发明内容
本发明的目的在于解决上述技术问题,因此,本发明的一方面提供了一种地震属性指导水平井导向的方法和装置。
为了实现上述目的,提供了一种地震属性指导水平井导向的方法,可包括以下步骤:获取水平井导向的随钻测井资料;沿水平井轨迹的每个点,以该点为中心纵向上提取规定个数样点属性进行加权叠加,将加权叠加结果作为该点属性;结合区内已有的水平井地质导向的随钻测井资料,优选出对伽玛数据敏感的多个地震属性;利用随钻测井资料中的伽玛数据与地震属性建立统计模型,实现利用地震属性预测沿水平井轨迹的伽玛数据并判断沿井轨迹的岩性,指导水平井导向。
优选地,可利用神经网络算法与粗集理论相结合来优选出对伽玛数据敏感的多个地震属性。
优选地,可通过采用神经网络算法和加权叠加算法来建立统计模型。
优选地,上述步骤可还包括:当出现预测差异时,修正已有统计模型关系,指导下一步钻井方向。
为了实现上述目的,提出了一种地震属性指导水平井导向的装置,可包括:获取模块,获取水平井导向的随钻测井资料;提取模块,沿水平井轨迹的每个点,以该点为中心纵向上提取规定个数样点属性进行加权叠加,将加权叠加结果作为该点属性;选择模块,结合区内已有的水平井地质导向的随钻测井资料,优选出对伽玛数据敏感的多个地震属性;建模模块,利用随钻测井资料中的伽玛数据与地震属性建立统计模型,指导水平井导向。
优选地,可利用神经网络算法与粗集理论相结合来优选出对伽玛数据敏感的多个地震属性。
优选地,建模模块可通过采用神经网络算法和加权叠加算法建立统计模型。
优选地,上述装置可还包括修正模块,当出现预测差异时,修正已有统计模型关系,指导下一步钻井方向。
上述地震属性指导水平井导向的方法和装置,通过将地震属性应用于水平井的地质导向,提高了钻遇目标岩性的钻遇率,对于针对碎屑岩的水平井地质导向具有良好的应用前景。
具体实施方式
以下,参照附图来详细说明本发明的实施例。
总体来讲,根据本发明的地震属性指导水平井导向方法包括以下步骤:获取水平井导向的随钻测井资料;沿水平井轨迹的每个点,以该点为中心纵向上提取规定个数样点属性进行加权叠加,将加权叠加结果作为该点属性;结合区内已有的水平井地质导向的随钻测井资料,优选出对伽玛数据敏感的多个地震属性;利用随钻测井资料中的伽玛数据与地震属性建立统计模型,实现利用地震属性预测沿水平井轨迹的伽玛数据并判断沿井轨迹的岩性,指导水平井导向。
下面将结合本发明的具体实施例来对本发明的地震属性指导水平井导向的方法进行详细描述。
图1是示出根据本发明示例性实施例的地震属性指导水平井导向方法的流程图。
在步骤S101,获取水平井导向的随钻测井资料。
具体地讲,首先以本领域公知的方法进行野外勘探采集,以得到原始采集的数据,然后,经过地震资料处理,得到需要用于计算地震属性的叠后地震数据。
在步骤S102,沿水平井轨迹的每个点,以该点为中心纵向上提取规定个数样点属性进行加权叠加,将加权叠加结果作为该点属性。
具体地讲,沿水平井轨迹的属性提取,为了避免单一样点的不准确性,每个样点属性的提取采用加权叠加方式,沿水平井轨迹的每个点,以该点为中心纵向上提取规定个数样点属性进行加权叠加,将加权叠加结果作为该点属性。
在步骤S103,结合区内已有的水平井地质导向的随钻测井资料,优选出对伽玛数据敏感的多个地震属性。
具体地讲,结合区内已有的水平井地质导向的随钻伽玛数据,把地震属性和伽玛数据经过自组织神经网络量化后,通过粗集理论(RS决策)进行属性优选,优选出排名靠前的多个地震属性。图2是示出平均振幅和包络差属性与伽玛之间的关系曲线的示意图,如图2所示,平均振幅和包络差属性与伽玛具有较好的相关性。
粗糙集理论是对不完整数据进行分析、推理,发现数据间的关系,提取有用信息,简化信息处理,研究不精确、不确定知识的表达、学习、归纳的有利工具。对冗余的数据约简是其核心内容,一般是约去过剩的条件属性,用最少的属性区分不同的决策,提供同样多的信息,使决策表中的决策属性和条件属性的依赖关系不发生变化。对地震属性的约简也正是基于此来达到的。数据约简包括属性约简(等价于从决策表中消去一些不必要的列)和值约简(等价于从决策表中消去一些无关紧要的属性值)。
可应用粗集理论对地震属性进行优选,目的是为了从众多地震属性中选出一些敏感的地震属性,即从决策表中选出一些条件属性,因此地震多属性优选实质为粗集理论中的属性约简。本发明采用了一种基于区别矩阵的属性频率约简算法。需要指出的是对地震属性优选必须满足决策表为相容决策表。
因此需要先建立决策表,通过是否满足决策表来确定优选过程是否结束。判断决策表是否相容,如果相容则量化结束,否则,在神经网络对该属性进行重新分类,再判断决策表是否相容,如果相容则量化结束。
在步骤S104,利用随钻测井资料中的伽玛数据与地震属性建立统计模型,指导水平井导向。
具体地讲,选取已有水平井的伽玛数据,将优选的点加权叠加后的属性与伽玛数据利用神经网络建立统计模型,从而实现利用地震属性预测伽玛数据,判断目标地层沿轨迹的岩性变化情况。
统计模型是指地震属性数据与测井伽玛数据之间的映射关系,这种映射关系即是两类数据之间的关系,可以是线性的也可是非线性的。
图3是示出统计模型建立过程的示意图,如图3所示,统计模型可以采用神经网络算法来建立。利用地震数据(作为输入数据)与已知的测井伽玛数据(作为输出数据),建立两者相互之间的非线性关系(映射关系),也即建立起两者之间的统计模型,两数据之间的关系模型通常是隐藏在程序算法内部,不是关心的重点。利用这个模型,可将输入的地震数据通过建立的关系模型直接输出伽玛数据。
在水平井钻井时,利用地震属性预测的伽玛数据,判断沿水平井轨迹方向岩性的变化情况,调整轨迹,可避开不利岩性,提高目标岩性的钻遇率。图4是示出利用地震属性预测与实际测得的伽玛曲线对比关系的示意图。图4中曲线b为实测伽玛曲线,曲线a为预测伽玛曲线,两者差异较小,说明利用优选的地震属性能够较好的预测伽玛曲线。
图4中有2个利用地震属性预测成果成功预警的轨迹调点。在井深4201米预测的伽玛曲线突然增大,对应岩性由砂岩变为泥岩,因此向上调整井轨迹,在井深4294米预测的伽玛曲线减小,对应岩性由泥岩变为砂岩,因此向下调整井轨迹。在上述两个岩性变化点,预测伽玛曲线发生了较大的变化,说明利用地震属性能够有力指导水平井地质导向。
在步骤S105,当出现预测差异时,修正已有统计模型关系,指导下一步钻井方向。
图5是示出根据本发明第一示例性实施例的地震属性指导水平井导向装置的框图。
如图5所示,地震属性指导水平井导向的装置包括:获取模块501、提取模块502、选择模块503和建模模块504。
获取模块501用于获取水平井导向的随钻测井资料。
提取模块502用于沿水平井轨迹的每个点,以该点为中心纵向上提取规定个数样点属性进行加权叠加,将加权叠加结果作为该点属性。
选择模块503用于结合区内已有的水平井地质导向的随钻测井资料,优选出对伽玛数据敏感的多个地震属性。例如,可通过利用神经网络算法与粗集理论相结合来优选出对伽玛数据敏感的多个地震属性。
建模模块504利用随钻测井资料中的伽玛数据与地震属性建立统计模型,指导水平井导向。例如,建模模块可通过采用神经网络算法和加权叠加算法来建立统计模型。
图6是根据本发明第二示例性实施例的地震属性指导水平井导向装置的框图。
如图6所示,本发明第二示例性实施例的地震属性指导水平井导向的装置包括:获取模块601、提取模块602、选择模块603、建模模块604和修正模块605。
获取模块601用于获取水平井导向的随钻测井资料。
提取模块602用于沿水平井轨迹的每个点,以该点为中心纵向上提取规定个数样点属性进行加权叠加,将加权叠加结果作为该点属性。
选择模块603用于结合区内已有的水平井地质导向的随钻测井资料,优选出对伽玛数据敏感的多个地震属性。
建模模块604利用随钻测井资料中的伽玛数据与地震属性建立统计模型,指导水平井导向。
当出现预测差异时,修正模块605修正已有统计模型关系,指导下一步钻井方向。
应该理解,根据本发明示例性实施例的地震属性指导水平井导向装置可执行以上参照图1至图4描述的地震属性指导水平井导向方法,为了避免重复,在此不再赘述。
上述地震属性指导水平井导向的方法和装置,通过将地震属性应用于水平井的地质导向,提高了钻遇目标岩性的钻遇率,对针对碎屑岩的水平井地质导向具有良好的应用前景。
上面已经结合具体实施例描述了本发明,但是本发明的实施不限于此。在本发明的精神和范围内,本领域技术人员可以进行各种修改和变型,这些修改和变型将落入权利要求限定的保护范围之内。