CN106168676A - 基于地震资料的地层岩性和流体识别方法和装置 - Google Patents
基于地震资料的地层岩性和流体识别方法和装置 Download PDFInfo
- Publication number
- CN106168676A CN106168676A CN201510268462.6A CN201510268462A CN106168676A CN 106168676 A CN106168676 A CN 106168676A CN 201510268462 A CN201510268462 A CN 201510268462A CN 106168676 A CN106168676 A CN 106168676A
- Authority
- CN
- China
- Prior art keywords
- litho
- lithology
- attri
- fluid
- 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.)
- Pending
Links
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
提出了一种基于地震资料的地层岩性和流体识别方法和装置,所述方法包括:基于工区叠前地震数据体,通过叠前弹性参数反演获取弹性属性;利用深度域测井数据,基于岩石物理交会分析,从所获取的弹性属性中优选对目标储层段岩性和流体敏感的敏感弹性属性;以工区目的层段测井数据为基础,基于贝叶斯分类准则,构建以岩性和流体属性为分类目标的贝叶斯分类器;以及将所述敏感弹性属性输入所述贝叶斯分类器,获得岩性和流体空间分布特征。
Description
技术领域
本公开属于油气地球物理勘探中的地震资料反演领域,具体涉及一种基于地震资料的地层岩性和流体识别方法和装置。
背景技术
以往的地震勘探是利用地震资料进行构造解释,通过构造圈闭来寻找油气藏。随着勘探程度的增加,地震勘探的技术中心已从单一地寻找地质构造油气藏转移到寻找岩性油气藏,发现岩性圈闭油气藏所占的比重正在逐年增加。常规的地震岩性识别方法主要依赖波阻抗,其本身存在难以克服的多解性,因此寻找一种有效的岩性、流体识别技术对于解决岩性油气藏的岩性、流体识别,提高勘探成功率有显著的现实意义。
目前叠后地震反演是一种常见的反演方法,基于叠后波阻抗应用数据驱动的方法进行岩性反演是目前地球物理工作者常见的岩性反演手段。比如,由纵波资料提取属性参数,把属性与测井资料联系起来,运用神经网络的方法直接进行岩性反演。
然而,发明人认识到神经网络的反演方法更适合应用到一些连续变化的地层岩石物理参数特征反演方面,比如孔隙度、含流体饱和度等,而不适合岩性和流体类型这种非连续变化的地层属性特征。
发明内容
本公开针对目前地层岩性、流体地震反演方法大多基于叠后波阻抗反演结果,存在资料单一,多解性强的问题,提出一种基于叠前地震弹性属性,应用贝叶斯分类准则进行地层岩性和流体识别的方法。在本公开实施例中,以工区目的层段测井数据为基础,基于贝叶斯分类准则,构建贝叶斯分类器,将该分类器应用于基于工区叠前地震数据体的敏感弹性属性来进行地层岩性、流体识别,从而克服了常规方法仅仅依赖叠后波阻抗反演结果,存在数据单一、多解性强的问题。
根据一方面,提出了一种基于地震资料的地层岩性和流体识别方法,所述方法包括:基于工区叠前地震数据体,通过叠前弹性参数反演获取弹性属性;利用深度域测井数据,基于岩石物理交会分析,从所获取的弹性属性中优选对目标储层段岩性和流体敏感的敏感弹性属性;以工区目的层段测井数据为基础,基于贝叶斯分类准则,构建以岩性和流体属性为分类目标的贝叶斯分类器;以及将所述敏感弹性属性输入所述贝叶斯分类器,获得岩性和流体空间分布特征。
根据另一方面,提出了一种基于地震资料的地层岩性和流体识别装置,所述装置包括:用于基于工区叠前地震数据体,通过叠前弹性参数反演获取弹性属性的部件;用于利用深度域测井数据,基于岩石物理交会分析,从所获取的弹性属性中优选对目标储层段岩性和流体敏感的敏感弹性属性的部件;用于以工区目的层段测井数据为基础,基于贝叶斯分类准则,构建以岩性和流体属性为分类目标的贝叶斯分类器的部件;以及用于将所述敏感弹性属性输入所述贝叶斯分类器,获得岩性和流体空间分布特征的部件。
以上各方面以工区目的层段测井数据为基础,基于贝叶斯分类准则,构建贝叶斯分类器,将该分类器应用于基于工区叠前地震数据体的敏感弹性属性来进行地层岩性、流体识别,从而克服了常规方法仅仅依赖叠后波阻抗反演结果,存在数据单一、多解性强的问题。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的基于地震资料的地层岩性和流体识别方法的流程图。
图2示出了根据本发明实施例的一个具体应用示例的基于地震资料的地层岩性和流体识别方法的流程图。
图3示意了根据图2的应用示例得到的岩性、流体预测结果,
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
图1示出了根据本发明的一个实施例的基于地震资料的地层岩性和流体识别方法的流程图,该方法包括:
步骤101,基于工区叠前地震数据体,通过叠前弹性参数反演获取弹性属性;
步骤102,利用深度域测井数据,基于岩石物理交会分析,从所获取的弹性属性中优选对目标储层段岩性和流体敏感的敏感弹性属性;
步骤103,以工区目的层段测井数据为基础,基于贝叶斯分类准则,构建以岩性和流体属性为分类目标的贝叶斯分类器;以及
步骤104,将所述敏感弹性属性输入所述贝叶斯分类器,获得岩性和流体空间分布特征。
该实施例以工区目的层段测井数据为基础,基于贝叶斯分类准则,构建贝叶斯分类器,将该分类器应用于基于工区叠前地震数据体的敏感弹性属性来进行地层岩性、流体识别,从而克服了常规方法仅仅依赖叠后波阻抗反演结果,存在数据单一、多解性强的问题。
另外,贝叶斯分类是统计学的一种分类方法,它是一类利用概率统计知识进行分类的方法。同决策树和神经网络分类方法相比,具有运算简单、分类准确率高、速度快等优点,基于贝叶斯分类的储层岩性、流体特征反演方法能够获得稳定可靠地岩性、流体分布特征反演结果。
本实施例基于深度域测井数据Well(z)(这里z代表深度域,单位为m或者ft)和时间域地震数据Seis(x,y,t)(这里x,y代表每个地震道对应的空间位置,可以是x,y坐标,也可以是纵横测线号,t代表时间域,单位为s或者m)。在本实施例的一些具体示例中,可以通过以下步骤实现地层岩性、流体特征Litho(x,y,t)(以下也简写为Litho)的预测。
获取弹性属性
在一个示例中,可以基于工区叠前地震数据体Seis(x,y,t),通过叠前弹性参数反演,获取纵波阻抗属性Ip(x,y,t)、横波阻抗属性Is(x,y,t)、密度属性ρ(x,y,t),再由这三个属性衍生计算出其他弹性属性,比如泊松比属性σ(x,y,t)、拉梅参数属性λρ(x,y,t)、纵横波速度比属性vp_vs(x,y,t)等。
优选敏感弹性属性
在一个示例中,可先对深度域测井数据Well(z)进行时深转换、弹性参数计算等处理,并利用处理后的数据基于交会图分析,从所获取的弹性属性中优选出岩性、流体敏感弹性属性。这些处理可以采用本领域技术人员已知的任何手段来实现。
以下给出时深转换的一个示例。深度域测井数据Well(z)通常包含如下测井曲线,①从声波时差数据获取的纵波速度vp(z);②测井解释的岩石密度ρ(z);③测井解释的横波速度vs(z);④岩性、流体解释结果Litho(z)。
深度域测井曲线Well(z)代表的是每个深度点对应一个数据样点,为了将深度域测井数据同时间域的地震数据匹配起来,首先需要对深度域测井数据进行时深转换,通过如下关系式将深度域测井数据转换到与地震匹配的时间域数据
经过上述转换计算后,可以计算得到每个数据样点所对应的时间点,从而实现从深度域到时间域的转换。也就是说,通过上述公式可以将深度z转换成时间t。对①从声波时差数据获取的纵波速度vp(z);②测井解释的岩石密度ρ(z);③测井解释的横波速度vs(z);④岩性、流体解释结果Litho(z)均可应用上述公式,以获得如下时间域测井数据:①时间域的纵波速度曲线vp(t);②时间域的密度曲线ρ(t);③时间域的横波速度vs(t);④时间域的岩性、流体解释结果Litho(t)。
基于纵波速度、横波速度和密度三个参数可以计算得到其他任意弹性参数,包括纵波阻抗、横波阻抗、杨氏模量、泊松比、体积模量、拉梅参数和纵横波速度比等。
假定工区目的层段测井解释的不同的岩性、流体类型总共有n种,包含不同的岩性和流体状态,包括储层、非储层以及储层充填不同的流体状态,表示为Litho={Litho1,Litho2,…,Lithon}。基于岩石物理交会分析(即交会图分析),优选对目标储层段岩性、流体敏感的多种弹性属性的组合,即优选出与岩性、流体关系最为密切的一个或多个敏感弹性属性,这里将这一个或者多个敏感弹性属性统一用Attri(x,y,t)(以下也简写为Attri)表示。假设优选的弹性属性组合共包含m种弹性属性,则敏感弹性属性可以表示为Attri={Attri1,Attri2,…,Attrim}。优选的具体方式和准则可由本领域技术人员根据需要任意选择。
构建贝叶斯分类器
贝叶斯分类器的分配准则可以表示为
上述分类准则表示取岩性、流体最大后验概率分布为最终反演结果。其中P(Attrik|Lithoi)为条件概率分布,P(Lithoi)为岩性、流体先验分布。
以上贝叶斯分类器的构建过程的一个示例如下。
1)选择工区内多口井目的层段测井数据,作为构建贝叶斯分类器的样本数据Samp。其数据总量为nSamp,为了让样本数据具有统计效应,通常需要保证样本数据总量nSamp足够大(例如不低于5000个样本数据,或者更多)。如果工区内多口井目的层段测井数据不满足上述要求,通常需要采用蒙特卡罗随机抽样的方法,将样本数据量扩充至满足上述要求。
2)基于样本数据Samp,计算不同岩性及流体的先验概率分布
式中,Lithoi表示工区目的层段测井解释中所包含的岩性或流体状态,共n类,P(Lithoi)代表第i类岩性的先验概率,count(Lithoi)表示样本数据中属于第i类岩性或流体的所有样本数据的总数量,nSamp为样本数据总量。
3)基于样本数据Samp,计算条件概率分布
其中,Attri1,Attri2,…,Attrim表示优选出的所述敏感弹性属性,共m类,P(Attrik|Lithoi)代表第i类岩性或流体条件下,不同敏感弹性属性的概率,count(Attrik∩Lithoi)表示样本数据中属于第i类岩性或流体且弹性属性属于第k类敏感弹性属性的所有样本数据的总数量,count(Lithoi)表示样本数据中属于第i类岩性或流体的所有样本数的总数量。
4)基于以下准则构建贝叶斯分类器:
获得岩性和流体空间分布特征
可将叠前反演获得敏感弹性属性Attri(x,y,t)输入以上构建的贝叶斯分类器,基于以下贝叶斯分类准则,计算最大后验概率分布,即如果满足下述条件:
P(Attri(x,y,t)|Lithoi(x,y,t))P(Lithoi(x,y,t))≥
P(Attri(x,y,t)|Lithoj(x,y,t))P(Lithoj(x,y,t)),1≤i,j≤n,i≠j
则最终的岩性、流体反演结果为Litho(x,y,t)=Lithoi
也就是说,当输入弹性属性Attri(x,y,t)时,第i类岩性Lithoi后验概率分布P(Lithoi(x,y,t)|Attri(x,y,t))是n种岩性、流体类型中后验概率最大的一类,则表示与Attri(x,y,t)对应的岩性流体类型应该为Lithoi。其中Attri(x,y,t)是敏感弹性属性Attri1,Attri2,…,Attrim中的一种。
具体应用示例
为便于理解本发明,结合图2给出了如下具体应用示例。本领域技术人员应理解,该应用示例仅为示例性的,其任何细节均非意在限制本发明。
步骤1描述了常规叠前弹性参数反演的过程,输入数据包括工区内时间域叠前地震数据体Seis(x,y,t),和工区内深度域测井数据Well(z)。实施过程包括叠前地震数据分角度叠加、分角度测井地震时深标定、分角度地震反演子波提取,低频初始模型建立和反演参数设置五个步骤。在本示例中采用Jason反演软件的RockTrace模块实施。经过步骤1的叠前弹性参数反演,可以同时计算得到工区内时间域纵波阻抗数据体Ip(x,y,t),横波阻抗数据体Is(x,y,t)和密度数据体ρ(x,y,t)。步骤1也可以替换成其他可以得到波阻抗数据体的叠后反演方法。
在步骤2中,可以基于步骤1获得的纵波阻抗、横波阻抗和密度参数计算得到其他工区内目标储层段其他弹性属性,在本实施例中,计算了纵波速度参数vp(x,y,t),横波速度参数vs(x,y,t)、泊松比参数σ(x,y,t)、纵横波速度比参数vp_vs(x,y,t)、拉梅参数λρ(x,y,t)、拉梅参数μρ(x,y,t)以及杨氏模量参数E(x,y,t)。其计算公式为:
纵波速度
横波速度
杨氏模量
泊松比
拉梅参数λρ(x,y,t)=ρ(x,y,t)*(vp(x,y,t)2-2*vs(x,y,t)2)
拉梅参数μρ(x,y,t)=ρ(x,y,t)*vs(x,y,t)2
纵横波速度比vp_vs(x,y,t)=vp(x,y,t)/vs(x,y,t)
在步骤3中,需要对原始已知的测井曲线进行一些初步的处理,包括时深转换和弹性参数计算。输入数据为工区内深度域测井数据Well(z),这一步可要求测井数据至少包含以下测井曲线:①从声波时差数据获取的纵波速度vp(z);②测井解释的岩石密度ρ(z);③测井解释的横波速度vs(z);④岩性、流体解释结果Litho(z)。
为了将深度域测井数据同时间域的地震数据匹配起来,首先需要对深度域测井数据进行时深转换,通过如下关系式将深度域测井数据转换到与地震匹配的时间域数据
经过上述转换计算后,可以获得如下时间域测井数据:①时间域的纵波速度曲线vp(t);②时间域的密度曲线ρ(t);③时间域的横波速度vs(t);④时间域的岩性、流体解释结果Litho(t)。
基于纵波速度、横波速度和密度三个参数可以计算得到其他任意弹性参数,其计算方法如下:
纵波阻抗Ip(t)=ρ(t)*vp(t)
横波阻抗Is(t)=ρ(t)*vs(t)
杨氏模量
泊松比
拉梅参数λρ(t)=ρ(t)*(vp(t)2-2*vs(t)2)
拉梅参数μρ(t)=ρ(t)*vs(t)2
纵横波速度比vp_vs(t)=vp(t)/vs(t)
在步骤4中,在多种弹性参数中优选出对本工区目的层段地层岩性、流体分布特征比较敏感的一种或者多种弹性参数。示例中,工区目的层段测井解释的不同的岩性、流体类型总共有3种,包含非储层、储层含水和储层含气,表示为Litho={Litho1,Litho2,Litho3}。在示例中,采用岩石物理交会图的方法,将交会图的纵坐标和横坐标设置成不同的弹性属性,将颜色属性设置成岩性,当某种弹性属性能够比较好的区分出不同的岩性、流体特征时,提取该属性作为岩性、流体敏感弹性属性。通过10次交会图分析,最后优选纵波阻抗和泊松比参数作为本实施例工区目的层段岩性、流体敏感弹性属性,表示为Attri={Ip,σ}。
基于步骤5以工区目的层段测井数据为基础,基于贝叶斯分类算法,构建以岩性、流体属性为分类目标的贝叶斯分类器;
贝叶斯分类准则可以表示为
上述分类准则表示取岩性、流体最大后验概率分布为最终反演结果。其中P(Attrik|Lithoi)为条件概率分布,P(Lithoi)为岩性、流体先验分布。
选择工区内20口井目的层段测井数据,作为构建贝叶斯分类器的样本数据Samp,其数据总量为nSamp。
首先,基于样本数据Samp,计算不同岩性及流体的先验概率分布
式中,P(Lithoi)代表第i类岩性的先验概率,count(Lithoi)表示样本数据中岩性属于第i类岩性的所有样本数据量的总和,nSamp为样本数据总量。
其次,基于样本数据Samp,计算条件概率分布
式中,P(Attrik|Lithoi)代表第i类岩性条件下,不同敏感弹性属性的概率,count(Attrik∩Lithoi)表示样本数据中岩性属于第i类岩性且弹性属性属于第k类的所有样本数据量的总和,count(Lithoi)表示样本数据中岩性属于第i类岩性的所有样本数据量的总和,P(Attrik∩Lithoi)代表在所有样本数据中,岩性或流体为第i类岩性或流体Lithoi,且弹性属性为Attrik的概率;。
在步骤6中,输入叠前反演获得敏感弹性属性Attri(x,y,t),包括纵波阻抗Ip(x,y,t)和泊松比σ(x,y,t),基于步骤5获得的岩性、流体分类准则,计算岩性、流体空间分布特征。
基于贝叶斯分类准则,计算最大后验概率分布,如果满足下述条件:
P(Attri(x,y,t)|Lithoi(x,y,t))P(Lithoi(x,y,t))≥
P(Attri(x,y,t)|Lithoj(x,y,t))P(Lithoj(x,y,t)),1≤i,j≤n,i≠j
则最终的岩性、流体反演结果为Litho(x,y,t)=Lithoi
图3为根据图2所述示例得到的工区岩性、流体分布特征剖面图。
本发明实施例能够有效克服常规方法仅仅依赖叠后波阻抗反演结果,存在数据单一、多解性强的问题,从而获得稳定可靠地岩性、流体分布特征反演结果。
在本发明的一个实施例中,提出了一种基于地震资料的地层岩性和流体识别装置,所述装置包括:用于基于工区叠前地震数据体,通过叠前弹性参数反演获取弹性属性的部件;用于利用深度域测井数据,基于岩石物理交会分析,从所获取的弹性属性中优选对目标储层段岩性和流体敏感的敏感弹性属性的部件;用于以工区目的层段测井数据为基础,基于贝叶斯分类准则,构建以岩性和流体属性为分类目标的贝叶斯分类器的部件;以及用于将所述敏感弹性属性输入所述贝叶斯分类器,获得岩性和流体空间分布特征的部件。
在一个示例中,该装置还包括,用于在构建所述贝叶斯分类器之前,对所述深度域测井数据进行时深转换得到与工区叠前地震数据体匹配的时间域数据的部件。
在一个示例中,构建以岩性和流体属性为分类目标的贝叶斯分类器包括:
选择工区内多口井目的层段测井数据,作为构建贝叶斯分类器的样本数据Samp,样本的总数量为总量为nSamp;
基于样本数据Samp,计算不同岩性及流体的先验概率分布:
其中,Lithoi表示工区目的层段测井解释中所包含的岩性或流体状态,共n类,P(Lithoi)代表第i类岩性或流体的先验概率,count(Lithoi)表示样本数据中属于第i类岩性或流体的所有样本数据的总数量;
基于样本数据Samp,计算以下条件概率分布:
其中,Attri1,Attri2,…,Attrim表示优选出的所述敏感弹性属性,共m类,P(Attrik|Lithoi)代表第i类岩性或流体条件下,不同敏感弹性属性的概率,count(Attrik∩Lithoi)表示样本数据中属于第i类岩性或流体且弹性属性属于第k类敏感弹性属性的所有样本数据的总数量,count(Lithoi)表示样本数据中属于第i类岩性或流体的所有样本数的总数量,P(Attrik∩Lithoi)代表在所有样本数据中,岩性或流体为第i类岩性或流体Lithoi,且弹性属性为Attrik的概率;
基于所计算的条件概率分布,构建基于以下贝叶斯分类准则的贝叶斯分类器:
在一个示例中,将所述敏感弹性属性输入所述贝叶斯分类器,获得岩性和流体空间分布特征包括:
将所述敏感弹性属性输入基于上述贝叶斯分类准则的贝叶斯分类器,如果满足下述条件:
P(Attri(x,y,t)|Lithoi(x,y,t))P(Lithoi(x,y,t))≥
P(Attri(x,y,t)|Lithoj(x,y,t))P(Lithoj(x,y,t)),1≤i,j≤n,i≠j
则最终的岩性、流体反演结果为Litho(x,y,t)=Lithoi,即表示与敏感弹性属性Attri(x,y,t)对应的岩性或流体类型为Lithoi,其中Attri(x,y,t)是敏感弹性属性Attri1,Attri2,…,Attrim中的一种。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种基于地震资料的地层岩性和流体识别方法,所述方法包括:
基于工区叠前地震数据体,通过叠前弹性参数反演获取弹性属性;
利用深度域测井数据,基于岩石物理交会分析,从所获取的弹性属性中优选对目标储层段岩性和流体敏感的敏感弹性属性;
以工区目的层段测井数据为基础,基于贝叶斯分类准则,构建以岩性和流体属性为分类目标的贝叶斯分类器;以及
将所述敏感弹性属性输入所述贝叶斯分类器,获得岩性和流体空间分布特征。
2.根据权利要求1所述的方法,还包括:
在构建所述贝叶斯分类器之前,对所述深度域测井数据进行时深转换得到与工区叠前地震数据体匹配的时间域数据。
3.根据权利要求1所述的方法,其中构建以岩性和流体属性为分类目标的贝叶斯分类器包括:
选择工区内多口井目的层段测井数据,作为构建贝叶斯分类器的样本数据Samp,样本的总数量为总量为nSamp;
基于样本数据Samp,计算不同岩性及流体的先验概率分布:
其中,Lithoi表示工区目的层段测井解释中所包含的岩性或流体状态,共n类,P(Lithoi)代表第i类岩性或流体的先验概率,count(Lithoi)表示样本数据中属于第i类岩性或流体的所有样本数据的总数量;
基于样本数据Samp,计算以下条件概率分布:
其中,Attri1,Attri2,…,Attrim表示优选出的所述敏感弹性属性,共m类,P(Attrik|Lithoi)代表第i类岩性或流体条件下,不同敏感弹性属性的概率,count(Attrik∩Lithoi)表示样本数据中属于第i类岩性或流体且弹性属性属于第k类敏感弹性属性的所有样本数据的总数量,count(Lithoi)表示样本数据中属于第i类岩性或流体的所有样本数的总数量,P(Attrik∩Lithoi)代表在所有样本数据中,岩性或流体为第i类岩性或流体Lithoi,且弹性属性为Attrik的概率;
基于所计算的条件概率分布,构建基于以下贝叶斯分类准则的贝叶斯分类器:
4.根据权利要求3所述的方法,其中将所述敏感弹性属性输入所述贝叶斯分类器,获得岩性和流体空间分布特征包括:
将所述敏感弹性属性输入基于上述贝叶斯分类准则的贝叶斯分类器,如果满足下述条件:
P(Attri(x,y,t)|Lithoi(x,y,t))P(Lithoi(x,y,t))≥
P(Attri(x,y,t)|Lithoj(x,y,t))P(Lithoj(x,y,t)),1≤i,j≤n,i≠j
则最终的岩性、流体反演结果为Litho(x,y,t)=Lithoi,即表示与敏感弹性属性Attri(x,y,t)对应的岩性或流体类型为Lithoi,其中Attri(x,y,t)是敏感弹性属性Attri1,Attri2,…,Attrim中的一种。
5.一种基于地震资料的地层岩性和流体识别装置,所述装置包括:
用于基于工区叠前地震数据体,通过叠前弹性参数反演获取弹性属性的部件;
用于利用深度域测井数据,基于岩石物理交会分析,从所获取的弹性属性中优选对目标储层段岩性和流体敏感的敏感弹性属性的部件;
用于以工区目的层段测井数据为基础,基于贝叶斯分类准则,构建以岩性和流体属性为分类目标的贝叶斯分类器的部件;以及
用于将所述敏感弹性属性输入所述贝叶斯分类器,获得岩性和流体空间分布特征的部件。
6.根据权利要求5所述的装置,还包括:
用于在构建所述贝叶斯分类器之前,对所述深度域测井数据进行时深转换得到与工区叠前地震数据体匹配的时间域数据的部件。
7.根据权利要求5所述的装置,其中构建以岩性和流体属性为分类目标的贝叶斯分类器包括:
选择工区内多口井目的层段测井数据,作为构建贝叶斯分类器的样本数据Samp,样本的总数量为总量为nSamp;
基于样本数据Samp,计算不同岩性及流体的先验概率分布:
其中,Lithoi表示工区目的层段测井解释中所包含的岩性或流体状态,共n类,P(Lithoi)代表第i类岩性或流体的先验概率,count(Lithoi)表示样本数据中属于第i类岩性或流体的所有样本数据的总数量;
基于样本数据Samp,计算以下条件概率分布:
其中,Attri1,Attri2,…,Attrim表示优选出的所述敏感弹性属性,共m类,P(Attrik|Lithoi)代表第i类岩性或流体条件下,不同敏感弹性属性的概率,count(Attrik∩Lithoi)表示样本数据中属于第i类岩性或流体且弹性属性属于第k类敏感弹性属性的所有样本数据的总数量,count(Lithoi)表示样本数据中属于第i类岩性或流体的所有样本数的总数量,P(Attrik∩Lithoi)代表在所有样本数据中,岩性或流体为第i类岩性或流体Lithoi,且弹性属性为Attrik的概率;
基于所计算的条件概率分布,构建基于以下贝叶斯分类准则的贝叶斯分类器:
8.根据权利要求7所述的装置,其中将所述敏感弹性属性输入所述贝叶斯分类器,获得岩性和流体空间分布特征包括:
将所述敏感弹性属性输入基于上述贝叶斯分类准则的贝叶斯分类器,如果满足下述条件:
P(Attri(x,y,t)|Lithoi(x,y,t))P(Lithoi(x,y,t))≥
P(Attri(x,y,t)|Lithoj(x,y,t))P(Lithoj(x,y,t)),1≤i,j≤n,i≠j
则最终的岩性、流体反演结果为Litho(x,y,t)=Lithoi,即表示与敏感弹性属性Attri(x,y,t)对应的岩性或流体类型为Lithoi,其中Attri(x,y,t)是敏感弹性属性Attri1,Attri2,…,Attrim中的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510268462.6A CN106168676A (zh) | 2015-05-22 | 2015-05-22 | 基于地震资料的地层岩性和流体识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510268462.6A CN106168676A (zh) | 2015-05-22 | 2015-05-22 | 基于地震资料的地层岩性和流体识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106168676A true CN106168676A (zh) | 2016-11-30 |
Family
ID=57359223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510268462.6A Pending CN106168676A (zh) | 2015-05-22 | 2015-05-22 | 基于地震资料的地层岩性和流体识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106168676A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330621A (zh) * | 2017-06-30 | 2017-11-07 | 中国水利水电科学研究院 | 一种基于贝叶斯网络的水库群泄水建筑物失效评估方法 |
CN107817521A (zh) * | 2017-10-27 | 2018-03-20 | 河海大学 | 一种基于改进的成分克里金的岩性分布概率识别方法 |
CN108037528A (zh) * | 2017-09-25 | 2018-05-15 | 中国石油化工股份有限公司 | 少井区基于统计岩石物理建模的孔隙度预测方法及系统 |
CN109521463A (zh) * | 2017-09-20 | 2019-03-26 | 中国石油化工股份有限公司 | 确定火成岩近地表最佳地震激发岩性的方法及系统 |
CN110346831A (zh) * | 2019-07-19 | 2019-10-18 | 同济大学 | 一种基于随机森林算法的智能化地震流体识别方法 |
CN110837115A (zh) * | 2019-10-31 | 2020-02-25 | 中国石油天然气股份有限公司 | 陆相混积岩致密储层岩性的地震识别方法及装置 |
CN110967746A (zh) * | 2018-09-30 | 2020-04-07 | 中国石油化工股份有限公司 | 流体饱和度地震反演方法及系统 |
CN112649867A (zh) * | 2019-10-12 | 2021-04-13 | 中国石油化工股份有限公司 | 虚拟井构建方法及系统 |
CN113433587A (zh) * | 2020-03-23 | 2021-09-24 | 中国石油天然气股份有限公司 | 岩石物理反演方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002073240A1 (en) * | 2001-03-13 | 2002-09-19 | Conoco Phillips Company | Method and process for prediction of subsurface fluid and rock pressures in the earth |
CN102749645A (zh) * | 2012-03-14 | 2012-10-24 | 中国石油天然气股份有限公司 | 一种利用角度阻抗梯度进行储层烃类检测的方法及装置 |
CN104459777A (zh) * | 2014-12-03 | 2015-03-25 | 中国石油天然气股份有限公司 | 基于流体体积模量avo反演的流体识别的方法及系统 |
-
2015
- 2015-05-22 CN CN201510268462.6A patent/CN106168676A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002073240A1 (en) * | 2001-03-13 | 2002-09-19 | Conoco Phillips Company | Method and process for prediction of subsurface fluid and rock pressures in the earth |
CN102749645A (zh) * | 2012-03-14 | 2012-10-24 | 中国石油天然气股份有限公司 | 一种利用角度阻抗梯度进行储层烃类检测的方法及装置 |
CN104459777A (zh) * | 2014-12-03 | 2015-03-25 | 中国石油天然气股份有限公司 | 基于流体体积模量avo反演的流体识别的方法及系统 |
Non-Patent Citations (3)
Title |
---|
毛宁波等: "贝叶斯判别法在GD地区叠前地震属性交会中的应用", 《石油天然气学报(江汉石油学院学报)》 * |
胡华锋: "基于叠前道集的储层参数反演方法", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
胡华锋等: "基于贝叶斯分类的储层物性参数联合反演方法", 《石油物探》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330621A (zh) * | 2017-06-30 | 2017-11-07 | 中国水利水电科学研究院 | 一种基于贝叶斯网络的水库群泄水建筑物失效评估方法 |
CN109521463A (zh) * | 2017-09-20 | 2019-03-26 | 中国石油化工股份有限公司 | 确定火成岩近地表最佳地震激发岩性的方法及系统 |
CN109521463B (zh) * | 2017-09-20 | 2020-09-29 | 中国石油化工股份有限公司 | 确定火成岩近地表最佳地震激发岩性的方法及系统 |
CN108037528A (zh) * | 2017-09-25 | 2018-05-15 | 中国石油化工股份有限公司 | 少井区基于统计岩石物理建模的孔隙度预测方法及系统 |
CN108037528B (zh) * | 2017-09-25 | 2019-08-30 | 中国石油化工股份有限公司 | 少井区基于统计岩石物理建模的孔隙度预测方法及系统 |
CN107817521A (zh) * | 2017-10-27 | 2018-03-20 | 河海大学 | 一种基于改进的成分克里金的岩性分布概率识别方法 |
CN107817521B (zh) * | 2017-10-27 | 2019-07-12 | 河海大学 | 一种基于改进的成分克里金的岩性分布概率识别方法 |
CN110967746A (zh) * | 2018-09-30 | 2020-04-07 | 中国石油化工股份有限公司 | 流体饱和度地震反演方法及系统 |
CN110967746B (zh) * | 2018-09-30 | 2022-05-13 | 中国石油化工股份有限公司 | 流体饱和度地震反演方法及系统 |
CN110346831A (zh) * | 2019-07-19 | 2019-10-18 | 同济大学 | 一种基于随机森林算法的智能化地震流体识别方法 |
CN110346831B (zh) * | 2019-07-19 | 2021-06-04 | 同济大学 | 一种基于随机森林算法的智能化地震流体识别方法 |
CN112649867A (zh) * | 2019-10-12 | 2021-04-13 | 中国石油化工股份有限公司 | 虚拟井构建方法及系统 |
CN112649867B (zh) * | 2019-10-12 | 2024-04-09 | 中国石油化工股份有限公司 | 虚拟井构建方法及系统 |
CN110837115A (zh) * | 2019-10-31 | 2020-02-25 | 中国石油天然气股份有限公司 | 陆相混积岩致密储层岩性的地震识别方法及装置 |
CN110837115B (zh) * | 2019-10-31 | 2023-02-28 | 中国石油天然气股份有限公司 | 陆相混积岩致密储层岩性的地震识别方法及装置 |
CN113433587A (zh) * | 2020-03-23 | 2021-09-24 | 中国石油天然气股份有限公司 | 岩石物理反演方法及系统 |
CN113433587B (zh) * | 2020-03-23 | 2023-09-26 | 中国石油天然气股份有限公司 | 岩石物理反演方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106168676A (zh) | 基于地震资料的地层岩性和流体识别方法和装置 | |
US11668853B2 (en) | Petrophysical inversion with machine learning-based geologic priors | |
US11520077B2 (en) | Automated reservoir modeling using deep generative networks | |
US8452580B2 (en) | Method and system for using multiple-point statistics simulation to model reservoir property trends | |
Roy et al. | Generative topographic mapping for seismic facies estimation of a carbonate wash, Veracruz Basin, southern Mexico | |
US10578767B2 (en) | Conditional process-aided multiple-points statistics modeling | |
Manchuk et al. | A flexible sequential Gaussian simulation program: USGSIM | |
Eidsvik et al. | Estimation of geological attributes from a well log: an application of hidden Markov chains | |
Rahimi et al. | Reservoir facies classification based on random forest and geostatistics methods in an offshore oilfield | |
Jeong et al. | A fast approximation for seismic inverse modeling: Adaptive spatial resampling | |
Vinard et al. | Localizing microseismic events on field data using a U-Net-based convolutional neural network trained on synthetic data | |
Li et al. | Waveform-based microseismic location using stochastic optimization algorithms: A parameter tuning workflow | |
Wang et al. | Missing well logs prediction using deep learning integrated neural network with the self-attention mechanism | |
US20210255347A1 (en) | System and method for classifying seismic data by integrating petrophysical data | |
US20190277989A1 (en) | System and method for improving resolution of digital seismic images | |
Niri et al. | Metaheuristic optimization approaches to predict shear-wave velocity from conventional well logs in sandstone and carbonate case studies | |
Shiroodi et al. | Shear wave prediction using committee fuzzy model constrained by lithofacies, Zagros basin, SW Iran | |
CN106249281A (zh) | 叠前地震的粘弹性介质振幅随频率变化的反演方法和系统 | |
CN106405638A (zh) | 一种含气饱和度确定方法和装置 | |
Parimontonsakul | An Analytical Approach to Automate Stratigraphic Correlation using Well Logging Information | |
US20190277991A1 (en) | System and method for improving resolution of digital seismic images | |
Linville et al. | Contour‐based frequency‐domain event detection for seismic arrays | |
Pereira et al. | Geostatistical seismic inversion for frontier exploration | |
US20240037819A1 (en) | Predictive geological drawing system and method | |
CN112114360B (zh) | 一种地震波形分析方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161130 |
|
RJ01 | Rejection of invention patent application after publication |