和所述裂縫的分布規(guī)律，建立巖性的電性識別標(biāo)準(zhǔn)，包括：

根據(jù)所述裂縫資料，建立訓(xùn)練數(shù)據(jù)集；

利用基于圖形的聚類分析方法對所述訓(xùn)練數(shù)據(jù)集進(jìn)行建模和學(xué)習(xí)，以建立測井相；

根據(jù)所述研究區(qū)目的層段巖心資料標(biāo)定所述測井相，確定所述測井相對應(yīng)的巖性，并將標(biāo)定后的測井相作為所述巖性對應(yīng)的電性識別標(biāo)準(zhǔn)。

在一個(gè)實(shí)施方式中，根據(jù)所述測井曲線，分別提取所述各種巖性的裂縫特征參數(shù)，包括：

對于所述各種巖性，按照以下方式提取當(dāng)前巖性的裂縫特征參數(shù)：

根據(jù)所述當(dāng)前巖性的測井曲線的自然伽馬GR、聲波時(shí)差A(yù)C、補(bǔ)償密度DEN和深感應(yīng)電阻率RILD，通過多重分形算法，分別提取得到以下參數(shù)作為所述巖性的裂縫特征參數(shù)：GR的多重分形譜的寬度、GR的多重分形譜中最大概率子集與最小概率子集的分形維數(shù)差和GR的多重分形譜的偏斜度，AC的多重分形譜的寬度、AC的多重分形譜中最大概率子集與最小概率子集的分形維數(shù)差和AC的多重分形譜的偏斜度，DEN的多重分形譜的寬度、DEN的多重分形譜中最大概率子集與最小概率子集的分形維數(shù)差和DEN的多重分形譜的偏斜度，RILD的多重分形譜的寬度、RILD的多重分形譜中最大概率子集與最小概率子集的分形維數(shù)差和深感應(yīng)電阻率RILD的多重分形譜的偏斜度。

在一個(gè)實(shí)施方式中，根據(jù)所述測井曲線，通過多重分形算法，按照以下公式提取對應(yīng)的裂縫特征參數(shù)：

Δα＝α_max-α_min

Δf＝f(α_min)-f(α_max)

其中，α為奇異性指數(shù)，Δα為多重分形譜的寬度，α_max為所述奇異性指數(shù)取最大值時(shí)的概率，α_min為所述奇異性指數(shù)取最小值時(shí)的概率，Δf為多重分形譜中最大概率子集與最小概率子集的分形維數(shù)差，f(α_max)為概率子集中最小概率元素個(gè)數(shù)的比例，f(α_min)為概率子集中最大概率元素個(gè)數(shù)的比例，k為多重分形譜的偏斜度，α₀為f(α)取最大值時(shí)對應(yīng)的奇異性指數(shù)。

在一個(gè)實(shí)施方式中，根據(jù)所述裂縫特征參數(shù)建立裂縫非線性識別模型，包括：

根據(jù)所述裂縫特征參數(shù)，通過概率神經(jīng)網(wǎng)絡(luò)算法，建立初始識別模型；

根據(jù)所述裂縫資料，通過所述初始識別模型得到結(jié)果數(shù)據(jù)；

將所述結(jié)果數(shù)據(jù)與所述裂縫資料進(jìn)行比較，得到比較誤差；

如果所述比較誤差小于等于預(yù)設(shè)閾值，則將所述初始識別模型確定為所述裂縫非線性識別模型。

在一個(gè)實(shí)施方式中，在將所述結(jié)果數(shù)據(jù)與所述裂縫資料進(jìn)行比較，得到比較誤差之后，如果所述比較誤差大于預(yù)設(shè)閾值，則通過調(diào)整所述初始識別模型的網(wǎng)絡(luò)權(quán)值調(diào)整所述初始識別模型，直到基于調(diào)整后的初始識別模型得到的比較誤差小于等于預(yù)設(shè)閾值，將調(diào)整后的初始識別模型確定為所述裂縫非線性識別模型。

在一個(gè)實(shí)施方式中，根據(jù)所述單井的裂縫識別結(jié)果、所述生產(chǎn)動態(tài)資料、所述裂縫的發(fā)育特征和所述裂縫分布規(guī)律，確定研究區(qū)的裂縫強(qiáng)度的三維模型，包括：

根據(jù)所述生產(chǎn)動態(tài)資料，分析得到井間裂縫的分布和連通情況；

根據(jù)所述單井的裂縫識別結(jié)果、所述研究區(qū)的裂縫的發(fā)育特征、所述研究區(qū)的裂縫分布規(guī)律、所述井間裂縫的分布和連通情況，通過地質(zhì)統(tǒng)計(jì)學(xué)隨機(jī)模擬的方法建立所述研究區(qū)的裂縫強(qiáng)度的三維模型。

在一個(gè)實(shí)施方式中，所述生產(chǎn)動態(tài)資料包括以下至少之一：

微裂縫監(jiān)測數(shù)據(jù)，示蹤劑監(jiān)測數(shù)據(jù)，吸水剖面與吸水指示曲線，試井測井?dāng)?shù)據(jù)和油水井生產(chǎn)動態(tài)資料。

基于相似的發(fā)明思路，本發(fā)明實(shí)施例還提供了一種裂縫識別裝置，包括：

獲取模塊，用于獲取研究區(qū)的裂縫資料，其中，所述裂縫資料包括研究區(qū)目的層段巖心資料、測井資料和生產(chǎn)動態(tài)資料；

第一確定模塊，用于根據(jù)所述裂縫資料確定研究區(qū)的裂縫的發(fā)育特征和裂縫的分布規(guī)律；

第二確定模塊，用于根據(jù)所述研究區(qū)目的層段巖心資料、所述裂縫的發(fā)育特征和所述裂縫的分布規(guī)律，建立巖性的電性識別標(biāo)準(zhǔn)；

劃分模塊，用于根據(jù)所述巖性的電性識別標(biāo)準(zhǔn)，劃分得到各種巖性；

提取模塊，用于根據(jù)所述測井曲線，分別提取所述各種巖性的裂縫特征參數(shù)；

第三確定模塊，用于根據(jù)所述裂縫特征參數(shù)建立裂縫非線性識別模型；

識別模塊，用于通過所述裂縫非線性識別模型獲得研究區(qū)內(nèi)單井的裂縫識別結(jié)果；

第四確定模塊，用于根據(jù)所述單井的裂縫識別結(jié)果、所述生產(chǎn)動態(tài)資料、所述裂縫的發(fā)育特征和所述裂縫的分布規(guī)律，確定研究區(qū)的裂縫強(qiáng)度的三維模型。

在本發(fā)明實(shí)施例中，通過綜合運(yùn)用多分辨率基于圖形的聚類分析方法、多重分形算法和概率神經(jīng)網(wǎng)絡(luò)算法，并從巖心井段到井點(diǎn)再到平面逐步對儲層裂縫進(jìn)行定量識別，解決了現(xiàn)有裂縫識別方法中存在的裂縫識別范圍小和裂縫識別準(zhǔn)確度差的技術(shù)問題，實(shí)現(xiàn)了對裂縫發(fā)育層段和平面分布的識別和預(yù)測，提高了裂縫識別的準(zhǔn)確度。

附圖說明

此處所說明的附圖用來提供對本發(fā)明的進(jìn)一步理解，構(gòu)成本申請的一部分，并不構(gòu)成對本發(fā)明的限定。在附圖中：

圖1是根據(jù)本發(fā)明實(shí)施例的裂縫識別方法的處理流程圖；

圖2是根據(jù)本發(fā)明實(shí)施例的裂縫識別方法中建立巖性的電性識別標(biāo)準(zhǔn)的處理流程圖；

圖3是根據(jù)本發(fā)明實(shí)施例的裂縫識別方法中建立裂縫非線性識別模型的處理流程圖；

圖4是根據(jù)本發(fā)明實(shí)施例的裂縫識別方法中多重分形譜算法的處理流程圖；

圖5是根據(jù)本發(fā)明實(shí)施例的裂縫識別方法中概率神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)示意圖；

圖6是根據(jù)本發(fā)明實(shí)施例的裂縫識別裝置的結(jié)構(gòu)示意圖,；

圖7是應(yīng)用本發(fā)明實(shí)施例的裂縫識別方法/裝置時(shí)的巖心裂縫定向和裂縫走向統(tǒng)計(jì)圖；

圖8是應(yīng)用本發(fā)明實(shí)施例的裂縫識別方法/裝置時(shí)的成像測井識別的裂縫產(chǎn)狀示意圖；

圖9是應(yīng)用本發(fā)明實(shí)施例的裂縫識別方法/裝置時(shí)的成像測井解釋裂縫走向示意圖；

圖10是應(yīng)用本發(fā)明實(shí)施例的裂縫識別方法/裝置時(shí)的裂縫發(fā)育與巖性關(guān)系頻率分布直方圖；

圖11是應(yīng)用本發(fā)明實(shí)施例的裂縫識別方法/裝置時(shí)的預(yù)測巖性與取心巖性的對比示意圖；

圖12是應(yīng)用本發(fā)明實(shí)施例的裂縫識別方法/裝置時(shí)的裂縫與巖心觀察的裂縫對比示意圖；

圖13是應(yīng)用本發(fā)明實(shí)施例的裂縫識別方法/裝置時(shí)的天然裂縫與沉積相的關(guān)系示意圖；

圖14是應(yīng)用本發(fā)明實(shí)施例的裂縫識別方法/裝置時(shí)的天然裂縫平面分布示意圖；

圖15是應(yīng)用本發(fā)明實(shí)施例的裂縫識別方法/裝置時(shí)的天然裂縫強(qiáng)度三維模型示意圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，下面結(jié)合實(shí)施方式和附圖，對本發(fā)明做進(jìn)一步詳細(xì)說明。在此，本發(fā)明的示意性實(shí)施方式及其說明用于解釋本發(fā)明，但并不作為對本發(fā)明的限定。

考慮到現(xiàn)有的裂縫識別方法，大都由于沒有充分利用測井資料，導(dǎo)致裂縫識別準(zhǔn)確度不高，又由于識別方法自身的局限性導(dǎo)致了裂縫識別范圍相對較小，一般只能對井內(nèi)裂縫進(jìn)行識別，不能很好地滿足的油田開發(fā)時(shí)的具體要求。針對產(chǎn)生上述技術(shù)問題的根本原因，考慮可以通過處理以更加充分、有效地利用測井資料，從而提高裂縫識別的準(zhǔn)確度。同時(shí)，可以考慮運(yùn)用多分辨率基于圖形的聚類分析方法、多重分形算法和概率神經(jīng)網(wǎng)絡(luò)算法，從巖心井段到井點(diǎn)再到平面逐步對儲層裂縫進(jìn)行定量識別，從而在解決現(xiàn)有裂縫識別方法中存在的裂縫識別準(zhǔn)確度差的技術(shù)問題的同時(shí)，可以解決裂縫識別范圍小的技術(shù)問題，實(shí)現(xiàn)對裂縫發(fā)育層段和平面分布的識別預(yù)測，提高了裂縫識別的準(zhǔn)確度。

基于上述考慮，請參閱圖1，本發(fā)明實(shí)施例提供了一種裂縫識別方法，具體可以包括：

步驟101：獲取研究區(qū)的裂縫資料，其中，上述裂縫資料可以包括研究區(qū)目的層段巖心資料、測井資料和生產(chǎn)動態(tài)資料；

在一個(gè)實(shí)施方式中，為了識別裂縫首先要獲取研究區(qū)的裂縫資料，具體可以按照以下方式獲取研究區(qū)的裂縫資料：根據(jù)研究區(qū)內(nèi)的地表露頭分析結(jié)果、巖心觀察數(shù)據(jù)、薄片分析數(shù)據(jù)、實(shí)驗(yàn)測試數(shù)據(jù)、研究區(qū)的測井?dāng)?shù)據(jù)和生產(chǎn)動態(tài)數(shù)據(jù)，獲取研究區(qū)的裂縫資料。需要說明的是，上述裂縫資料中可以包括研究區(qū)目的層段巖心資料、測井資料和生產(chǎn)動態(tài)資料，但根據(jù)具體施工情況，上述裂縫資料還可以包括其他相關(guān)的數(shù)據(jù)資料，對此，本申請不作限定。

步驟102：根據(jù)裂縫資料確定研究區(qū)的裂縫的發(fā)育特征和裂縫的分布規(guī)律；

在一個(gè)實(shí)施方式中，為了為后續(xù)的識別過程提供相應(yīng)的數(shù)據(jù)支持，所確定裂縫的發(fā)育特征具體可以包括但不限于以下至少之一：裂縫的產(chǎn)狀、裂縫的傾角、裂縫的發(fā)育巖性和裂縫的充填情況。然而值得注意的是，上述所列舉的集中發(fā)育特征僅是一種示意性描述，在實(shí)際實(shí)現(xiàn)的時(shí)候，還可以采用其它的特征作為裂縫的發(fā)育特征，具體選擇哪些特征，本申請對此不作限定。

步驟103：根據(jù)研究區(qū)目的層段巖心資料、裂縫的發(fā)育特征和裂縫的分布規(guī)律，建立巖性的電性識別標(biāo)準(zhǔn)；

在一個(gè)實(shí)施方式中，為了建立用于巖性劃分的電性識別標(biāo)準(zhǔn)，可以利用多分辨率基于圖形的聚類分析方法建立巖性的電性識別標(biāo)準(zhǔn)，具體可以參閱圖2，包括以下步驟：

步驟201：根據(jù)裂縫資料，建立訓(xùn)練數(shù)據(jù)集；

步驟202：利用基于圖形的聚類分析方法對訓(xùn)練數(shù)據(jù)集進(jìn)行建模和學(xué)習(xí)，以建立測井相；

步驟203：根據(jù)研究區(qū)目的層段巖心資料標(biāo)定測井相，確定測井相對應(yīng)的巖性，并將標(biāo)定后的測井相作為該巖性對應(yīng)的電性識別標(biāo)準(zhǔn)。

需要說明的是，利用多分辨率基于圖形的聚類分析方法建立巖性的電性識別標(biāo)準(zhǔn)并以此劃分巖性進(jìn)行后續(xù)處理，相較于現(xiàn)有的裂縫識別方法，可以快速、準(zhǔn)確識別巖性，解決了現(xiàn)有識別方法采用常規(guī)交會圖時(shí)部分區(qū)域的重疊，不能區(qū)分開的技術(shù)問題。

步驟104：根據(jù)巖性的電性識別標(biāo)準(zhǔn)，劃分得到各種巖性；

在本實(shí)施方式中，由于不同巖性的測井曲線特征不一定相同，相應(yīng)的后續(xù)根據(jù)測井曲線提取特征參數(shù)的過程也不一定相同，因此可以根據(jù)所建立的巖性電性識別標(biāo)準(zhǔn)來劃分各種不同的巖性，以便于后續(xù)處理時(shí)可以根據(jù)不同巖性的測井曲線提取相應(yīng)的特征參數(shù)，使得本申請?zhí)峁┑牧芽p識別方法識別效果更佳精確、可靠。

步驟105：根據(jù)測井曲線，分別提取各種巖性的裂縫特征參數(shù)；

在一個(gè)實(shí)施方式中，考慮到現(xiàn)有的裂縫識別方法大都由于未充分利用測井資料導(dǎo)致裂縫識別的范圍受限且裂縫識別的準(zhǔn)確度不高。為了充分地利用測井資料以擴(kuò)大裂縫識別范圍，并提高裂縫識別的準(zhǔn)確度，可以考慮根據(jù)劃分得到的不同巖性，針對不同巖性區(qū)別處理，并且根據(jù)每一個(gè)巖性的測井曲線提取12個(gè)相應(yīng)的特征參數(shù)以更充分地利用測井資料，進(jìn)而可以更好地對裂縫進(jìn)行識別。同時(shí)，為了進(jìn)一步提高裂縫識別的準(zhǔn)確性，在提取參數(shù)時(shí)可以利用多重分形算法來提取相應(yīng)的特征參數(shù)。具體處理步驟，可以包括：

對于各種不同巖性，按照以下方式提取當(dāng)前巖性的裂縫特征參數(shù)：

根據(jù)當(dāng)前巖性的測井曲線的自然伽馬GR、聲波時(shí)差A(yù)C、補(bǔ)償密度DEN和深感應(yīng)電阻率RILD，通過多重分形算法，分別提取得到以下參數(shù)作為該巖性的裂縫特征參數(shù)：自然伽馬GR的多重分形譜的寬度、自然伽馬GR的多重分形譜中最大概率子集與最小概率子集的分形維數(shù)差和自然伽馬GR的多重分形譜的偏斜度，聲波時(shí)差A(yù)C的多重分形譜的寬度、聲波時(shí)差A(yù)C的多重分形譜中最大概率子集與最小概率子集的分形維數(shù)差和聲波時(shí)差A(yù)C的多重分形譜的偏斜度，補(bǔ)償密度DEN的多重分形譜的寬度、補(bǔ)償密度DEN的多重分形譜中最大概率子集與最小概率子集的分形維數(shù)差和補(bǔ)償密度DEN的多重分形譜的偏斜度，深感應(yīng)電阻率RILD的多重分形譜的寬度、深感應(yīng)電阻率RILD的多重分形譜中最大概率子集與最小概率子集的分形維數(shù)差和深感應(yīng)電阻率RILD的多重分形譜的偏斜度。

需要說明的是，相較于普通識別方法一般只對一條曲線只能得到一個(gè)參數(shù)，導(dǎo)致沒有充分利用測井資料，獲得的參數(shù)不足以很好地刻畫具體特征；本發(fā)明實(shí)施方式則利用多重分形方法對測井曲線的自然伽馬GR、聲波時(shí)差A(yù)C、補(bǔ)償密度DEN和深感應(yīng)電阻率RILD進(jìn)行研究，,可從多重分形譜中提取出非常豐富的信息。由于，所研究的信息量的增加，因此，大大提高了裂縫發(fā)育研究的可靠性，并可以相較于現(xiàn)有的裂縫識別方法更準(zhǔn)確地確定裂縫發(fā)育的邊界。

在一個(gè)實(shí)施方式中，為了根據(jù)相應(yīng)的測井曲線，通過多重分形算法求解得到相應(yīng)的特征參數(shù)，具體可以按照以下公式進(jìn)行求解提?。?/p>

Δα＝α_max-α_min

Δf＝f(α_min)-f(α_max)

其中，α為奇異性指數(shù)，Δα為多重分形譜的寬度，α_max為所述奇異性指數(shù)取最大值時(shí)的概率，α_min為所述奇異性指數(shù)取最小值時(shí)的概率，Δf為多重分形譜中最大概率子集與最小概率子集的分形維數(shù)差，f(α_max)為概率子集中最小概率元素個(gè)數(shù)的比例，f(α_min)為概率子集中最大概率元素個(gè)數(shù)的比例，k為多重分形譜的偏斜度，α₀為f(α)取最大值時(shí)對應(yīng)的奇異性指數(shù)。

需要說明的是，上述所使用的求解公式是根據(jù)Chhabra和Jensen的算法理論推導(dǎo)獲得的用于計(jì)算具體裂縫特征參數(shù)的求解公式。具體求解過程，可以參閱圖4。根據(jù)Chhabra和Jensen的算法理論，具體可以用n個(gè)尺度為δ的盒子覆蓋被研究的多重分形集對象，定義在第i個(gè)盒子的奇異概率測度為P_i(δ)，通過改變δ的值，求出對應(yīng)的和利用∑μ_iln(μ_i)～lnδ和∑μ_iln(P_i)～lnδ關(guān)系求出無標(biāo)度區(qū)域，并用最小二乘法擬合出f(q)和α(q)的值，作出相應(yīng)的多重分形曲線，即得到多重分形譜。

即為

在得到多重分形譜后，從分形譜中提取以下三個(gè)參數(shù)：

1)定義多重分形譜的寬度為：

Δα＝α_max-α_min

其中，Δα表示最小概率與最大概率的差別，定量表征了測度在空間上分布的非均勻程度；Δα越大，表明測井?dāng)?shù)據(jù)波動越大。2)定義最大概率子集與最小概率子集的分形維數(shù)差為：

Δf＝f(α_min)-f(α_max)

其中，Δf值大小表明測井?dāng)?shù)據(jù)偏離均值波動的程度。

3)定義多重分形譜的偏斜度為：

其中，α₀為f(α)取最大值時(shí)的奇異值，k表示多重分形譜頂點(diǎn)的左右偏斜程度，k＞1表示奇異值小所占比例多，測井曲線局部奇異性越強(qiáng)，反之，表示奇異值大的所占比較多，測井曲線局部奇異性越弱。

此外，圖4與上述算式中還出現(xiàn)：δ表示盒子的尺度，即盒子的邊長；n表示盒子的個(gè)數(shù)；μ表示構(gòu)造的測度族；q為權(quán)重因子，其中(-q₀，q₀)表示q的取值范圍，且按照Δα的改變率(|dα_max|/Δα和|dα_min|/Δα)小于0.2％確定q0的值；參數(shù)和無具體含義，僅僅代表中間參數(shù)。

步驟106：根據(jù)裂縫特征參數(shù)建立裂縫非線性識別模型；

在一個(gè)實(shí)施方式中，為了獲得用于后續(xù)處理所需要的單井的裂縫識別結(jié)果，可以考慮先建立一個(gè)裂縫非線性識別模型，根據(jù)該模型獲得相應(yīng)的單井的裂縫識別結(jié)果。具體建立該裂縫非線性識別模型時(shí)，為了進(jìn)一步提高通過該模型獲得的裂縫識別結(jié)果的準(zhǔn)確度，即提高該模型的可靠性，可以考慮根據(jù)所提取的裂縫特征參數(shù)，利用概率神經(jīng)網(wǎng)絡(luò)算法建立裂縫非線性識別模型。具體處理，可以參閱圖3，包括：

步驟301：根據(jù)裂縫特征參數(shù)，通過概率神經(jīng)網(wǎng)絡(luò)算法，建立初始識別模型；

在本實(shí)施方式中，為了建立較為準(zhǔn)確的識別模型，可以利用概率神經(jīng)網(wǎng)絡(luò)算法，根據(jù)提取得到的裂縫特征參數(shù)，參閱圖5，可以按照以下方式建立相應(yīng)的初始識別模型：

S1、將樣本的屬性值歸一化后傳遞給網(wǎng)絡(luò)輸入層；

在本實(shí)施方式中，所述的樣本的屬性值可以是一個(gè)n×m的向量，n代表樣本的個(gè)數(shù)，m代表參數(shù)的個(gè)數(shù)。在一個(gè)具體實(shí)施方式中m為求取的12個(gè)分形譜參數(shù)，n可以取58。其中，所述樣本可以是根據(jù)裂縫資料中的取心井資料選取的，一個(gè)樣本對應(yīng)m個(gè)參數(shù)和1個(gè)裂縫標(biāo)簽。具體地，裂縫標(biāo)簽可以是些特定符號，也可以是一些特定數(shù)字，用于區(qū)別是否是裂縫，例如：裂縫可以用1表示，非裂縫可以用0表示。

S2、計(jì)算模式距離，在模式層計(jì)算輸入特征向量與訓(xùn)練集中各個(gè)模式的匹配關(guān)系；

在本實(shí)施方式中，所述特征向量可以是根據(jù)裂縫特征參數(shù)得到。具體地，可以是通過將樣本的屬性值歸一化后，計(jì)算歐式距離，并取標(biāo)準(zhǔn)差σ＝0.1的高斯函數(shù)后得到。

在本實(shí)施方式中，樣本可以包括訓(xùn)練集和預(yù)測集。其中，每個(gè)訓(xùn)練集和預(yù)測集都是有m個(gè)參數(shù)和裂縫標(biāo)簽組成。具體地，訓(xùn)練集可以用來對算法進(jìn)行學(xué)習(xí)并驗(yàn)證算法的效果，以不斷調(diào)整相關(guān)參數(shù)，以提高算法預(yù)測的準(zhǔn)確率；預(yù)測集可以用來預(yù)測裂縫。其中，初始的裂縫標(biāo)簽可以是事先隨意給定，但不影響最終預(yù)測結(jié)果，這么處理，可以保證實(shí)施時(shí)數(shù)據(jù)的完整性。此外，這里的訓(xùn)練集來自于根據(jù)裂縫資料中的取心資料和成像測井資料識別出的裂縫，即已經(jīng)明確知道是裂縫或不是裂縫的樣本。

S3、在求和層中求得各個(gè)樣本屬于各類的概率和；

S4、在輸出層輸出判決的結(jié)果。

在本實(shí)施方式中，所建立的識別模型是非線性隱式模型，即y＝PNN(x1,x2,…,xm)，式中PNN是非線性函數(shù)，這種函數(shù)不能用通常的數(shù)學(xué)公式表示，但可由算法給出。在本實(shí)施方式中，所述判別結(jié)果可以是識別模型最終輸出的結(jié)果，輸出的可以是裂縫標(biāo)簽，為0或1，其中，1表示裂縫，0表示非裂縫。

需要說明的是，在本實(shí)施方式中，網(wǎng)絡(luò)輸入層、模式層、求和層以及輸出層是神經(jīng)網(wǎng)絡(luò)算法的術(shù)語，是對神經(jīng)網(wǎng)絡(luò)算法內(nèi)部結(jié)構(gòu)的表述。具體地，輸入層接收來自訓(xùn)練樣本的值；模式層計(jì)算輸入特征向量與訓(xùn)練集中各個(gè)模式的匹配關(guān)系；求和層中求得各個(gè)樣本屬于各類的概率和；輸出層輸出判決的結(jié)果。它們構(gòu)成了神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)。本發(fā)明實(shí)施例利用該結(jié)構(gòu)獲得了較為準(zhǔn)確的初始識別模型。

步驟302：根據(jù)裂縫資料，通過初始識別模型得到結(jié)果數(shù)據(jù)；

步驟303：將結(jié)果數(shù)據(jù)與裂縫資料進(jìn)行比較，得到比較誤差；

在本實(shí)施方式中，具體實(shí)施時(shí)，可以利用該初始識別模型對取心段進(jìn)行識別，這時(shí)獲得的結(jié)果數(shù)據(jù)可以是取心段的結(jié)果數(shù)據(jù)，將取心段的結(jié)果數(shù)據(jù)與裂縫資料中取心段的實(shí)測數(shù)據(jù)進(jìn)行比較，得到的相對誤差可以作為這里的比較誤差。

步驟304：如果比較誤差小于等于預(yù)設(shè)閾值，則將初始識別模型確定為裂縫非線性識別模型。

在一個(gè)實(shí)施方式中，在將結(jié)果數(shù)據(jù)與裂縫資料進(jìn)行比較，得到比較誤差之后，如果比較誤差大于預(yù)設(shè)閾值，則該初始識別模型不符合施工要求，這時(shí)，可以通過調(diào)整初始識別模型的網(wǎng)絡(luò)權(quán)值調(diào)整該初始識別模型，直到基于調(diào)整后的初始識別模型得到的比較誤差小于等于預(yù)設(shè)閾值，再將調(diào)整后的這個(gè)初始識別模型確定為裂縫非線性識別模型。具體地，可以通過對訓(xùn)練集中的樣本學(xué)習(xí)，根據(jù)輸入模式的計(jì)算誤差，以一定的百分比調(diào)節(jié)網(wǎng)絡(luò)權(quán)值，直到每一訓(xùn)練樣本的產(chǎn)生的輸出誤差在可接受的范圍內(nèi)，說明建立的模型合適。需要說明的是，在本實(shí)施方式中，通過調(diào)整初始識別模型的網(wǎng)絡(luò)權(quán)值調(diào)整該初始識別模型的調(diào)整方法只是為了更好的說明本發(fā)明實(shí)施例所列舉的一個(gè)示意性方法，還可以包括其他調(diào)整方法，可以根據(jù)具體的施工情況和生產(chǎn)條件，選擇合適的調(diào)整方法來調(diào)整初始識別模型，對此，本申請不作限定。

步驟107：通過裂縫非線性識別模型獲得研究區(qū)內(nèi)單井的裂縫識別結(jié)果；

在本實(shí)施方式中，為了建立研究區(qū)的裂縫強(qiáng)度的三維模型，可以利用單井的裂縫識別結(jié)果作為參考數(shù)據(jù)之一，為了得到較為準(zhǔn)確的研究區(qū)內(nèi)單井的裂縫識別結(jié)果，一般可以根據(jù)裂縫資料，通過裂縫分線性識別模型求解獲得。

步驟108：根據(jù)單井的裂縫識別結(jié)果、生產(chǎn)動態(tài)資料、裂縫的發(fā)育特征和裂縫的分布規(guī)律，確定研究區(qū)的裂縫強(qiáng)度的三維模型。

在一個(gè)實(shí)施方式中，為了建立較為準(zhǔn)確的裂縫強(qiáng)度的三維模型，并可以利用該模型對更大范圍的裂縫進(jìn)行識別，可以考慮將裂縫分布和連通情況考慮進(jìn)模型，再結(jié)合單井的裂縫識別結(jié)果，并充分利用生產(chǎn)動態(tài)資料、裂縫的發(fā)育特征和裂縫分布規(guī)律來確定該研究區(qū)的裂縫強(qiáng)度的三維模型。具體實(shí)施可以包括：

S1、根據(jù)生產(chǎn)動態(tài)資料，分析得到井間裂縫的分布和連通情況；

S2、根據(jù)單井的裂縫識別結(jié)果、研究區(qū)的裂縫的發(fā)育特征、研究區(qū)的裂縫分布規(guī)律、井間裂縫的分布和連通情況，通過地質(zhì)統(tǒng)計(jì)學(xué)隨機(jī)模擬的方法建立所述研究區(qū)的裂縫強(qiáng)度的三維模型。

在一個(gè)實(shí)施方式中，生產(chǎn)動態(tài)資料可以包括以下至少之一：微裂縫監(jiān)測數(shù)據(jù)，示蹤劑監(jiān)測數(shù)據(jù)，吸水剖面與吸水指示曲線，試井測井?dāng)?shù)據(jù)和油水井生產(chǎn)動態(tài)資料。需要說明的是，上述所列舉的生產(chǎn)動態(tài)資料是為了更好地說明本發(fā)明實(shí)施例所列舉的幾個(gè)示意性例子，具體操作時(shí)，還可以根據(jù)具體情況選擇符合要求的相關(guān)資料作為生產(chǎn)動態(tài)資料，對此，本申請不作限定。

在本實(shí)施方式中，根據(jù)所建立裂縫強(qiáng)度的三維模型可以進(jìn)一步獲取研究區(qū)的裂縫強(qiáng)度屬性體。進(jìn)而，可以獲得的裂縫強(qiáng)度屬性體作為裂縫發(fā)育富集程度的重要約束條件之一，通過地質(zhì)統(tǒng)計(jì)學(xué)的方法進(jìn)行隨機(jī)模擬，最終可以建立離散裂縫網(wǎng)絡(luò)(Discrete Fracture Network，DFN)模型。

在本實(shí)施方式中，所述通過地質(zhì)統(tǒng)計(jì)學(xué)隨機(jī)模擬的方法建立所述研究區(qū)的裂縫強(qiáng)度的三維模型?？梢允峭ㄟ^裂縫發(fā)育趨勢數(shù)據(jù)約束下的單井裂縫密度插值方法建立所述裂縫強(qiáng)度的三維模型。其中，上述插值方法可以為序貫高斯模擬方法。具體實(shí)施過程可以為：結(jié)合裂縫參數(shù)的統(tǒng)計(jì)結(jié)果，繪制裂縫方位統(tǒng)計(jì)玫瑰圖，將井點(diǎn)裂縫資料輸入到模型中，產(chǎn)生裂縫屬性及密度曲線及累計(jì)密度曲線，并根據(jù)井間裂縫的分布和連通情況進(jìn)行約束，利用基于目標(biāo)的隨機(jī)建模方法建立裂縫強(qiáng)度的三維模型。

在本發(fā)明實(shí)施例中，通過綜合運(yùn)用多分辨率基于圖形的聚類分析方法、多重分形算法和概率神經(jīng)網(wǎng)絡(luò)算法，并從巖心井段到井點(diǎn)再到平面，由點(diǎn)到線再到面，逐步對儲層裂縫進(jìn)行定量識別，解決了現(xiàn)有的裂縫識別方法中存在的裂縫識別范圍小和裂縫識別準(zhǔn)確度差的技術(shù)問題，實(shí)現(xiàn)了對裂縫發(fā)育層段和平面分布的識別和預(yù)測，并提高裂縫識別的準(zhǔn)確度。

基于同一發(fā)明構(gòu)思，本發(fā)明實(shí)施例中還提供了一種裂縫識別裝置，如下面的實(shí)施例所述。由于裂縫識別裝置解決問題的原理與裂縫識別方法相似，因此裂縫識別裝置的實(shí)施可以參見裂縫識別方法的實(shí)施，重復(fù)之處不再贅述。以下所使用的，術(shù)語“單元”或者“模塊”可以實(shí)現(xiàn)預(yù)定功能的軟件和/或硬件的組合。盡管以下實(shí)施例所描述的裝置較佳地以軟件來實(shí)現(xiàn)，但是硬件，或者軟件和硬件的組合的實(shí)現(xiàn)也是可能并被構(gòu)想的。參閱圖6，是本發(fā)明實(shí)施例的裂縫識別裝置的一種結(jié)構(gòu)框圖，如圖6所示，可以包括：獲取模塊601、第一確定模塊602、第二確定模塊603、劃分模塊604、提取模塊605、第三確定模塊606、識別模塊607和第四確定模塊608，下面對該結(jié)構(gòu)進(jìn)行說明。

獲取模塊601，用于獲取研究區(qū)的裂縫資料，其中，裂縫資料包括研究區(qū)目的層段巖心資料、測井資料和生產(chǎn)動態(tài)資料；

第一確定模塊602，用于根據(jù)裂縫資料確定研究區(qū)的裂縫的發(fā)育特征和裂縫的分布規(guī)律；

第二確定模塊603，用于根據(jù)研究區(qū)目的層段巖心資料、裂縫的發(fā)育特征和裂縫的分布規(guī)律，建立巖性的電性識別標(biāo)準(zhǔn)；

劃分模塊604，用于根據(jù)巖性的電性識別標(biāo)準(zhǔn)，劃分得到各種巖性；

提取模塊605，用于根據(jù)測井曲線，分別提取各種巖性的裂縫特征參數(shù)；

第三確定模塊606，用于根據(jù)裂縫特征參數(shù)建立裂縫非線性識別模型；

識別模塊607，用于通過裂縫非線性識別模型獲得研究區(qū)內(nèi)單井的裂縫識別結(jié)果；

第四確定模塊608，用于根據(jù)單井的裂縫識別結(jié)果、生產(chǎn)動態(tài)資料、裂縫的發(fā)育特征和裂縫的分布規(guī)律，確定研究區(qū)的裂縫強(qiáng)度的三維模型。

在一個(gè)實(shí)施方式中，獲取模塊601可以按照以下方式獲取研究區(qū)的裂縫資料：根據(jù)研究區(qū)內(nèi)的地表露頭分析結(jié)果、巖心觀察數(shù)據(jù)、薄片分析數(shù)據(jù)、實(shí)驗(yàn)測試數(shù)據(jù)、研究區(qū)的測井?dāng)?shù)據(jù)和生產(chǎn)動態(tài)數(shù)據(jù)，獲取研究區(qū)的裂縫資料。

在一個(gè)實(shí)施方式中，第一確定模塊602所確定的裂縫發(fā)育特征可以包括：裂縫的產(chǎn)狀、裂縫的傾角、裂縫的發(fā)育巖性和裂縫的充填情況。

在一個(gè)實(shí)施方式中，第二確定模塊603可以按照以下方式建立巖性的電性識別標(biāo)準(zhǔn)：

S1、根據(jù)裂縫資料，建立訓(xùn)練數(shù)據(jù)集；

S2、利用基于圖形的聚類分析方法對所述訓(xùn)練數(shù)據(jù)集進(jìn)行建模和學(xué)習(xí)，以建立測井相；

S3、根據(jù)研究區(qū)目的層段巖心資料標(biāo)定測井相，確定測井相對應(yīng)的巖性，并將標(biāo)定后的測井相作為該巖性對應(yīng)的電性識別標(biāo)準(zhǔn)。

在一個(gè)實(shí)施方式中，提取模塊605具體可以按照以下方式提取相應(yīng)的裂縫特征參數(shù)：

對于各種巖性，按照以下方式提取當(dāng)前巖性的裂縫特征參數(shù)：

根據(jù)當(dāng)前巖性的測井曲線的自然伽馬GR、聲波時(shí)差A(yù)C、補(bǔ)償密度DEN和深感應(yīng)電阻率RILD，通過多重分形算法，分別提取得到以下參數(shù)作為該巖性的裂縫特征參數(shù)：自然伽馬GR的多重分形譜的寬度、自然伽馬GR的多重分形譜中最大概率子集與最小概率子集的分形維數(shù)差和自然伽馬GR的多重分形譜的偏斜度，聲波時(shí)差A(yù)C的多重分形譜的寬度、聲波時(shí)差A(yù)C的多重分形譜中最大概率子集與最小概率子集的分形維數(shù)差和聲波時(shí)差A(yù)C的多重分形譜的偏斜度，補(bǔ)償密度DEN的多重分形譜的寬度、補(bǔ)償密度DEN的多重分形譜中最大概率子集與最小概率子集的分形維數(shù)差和補(bǔ)償密度DEN的多重分形譜的偏斜度，深感應(yīng)電阻率RILD的多重分形譜的寬度、深感應(yīng)電阻率RILD的多重分形譜中最大概率子集與最小概率子集的分形維數(shù)差和深感應(yīng)電阻率RILD的多重分形譜的偏斜度。

在一個(gè)實(shí)施方式中，提取模塊405具體可以根據(jù)測井曲線，通過多重分形算法，按照以下公式提取對應(yīng)的裂縫特征參數(shù)：

Δα＝α_max-α_min

Δf＝f(α_min)-f(α_max)

其中，α為奇異性指數(shù)，Δα為多重分形譜的寬度，α_max為所述奇異性指數(shù)取最大值時(shí)的概率，α_min為所述奇異性指數(shù)取最小值時(shí)的概率，Δf為多重分形譜中最大概率子集與最小概率子集的分形維數(shù)差，f(α_max)為概率子集中最小概率元素個(gè)數(shù)的比例，f(α_min)為概率子集中最大概率元素個(gè)數(shù)的比例，k為多重分形譜的偏斜度，α₀為f(α)取最大值時(shí)對應(yīng)的奇異性指數(shù)。

在一個(gè)實(shí)施方式中，第三確定模塊406可以根據(jù)裂縫特征參數(shù)建立裂縫非線性識別模型，具體可以包括：

S1、根據(jù)裂縫特征參數(shù)，通過概率神經(jīng)網(wǎng)絡(luò)算法，建立初始識別模型；

S2、根據(jù)裂縫資料，通過初始識別模型得到結(jié)果數(shù)據(jù)；

S3、將結(jié)果數(shù)據(jù)與裂縫資料進(jìn)行比較，得到比較誤差；

S4、如果比較誤差小于等于預(yù)設(shè)閾值，則將初始識別模型確定為裂縫非線性識別模型。

在一個(gè)實(shí)施方式中，第三確定模塊606在將結(jié)果數(shù)據(jù)與裂縫資料進(jìn)行比較，得到比較誤差之后，如果比較誤差大于預(yù)設(shè)閾值，則通過調(diào)整初始識別模型的網(wǎng)絡(luò)權(quán)值調(diào)整該初始識別模型，直到基于調(diào)整后的初始識別模型得到的比較誤差小于等于預(yù)設(shè)閾值，將調(diào)整后的初始識別模型確定為裂縫非線性識別模型。

在一個(gè)實(shí)施方式中，識別模塊609可以根據(jù)單井的裂縫識別結(jié)果、生產(chǎn)動態(tài)資料、裂縫的發(fā)育特征和裂縫分布規(guī)律，確定研究區(qū)的裂縫強(qiáng)度的三維模型，可以包括：

S1、根據(jù)生產(chǎn)動態(tài)資料，分析得到井間裂縫的分布和連通情況；

S2、根據(jù)單井的裂縫識別結(jié)果、研究區(qū)的裂縫的發(fā)育特征、研究區(qū)的裂縫分布規(guī)律、井間裂縫的分布和連通情況，通過地質(zhì)統(tǒng)計(jì)學(xué)隨機(jī)模擬的方法建立研究區(qū)的裂縫強(qiáng)度的三維模型。

在本實(shí)施方式中，生產(chǎn)動態(tài)資料可以包括以下至少之一：微裂縫監(jiān)測數(shù)據(jù)，示蹤劑監(jiān)測數(shù)據(jù)，吸水剖面與吸水指示曲線，試井測井?dāng)?shù)據(jù)和油水井生產(chǎn)動態(tài)資料。需要說明的是，上述所列舉的生產(chǎn)動態(tài)資料是為了更好地說明本發(fā)明實(shí)施例所列舉的幾個(gè)示意性例子，具體操作時(shí)，還可以根據(jù)具體情況選擇符合要求的相關(guān)資料作為生產(chǎn)動態(tài)資料，對此，本申請不作限定。

下面結(jié)合一個(gè)具體實(shí)施例對上述裂縫識別方法和裝置進(jìn)行說明，然而值得注意的是，該實(shí)施例僅是為了更好地說明本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。

在一個(gè)具體實(shí)施例中，根據(jù)本申請?zhí)峁┑牧芽p識別方法或裝置對長慶油田B153區(qū)塊的裂縫進(jìn)行識別預(yù)測時(shí)，可以按照如下步驟執(zhí)行：

S1：根據(jù)地表露頭、巖心觀察、薄片分析、成像測井等資料對裂縫的發(fā)育特征進(jìn)行分析，包括裂縫的產(chǎn)狀、傾角、發(fā)育巖性、充填情況等。

通過對研究區(qū)進(jìn)行地磁定向巖心、薄片觀察，B153區(qū)塊延長組長63儲層裂縫走向優(yōu)勢方位以NE-NEE向與近EW-NNW向?yàn)橹?，其次為NW-NNW向，具體請參閱圖7。成像測井裂縫參數(shù)統(tǒng)計(jì)表明，參閱圖8和圖9，裂縫走向范圍為55.6°-107.5°，平均為77.9°；傾角為72.2°-90°，平均為83.7°，以直立縫和高角度縫為主，其中鈣質(zhì)粉砂巖和粉砂巖中裂縫最發(fā)育，其次為泥質(zhì)粉砂巖，粉砂質(zhì)泥巖或泥巖中發(fā)育程度低，具體可以參閱圖10。裂縫長度主要為0.04-0.85m，小于0.4m的裂縫較多，占92.6％。裂縫類型主要為構(gòu)造裂縫，以未充填裂縫居多，充填物以方解石為主，同時(shí)充填少量泥質(zhì)和碳質(zhì)。此外，裂縫發(fā)育程度明顯受單層厚度的控制，即巖層越薄裂縫越發(fā)育。

S2：以巖心描述資料為基礎(chǔ)，結(jié)合分析化驗(yàn)資料，建立不同巖性的電性識別標(biāo)準(zhǔn)，具體地，可以按照以下方式建立電性識別標(biāo)準(zhǔn)：

S2-1：根據(jù)儲層特征，優(yōu)選巖性敏感曲線自然伽馬(GR)、聲波時(shí)差(AC)、補(bǔ)償密度(DEN)，通過質(zhì)量控制，剔除異常曲線值，建立訓(xùn)練數(shù)據(jù)集。

S2-2：利用多分辨率基于MRGC(Multi Resolution Graph-Based Clustering，圖形的聚類分析方法)對訓(xùn)練集進(jìn)行建模和學(xué)習(xí)，從而建立測井相。

S2-3：利用巖心描述、薄片分析資料標(biāo)定與刻度測井相，將其定義成為具有地質(zhì)特征的巖性相。請參閱圖11，為本發(fā)明實(shí)施例預(yù)測巖性與取心巖性的對比圖。

S3：利用多重分形算法提取各種巖性的裂縫特征參數(shù)，結(jié)合概率神經(jīng)網(wǎng)絡(luò)算法建立天然裂縫非線性識別模型，具體地，可以按照以下步驟建立識別模型：

S3-1：特征參數(shù)提取

根據(jù)Chhabra和Jensen的算法理論，用n個(gè)尺度為δ的盒子覆蓋被研究的多重分形集對象，定義在第i個(gè)盒子的奇異概率測度為P_i(δ)，通過改變δ的值，求出對應(yīng)的和利用∑μ_iln(μ_i)～lnδ和∑μ_iln(P_i)～lnδ關(guān)系求出無標(biāo)度區(qū)域，并用最小二乘法擬合出f(q)和α(q)的值，作出相應(yīng)的多重分形曲線，即得到多重分形譜。

即

在得到多重分形譜后，從分形譜中提取以下三個(gè)參數(shù)：

1)定義多重分形譜的寬度為：

Δα＝α_max-α_min

其中，Δα表示最小概率與最大概率的差別，定量表征了測度在空間上分布的非均勻程度；Δα越大，表明測井?dāng)?shù)據(jù)波動越大。

2)定義最大概率子集與最小概率子集的分形維數(shù)差為：

Δf＝f(α_min)-f(α_max)

其中，Δf值大小表明測井?dāng)?shù)據(jù)偏離均值波動的程度。

3)定義多重分形譜的偏斜度為：

其中，α₀為f(α)取最大值時(shí)的奇異值，k表示多重分形譜頂點(diǎn)的左右偏斜程度，k＞1表示奇異值小所占比例多，測井曲線局部奇異性越強(qiáng)，反之，表示奇異值大的所占比較多，測井曲線局部奇異性越弱。

優(yōu)選裂縫敏感測井曲線自然伽馬GR、聲波時(shí)差A(yù)C、補(bǔ)償密度DEN、深感應(yīng)電阻率RILD，根據(jù)多重分形算法，從而得到各種巖性的12個(gè)分形譜參數(shù)。

S3-2：基于概率神經(jīng)網(wǎng)絡(luò)算法建立天然裂縫非線性識別模型：

根據(jù)巖心資料和成像測井資料選取樣本，將步驟(1)中求取的12個(gè)分形譜參數(shù)作為每個(gè)樣本的輸入向量，裂縫識別類型(裂縫用1表示，非裂縫用0表示)作為輸出向量。

將樣本的屬性值歸一化后傳遞給網(wǎng)絡(luò)輸入層，計(jì)算模式距離，其中輸入結(jié)點(diǎn)數(shù)n＝12，輸出層結(jié)點(diǎn)數(shù)為2；在模式層計(jì)算輸入特征向量與訓(xùn)練集中各個(gè)模式的匹配關(guān)系，其中模式神經(jīng)元的個(gè)數(shù)等于各個(gè)類別訓(xùn)練樣本數(shù)之和；在求和層中求得各個(gè)樣本屬于各類的概率和；在輸出層輸出判決的結(jié)果，概率最大的神經(jīng)元輸出為1，即所對的那一類為待識別樣本的類別，其它神經(jīng)元輸出值都為0。

利用建立的裂縫識別模型對取心井段樣本進(jìn)行預(yù)測和回判，測試網(wǎng)絡(luò)模型的分類效果。根據(jù)輸入模式的計(jì)算誤差，以一定的百分比調(diào)節(jié)網(wǎng)絡(luò)權(quán)值和閾值，直到每一訓(xùn)練樣本的產(chǎn)生的輸出誤差在可接受的范圍內(nèi)。

通過利用概率神經(jīng)網(wǎng)絡(luò)法對8口取心井58塊巖心樣本學(xué)習(xí)，識別出裂縫29條(共計(jì)30條)，效果比較好，證明了此方法的可靠性。B411井裂縫預(yù)測結(jié)果與巖心觀察裂縫對比結(jié)果可以參閱圖12所示的結(jié)果。

根據(jù)建立的最優(yōu)識別模型即可對非取心井段進(jìn)行分類預(yù)測。

S4：根據(jù)單井天然裂縫識別結(jié)果，利用測試資料及油水井生產(chǎn)動態(tài)資料，完成裂縫的平面和縱向分布，并結(jié)合裂縫參數(shù)的統(tǒng)計(jì)分析，用地質(zhì)統(tǒng)計(jì)學(xué)的方法進(jìn)行隨機(jī)模擬，建立三維裂縫強(qiáng)度體模型。

具體地，可以按照下述步驟建立三維裂縫強(qiáng)度體模型：

S4-1：在單井識別裂縫分布位置的基礎(chǔ)上，通過裂縫監(jiān)測、示蹤劑、試井、生產(chǎn)動態(tài)資料可以有效地研究裂縫在井間的分布及連通情況，進(jìn)而研究裂縫的平面和縱向分布規(guī)律，其中裂縫的平面分布情況可以參閱圖14。

這些動態(tài)特征包括：①微裂縫監(jiān)測：通過識別、定位微地震事件，反演出這些壓裂縫的位置和規(guī)模；②示蹤劑監(jiān)測：通過監(jiān)測示蹤劑濃度，判斷注入水滲流方向、速度和變化規(guī)律，判斷裂縫方向；③試井測試：隨著注水時(shí)間延長，試井分析有效滲透率比巖心分析值高出1～2個(gè)數(shù)量級，呈現(xiàn)明顯的裂縫型滲流特征，且有持續(xù)延伸的趨勢；④吸水剖面與吸水指示曲線：發(fā)育裂縫的層位，吸水剖面呈尖峰狀吸水特征，吸水剖面同位素API>500，同位素峰值、強(qiáng)度峰值大于均值3倍，吸水指示曲線常出現(xiàn)拐點(diǎn)；⑤油水井生產(chǎn)動態(tài)：裂縫產(chǎn)生導(dǎo)致水井注入量增加、油壓降低，油井液量及含水增加、油量遞減。

S4-2：根據(jù)裂縫識別結(jié)果，結(jié)合裂縫參數(shù)的統(tǒng)計(jì)分析，用地質(zhì)統(tǒng)計(jì)學(xué)的方法進(jìn)行隨機(jī)模擬，建立三維裂縫強(qiáng)度體模型。

根據(jù)裂縫參數(shù)的統(tǒng)計(jì)規(guī)律，對裂縫發(fā)育方位進(jìn)行分組，分布是北東東、北西西和近東西向。將井點(diǎn)裂縫資料輸入到模型中，產(chǎn)生裂縫屬性、密度曲線及累計(jì)密度曲線，在巖性、沉積相控制和生產(chǎn)動態(tài)資料約束下，采用序貫高斯模擬方法，分別對三組裂縫模擬，生成裂縫強(qiáng)度三維模型，具體可以參閱圖15，其中，圖15右上角的箭頭用于指向北方向。

參閱圖13，可以得出，研究區(qū)裂縫在砂質(zhì)碎屑流主體和邊緣相帶最為發(fā)育，其中，由于碎屑流主體砂厚較大，裂縫在僅其砂體頂部或底部發(fā)育；濁流和湖相沉積中泥質(zhì)巖類比例較高，裂縫發(fā)育程度明顯低于砂質(zhì)碎屑流。

以裂縫強(qiáng)度屬性體作為裂縫發(fā)育富集程度的重要約束條件，用地質(zhì)統(tǒng)計(jì)學(xué)的方法進(jìn)行隨機(jī)模擬，建立DFN裂縫模型。

從以上的描述中，可以看出，本發(fā)明實(shí)施例實(shí)現(xiàn)了如下技術(shù)效果：通過利用多重分形算法，根據(jù)不同巖性中測井曲線的自然伽馬GR、聲波時(shí)差A(yù)C、補(bǔ)償密度DEN和深感應(yīng)電阻率RILD分別提取多個(gè)特征參數(shù)，充分利用了測井資料，提高了裂縫識別的準(zhǔn)確度；通過利用概率神經(jīng)網(wǎng)絡(luò)算法建立了相對準(zhǔn)確的裂縫非線性識別模型，進(jìn)一步提高了裂縫識別的準(zhǔn)確度；通過利用多分辨率基于圖像的聚類分析方法建立了不同巖性的電性識別標(biāo)準(zhǔn)，并以此為依據(jù)劃分巖性，對于不同巖性區(qū)分處理，再一次提高了裂縫識別的準(zhǔn)確度，根據(jù)上述方法獲得的數(shù)據(jù)，結(jié)合單井的裂縫識別結(jié)果，裂縫在單井間的分布和連通情況，從巖心井段到井點(diǎn)再到平面逐步對儲層裂縫進(jìn)行定量識別，解決了現(xiàn)有裂縫識別方法存在的裂縫識別范圍小的技術(shù)問題，擴(kuò)大了裂縫識別的實(shí)施范圍，實(shí)現(xiàn)了對裂縫發(fā)育層段和平面分布的識別和預(yù)測；又通過綜合運(yùn)用上述的多重分形算法、概率神經(jīng)網(wǎng)絡(luò)算法和多分辨率基于圖像的聚類分析方法，協(xié)同處理裂縫識別，解決了現(xiàn)有裂縫識別方法中存在的裂縫識別準(zhǔn)確度差的技術(shù)問題，提高了模型的可靠性，提高了裂縫識別的準(zhǔn)確度。

顯然，本領(lǐng)域的技術(shù)人員應(yīng)該明白，上述的本發(fā)明實(shí)施例的各模塊或各步驟可以用通用的計(jì)算裝置來實(shí)現(xiàn)，它們可以集中在單個(gè)的計(jì)算裝置上，或者分布在多個(gè)計(jì)算裝置所組成的網(wǎng)絡(luò)上，可選地，它們可以用計(jì)算裝置可執(zhí)行的程序代碼來實(shí)現(xiàn)，從而，可以將它們存儲在存儲裝置中由計(jì)算裝置來執(zhí)行，并且在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟，或者將它們分別制作成各個(gè)集成電路模塊，或者將它們中的多個(gè)模塊或步驟制作成單個(gè)集成電路模塊來實(shí)現(xiàn)。這樣，本發(fā)明實(shí)施例不限制于任何特定的硬件和軟件結(jié)合。

以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，對于本領(lǐng)域的技術(shù)人員來說，本發(fā)明實(shí)施例可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。