CN104020509B - 基于Bayes判别分析的砂质滩坝沉积微相测井识别方法 - Google Patents
基于Bayes判别分析的砂质滩坝沉积微相测井识别方法 Download PDFInfo
- Publication number
- CN104020509B CN104020509B CN201410276216.0A CN201410276216A CN104020509B CN 104020509 B CN104020509 B CN 104020509B CN 201410276216 A CN201410276216 A CN 201410276216A CN 104020509 B CN104020509 B CN 104020509B
- Authority
- CN
- China
- Prior art keywords
- dam
- beach
- sedimentary micro
- sand
- response
- 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
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及石油天然气勘探与开发领域,其特别涉及一种基于Bayes判别分析的砂质滩坝沉积微相测井识别方法,在利用钻井岩心资料及勘探开发数据识别坝砂和滩砂的基础上,根据测井响应特征提取反映砂体特征的参数建立测井响应综合参数,利用逐步判别分析“剔除”对判别作用不显著的参数,最后建立能够判别滩坝沉积微相的Bayes判别函数。本发明的方法解决无钻井取心资料的井的滩坝微相预测识别问题。地球物理测井资料具有相对廉价、连续性高的特点,对不同特征的砂质滩坝沉积微相具有很好的响应。因此,在钻井岩心资料和勘探开发数据标定的基础上,通过提取测井响应综合参数,运用统计学的方法对砂质滩坝沉积微相进行判别分析,成本低,应用价值高。
Description
技术领域
本发明涉及石油天然气勘探与开发领域,其特别涉及一种基于Bayes判别分析的砂质滩坝沉积微相测井识别方法。
背景技术
滩坝沉积是发育于陆相湖盆滨浅湖地区非常重要的一种沉积体,可进一步分为砂质滩坝和碳酸盐滩坝。砂质滩坝沉积一般形成于开阔的滨浅湖地区,在湖浪或沿岸流的作用下将邻近地区三角洲或其他近岸浅水砂体再搬运、沉积而成。根据滩坝砂体的形态和产状,滨浅湖滩坝沉积可划分为坝砂体和滩砂体。
目前对滩坝沉积微相识别的主要方法是通过钻录井资料,其中钻井岩心资料是最直观、最可靠地反映地下地质特征的第一性资料而成为识别滩坝砂沉积微相的最主要方法。但是,由于钻井取心成本高、钻速慢、技术较复杂,所以不能在勘探开发过程中大规模的进行钻井取心,仅靠钻井岩心资料识别滩坝沉积微相具有很大的局限性。
发明内容
本发明针对现有技术的不足,提供一种基于Bayes判别分析的砂质滩坝沉积微相测井识别方法。
本发明的技术方案是:
本发明是在利用钻井岩心资料及勘探开发数据识别坝砂和滩砂的基础上,根据滩坝砂体的测井响应特征提取能够反映砂体特征的参数建立滩坝沉积微相响应综合参数,利用逐步判别分析的方法“剔除”对于判别作用不显著的参数,最后建立能够判别滩坝沉积微相的Bayes判别函数,具体方法如下:(流程图如图3)
步骤1:利用已知钻井岩心资料以及油田勘探开发数据完成对滩坝砂沉积微相(坝砂-滩砂)的识别,建立井段深度-砂体厚度-沉积微相数据库。在完成钻井取心之后,采用“岩电差”法将岩心盒中的岩心按井深自上而下、自右向左依次进行井深校正、岩心归位,获得取心段的实际深度,并根据岩性、沉积构造、沉积物粒度、砂体厚度等相标志和油田勘探开发数据判断岩心的沉积微相类型,最终建立井段深度-砂体厚度-沉积微相数据库。
步骤2:选取工区内资料齐全的测井系列,为了消除或抑制不同测井系列观测值数量级的差异,使它们在同一尺度范围下参与地质研究,对每口井目的层段的测井数据进行标准化处理,利用极差正规化的方法使新数据分布在[0,1]区间内,其变换公式为:
x'ij=(xij-min xij)/(max xij-min xij) (1)
式中x'ij—标准化后的数据;
xij—标准化前的数据(原始数据);
min xij—第j个测井系列观测值的最小值;
max xij—第j个测井系列观测值的最大值。
步骤3:选取已完成沉积微相识别井段的标准化后的测井响应最大异常幅度值(L)作为滩坝沉积微相测井响应参数,该参数乘以能够反映砂体形态特征的砂体厚度值(H)作为判别滩坝沉积微相响应综合参数(S)。
1)对于砂体测井响应为正异常的测井系列,其综合参数为测井响应极大值与厚度乘积:
Si=H×Li=H×Maxi (2)
式中,Si为测井滩坝沉积微相响应综合参数;
H为砂体厚度值;
Li为测井响应的最大异常幅度值;
Maxi为测井响应极大值。
如电阻率测井(R25、R4),其综合参数为测井响应极大值与厚度乘积,以R25测井为例(如图1):
SR25=H×LR25=H×MaxR25
式中,SR25为R25测井滩坝沉积微相响应综合参数;
H为砂体厚度值;
LR25为R25测井响应的最大异常幅度值;
MaxR25为R25测井响应极大值。
2)对于砂体的测井响应为负异常的测井系列,综合参数为1-测井响应极小值再与厚度相乘:
Sj=H×Lj=H×(1-Minj) (3)
式中,Sj为测井滩坝沉积微相响应综合参数;
H为砂体厚度值;
Lj为测井响应的最大异常幅度值;
Minj为测井响应极小值。
如自然电位测井SP、声波时差测井AC、自然伽马测井GR、感应测井COND等,其综合参数为1-测井响应极小值再与厚度相乘,以SP测井为例(如图2):
SSP=H×LSP=H×(1-MinSP)
式中,SSP为SP测井滩坝沉积微相响应综合参数;
H为砂体厚度值;
LSP为SP测井响应的最大异常幅度值;
MinSP为SP测井响应极小值。
步骤4:利用滩坝沉积微相响应综合参数(S)对坝砂和滩砂进行判别分析,建立判别函数(此过程在计算机上利用SPSS软件完成)。首先,利用逐步回归分析方法“剔除”已引入判别函数中的区分能力较弱、对结果作用不显著的参数;其次,将区分能力强的参数“引入”判别函数,利用Bayes判别分析的方法建立坝砂和滩砂的Bayes判别函数公式。
步骤5:通过已知沉积微相测井识别建立的判别函数对未划分滩坝沉积微相井的微相划分进行预测。首先,对未知井“半幅点法”判定砂体厚度(H);其次,利用已经标准化的该井段测井响应的最大异常幅度值(L)计算滩坝沉积微相响应综合参数(S);最后,将滩坝沉积微相响应综合参数带入前期已经建立的Bayes判别函数公式中,根据函数值判别沉积微相。
本发明的有益效果是:
本发明的方法解决无钻井取心资料的井的滩坝微相预测识别问题。地球物理测井资料具有相对廉价、连续性高的特点,并且对不同特征的砂质滩坝沉积微相具有很好的响应。因此,在钻井岩心资料和勘探开发数据标定的基础上,通过提取能够表征滩坝砂体沉积微相特征的测井响应参数,运用统计学的方法对砂质滩坝沉积微相进行判别分析,成本低,应用价值高。
附图说明
附图1为砂体测井响应为正异常的测井系列的砂质滩坝沉积微相响应综合参数示意图;
附图2为砂体测井响应为负异常的测井系列的砂质滩坝沉积微相响应综合参数示意图;
附图3为砂质滩坝沉积微相测井识别技术流程图;
附图4为实施例滩坝沉积微相测井识别不同类型函数值交会图。
具体实施方式
本发明的具体实施方式如下:
实施例1:
以胜利油田某地区砂质滩坝沉积微相测井识别方法为例来说明该发明的具体技术方案:
第一,利用已知15口井钻井岩心资料以及油田勘探开发数据完成对滩坝砂沉积微相(坝砂-滩砂)的识别,建立井段深度-砂体厚度-沉积微相数据库(部分井数据见表1)。
第二,选取在工区内资料齐全的测井系列(SP-AC-GR-R25-COND),对每口井目的层段的测井数据进行标准化处理,利用极差正规化的方法使新数据分布在[0,1]区间内。此测井系列运用自然电位测井、声波时差测井、自然伽马测井、2.5m梯度电阻率测井、感应测井方法,通过相应的测井仪器获取SP、AC、GR、R25、COND曲线资料。
第三,选取已完成沉积微相识别井段的标准化后的测井响应最大异常幅度值(L)乘以能够反映砂体形态特征的砂体厚度值(H)计算判别滩坝沉积微相响应综合参数(S)(部分井数据见表1)。
第四,利用滩坝沉积微相响应综合参数(S)对坝砂和滩砂进行判别分析,建立判别函数(此过程在计算机上利用SPSS软件完成)。首先,利用逐步回归分析方法“剔除”已引入判别函数中的区分能力较弱、对结果作用不显著的参数SSP、SAC;其次,利用区分能力强的参数SGR、SR25、SCOND“引入”判别函数,利用Bayes判别分析的方法建立坝砂和滩砂的判别函数公式。
砂质滩坝沉积微相响应综合参数Bayes判别函数为:
F1(S)=10.208SGR-5.377SR25+5.935SCOND-17.273 (坝砂)
F2(S)=1.775SGR-2.709SR25+3.370SCOND-2.209 (滩砂)
根据计算机软件计算得出的判别指数(表2),可以看出判别指数(percent ofvariance)为100%,典型相关系数(canonical correlation)为0.793,体现分组差异明显,判别能力强(判别指数越大、典型相关系数越接近1指示越强的判别能力)。
根据Bayes判别函数对滩坝沉积微相的判别率(表3)以及不同微相类型函数值交会图(图4),52个坝砂数据点全部判别为坝砂(交会图上显示在直线F1=F2的下方),判别率为100%;415个滩砂数据点有404个数据点判别为滩砂(交会图上显示在直线F1=F2的上方),有11个数据点误判为坝砂(交会图上显示在直线F1=F2的下方),判别率为97.3%;通过交互验证法两组的判别率分别为100%、97.1%,与原始数据判别率基本一致,说明判别分析的结果比较稳定。综上所述,不同类型滩坝沉积微相Bayes判别函数的判别率均处于较高水平,说明利用沉积微相响应综合参数判别砂质滩坝沉积微相具有较高的准确性,其结果具有较高的可信度,可以利用该综合参数开展未知井的砂质滩坝沉积微相的预测识别研究。
表1某地区部分井砂质滩坝沉积微相测井识别数据库
表2某地区砂质滩坝沉积微相测井识别判别指数分析表
表3某地区滩坝沉积微相测井识别判别率
Claims (3)
1.一种基于Bayes判别分析的砂质滩坝沉积微相测井识别方法,其特征在于包括如下步骤:
步骤1:利用已知钻井岩心资料以及油田勘探开发数据完成对滩坝砂沉积微相的识别,建立井段深度-砂体厚度-沉积微相数据库;
步骤2:选取工区内资料齐全的测井系列,每口井目的层段的测井数据进行标准化处理,利用极差正规化的方法使标准化后的数据分布在[0, 1]区间内,其变换公式为:
x'ij=(xij-min xij)/(max xij -min xij) (1)
式中,x'ij为标准化后的数据;xij为原始数据;min xij为第j个测井系列观测值的最小值;
maxxij为第j个测井系列观测值的最大值;
步骤3:选取步骤2中的测井响应最大异常幅度值(L)乘以砂体厚度值(H)作为判别滩坝沉积微相响应综合参数(S);
步骤4:利用步骤3得到的滩坝沉积微相响应综合参数(S)对坝砂和滩砂进行判别分析,建立判别函数;首先,利用逐步回归分析方法“剔除”已引入判别函数中的区分能力较弱、对结果作用不显著的参数;其次,将区分能力强的参数“引入”判别函数,利用Bayes判别分析的方法建立坝砂和滩砂的Bayes判别函数公式;
步骤5:通过步骤4的判别函数对未划分滩坝沉积微相井的微相划分进行预测;首先,对未知井利用半幅点法判定砂体厚度(H);其次,利用已经标准化的所述未知井段测井响应的最大异常幅度值(L)计算滩坝沉积微相响应综合参数(S);最后,将滩坝沉积微相响应综合参数带入前期已经建立的Bayes判别函数公式中,根据函数值判别沉积微相。
2.根据权利要求1所述的基于Bayes判别分析的砂质滩坝沉积微相测井识别方法,其特征在于步骤3判别滩坝沉积微相响应综合参数(S)计算中,对于砂体测井响应为正异常的测井系列,其综合参数为测井响应极大值与厚度乘积:
Si=H×Li=H×Maxi (2)
式中, Si为测井滩坝沉积微相响应综合参数;H为砂体厚度值;Li为测井响应的最大异常幅度值;Maxi为测井响应极大值。
3.根据权利要求1所述的基于Bayes判别分析的砂质滩坝沉积微相测井识别方法,其特征在于步骤3判别滩坝沉积微相响应综合参数(S)计算中,对于砂体的测井响应为负异常的测井系列,综合参数为1-测井响应极小值再与厚度相乘:
Sj=H×Lj=H× (1-Minj) (3)
式中, Sj为测井滩坝沉积微相响应综合参数;H为砂体厚度值; Lj为测井响应的最大异常幅度值;Minj为测井响应极小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410276216.0A CN104020509B (zh) | 2014-06-20 | 2014-06-20 | 基于Bayes判别分析的砂质滩坝沉积微相测井识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410276216.0A CN104020509B (zh) | 2014-06-20 | 2014-06-20 | 基于Bayes判别分析的砂质滩坝沉积微相测井识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104020509A CN104020509A (zh) | 2014-09-03 |
CN104020509B true CN104020509B (zh) | 2016-08-24 |
Family
ID=51437364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410276216.0A Active CN104020509B (zh) | 2014-06-20 | 2014-06-20 | 基于Bayes判别分析的砂质滩坝沉积微相测井识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104020509B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105651962B (zh) * | 2014-11-10 | 2018-02-02 | 中国石油天然气股份有限公司 | 成岩相识别方法 |
CN105467463B (zh) * | 2015-08-14 | 2017-07-21 | 中国石油大学(华东) | 近岸水下扇洪水沉积单元体最大延伸距离量化预测方法 |
CN106468653B (zh) * | 2015-08-18 | 2020-03-10 | 中国石油天然气股份有限公司 | 碎屑岩沉积微相类型的判定方法 |
CN106545337A (zh) * | 2016-11-25 | 2017-03-29 | 西南石油大学 | 一种基于支持向量机的沉积微相测井识别方法 |
CN108931815B (zh) * | 2017-05-24 | 2020-11-13 | 中国石油化工股份有限公司 | 一种岩性的分级识别方法 |
CN107490807B (zh) * | 2017-09-05 | 2019-03-26 | 中国石油大港油田勘探开发研究院 | 一种碎屑岩沉积微相的判别方法 |
CN109031461A (zh) * | 2018-09-21 | 2018-12-18 | 西南石油大学 | 碳酸盐岩孔隙型油气储层定量识别方法及区域定量化方法 |
CN111352165A (zh) * | 2018-12-24 | 2020-06-30 | 核工业二0八大队 | 一种综合地球物理测井数据处理方法 |
CN109709155A (zh) * | 2018-12-28 | 2019-05-03 | 核工业二0八大队 | 一种应用视电阻测井曲线定量判别沉积相的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7054753B1 (en) * | 2003-11-14 | 2006-05-30 | Williams Ralph A | Method of locating oil and gas exploration prospects by data visualization and organization |
CN103513286A (zh) * | 2013-10-15 | 2014-01-15 | 中国石油大学(华东) | 一种地质模型约束下的滩坝结构单元判别方法 |
CN103510947A (zh) * | 2012-06-21 | 2014-01-15 | 中国石油化工股份有限公司 | 滩坝砂岩微相识别模式的建立及其在微相识别中的应用 |
-
2014
- 2014-06-20 CN CN201410276216.0A patent/CN104020509B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7054753B1 (en) * | 2003-11-14 | 2006-05-30 | Williams Ralph A | Method of locating oil and gas exploration prospects by data visualization and organization |
CN103510947A (zh) * | 2012-06-21 | 2014-01-15 | 中国石油化工股份有限公司 | 滩坝砂岩微相识别模式的建立及其在微相识别中的应用 |
CN103513286A (zh) * | 2013-10-15 | 2014-01-15 | 中国石油大学(华东) | 一种地质模型约束下的滩坝结构单元判别方法 |
Non-Patent Citations (2)
Title |
---|
常规测井资料定量解释碳酸盐岩微相;王玉玺等;《石油学报》;20131130;第34卷(第6期);第1088-1099页 * |
用Bayes判别模型识别未取芯井段沉积微相;张萌等;《成都理工学院学报》;20010731;第28卷(第3期);第273-278页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104020509A (zh) | 2014-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104020509B (zh) | 基于Bayes判别分析的砂质滩坝沉积微相测井识别方法 | |
CN101738639B (zh) | 提高岩石裂缝参数精度的方法 | |
CN110133737B (zh) | 一种隐伏矿的电磁学预测方法 | |
CN103529475A (zh) | 一种识别和解释碳酸盐岩古岩溶储层三维结构的方法 | |
CN103513286B (zh) | 一种地质模型约束下的滩坝结构单元判别方法 | |
CN105986816A (zh) | 一种用于识别页岩地层甜点的方法 | |
CN110275210A (zh) | 一种碳酸盐岩高频层序格架的沉积微相相模式的识别方法 | |
CN109085663A (zh) | 一种致密砂岩储层层理缝识别方法 | |
CN105445800A (zh) | 一种厚层砂体顶部分异岩性油藏的识别方法 | |
CN109541685B (zh) | 一种河道砂体识别方法 | |
CN105319585B (zh) | 一种利用薄层干涉振幅恢复识别油气藏的方法 | |
CN102466815A (zh) | 三叠系碎屑岩油气藏识别方法 | |
CN108072903A (zh) | 一种测井曲线重构方法 | |
CN108072915A (zh) | 一种识别碳酸盐岩颗粒滩相的方法 | |
CN107356965A (zh) | 基于加权叠加噪音压制策略的反射系数反演储层预测方法 | |
CN105158802A (zh) | 坳陷湖盆重力流沉积物测井定量识别方法 | |
CN114386464B (zh) | 一种瞬变电磁激电信息的深度学习提取方法 | |
Liu* et al. | Seismic lithofacies computation method based on deep learning | |
CN109403960B (zh) | 利用录井气测峰形态判断储层流体性质的方法 | |
CN116047590A (zh) | 一种地震相预测模型建立、地震相预测方法和装置 | |
CN106372751A (zh) | 一种相对古水深指标参数的测井预测方法 | |
CN110568493B (zh) | 一种复杂断块盆地隐蔽性断层的识别方法 | |
CN104834934B (zh) | 一种用于识别储层流体的核体俘获法 | |
CN105676288B (zh) | 一种基于反射系数分析的砂体叠置关系判别方法 | |
CN117075221A (zh) | 基于地震弹性属性、电阻率和极化率联合的储层流体识别方法 |
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 |