CN101430386B - 一种地震多参数融合气藏检测方法 - Google Patents
一种地震多参数融合气藏检测方法 Download PDFInfo
- Publication number
- CN101430386B CN101430386B CN200710176982XA CN200710176982A CN101430386B CN 101430386 B CN101430386 B CN 101430386B CN 200710176982X A CN200710176982X A CN 200710176982XA CN 200710176982 A CN200710176982 A CN 200710176982A CN 101430386 B CN101430386 B CN 101430386B
- Authority
- CN
- China
- Prior art keywords
- data
- parameter
- gas reservoir
- gas
- amalgamation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Abstract
一种地球物理勘探烃类检测的地震多参数融合气藏检测方法,步骤是:采集地震数据并处理,提取各种属性参数,计算隶属度函数,采集常规声波测井和密度测井数据,与地震子波褶积形成合成道,计算观测数据与气藏或非气藏的匹配程度和各观测数据的可信度值:对所有属性参数的可信度值进行融合,得到多参数融合的气藏、非气藏和不确定区的可信度值并确定气藏。本发明利用模糊集理论的隶属度函数和证据理论中的支持区间、信度区间和拒绝区间以及证据融合法则,精确地刻画了地震数据的不确定性,本发明预测准确率由传统方法的70%左右提高到80%以上,显著提高了气藏钻井的成功率。
Description
技术领域
本发明涉及地球物理勘探烃类检测技术,是一种地震多参数融合气藏检测方法。
背景技术
在地球物理勘探烃类检测技术中,利用地震数据进行天然气藏检测除了采用“亮点”技术和AVO技术外,多种信息的综合检测方法越来越受到了人们的高度重视。
常用的多参数融合气藏检测的方法有模式识别和神经网络。模式识别方法是先取得测井资料,再将测井资料作为学习样本,根据试井结果把学习样本分类,通过标定,提取井旁道地震属性并进行组合,根据类内距最小、类间距最大的原则确定各属性系数,然后对其它地震道的属性值进行运算、分类,得到油气分布情况。神经网络方法通过井位置处地震属性与测井数据(如伽玛测井、密度测井等)或储层物性的学习,建立这些属性参数与期望类型测井或储层物性参数间的关系,对非井旁道的地震属性参数进行运算,得到相应的测井参数或储层物性参数,进行储层预测和烃类检测。与模式识别相比,神经网络具有更好的鲁棒性和更强的适用性。这两类方法都要求各属性参数相互独立,且都没有给出地震数据不确定性的精确刻画。
由于地下环境复杂和地球物理数据采集的不完备和测量误差等,获得地球物理信号具有不确定性。上述地震气藏检测方法存在两个缺陷:一是都缺乏对观测数据和检测结果不确定性的精确刻画能力;一是不能充分利用地震信息的冗余性,容易造成多个观测值检测结果的不一致,即准确度低。
发明内容
本发明的目的是提供一种精确刻画地球物理参数的不确定性,充分利用地震多参数的冗余和互补,提高气藏检测的准确度的地震多参数融合气藏检测方法。
本发明提供如下技术方案:
本发明具体实现步骤是:
1)采集地震数据工作区,进行常规的数据处理,形成叠后数据;
步骤1所述的数据处理包括叠前去噪、地表一致性振幅补偿、静校正、动校正、叠加和偏移。
步骤1所述的数据处理是进行常规的叠前去噪、地表一致性振幅补偿、静校正和动校正,形成道集数据。
2)用常规方法从叠后地震数据中提取各种属性参数,并用下式计算各地震道属性参数的高斯分布,作为它们的隶属度函数,
步骤2所述的属性参数包括频率、相位、振幅。
步骤2用常规叠前地震反演方法从道集数据中反演地层弹性参数,计算各地层参数的高斯分布,作为它们的隶属度函数。
步骤2所述的反演地层弹性参数为拉梅常数、密度。
3)在工作区测井采集常规声波测井和密度测井数据,计算反射系数,与地震子波褶积形成合成道,标定层位,按常规地震属性同样的提取方法提取合成道的属性,用下式计算这些属性参数的高斯分布,并作为模型数据的隶属度函数,
步骤3所述的在工作区测井,由常规纵、横波测井和密度测井计算相应的弹性参数测井,计算高斯分布作为模型数据的隶属度函数。
步骤3所述的工作区测井,没有横波测井时,用纵波速度与横波速度的经验公式计算横波速度,再计算弹性参数。
4)用下式计算观测数据与气藏或非气藏的匹配程度:
RAi(o|a)=E{[γo(Ai)-E(γo)]}E{[γam(Ai)-E(γam)]}
RAi(o|b)=E{[γo(Ai)-E(γo)]}E{[γbm(Ai)-E(γbm)]}
RAi(o|a,b)=1-max(RAi(o|a),RAi(o|b))
其中:a表示气藏,b表示非气藏,Ai(i=1,2,…n)表示第i个观测数据,E(·)为数学期望,γam(Ai)为模型数据Ai对a的隶属度函数,γbm(Ai)为模型数据Ai对b的隶属度函数,γo(Ai)为观测数据Ai的隶属度函数,RAi(o|a)表示观测数据Ai反映气藏的程度,RAi(o|b)表示观测数据Ai反映非气藏的程度,RAi(o|a,b)表示观测数据Ai的不确定程度;
5)按下式计算各观测数据的可信度值:
mAi(a)=waRAi(o|a)/[waRAi(o|a)+wbRAi(o|b)+wa,bRAi(o|a,b)]
mAi(b)=wbRAi(o|b)/[waRAi(o|a)+wbRAi(o|b)+wa,bRAi(o|a,b)]
mAi(a,b)=waRAi(o|a,b)/[waRAi(o|a)+wbRAi(o|b)+wa,bRAi(o|a,b)]
其中,w为权系数,按下列情况取值:
信噪比>2时,wa=wb=0.4,wa,b=0.2
1<信噪比≤2时,wa=wb=0.3,wa,b=0.4
信噪比≤1时,wa=wb=0.2,wa,b=0.6;
步骤5所述的信噪比是经步骤1处理后的地震数据有效信号与噪声能量的比值。
6)用Dempster-Shafer组合规则,按下式对所有属性参数的可信度值进行融合,得到多参数融合的气藏、非气藏和不确定区的可信度值;
式中β表示a或b或(a,b);
7)按下列方法确定气藏:
当m(a)>m(b),m(a)>m(a,b)时,为气藏;
当m(b)>m(a),m(b)>m(a,b)时,为非气藏;
当m(a,b)>m(a),m(a,b)>m(b)时,为不确定区。
本发明利用模糊集理论的隶属度函数和证据理论中的支持区间、信度区间和拒绝区间以及证据融合法则,精确地刻画了地震数据的不确定性,同时充分利用了地球物理数据的冗余性和互补性,很好地解决了多个观测数据检测结果可能不一致的问题,显著提高了油气藏检测的准确率。本发明预测准确率由传统方法的70%左右提高到80%以上,显著提高了气藏钻井的成功率。
附图说明
图1是用信度函数和似然函数刻画证据不确定性图,(Bel:信度函数,Pl:似然函数);
图2是多参数融合检测气藏的流程图;
图3是实例1气藏分布预测图,图中深色表示气藏区,浅灰色为非气藏区,白色为不确定区;
图4是实例2气藏分布预测图,图中深色表示气藏区,浅灰色为非气藏区,白色为不确定区。
具体实施方式
本发明利用模糊集理论中隶属函数描述由噪声、测量的不完整和处理过程的误差引起的数据模糊性,并用隶属函数建立信度函数,然后根据证据组合规则对信度函数进行融合和气藏检测。该方法可以精确刻画地震属性参数的不确定性,并明确划分气藏检测结果的“不确定”和“不知道”。
实例1:
系统中有2个目标,分别是气藏(目标a)和非气藏(目标b),则气藏的识别框架为Θ={a,b},焦元为{a},{b}和{a,b}。有4个属性,即拉梅常数、剪切模量、密度和泊松比,用Ai表示,Ai={拉梅常数,剪切模量,密度,泊松比}。下面以拉梅常数为例(其它属性参数情况类似),具体实现步骤为:
1.采集地震数据,进行常规的叠前去噪、地表一致性振幅补偿、静校正和动校正,形成道集数据。
2.用常规叠前地震反演方法从道集数据中反演地层的拉梅常数、剪切模量、密度(观测数据),并计算泊松比,用下式计算拉梅常数、剪切模量、密度和泊松比的高斯分布,作为它们的隶属度函数。
3.由常规纵、横波测井和密度测井计算拉梅常数、剪切模量和泊松比测井(模型数据),用下式计算这些测井数据的高斯分布作为模型数据的隶属度函数。
4.用下式计算观测数据与模型数据的相似程度:
RAi(o|a)=E{[γo(Ai)-E(γo)]}E{[γam(Ai)-E(γam)]}
RAi(o|b)=E{[γo(Ai)-E(γo)]}E([γbm(Ai)-E(γbm)]}
RAi(o|a,b)=1-max(RAi(o|a),RAi(o|b))
其中:a表示气藏,b表示非气藏,E(·)为数学期望,γam(Ai)为模型数据Ai对a的隶属度函数,γbm(Ai)为模型数据Ai对b的隶属度函数,γo(Ai)为观测数据Ai的隶属度函数,RAi(o|a)表示观测数据Ai反映气藏的程度,RAi(o|b)表示观测数据Ai反映非气藏的程度,RAi(o|a,b)表示观测数据Ai的不确定程度。
5.按下式计算各观测数据的可信度值:
mAi(a)=waRAi(o|a)/[waRAi(o|a)+wbRAi(o|b)+wa,bRAi(o|a,b)]
mAi(b)=wbRAi(o|b)/[waRAi(o|a)+wbRAi(o|b)+wa,bRAi(o|a,b)]
mAi(a,b)=waRAi(o|a,b)/[waRAi(o|a)+wbRAi(o|b)+wa,bRAi(o|a,b)]
其中,
(1)信噪比>2时,wa=wb=0.4,wa,b=0.2
(2)1<信噪比≤2时,wa=wb=0.3,wa,b=0.4
(3)信噪比≤1时,wa=wb=0.2,wa,b=0.6
6.用Dempster-Shafer组合规则,按下式对各属性参数的可信度值进行融合,得到m(a)、m(b)和m(a,b)。
其中β表示a或b或(a,b)。
7.按下列方法进行气藏检测:
(1)当m(a)>m(b),m(a)>m(a,b)时,为气藏;
(2)当m(b)>m(a),m(b)>m(a,b)时,为非气藏;
(3)当m(a,b)>m(a),m(a,b)>m(b)时,为不确定区。
图3为地震测线气藏检测结果。该测线上共有8口井,W1~W7为原有井,W8为后钻井,除W1井外,其它7口井气藏检测结果均与钻井一致。
实例2:
实例2气田为辫状河沉积,储层横向变化大,连续性差。实例2与实例1不同之处是它有3个属性,分别为纵波速度、横波速度和泊松比。按照实例1同样的方法得到mvp(a)、mvp(b)、mvp(a,b),mvs(a)、mvs(b)、mvs(a,b)和mσ(a)、mσ(b)、mσ(a,b)。对mvp(a)、mvs(a)和mσ(a)进行融合,得m(a);对mvp(b)、mvs(b)和mσ(b)进行融合,得m(b);mvp(a,b)、mvs(a,b)和mσ(a,b)进行融合,得m(a,b)。根据m(a)、m(b)和m(a,b)值的大小进行气藏检测。图4显示了某测线的气藏预测结果。该测线上只有2口井,且均为气井,与预测结果一致。
Claims (8)
1.一种地震多参数融合气藏检测方法,其特征在于具体实现步骤是:
1)采集地震数据工作区,进行常规的数据处理,形成叠后数据;
2)用常规方法从叠后地震数据中提取各种属性参数,并用下式计算各地震道属性参数的高斯分布,作为它们的隶属度函数,
3)在工作区测井采集常规声波测井和密度测井数据,计算反射系数,与地震子波褶积形成合成道,标定层位,按常规地震属性同样的提取方法提取合成道的属性,用下式计算这些属性参数的高斯分布,并作为模型数据的隶属度函数,
4)用下式计算观测数据与气藏或非气藏的匹配程度:
RAi(o|a)=E{[γo(Ai)-E(γo)]}E{[γam(Ai)-E(γam)]}
RAi(o|b)=E{[γo(Ai)-E(γo)]}E{[γbm(Ai)-E(γbm)]}
RAi(o|a,b)=1-max(RAi(o|a),RAi(o|b))
其中:a表示气藏,b表示非气藏,Ai(i=1,2,…n)表示第i个观测数据,E(·)为数学期望,γam(Ai)为模型数据Ai对a的隶属度函数,γbm(Ai)为模型数据Ai对b的隶属度函数,γo(Ai)为观测数据Ai的隶属度函数,RAi(o|a)表示观测数据Ai反映气藏的程度,RAi(o|b)表示观测数据Ai反映非气藏的程度,RAi(o|a,b)表示观测数据Ai的不确定程度;
5)按下式计算各观测数据的可信度值:
mAi(a)=waRAi(o|a)/[waRAi(o|a)+wbRAi(o|b)+wa,bRAi(o|a,b)]
mAi(b)=wbRAi(o|b)/[waRAi(o|a)+wbRAi(o|b)+wa,bRAi(o|a,b)]
mAi(a,b)=waRAi(o|a,b)/[waRAi(o|a)+wbRAi(o|b)+wa,bRAi(o|a,b)]
其中,w为权系数,按下列情况取值:
信噪比>2时,wa=wb=0.4,wa,b=0.2
1<信噪比≤2时,wa=wb=0.3,wa,b=0.4
信噪比≤1时,wa=wb=0.2,wa,b=0.6;
所述的信噪比是经步骤1处理后的地震数据有效信号与噪声能量的比值;
6)用Dempster-Shafer组合规则,按下式对所有属性参数的可信度值进行融合,得到多参数融合的气藏、非气藏和不确定区的可信度值;
式中β表示a或b或(a,b);
7)按下列方法确定气藏:
当m(a)>m(b),m(a)>m(a,b)时,为气藏;
当m(b)>m(a),m(b)>m(a,b)时,为非气藏;
当m(a,b)>m(a),m(a,b)>m(b)时,为不确定区。
2.根据权利要求1所述的地震多参数融合气藏检测方法,其特征在于,步骤1所述的数据处理是进行常规的叠前去噪、地表一致性振幅补偿、静校正和动校正,形成道集数据。
3.根据权利要求1或2所述的地震多参数融合气藏检测方法,其特征在于,步骤1所述的数据处理包括叠前去噪、地表一致性振幅补偿、静校正、动校正、叠加和偏移。
4.根据权利要求1所述的地震多参数融合气藏检测方法,其特征在于,步骤2所述的属性参数包括频率、相位、振幅。
5.根据权利要求1所述的地震多参数融合气藏检测方法,其特征在于,步骤2用常规叠前地震反演方法从道集数据中反演地层弹性参数,计算各地层参数的高斯分布,作为它们的隶属度函数。
6.根据权利要求1所述的地震多参数融合气藏检测方法,其特征在于,步骤2所述的反演地层弹性参数为拉梅常数、密度。
7.根据权利要求1所述的地震多参数融合气藏检测方法,其特征在于,步骤3所述的在工作区测井,由常规纵、横波测井和密度测井计算相应的弹性参数测井,计算高斯分布作为模型数据的隶属度函数。
8.根据权利要求1或7所述的地震多参数融合气藏检测方法,其特征在于,步骤3所述的工作区测井,没有横波测井时,用纵波速度与横波速度的经验公式计算横波速度,再计算弹性参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200710176982XA CN101430386B (zh) | 2007-11-08 | 2007-11-08 | 一种地震多参数融合气藏检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200710176982XA CN101430386B (zh) | 2007-11-08 | 2007-11-08 | 一种地震多参数融合气藏检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101430386A CN101430386A (zh) | 2009-05-13 |
CN101430386B true CN101430386B (zh) | 2011-05-25 |
Family
ID=40645894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200710176982XA Active CN101430386B (zh) | 2007-11-08 | 2007-11-08 | 一种地震多参数融合气藏检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101430386B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7967158B2 (en) | 2006-10-27 | 2011-06-28 | Manitowoc Crane Companies, Llc | Mobile lift crane with variable position counterweight |
US9278834B2 (en) | 2009-08-06 | 2016-03-08 | Manitowoc Crane Group, LLC | Lift crane with moveable counterweight |
CN102337885A (zh) * | 2010-07-16 | 2012-02-01 | 陈信平 | 一种直接探测地层中游离态气体的方法 |
US10183848B2 (en) | 2014-01-27 | 2019-01-22 | Manitowoc Crane Companies, Llc | Height adjustment mechanism for an auxiliary member on a crane |
CN110255402B (zh) | 2014-01-27 | 2022-02-18 | 马尼托瓦克起重机有限责任公司 | 带有改进的可动配重的吊升起重机 |
CN107688201B (zh) * | 2017-08-23 | 2019-12-31 | 电子科技大学 | 基于rbm地震叠前信号聚类方法 |
CN107884825B (zh) * | 2017-11-08 | 2020-04-14 | 电子科技大学 | 一种基于地震多属性的不确定性建模方法 |
CN111239809B (zh) * | 2018-11-29 | 2022-08-02 | 中国石油天然气集团有限公司 | 一种基于属性融合原理的优势储层确定方法及系统 |
-
2007
- 2007-11-08 CN CN200710176982XA patent/CN101430386B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN101430386A (zh) | 2009-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101430386B (zh) | 一种地震多参数融合气藏检测方法 | |
US20030110018A1 (en) | Method for shallow water flow detection | |
Yaghmaei-Sabegh et al. | A new method of seismic site classification using HVSR curves: A case study of the 12 November 2017 Mw 7.3 Ezgeleh earthquake in Iran | |
Kosari et al. | An integrated approach to study the impact of fractures distribution on the Ilam-Sarvak carbonate reservoirs: a case study from the Strait of Hormuz, the Persian Gulf | |
Maity et al. | Neuro-evolutionary event detection technique for downhole microseismic surveys | |
Riazi et al. | Anatomy of a buried thrust belt activated during hydraulic fracturing | |
Zellou et al. | Improved fractured reservoir characterization using neural networks, geomechanics and 3-D seismic | |
Kumar et al. | A neural network approach for elucidating fluid leakage along hard-linked normal faults | |
CA3177867A1 (en) | Structured representations of subsurface features for hydrocarbon system and geological reasoning | |
Bruno et al. | Groundwater characterization in arid regions using seismic and gravity attributes: Al Jaww Plain, UAE | |
Karimpouli et al. | Neuro-Bayesian facies inversion of prestack seismic data from a carbonate reservoir in Iran | |
Ismail et al. | Unsupervised machine learning and multi-seismic attributes for fault and fracture network interpretation in the Kerry Field, Taranaki Basin, New Zealand | |
Jeong et al. | Application of conditional generative model for sonic log estimation considering measurement uncertainty | |
Mirkamali et al. | Evolution analysis of miocene channels and faults in offshore area of Strait of Hormuz (Eastern part of Persian Gulf) using seismic meta-attributes | |
Kadkhodaie et al. | Pore throat size characterization of carbonate reservoirs by integrating core data, well logs and seismic attributes | |
Michie et al. | Assessing the accuracy of fault interpretation using machine-learning techniques when risking faults for CO2 storage site assessment | |
Lorentzen et al. | Fault mapping of the Gassum Formation reservoir and the Fjerritslev Formation caprock interval at the Stenlille gas storage site using a pre-trained convolutional neural network | |
Lim et al. | Machine learning derived AVO analysis on marine 3D seismic data over gas reservoirs near South Korea | |
Connolly et al. | Visualizing hydrocarbon migration pathways associated with the Ringhorne oil field, Norway: An integrated approach | |
McKean et al. | Geomechanical and Fracture Network Interpretation of a Devonian Outcrop | |
BR102020010867A2 (pt) | Método detector de assinaturas de reservatórios de gás em levantamentos sísmicos | |
Ramu et al. | Multi-attribute and artificial neural network analysis of seismic inferred chimney-like features in marine sediments: a study from KG Basin, India | |
Quick | Subsurface Mapping and Seismic Modeling from Resistivity Data to Tie Locally Productive Formations of the Wilcox Group in LaSalle Parish, Louisiana to a High-Resolution Shallow Imaging Seismic Dataset | |
Razmi et al. | Shallow Water Flows (SWF) evaluation by 3D seismic studies in the South Caspian Basin, Iran | |
Abuzaied et al. | Stochastic inversion combining seismic data, facies properties, and advanced multiple-point geostatistics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |