CN107817521B - 一种基于改进的成分克里金的岩性分布概率识别方法 - Google Patents
一种基于改进的成分克里金的岩性分布概率识别方法 Download PDFInfo
- Publication number
- CN107817521B CN107817521B CN201711025800.9A CN201711025800A CN107817521B CN 107817521 B CN107817521 B CN 107817521B CN 201711025800 A CN201711025800 A CN 201711025800A CN 107817521 B CN107817521 B CN 107817521B
- Authority
- CN
- China
- Prior art keywords
- lithology
- probability
- improved
- decigram
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000004615 ingredient Substances 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000013316 zoning Methods 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 16
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 7
- 239000010931 gold Substances 0.000 claims description 7
- 229910052737 gold Inorganic materials 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method 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
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
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)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进的成分克里金的岩性分布概率识别方法,包括建立地震属性与岩性分布的概率密度函数;使用概率密度函数,计算区域内所有待估计点的岩性先验概率;将岩性先验概率分布转换,使其满足正态分布;使用改进的成分克里金方法对转换后的岩性先验概率进行计算,获得区域内所有待估计点的岩性概率分布;改进的成分克里金方法为将岩芯岩性作为约束条件加入到了成分克里金方法中。本发明改进了传统的成分克里金方法,改进后的方法更加适用于石油勘探中的岩性识别工作,提高了岩性概率识别的精度,降低了识别结果的不确定性,使识别结果具有更好的适用性以及岩性的可识别性,为后续的研究工作提供更多的信息支持。
Description
技术领域
本发明涉及一种基于改进的成分克里金的岩性分布概率识别方法,属于地球物理中岩性识别的技术领域。
背景技术
在石油地球物理勘探中,通过地球物理测井及地震反演资料识别岩性对于储层识别、流体预测等后续研究具有重要的参考意义。岩性识别中最有效的资料是取芯测井及地球物理测井,这两种资料能够提供与岩性有最直接关联的信息,但是在石油勘探早期往往只有少量的测井资料,因此通常需要地震资料、卫星多光谱资料等辅助识别。目前,比较常用的岩性识别方法有交会图、岩石物理模型、主成分分析、支持向量机、神经网络等。然而,使用常规方法识别岩性,往往具有工作量大的缺陷,并且识别结果很大程度受人为经验影响。近年来,有研究指出了常规的岩性识别方法只能够给出研究区岩性的固定表示,但由于岩性识别的过程中存在着一定的不确定性,而岩性的固定表示不能反映出不确定性的变化,因此,需要通过概率形式来表示岩性的分布特征。目前,研究中常用马尔科夫随机场或贝叶斯理论来表示模型的概率分布,基于常规的岩性识别方法,有学者提出了概率神经网络、马尔科夫岩石物理模型、混合高斯模型等方法。这些方法能够得出岩性识别的概率形式,但是却难以将测井、取芯及地震数据有效结合。
成分克里金是基于普通克里金提出的一种改进形式,自20世纪90年代,该方法应用于土壤粒级识别取得了良好的效果。该理论指出,凡是能够用成分数据表示的信息,都适用于成分克里金方法。由于岩性识别存在着不确定性,如果用概率表示研究区内的几种岩性,那么岩性概率就可以视为成分数据。因此,应用成分克里金可以对岩性概率进行重新估计,得到三维岩性概率分布图。但是,成分克里金在估计过程中只考虑一种类型的数据,而岩性概率与土壤组分相比这会导致岩性识别结果出现偏差,识别结果较为模糊。因此需要对成分克里金方法进行改进,提高岩性识别精度。
发明内容
为了解决上述技术问题,本发明提供了一种基于改进的成分克里金的岩性分布概率识别方法。
为了达到上述目的,本发明所采用的技术方案是:
一种基于改进的成分克里金的岩性分布概率识别方法,包括,
建立地震属性与岩性分布的概率密度函数;
使用概率密度函数,计算区域内所有待估计点的岩性先验概率;
将岩性先验概率分布转换,使其满足正态分布;
使用改进的成分克里金方法对转换后的岩性先验概率进行计算,获得区域内所有待估计点的岩性概率分布;改进的成分克里金方法为将岩芯岩性作为约束条件加入到了成分克里金方法中。
利用测井资料及地震资料,建立地震属性与岩性分布的概率密度函数,具体过程为:
S11,在测井位置统计岩性分布与测井参数的概率分布,并拟合曲线;
S12,统计所有测井位置处测井参数与不同地震属性,并拟合曲线,选取拟合曲线方差最小值的地震属性进行后续计算;
S13,通过步骤S11和步骤S12所拟合的曲线,建立该地震属性与岩性分布的概率密度函数,并根据方差大小给出误差范围。
利用对称对数比方法将岩性先验概率分布转换,使其满足正态分布。
先验概率分布转换的具体公式为,
其中,slric为转换后的第i个待估计点第c类岩性先验概率,μic为原始的第i个待估计点第c类岩性先验概率,δc为第c类岩性中非0的最小值,D为总岩性个数,i为待估计点编号。
获得区域内所有待估计点的岩性概率分布的过程为,
S41,利用区域内地震属性数据进行正态分布的协方差函数拟合,并根据概率数据将拟合后的协方差函数进行按比例缩小;
S42,提取测井位置处的岩性先验概率,确定其与区域待估计点岩性先验概率的相关系数大小,选取相关系数最大的待估计点进行计算,确定修正系数;
S43,将步骤S42中的修正系数引入克里金方程组,通过克里金方程组的无偏最优条件,求解改进的成分克里金方程组,获得区域每个待估计点的克里金权重;
S44,将步骤S43计算所得的克里金权重代入改进的成分克里金公式中,得到每个待估计点的岩性概率分布;
S45,将步骤S44所得的结果利用改进的对数比方法逆变换,获得最终的岩性概率识别结果。
修正系数的计算公式为,
其中,kc为第c类岩性修正系数,Z′c为测井位置处的第c类岩性先验概率,Z0c为待估计点的第c类岩性先验概率。
改进的成分克里金方程组为,
其中,kc为第c类岩性修正系数,Cc为第c类岩性的协方差矩阵,λc为第c类岩性的克里金权重,h1、h2、h3为拉格朗日系数,nc为第c类岩性下采样点的个数,Z0c为待估计点的第c类岩性先验概率,C0c为待估计点与其他点在第c类岩性中的协方差矩阵,D为总岩性个数,λic为第c类岩性中第i个采样点的克里金权重,Zic为第c类岩性中第i个采样点的先验概率。
改进的成分克里金公式为,
其中,Z* c为通过改进的成分克里金计算得到的第c种岩性的概率。
改进的对数比方法逆变换公式为,
其中,为逆变换结果。
本发明所达到的有益效果:本发明通过引入修正系数,将岩芯岩性作为约束条件加入到了成分克里金方法中,改进了传统的成分克里金方法,改进后的方法更加适用于石油勘探中的岩性识别工作,提高了岩性概率识别的精度,降低了识别结果的不确定性,使识别结果具有更好的适用性以及岩性的可识别性,为后续的研究工作提供更多的信息支持。
附图说明
图1为本发明的流程图;
图2为本发明示例所使用的模型岩性及井位分布图;
图3为本发明示例所使用的岩性先验概率分布示意图;
图4为本发明示例所使用的测井位置处岩性概率分布示意图;
图5为本发明示例一种基于改进的成分克里金方法所获得的岩性分布概率分布示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种基于改进的成分克里金的岩性分布概率识别方法,示例采用的模型岩性及井位分布图如图2,方法包括以下步骤:
步骤1,利用测井资料及地震资料,建立地震属性与岩性分布的概率密度函数。
具体过程为:
S11,在测井位置统计岩性分布与测井参数的概率分布,并通过一阶或二阶高斯函数拟合曲线;
S12,统计所有测井位置处测井参数与不同地震属性,并拟合曲线,选取拟合曲线方差最小值的地震属性进行后续计算;
S13,通过步骤S11和步骤S12所拟合的曲线,建立该地震属性与岩性分布的概率密度函数,并根据方差大小给出误差范围。
步骤2,使用概率密度函数,计算区域内所有待估计点的岩性先验概率。
步骤3,利用对称对数比方法将岩性先验概率分布转换,使其满足正态分布;先验概率分布转换的具体公式为,
其中,slric为转换后的第i个待估计点第c类岩性先验概率,μic为原始的第i个待估计点第c类岩性先验概率,δc为第c类岩性中非0的最小值,D为总岩性个数,i为待估计点编号,经过上述公式转换后所得到的岩性先验概率分布示意图如图3。
步骤4,使用改进的成分克里金方法对转换后的岩性先验概率进行计算,获得区域内所有待估计点的岩性概率分布;改进的成分克里金方法为将岩芯岩性作为约束条件加入到了成分克里金方法中。
获得区域内所有待估计点的岩性概率分布的过程为:
S41,利用区域内地震属性数据进行正态分布的协方差函数拟合,并根据概率数据将拟合后的协方差函数进行按比例缩小,使该协方差函数与岩性概率分布的协方差函数具有相似的变化范围、频率等特征;
S42,提取测井位置处的岩性先验概率,如图4,确定其与区域待估计点岩性先验概率的相关系数大小,选取相关系数最大的待估计点进行计算,确定修正系数;
修正系数的计算公式为,
其中,kc为第c类岩性修正系数,Z′c为测井位置处的第c类岩性先验概率,Z0c为待估计点的第c类岩性先验概率;
S43,将步骤S42中的修正系数引入克里金方程组,通过克里金方程组的无偏最优条件,求解改进的成分克里金方程组,获得区域每个待估计点的克里金权重;
改进的成分克里金方程组为,
其中,Cc为第c类岩性的协方差矩阵,λc为第c类岩性的克里金权重,h1、h2、h3为拉格朗日系数,nc为第c类岩性下采样点的个数,C0c为待估计点与其他点在第c类岩性中的协方差矩阵,λic为第c类岩性中第i个采样点的克里金权重,Zic为第c类岩性中第i个采样点的先验概率。
S44,将步骤S43计算所得的克里金权重代入改进的成分克里金公式中,得到每个待估计点的岩性概率分布;
改进的成分克里金公式为,
其中,Z* c为通过改进的成分克里金计算得到的第c种岩性的概率;
S45,将步骤S44所得的结果利用改进的对数比方法逆变换,获得最终的岩性概率识别结果,具体如图5所示;
改进的对数比方法逆变换公式为,
其中,为逆变换结果。
上述方法实现了取芯测井约束的岩性概率识别,将成分克里金方法改进并引入了地球物理领域,直接通过地震属性获得了岩性概率分布模型,提高了岩性概率识别的精度并降低了识别过程中的不确定性,由于该方法融合了岩心资料、地球物理测井资料和地震属性资料,通过该方法所获得的岩性概率识别结果更加符合实际地层分布情况,同时具有更好的适用性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种基于改进的成分克里金的岩性分布概率识别方法,其特征在于:包括,
建立地震属性与岩性分布的概率密度函数;
使用概率密度函数,计算区域内所有待估计点的岩性先验概率;
将岩性先验概率分布转换,使其满足正态分布;
使用改进的成分克里金方法对转换后的岩性先验概率进行计算,获得区域内所有待估计点的岩性概率分布;改进的成分克里金方法为将岩芯岩性作为约束条件加入到了成分克里金方法中;
获得区域内所有待估计点的岩性概率分布的过程为,
S41,利用区域内地震属性数据进行正态分布的协方差函数拟合,并根据概率数据将拟合后的协方差函数进行按比例缩小;
S42,提取测井位置处的岩性先验概率,确定其与区域待估计点岩性先验概率的相关系数大小,选取相关系数最大的待估计点进行计算,确定修正系数;
S43,将步骤S42中的修正系数引入克里金方程组,通过克里金方程组的无偏最优条件,求解改进的成分克里金方程组,获得区域每个待估计点的克里金权重;
S44,将步骤S43计算所得的克里金权重代入改进的成分克里金公式中,得到每个待估计点的岩性概率分布;
S45,将步骤S44所得的结果利用改进的对数比方法逆变换,获得最终的岩性概率识别结果。
2.根据权利要求1所述的一种基于改进的成分克里金的岩性分布概率识别方法,其特征在于:利用测井资料及地震资料,建立地震属性与岩性分布的概率密度函数,具体过程为:
S11,在测井位置统计岩性分布与测井参数的概率分布,并拟合曲线;
S12,统计所有测井位置处测井参数与不同地震属性,并拟合曲线,选取拟合曲线方差最小值的地震属性进行后续计算;
S13,通过步骤S11和步骤S12所拟合的曲线,建立该地震属性与岩性分布的概率密度函数,并根据方差大小给出误差范围。
3.根据权利要求1所述的一种基于改进的成分克里金的岩性分布概率识别方法,其特征在于:利用对称对数比方法将岩性先验概率分布转换,使其满足正态分布。
4.根据权利要求3所述的一种基于改进的成分克里金的岩性分布概率识别方法,其特征在于:先验概率分布转换的具体公式为,
其中,slric为转换后的第i个待估计点第c类岩性先验概率,μic为原始的第i个待估计点第c类岩性先验概率,δc为第c类岩性中非0的最小值,D为总岩性个数,i为待估计点编号。
5.根据权利要求1所述的一种基于改进的成分克里金的岩性分布概率识别方法,其特征在于:修正系数的计算公式为,
其中,kc为第c类岩性修正系数,Zc′为测井位置处的第c类岩性先验概率,Z0c为待估计点的第c类岩性先验概率。
6.根据权利要求1所述的一种基于改进的成分克里金的岩性分布概率识别方法,其特征在于:改进的成分克里金方程组为,
其中,kc为第c类岩性修正系数,Cc为第c类岩性的协方差矩阵,λc为第c类岩性的克里金权重,h1、h2、h3为拉格朗日系数,nc为第c类岩性下采样点的个数,Z0c为待估计点的第c类岩性先验概率,C0c为待估计点与其他点在第c类岩性中的协方差矩阵,D为总岩性个数,λic为第c类岩性中第i个采样点的克里金权重,Zic为第c类岩性中第i个采样点的先验概率。
7.根据权利要求1所述的一种基于改进的成分克里金的岩性分布概率识别方法,其特征在于:改进的成分克里金公式为,
其中,Z* c为通过改进的成分克里金计算得到的第c种岩性的概率,kc为第c类岩性修正系数,λic为第c类岩性中第i个采样点的克里金权重,Zic为第c类岩性中第i个采样点的先验概率,nc为第c类岩性下采样点的个数。
8.根据权利要求1所述的一种基于改进的成分克里金的岩性分布概率识别方法,其特征在于:改进的对数比方法逆变换公式为,
其中,为逆变换结果,Z* c为通过改进的成分克里金计算得到的第c种岩性的概率,δc为第c类岩性中非0的最小值,D为总岩性个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711025800.9A CN107817521B (zh) | 2017-10-27 | 2017-10-27 | 一种基于改进的成分克里金的岩性分布概率识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711025800.9A CN107817521B (zh) | 2017-10-27 | 2017-10-27 | 一种基于改进的成分克里金的岩性分布概率识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107817521A CN107817521A (zh) | 2018-03-20 |
CN107817521B true CN107817521B (zh) | 2019-07-12 |
Family
ID=61604340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711025800.9A Expired - Fee Related CN107817521B (zh) | 2017-10-27 | 2017-10-27 | 一种基于改进的成分克里金的岩性分布概率识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107817521B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110010210B (zh) * | 2019-03-29 | 2021-03-19 | 北京科技大学 | 基于机器学习并面向性能要求的多组元合金成分设计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5416750A (en) * | 1994-03-25 | 1995-05-16 | Western Atlas International, Inc. | Bayesian sequential indicator simulation of lithology from seismic data |
CN104749624A (zh) * | 2015-03-03 | 2015-07-01 | 中国石油大学(北京) | 一种地震岩相识别及其不确定性定量评价同步实现方法 |
CN106066493A (zh) * | 2016-05-24 | 2016-11-02 | 中国石油大学(北京) | 贝叶斯岩相判别方法及装置 |
CN106168676A (zh) * | 2015-05-22 | 2016-11-30 | 中国石油化工股份有限公司 | 基于地震资料的地层岩性和流体识别方法和装置 |
CN106772587A (zh) * | 2017-02-23 | 2017-05-31 | 河海大学 | 基于同位多相协同克里金的地震弹性参数相控建模方法 |
-
2017
- 2017-10-27 CN CN201711025800.9A patent/CN107817521B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5416750A (en) * | 1994-03-25 | 1995-05-16 | Western Atlas International, Inc. | Bayesian sequential indicator simulation of lithology from seismic data |
CN104749624A (zh) * | 2015-03-03 | 2015-07-01 | 中国石油大学(北京) | 一种地震岩相识别及其不确定性定量评价同步实现方法 |
CN106168676A (zh) * | 2015-05-22 | 2016-11-30 | 中国石油化工股份有限公司 | 基于地震资料的地层岩性和流体识别方法和装置 |
CN106066493A (zh) * | 2016-05-24 | 2016-11-02 | 中国石油大学(北京) | 贝叶斯岩相判别方法及装置 |
CN106772587A (zh) * | 2017-02-23 | 2017-05-31 | 河海大学 | 基于同位多相协同克里金的地震弹性参数相控建模方法 |
Non-Patent Citations (4)
Title |
---|
Compositional Kriging: A Spatial Interpolation Method for Compositional Data;DennisJ.J.Walvoort 等;《Mathematical Geology》;20011130;第33卷(第8期);第951-966页 |
地震岩石物理模板应用中的两个关键问题;张万龙 等;《地球物理学进展》;20150524;第30卷(第5期);第2324-2329页 |
多参数概率融合法在叠前地震储层预测中的应用-以苏里格气田苏194区块为例;高世臣 等;《油气地质与采收率》;20151130;第22卷(第6期);第61-67页 |
综合地球物理手段的岩性概率预测;韩飞龙 等;《2017中国地球科学联合学术年会论文集(二十二)-专题45:深地资源地震波勘探理论、方法进展》;20171015;第754页 |
Also Published As
Publication number | Publication date |
---|---|
CN107817521A (zh) | 2018-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Mapping multiple variables for predicting soil loss by geostatistical methods with TM images and a slope map | |
Krumbein | Regional and local components in facies maps | |
Odeh et al. | Elucidation of soil-landform interrelationships by canonical ordination analysis | |
CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
Verhoef et al. | Magnetic anomalies off west-Africa (20–38 N) | |
CN107966732B (zh) | 基于空间结构导向的地震属性变化率求取方法 | |
CN107688906B (zh) | 多方法融合的输电线路气象要素降尺度分析系统及方法 | |
CN105353412A (zh) | 一种井震联合平均速度场的计算方法及系统 | |
CN103886216B (zh) | 一种基于地质矢量信息的多点地质统计方法 | |
CN111080021B (zh) | 一种基于地质信息库的砂体构型cmm神经网络预测方法 | |
CN105572736B (zh) | 一种利用地震资料定量预测坡折带的方法 | |
CN105607122B (zh) | 一种基于全变分地震数据分解模型的地震纹理提取与增强方法 | |
CN106772587A (zh) | 基于同位多相协同克里金的地震弹性参数相控建模方法 | |
CN106846246A (zh) | 一种基于对象的遥感影像超分辨率制图方法 | |
CN108663714A (zh) | 一种沉积微相刻画方法 | |
CN107817521B (zh) | 一种基于改进的成分克里金的岩性分布概率识别方法 | |
CN107316341A (zh) | 一种多点地质统计学沉积相建模方法 | |
CN106569272A (zh) | 一种基于数据性质空间升维的地震属性融合方法 | |
CN108595749A (zh) | 一种使用变异函数单一方向结构分析的资源储量评估方法 | |
CN103628816A (zh) | 地震属性指导水平井导向的方法及其装置 | |
Glacken | Change of support and use of economic parameters for block selection | |
Liu et al. | Navigability analysis of local gravity map with projection pursuit-based selection method by using gravitation field algorithm | |
CN109254320A (zh) | 基于图像处理方法的地震属性优化和砂体叠置区预测方法 | |
CN114488297A (zh) | 一种断层识别方法及装置 | |
CN109031423B (zh) | 基于梯度共生矩阵的叠前地震纹理分析方法 |
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 | ||
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: 20190712 Termination date: 20211027 |