CN103930802A - 利用空间独立的数据子集为空间相关储层数据确定性质分布的软数据去偏不确定性的系统及方法 - Google Patents
利用空间独立的数据子集为空间相关储层数据确定性质分布的软数据去偏不确定性的系统及方法 Download PDFInfo
- Publication number
- CN103930802A CN103930802A CN201280056043.0A CN201280056043A CN103930802A CN 103930802 A CN103930802 A CN 103930802A CN 201280056043 A CN201280056043 A CN 201280056043A CN 103930802 A CN103930802 A CN 103930802A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- soft
- soft data
- hard
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000009826 distribution Methods 0.000 title claims abstract description 51
- 230000002596 correlated effect Effects 0.000 title abstract description 3
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000003066 decision tree Methods 0.000 claims abstract description 9
- 239000000470 constituent Substances 0.000 claims description 26
- 238000005553 drilling Methods 0.000 claims description 21
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims 2
- 238000012417 linear regression Methods 0.000 description 11
- 238000005315 distribution function Methods 0.000 description 10
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000004992 fission Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000000585 Mann–Whitney U test Methods 0.000 description 1
- 231100000768 Toxicity label Toxicity 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
- G01V2210/6244—Porosity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/66—Subsurface modeling
- G01V2210/665—Subsurface modeling using geostatistical modeling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/66—Subsurface modeling
- G01V2210/667—Determining confidence or uncertainty in parameters
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Complex Calculations (AREA)
- User Interface Of Digital Computer (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
提供了一种在计算机上实现的、用于确定空间相关储层数据的性质分布的软数据去偏不确定性的系统及方法。该方法包括把位于网格上的多个空间位置的软数据和位于沿着与该网格相交的钻井路径的多个位置的硬数据输入到计算机中。硬数据的每个位置与一种或多种类型的软数据值配置在一起。该方法还包括利用计算机计算硬数据的变差函数并且利用该变差函数和与每个硬数据位置配置在一起的软数据值创建独立硬数据的子集;利用计算机对多个独立硬数据子集中的每一个应用自举过程,以便从多个独立硬数据子集中的每一个获得多个自举数据集;利用二叉决策树和配置在一起的软数据为所获得的多个自举数据集中的每一个计算软数据去偏直方图;及特征化软数据去偏直方图的不确定性。
Description
对相关申请的交叉引用
本申请基于并要求于2011年11月15日提交的美国临时申请61/560,091的权益并且关于都于2011年11月15日提交的美国非临时申请13/297,092和13,297,070,这些申请中每一个的全部内容都以引用的方式并入本文。
技术领域
本发明总体上涉及岩石物理数据的统计分析,或者,更具体地说,涉及利用空间独立的数据子集为空间相关储层数据确定性质分布的软数据去偏(debiasing)不确定性的系统及方法。
背景技术
储层性质是在测井(电缆、LWD或套管井测井)采样的。储层的正确特征化,尤其是为了净岩石体积、孔隙体积以及原油地质储量的估计,需要对页岩体积、孔隙度、渗透性、饱和度等的性质分布以及这些性质分布的不确定性的估计。性质分布不确定性是影响体积不确定性和储层采收预测的储层特征的关键成分。
用于从地震属性和反演产物预测3D体积中诸如孔隙度和页岩百分比之类的储层性质的方法已经在文献中作了描述并且可以广泛地从诸如Hampson-Russell、Jason Geophysical或者Rock Solid等供应商获得。但是,这些工具通常遭受两个限制。第一个限制是地震性质对观察到的储层性质的经验校准固有地产生不切实际的储层性质直方图。例如,图1绘出了利用从地震属性预测的场孔隙度的常规方法的概率分布函数(PDF)的示例。如图1中所示,利用常规地震-孔隙度方法获得的PDF示出了负孔隙度,这很显然是常规方法的一个缺陷。第二个限制是体积中预测的值和/或预测的性质直方图的不确定性没有定量地解释。
这些限制需要被解决,因为量化的油地质储量(OIP)估定是基于全场储层属性直方图的准确预测、直方图高于可能位于分布的极端的经济截止点的百分比以及这些统计的不确定性。例如,利用地震属性和测井数据预测储层性质的CGGVeritas的Hampson-Russell的EMERGE产物使用按步长的线性回归和高斯分布拟合用于地震-钻井校准。由于它们非常数学化的本质,这两个过程,即,按步长的线性回归和高斯分布拟合,都趋于产生不捕捉分布的形状或极端的预测的储层性质直方图。图2绘出了通过常规按步长的线性回归获得的场孔隙度的概率分布函数(PDF)和从钻井数据获得的场孔隙度的概率分布函数(PDF)之间的比较。如图2中所示,当与从钻井数据获得的孔隙度比较时,利用常规回归方法获得的PDF过低地表示低于0.05或高于0.25的孔隙度。
地质统计顺序高斯性质估计方法需要性质直方图作为输入用于得出反变换和正变换累积分布函数(参见Deutsch,C.V.and A.G.Journel,GSLIB:Geostatistical Software Library and User’s Guide,2nd Ed.New York:Oxford University Press1998)。这种需求会导致地质统计实践者使用硬数据的性质直方图,由于外部直方图约束,因此这种硬数据最常见地是位于模型确切拟合的钻井位置的性质数据。但是,硬数据的使用战胜了使用软数据的目的。软数据最常见地是基于建模过程中捕捉钻井控制之间性质变化的地震属性。
解决这个问题的一种途径由Deutsch等人提议(参见Deutsch,C.V.,P.Frykman,and Y.L.Xie,Declustering with Seismic or“soft”Geologic Data,Centre for Computational Geostatistics Report One1998/1999,University of Alberta)。Deutsch等人提议利用软数据去簇(decluster)直方图,这也被称为软数据去偏。所描述的过程可以在硬数据与软数据之间有良好的统计相关性时使用(参见,O.V.,and L.Kristensen,2000,Downflank hydrocarbon potentialidentified using seismic inversion and geostatistics:UpperMaastrichtian reservoir unit,Dan Field,Danish Central Graben:Petroleum Geoscience,v.6,p.1-13)。不幸的是,当硬数据与软数据全都在一个集合中被检查时,硬数据与软数据之间的统计相关性不出现。因此,常规方法不提供令人满意的答案。
因此,需要利用空间独立的数据子集为空间相关储层数据确定性质分布的软数据去偏不确定性的系统及方法。
发明内容
根据本发明的一些方法,提供了一种在计算机上实现的、用于确定空间相关储层数据的性质分布的软数据去偏不确定性的方法。该方法包括把位于网格上的多个空间位置的软数据和位于沿着与该网格相交的钻井路径的多个位置的硬数据输入到计算机中。硬数据的每个位置与一种或多种类型的软数据值配置在一起。该方法还包括利用计算机计算硬数据的变差函数并且利用该变差函数和与每个硬数据位置配置在一起的软数据值创建独立硬数据的子集;利用计算机对多个独立硬数据子集中的每一个应用自举过程,以便从多个独立硬数据子集中的每一个获得多个自举数据集;利用二叉决策树和配置在一起的软数据为所获得的多个自举数据集中的每一个计算软数据去偏直方图;及特征化软数据去偏直方图的不确定性。
根据本公开的其它方面,提供了一种用于确定空间相关储层数据的性质分布的软数据去偏不确定性的计算机系统。该计算机系统包括配置为存储位于网格上的多个空间位置的软数据和沿着与该网格相交的钻井路径的硬数据的存储设备。该系统还包括配置为输出图形用户界面的处理器,该图形用户界面包括用于输入参数的多个字段。处理器配置为计算硬数据的变差函数并且利用变差函数创建独立硬数据的子集;对多个独立硬数据子集中的每一个应用自举过程,以便从多个独立的硬数据子集中的每一个获得多个自举数据集;利用二叉决策树为所获得的多个自举数据集中的每一个计算软数据去偏直方图;及特征化软数据去偏直方图的不确定性。
根据本公开的还有其它方面,提供了一种在计算机上实现的、用于计算硬数据的软数据去偏直方图的方法。该方法包括:由计算机接收位于多个深度的、位于网格中大量空间位置的软数据和沿着与该网格相交的钻井路径的硬数据的数据集;选择置信度;从软数据值的线性组合创建最大化与配置在一起的硬数据值的线性组合的相关性的加权软数据值;利用计算机,通过加权软数据值分类所有数据并且把所有数据放到一个组元(bin)中;利用计算机确定第一分裂加权软数据值,该值最大化该组元中高于该第一软数据分裂值和低于该第一软数据分裂值的硬数据性质值之差;如果硬数据性质值之差在所选择的置信度统计显著,就接受该第一分裂软数据值;为高于第一分裂软数据值的第一子组元确定第二分裂软数据值,该值最大化第一子组元中一个子组元中高于该第二分裂软数据值和低于该第二分裂软数据值的硬数据性质值之差;为低于第一分裂软数据值的第二子组元确定第三分裂软数据值,该值最大化第二子组元中一个子组元中高于该第三分裂软数据值和低于该第三分裂软数据值的性质值之差;并且递归地重复该确定,直到到达所选择的置信度,以便形成组元分类的二叉树决策树。
在参考附图考虑以下描述和所附权利要求后,本发明的这些及其它目标、特征和特性,及操作方法和结构的相关元件的功能以及部件的组合和制造的经济性,都将变得更加显然,所有这些描述和附图都构成本说明性的一部分,其中在各个附图中相同的标号指示对应的部分。但是,应当明确地理解,附图仅仅是为了说明和描述,而不是要作为本发明的限制的定义。如在说明书和权利要求中所使用的,除非上下文清楚地另外指出,否则单数形式的“一”、“一个”和“该/所述”也包括复数的所指对象。
附图说明
图1绘出了利用从地震属性预测的场孔隙度的常规方法的概率分布函数(PDF)的示例;
图2绘出了通过常规按步长的线性回归获得的场孔隙度的概率分布函数(PDF)和从钻井数据获得的场孔隙度的概率分布函数(PDF)之间的比较;
图3A和3B示出了根据本发明的实施例、利用空间独立的数据子集为空间相关储层数据确定性质分布的软数据去偏不确定性的方法的流程图;
图4绘出了根据本发明的实施例、用于为M x N个数据集中的每一个计算去偏直方图的流程图;
图5示出了根据本发明的实施例、作为加权地震属性(X轴)的函数的测井性质(Y轴)的统计分布图;
图6A-6C示出了根据本发明的实施例、对于从分裂过程获得的每一个分裂组的、作为百分点值的函数的测井数据(例如,孔隙度)的各种分布;
图7示出了根据本发明的实施例、感兴趣的体积内的地层网格中的多个单元的位置,每个单元都被指定了地震软数据属性;
图8示出了根据本发明的实施例、图7中所示所有加权单元的平均数的去偏直方图的示例;
图9A和9B分别示出了根据本发明的实施例、用于显示通过均值排序和通过百分点值排序的分布的图形界面的示例;
图10示出了根据本发明的实施例、用于输入软数据和硬数据并且评估软数据和硬数据之间的关系以便检查软数据是否在去偏过程中可用的图形用户界面(GUI)的示例;
图11A至11D示出了根据本发明的实施例、根据线性回归中地震阻抗与钻井阻抗的相关性的各种情形,地震阻抗对钻井阻抗的各种输出图;
图12绘出了根据本发明的实施例、用于输入各种参数(诸如每个区域的N个集合)以便计算统计分布的另一个图形用户界面(GUI);及
图13是根据本发明的实施例、通过均值排序的孔隙度的概率分布函数的结果图。
具体实施方式
根据本公开的一方面,提供了使用空间独立的数据子集为空间相关储层数据确定性质分布的软数据去偏不确定性的系统及方法。在一种实施例中,储层数据可以包括地质、地球物理和岩石物理数据。在一种实施例中,数据被分成其中软数据分布显著地在统计不同的组或簇。而且,如果采用利用独立样本的空间自举(bootstrap)方法,则软数据对硬数据校准的不确定性也可以确定。
图3A和3B示出了根据本发明的一个实施例、利用空间独立的数据子集为空间相关储层数据确定性质分布的软数据去偏不确定性的方法的流程图。如图3A中所绘出的,该方法包括在S10获得在性质建模体积中与测井数据(例如,钻井阻抗数据)共同定位的地震属性(例如,阻抗反演数据)。该方法还包括在S12把地震性质(即,软数据)和测井性质(即,硬数据)采样到地理单元(geo-cellular)模型上。该方法还可选地包括在S14验证诸如地震得出的声学阻抗的地震属性与诸如从声波和密度测井计算出的测井得出的声学阻抗的测井性质充分相关。该方法还包括在S16选择一个或多个软数据类型和一个或多个硬数据类型进行分析。
该方法还包括在S18选择一个硬数据性质类型P作为感兴趣的储层性质。该方法还包括在S22选择最小和和最大置信度,并且在S22选择用于给分布进行排序的排序统计量的类型(例如,均值、方差、P10、P50、P90等)。
如图3B中所绘出的,该方法还包括在S24计算所选择的性质P的实验变差函数并且使用该变差函数创建独立硬数据的子集。在S26,变差函数用于创建空间独立样本的测井数据的N个子集。对于N个子集中的每一个,在S28,利用它们共同定位的软数据值提取M个自举集合。
二维空间中的变差函数通常标记为2γ(δx,δy),其中γ(δx,δy)被称为半-变差函数。变差函数是作为空间随机场中两个点之间的分离(δx,δy)或随机过程Z(x,y)的函数来描述空间依赖性的程度的函数。变差函数在S26用于创建基本上独立的N个测井数据子集。需要N个子集(其中N大于2)来实现统计上有意义的结果。
变差函数可以从许多来源生成。例如,作为距离(δx,δy)的函数,变差函数可以通过分析原始样本数据(例如,样本岩心数据)和分析样本数据的相关性来生成。变差函数还可以从概念模型生成。但是,在当前情况下,变差函数是通过分析原始样本数据与距离的相关性来生成的。但是,如可以认识到的,其它用于生成变差函数的方法也可以使用。例如,当样本数据相对靠近时,它们被认为是有依赖性的,但是,随着距离增加,样本数据中的依赖性或相关性减小。换句话说,距离由变差函数缩放。一个方向中的变差函数距离可能不等效于另一个方向中的变差函数距离。在这点上,变差函数是椭圆形的,因为变差函数沿东-西方向的变化与变差函数沿南-北方向的变化不同。
变差函数具有也称为协方差的伽玛值。当使用正态分数时,伽玛值从零到一变化。当使用诸如像标准偏差的正态分数变换时,当通过标准偏差正态化时,伽玛值等于一。由此,通常假设,如果伽玛值大于一,则样本数据被认为是独立的。另一方面,如果伽玛值小于一,则样本数据有依赖性或者相关。伽玛值越接近零,样本数据依赖性或相关性越高。
伽玛值阈值可以由用户根据样本数据来选择。例如,如果样本数据高度相关,则选择大于一的伽玛值阈值将消除大量数据点,这使得对样本数据进行的自举过程没有用。另一方面,选择接近零的伽玛值阈值将留下大部分相关的样本数据,这也使得对相关的样本数据进行的自举过程不太有用。因此,伽玛值阈值选择成实现一种折中,使得不过滤掉大部分样本数据,但同时选择不是高度相关的样本数据,从而获得有意义的自举结果。因此,伽玛值可以从零和大约一之间的范围选择。但是,为了实现好的折中,可以选择大约0.3和大约1之间的伽玛值。在当前示例中,选择大约0.5的伽玛值作为阈值。由此,具有小于大约0.5的伽玛值的样本数据被过滤掉,而具有大于大约0.5(例如,大约0.5和1.0之间)的伽玛值的样本数据被使用。
如图3B中进一步说明的,该方法还包括在S30通过在以上的最小和最大值之间随机地选择一个置信度而利用决策树为M x N个集合中的每一个计算软数据去偏直方图。
根据本发明的实施例,利用图4中绘出的方法为M x N个集合中的每一个计算去偏直方图。图4绘出了根据本发明的实施例、用于为M x N个集合中每一个计算去偏直方图的流程图。该方法包括在S40在给定的最小和最大置信度值之间随机地选择一置信度CL(MinCL<CL<MaxCL),例如在85%和95%的范围内,诸如90%。该方法还包括在S42通过软数据值给所有数据分类。在一种实施例中,如果有多于一种软数据类型或硬数据类型,则可以采用通过典型相关计算出的软数据或硬数据的线性组合。该方法还包括在S44把所有数据放到一个组元中。然后,该方法在S46确定或找出分裂软数据值SP1,该值最大化组元中高于这个分裂值SP1和低于这个分裂值SP1的性质值之差ΔV。如果这个差ΔV在所选择的置信度CL统计显著,就选择接受这个分裂值SP1,利用两个组元重复步骤S48:一个组元用于高于分裂值SP1,另一个组元用于低于分裂值SP1。换句话说,对于高于分裂值SP1的组元,确定这个组元内的另一个分裂值SP2,该值最大化该子组元中高于这个分裂值SP2和低于这个分裂值SP2的性质值之差。类似地,对于低于分裂值SP1的组元,确定这个组元内的另一个分裂值SP3,该值最大化该子组元中高于这个分裂值SP3和低于这个分裂值SP3的性质值之差。在S50,这个过程可以递归地重复多次,以形成组元分类的二叉树。当组元中不存在统计显著的分裂值时,那个组元就留着不分裂并且不对步骤S46进行递归调用。
在步骤S46中,能够确定两个数据集是否具有显著不同的均值的任何统计方法都可以使用,只要它对于小的样本尺寸被校正就可以。例如,一个实施例可以使用Mann-Whitney U测试,这对于本领域技术人员是已知的。
图5示出了根据本发明的实施例、作为加权地震属性(X轴)的函数的测井性质(Y轴)的统计分布图。例如,地震属性可以是A、B、C和D并且每个地震属性分别通过因子a、b、c和d加权。即,X=aA+bB+cC+dD。地震属性可以是例如,阻抗产物(product)或者任何其它类型的地震属性。在这个示例中,测井性质(Y轴)代表单个测井性质。但是,Y轴也可以代表多个测井性质的组合。
在一种实施例中,该方法包括调整权重a、b、c和d,以便最大化一组测井性质和加权地震属性之间的直接关系。权重a、b、c和d可以被调整,使得测井性质和加权地震属性之间的关系更加线性,从而把线性数据聚集或分组到一起。为了聚集数据,地震属性的组合和测井性质分布之间的直线关系被最大化,从而获得具有线性关系的聚集数据。例如,如图5中所示,数据被聚集或者分成三个数据部分或组50、52和54,使得数据50、52和54呈现更线性的关系。虽然数据被示为分成3个组或部分,但是数据可以进一步划分或聚集到增加数量的组中,从而最大化线性关系。
确定分裂软数据值,该值最大化组元中高于该值和低于该值的性质值之差。
如果该差值在所选择的置信度统计显著,就接受该分裂值并利用两个组元返回前一步:一个组元用于高于该分裂值,另一个组元用于低于该分裂值。每个组或簇具有不同的测井性质分布。
沿着分裂成组的二叉分类过程,直到到达一置信度。执行分裂,以便在不降至某个置信度之下的情况下获得尽可能多的组。如果分裂导致数据降至设定的置信度之下,分裂就停止。然后,对于每组软数据,可以分析或确定每个组中性质的分布。置信度可以例如根据用户可以给予地震数据的信任来选择。例如,置信度可以在大约85%和95%之间的范围内选择,例如90%。
图6A-6C示出了根据本发明的实施例、对于从分裂过程获得的每一个组50、52和54的、作为百分点值的函数的测井数据(例如,孔隙度)的各种分布。在分布上画了三条线60、62和64,以分别指示用于排序的分布的三个阈值百分点值P10(10%)、P50(50%)和P90(90%)。对于每个组,通过把数据分类并确定那个群体中每个数据点的百分点来获得累积分布函数。
图7示出了根据本发明的实施例、感兴趣的体积内的地层网格70中的多个单元的位置,每个单元72都被指定了地震软数据属性。每个单元位置与测井分布74关联。利用加权的组合,可以确定X值位置,即,网格70内的每个单元72将落在X轴上的、离属性(例如,带线阻抗)的加权组合的位置。
通过对网格70上的每个单元72应用二叉树分类,可以预测每个单元中硬数据的概率分布。作为每个单元中概率分布的单元体积-加权的平均,计算软数据去偏直方图。例如,如果一个单元是另一个单元的三倍大,则按照这个体积,较大的单元得到三倍的权重。图8示出了根据本发明的实施例、所有体积加权单元72的平均的去偏直方图80的示例。在直方图80中,X轴代表分布的百分点值,而Y轴代表测井性质。在该直方图中画了三条线82、84和86,以分别指示P10百分点值、P50百分点值和P90百分点值。
图9A和9B分别示出了根据本发明的实施例、用于显示通过均值排序的分布90和通过百分点值(在这个示例中是P90)排序的分布92的图形界面的示例。
如上所述,有多个不同的数据子集。因为我们具有不同的数据子集以及那个数据的不同自举采样,所以所获得的分裂组和所选择的分裂点以及每个组元中的最终分布可以不同,因为是从不同的数据集开始的。因此,不是为最终的直方图获得了仅仅一个答案,而是为最终的直方图获得了多个答案。由此,对所获得的直方图作出关于哪个直方图代表P10、P50或P90情况的选择。为了做出这种选择,给直方图排序。为了给整个分布或者所获得的直方图排序,每个获得的直方图(例如,向量)被转换成单个标量值。
有各种用于给直方图或向量排序的过程。例如,向量可以通过使用向量-标量变换函数来排序。因此,排序过程包括输入所选择的向量-标量变换函数。该向量-标量函数取一向量作为输入并且输出该向量的标量值。向量-标量变换的示例包括计算分布的P10、分布的P50、分布的P90、分布的均值,或者分布的标准偏差等,或者其中两个或更多个的任意组合。对分布应用向量-标量变换为每个分布获得标量值。通过使用从向量-标量变换获得的标量值,分布或向量可以分类到标量值列表中,每个值与从中计算出该值的分布或直方图相关联。然后,标量值被例如按升序或降序排序。例如,如果向量-标量变换是均值函数,则分布可以从低均值到高均值排序。标准偏差是可以用于给直方图排序的另一个向量-标量变换。
在图9A中,利用均值排序函数给分布90排序。在图9B中,利用P90百分点给分布92排序。图9A和9B中的X轴对应于诸如孔隙度的硬数据类型。因此,如图9A中所示,对于高情况“H”和低情况“L”,分布的值被绘制为孔隙度的函数。L和H储层性质分布可以用于建立三个不同的模型情形,以捕捉性质不确定性。
图10示出了根据本发明的实施例、用于输入诸如像地震阻抗的软数据和诸如像钻井阻抗的硬数据并且评估软数据和硬数据之间的关系以便检查软数据是否在去偏过程中可用的图形用户界面(GUI)的示例。GUI100包括用于输入地震阻抗文件的字段101和用于输入钻井阻抗文件的字段102。GUI100还包括用于输入线性回归的最小钻井与地震阻抗系数R2的字段103,该系数可以是0和1之间的值,例如0.25。GUI100还包括用于输入线性回归的最大钻井与地震阻抗系数R2的字段104,该系数可以是0和1之间的值,例如0.9。
图11A至11D显示根据各种情形的地震阻抗对钻井阻抗的各种输出图。例如,图11A示出了地震阻抗与钻井阻抗的相关性非常弱的图,如由线性回归中等于大约0.2的弱R2示出的。这个地震阻抗数据很明显不适合用在以上段落中所讨论的软数据去偏方法中。图11B示出了地震阻抗与钻井阻抗的相关性比图11A好的图,如由线性回归中等于大约0.28的弱R2示出的。这个阻抗数据可以被认为不适合用在以上段落中所讨论的软数据去偏方法中,但是在这是最佳可用地震数据的有些情形下可以使用。图11C示出了地震阻抗与钻井阻抗的相关性比图11B好的图,如由线性回归中等于大约0.63的R2示出的。这个阻抗数据可以被认为适合用在以上段落中所讨论的软数据去偏方法中。图11D示出了地震阻抗与钻井阻抗的相关性比图11C甚至还好的图,如由线性回归中等于大约0.9的R2示出的。这个阻抗数据很明显适合用在以上段落中所讨论的软数据去偏方法中。另一方面,如果相关性太高,诸如接近0.95或更高,则会出现红色标记,地震数据产物可以是基于模型的反演产物,其中值已经在钻井控制时直接设置。如果值已经直接设置,则反演产物不适合用于软数据去偏。因此,这个相关过程可以充当质量控制过程来确定地震软数据的质量和有用性。
图12绘出了根据本发明的实施例、用于输入各种参数(诸如每个区域的N个集合,即,子集(子集0、子集1…子集N))以便计算分布的另一个图形用户界面(GUI)。图形界面200包括用于输入分布最小值(例如,0.0)的字段201和用于输入分布最大值(例如,0.4)的字段202。GUI200还包括用于输入每个区域的自举集合个数(例如,100)的字段203和用于输入用于自举过程的种子值的字段204。GUI还包括用于输入统计显著水平最小值的字段205和用于输入统计显著水平最大值的字段206。GUI还包括用于选择将用于给过程排序的统计量类型的按钮207A-207F,其中统计量的类型诸如均值、方差、P10、P90、P10和均值,及P90和均值。例如,对于高天然气NTG场中的体积不确定性可以选择均值,对于异质性不确定性可以选择方差选择,对于漏失层或阻隔可以选择P10或P90,对于低NTG场中的体积不确定性可以选择P10和均值或P90和均值。GUI200还包括用于规定总体平均百分比的字段208,以规定总体平均百分比中将被一起平均的在彼此附近排序的自举集合。GUI200还包括用于规定诸如“SoftDataDebiasing”的输出文件名的字段209、用于规定诸如“BootstrapStatitistics”的子文件名或表前缀名的字段210,以及用于输入诸如“Distribution”的分布名的字段211。GUI200还包括利用输入参数对自举统计应用并计算不确定性的按钮“应用”212。
图13是根据本发明的实施例、通过均值排序的孔隙度的概率分布函数(PDF)300的结果图。水平轴(X轴)对应于累积概率,而垂直轴(Y轴)对应于分布的孔隙度值。因此,如图13中所示,对于高情况“H”和低情况“L”,分布的值绘作累积概率的函数。例如,H情况具有较高的孔隙度,而L情况具有较低的孔隙度。例如,对于其中累积概率等于大约0.1的分布的中值,垂直线在0.4的值与L曲线相交并且在0.55的值与H曲线相交。因此,L曲线比H曲线具有更低的均值。L和H储层性质(例如,孔隙度)分布可以用于建立两个不同的模型情形,来捕捉性质(例如,孔隙度)不确定性并因此定义储层经济性(例如,确定油或气储层资源)。
在这个示例中,均值用于确定备选分布的排序。分布的均值反映储层的体积或体积不确定性。储层依赖进入油地质储量的成分的均值。但是,依赖于要评估的油或天然气场的特性,其它统计参数也可以使用,诸如P10或P90。标准偏差或方差也可以用于评估可采收的储层的体积。例如,当油和水流经岩石地层时,岩石地层孔隙度和渗透性的标准偏差指示在岩石地层中产生异质性并且相应地可能降低采收因子的变化性的散布。
在有些实施例中,用于执行根据本发明实施例的方法的程序可以体现为诸如个人计算机或服务器的计算机中或者包括多台计算机的分布式计算环境中的程序产物。计算机可以包括,例如,台式计算机、膝上型计算机、诸如PDA的手持式计算设备,等等。计算机程序产物可以包括其上存储了用于编程计算机以便执行上述方法的指令的计算机可读介质或一种或多种存储介质。合适的一种或多种存储介质的示例包括任何类型的盘,包括软盘、光盘、DVD、CD ROM、磁光盘、RAM、EPROM、EEPROM、磁或光卡、硬盘、闪存卡(例如,USB闪存卡)、PCMCIA存储卡、智能卡,或者其它介质。作为替代,计算机程序产物的一部分或全部可以经诸如互联网、ATM网络、广域网(WAN)或局域网的网络从远端计算机或服务器下载。
通过存储在一种或多种计算机可读介质上,程序可以包括用于控制通用或专用计算机或处理器的硬件的软件。软件还使得计算机或处理器能够经诸如图形用户界面、头戴式显示器(HMD)等输出设备与用户交互。软件还可以包括但不限于设备驱动器、操作系统和用户应用程序。
作为替代,代替把上述方法实现为体现在计算机中的计算机程序产物(例如,作为软件产物)或者附加地,上述方法可以实现为硬件,其中,例如,专用集成电路(ASIC)可以设计成实现本发明的一个或多个方法。
虽然方法的各个步骤在以上段落中描述为按特定次序发生,但是本申请不受各个步骤发生的次序的限制。实际上,在备选实施例中,各个步骤可以按与上述次序不同的次序执行。
虽然为了说明已经基于目前被认为最实用和优选的实施例对本发明进行了详细描述,但是应当理解,这些细节仅仅是为了那个目的而且本发明不限于所公开的实施例,相反,本发明要覆盖属于所附权利要求主旨与范围的修改和等效布置。例如,应当理解,本发明预期,在可能的范围内,任一实施例的一个或多个特征都可以与任何另一实施例的一个或多个特征结合。
此外,由于各种修改和变化都将是本领域技术人员很容易想到的,因此不期望把本发明限定到本文描述的精确构造和操作。因此,所有合适的修改和等价物都应当被认为落入本发明的精神与范围内。
Claims (14)
1.一种在计算机上实现的、用于确定空间相关储层数据的性质分布的软数据去偏不确定性的方法,包括:
把位于网格上的多个空间位置的软数据和位于沿着与该网格相交的钻井路径的多个位置的硬数据输入到计算机中,其中硬数据的每个位置与一种或多种类型的软数据值配置在一起;
利用计算机计算硬数据的变差函数并且利用该变差函数和与每个硬数据位置配置在一起的软数据值创建独立硬数据的子集;
利用计算机对独立硬数据的多个子集中的每一个应用自举过程,以便从独立硬数据的多个子集中的每一个获得多个自举数据集;
利用二叉决策树和配置在一起的软数据为所获得的多个自举数据集中的每一个计算软数据去偏直方图;及
特征化软数据去偏直方图的不确定性。
2.如权利要求1所述的方法,其中软数据包括地震数据、地震属性,或者地震反演产物,或者其任意组合,并且硬数据包括岩石物理性质的井下测井。
3.如权利要求1所述的方法,其中软数据、硬数据或者这二者都利用权重因子加权,以形成软数据的线性组合或硬数据的线性组合或者这二者。
4.如权利要求1所述的方法,还包括验证软数据中的地震阻抗与硬数据中配置在一起的测井阻抗相关。
5.如权利要求1所述的方法,其中计算软数据去偏直方图包括:
把最小和最大置信度输入到计算机中;
利用计算机在最小和最大置信度之间随机地选择一置信度;
利用计算机通过软数据值把所有数据分类并且把所有该数据都放到一个组元中;
利用计算机确定第一分裂软数据值,该值最大化组元中高于该第一分裂软数据值和低于该第一分裂软数据值的硬数据性质值之差;
如果硬数据性质值之差在所选择的置信度统计显著,就接受该第一分裂软数据值;
为高于第一分裂软数据值的第一子组元确定第二分裂软数据值,该值最大化第一子组元内的子组元中高于该第二分裂软数据值和低于该第二分裂软数据值的硬数据性质值之差;及
为低于第一分裂软数据值的第二子组元确定第三分裂软数据值,该值最大化第二子组元内的子组元中高于该第三分裂软数据值和低于该第三分裂软数据值的硬数据性质值之差;及
递归地重复所述确定,直到到达所选择的置信度,以形成组元的分类的二叉树决策树。
6.如权利要求1所述的方法,其中应用自举过程包括对数据的多个子集中的每一个应用重采样自举过程。
7.如权利要求1所述的方法,还包括:
选择用于把统计分布排序的统计参数;
通过使用选定的统计参数把直方图排序,以获得排序的软数据去偏直方图;及
基于排序的软数据去偏直方图,特征化软数据去偏直方图的不确定性。
8.一种用于确定空间相关储层数据的性质分布的软数据去偏不确定性的计算机系统,该系统包括:
配置为存储位于网格上的多个空间位置的软数据和沿着与该网格相交的钻井路径的硬数据的存储设备;
配置为输出图形用户界面的处理器,该图形用户界面包括用于输入参数的多个字段,
其中处理器配置为:
计算硬数据的变差函数并且利用变差函数创建独立硬数据的子集;
对独立硬数据的多个子集中的每一个应用自举过程,以便从独立硬数据的多个子集中的每一个获得多个自举数据集;
利用二叉决策树为所获得的多个自举数据集中的每一个计算软数据去偏直方图;及
特征化软数据去偏直方图的不确定性。
9.如权利要求17所述的系统,其中软数据包括地震数据、地震属性,或者地震反演产物,或者其任意组合,并且硬数据包括岩石物理性质的井下测井。
10.如权利要求17所述的系统,其中软数据、硬数据或者这二者都利用权重因子加权,以形成软数据的线性组合或硬数据的线性组合或者这二者。
11.如权利要求17所述的系统,其中处理器还配置为验证软数据中的地震阻抗与硬数据中配置在一起的测井阻抗相关。
12.如权利要求17所述的系统,其中处理器还配置为:
通过图形用户界面在最小和最大置信度之间随机地选择一置信度;
通过软数据值把所有数据分类并且把所有该数据都放到一个组元中;
确定第一分裂软数据值,该值最大化组元中高于该第一分裂软数据值和低于该第一分裂软数据值的硬数据性质值之差;
如果硬数据性质值之差在所选择的置信度统计显著,就接受该第一分裂软数据值;
为高于第一分裂软数据值的第一子组元确定第二分裂软数据值,该值最大化第一子组元内的子组元中高于该第二分裂软数据值和低于该第二分裂软数据值的硬数据性质值之差;及
为低于第一分裂软数据值的第二子组元确定第三分裂软数据值,该值最大化第二子组元内的子组元中高于该第三分裂软数据值和低于该第三分裂软数据值的硬数据性质值之差;
递归地重复所述确定,直到到达所选择的置信度,以形成组元的分类的二叉树决策树。
13.如权利要求17所述的系统,其中处理器还配置为对数据的多个子集中的每一个应用重采样自举过程。
14.如权利要求17所述的系统,其中处理器配置为:
通过使用选定的统计参数把直方图排序,以获得排序的软数据去偏直方图;及
基于排序的软数据去偏直方图,特征化软数据去偏直方图的不确定性。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201161560091P | 2011-11-15 | 2011-11-15 | |
US61/560,091 | 2011-11-15 | ||
PCT/US2012/065295 WO2013074802A1 (en) | 2011-11-15 | 2012-11-15 | System and method of using spatially independent subsets of data to determine the uncertainty of soft-data debiasing of property distributions for spatially correlated reservoir data |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103930802A true CN103930802A (zh) | 2014-07-16 |
Family
ID=48430150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201280056043.0A Pending CN103930802A (zh) | 2011-11-15 | 2012-11-15 | 利用空间独立的数据子集为空间相关储层数据确定性质分布的软数据去偏不确定性的系统及方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US9355070B2 (zh) |
EP (1) | EP2780846A4 (zh) |
CN (1) | CN103930802A (zh) |
AU (1) | AU2012340450A1 (zh) |
BR (1) | BR112014011056A2 (zh) |
CA (1) | CA2855137A1 (zh) |
RU (1) | RU2014124177A (zh) |
WO (1) | WO2013074802A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113050165A (zh) * | 2019-12-27 | 2021-06-29 | 中国石油天然气集团有限公司 | 预测致密砂岩油气富集带的方法及装置 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9201164B2 (en) * | 2011-11-15 | 2015-12-01 | Chevron U.S.A. Inc. | System and method of using spatially independent subsets of data to calculate property distribution uncertainty of spatially correlated reservoir data |
US9146903B2 (en) * | 2011-11-15 | 2015-09-29 | Chevron U.S.A. Inc. | Method of using spatially independent subsets of data to calculate vertical trend curve uncertainty of spatially correlated reservoir data |
US20130132052A1 (en) * | 2011-11-18 | 2013-05-23 | Chevron U.S.A. Inc. | System and method for assessing heterogeneity of a geologic volume of interest with process-based models and dynamic heterogeneity |
FR2998396B1 (fr) * | 2012-11-20 | 2015-01-16 | Total Sa | Procede pour evaluer une quantite d'hydrocarbures dans un gisement |
FR2998397B1 (fr) * | 2012-11-20 | 2015-07-24 | Total Sa | Procede pour determiner une representation d'un reservoir d'hydrocarbures |
US9599735B2 (en) | 2014-06-17 | 2017-03-21 | Pgs Geophysical As | System and method of a buoyant tail section of a geophysical streamer |
KR101625660B1 (ko) * | 2015-11-20 | 2016-05-31 | 한국지질자원연구원 | 지구통계기법에서의 관측자료를 이용한 2차자료 생성 방법 |
CA3076523C (en) * | 2017-09-28 | 2023-04-04 | Chevron, U.S.A. | Systems and methods for estimating a likelihood of reservoir productivity as a function of position in a subsurface volume of interest |
CA3072107C (en) | 2017-09-28 | 2022-08-30 | Chevron U.S.A. Inc. | Systems and methods for estimating reservoir productivity as a function of depth in a subsurface volume of interest |
WO2019108246A1 (en) | 2017-11-29 | 2019-06-06 | Landmark Graphics Corporation | Geological sediment provenance analysis and display system |
US11215734B2 (en) * | 2017-11-29 | 2022-01-04 | Landmark Graphics Corporation | Geological source-to-sink analysis and display system |
CN109033588B (zh) * | 2018-07-13 | 2023-08-15 | 成都爱为贝思科技有限公司 | 一种基于空间传播的不确定性量化方法 |
US10908308B1 (en) * | 2019-07-25 | 2021-02-02 | Chevron U.S.A. Inc. | System and method for building reservoir property models |
US11506813B2 (en) | 2020-01-28 | 2022-11-22 | Chevron U.S.A. Inc. | Systems and methods for generating subsurface feature prediction probability distributions as a function of position in a subsurface volume of interest |
US11248448B2 (en) * | 2020-02-03 | 2022-02-15 | Saudi Arabian Oil Company | Despiking reservoir properties |
CN112034517B (zh) * | 2020-08-25 | 2021-07-13 | 北京福瑞科润能源科技有限公司 | 一种地应力数据预测方法、装置、储存介质及电子设备 |
US11693150B2 (en) | 2020-10-08 | 2023-07-04 | Saudi Arabian Oil Company | Coordinate-related despiking of hydrocarbon reservoir data |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1160586A2 (en) * | 2000-05-26 | 2001-12-05 | Jason Geosystems B.V. | Method of joint analysis and interpretation of the subsurface from multiple seismic derived layer property data sets |
CN101006448A (zh) * | 2004-08-20 | 2007-07-25 | 切夫里昂美国公司 | 利用训练图像和地质解释的相概率立方建立储集相模型的方法 |
CN101853522A (zh) * | 2010-04-30 | 2010-10-06 | 中国矿业大学(北京) | 多维空间信息质量检测与分析模型及其建模方法 |
US20120221306A1 (en) * | 2009-04-08 | 2012-08-30 | Schlumberger Technology Corporation | Multiscale digital rock modeling for reservoir simulation |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2199406T3 (es) * | 1997-03-10 | 2004-02-16 | Jason Geosystems B.V. | Procedimiento para la estimacion o simulacion de parametros de una estructura de un estrato. |
US20070016389A1 (en) * | 2005-06-24 | 2007-01-18 | Cetin Ozgen | Method and system for accelerating and improving the history matching of a reservoir simulation model |
WO2007015682A1 (en) * | 2005-08-04 | 2007-02-08 | Calibration & Testing International Pte. Ltd. | Method for the evaluation of measurement uncertainty, and a device and system thereof |
TWI323596B (en) * | 2006-12-13 | 2010-04-11 | Inst Information Industry | Channel estimation device, method, application program, and computer readable medium for estimating channel by a previous channel signal |
WO2010129247A2 (en) | 2009-04-27 | 2010-11-11 | Services Petroliers Schlumberger | Method for uncertainty quantification in the performance and risk assessment of a carbon dioxide storage site |
US8275593B2 (en) | 2009-07-16 | 2012-09-25 | University Of Regina | Reservoir modeling method |
US8234073B2 (en) * | 2009-10-23 | 2012-07-31 | Chevron U.S.A. Inc. | System and method for estimating geological architecture of a geologic volume |
-
2012
- 2012-11-15 WO PCT/US2012/065295 patent/WO2013074802A1/en active Application Filing
- 2012-11-15 US US13/678,218 patent/US9355070B2/en active Active
- 2012-11-15 RU RU2014124177/08A patent/RU2014124177A/ru not_active Application Discontinuation
- 2012-11-15 AU AU2012340450A patent/AU2012340450A1/en not_active Abandoned
- 2012-11-15 CA CA2855137A patent/CA2855137A1/en not_active Abandoned
- 2012-11-15 CN CN201280056043.0A patent/CN103930802A/zh active Pending
- 2012-11-15 EP EP12848919.2A patent/EP2780846A4/en not_active Withdrawn
- 2012-11-15 BR BR112014011056A patent/BR112014011056A2/pt not_active Application Discontinuation
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1160586A2 (en) * | 2000-05-26 | 2001-12-05 | Jason Geosystems B.V. | Method of joint analysis and interpretation of the subsurface from multiple seismic derived layer property data sets |
CN101006448A (zh) * | 2004-08-20 | 2007-07-25 | 切夫里昂美国公司 | 利用训练图像和地质解释的相概率立方建立储集相模型的方法 |
US20120221306A1 (en) * | 2009-04-08 | 2012-08-30 | Schlumberger Technology Corporation | Multiscale digital rock modeling for reservoir simulation |
CN101853522A (zh) * | 2010-04-30 | 2010-10-06 | 中国矿业大学(北京) | 多维空间信息质量检测与分析模型及其建模方法 |
Non-Patent Citations (1)
Title |
---|
MICHAEL J. PYRCZ ET AL: "Representative Input Parameters for Geostatistical Simulation", 《CGG ANNUAL REPORT 05》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113050165A (zh) * | 2019-12-27 | 2021-06-29 | 中国石油天然气集团有限公司 | 预测致密砂岩油气富集带的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US9355070B2 (en) | 2016-05-31 |
BR112014011056A2 (pt) | 2017-05-02 |
RU2014124177A (ru) | 2015-12-27 |
WO2013074802A1 (en) | 2013-05-23 |
CA2855137A1 (en) | 2013-05-23 |
EP2780846A1 (en) | 2014-09-24 |
AU2012340450A1 (en) | 2014-05-08 |
US20130317779A1 (en) | 2013-11-28 |
EP2780846A4 (en) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103930802A (zh) | 利用空间独立的数据子集为空间相关储层数据确定性质分布的软数据去偏不确定性的系统及方法 | |
AU2012337306B2 (en) | System and method of using spatially independent subsets of data to calculate property distribution uncertainty of spatially correlated reservoir data | |
Dorrington et al. | Genetic-algorithm/neural-network approach to seismic attribute selection for well-log prediction | |
EP2223167B1 (en) | Multipoint geostatistics method using branch runlength compression and local grid transformation | |
US9146903B2 (en) | Method of using spatially independent subsets of data to calculate vertical trend curve uncertainty of spatially correlated reservoir data | |
AU2014296770B2 (en) | System and method for estimating a reservoir parameter using joint stochastic inversion of multisource geophysical data | |
US20120290277A1 (en) | System and method for characterizing reservoir formation evaluation uncertainty | |
Guartán et al. | Regionalized classification of geochemical data with filtering of measurement noises for predictive lithological mapping | |
Marroquín | A knowledge-integration framework for interpreting seismic facies | |
Beucher et al. | Using 3D seismic-derived information in lithofacies simulations. A case study | |
Zagayevskiy et al. | Grid-free petroleum reservoir characterization with truncated pluri-Gaussian simulation: Hekla case study | |
Fournier | Integration of 3D seismic data in reservoir stochastic simulations: a case study | |
Bashore et al. | Multivariate statistical applications for quantifying contribution of seismic data to production prediction in the Wolfcamp, Midland Basin | |
Akkurt et al. | An Unsupervised Machine-Learning Workflow for Outlier Detection and Log Editing With Prediction Uncertainty | |
Okada et al. | Scenario reduction using machine learning techniques applied to conditional geostatistical simulation | |
EP3579026B1 (en) | Method of characterising a subsurface region using multiple point statistics | |
Sadeghi et al. | Global stochastic seismic inversion using turning bands simulation and co-simulation | |
Xin et al. | Integrated carbonate lithofacies modeling based on the deep learning and seismic inversion and its application | |
Verma et al. | Stochastic optimization workflow for non-uniform coarsening of simulation grids and location and sequencing of wells | |
Yang | Holistic strategies for prediction uncertainty quantification of contaminant transport and reservoir production in field cases | |
Yu et al. | Machine Learning Empowered Well Placement in a Large Unconventional Tight Gas Field in China | |
Kozlowski et al. | Digital Analogues to Assess Uncertainty of Layering Methods in Reservoir Modelling | |
CN118330729A (zh) | 一种相控薄储层反演方法、装置、计算机设备和存储介质 | |
Hood et al. | Direct projection of remaining potential from historical discoveries | |
Gusev et al. | Forecast of Prospective Oil Saturation Zones in the Devonian Carbonate Deposits of the Kharyaginsky Field Based on Geological and Geophysical Information Analysis by Using Machine Learning Methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140716 |