CN105760673B - 一种河流相储层地震敏感参数模板分析方法 - Google Patents
一种河流相储层地震敏感参数模板分析方法 Download PDFInfo
- Publication number
- CN105760673B CN105760673B CN201610095145.3A CN201610095145A CN105760673B CN 105760673 B CN105760673 B CN 105760673B CN 201610095145 A CN201610095145 A CN 201610095145A CN 105760673 B CN105760673 B CN 105760673B
- Authority
- CN
- China
- Prior art keywords
- attribute
- seismic
- sensitive
- reservoir
- attributes
- 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
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种河流相储层地震敏感参数模板分析方法，其步骤：选定待测位置，根据预先设定的时窗提取地震属性，并将所述地震属性做平滑、滤波预处理，去除所述地震属性数据中的异常值，提取的地震属性并得到优选敏感地震属性参数，将其进行优化，采用正演模拟分析法、多侧面、多角度的储层相关相容性分析法和决策优选、组合降维方法等得到储层参数最敏感的优选属性集合，实现地震属性的相容性约简；该分析方法能够在河流相等复杂地质条件下有效建立储层敏感地震属性组合，根据所得的优选地震属性绘制地震敏感参数模板图；将地震敏感参数模板图与已知样本井或已知储层信息坐标处模板进行对比，最终确定测试区域内选定处储层的特征性质。
Description
技术领域
本发明涉及一种地震参数模板分析方法，特别是关于一种河流相储层地震敏感参数模板分析方法。
背景技术
目前，为了提高储层预测精度，属性优选法被逐渐引入，以期望寻找到最敏感且最具代表性的敏感属性来解决储层预测这一问题。然而地震属性之间往往存在一定的相关性，优选出的单一地震敏感属性可能仅仅只能反映出该工区某一方面或某个局部的地质信息，甚至可能只表现为某一种偶然出现的现象，导致储层预测的结果可能存在着多解性，难以获得最优且最准确的预测结果。
地震属性与储层信息存在着某些较为复杂的关系。储层地震预测，主要是以地震信息或地震属性为理论依据，并综合地质、测井及岩石物理等资料作为储层预测的约束条件，对油气储层的几何特征、地质特征及储层的岩性、形态、物性及含油气性等进行预测研究的一门专项技术。储层地震预测不仅应用于油气勘探过程中的储层参数预测及油气田开发阶段中的油气藏动态描述，而且在某种程度上还可以用于提高钻井成功率，降低勘探风险。目前有逐步回归、神经网络、协克里金、相关滤波方法、支持向量机方法、判别分析法、非参数回归分析方法、灰色识别等地震属性预测储层参数的方法。每种方法各有特点，目前应用较多的方法类别是人工神经网络模式识别。人工神经网络模式识别，是将地震信息作为输入，储层预测参数作为学习样本，利用训练后的网络对全工区进行储层预测。人工神经网络最早出现在1800年Freud的精神分析学中，1986年，Rumelhart,Hinton,Williams发展了BP算法，迄今BP算法已被用于解决大量实际问题。1988年，Linsker对感知机网络提出了新的自组织理论，并在Shanon信息论的基础上形成了最大互信息理论，从而点燃了基于NN的信息应用理论的光芒。1988年，Broomhead和Lowe用径向基函数(Radial basis function,RBF)提出分层网络的设计方法，从而将NN的设计与数值分析和线性适应滤波相挂钩。90年代初，Vapnik等提出了支持向量机(Support vector machines,SVM)和VC(Vapnik-Chervonenkis)维数的概念。RBF网络，即径向基神经网络，是前馈型网络的一种。它的设计思想和BP网络完全不一样。RBF网络是一个三层的网络，除了输入输出层之外仅有一个隐层。隐层中的转换函数是局部响应的高斯函数，而其他前向型网络，转换函数一般都是全局响应函数。由于这样的不同，要实现同样的功能，RBF需要更多的神经元，这就是RBF网络不能取代标准前向型网络的原因。但是RBF的训练时间更短。它对函数的逼近是最优的，可以以任意精度逼近任意连续函数。隐层中的神经元越多，逼近越精确。利用径向基神经网络进行储层预测，首先要从地震数据中提取出特征参数，并将它们组成多维的特征矢量，与此同时设计一个非线性网络。在该网络中以井旁地震参数作为输入，井上储层参数作为学习样本，且若输入层中有N个神经元，那么就会对应N个敏感属性。而且，每一个输入单元只与一个模式单元相连接，反过来，每一个模式单元与M个输出单元中的其中一个相连接。将输入样本经过训练以后，再根据实际情况将其输出，将训练好的神经网络应用于整个工区，就可以对全区进行储层预测。
使用神经网络作储层预测时，要得到较高精度的储层预测结果，对参与训练的样本就需要一定的要求，一方面需要足够的样本数，即已知样本井要达到一定的数量；另一方面，样本井在工区中分布要尽量均匀，若样本井分布太过于集中，就可能会造成少井或井间距离较大的区域预测精度不高。同时，需要考虑参与训练样本的各种特殊性，假如对所有参与学习的样本同等对待，务必会对结果造成一定的影响，引起误差。
发明内容
针对上述问题，本发明的目的是提供一种河流相储层地震敏感参数模板分析方法，以一种更为直观的方法去简化属性与储层信息之间的复杂关系，进一步提高神经网络预测结果在少井或缺井区的预测精度。
为实现上述目的，本发明采取以下技术方案：一种河流相储层地震敏感参数模板分析方法，其特征在于包括以下步骤：1)选定待测位置，根据预先设定的时窗提取地震属性，并将地震属性做平滑、滤波预处理；2)根据步骤1)中提取的地震属性得到优选敏感地震属性参数，并将优选的敏感地震属性参数进行优化，得到储层敏感地震属性组合，方法如下：(2.1)结合地质、测井资料建立河流相工区储层地质模型，利用波动方程正演模拟得到地震数据并分析其响应特征，利用交会和等级相关分析评价所取地震属性的敏感性，进行敏感性归纳；(2.2)采用多侧面、多角度的储层相关相容性分析法，通过评价地震属性进而唯一确定储层参数的能力以及地震属性与储层参数一致性两个方面，选取地震属性的最后优选敏感参数；(2.3)将步骤(2.2)得到的优选敏感地震属性参数通过理论决策属性优选，实现地震属性的相容性约简；3)根据步骤2)所得的优选地震属性绘制地震敏感参数模板图；4)将步骤3)得到的地震敏感参数模板图与已知样本井或已知储层信息坐标处模板进行对比，最终确定测试区域内选定处储层的特征性质。
所述步骤(2.2)中，确定所述最后优选敏感的方法如下：①在取得的所述敏感地震属性里排除低确定性属性：(a)计算衡量地震属性针对储层参数的确定性分值：假设有一个储层参数数列和相应位置的某一地震属性数列，找到各自对应的最大值和最小值，确定其数值的分布区间；然后将所述各自区间分成其样本个数两倍数量的等份，并标上序号，将所述储层参数和所述地震属性的数值用所在的等分区间的序号替换，设定一个单位的确定性分值是样本数的倒数，地震属性的初始分值是0，对于每个地震属性与储层参数的区间序号对，如果一个地震属性区间序号对应唯一一种储层参数的区间序号，则确定性分值增加一个单位，而同一个地震属性区间序号，在其他序号对中对应了不同的所述储层参数的区间序号，则分值不增加；(b)得到所有属性针对同一所述储层参数的确定性分值后，根据各属性分值高低情况，去掉低于预先设定分值的属性，排除敏感地震属性里低确定性属性；②在所述步骤①取得的剩余各地震属性中选出高一致性地震属性，即为最后优选敏感地震属性参数。
所述步骤②中，优选敏感地震属性参数方法为：(a)计算衡量剩余各地震属性与储层参数一致性的参数，即有效性：
式中N为样本个数，且N>4；erf(x)是误差函数，其表达式为：
τk为Kendall等级相关系数，其定义如下：
式中NP为斜率为正的点对个数；NN为斜率为负的点对个数；Nz为斜率为零的点对个数；N∞为斜率无穷大的点对个数；NT为交会点的点对个数，其中NT＝N(N-1)/2；(b)根据所述步骤(a)计算得到的剩余各地震属性的一致性结果，选出一致性参数数值比较高的地震属性，即为所取地震属性中的优选敏感地震属性参数。
所述步骤(2.3)中，所述地震属性的相容性约简方法如下：①以地震属性为条件属性，以储层参数或油气性特征等为决策属性构建决策表；在决策表里储层参数或油气性特征首先要量化处理，储层参数或油气性特征的量化根据参数的分布范围，值的高中低区间，含油气特征，含油气的好坏进行标定；②采用基于属性方差的模糊自组织神经网络量化方法对地震属性进行量化处理并得到相容决策表，具体步骤如下：(A)采用模糊自组织神经网络分别对每种地震属性进行分类，即用属性值所属的类数代替原属性值，设定每种属性初始分类数ka＝2，并计算每种属性的方差；(B)判断分类后的地震属性是否与决策表相容；如果与决策表不相容，则找出方差最大的地震属性a，将该属性的分类数增加1，并采用自组织神经网络对该属性进行重新分类，然后判断其与决策表是否相容，如果相容则量化结束，否则，再将方差第二大的地震属性的分类数增加1，用模糊自组织神经网络对该属性进行重新分类，再判断其与决策表是否相容，如果相容则量化结束，以此类推，如果决策表不相容，就按方差从大到小的顺序，对属性的分类数分别增加1，当最小方差的属性的分类数都增加了，最后分类结果与决策表还是不相容，则继续循环本步骤，直到最后分类结果与决策表相容为止；(C)对量化后的相容决策表，采用粗集理论选出敏感属性。
所述敏感属性采用了基于区别矩阵的属性频率约简算法进行优选，步骤如下：(a)假设属性ak在区别矩阵中出现的频率次数为P(ak)，C为条件属性或地震属性集合，cij为区别矩阵元素；(b)计算出已量化地震属性决策表S的区别矩阵M(S)；根据区别矩阵M(S)确定出属性核集合CORE(C)，并令R＝CORE(C)(RC)；式中R为决策表的一个约简；(c)Q＝{cij︱cij∩R≠；i≠j,i,j＝1,2,…,n},M(S)＝M(S)－Q，B＝C－R；式中，Q为R的一个约简集合；B为属性取值集合；(d)找出B中频率出现最高的属性aq，aq∈B：在M(S)中计算属性B中每个属性ak的频率次数P(ak)，得到P(aq)＝max{P(ak)}，确定B中频率出现最高的属性aq；(e)R＝R∪{aq}；(f)重复步骤(c)，直到M(S)为空集为止；最后得到的集合R为决策表的一个相容性约简，即为地震属性的一个优选结果。
所诉步骤3)中地震敏感参数模板图的绘制方法为：设优选的敏感地震属性个数为n，以一点为中心，360°/n为间隔，绘制等长的放射线，并将优选出的敏感属性依次标注在放射线末端，放射线即作为表示该属性数值的数轴；抽取研究区域中某一坐标处各敏感属性数值，基于属性各自数据数值范围，对该坐标处各敏感属性数值作标准化处理；设放射线数轴的中心点值为0，各末端值为1，将标准化处理后的属性值依次标注在代表各属性的放射线数轴上的对应位置处，值越小则越靠近于中心点，值越大则越远离于中心点，最后用直线将这些点依次连接起来得到该坐标位置处的地震敏感参数模板图。
本发明由于采取以上技术方案，其具有以下优点：1、本发明能够在河流相等复杂地质条件下有效建立储层敏感地震属性组合。2、本发明采用的地震敏感参数模板是多属性融合的一种直观表现，能够以一种更为直观的方法去简化属性与储层信息之间的复杂关系。3、本发明可与现有的储层预测技术结合使用，进一步提高预测精度，还能够对水平井走向问题及误差检验等方面提供一定帮助。4、本发明通过已钻井所得到的井资料，能够清楚的掌握已知井井位处的储层性质或地质特征，在向少井或井间距离较大的区域推进过程中，有更好资料依据、预测和判断效果。并且将地震敏感参数模板保留作为样本，通过对比地震敏感参数模板，能够指导后续目标井位的选取工作。
附图说明
图1是本发明的整体流程示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示，本发明提供一种河流相储层地震敏感参数模板分析方法，该方法采用径向基神经网络得到的储层预测的结果，再利用多元属性综合分析及属性优选的方法，结合地震敏感参数模板的储层预测方法，进而直观的显示预测结果，提高少井或缺井区的预测精度。其包括以下步骤：
(1)选定待测位置，根据预先设定的时窗提取地震属性，并将地震属性做平滑、滤波预处理，去除地震属性数据中的异常值。
(2)根据步骤(1)中提取的地震属性得到优选敏感地震属性参数，并将优选的敏感地震属性参数进行优化，得到储层敏感地震属性组合。其具体方法如下：
2.1)采用正演模拟分析法，对所取地震属性的敏感性进行归纳。具体方法为：结合地质、测井资料建立河流相工区储层地质模型，利用波动方程正演模拟得到地震数据并分析其响应特征，利用交会和等级相关分析等，评价所取地震属性的敏感性，从而进行敏感性归纳。
2.2)采用多侧面、多角度的储层相关相容性分析法，通过评价地震属性进而唯一确定储层参数的能力以及地震属性与储层参数一致性两个方面，选取具有合理确定能力和较高一致性的地震属性，即为地震属性的最后优选敏感参数。具体步骤如下：
①在取得的敏感地震属性里排除低确定性属性。其方法如下：
(a)计算衡量地震属性针对储层参数的确定性分值：
假设有一个储层参数数列和相应位置的某一地震属性数列，找到各自对应的最大值和最小值，确定其数值的分布区间。然后将各自区间分成其样本个数两倍数量的等份，并标上序号。将储层参数和地震属性的数值用所在的等分区间的序号替换。设定一个单位的确定性分值是样本数的倒数，地震属性的初始分值是0。对于每个地震属性与储层参数的区间序号对，如果一个地震属性区间序号对应唯一一种储层参数的区间序号，则确定性分值增加一个单位，而同一个地震属性区间序号，在其他序号对中对应了不同的储层参数的区间序号，则分值不增加。
(b)得到所有属性针对同一储层参数的确定性分值后，根据各属性分值高低情况，去掉低于预先设定分值的属性，这样就排除了敏感地震属性里低确定性属性；在本实施例中，预先设定分值为60分或80分。
②在步骤①取得的剩余各地震属性中选出高一致性地震属性，即为最后优选敏感地震属性参数；其中，高一致性地震属性为一致性参数分值大于预先设定分值，例如，一致性参数分值大于60或一致性参数分值大于80。具体方法如下：
(a)计算衡量剩余各地震属性与储层参数一致性的参数，即有效性：
式中N为样本个数，且N>4；τK为度量点的分散程度；erf(x)是误差函数，其表达式为
τk为Kendall等级相关系数，其定义如下：
式中NP为斜率为正的点对个数；NN为斜率为负的点对个数；Nz为斜率为零的点对个数；N∞为斜率无穷大的点对个数；NT为交会点的点对个数，其中
NT＝N(N-1)/2。 (4)
(b)根据计算得到的剩余各地震属性的一致性结果，选出一致性参数数值比较高的地震属性(即高于预先设定分值的地震属性，预先设定分值一般为60或80)，即为所取地震属性中的优选敏感地震属性参数。
2.3)将得到的优选敏感地震属性参数通过理论决策属性优选，实现地震属性的相容性约简。具体方法如下：
①以地震属性为条件属性，以储层参数或油气性特征等为决策属性构建决策表。在决策表里储层参数或油气性特征等(决策属性)首先要量化处理，与地震属性量化不同，储层参数或油气性特征的量化可根据参数的分布范围，值的高中低区间，含油气特征，含油气的好坏等进行标定。如：对油气进行预测，可将来自油井样本的决策属性定为1，将来自干井样本的决策属性定为2。其中，决策属性量化的类数不能太多，一般2-7类为宜。
②采用基于属性方差的模糊自组织神经网络量化方法对地震属性进行量化处理并得到相容决策表。具体步骤如下：
(A)采用模糊自组织神经网络分别对每种地震属性进行分类，即用属性值所属的类数代替原属性值，以达到量化的作用。设定每种属性初始分类数ka＝2，并计算每种属性的方差；
(B)模糊自组织神经网络分类完成后，判断分类后的地震属性是否与决策表相容。如果与决策表不相容，则找出方差最大的地震属性a，将该属性的分类数增加1(即ka＝ka+1)，并采用自组织神经网络对该属性进行重新分类，然后判断其与决策表是否相容，如果相容则量化结束，否则，再将方差第二大的地震属性的分类数增加1，用模糊自组织神经网络对该属性进行重新分类，再判断其与决策表是否相容，如果相容则量化结束。以此类推，如果决策表不相容，就按方差从大到小的顺序，对属性的分类数分别增加1，当最小方差的属性的分类数都增加了，最后分类结果与决策表还是不相容，则继续循环本步骤，直到最后分类结果与决策表相容为止。
(C)对量化后的相容决策表，采用粗集理论选出敏感属性。
若地震属性在区别矩阵中出现的频率越高，该属性的区分能力就越强，就越能体现该属性的重要性，即是该属性的敏感属性。该敏感属性采用了基于区别矩阵的属性频率约简算法进行优选，这种算法优选地震属性的实现步骤如下：
(a)假设属性ak在区别矩阵中出现的频率次数为P(ak)，C为条件属性或地震属性集合，cij为区别矩阵元素。
(b)计算出已量化地震属性决策表S的区别矩阵M(S)；根据区别矩阵M(S)确定出属性核集合CORE(C)，并令R＝CORE(C)(RC)；式中R为决策表的一个约简。
(c)Q＝{cij︱cij∩R非空；i≠j,i,j＝1,2,…,n},M(S)＝M(S)－Q，B＝C－R(差集)；式中，Q为R的一个约简集合；B为属性取值集合。
(d)找出B中频率出现最高的属性aq(aq∈B)：
在M(S)中计算属性B中每个属性ak(ak∈B)的频率次数P(ak)，得到P(aq)＝max{P(ak)}，从而确定B中频率出现最高的属性aq；
(e)R＝R∪{aq}；
(f)重复步骤(c)，直到M(S)为空集为止；最后得到的集合R为决策表的一个相容性约简，即为地震属性的一个优选结果。
本发明基于地质信息约束对河流相储层敏感属性组合进行优化，得到储层敏感地震属性组合。该优化分析结合了步骤1)、2)、3)三种方法形成的组合优化流程。通过地质信息约束的正演敏感分析得到地震属性与河流相储层特征(厚度、流体、孔隙等)的敏感性关系，结合多侧面、多角度的相关相容性分析和决策优选、组合降维方法等得到储层参数最敏感的优选属性集合。该分析方法能够在河流相等复杂地质条件下有效建立储层敏感地震属性组合。
(3)根据所得的优选地震属性绘制地震敏感参数模板图：设优选的敏感地震属性个数为n，以一点为中心，360°/n为间隔，绘制等长的放射线，并将优选出的敏感属性依次标注在放射线末端，放射线即作为表示该属性数值的数轴。抽取研究区域中某一坐标处各敏感属性数值，基于属性各自数据数值范围，对该坐标处各敏感属性数值作标准化处理。设放射线数轴的中心点值为0，各末端值为1，将标准化处理后的属性值依次标注在代表各属性的放射线数轴上的对应位置处，值越小则越靠近于中心点，值越大则越远离于中心点，最后用直线将这些点依次连接起来得到该坐标位置处的地震敏感参数模板图。
(4)将得到的地震敏感参数模板图与已知样本井或已知储层信息坐标处模板进行对比，最终确定测试区域内选定处储层的特征性质，进而指导后续预测评价工作的展开。
上述各实施例仅用于说明本发明，各个步骤都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别步骤进行的改进和等同变换，均不应排除在本发明的保护范围之外。
Claims (4)
1.一种河流相储层地震敏感参数模板分析方法，其特征在于包括以下步骤：
1)选定待测位置，根据预先设定的时窗提取地震属性，并将地震属性做平滑、滤波预处理；
2)根据步骤1)中提取的地震属性得到优选敏感地震属性参数，并将优选的敏感地震属性参数进行优化，得到储层敏感地震属性组合，方法如下：
(2.1)结合地质、测井资料建立河流相工区储层地质模型，利用波动方程正演模拟得到地震数据并分析其响应特征，利用交会和等级相关分析评价所取地震属性的敏感性，进行敏感性归纳；
(2.2)采用多侧面、多角度的储层相关相容性分析法，通过评价地震属性进而唯一确定储层参数的能力以及地震属性与储层参数一致性两个方面，选取地震属性的最后优选敏感参数；
(2.3)将步骤(2.2)得到的优选敏感地震属性参数通过理论决策属性优选，实现地震属性的相容性约简；
所述地震属性的相容性约简方法如下：
①以地震属性为条件属性，以储层参数或油气性特征为决策属性构建决策表；在决策表里储层参数或油气性特征首先要量化处理，储层参数或油气性特征的量化根据参数的分布范围，值的高中低区间，含油气特征，含油气的好坏进行标定；
②采用基于属性方差的模糊自组织神经网络量化方法对地震属性进行量化处理并得到相容决策表，具体步骤如下：
(A)采用模糊自组织神经网络分别对每种地震属性进行分类，即用属性值所属的类数代替原属性值，设定每种属性初始分类数ka＝2，并计算每种属性的方差；
(B)判断分类后的地震属性是否与决策表相容；如果与决策表不相容，则找出方差最大的地震属性a，将该属性的分类数增加1，并采用自组织神经网络对该属性进行重新分类，然后判断其与决策表是否相容，如果相容则量化结束，否则，再将方差第二大的地震属性的分类数增加1，用模糊自组织神经网络对该属性进行重新分类，再判断其与决策表是否相容，如果相容则量化结束，以此类推，如果决策表不相容，就按方差从大到小的顺序，对属性的分类数分别增加1，当最小方差的属性的分类数都增加了，最后分类结果与决策表还是不相容，则继续循环本步骤，直到最后分类结果与决策表相容为止；
(C)对量化后的相容决策表，采用粗集理论选出敏感属性；
所述敏感属性采用了基于区别矩阵的属性频率约简算法进行优选，步骤如下：
(a)假设属性ak在区别矩阵中出现的频率次数为P(ak)，C为条件属性或地震属性集合，cij为区别矩阵元素；
(b)计算出已量化地震属性决策表S的区别矩阵M(S)；根据区别矩阵M(S)确定出属性核集合CORE(C)，并令R＝CORE(C)(RC)；式中R为决策表的一个约简；
(c)Q＝{cij︱cij∩R非空；i≠j,i,j＝1,2,…,n},M(S)＝M(S)－Q，B＝C－R；式中，Q为R的一个约简集合；B为属性取值集合；
(d)找出B中频率出现最高的属性aq，aq∈B：在M(S)中计算属性B中每个属性ak的频率次数P(ak)，得到P(aq)＝max{P(ak)}，确定B中频率出现最高的属性aq；
(e)R＝R∪{aq}；
(f)重复步骤(c)，直到M(S)为空集为止；最后得到的集合R为决策表的一个相容性约简，即为地震属性的一个优选结果；
3)根据步骤2)所得的优选地震属性绘制地震敏感参数模板图；
4)将步骤3)得到的地震敏感参数模板图与已知样本井或已知储层信息坐标处模板进行对比，最终确定测试区域内选定处储层的特征性质。
2.如权利要求1所述的一种河流相储层地震敏感参数模板分析方法，其特征在于：所述步骤(2.2)中，确定所述最后优选敏感参数的方法如下：
①在取得的所述敏感地震属性里排除低确定性属性：
(a)计算衡量地震属性针对储层参数的确定性分值：假设有一个储层参数数列和相应位置的某一地震属性数列，找到各自对应的最大值和最小值，确定其数值的分布区间；然后将所述各自分布区间分成其样本个数两倍数量的等份，并标上序号，将所述储层参数和所述地震属性的数值用所在的等分区间的序号替换，设定一个单位的确定性分值是样本数的倒数，地震属性的初始分值是0，对于每个地震属性与储层参数的区间序号对，如果一个地震属性区间序号对应唯一一种储层参数的区间序号，则确定性分值增加一个单位，而同一个地震属性区间序号，在其他序号对中对应了不同的所述储层参数的区间序号，则分值不增加；
(b)得到所有属性针对同一所述储层参数的确定性分值后，根据各属性分值高低情况，去掉低于预先设定分值的属性，排除敏感地震属性里低确定性属性；
②在所述步骤①取得的剩余各地震属性中选出高一致性地震属性，即为最后优选敏感参数。
3.如权利要求2所述的一种河流相储层地震敏感参数模板分析方法，其特征在于：所述步骤②中，最后优选敏感参数方法为：
(a)计算衡量剩余各地震属性与储层参数一致性的参数，即有效性：
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>g</mi>
<mi>n</mi>
<mi>i</mi>
<mi>f</mi>
<mi>i</mi>
<mi>c</mi>
<mi>a</mi>
<mi>n</mi>
<mi>c</mi>
<mi>e</mi>
<mo>=</mo>
<mi>e</mi>
<mi>r</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mn>0.477</mn>
<msub>
<mi>&tau;</mi>
<mi>K</mi>
</msub>
<msqrt>
<mfrac>
<mrow>
<mn>9</mn>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>8</mn>
<mi>N</mi>
<mo>+</mo>
<mn>20</mn>
</mrow>
</mfrac>
</msqrt>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
式中N为样本个数，且N>4；erf(x)是误差函数，其表达式为：
<mrow>
<mi>e</mi>
<mi>r</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>2</mn>
<msqrt>
<mi>&pi;</mi>
</msqrt>
</mfrac>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>x</mi>
</msubsup>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mi>u</mi>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mi>d</mi>
<mi>u</mi>
<mo>,</mo>
</mrow>
τk为Kendall等级相关系数，其定义如下：
<mrow>
<msub>
<mi>&tau;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>N</mi>
<mi>P</mi>
</msub>
<mo>-</mo>
<msub>
<mi>N</mi>
<mi>N</mi>
</msub>
</mrow>
<msqrt>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
<mo>-</mo>
<msub>
<mi>N</mi>
<mi>&infin;</mi>
</msub>
<mo>)</mo>
<mo>&CenterDot;</mo>
<mo>(</mo>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
<mo>-</mo>
<msub>
<mi>N</mi>
<mi>Z</mi>
</msub>
<mo>)</mo>
</mrow>
</msqrt>
</mfrac>
<mo>,</mo>
</mrow>
式中NP为斜率为正的点对个数；NN为斜率为负的点对个数；Nz为斜率为零的点对个数；N∞为斜率无穷大的点对个数；NT为交会点的点对个数，其中
NT＝N(N-1)/2；
(b)根据所述步骤(a)计算得到的剩余各地震属性的一致性结果，选出一致性参数数值比较高的地震属性，即为所取地震属性中的最后优选敏感参数。
4.如权利要求1至3中任一项所述的一种河流相储层地震敏感参数模板分析方法，其特征在于：所述步骤3)中地震敏感参数模板图的绘制方法为：设优选的敏感地震属性个数为n，以一点为中心，360°/n为间隔，绘制等长的放射线，并将优选出的敏感属性依次标注在放射线末端，放射线即作为表示该属性数值的数轴；抽取研究区域中某一坐标处各敏感属性数值，基于属性各自数据数值范围，对该坐标处各敏感属性数值作标准化处理；设放射线数轴的中心点值为0，各末端值为1，将标准化处理后的属性值依次标注在代表各属性的放射线数轴上的对应位置处，值越小则越靠近于中心点，值越大则越远离于中心点，最后用直线将这些点依次连接起来得到该坐标位置处的地震敏感参数模板图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610095145.3A CN105760673B (zh) | 2016-02-22 | 2016-02-22 | 一种河流相储层地震敏感参数模板分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610095145.3A CN105760673B (zh) | 2016-02-22 | 2016-02-22 | 一种河流相储层地震敏感参数模板分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105760673A CN105760673A (zh) | 2016-07-13 |
| CN105760673B true CN105760673B (zh) | 2018-05-25 |
Family
ID=56330881
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610095145.3A Active CN105760673B (zh) | 2016-02-22 | 2016-02-22 | 一种河流相储层地震敏感参数模板分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105760673B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107942378A (zh) * | 2016-10-12 | 2018-04-20 | 中国石油化工股份有限公司 | 一种河流相低含砂率储层预测方法 |
| CN106842317B (zh) * | 2016-12-22 | 2019-02-15 | 中国石油天然气集团公司 | 一种预测油砂体分布的方法及装置 |
| CN107885966B (zh) * | 2017-10-23 | 2020-06-26 | 中国地质大学（武汉） | 含约束svm异常化学单元素分类方法 |
| CN107894615B (zh) * | 2017-11-13 | 2019-06-18 | 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 | 一种定量化评价三维地震属性预测储层参数有效性的方法 |
| CN108678728A (zh) * | 2018-05-15 | 2018-10-19 | 北京理工大学 | 一种基于k-means的油井参数分析组合算法 |
| CN108828665B (zh) * | 2018-06-28 | 2020-01-07 | 中国煤炭地质总局地球物理勘探研究院 | 小断层影响因子分析方法及装置 |
| CN109298464B (zh) * | 2018-10-17 | 2021-08-03 | 中国石油天然气股份有限公司 | 致密砂岩储层成岩相测井识别方法及装置 |
| CN111239809B (zh) * | 2018-11-29 | 2022-08-02 | 中国石油天然气集团有限公司 | 一种基于属性融合原理的优势储层确定方法及系统 |
| CN112346117B (zh) * | 2019-08-09 | 2023-06-30 | 中国石油天然气集团有限公司 | 一种基于地震属性融合的储层特征预测方法和装置 |
| CN111929744B (zh) * | 2020-07-22 | 2023-04-07 | 中国石油天然气集团有限公司 | 一种基于Kendall′s系数的多元信息储层分类方法 |
| CN113625340B (zh) * | 2021-08-02 | 2023-09-19 | 中海石油(中国)有限公司 | 一种基于属性敏感度选择储层敏感地震属性组合的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103048678A (zh) * | 2012-12-27 | 2013-04-17 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 预测储层的方法 |
| CN103048688A (zh) * | 2011-10-13 | 2013-04-17 | 陈红兵 | 一种基于三步法的地震属性优选方法 |
| CN103628816A (zh) * | 2013-11-18 | 2014-03-12 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 地震属性指导水平井导向的方法及其装置 |
-
2016
- 2016-02-22 CN CN201610095145.3A patent/CN105760673B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103048688A (zh) * | 2011-10-13 | 2013-04-17 | 陈红兵 | 一种基于三步法的地震属性优选方法 |
| CN103048678A (zh) * | 2012-12-27 | 2013-04-17 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 预测储层的方法 |
| CN103628816A (zh) * | 2013-11-18 | 2014-03-12 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 地震属性指导水平井导向的方法及其装置 |
Non-Patent Citations (2)
| Title |
|---|
| 何方 等.基于三参数综合评分的属性敏感性分析方法.《内蒙古石油化工》.2015,(第6期), * |
| 孔蔚，.基于地震敏感参数模板的储层预测研究.《中国优秀硕士学位论文全文数据库》.2015,(第9期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105760673A (zh) | 2016-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105760673B (zh) | 一种河流相储层地震敏感参数模板分析方法 | |
| CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
| Saporetti et al. | Machine learning approaches for petrographic classification of carbonate-siliciclastic rocks using well logs and textural information | |
| CN112083498B (zh) | 一种基于深度神经网络的多波地震油气储层预测方法 | |
| CN108376295B (zh) | 一种油气甜点预测方法及存储介质 | |
| Qi et al. | Seismic attribute selection for machine-learning-based facies analysis | |
| US20100211536A1 (en) | Artificial neural net work models for determining relative permeability of hydrocarbon reservoirs | |
| CN110346831B (zh) | 一种基于随机森林算法的智能化地震流体识别方法 | |
| CN109184677A (zh) | 用于非均质互层砂体的储层评价方法 | |
| CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
| CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
| CN109492775B (zh) | 一种地质构造解释的检测方法，检测装置及可读存储介质 | |
| CN113379256A (zh) | 一种Kmeans-随机森林的储层评价预测方法 | |
| CN112576238B (zh) | 一种低渗透油藏剩余油位置与含量测定系统、方法及应用 | |
| Shi et al. | Optimization and data mining for fracture prediction in geosciences | |
| KR20200058258A (ko) | 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체 | |
| Abedini et al. | Porosity classification from thin sections using image analysis and neural networks including shallow and deep learning in Jahrum formation | |
| CN114638147A (zh) | 一种油气藏压裂工艺参数确定方法 | |
| Efendiyev et al. | Estimation of lost circulation rate using fuzzy clustering of geological objects by petrophysical properties | |
| CN115937568B (zh) | 一种玄武岩构造背景分类方法、系统、装置及存储介质 | |
| CN104880737A (zh) | 测井资料识别地下流体类型的多元Logistic方法 | |
| Zhu et al. | Quantitative evaluation of low-permeability gas reservoirs based on an improved fuzzy-gray method | |
| Ye et al. | Automatic high resolution texture analysis on borehole imagery | |
| Misra et al. | Shallow neural networks and classification methods for approximating the subsurface in situ fluid-filled pore size distribution | |
| CN114707597A (zh) | 一种河流相致密砂岩储层复杂岩相智能化识别方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 100010 Beijing, Chaoyangmen, North Street, No. 25, No. Applicant after: China Offshore Oil Group Co., Ltd. Applicant after: CNOOC research institute limited liability company Address before: 100010 Beijing, Chaoyangmen, North Street, No. 25, No. Applicant before: China National Offshore Oil Corporation Applicant before: CNOOC Research Institute |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |