CN105044775B - 一种地震流体反演识别方法和装置 - Google Patents
一种地震流体反演识别方法和装置 Download PDFInfo
- Publication number
- CN105044775B CN105044775B CN201510581489.0A CN201510581489A CN105044775B CN 105044775 B CN105044775 B CN 105044775B CN 201510581489 A CN201510581489 A CN 201510581489A CN 105044775 B CN105044775 B CN 105044775B
- Authority
- CN
- China
- Prior art keywords
- model
- dimensional
- reservoir
- high water
- water cut
- 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
Abstract
本发明公开了一种地震流体反演识别的方法和装置。该方法首先构建储层的三维岩石物理相模型,并在三维岩石物理相模型的约束下,建立地震反演初始模型。进而,利用不同角度的地震数据实现叠前地震反演,从而完成对储层流体的反演识别。本发明提出的基于储层岩石物理相约束的地震流体识别方法在反演中考虑了储层岩石物理相的先验约束,反演得到的流体展布符合地质先验认识,使得流体预测结果具有地质意义。
Description
技术领域
本申请涉及石油勘探领域,更具体地说,涉及一种地震流体反演识别方法和装置。
背景技术
地震流体反演识别,即利用地震资料对储层含流体特征进行识别与描述,即将与孔隙流体有关的异常特性表征为流体因子,利用地震资料实现流体因子反演并指导流体识别的过程。流体因子最早定义为由纵横波速度相对变化量的权差运算构成的一种参数。随着流体因子在储层预测中的推广应用,流体因子这一概念已不单指某种特定的参数,而是被赋予更为宽泛的含义,即:对某研究工区而言,能够对储层孔隙流体类型进行有效区分的参数都可以称为“流体因子”,因此对于不同工区,流体因子既有共性也有较大差异,需通过流体因子敏感性分析开展统计分析。
现有基于叠前反演的地震流体识别方法主要利用地震信息,在测井及层位约束下开展流体因子反演,缺少地质信息的考虑,反演结果对地质先验认识考虑较少,导致流体预测结果缺少地质意义。
发明内容
有鉴于此,本申请提供一种地震流体反演识别方法和装置,在储层岩石物理相约束下实现流体因子叠前地震反演,使得流体预测结果具有地质意义。
为了实现上述目的,现提出的方案如下:
一种地震流体反演识别方法,包括:
建立三维储层岩石物理相模型;
在所述三维储层岩石物理相模型的约束下,建立地震反演初始模型;
根据不同角度的地震数据,利用所述地震反演初始模型实现对储层流体的反演识别。
优选的,所述构建三维储层岩石物理相模型包括:
构建储层的三维沉积相模型;
在所述三维沉积相模型的约束下,基于预先构建的多个单井储层岩石物理相模型,建立三维储层岩石物理相模型。
优选的,所述构建储层的三维沉积相模型,包括:
获取地震解释信息和地质分层信息;
根据所述地震解释信息和所述地质分层信息构建三维构造模型;
基于所述三维构造模型,建立三维沉积相模型。
优选的,所述在所述三维沉积相模型的约束下,基于预先构建多个单井储层岩石物理相模型,建立三维储层岩石物理相模型之前,还包括:根据测井解释数据,构建多个单井储层岩石物理相模型。
优选的,所述构建储层的三维沉积相模型包括:利用序贯高斯模拟技术建立所述三维储层岩石物理相模型。
优选的,所述构建多个单井储层岩石物理相模型包括:基于神经网络的聚类分析技术构建多个单井储层岩石物理相模型。
优选的,所述在所述三维沉积相模型的约束下,基于预先构建的多个单井储层岩石物理相模型,建立三维储层岩石物理相模型,包括:
采用序贯高斯模拟技术在所述三维沉积相模型的约束下,基于预先构建的多个单井储层岩石物理相模型,建立三维储层岩石物理相模型。
优选的,所述地震反演初始模型为储层岩石物理相约束下建立的不同角度弹性阻抗初始模型。
一种地震流体反演识别装置,包括:
三维储层岩石物理相构建单元,用于构建三维储层岩石物理相模型;
地震反演初始模型构建单元,用于在所述三维储层岩石物理相模型的约束下,建立地震反演初始模型;
地震流体反演识别单元,用于根据不同角度的地震数据,利用所述地震反演模型实现对储层流体的反演识别。
优选的,所述三维储层岩石物理相模型构建单元包括:
三维沉积相模型构建子单元,用于构建储层的三维沉积相模型;
三维储层岩石物理相模型构建子单元,用于在所述三维沉积相模型的约束下,基于预先构建的多个单井储层岩石物理相模型,建立三维储层岩石物理相模型。
经由上述技术方案可知,本发明公开了一种地震流体反演识别方法和装置。该方法首先构建储层的三维岩石物理相模型,并在三维岩石物理相模型的约束下,建立地震反演初始模型。进而,利用不同角度的地震数据实现流体因子叠前地震反演,从而完成对储层流体的反演识别。由于储层岩石物理相分析是储层综合评价方法,主要表征沉积作用、成岩作用和后期构造作用对储层影响的综合效应,储层岩石物理相作为油藏描述系统工程的一个重要内容,对预测有利油气富集部位、剩余油气富集区有着重要的指导意义。因而本发明提出的基于储层岩石物理相约束的地震流体识别方法在反演中考虑了储层岩石物理相的先验约束,反演得到的流体展布符合地质先验认识,使得流体预测结果具有地质意义。。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1示出了本发明一个实施例公开的一种地震流体反演识别方法的流程示意图;
图2示出了本发明另一个实施例公开的一种地震流体反演识别装置的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1示出了本发明一个实施例公开的一种地震流体反演识别方法的流程示意图。
在本实施例中,该方法包括:
S101:建立三维储层岩石物理相模型。
可选的,可通过以下方式构建储层的三维物理相模型。
A:获取地震解释信息和地质分层信息,将所获取的地震解释信息和地质分层信息作为输入数据,建立储层的层面模型及断层模型。层面模型和断层模型建立后即得到了储层的构造模型,在构造模型的基础上建立储层的三维沉积相模型。
可选的,该三维沉积相模型可以由随机模拟技术或确定性模拟技术方法得到。其中,三维沉积相模型的随机建模方法主要有截断高斯、标点过程、指示模拟、序贯高斯模拟等。如果工区井网很密且单井资料丰富,则可以利用确定性建模的方法模拟储层的三维沉积相模型。在确定性建模方法中,三维沉积模式的建立主要通过取心井岩心的观测和分析工区的沉积特征,利用自然电位或自然伽马测井曲线在各沉积相中不同的响应特征,定量统计砂体走向和同沉积砂体的厚度等参数,建立工区的沉积相一维井模型,然后,数字化校正后的沉积相平面图,利用赋值法进行确定性三维沉积相建模。
B:构建多个单井储层岩石物理相模型。
目前研究岩石物理相的方法主要有叠加法、加权平均法、对应分析法、主因素分析法。
叠加法是指将沉积微相、成岩相、裂缝相平面图进行叠加,以其交集作为岩石物理相分类依据。加权平均法是根据选定的综合评判函数来计算岩石物理相类型(PF),根据PF进行岩石物理相划分。对应分析法和主因素分析法是多元统计范畴内的相关分析方法,加强了对多元信息的提取,但实现步骤繁琐,可操作性差。为此,本研究采用基于神经网络的聚类分析技术来进行储层岩石物理相的划分。神经网络(Neural Networks,NN)是通过模拟人的大脑处理机制的生理功能,由大量的、简单的处理单元(或称神经元)广泛互连形成的复杂网络系统,具有大规模并行、分布式存储和处理、自组织、自适应和自学习的能力,特别适用于处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题,目前已广泛应用与语音识别、图形识别与理解、计算机视觉、智能机器人、故障检测等领域中。由于神经网络具有鲁棒性强、可去除噪声等优点,将神经网络用于聚类问题有望解决传统聚类问题中的噪声问题。神经网络的基本结构分为输出层、处理层和输出层三部分。输入层从外界环境接收数据及相关函数等外部信息,处理层由处理节点通过不同权值而复杂互联,从而对输入层传输的数据进行复杂的加权处理,最后由输出层得到处理结果。在聚类问题中,可以将要聚类的样本作为输入数据到达输入层,然后经过处理层对样本进行复杂的加权求值,然后在输出层输出聚类的结果,从而达到聚类的目的。由于神经网络具有鲁棒性强、可去除噪声的优点,所以不会把极个别噪声数据单独聚为一类,从而有效地避免了噪声数据对于聚类结果的影响。如果对于潜在的岩石物理机制的关系不了解的话,神经网络技术是学习和评估岩石属性之间关系的一个方法。聚类分析将能够确定最佳的与这些关系相吻合的非线性函数。一旦这种非线性函数关系确定,就可以用于预测所期望的属性值。目标工区采用测井解释结果孔隙度,渗透率,泥质含量,粒度中值及流动带指标值等进行储层岩石物理相聚类分析,分为三类。其中泥质含量和粒度中值主要反映储层的岩石相特征,孔隙度、渗透率反映储层的物性特征。而流动带指标值则反映储层的微观孔隙结果特征。
C:采用序贯高斯模拟方法在沉积相约束下,基于多个单井储层岩石物理相模型建立的目标储层岩石物理相模型。
序贯高斯模拟是一种应用广泛的变量模拟方法。高斯随机域是最经典的随机函数,该模型的最大特征是随机变量符合高斯分布(正态分布)。因此在序贯高斯模拟中,首先将条件数据转化为标准高斯值,对转换后数据的变差函数进行随机模拟,然后将高斯模拟结果转化为原始数据空间,得到参数的连续空间分布。
S102:在所述三维储层岩石物理相模型的约束下,建立地震反演初始模型。
S103:根据不同角度的地震数据,利用所述地震反演初始模型实现对地震流体的反演识别。
可选的,本发明采用基于贝叶斯理论的地震弹性阻抗反演策略进行储层岩石物理相约束下流体因子估计。贝叶斯估计由带噪声的不同角度叠加地震数据d估计弹性阻抗反射系数m。假设地震资料背景噪声服从高斯分布,则似然函数为:
其中:p(d|m)为似然函数;σn 2为噪声方差;G为子波矩阵;T表示矩阵的转置。
假设待估计参数服从Cauchy分布
其中:M为采样点个数,为模型参数方差,由贝叶斯公式可得参数后验概率分布为
其中I表示地震数据发生概率,在地震数据确定的情况下一般取常数,将上式带入边缘化公式,取对数后最大化后验概率分布得到目标函数为
再通过对待反演参数求导最小化目标函数,可得
令目标函数导数等于零,得到初步反演方程为
上式表明,由GTG项约束反演可得到反射系数和地震子波的褶积与实际地震记录之间的相近程度。令称为Cauchy分布因子,λCQ为Cauchy约束,用来约束待反演参数的稀疏程度。
上述反演输出为不同角度反射系数,是相对值,需加模型约束来获得弹性阻抗值。
设EI(θ)为弹性阻抗,若R(θ)为θ角入射时的反射系数,在小反射系数情况下,有
上式对时间积分,可以得到相对波阻抗
式中EI(θ,t0)为θ角入射时初始弹性阻抗值。弹性阻抗初始模型可以在储层岩石物理相基础上进一步利用序贯高斯模拟方法得到。将在储层岩石物理相约束建立的弹性阻抗加入初始目标函数约束,用来控制反演结果的准确性和稳定性,最优化可得最终反演方程为
(GTG+λcQ+λePTP)m=(GTd+PTη)
其中:λe为约束系数。求解该方程即可得到该角度下弹性阻抗值。
本发明采用流体体积模量Kf作为流体因子,不同角度弹性阻抗与Kf之间的关系为:
其中,μm为岩石骨架的剪切模量。该方程建立了地震纵波反射系数与流体体积模量、骨架剪切模量、密度及孔隙度与Biot系数的平方的比间的直接关系。通过井旁弹性阻抗和测井数据回归计算得到系数,再将反演得到的不同角度的弹性阻抗数据体带入上,即可求得的流体体积模量参数。
由以上实施例可知,本发明公开了一种基于储层岩石物理相约束的地震流体反演识别方法。该方法首先构建储层的三维岩石物理相模型,并在三维岩石物理相模型的约束下,建立地震反演初始模型。进而,利用不同角度的地震数据实现流体因子叠前地震反演,从而完成对储层流体的反演识别。由于储层岩石物理相分析是储层综合评价方法,主要表征沉积作用、成岩作用和后期构造作用对储层影响的综合效应,储层岩石物理相作为油藏描述系统工程的一个重要内容,对预测有利油气富集部位、剩余油气富集区有着重要的指导意义。因而本发明提出的基于储层岩石物理相约束的地震流体识别方法在反演中考虑储层岩石物理相的先验约束,使得反演得到的流体展布符合地质先验认识。
参见图2示出了本发明另一个实施例公开的一种地震流体反演识别装置的结果示意图。
由图2可知,该装置包括:三维岩石物理相模型构建单元1、地震反演初始模型构建单元2以及地震流体反演识别单元3。
其中,三维储层岩石物理相构建单元用于构建三维储层岩石物理相模型。地震反演初始模型构建单元在所述三维储层岩石物理相模型的约束下,建立地震反演初始模型。进而,地震流体反演识别单元根据不同角度的地震数据,利用所述地震反演模型实现对地震流体的反演识别。
需要说明的是,在装置实施例中各个单元的具体执行过程与方法实施例中的执行过程相同,在此不作赘述。
可选的,在本发明公开的其他装置实施例中,所述三维储层岩石物理相模型构建单元包括:三维沉积相模型构建子单元和三维储层岩石物理相模型构建子单元。
其中,三维沉积相模型构建子单元用于构建储层的三维沉积相模型。进而,三维储层岩石物理相模型构建子单元,用于在所述三维沉积相模型的约束下,基于预先构建的多个单井储层岩石物理相模型,建立三维储层岩石物理相模型。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种地震流体反演识别方法,其特征在于,包括:
建立三维储层岩石物理相模型;
在所述三维储层岩石物理相模型的约束下,建立地震反演初始模型;
根据不同角度的地震数据,利用所述地震反演初始模型实现对储层流体的反演识别;
其中,所述建立三维储层岩石物理相模型包括:
获取地震解释信息和地质分层信息;
根据所述地震解释信息和所述地质分层信息构建三维构造模型;
基于所述三维构造模型,建立三维沉积相模型;
在所述三维沉积相模型的约束下,基于预先构建的多个单井储层岩石物理相模型,建立三维储层岩石物理相模型。
2.根据权利要求1所述的方法,其特征在于,所述在所述三维沉积相模型的约束下,基于预先构建的多个单井储层岩石物理相模型,建立三维储层岩石物理相模型之前,还包括:根据测井解释数据,构建多个单井储层岩石物理相模型。
3.根据权利要求1所述的方法,其特征在于,构建储层的三维沉积相模型包括:利用序贯高斯模拟技术建立所述三维沉积相模型。
4.根据权利要求2所述的方法,其特征在于,所述构建多个单井储层岩石物理相模型包括:基于神经网络的聚类分析技术构建多个单井储层岩石物理相模型。
5.根据权利要求1所述的方法,其特征在于,所述在所述三维沉积相模型的约束下,基于预先构建的多个单井储层岩石物理相模型,建立三维储层岩石物理相模型,包括:
采用序贯高斯模拟技术在所述三维沉积相模型的约束下,基于预先构建的多个单井储层岩石物理相模型,建立三维储层岩石物理相模型。
6.根据权利要求1所述的方法,其特征在于,所述地震反演初始模型为储层岩石物理相约束下建立的不同角度弹性阻抗初始模型。
7.一种地震流体反演识别装置,其特征在于,包括:
三维储层岩石物理相模型构建单元,用于构建三维储层岩石物理相模型;
地震反演初始模型构建单元,用于在所述三维储层岩石物理相模型的约束下,建立地震反演初始模型;
地震流体反演识别单元,用于根据不同角度的地震数据,利用所述地震反演初始模型实现对储层流体的反演识别;
其中,所述三维储层岩石物理相模型构建单元包括:
三维沉积相模型构建子单元,用于构建储层的三维沉积相模型;
三维储层岩石物理相模型构建子单元,用于在所述三维沉积相模型的约束下,基于预先构建的多个单井储层岩石物理相模型,建立三维储层岩石物理相模型;
其中,所述三维沉积相模型构建子单元具体用于:
获取地震解释信息和地质分层信息;
根据所述地震解释信息和所述地质分层信息构建三维构造模型;
基于所述三维构造模型,建立三维沉积相模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510581489.0A CN105044775B (zh) | 2015-09-14 | 2015-09-14 | 一种地震流体反演识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510581489.0A CN105044775B (zh) | 2015-09-14 | 2015-09-14 | 一种地震流体反演识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105044775A CN105044775A (zh) | 2015-11-11 |
CN105044775B true CN105044775B (zh) | 2018-09-07 |
Family
ID=54451446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510581489.0A Active CN105044775B (zh) | 2015-09-14 | 2015-09-14 | 一种地震流体反演识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105044775B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107894619B (zh) * | 2017-10-23 | 2019-06-07 | 中国石油化工股份有限公司华北油气分公司勘探开发研究院 | 基于高斯分布及流体替换的三维地震识别流体界面的方法 |
CN108868720A (zh) * | 2018-07-16 | 2018-11-23 | 中海石油(中国)有限公司 | 一种sagd注汽井趾端蒸汽沿井筒方向外溢的判断方法 |
CN110895348B (zh) * | 2019-12-20 | 2022-04-08 | 岭南师范学院 | 一种地震弹性阻抗低频信息提取方法、系统及存储介质 |
CN111077568B (zh) * | 2019-12-20 | 2021-04-23 | 中国石油大学(北京) | 致密油气储层流体因子检测油气储层的方法及设备 |
CN111474576B (zh) * | 2020-04-21 | 2022-10-21 | 中海石油(中国)有限公司 | 一种保持地层结构的叠前地震道集反演初始模型构建方法 |
CN112987126A (zh) * | 2021-03-12 | 2021-06-18 | 中国石油大学(华东) | 一种岩石物理相的地球物理预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9405026B2 (en) * | 2011-12-12 | 2016-08-02 | Exxonmobil Upstream Research Company | Estimation of production sweep efficiency utilizing geophysical data |
CN104297785B (zh) * | 2014-09-29 | 2017-06-13 | 中国石油天然气股份有限公司 | 岩相约束储层物性参数反演方法及装置 |
-
2015
- 2015-09-14 CN CN201510581489.0A patent/CN105044775B/zh active Active
Non-Patent Citations (2)
Title |
---|
岩石物理驱动下地震流体识别研究;印兴耀等;《中国科学: 地球科学》;20141222;第45卷(第1期);第8—10、14页 * |
砂砾岩储层测井评价方法研究;张孝珍;《中国优秀硕士学位论文全文数据库 基础科学辑》;20100315(第03期);第26—29、52、53页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105044775A (zh) | 2015-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105044775B (zh) | 一种地震流体反演识别方法和装置 | |
Zhou et al. | A pattern‐search‐based inverse method | |
CN106291701B (zh) | 储层检测方法及装置 | |
CN109799533A (zh) | 一种基于双向循环神经网络的储层预测方法 | |
El Ouahed et al. | Application of artificial intelligence to characterize naturally fractured zones in Hassi Messaoud Oil Field, Algeria | |
CN105259572B (zh) | 基于地震多属性参数非线性自动分类的地震相计算方法 | |
CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
US10359529B2 (en) | Singularity spectrum analysis of microseismic data | |
CN106886043B (zh) | 基于地震数据深度学习的储层检测方法 | |
AU2014101594A4 (en) | System and method for computational geology | |
CN107942404B (zh) | 一种确定裂缝的方法及装置 | |
CN105205239A (zh) | 一种储层物性参数建模方法和装置 | |
Mahjour et al. | Developing a workflow to represent fractured carbonate reservoirs for simulation models under uncertainties based on flow unit concept | |
CN111766635A (zh) | 砂体连通程度分析方法和系统 | |
Hatampour et al. | Hydraulic flow units' estimation from seismic data using artificial intelligence systems, an example from a gas reservoir in the Persian Gulf | |
Chaikine et al. | A new machine learning procedure to generate highly accurate synthetic shear sonic logs in unconventional reservoirs | |
Bohling et al. | An integrated application of neural network and Markov chain techniques to the prediction of lithofacies from well logs: Kansas Geological Survey Open-File Report 2003-50, 6 p | |
WO2016115437A1 (en) | Approaches to tying well logs to seismic data | |
CN105589096B (zh) | 一种基于d-s证据理论的沉积相带划分方法 | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
Bauer et al. | Neural network analysis of crosshole tomographic images: The seismic signature of gas hydrate bearing sediments in the Mackenzie Delta (NW Canada) | |
Malvić et al. | Neural networks in petroleum geology as interpretation tools | |
Fattahi et al. | Hybrid ANFIS with ant colony optimization algorithm for prediction of shear wave velocity from a carbonate reservoir in Iran | |
CN103901475A (zh) | 一种属性等值线图绘制方法及装置 | |
Kakouei et al. | Lithological facies identification in Iranian largest gas field: A comparative study of neural network 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |