CN105572747B - 一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法 - Google Patents
一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法 Download PDFInfo
- Publication number
- CN105572747B CN105572747B CN201510932108.9A CN201510932108A CN105572747B CN 105572747 B CN105572747 B CN 105572747B CN 201510932108 A CN201510932108 A CN 201510932108A CN 105572747 B CN105572747 B CN 105572747B
- Authority
- CN
- China
- Prior art keywords
- lithology
- function
- identification
- discrimination
- class
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法,统计已知岩性的岩心分析化验资料并将岩性分类,选取对岩性反映比较敏感的n个测井参数;基于数理统计原理,建立不同岩性识别方程,再将单井未取心段测井数据体分别代入各类岩性识别方程,根据识别准则,识别方程中函数值最大者则为相应岩性的概率最高,该岩性则确定为相应的岩性。通过拟合综合判别曲线识别高盐富钾区注水开发油藏碎屑岩岩性,实现对多类岩性的准确判别,可建立连续的地层岩性剖面,自检符合率达90%,识别效果较好,对类似地区岩性识别具有一定的借鉴意义。
Description
技术领域
本发明属于储层评价技术领域,涉及一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法。
背景技术
测井岩性识别是准确求取储层参数,进行储层评价工作的基础和关键。注水开发油藏碎屑岩岩性一般通过自然电位(SP)、自然伽马(GR)、声波时差(AC)、密度(DEN)和电阻率(RT)等测井资料进行识别。
常规的识别方法主要包括交会图法、神经网络法和曲线重叠法等,但在高盐富钾地区存在识别率低,不能连续识别地层岩性的缺陷。滩海地区地质条件复杂,且具有高盐富钾的特点,盐水泥浆基液使得自然电位反向出现正异常,电阻率值比正常情况下降低从而无法真实反映原状地层特性;地层中存在高钾矿物,又使得自然伽马曲线识别精度降低。因此单条测井曲线不能有效反映碎屑岩岩性特征,常规方法也无法准确区分不同类岩性。
为了更好地识别高盐富钾区注水开发油藏碎屑岩岩性并开展后续储层评价工作,放大和提取各类测井参数的差异,综合多参数多资料进行岩性识别就变得非常有意义。
发明内容
本发明的目的是提供一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法,基于数理统计原理,建立岩性识别方程,构建差值识别函数,拟合岩性识别综合曲线,达到准确识别高盐富钾区注水开发油藏碎屑岩岩性的目的。
本发明所采用的技术方案是,一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法,按照以下步骤进行:
步骤1,统计已知岩性的岩心分析化验资料并将岩性分类;采用数理统计方法,剔除非相关变量,选取对岩性反映比较敏感的n个测井参数;
步骤2,基于数理统计原理,建立岩性识别权重函数F,计算出的权重函数根据n个测井参数对岩性的贡献率赋予不同的函数特征值,提取与各组有最大可能多重相关的、函数特征值最大的两个权重函数,即第一权重函数和第二权重函数:
F1=a00+a01·x1+…+a0n·xn (1)
F2=a10+a11·x1+…+a1n·xn (2)
其中,F1、F2为第一和第二权重函数;x1,x2…xn为选取的n个测井参数变量;a00,a01…a0n和a10,a20…a1n分别对应两个权重函数的判别系数;
步骤3,将给出的第一权重函数和第二权重函数用于计算各样品在降维后空间坐标系中的坐标值,然后计算出各类别在低维空间中的中心坐标,根据各样品点距离各类别重心的距离构造出每种岩性的识别函数,即:
fi(X)=bi0+bi1·x1+…+bin·xn (3)
其中,fi为第i类岩性识别函数;bi0,bi1…bin为第i类岩性识别函数的判别系数;
步骤4,对于两种岩性的判别,将砂岩岩性识别函数减去泥岩岩性识别函数,得出差值识别函数,该函数即为两种岩性的综合识别曲线,记为P(X);即:
P(X)=Δf=f砂-f泥=Δb0+Δb1·x1+…+Δbn·xn (4)
其中,P(X)为两种岩性的综合识别曲线;f砂为砂岩岩性识别函数,f泥为泥岩岩性识别函数;x1,x2…xn为选取的n个测井参数变量;Δb0,Δb1…Δbn为两种岩性综合识别曲线的判别系数;
把待判测井数据体的观测值X=(x(1)x(2)…x(n))代入上述差值识别函数计算出岩性综合识别曲线值P(X),若P(X)≥0则为砂岩岩性,相反综合曲线值P(X)≤0则为泥岩岩性;
步骤5,对于M类岩性的判别,把样品的观测值X=(x(1)x(2)…x(n))代入式(3)中,分别求得f1(x),f2(x)…fM(x),取最大值记为fg(x)=max{fi(x)},1≤i≤M;由判别准则知,岩性识别函数值大为相应岩性的概率高,则认为待判测井数据体X∈fg(x)对应的岩性所属类型,同时岩性综合识别曲线Q(X)赋值为m;对M类不同岩性识别结果赋值,从而拟合出M类岩性的综合识别曲线Q(X);即:
其中,Q(X)为M类岩性的综合识别曲线;f1(x),f2(x)…fM(x)为M类岩性识别函数;fg(x)为代入待判数据体后M类岩性识别函数的最大值;m1,m2…mi为M类岩性综合识别曲线赋值,mi的赋值区间为-M≤mi≤M。
进一步的,所述步骤1中,n个测井参数包括自然电位SP、自然伽马GR、声波时差AC、岩性密度DEN、电阻率RT。
本发明的有益效果是克服常规岩性识别方法的不足,提供一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法,即充分利用测井、岩心分析化验等资料,以数理统计原理为基础,建立岩性识别函数,并拟合单井岩性识别综合曲线,利用该曲线识别岩性效果较好,自检符合率高达90%。本发明能很好地考虑多种测井参数,进而拟合出一条准确的岩性综合识别曲线,计算结果合理且准确率高,实现对高盐富钾区注水开发油藏全井段碎屑岩岩性的连续判别,可为类似地区的岩性识别提供借鉴。
附图说明
图1是本发明实施例中研究区两种岩性的综合识别曲线。
图2是本发明实施例中研究区四种岩性的综合识别曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法,具体按照以下步骤进行:
步骤1,统计已知岩性的岩心分析化验资料并将岩性分类。采用数理统计方法,剔除非相关变量,选取对岩性反映比较敏感的n个测井参数(自然电位(SP)、自然伽马(GR)、声波时差(AC)、岩性密度(DEN)、电阻率(RT)…);
步骤2,基于数理统计原理,建立岩性识别权重函数F(包括F1、F2、F3…),计算出的权重函数可以根据n个测井参数对岩性的贡献率赋予不同的函数特征值,提取与各组有最大可能多重相关的、函数特征值最大的两个权重函数,即第一权重函数和第二权重函数:
F1=a00+a01·x1+…+a0n·xn (1)
F2=a10+a11·x1+…+a1n·xn (2)
其中,F1、F2为第一和第二权重函数;x1,x2…xn为选取的n个测井参数变量;a00,a01…a0n和a10,a20…a1n分别对应两个权重函数的判别系数。
步骤3,将给出的第一权重函数和第二权重函数用于计算各样品在降维后空间坐标系中的坐标值,然后计算出各类别在低维空间中的中心坐标,根据各样品点距离各类别重心的距离构造出每种岩性的识别函数,即:
fi(X)=bi0+bi1·x1+…+bin·xn (3)
其中,fi为第i类岩性识别函数;x1,x2…xn为选取的n个测井参数变量;bi0,bi1…bin为第i类岩性识别函数的判别系数。
步骤4,对于两种岩性的判别,将砂岩岩性识别函数减去泥岩岩性识别函数,得
出差值识别函数,该函数即为两种岩性的综合识别曲线,记为P(X);即:
P(X)=Δf=f砂-f泥=Δb0+Δb1·x1+…+Δbn·xn (4)
其中,P(X)为两种岩性的综合识别曲线;f砂为砂岩岩性识别函数,f泥为泥岩岩性识别函数;x1,x2…xn为选取的n个测井参数变量;Δb0,Δb1…Δbn为两种岩性综合识别曲线的判别系数。
把待判测井数据体的观测值X=(x(1)x(2)…x(n))代入上述差值识别函数计算出岩性综合识别曲线值P(X),若P(X)≥0则为砂岩岩性,相反综合曲线值P(X)≤0则为泥岩岩性。
步骤5,对于M类岩性的判别,把样品的观测值X=(x(1)x(2)…x(n))代入式(3)中,分别求得f1(x),f2(x)…fM(x),取最大值记为fg(x)=max{fi(x)}(1≤i≤M)。由判别准则知,岩性识别函数值大为相应岩性的概率高,则认为待判测井数据体X∈fg(x)对应的岩性所属类型,同时岩性综合识别曲线Q(X)赋值为m。对M类不同岩性识别结果赋值,从而拟合出M类岩性的综合识别曲线Q(X);即:
其中,Q(X)为M类岩性的综合识别曲线;f1(x),f2(x)…fM(x)为M类岩性识别函数;fg(x)为代入待判数据体后M类岩性识别函数的最大值;m1,m2…mi为M类岩性综合识别曲线赋值(备注:mi的赋值区间一般为-M≤mi≤M,也可根据研究需要调整)。
步骤2中,当函数特征值不能满足研究所需时,需要对原始数据进行修正。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
某研究区地处滩海,地表和地下条件复杂,具有高盐富钾的特点且基本为盐水泥浆基液钻井,单条测井曲线岩性识别效果较差,导致岩性难以区分,因此考虑放大和提取各类测井参数的差异,综合多测井参数拟合一条曲线进行岩性识别分析。在剔除异常值后,对岩性比较敏感的测井数据选取自然电位(SP)、自然伽马(GR)、声波时差(AC)、密度(DEN)和电阻率(RT)5种。
采用以下方法识别上述地区岩性,包括以下步骤:
(1)统计已知岩性的岩心分析化验和井壁取心资料,按照“先分大类、再细分小类”的思路,将岩石类型依次分类。运用数理统计原理,选取了对岩性反应比较敏感的5种测井数据(自然电位(SP)、自然伽马(GR)、声波时差(AC)、岩性密度(DEN)和电阻率(RT));
在步骤(1)中,更具体的包括以下过程:通过统计分析,首先将研究区储层岩性分为砂岩和泥岩两大类,再分为砂砾岩、砂岩、粉砂岩和泥岩四小类;
两类岩性的5种测井响应参数值如下所示:
四类岩性的5种测井响应参数值如下所示:
(2)基于数理统计原理,进行数理统计分析,建立岩性识别权重函数F(F1、F2、F3…),计算出的权重函数可以根据n个测井参数对岩性的贡献率赋予不同的函数特征值,提取与各组有最大可能多重相关的、函数特征值最大的两个权重函数,即第一权重函数和第二权重函数,其特征值贡献率分别为86.54%和11.32%,累计贡献率达到97.86%。
在步骤(2)中,更具体的,特征值λ等于权重函数值组间平方和与组内平方和之比,典型相关系数u等于组间平方和与组内平方和之比的平方根。值越大表明权重函数贡献率越高。
权重函数特征值表如下所示:
特征值λ1=6.238,λ2=0.877,在满足标准化的情况下求解λ1和λ2所对应的特征向量a1和a2,即对应权重函数不同变量的系数,如下所示:
第一权重函数为:
F1=-0.058×SP+0.114×GR+0.029×AC-4.196×DEN-0.012×RT-5.945
第二权重函数为:
F2=0.103×SP+0.041×GR-0.029×AC+9.028×DEN-0.003×RT-27.166
其中,SP为自然电位值,mv;GR为自然伽马值,API;DEN为密度,g/cm3;RT为电阻率,Ω·m;AC为声波时差,μs/m;F1和F2为权重函数,无量纲。
(3)将给出的第一权重函数和第二权重函数用于计算各岩石样品在降维后空间坐标系中的坐标值,然后计算出各类别在低维空间中的中心坐标,根据各岩石样品点距离各类别重心的距离构造出每种岩性的识别函数。
在步骤(3)中,更具体的,由公式计算四类岩性样本数据各组的重心(其中,为重心坐标;u为步骤(2)中的典型相关系数;为第i类样本的平均值;为四类样本的总平均值)。由此得出各类别在低维空间中的重心坐标如下表所示:
经权重函数F1和F2降维后得到新的测井参数样本向量,根据最小平方误差准则函数的梯度下降算法,由公式(i=1,2,3,4)计算产生的分类函数的系数,从而得到各类别岩性识别函数公式(3)。
其中,为第i类样本平均值的转置向量;Sp为联合组内协方差阵;x=(x1,x2,x3,x4)T;pi为各类总体的先验概率,一般给每类分配0.25的先验概率,即p1=p2=p3=p4=0.25。
两种岩性识别函数为:
砂岩:f砂=2.974×SP-1.714×GR+4.713×AC+759.672×DEN+0.198×RT-1487
泥岩:f泥=2.671×SP-1.210×GR+4.789×AC+707.330×DEN+0.170×RT-1429
四种岩性识别函数为:
砂砾岩:f1=4.117×SP+0.676×GR+4.154×AC+1061×DEN-0.181×RT-1956
砂岩:f2=4.351×SP+0.704×GR+4.074×AC+1081×DEN-0.184×RT-2006
粉砂岩:f3=4.000×SP+1.031×GR+4.112×AC+1051×DEN-0.256×RT-1956
泥岩:f4=3.834×SP+1.624×GR+4.359×AC+1044×DEN-0.267×RT-2079
式中SP—自然电位值,mv;
GR—自然伽马值,API;
DEN—密度,g/cm3;
AC—声波时差,μs/m;
RT—电阻率,Ω·m;
(4)拟合单井岩性识别综合曲线
对于两种岩性,将砂岩岩性识别函数减去泥岩岩性识别函数,得出差值识别函数,定义为:
P(x)=Δf=f砂-f泥=Δb0+Δb1·x1+…+Δbn·xn;
更具体地,将步骤(3)中得到的f砂和f泥函数方程代入上式,即得出研究区砂泥岩识别综合函数模型P(X)为:
P(x)=△f=0.303×SP-0.504×GR-0.076×AC+52.342×DEN+0.028×RT-58
其中,SP为自然电位值,mv;GR为自然伽马值,API;DEN为密度,g/cm3;RT为电阻率,Ω·m;AC为声波时差,μs/m。
对于四种岩性的判别,把样品的观测值X=(x(1)x(2)…x(5))代入步骤(3)得到的四种岩性识别函数中,取最大值记为fg(x),判别函数值大为相应岩性的概率高,则认为X∈fg(x)对应的岩性所属类型。对不同岩性判别结果赋值,若判断为泥岩,综合曲线Q(X)值记为-2,粉砂岩Q(X)值记为-1,砂岩Q(X)值记为1,砂砾岩Q(X)值记为2,从而拟合出识别四种岩性的直方曲线Q(X)。
(5)全井段岩性连续识别
两种岩性下,把未取心段测井数据体代入上述差值识别函数P(x)中计算出综合曲线值P,即岩性识别综合曲线,若P(x)≥0则为砂岩岩性,相反综合曲线值P(x)≤0则为泥岩岩性;
更具体地,通过将待判测井数据体代入两种岩性的综合识别曲线P(x)中(进行计算,并进行岩性识别,得出两种岩性判别分析结果:
四种岩性下,把未取心段测井数据体代入步骤(4)中四种岩性的综合识别曲线Q(X)中,得岩性识别综合曲线值Q,若Q=-2则为泥岩岩性,Q=-1为粉砂岩岩性,Q=1为砂岩岩性,Q=2为砂砾岩岩性。
更具体地,通过将待判测井数据体代入四种岩性的综合识别曲线Q(X)中,对全井段岩心进行岩性的连续识别,得出四种岩性判别分析结果:
(6)岩性识别效果检验:检验方式主要有两种,一种是可以通过自身验证矩阵对原岩石样品数据进行回判检验;第二种利用岩性识别综合曲线对目的层位全井段岩性进行判别,并与岩心分析、录井资料及测井解释等结果进行对比检验。
在步骤(6)中,更具体地,通过自身验证矩阵对两种岩性判别分析的原162个岩石样品数据进行回判检验,结果显示:砂岩的符合率为98.1%,泥岩的符合率为100%,其整体符合率达到了98.2%。
两类岩性的自身验证矩阵如下所示:
通过自身验证矩阵对四种岩性判别分析的原86个样品数据进行回判检验,结果显示:砂砾岩的符合率为100%,砂岩的符合率为79.5%,粉砂岩的符合率为88.9%,泥岩的符合率为100%,其整体符合率达到了89.5%。没有完全相符的岩性识别结论也基本被预测为与其相邻的岩性,如粉砂岩中不相符的样品被判断为砂岩,砂岩中不相符的样品被判断为砂砾岩和粉砂岩。预测岩性的测井响应特性与邻近岩性的相近或相似。
四类岩性的自身验证矩阵如下所示:
岩性识别综合曲线的不同值也可以在某种程度上定量地反映出碎屑岩中砂岩与泥岩含量的百分比。根据综合判别分析后的结果,对目的层位全井段岩性进行判别,并与岩心分析、录井资料及测井解释等结果进行对比检验。
附图1为某单井两种岩性综合识别曲线结果,综合曲线值大于0的判断为砂岩,对应井段孔隙度、渗透率较高值,岩心分析为砂砾岩或砂岩,与井壁取心资料和测井解释成果一致;综合曲线值小于0判断为泥岩,对应井段孔隙度、渗透率低值,物性差。检验结果表明在高盐富钾地区注水开发油藏判别分析得到的碎屑岩岩性与现有的实际资料一致,识别效果较好,可为类似地区的碎屑岩岩性识别提供一定的借鉴意义,且该曲线分辨率高又具有岩性特征,可用于声波曲线重构技术,为地震储层反演提供初始模型。
附图2为某单井四种岩性综合识别曲线结果,综合曲线值等于-2为泥岩,自然伽马(GR)值高、自然电位(SP)较平直、电阻率(RT)相对偏低、声波时差(AC)值较大,密度(DEN)较大,物性最差;综合曲线值等于-1为粉砂岩,物性较差,与岩心资料一致,部分含油性良好;综合曲线值等于1为砂岩,自然电位为正异常并且岩性越粗、物性越好,电性上自然电位异常越大、对应的自然伽马值偏低、油层电阻率值较高,声波时差中低值,密度较小,物性较好,与岩心资料一致,含油以干层和油层为主;综合曲线值等于2为砂砾岩,孔隙度、渗透率均较高,与岩心资料一致,以干层和油层为主;四种岩性的综合直方曲线识别精度高,根据幅度值大小可实现对未取心井段岩性的连续识别,建立全井段地层岩性剖面,准确地反映出地层沉积的变化特征,为高盐富钾地区注水开发油藏精细评价储层物性和沉积特征提供了可靠依据。
与现有常规的岩性识别技术相比,本发明具有以下有益效果:本发明能很好地综合考虑多个测井参数,进而拟合出一条较为准确的岩性识别综合曲线来识别高盐富钾区注水开发油藏碎屑岩岩性。该方法具有信息量大、算法稳定、准确率高、快速直观和应用方便的特点,可以很好地应用于单条测井曲线岩性反映效果较差,常规交会图版法无法准确区分岩性的碎屑岩油藏中,可以为高盐富钾区注水开发油藏油气开采提供可靠的依据,在寻找油气资源、评估油气储量方面发挥巨大作用。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法,其特征在于:具体实施包括以下步骤:
步骤1,统计已知岩性的岩心分析化验资料并将岩性分类;采用数理统计方法,选取对岩性反映敏感的测井参数:自然电位、自然伽马、声波时差、岩性密度、电阻率;
步骤2,基于数理统计原理,建立岩性识别权重函数F(F1、F2、F3…),计算出的权重函数根据n个测井参数对岩性的贡献率赋予不同的函数特征值,提取与各组有最大可能多重相关的、函数特征值最大的两个权重函数,即第一权重函数和第二权重函数:
F1=a00+a01·x1+…+a0n·xn (1)
F2=a10+a11·x1+…+a1n·xn (2)
其中,F1、F2为第一和第二权重函数;x1,x2…xn为选取的n个测井参数变量;a00,a01……a0n和a10,a20……a1n分别对应两个权重函数的判别系数;
步骤3,将给出的第一权重函数和第二权重函数用于计算各样品在降维后空间坐标系中的坐标值,然后计算出各类别在低维空间中的中心坐标,根据各样品点距离各类别重心的距离构造出每种岩性的识别函数,即:
fi(x)=bi0+bi1·x1+…+bin·xn (3)
其中,bi0,bi1…bin为第i类岩性识别函数的判别系数;
步骤4:将砂岩岩性识别函数减去泥岩岩性识别函数,得出差值识别函数,该函数即为两种岩性的综合识别曲线,记为P(x);
P(x)=Δf=f砂-f泥=Δb0+Δb1·x1+…+Δbn·xn (4)
其中,P(x)为两种岩性的综合识别曲线;f砂为砂岩岩性识别函数,f泥为泥岩岩性识别函数;x1,x2…xn为选取的n个测井参数变量;Δb0,Δb1…Δbn为两种岩性综合识别曲线的判别系数;
把待判测井数据体的观测值X=(x(1),x(2),…x(n))代入上述差值识别函数计算出综合识别曲线值P(x),若P(x)≥0则为砂岩岩性,P(x)≤0则为泥岩岩性;
步骤5:对于M类岩性的判别,把待判测井数据体的观测值X代入式(3)中,分别求得f1(x),f2(x)…fM(x),取最大值记为fg(x)=max{fi(x)},1≤i≤M;由判别准则知,岩性识别函数值大为相应岩性的概率高,对M类不同岩性识别结果赋值,从而拟合出M类岩性的综合识别曲线Q(X);即:
其中,Q(X)为M类岩性的综合识别曲线;f1(x),f2(x)…fM(x)为M类岩性识别函数;fg(x)为代入待判数据体后M类岩性识别函数的最大值;m1,m2…mi为M类岩性综合识别曲线赋值,mi的赋值区间为-M≤mi≤M。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510932108.9A CN105572747B (zh) | 2015-12-14 | 2015-12-14 | 一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510932108.9A CN105572747B (zh) | 2015-12-14 | 2015-12-14 | 一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105572747A CN105572747A (zh) | 2016-05-11 |
CN105572747B true CN105572747B (zh) | 2018-08-14 |
Family
ID=55883088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510932108.9A Expired - Fee Related CN105572747B (zh) | 2015-12-14 | 2015-12-14 | 一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105572747B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110805434B (zh) * | 2018-08-06 | 2023-04-18 | 中国石油化工股份有限公司 | 复杂地层岩性识别方法及系统 |
CN109736790B (zh) * | 2018-12-28 | 2022-05-24 | 新疆工程学院 | 基于深度信念网络的测井岩性识别方法 |
CN114427455A (zh) * | 2020-09-11 | 2022-05-03 | 中国石油化工股份有限公司 | 地层全井段岩性识别的测井方法、装置、电子设备及介质 |
CN112464719A (zh) * | 2020-10-26 | 2021-03-09 | 中国石油天然气集团有限公司 | 波阻抗曲线的归一化方法、装置、计算机设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103197348A (zh) * | 2013-03-26 | 2013-07-10 | 西北大学 | 利用各层内部样品进行加权编制测井交会图的方法 |
CN103744109A (zh) * | 2013-12-26 | 2014-04-23 | 中国石油天然气股份有限公司 | 一种无井覆盖区碎屑岩风化壳结构的识别方法 |
CN104181603A (zh) * | 2014-07-24 | 2014-12-03 | 中国石油大学(华东) | 碎屑岩沉积成岩综合相识别方法 |
CN104281724A (zh) * | 2013-07-09 | 2015-01-14 | 中国石油化工股份有限公司 | 利用多方向变差函数分析进行储层属性模拟的方法 |
CN104564041A (zh) * | 2014-07-24 | 2015-04-29 | 中国石油大学(华东) | 基于开发渗透率下限的低渗透碎屑岩储层有效性评价方法 |
CN104730596A (zh) * | 2015-01-25 | 2015-06-24 | 中国石油大学(华东) | 一种基于多尺度因素约束的离散裂缝建模方法 |
CN104747183A (zh) * | 2015-02-02 | 2015-07-01 | 中石化西南石油工程有限公司地质录井分公司 | 一种碳酸盐岩储层综合分类方法 |
CN105139032A (zh) * | 2015-08-24 | 2015-12-09 | 中国石油天然气股份有限公司 | 一种岩石的识别分类方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2777346C (en) * | 2009-11-18 | 2017-01-10 | Conocophillips Company | Attribute importance measure for parametric multivariate modeling |
-
2015
- 2015-12-14 CN CN201510932108.9A patent/CN105572747B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103197348A (zh) * | 2013-03-26 | 2013-07-10 | 西北大学 | 利用各层内部样品进行加权编制测井交会图的方法 |
CN104281724A (zh) * | 2013-07-09 | 2015-01-14 | 中国石油化工股份有限公司 | 利用多方向变差函数分析进行储层属性模拟的方法 |
CN103744109A (zh) * | 2013-12-26 | 2014-04-23 | 中国石油天然气股份有限公司 | 一种无井覆盖区碎屑岩风化壳结构的识别方法 |
CN104181603A (zh) * | 2014-07-24 | 2014-12-03 | 中国石油大学(华东) | 碎屑岩沉积成岩综合相识别方法 |
CN104564041A (zh) * | 2014-07-24 | 2015-04-29 | 中国石油大学(华东) | 基于开发渗透率下限的低渗透碎屑岩储层有效性评价方法 |
CN104730596A (zh) * | 2015-01-25 | 2015-06-24 | 中国石油大学(华东) | 一种基于多尺度因素约束的离散裂缝建模方法 |
CN104747183A (zh) * | 2015-02-02 | 2015-07-01 | 中石化西南石油工程有限公司地质录井分公司 | 一种碳酸盐岩储层综合分类方法 |
CN105139032A (zh) * | 2015-08-24 | 2015-12-09 | 中国石油天然气股份有限公司 | 一种岩石的识别分类方法及系统 |
Non-Patent Citations (1)
Title |
---|
"基于测井多参数的复杂储层岩性综合识别";何羽飞 等;《测井技术》;20150228;第39卷(第1期);第48-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105572747A (zh) | 2016-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105572747B (zh) | 一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法 | |
CN109653725A (zh) | 基于沉积微相和岩石相的混积储层水淹程度测井解释方法 | |
CN107965318A (zh) | 一种火山岩油藏有效储层定量分类的方法 | |
CN110609327B (zh) | 基于叠前地震属性的碳酸盐岩储集相预测方法及装置 | |
CN110412662A (zh) | 基于地震多属性深度学习的薄互层储层预测方法 | |
Cluff et al. | Petrophysics of the Lance sandstone reservoirs in Jonah field, Sublette County, Wyoming | |
Wimmers et al. | Integration of sedimentology, petrophysics and rock typing as key to understanding a tight gas reservoir | |
Dong et al. | Fracture identification in tight reservoirs by multiple kernel Fisher discriminant analysis using conventional logs | |
Allen et al. | Geologically constrained electrofacies classification of fluvial deposits: An example from the Cretaceous Mesaverde Group, Uinta and Piceance Basins | |
Horsfall et al. | Hydrocarbon reservoir characterization using well log in Niger Delta Basin of Nigeria | |
Omeje et al. | Application of improved stratigraphic modified Lorenz plot and flow zone indicator in discriminating the Igbo-Etiti aquifer into hydraulic flow units, eastern Nigeria | |
Cheng et al. | Petroleum lithology discrimination based on PSO-LSSVM classification model | |
Barach et al. | Development and identification of petrophysical rock types for effective reservoir characterization: Case study of the Kristine Field, Offshore Sabah | |
Wethington et al. | Stratigraphic architecture of the Mississippian limestone through integrated electrofacies classification, Hardtner field area, Kansas and Oklahoma | |
Pirrone et al. | Lithofacies classification of thin-layered turbidite reservoirs through the integration of core data and dielectric-dispersion log measurements | |
CN106570524A (zh) | 一种储层流体类型的识别方法及装置 | |
Xiao et al. | Quantitative identification of coal texture using the support vector machine with geophysical logging data: A case study using medium-rank coal from the Panjiang, Guizhou, China | |
CN104834934A (zh) | 一种用于识别储层流体的核体俘获法 | |
Rafiee et al. | A new cementation factor correlation in carbonate parts of oil fields in south-west Iran | |
Davies | Permeability Modelling of a Sandstone Reservoir in Parts of the Niger Delta | |
Ghanbarnejad Moghanloo et al. | Integrating watershed segmentation algorithm and supervised Bayesian classification for the assessment of petrophysical parameters, pore properties, and lithofacies: a case study from Abadan Plain, SW Iran | |
Emelyanova et al. | Detecting specific facies in well-log data sets using knowledge-driven hierarchical clustering | |
Esmaeili et al. | Simulating reservoir capillary pressure curves using image processing and classification machine learning algorithms applied to petrographic thin sections | |
Aguilera | Determination of matrix flow units in naturally fractured reservoirs | |
Méndez et al. | Predicting and 3D modeling of karst zones using seismic facies analysis in Ordovician carbonates of the Tahe oilfield, China |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180814 Termination date: 20211214 |