CN106556863B - 基于深度域叠前角道集的孔隙度预测方法 - Google Patents
基于深度域叠前角道集的孔隙度预测方法 Download PDFInfo
- Publication number
- CN106556863B CN106556863B CN201510634572.XA CN201510634572A CN106556863B CN 106556863 B CN106556863 B CN 106556863B CN 201510634572 A CN201510634572 A CN 201510634572A CN 106556863 B CN106556863 B CN 106556863B
- Authority
- CN
- China
- Prior art keywords
- porosity
- data
- prediction model
- new
- standardization
- 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
本发明公开了一种基于深度域叠前角道集的孔隙度预测方法，属于油气物探工程领域。该孔隙度预测方法包括下列步骤：(1)基于测井数据、地震数据和深度域的角度域共成像点道集数据提取深度域的地震属性；(2)获得重采样孔隙度数据；(3)基于地震属性和重采样孔隙度数据建立联合样本集，之后对联合样本集进行标准差标准化处理获得标准化地震属性和相应的标准化孔隙度数据；(4)将联合样本集随机分为训练数据集和测试数据集，获得优选地震属性子集；(5)基于优选地震属性子集建立预测模型；(6)基于测试数据检验预测模型获得检验预测模型；(7)使工区范围内的所有的优选地震属性子集通过检验预测模型以预测所述工区范围内孔隙度数据。
Description
技术领域
本发明涉及油气物探工程领域，特别涉及基于深度域叠前角道集的孔隙度预测方法。
背景技术
随着勘探要求的提高，基于叠后属性的储层预测技术已经满足不了当前对岩性、致密砂岩等类型的油气藏勘探的需要。目前，叠前地震属性的提取主要集中在时间域，在地质结构复杂的情况下，时间域反映的储层深度是通过并不准确的速度信息得出，其误差必然较大。
近十年，国内储层参数预测研究方法主要包括神经网络、函数逼近和地质统计学方法以及它们层出不穷的不同的组合方法，但是随着油田勘探开发的不断深入，仍然有很多需要逐步完善的地方。有文献报道叠前时间域属性进行储层参数预测的方法，参见肖冬生“叠前地震属性在浊积岩储层预测中的应用——以兴隆台-马圈子地区沙三中下亚段为例”，参见姜秀清“储层地震属性优化及属性体综合解释”等。上述方法都是基于时间域的叠前地震属性进行储层参数预测的方法，使得无法满足对精度要求越来越高的油气勘探。
发明内容
为了解决现有技术中存在的上述问题和缺陷的至少一个方面，本发明提供了一种基于深度域叠前角道集的孔隙度预测方法。所述技术方案如下：
本发明的一个目的是提供了一种基于深度域叠前角道集的孔隙度预测方法。
根据本发明的一个方面，提供了一种基于深度域叠前角道集的孔隙度预测方法，所述孔隙度预测方法包括下列步骤：
(1)基于测井数据、地震数据和深度域的角度域共成像点道集数据提取深度域的地震属性；
(2)使所述测井数据中的孔隙度数据按照所述地震数据的采样间隔进行重采样以获得重采样孔隙度数据；
(3)基于所述地震属性和所述重采样孔隙度数据建立联合样本集，之后对所述联合样本集中的所述地震属性和所述重采样孔隙度数据分别进行标准差标准化处理以获得相应的标准化地震属性和相应的标准化孔隙度数据；
(4)将经过所述标准差标准化处理后的所述联合样本集随机分为训练数据集和测试数据集，并基于所述训练数据集中的所述标准化孔隙度数据获得优选地震属性子集；
(5)基于所述优选地震属性子集建立预测模型；
(6)基于所述测试数据检验所述预测模型以获得检验预测模型；
(7)使工区范围内的所有的所述优选地震属性子集通过所述检验预测模型以预测所述工区范围内的孔隙度数据。
进一步地，在所述联合样本集中，所述地震属性和所述重采样孔隙度彼此为一一对应关系。
具体地，对所述联合样本集中的所述地震属性和所述重采样孔隙度数据分别进行标准差标准化处理的过程中，将所述联合样本集中的不同的地震属性和重采样孔隙度数据分别处理到相同数量级上以获得所述标准化地震属性和所述标准化孔隙度数据。
进一步地，在进行所述标准差标准化处理的过程中，使所述联合样本集中的所述地震属性和重采样孔隙度数据的平均值分别为零。
进一步地，在步骤(4)中，所述训练数据集中的所述标准化孔隙度数据通过遗传算法和支持向量回归机对所述标准化地震属性进行优选。
进一步地，在步骤(5)中，基于所述优选地震属性子集对所述支持向量回归机进行训练以建立非线性孔隙度参数的预测模型。
具体地，在步骤(6)中，所述获得检验预测模型还包括以下步骤：
a1将所述测试数据集中的所述标准化地震属性通过所述预测模型获得相应的预测孔隙度数据；
a2将所述预测孔隙度数据与所述测试数据集中的所述标准化孔隙度数据进行误差分析，以获得误差数据；
a3当所述误差数据在预设误差范围内时，所述预测模型为所述检验预测模型。
具体地，当所述误差数据在所述预设误差范围外时，重新建立新预测模型以获得所述检验预测模型，通过所述重新建立新预测模型获得所述检验预测模型的方法包括以下步骤：
b1对所述标准差标准化处理后的所述联合样本集重新随机分为新训练数据集和新测试数据集；
b2基于所述新训练数据集获得新优选地震属性子集，并基于所述新优选地震属性子集建立新预测模型；
b3使所述新测试数据集中的所述标准化地震属性通过所述新预测模型获得相应的新预测孔隙度数据；
b4将所述新预测孔隙度数据与所述新测试数据中的所述标准化孔隙度数据进行误差分析，以获得新误差数据；
b5当所述新误差数据在所述预设误差范围内时，所述新预测模型为所述检验预测模型，
当所述新误差数据在所述预设误差范围外时，重复步骤b1～b4，直到获得所述检验预测模型为止。
进一步地，在步骤(1)中，在所述测井数据和地震数据通过井震标定和偏移校正使彼此的地层层位相互对应之后，基于所述深度域的角度域共成像点道集数据提取所述深度域的地震属性。
具体地，所述地震属性包括深度域的瞬时振幅、瞬时相位、瞬时频率、瞬时频率的斜率、瞬时振幅的均方根、平均瞬时振幅和能量半衰时。
进一步地，所述地震属性为深度域的地震属性。
进一步地，在步骤(1)中，提取所述深度域的地震属性的同时对截距属性和梯度属性进行提取。
进一步地，所述预测模型为所述优选地震属性子集中的所述标准化孔隙度数据与所述标准化地震属性的拟合式，
所述预测模型的自变量为地震属性，所述预测模型的因变量为孔隙度数据。
进一步地，所述标准差标准化处理的表达式为：
其中，xij为所述地震属性或所述重采样孔隙度数据xi中的第j个值；
为所述地震属性或所述重采样孔隙度数据的平均值；
σi为所述地震属性或所述重采样孔隙度数据的标准差；
yij为所述地震属性或所述重采样孔隙度数据标准化后的值。
本发明提供的技术方案的有益效果是：
(1)本发明提供的基于深度域叠前角道集的孔隙度预测方法利用深度域叠前地震数据与孔隙度测井参数数据建立孔隙度预测模型，得到的预测结果不仅在储层深度上更加准确，而且由于应用的叠前地震数据包含有丰富的信息，使得孔隙度的预测结果更加准确；
(2)本发明提供的基于深度域叠前角道集的孔隙度预测方法能够在整个工区范围内提取优选的地震属性子集，并将优选地震属性子集中的数据输入到非线性支持向量回归预测模型中，估算出三维孔隙度参数，从而为进一步的储层解释提供更可靠的参考依据。
附图说明
图1是根据本发明的一个实施例的基于深度域叠前角道集的孔隙度预测方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
参见图1，其示出了根据本发明的一个实施例的基于深度域叠前角道集的孔隙度预测方法的流程。基于深度域叠前角道集的孔隙度预测方法包括下列步骤：
(1)基于测井数据、地震数据和深度域的角度域共成像点道集数据提取深度域的地震属性；
(2)使测井数据中的孔隙度数据按照地震数据的采样间隔进行重采样以获得重采样孔隙度数据；
(3)基于地震属性和重采样孔隙度数据建立联合样本集，之后对联合样本集中的地震属性和重采样孔隙度数据分别进行标准差标准化处理以获得相应的标准化地震属性和相应的标准化孔隙度数据；
(4)将经过标准差标准化处理后的联合样本集随机分为训练数据集和测试数据集，并基于训练数据集中的标准化孔隙度数据获得优选地震属性子集；
(5)基于优选地震属性子集建立预测模型；
(6)基于测试数据检验预测模型以获得检验预测模型；
(7)使工区范围内的所有的所述优选地震属性子集通过所述检验预测模型以预测所述工区范围内的孔隙度数据。在测井数据和地震数据
具体地，在步骤(1)中，首先进行层位标定，通过井震标定和偏移校正将工区内每口井的测井数据与地震数据相对应，之后根据深度域角度域共成像点道集数据，提取深度域的地震属性，这样使得在地震属性提取的开始阶段就在深度域进行储层预测，将储层的深度信息较准确的反映出来，那么最终结果的误差就会较小。且由于所采用的角度域共成像点道集能够反映地下同一成像点处的信息，同时由于入射波角度不同，使得角道集剖面上不同道的数据存在一定的差别，因此不同角度数据上提取的地震属性也存在一定的差别。而角度域共成像点道集包含丰富的原始地震信息，能够灵敏反映地下储层的变化，从而将一些具有较强抗噪性的叠后地震属性提取方法应用到角度域共成像点道集上，可以获得稳定的叠前属性。
在进行地震属性提取后，对测井数据中的孔隙度数据进行重采样，使其采样率与地震数据相同。也就是说，使测井数据中的孔隙度数据按照地震数据的采样间隔进行重采样，从而使得其孔隙度数据的采样率与地震数据相同。
在本发明的一个示例中，在井位置处提取对应的深度域的地震属性、截距属性和梯度属性，整理重采样孔隙度数据和井位置处的地震属性之后，根据重采样孔隙度数据和地震属性建立联合样本集。地震属性包括深度域的瞬时振幅、瞬时相位、瞬时频率、瞬时频率的斜率、瞬时振幅的均方根、平均瞬时振幅和能量半衰时。本示例仅是一种说明性示例，不应当理解为对本发明的一种限制。
在本发明的另一个示例中，联合样本集中包括有所勘探的整个工区的井位置处的地震属性和相应的重采样孔隙度数据，且在联合样本集中的地震属性和重采样孔隙度彼此为一一对应关系。在建立联合样本集之后，对联合样本集中的地震属性和重采样孔隙度分别进行标准差标准化处理。将不同的地震属性和重采样孔隙度数据分别处理到相同的数量级上，同时使联合样本集中的地震属性和重采样孔隙度数据的平均值分别为零。
在进行标准差标准化处理时，联合样本集中的地震属性通过使用标准差标准化处理表达式即可得到相应的标准化地震属性，且联合样本集中的重采样孔隙度数据通过使用标准差标准化处理表达式即可得到相应的标准化孔隙度数据。该标准差标准化处理的表达式为：
其中，xij为联合样本集中的地震属性或重采样孔隙度数据xi中的第j个值；
为联合样本集中的地震属性或重采样孔隙度数据的平均值；
σi为联合样本集中的地震属性或重采样孔隙度数据的标准差；
yij为联合样本集中的地震属性或重采样孔隙度数据标准化(或者归一化)后的值。
在本发明的一个示例中，上述表达式中的联合样本集中的地震属性为深度域的瞬时振幅、瞬时相位、瞬时频率、瞬时频率的斜率、瞬时振幅的均方根、平均瞬时振幅和能量半衰时中的任意一类，本示例仅是一种说明性示例，本领域技术人员不应当理解为对本发明的一种限制。
在将联合样本集中的数据全部进行标准化处理后，将该标准差标准化处理后的联合样本集随机分为训练数据集和测试数据集。训练数据用于优选属性和建立支持向量回归机预测模型，测试数据用于检验建立的支持向量回归机预测模型。
使训练数据集中的标准化孔隙度数据利用遗传算法和支持向量回归机相结合的算法对训练数据集进行处理，优选针对孔隙度参数的标准化地震属性以获得优选地震属性子集。之后根据优选地震属性子集对支持向量回归机进行训练以建立非线性孔隙度参数的预测模型。
在本发明的一个示例中，预测模型为优选地震属性子集中的标准化孔隙度数据与优选地震属性子集中的标准化地震属性的拟合式。其中预测模型的自变量为地震属性，预测模型的因变量为孔隙度数据。例如当测试数据集中的地震属性作为输入(换句话说，作为了自变量)，应用到预测模型中后，获得相应的预测孔隙度，即预测孔隙度作为了输出(换句话说，作为了因变量)。本示例仅是一种说明性示例，本领域技术人员不应当理解为对本发明的一种限制。
用建立的非线性孔隙度参数预测模型应用于测试数据集以获得检验预测模型。该获得检验预测模型包括以下步骤：
a1将测试数据集中的标准化地震属性通过预测模型获得相应的预测孔隙度数据；
a2将预测孔隙度数据与测试数据集中的标准化孔隙度数据进行误差分析，以获得误差数据；
a3当误差数据在预设误差范围内时，该预测模型为检验预测模型。
当误差数据在预设误差范围外时，重新建立新预测模型以获得检验预测模型。通过重新建立新预测模型获得检验预测模型的方法包括以下步骤：
b1对标准差标准化处理后的联合样本集重新随机分为新训练数据集和新测试数据集；
b2基于新训练数据集获得新优选地震属性子集，并基于新优选地震属性子集建立新预测模型，该步骤的原理与上述建立优选地震属性子集的步骤和原理完全相同，在此不再赘述；
b3使新测试数据集中的标准化地震属性通过新预测模型获得相应的新预测孔隙度数据；
b4将新预测孔隙度数据与新测试数据中的标准化孔隙度数据进行误差分析，以获得新误差数据；
b5当新误差数据在预设误差范围内时，该新预测模型为检验预测模型；当新误差数据在预设误差范围外时，重复步骤b1～b4，直到获得检验预测模型为止。
在获得检验预测模型之后，提取整个三维工区的优选地震属性子集，利用所建立的检验预测模型对该三维工区进行孔隙度数据预测。该预测的孔隙度数据结果非常准确，能够满足石油勘探中对三维工区的孔隙度数据预测的要求，由此，便于石油勘探中有利储层的划分与识别，从而为进一步的油气勘探提供帮助。
下面通过实际资料为例，对本发明的基于深度域叠前角道集的孔隙度预测方法具体流程作进一步详细说明。
(1)工区内角度域共成像点道集数据的角度范围为1-35°，通过井震标定、漂移校正等手段使测井数据与深度域地震数据相对应；
(2)提取深度域的瞬时振幅、瞬时相位、瞬时频率、瞬时频率的斜率、均方根振幅、平均振幅、能量半衰时等7种地震属性以及P、G两种AVO属性，则每一个共成像点得到35*7+2＝247个地震属性，地震属性随着偏移距(角度)的变化而变化。
(3)提取整理后的孔隙度测井曲线，并按照地震数据的采样间隔对其进行重采样，在重采样的过程中使测井数据与地震数据相对应，获得重采样孔隙度。
(4)将提取的地震属性与重采样孔隙度数据组成一一对应的联合样本集。通过标准差标准化处理表达式将重采样孔隙度数据与深度域的地震属性作标准化处理；
(5)在有效测井井段内选取样本点，共获得了100个样点。将这些样本点随机划分为等数量的两组，一组作为训练数据集(50个)，另一组作为测试数据集(50个)。训练数据集中的训练数据用于地震属性优选及建立孔隙度参数预测模型，测试数据集中的训练数据用于检验所建立模型对未知数据预测时的泛化性能。以训练数据为对象，通过遗传算法针对重采样孔隙度数据进行地震属性优选，得到对应的优选地震属性子集和支持向量回归机的预测模型。根据地震属性优选的最终选择结果，选择了被选中次数最多的90个地震属性作为孔隙度预测的优选地震属性子集。同时得到了利用这90个属性建立的支持向量回归孔隙度的预测模型。
(6)根据地震属性优选结果在角度域共成像点道集数据上提取整个三维工区的优选地震属性子集，按照样本点的标准化方式将三维数据体的地震属性进行标准化处理，然后输入到建立的支持向量回归孔隙度预测模型中，输出预测的孔隙度三维数据体。
通过对得到的孔隙度数据体分析，在井位置处预测的孔隙度结果与已知的实际孔隙度测井信息具有很高的一致性。孔隙度值在一定程度上反映岩性—泥质比砂质的孔隙度低，而且孔隙度高的地区也是有利储层的可能发育区。在钻井上有油气显示的深度上，从预测的孔隙度剖面上可以看到相应的高孔隙度区域，说明为发育储层。因此，本发明可以帮助判断油气储层的范围，在其他区域可以寻找孔隙度发育区域，帮助勘探人员寻找有利储层发育区带。
本发明提供的技术方案的有益效果是：
(1)本发明提供的基于深度域叠前角道集的孔隙度预测方法利用深度域叠前地震数据与孔隙度测井参数数据建立孔隙度预测模型，得到的预测结果不仅在储层深度上更加准确，而且由于应用的叠前地震数据包含有丰富的信息，使得孔隙度的预测结果更加准确；
(2)本发明提供的基于深度域叠前角道集的孔隙度预测方法能够在整个工区范围内提取优选的地震属性子集，并将优选地震属性子集中的数据输入到非线性支持向量回归预测模型中，估算出三维孔隙度参数，从而为进一步的储层解释提供更可靠的参考依据。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。
Claims (14)
1.一种基于深度域叠前角道集的孔隙度预测方法，所述孔隙度预测方法包括下列步骤：
(1)基于测井数据、地震数据和深度域的角度域共成像点道集数据提取深度域的地震属性；
(2)使所述测井数据中的孔隙度数据按照所述地震数据的采样间隔进行重采样以获得重采样孔隙度数据；
(3)基于所述地震属性和所述重采样孔隙度数据建立联合样本集，之后对所述联合样本集中的所述地震属性和所述重采样孔隙度数据分别进行标准差标准化处理以获得相应的标准化地震属性和相应的标准化孔隙度数据；
(4)将经过所述标准差标准化处理后的所述联合样本集随机分为训练数据集和测试数据集，并基于所述训练数据集中的所述标准化孔隙度数据获得优选地震属性子集；
(5)基于所述优选地震属性子集建立预测模型；
(6)基于所述测试数据检验所述预测模型以获得检验预测模型；
(7)使工区范围内的所有的所述优选地震属性子集通过所述检验预测模型以预测所述工区范围内的孔隙度数据；
其中，所述基于所述测试数据检验所述预测模型以获得检验预测模型，包括以下步骤：
(a1)将所述测试数据集中的所述标准化地震属性通过所述预测模型获得相应的预测孔隙度数据；
(a2)将所述预测孔隙度数据与所述测试数据集中的所述标准化孔隙度数据进行误差分析，以获得误差数据；
(a3)当所述误差数据在预设误差范围内时，所述预测模型为所述检验预测模型，当所述误差数据在所述预设误差范围外时，重新建立新预测模型以获得所述检验预测模型；
其中，通过所述重新建立新预测模型获得所述检验预测模型的方法包括以下步骤：
(b1)对所述标准差标准化处理后的所述联合样本集重新随机分为新训练数据集和新测试数据集；
(b2)基于所述新训练数据集获得新优选地震属性子集，并基于所述新优选地震属性子集建立新预测模型；
(b3)使所述新测试数据集中的所述标准化地震属性通过所述新预测模型获得相应的新预测孔隙度数据；
(b4)将所述新预测孔隙度数据与所述新测试数据中的所述标准化孔隙度数据进行误差分析，以获得新误差数据；
(b5)当所述新误差数据在所述预设误差范围内时，所述新预测模型为所述检验预测模型，当所述新误差数据在所述预设误差范围外时，重复步骤b1～b4，直到获得所述检验预测模型为止。
2.根据权利要求1所述的基于深度域叠前角道集的孔隙度预测方法，其特征在于，
在所述联合样本集中，所述地震属性和所述重采样孔隙度彼此为一一对应关系。
3.根据权利要求2所述的基于深度域叠前角道集的孔隙度预测方法，其特征在于，
对所述联合样本集中的所述地震属性和所述重采样孔隙度数据分别进行标准差标准化处理的过程中，将所述联合样本集中的不同的地震属性和重采样孔隙度数据分别处理到相同数量级上以获得所述标准化地震属性和所述标准化孔隙度数据。
4.根据权利要求3所述的基于深度域叠前角道集的孔隙度预测方法，其特征在于，
在进行所述标准差标准化处理的过程中，使所述联合样本集中的所述地震属性和重采样孔隙度数据的平均值分别为零。
5.根据权利要求4所述的基于深度域叠前角道集的孔隙度预测方法，其特征在于，
在步骤(4)中，所述训练数据集中的所述标准化孔隙度数据通过遗传算法和支持向量回归机对所述标准化地震属性进行优选。
6.根据权利要求5所述的基于深度域叠前角道集的孔隙度预测方法，其特征在于，
在步骤(5)中，基于所述优选地震属性子集对所述支持向量回归机进行训练以建立非线性孔隙度参数的预测模型。
7.根据权利要求6所述的基于深度域叠前角道集的孔隙度预测方法，其特征在于，
在步骤(6)中，所述获得检验预测模型还包括以下步骤：
a1将所述测试数据集中的所述标准化地震属性通过所述预测模型获得相应的预测孔隙度数据；
a2将所述预测孔隙度数据与所述测试数据集中的所述标准化孔隙度数据进行误差分析，以获得误差数据；
a3当所述误差数据在预设误差范围内时，所述预测模型为所述检验预测模型。
8.根据权利要求7所述的基于深度域叠前角道集的孔隙度预测方法，其特征在于，
当所述误差数据在所述预设误差范围外时，重新建立新预测模型以获得所述检验预测模型，通过所述重新建立新预测模型获得所述检验预测模型的方法包括以下步骤：
b1对所述标准差标准化处理后的所述联合样本集重新随机分为新训练数据集和新测试数据集；
b2基于所述新训练数据集获得新优选地震属性子集，并基于所述新优选地震属性子集建立新预测模型；
b3使所述新测试数据集中的所述标准化地震属性通过所述新预测模型获得相应的新预测孔隙度数据；
b4将所述新预测孔隙度数据与所述新测试数据中的所述标准化孔隙度数据进行误差分析，以获得新误差数据；
b5当所述新误差数据在所述预设误差范围内时，所述新预测模型为所述检验预测模型，
当所述新误差数据在所述预设误差范围外时，重复步骤b1～b4，直到获得所述检验预测模型为止。
9.根据权利要求1-8中任一项所述的基于深度域叠前角道集的孔隙度预测方法，其特征在于，
在步骤(1)中，在所述测井数据和地震数据通过井震标定和偏移校正使彼此的地层层位相互对应之后，基于所述深度域的角度域共成像点道集数据提取所述深度域的地震属性。
10.根据权利要求9所述的基于深度域叠前角道集的孔隙度预测方法，其特征在于，
所述地震属性包括深度域的瞬时振幅、瞬时相位、瞬时频率、瞬时频率的斜率、瞬时振幅的均方根、平均瞬时振幅和能量半衰时。
11.根据权利要求10所述的基于深度域叠前角道集的孔隙度预测方法，其特征在于，
所述地震属性为深度域的地震属性。
12.根据权利要求11所述的基于深度域叠前角道集的孔隙度预测方法，其特征在于，
在步骤(1)中，提取所述深度域的地震属性的同时对截距属性和梯度属性进行提取。
13.根据权利要求12所述的基于深度域叠前角道集的孔隙度预测方法，其特征在于，
所述预测模型为所述优选地震属性子集中的所述标准化孔隙度数据与所述标准化地震属性的拟合式，
所述预测模型的自变量为地震属性，所述预测模型的因变量为孔隙度数据。
14.根据权利要求13所述的基于深度域叠前角道集的孔隙度预测方法，其特征在于，
所述标准差标准化处理的表达式为：
其中，xij为所述地震属性或所述重采样孔隙度数据xi中的第j个值；
为所述地震属性或所述重采样孔隙度数据的平均值；
σi为所述地震属性或所述重采样孔隙度数据的标准差；
yij为所述地震属性或所述重采样孔隙度数据标准化后的值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510634572.XA CN106556863B (zh) | 2015-09-29 | 2015-09-29 | 基于深度域叠前角道集的孔隙度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510634572.XA CN106556863B (zh) | 2015-09-29 | 2015-09-29 | 基于深度域叠前角道集的孔隙度预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106556863A CN106556863A (zh) | 2017-04-05 |
| CN106556863B true CN106556863B (zh) | 2018-10-16 |
Family
ID=58414942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510634572.XA Active CN106556863B (zh) | 2015-09-29 | 2015-09-29 | 基于深度域叠前角道集的孔隙度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106556863B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107390270B (zh) * | 2017-07-13 | 2019-02-05 | 西安交通大学 | 一种基于弹性波逆时偏移ADCIGs的AVA分析方法 |
| CN108830421B (zh) * | 2018-06-21 | 2022-05-06 | 中国石油大学(北京) | 致密砂岩储层的含气性预测方法及装置 |
| CN109343134A (zh) * | 2018-11-27 | 2019-02-15 | 中煤科工集团西安研究院有限公司 | 一种矿井瞬变电磁探测数据分析解释方法及系统 |
| CN111507048B (zh) * | 2020-04-23 | 2022-11-08 | 中国石油大学(北京) | 一种致密砂岩储层含气性的预测方法、装置、设备及系统 |
| CN112230283B (zh) * | 2020-10-12 | 2021-08-10 | 北京中恒利华石油技术研究所 | 一种基于测井曲线支持向量机建模的地震孔隙度预测方法 |
| CN112180464B (zh) * | 2020-11-03 | 2024-05-24 | 中国石油化工股份有限公司 | 一种储层物性的识别方法 |
| CN113064216A (zh) * | 2021-02-25 | 2021-07-02 | 中国石油天然气集团有限公司 | 一种储层孔隙度预测方法、系统、设备及可读存储介质 |
| CN117452518B (zh) * | 2023-12-22 | 2024-03-19 | 中国石油大学(华东) | 基于多学科数据融合聚类算法的储层岩性预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103364831A (zh) * | 2013-07-29 | 2013-10-23 | 中国石油集团川庆钻探工程有限公司 | 基于神经网络算法的物性参数量化方法 |
| CN104483703A (zh) * | 2014-12-31 | 2015-04-01 | 中国石油天然气股份有限公司 | 一种井震联合古地层压力预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7184367B2 (en) * | 2003-03-27 | 2007-02-27 | Exxonmobil Upstream Research Company | Method to convert seismic traces into petrophysical property logs |
| US9080946B2 (en) * | 2012-06-15 | 2015-07-14 | Ingrain, Inc. | Digital rock analysis systems and methods with multiphase flow REV determination |
-
2015
- 2015-09-29 CN CN201510634572.XA patent/CN106556863B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103364831A (zh) * | 2013-07-29 | 2013-10-23 | 中国石油集团川庆钻探工程有限公司 | 基于神经网络算法的物性参数量化方法 |
| CN104483703A (zh) * | 2014-12-31 | 2015-04-01 | 中国石油天然气股份有限公司 | 一种井震联合古地层压力预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 井间地震资料属性分析与储层参数转换;邢正岩 等;《石油地球物理勘探》;20040430;第39卷(第2期);第127-132页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106556863A (zh) | 2017-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106556863B (zh) | 基于深度域叠前角道集的孔隙度预测方法 | |
| CN105467440B (zh) | 一种全向矢量地震数据处理方法及装置 | |
| Wang et al. | A new edge recognition technology based on the normalized vertical derivative of the total horizontal derivative for potential field data | |
| CN109613612A (zh) | 一种碳酸盐岩颗粒滩精细刻画与预测方法 | |
| CN104635269B (zh) | 一种基于叠前方位角道集预测火成岩裂缝型储层的方法 | |
| Qi et al. | Volumetric aberrancy to map subtle faults and flexures | |
| CN105388525B (zh) | 储层预测方法及装置 | |
| CN107966732B (zh) | 基于空间结构导向的地震属性变化率求取方法 | |
| CN102759748A (zh) | 基于目标分析的交汇分析地震储层预测方法 | |
| CN107728204A (zh) | 基于叠前纵波各向异性的裂缝预测方法及系统 | |
| CN107894615A (zh) | 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 | |
| CN107515957A (zh) | 泥页岩层序地层划分方法 | |
| CN105022098B (zh) | 一种基于切片层间信息的陆相沉积体识别与预测方法 | |
| CN102866426B (zh) | 一种利用avo大角度道集分析岩体油气信息的方法 | |
| CN107807410A (zh) | 储层地球物理敏感参数优选方法及系统 | |
| CN109425900A (zh) | 一种地震储层预测方法 | |
| CN109655905A (zh) | 基于全方位角数据叠前avaz反演裂缝预测方法及系统 | |
| CN107817519A (zh) | 基于重磁震综合解释技术的基底岩性识别方法及系统 | |
| CN106033127B (zh) | 基于横波速度变化率的地应力方位地震预测方法 | |
| CN107229076A (zh) | 一种基于测井资料进行温度响应特征分析的方法 | |
| Liu et al. | Combined petrophysics and 3D seismic attributes to predict shale reservoirs favourable areas | |
| CN108121008A (zh) | 一种地震属性预测河道砂空间分布的方法 | |
| Ren et al. | Design and construction of the knowledge base system for geological outfield cavities classifications: An example of the fracture-cavity reservoir outfield in Tarim basin, NW China | |
| CN115857047B (zh) | 一种地震储层综合预测方法 | |
| CN106501851A (zh) | 一种地震属性优化方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |