CN106873033B - 一种基于神经网络的多属性地震信息融合裂缝预测的方法 - Google Patents
一种基于神经网络的多属性地震信息融合裂缝预测的方法 Download PDFInfo
- Publication number
- CN106873033B CN106873033B CN201710147223.4A CN201710147223A CN106873033B CN 106873033 B CN106873033 B CN 106873033B CN 201710147223 A CN201710147223 A CN 201710147223A CN 106873033 B CN106873033 B CN 106873033B
- Authority
- CN
- China
- Prior art keywords
- fracture
- attribute
- fracture prediction
- neural network
- individual well
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 208000010392 Bone Fractures Diseases 0.000 claims abstract description 198
- 206010017076 Fracture Diseases 0.000 claims abstract description 198
- 238000011161 development Methods 0.000 claims abstract description 40
- 238000012546 transfer Methods 0.000 claims abstract description 18
- 238000007788 roughening Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 29
- 239000011435 rock Substances 0.000 claims description 24
- 238000011160 research Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013501 data transformation Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 description 27
- 240000000249 Morus alba Species 0.000 description 9
- 235000008708 Morus alba Nutrition 0.000 description 9
- 241000209094 Oryza Species 0.000 description 8
- 235000007164 Oryza sativa Nutrition 0.000 description 8
- 235000009566 rice Nutrition 0.000 description 8
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 241000995673 Krisna Species 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 230000002889 sympathetic effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004005 microsphere Substances 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/50—Corrections or adjustments related to wave propagation
- G01V2210/51—Migration
- G01V2210/512—Pre-stack
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于神经网络的多属性地震信息融合裂缝预测的方法，包括以下步骤：步骤一：单井裂缝发育强度曲线拟合；步骤二：叠前地震多属性的裂缝预测，获得方位角各向异性属性的裂缝预测体与远近偏移距属性的裂缝预测体；步骤三：地震属性裂缝预测体的时深转换，获得深度域裂缝预测体；步骤四：深度域裂缝预测体粗化；步骤五：基于BP神经网络叠前地震属性预测裂缝信息融合。本发明将BP神经网络算法融入到多地震属性裂缝预测信息融合的过程中，获取科学客观的融合裂缝预测体，并将地震数据与单井数据进行结合，对地震属性体进行单井约束，进一步提高了预测精度。
Description
技术领域
本发明涉及裂缝性碳酸盐岩油气藏勘探开发，特别涉及一种基于BP神经网络的多属性地震信息融合裂缝预测的方法。
背景技术
目前已经发展起来的碳酸盐岩储层裂缝预测技术有：横波分裂、P-S转换波、多分量地震、多方位VSP、纵波AVAZ等。其中最有效的方法当属横波分裂技术。但横波采集和处理的费用极高，油田投资风险大，因此不能成为常用技术。而多分量地震、多方位VSP、P-S转换波技术有不错的效果，但要么勘探成本高，要么是非常规地震采集项目，在国内现阶段难于广泛应用。目前AVAZ技术成为主流的地震预测裂缝技术手段，辅以基于远近偏移距属性、局部构造熵地震不连续性检测及区域应力场分析等技术手段，多属性多手段共同进行裂缝的地震识别和预测。
因为不同地震属性对不同尺度、不同类型裂缝的敏感性不同，造成某一单一地震属性裂缝预测体的预测精度有限，不能客观完整反映出研究区碳酸盐岩储层裂缝发育的实际情况。在这种情况下，对不同地震属性裂缝预测体的信息融合，成为碳酸盐岩储层裂缝预测的重点难点之一。
目前在多地震属性信息融合的领域中，最为主流的方法是平均加权融合法，其具体做法是，以人工经验为主要依托，赋予各属性预测体不同的权重系数，然后线性相加得到属性融合体，以单井裂缝解释成果数据、生产动态数据为校验，不断修正经验系数，直至获得较为符合地质与开发认识的信息融合裂缝预测体。该种方法的主要弊端在于将各属性体之间的关系简单等同于线性关系，并在经验系数的选择上具有极强的随机性，并且效率低，耗时长，通过实际项目实践，该种方法预测精度不甚理想。基于此，我们将BP神经网络算法引入到多地震属性裂缝预测体的信息融合过程中来，探寻更为先进的方法更好的解决不同地震属性裂缝预测体的信息融合问题。
发明内容
为了解决现有信息融合技术中权重系数随机性强、效率低及预测精度低等问题，本发明提供了一种基于神经网络的多属性地震信息融合裂缝预测的方法，以达到提高工作效率及信息融合裂缝预测体精度的目的。
本发明的技术方案一：
一种基于神经网络的多属性地震信息融合裂缝预测的方法，包括以下步骤：
步骤一：单井裂缝发育强度曲线拟合；
步骤二：叠前地震多属性的裂缝预测，获得方位角各向异性属性的裂缝预测体与远近偏移距属性的裂缝预测体；
步骤三：地震属性裂缝预测体的时深转换，获得深度域裂缝预测体；
步骤四：深度域裂缝预测体粗化；
步骤五：基于BP神经网络叠前地震属性预测裂缝信息融合。
其中，步骤一具体包括：在岩心与成像测井资料对裂缝发育特征进行识别的基础之上，结合对工区内成像测井资料的解释成果，完成单井裂缝的识别与半定量-定量评价，继而根据单井裂缝解释数据，生成单井裂缝发育强度曲线。
其中，步骤二具体包括：对本区叠前三维地震道集数据进行叠前保幅、分方位角叠加预处理，建立裂缝发育段的岩石物理正演模型，在此基础之上利用方位角各向异性属性和远近偏移距属性，对本区进行了综合裂缝预测，分别得到方位角各向异性属性的裂缝预测体与远近偏移距属性的裂缝预测体。
其中，步骤三具体包括：以单井时深关系资料(VSP资料)为基础，进行地震属性裂缝预测体的时深转换，获得深度域裂缝预测体。
其中，步骤四具体为将各地震属性的深度域裂缝预测体粗化至地质模型中。
其中，步骤五具体包括：分别提取各地震信息裂缝预测体井旁道数据，形成由地震信息预测的单井裂缝强度曲线，以步骤二获取的单井裂缝强度曲线为学习对象进行网格化训练，由此形成训练模块；在此训练模块指导下，对经步骤五粗化至地质模型中的各地震属性的深度域裂缝预测体进行非线性融合。
本发明的技术方案二：
一种基于神经网络的多属性地震信息融合裂缝预测的方法，包括以下步骤：
步骤一：建立常规曲线识别裂缝模型；
步骤二：单井裂缝发育强度曲线拟合；
步骤三：叠前地震多属性的裂缝预测，获得方位角各向异性属性的裂缝预测体与远近偏移距属性的裂缝预测体；
步骤四：地震属性裂缝预测体的时深转换，获得深度域裂缝预测体；
步骤五：深度域裂缝预测体粗化；
步骤六：基于BP神经网络叠前地震属性预测裂缝信息融合；
步骤七：建立井控信息融合裂缝预测体。
其中，步骤一具体包括：通过模糊聚类的方法优选其与裂缝发育有良好响应的常规测井曲线若干条；基于BP神经网络的计算方法，常规测井曲线以单井裂缝识别裂缝硬数据作为学习对象，进行网格化训练，形成训练模块并推广至缺乏岩心编录与成像测井资料的单井，进行相应的学习训练，最终形成常规测井曲线识别裂缝模型。
其中，步骤二具体包括：结合有限的岩心资料、成像测井资料对裂缝解释成果，以常规测井曲线识别裂缝模型为指导，完成单井裂缝的识别与半定量-定量评价，继而根据单井裂缝解释数据，生成单井裂缝发育强度曲线。
其中，步骤三具体包括：对本区叠前三维地震道集数据进行叠前保幅、分方位角叠加预处理，建立裂缝发育段的岩石物理正演模型，同时，对工区进行应力场数值模拟研究，在此基础之上利用方位角各向异性属性和远近偏移距属性，对本区进行了综合裂缝预测，分别得到方位角各向异性属性的裂缝预测体与远近偏移距属性的裂缝预测体。
其中，步骤四具体包括：以单井时深关系资料(VSP资料)、时间层位解释数据为基础，利用协同克里金算法，建立工区内速度模型；以速度模型为约束，进行地震属性裂缝预测体的时深转换，获得深度域裂缝预测体。
其中，步骤五具体包括：将各地震信息的深度域裂缝预测体粗化至地质模型中。
其中，步骤六具体包括：分别提取各地震信息裂缝预测体井旁道数据，形成由地震信息预测的单井裂缝强度曲线，以步骤二获取的单井裂缝强度曲线为学习对象进行网格化训练，由此形成训练模块；在此训练模块指导下，对经步骤五粗化至地质模型中的各地震属性的深度域裂缝预测体进行非线性融合。
其中，步骤七具体包括：在数据变换及变差函数分析的基础上，以通过成步骤二获取的单井裂缝强度曲线作为井上约束条件，以步骤六获取的地震信息融合裂缝发育概率体作为井间约束条件，通过序贯高斯随机函数模拟的方法建立裂缝强度模型，从而获得由单井控制的多地震属性信息融合的井控信息融合裂缝预测体。
本发明的有益效果是：本发明通过将BP神经网络算法融入到多地震属性裂缝预测信息融合的过程中，较简单的加权融合的方法，获取更为科学客观的融合裂缝预测体，并将地震数据与单井数据进行结合，对地震属性体进行单井约束，进一步提高了预测精度。相比于常用的加权系数融合的方法，本发明方法极大的提高到了工作效率与地震属性裂缝预测体的预测精度，并实现了地震预测数据与单井预测数据的有机结合，得到井控多地震属性裂缝预测信息融合体。
附图说明
图1：本发明实施例二的粗化至地质模型中的地震属性裂缝预测体；
图2：本发明实施例二的测井裂缝预测强度与融合数据体裂缝预测强度对比图；
图3：本发明实施例二的井控多地震属性信息融合的裂缝预测体；
图4：本发明实施例二中采用本发明方法的融合体剖面与原方法融合体剖面效果对比；
图4-a：原方法融合体剖面效果图；
图4-b：本发明实施例二中采用本发明方法的融合体剖面效果图。
具体实施方式
下面结合实施例对本发明作进一步的描述。
技术方案一
一种基于神经网络的多属性地震信息融合裂缝预测的方法，包括以下步骤：
步骤一：单井裂缝发育强度曲线拟合。
在岩心与成像测井资料对裂缝发育特征进行识别的基础之上，结合对工区内成像测井资料的解释成果，完成单井裂缝的识别与半定量-定量评价(裂缝发育方向、长度、宽度、密度等)，继而根据单井裂缝解释数据，生成单井裂缝发育强度曲线。
步骤二：叠前地震多属性的裂缝预测，获得方位角各向异性属性的裂缝预测体与远近偏移距属性的裂缝预测体。
对本区叠前三维地震道集数据进行叠前保幅、分方位角叠加等预处理，建立裂缝发育段的岩石物理正演模型，在此基础之上利用方位角各向异性属性和远近偏移距属性，对本区进行了综合裂缝预测，分别得到方位角各向异性属性的裂缝预测体与远近偏移距属性的裂缝预测体。
步骤三：地震属性裂缝预测体的时深转换，获得深度域裂缝预测体。
以单井时深关系资料(VSP资料)为基础，进行地震属性裂缝预测体的时深转换，获得深度域裂缝预测体。
步骤四：各地震信息的深度域裂缝预测体粗化至地质模型中
步骤五：基于BP神经网络叠前地震属性预测裂缝信息融合。
分别提取各地震信息裂缝预测体井旁道数据，形成由地震信息预测的单井裂缝强度曲线，以步骤二获取的单井裂缝强度曲线为学习对象进行网格化训练，由此形成训练模块；在此训练模块指导下，对经步骤五粗化至地质模型中的各地震属性的深度域裂缝预测体进行非线性融合。
当岩心资料缺乏，成像测井资料覆盖率较小时，本发明可以在上述技术方案一的基础上，作进一步改进。
技术方案二
一种基于神经网络的多属性地震信息融合裂缝预测的方法，包括以下步骤：
步骤一：建立常规曲线识别裂缝模型。
对于没有成像测井资料的单井，通过模糊聚类的方法优选其与裂缝发育有良好响应的常规测井曲线若干条(CAL井径、RS浅侧向电阻率、MSFL微球电阻率等)；基于BP神经网络的计算方法，常规测井曲线以单井裂缝识别裂缝硬数据作为学习对象，进行网格化训练，形成训练模块并推广至缺乏岩心编录与成像测井资料的单井，进行相应的学习训练，最终形成常规测井曲线识别裂缝模型。
步骤二：单井裂缝发育强度曲线拟合。
结合有限的岩心资料、成像测井资料对裂缝解释成果，以常规测井曲线识别裂缝模型为指导，完成单井裂缝的识别与半定量-定量评价(裂缝发育方向、长度、宽度、密度等)，继而根据单井裂缝解释数据，生成单井裂缝发育强度曲线。
步骤三：叠前地震多属性的裂缝预测，获得方位角各向异性属性的裂缝预测体与远近偏移距属性的裂缝预测体。
对本区叠前三维地震道集数据进行叠前保幅、分方位角叠加等预处理，建立裂缝发育段的岩石物理正演模型，同时，对工区进行应力场数值模拟研究，在此基础之上利用方位角各向异性属性和远近偏移距属性，对本区进行了综合裂缝预测，分别得到方位角各向异性属性的裂缝预测体与远近偏移距属性的裂缝预测体。
其中，构造应力是影响裂缝发育的重要因素，应力场的分布和变化特征是进一步预测裂缝是否发育的参考依据，应力场的分布情况可以体现应力的大小和方向，通过对工区应力场的数值模拟来反映构造缝最有可能发育的情况。
步骤四：地震属性裂缝预测体的时深转换，获得深度域裂缝预测体。
以单井时深关系资料(VSP资料)、时间层位解释数据为基础，利用协同克里金算法，建立工区内速度模型；以速度模型为约束，进行地震属性裂缝预测体的时深转换，获得深度域裂缝预测体。
步骤五：各地震属性深度域裂缝预测体粗化至地质模型中。
步骤六：基于BP神经网络叠前地震属性预测裂缝信息融合。
分别提取各地震信息裂缝预测体井旁道数据，形成由地震信息预测的单井裂缝强度曲线，以步骤二获取的单井裂缝强度曲线为学习对象进行网格化训练，由此形成训练模块；在此训练模块指导下，对经步骤五粗化至地质模型中的各地震属性的深度域裂缝预测体进行非线性融合。
步骤七：建立井控信息融合裂缝预测体。
在数据变换及变差函数分析的基础上，以通过成步骤二获取的单井裂缝强度曲线作为井上约束条件，以步骤六获取的地震信息融合裂缝发育概率体作为井间约束条件，通过序贯高斯随机函数模拟的方法建立裂缝强度模型，从而获得由单井控制的多地震属性信息融合的井控信息融合裂缝预测体。
下面我们将结合实施例对本发明方法进行验证。
实施例一：印尼Krisna油田裂缝预测
印尼Krisna油田所涉工区范围较小，且拥有较为充足的岩心与成像测井资料。通过上述技术方案一，对该工区的碳酸盐岩储层进行裂缝预测研究。
通过岩心描述和漏失分析，认为Krisna油田LBR层存在裂缝。根据Krisna油田的地震资料获取情况，选择方位角各向异性和远近偏移距属性差两种方法预测裂缝，按照步骤二(叠前地震多属性的裂缝预测，获得方位角各向异性属性的裂缝预测体与远近偏移距属性的裂缝预测体)方法与流程，分别获得相应地震属性裂缝预测体。
按照步骤三(地震属性裂缝预测体的时深转换，获得深度域裂缝预测体)与步骤四(深度域裂缝预测体粗化)分别将两种地震属性裂缝预测体经过时深转换粗化至工区地质模型当中，随即分别提取各地震信息裂缝预测体井旁道数据，形成由地震信息预测的单井裂缝强度曲线，以步骤一(单井裂缝发育强度曲线拟合)方法流程获取的单井裂缝强度曲线为学习对象进行网格化训练，由此形成训练模块。在此训练模块指导下，对粗化至地质模型中的各地震属性的裂缝预测体进行非线性融合，最终获得Krisna油田LBR层信息融合裂缝预测体。
通过本发明方法进行多地震属性的信息融合，较原加权融合的方法经过对比发现：工作效率提高近4倍，将信息融合部分的工作时间由4周缩短至1周；裂缝刻画精度提升近1.5倍，经过抽取融合数据体单井井旁道裂缝预测强度数据，与岩心、成像测井资料解释裂缝强度数据，单井吻合度达到82％，而原方法，该吻合度仅有58％。
实施例二：伊拉克米桑油田AG区块裂缝预测
伊拉克米桑油田所涉工区范围较大，由于战争原因，岩心与成像测井资料较为匮乏，针对该种资料情况，我们对技术方案一进行改进，采用技术方案二对该工区的碳酸盐岩储层进行裂缝预测研究。
通过岩心描述及生产动态分析，认为米桑油田AG区块A油组与B油组存在裂缝。根据米桑油田的地震资料获取情况，选择方位角各向异性和基于局部构造熵不连续性检测两种方法预测裂缝，按照步骤三(叠前地震多属性的裂缝预测，获得方位角各向异性属性的裂缝预测体与远近偏移距属性的裂缝预测体)方法与流程，分别获得相应地震属性裂缝预测体。
由于米桑油田缺乏岩心描述资料，成像测井资料也较为稀少，我们采用技术方案二，在进行单井裂缝发育强度曲线拟合之前，首先建立常规曲线识别裂缝模型。对于没有成像测井资料的单井，通过模糊聚类的方法优选其与裂缝发育有良好响应的常规测井曲线CAL、RD、RS、MSFL、AC(井径、深侧向电阻率、浅侧向电阻率、微球型电阻率、声波)。基于BP神经网络的计算方法，常规曲线以单井裂缝识别裂缝硬数据作为学习对象，进行网格化训练，形成训练模块并推广至缺乏岩心编录与成像测井资料的单井，进行相应的学习训练，最终形成常规测井曲线识别裂缝模型。结合有限的岩心资料、成像测井资料对裂缝解释成果，以常规测井曲线识别裂缝模型为指导，生成单井裂缝发育强度曲线。
针对米桑工区面积大，断层发育的特点，对工区进行应力场数值模拟研究，通过对工区应力场的数值模拟来反映构造缝最有可能发育的情况。与地震属性进行的裂缝预测结果，进行互补分析。另一方面，单以单井时深关系资料(VSP资料)无法控制米桑油田大范围的时深转换，加入时间层位解释数据，利用协同克里金算法，建立工区内速度模型。以速度模型为约束，进行地震属性裂缝预测体的时深转换，以此来获得准确的深度域裂缝预测体。
按照步骤四(地震属性裂缝预测体的时深转换，获得深度域裂缝预测体)与步骤五(深度域裂缝预测体粗化)分别将两种地震属性裂缝预测体经过时深转换粗化至工区地质模型当中，步骤六(基于BP神经网络叠前地震属性预测裂缝信息融合)方法流程，最终获得米桑油田AG区块信息融合裂缝预测体。
为了实现井数据与地震数据的有机结合，最后在数据变换及变差函数分析的基础上，以通过成步骤二(单井裂缝发育强度曲线拟合)获取的单井裂缝强度曲线作为井上约束条件，以步骤六(基于BP神经网络叠前地震属性预测裂缝信息融合)获取的地震信息融合裂缝发育概率体作为井间约束条件，通过序贯高斯随机函数模拟的方法建立裂缝强度模型，从而获得由单井控制的多地震属性信息融合的裂缝预测体。
通过改进的技术方案二进行多地震属性的信息融合，较原加权融合的方法经过对比发现：工作效率提高近3倍，将信息融合部分的工作时间由5周缩短至2周；裂缝刻画精度提升近1.3倍，经过抽取融合数据体单井井旁道裂缝预测强度数据，与岩心、成像测井资料解释裂缝强度数据，单井吻合度达到78％，而原方法，该吻合度仅有60％。
上述研究成果，指导米桑油田油田井位部署，取得了良好的效果，新钻井位产量稳定，含水率低，未出现井漏等情况。
Claims (12)
1.一种基于神经网络的多属性地震信息融合裂缝预测的方法，其特征在于，包括以下步骤：
步骤一：单井裂缝发育强度曲线拟合；
步骤二：叠前地震多属性的裂缝预测，获得方位角各向异性属性的裂缝预测体与远近偏移距属性的裂缝预测体；
步骤三：地震属性裂缝预测体的时深转换，获得深度域裂缝预测体；
步骤四：深度域裂缝预测体粗化；
步骤五：基于BP神经网络叠前地震属性预测裂缝信息融合，包括：分别提取各地震信息裂缝预测体井旁道数据，形成由地震信息预测的单井裂缝强度曲线，以步骤一获取的单井裂缝发育强度曲线为学习对象进行网格化训练，由此形成训练模块；在此训练模块指导下，对经步骤四粗化至地质模型中的各地震属性的深度域裂缝预测体进行非线性融合。
2.根据权利要求1所述的基于神经网络的多属性地震信息融合裂缝预测的方法，其特征在于，步骤一具体包括：在岩心与成像测井资料对裂缝发育特征进行识别的基础之上，结合对工区内成像测井资料的解释成果，完成单井裂缝的识别与半定量-定量评价，继而根据单井裂缝解释数据，生成单井裂缝发育强度曲线。
3.根据权利要求1所述的基于神经网络的多属性地震信息融合裂缝预测的方法，其特征在于，步骤二具体包括：对本区叠前三维地震道集数据进行叠前保幅、分方位角叠加预处理，建立裂缝发育段的岩石物理正演模型，在此基础之上利用方位角各向异性属性和远近偏移距属性，对本区进行了综合裂缝预测，分别得到方位角各向异性属性的裂缝预测体与远近偏移距属性的裂缝预测体。
4.根据权利要求1所述的基于神经网络的多属性地震信息融合裂缝预测的方法，其特征在于，步骤三具体包括：以单井时深关系资料为基础，进行地震属性裂缝预测体的时深转换，获得深度域裂缝预测体。
5.根据权利要求1所述的基于神经网络的多属性地震信息融合裂缝预测的方法，其特征在于，步骤四具体为将各地震属性的深度域裂缝预测体粗化至所述地质模型中。
6.一种基于神经网络的多属性地震信息融合裂缝预测的方法，其特征在于，包括以下步骤：
步骤一：建立常规曲线识别裂缝模型；
步骤二：单井裂缝发育强度曲线拟合；
步骤三：叠前地震多属性的裂缝预测，获得方位角各向异性属性的裂缝预测体与远近偏移距属性的裂缝预测体；
步骤四：地震属性裂缝预测体的时深转换，获得深度域裂缝预测体；
步骤五：深度域裂缝预测体粗化；
步骤六：基于BP神经网络叠前地震属性预测裂缝信息融合，包括：分别提取各地震信息裂缝预测体井旁道数据，形成由地震信息预测的单井裂缝强度曲线，以步骤二获取的单井裂缝发育强度曲线为学习对象进行网格化训练，由此形成训练模块；在此训练模块指导下，对经步骤五粗化至地质模型中的各地震属性的深度域裂缝预测体进行非线性融合；
步骤七：建立井控信息融合裂缝预测体。
7.根据权利要求6所述的基于神经网络的多属性地震信息融合裂缝预测的方法，其特征在于，步骤一具体包括：通过模糊聚类的方法优选其与裂缝发育有良好响应的常规测井曲线若干条；基于BP神经网络的计算方法，常规测井曲线以单井裂缝识别裂缝硬数据作为学习对象，进行网格化训练，形成训练模块并推广至缺乏岩心编录与成像测井资料的单井，进行相应的学习训练，最终形成常规测井曲线识别裂缝模型。
8.根据权利要求6所述的基于神经网络的多属性地震信息融合裂缝预测的方法，其特征在于，步骤二具体包括：结合有限的岩心资料、成像测井资料对裂缝解释成果，以常规测井曲线识别裂缝模型为指导，完成单井裂缝的识别与半定量-定量评价，继而根据单井裂缝解释数据，生成单井裂缝发育强度曲线。
9.根据权利要求6所述的基于神经网络的多属性地震信息融合裂缝预测的方法，其特征在于，步骤三具体包括：对本区叠前三维地震道集数据进行叠前保幅、分方位角叠加预处理，建立裂缝发育段的岩石物理正演模型，同时，对工区进行应力场数值模拟研究，在此基础之上利用方位角各向异性属性和远近偏移距属性，对本区进行了综合裂缝预测，分别得到方位角各向异性属性的裂缝预测体与远近偏移距属性的裂缝预测体。
10.根据权利要求6所述的基于神经网络的多属性地震信息融合裂缝预测的方法，其特征在于，步骤四具体包括：以单井时深关系资料、时间层位解释数据为基础，利用协同克里金算法，建立工区内速度模型；以速度模型为约束，进行地震属性裂缝预测体的时深转换，获得深度域裂缝预测体。
11.根据权利要求6所述的基于神经网络的多属性地震信息融合裂缝预测的方法，其特征在于，步骤五具体包括：将各地震信息的深度域裂缝预测体粗化至所述地质模型中。
12.根据权利要求6所述的基于神经网络的多属性地震信息融合裂缝预测的方法，其特征在于，步骤七具体包括：在数据变换及变差函数分析的基础上，以通过成步骤二获取的单井裂缝发育强度曲线作为井上约束条件，以步骤六获取的地震信息融合裂缝发育概率体作为井间约束条件，通过序贯高斯随机函数模拟的方法建立裂缝强度模型，从而获得由单井控制的多地震属性信息融合的井控信息融合裂缝预测体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710147223.4A CN106873033B (zh) | 2017-03-13 | 2017-03-13 | 一种基于神经网络的多属性地震信息融合裂缝预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710147223.4A CN106873033B (zh) | 2017-03-13 | 2017-03-13 | 一种基于神经网络的多属性地震信息融合裂缝预测的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106873033A CN106873033A (zh) | 2017-06-20 |
| CN106873033B true CN106873033B (zh) | 2019-03-22 |
Family
ID=59170842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710147223.4A Active CN106873033B (zh) | 2017-03-13 | 2017-03-13 | 一种基于神经网络的多属性地震信息融合裂缝预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106873033B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107817535B (zh) * | 2017-09-27 | 2019-07-09 | 中国石油天然气股份有限公司 | 薄夹层的确定方法和装置 |
| CN112147698B (zh) * | 2019-06-28 | 2023-04-07 | 中国石油化工股份有限公司 | 裂缝发育带识别与特征确定的方法及系统 |
| CN112198549B (zh) * | 2019-07-08 | 2024-05-28 | 中国石油天然气集团有限公司 | 一种基于地震正演模板的叠前裂缝确定方法及系统 |
| CN110824563A (zh) * | 2019-10-21 | 2020-02-21 | 中国海洋石油集团有限公司 | 一种基于Xgboost算法的储层岩性预测方法 |
| CN112731556B (zh) * | 2019-10-28 | 2023-06-30 | 中国石油化工股份有限公司 | 一种裂缝发育区的预测方法及用于预测裂缝发育区的计算机存储介质 |
| CN112799135A (zh) * | 2019-11-14 | 2021-05-14 | 中国石油天然气集团有限公司 | 裂缝储层预测方法、装置、计算机设备及可读存储介质 |
| CN110988996A (zh) * | 2019-11-25 | 2020-04-10 | 中国海洋石油集团有限公司 | 一种基于Adaboost回归算法的储层孔隙度预测方法 |
| CN110952978B (zh) * | 2019-12-20 | 2020-11-06 | 西南石油大学 | 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法 |
| CN113589363B (zh) * | 2020-04-30 | 2024-03-19 | 中国石油化工股份有限公司 | 融合人工神经网络与地质统计学的油气预测新方法 |
| CN111736217B (zh) * | 2020-05-27 | 2023-12-26 | 中国石油天然气集团有限公司 | 地震属性融合方法及装置 |
| CN113495291A (zh) * | 2021-07-27 | 2021-10-12 | 成都爱为贝思科技有限公司 | 基于深度学习的偏前道集保幅性智能量化评价方法 |
| CN113568046B (zh) * | 2021-07-28 | 2023-02-03 | 中国海洋石油集团有限公司 | 裂缝方位约束的多维信息裂缝表征方法 |
| CN113592000A (zh) * | 2021-08-03 | 2021-11-02 | 成都理工大学 | 基于卷积对抗神经网络的裂缝识别技术 |
| CN114114457B (zh) * | 2021-11-09 | 2022-12-02 | 中国石油大学(北京) | 基于多模态测井数据的裂缝表征方法、装置及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103424776A (zh) * | 2013-08-16 | 2013-12-04 | 中国石油大学(华东) | 一种碳酸盐岩油气储层裂缝地震检测方法 |
| CN103837889A (zh) * | 2013-11-29 | 2014-06-04 | 成都理工大学 | 一种地震属性多源信息融合方法 |
| CN104502997A (zh) * | 2015-01-22 | 2015-04-08 | 中国石油化工集团公司 | 一种利用裂缝密度曲线预测裂缝密度体的方法 |
| CN104884974A (zh) * | 2012-12-05 | 2015-09-02 | 兰德马克绘图国际公司 | 利用人工神经网络进行3d地震数据深度转换的系统和方法 |
| CN105005079A (zh) * | 2015-07-14 | 2015-10-28 | 北京博达瑞恒科技有限公司 | 一种井曲线反演方法 |
| CN105445814A (zh) * | 2015-11-09 | 2016-03-30 | 恒泰艾普石油天然气技术服务股份有限公司 | 海上窄方位角资料的方位各向异性属性差裂缝预测方法 |
| CN105652316A (zh) * | 2014-12-01 | 2016-06-08 | 北京石大创新石油科技有限公司 | 一种基于裂缝模型的智能优化地震多属性融合方法 |
| CN106353811A (zh) * | 2016-08-12 | 2017-01-25 | 北京天工新源科技有限公司 | 一种基于井资料属性优选的多属性融合储层流体识别方法 |
-
2017
- 2017-03-13 CN CN201710147223.4A patent/CN106873033B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104884974A (zh) * | 2012-12-05 | 2015-09-02 | 兰德马克绘图国际公司 | 利用人工神经网络进行3d地震数据深度转换的系统和方法 |
| CN103424776A (zh) * | 2013-08-16 | 2013-12-04 | 中国石油大学(华东) | 一种碳酸盐岩油气储层裂缝地震检测方法 |
| CN103837889A (zh) * | 2013-11-29 | 2014-06-04 | 成都理工大学 | 一种地震属性多源信息融合方法 |
| CN105652316A (zh) * | 2014-12-01 | 2016-06-08 | 北京石大创新石油科技有限公司 | 一种基于裂缝模型的智能优化地震多属性融合方法 |
| CN104502997A (zh) * | 2015-01-22 | 2015-04-08 | 中国石油化工集团公司 | 一种利用裂缝密度曲线预测裂缝密度体的方法 |
| CN105005079A (zh) * | 2015-07-14 | 2015-10-28 | 北京博达瑞恒科技有限公司 | 一种井曲线反演方法 |
| CN105445814A (zh) * | 2015-11-09 | 2016-03-30 | 恒泰艾普石油天然气技术服务股份有限公司 | 海上窄方位角资料的方位各向异性属性差裂缝预测方法 |
| CN106353811A (zh) * | 2016-08-12 | 2017-01-25 | 北京天工新源科技有限公司 | 一种基于井资料属性优选的多属性融合储层流体识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| "五百梯气田长兴组储层裂缝发育程度的常规测井神经网络预测";杨莉娜 等;《中国石油勘探》;20111231(第1（2011）期);摘要、第63页左栏第1段-第67页右栏第1段 |
| "基于BP神经网络裂缝预测方法在DMT凹陷潜山变质岩中的应用研究";黄凤祥 等;《工程地球物理学报》;20160731;第13卷(第4期);第488页左栏第1段-第489页右栏第1段、附图8-9、表1 |
| "锦州南油田潜山裂缝储层地震预测技术研究";明君 等;《中国石油勘探》;20140131;第19卷(第1期);第61页左栏第1段-第63页右栏第3段 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106873033A (zh) | 2017-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106873033B (zh) | 一种基于神经网络的多属性地震信息融合裂缝预测的方法 | |
| CN103454686B (zh) | 基于地层切片的小尺度沉积相进行储层预测的方法及系统 | |
| CN102645670B (zh) | 一种基于叠加响应分析的观测系统优化设计方法 | |
| CN109960897A (zh) | 一种页岩油水平井轨迹设计与现场跟踪调整研究方法 | |
| CN104597493B (zh) | 基于实际地震数据的观测系统变观设计评价方法及装置 | |
| CN108415075B (zh) | 一种少井条件下的储层预测方法 | |
| CN105182424B (zh) | 一种基于斑块饱和模型定量预测储层孔隙度的方法和装置 | |
| CN108957549A (zh) | 一种辫状河沉积非均质致密砂岩气藏地质建模方法 | |
| CN107894615B (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 | |
| CN110333551A (zh) | 基于井震结合的白云岩储层预测方法、系统及存储介质 | |
| CN107728204B (zh) | 基于叠前纵波各向异性的裂缝预测方法及系统 | |
| CN107132573B (zh) | 一种应用子波分解重构技术识别强阻抗屏蔽下岩性油藏的方法 | |
| 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 | |
| CN104345345A (zh) | 一种页岩储层总有机碳toc含量预测方法 | |
| CN107942404B (zh) | 一种确定裂缝的方法及装置 | |
| CN107678072B (zh) | 基于磁力、地震、钻井联合的火成岩储层预测方法 | |
| CN109343120B (zh) | 融入约束稀疏脉冲反演低频补偿的声波曲线重构方法 | |
| CN106338765B (zh) | 用于确定复合弹性参数油气识别因子的方法及系统 | |
| CN104155687A (zh) | 一种相控叠后声波阻抗反演方法 | |
| CN110309518A (zh) | 缝洞型碳酸盐岩油藏溶蚀孔洞分级分类建模方法 | |
| Norton et al. | Surface seismic to microseismic: An integrated case study from exploration to completion in the Montney shale of NE British Columbia, Canada | |
| CN106338761A (zh) | 三维镶嵌式实体建模方法 | |
| CN103399345B (zh) | 一种潜山裂缝分布的勘测方法与装置 | |
| Folsom et al. | Geophysical observations and integrated conceptual models of the San Emidio geothermal field, Nevada | |
| CN106033127A (zh) | 基于横波速度变化率的地应力方位地震预测方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100010 Chaoyangmen North Street, Dongcheng District, Dongcheng District, Beijing Applicant after: China Offshore Oil Group Co., Ltd. Applicant after: CNOOC Energy Development Co., Ltd. Address before: 100010 Chaoyangmen North Street, Dongcheng District, Dongcheng District, Beijing Applicant before: China National Offshore Oil Corporation Applicant before: CNOOC Energy Development Co., Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |