CN107870368A - 一种基于地震属性的总有机碳含量空间分布预测方法 - Google Patents
一种基于地震属性的总有机碳含量空间分布预测方法 Download PDFInfo
- Publication number
- CN107870368A CN107870368A CN201610851523.6A CN201610851523A CN107870368A CN 107870368 A CN107870368 A CN 107870368A CN 201610851523 A CN201610851523 A CN 201610851523A CN 107870368 A CN107870368 A CN 107870368A
- Authority
- CN
- China
- Prior art keywords
- organic carbon
- seismic
- carbon content
- total organic
- reservoir
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
-
- 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. analysis, for interpretation, for correction
- 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
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
-
- 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
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
Abstract
本发明提出了一种基于地震属性的总有机碳含量空间分布预测方法，包括：利用神经网络方法建立储层总有机碳含量与地震属性之间的非线性关系；通过地震属性数据预测页岩气储层的总有机碳含量空间分布。本发明的方法首先选择训练样本建立总有机碳含量与地震属性之间的非线性关系，然后将所述非线性关系应用到整个地震数据体。本发明的方法在岩石物理分析和测井识别与评价的基础上，通过寻找页岩储层的TOC敏感地球物理参数，选用神经网络方法建立储层TOC特征曲线与地震响应的关系，通过地震多属性数据预测页岩气储层的总有机碳含量。可以预测和评价页岩气储层有利发育区域，综合评价页岩气的资源状况，优选有利开发区域。
Description
技术领域
本发明涉及油气地球物理技术领域。特别地，涉及一种基于地震属性的总有机碳含量空间分布预测方法。
背景技术
页岩气的富集需要丰富的烃源物质基础，要求生烃有机质含量达到一定标准。相对于非烃源岩，作为“自生自储”类储层的页岩气储层，通常含有相当含量的有机质。当页岩中含有十分丰富的有机物质时，对它加热时可以驱出油气。因此对于页岩气储层，有机质丰度是评价一个层段是否有利于开发的重要指标，而总有机碳含量(Total organic carbon，TOC)是反映储层有机质丰度的主要指标。总有机碳又称剩余有机碳，指岩石中残留的或剩余的有机碳含量。总有机碳含量是烃源岩丰度评价的重要指标，也是衡量生烃强度和生烃量的重要参数。
总有机碳含量是国内外普遍采用的有机质丰度指标，指烃源岩中油气逸出后，岩石中残留下来有机质中的碳含量，一般在实验室中测定其数值，又称剩余有机碳含量。TOC值可表征页岩气含气量大小，页岩气含量与TOC含量之间存在正相关关系，有机质中纳米微孔隙是页岩气吸附的重要载体。由于有机碳的吸附特征，其含量直接控制着页岩的吸附气含量，所以，要获得有工业价值的页岩气藏，有机碳的平均含量应达到一定门限值。
传统的获取TOC含量的方法是基于地球化学测量，用极少量钻井取得的岩心以及大量的岩屑或井壁取心通过实验室分析获得。但是该方法受到岩心样品数量、岩屑分析的可靠性的限制与影响，而且其分析结果在纵向上是不连续的。此外，实验室测量分析周期长、价格昂贵。由于有机质具有独特的岩石物理性质，使得其测井响应相较非烃源岩层段有明显的差别，主要表现为高声波时差、高电阻率、高自然伽马、低密度的“三高一低”的特性，使得利用连续且分辨率很高的测井曲线求取有机质含量成为可能，在此基础上可以建立测井信息与有机质丰度之间的对应关系，直接获取烃源岩有机质丰度等评价参数，从而定性、定量地评价烃源岩。但是两种方法得到的都是地下局部的信息，无法预测TOC的空间分布，为水平井轨迹的设计提供支持。三是利用地震方法进行TOC含量的空间预测，常规的做法是从岩心实测的TOC或者测井评价的TOC出发，通过TOC与地球物理参数交会分析，寻找TOC敏感参数，建立数学的拟合方程，得到计算总有机碳含量的经验公式。拟合方程有单一地球物理参数的线性拟合和多参数的非线性拟合等方式，存在预测精度不高的问题。陈祖庆(2014，海相页岩TOC地震定量预测技术及其应用以-四川盆地焦石坝为例)以四川盆地焦石坝地区为例，从岩心实测TOC出发，通过TOC与地球物理参数交会分析，寻找到TOC敏感地球物理参数-密度，并建立密度与TOC之间的最佳线性拟合方程，得到计算总有机碳含量的经验公式；结合叠前地震反演获得的密度体便可计算出TOC数据体，从而达到定量预测页岩TOC的目的。金吉能，潘仁芳(2012，地震多属性反演预测页岩总有机碳含量)通过地震多属性反演对页岩TOC质量分数进行横向预测，可以将单井TOC质量分数预测扩展到对TOC质量分数平面分布的预测，实现了页岩TOC质量分数评价由线到面的可能。但是，上述方法中的单一地球物理参数的线性拟合或多参数的非线性拟合等方式的预测精度不高。因此，本领域亟需一种新的总有机碳含量空间分布预测方法。
发明内容
对于页岩气储层，有机质丰度是评价一个层段是否有利于开发的重要指标，而总有机碳(TOC)含量是反映储层有机质丰度的主要指标。相对于非烃源岩，作为“自生自储”类储层的页岩气储层，通常含有相当含量的有机质。传统的做法是通过地球化学分析烃源岩的样品，但是该方法受到岩心样品数量、岩屑分析的可靠性的限制与影响，而且其分析结果在纵向上是不连续的。由于有机质具有独特的物理性质，使得其测井响应相较非烃源岩层段有明显的差别。通过测井数据也可以识别烃源岩和对烃源岩的含烃潜力进行评价。但是两种方法得到的都是地下局部的信息。因此本发明将利用多种地震属性数据，通过井的标定和神经网络方法将地震属性数据体转换成TOC含量，反演得出有机碳含量空间展布规律，为页岩油气的勘探开发提供技术支持。
发明人发现岩石中富含有机质后的弹性特征变化规律与背景岩石、有机质含量密切相关。通常，高有机质层段显现出高纵横波速度比，高泊松比，低横波阻抗，低μρ等特征。基于上述发现，本发明通过神经网络算法，在井附近建立TOC曲线和密度曲线、阻抗曲线等地震属性之间的非线性关系，然后将这种关系应用到整个地震数据体。具体地，采用径向基函数(radial basis function，RBF)神经网络建立地震属性(纵波阻抗等)与TOC之间的非线性关系。
根据本发明的一个方面，提供一种基于地震属性的总有机碳含量空间分布预测方法，包括：利用神经网络方法建立储层总有机碳含量与地震属性之间的非线性关系；通过地震属性数据预测页岩气储层的总有机碳含量空间分布。
进一步地，采用径向基函数神经网络方法建立储层总有机碳含量与地震属性之间的非线性关系。
进一步地，选择训练样本建立总有机碳含量与地震属性之间的非线性关系，然后将所述非线性关系应用到整个地震数据体。
进一步地，地震属性用向量表示为：
si＝(si1,si2,…,siM),i＝1,2,...,N (1)
其中N表示训练样本的样点数，每个样点对应有M个地震属性，Si为已知的样本值。
进一步地，将训练样本表示为是地震属性向量的函数t(si)，并使得：
y(si)＝t(si),i＝1,2,…,N. (2)
y(si)表示已知的总有机碳含量样本值。
进一步地，利用多线性回归方法找到地震属性最佳的排序来反馈到神经网络中，将方程(2)表达为：
w表示未知系数，方程(3)包含M+1个未知系数，w0和wj，j＝1,2,…M。
进一步地，方程(2)的最小二乘解表达为：
其中非线性函数φij称为基函数，方程(4)包含N个未知系数w。
进一步地，基函数的形式是高斯函数：
σ表示平滑项，是个常数，类似于高斯分布的方差，si和sj分别表示不同训练样本点的地震属性向量。
进一步地，将方程(4)的解表达成如下矩阵形式：
w＝[φ+λI]-1t (6)
式中，λ表示预白因子，I表示单位矩阵，求解方程(6)得到系数矩阵w。
进一步地，利用求解的系数矩阵w，通过方程(7)计算得出未知的总有机碳含量数据，
这里L表示未知值的数量，y(xl)表示待求的总有机碳含量样本值，y(si)表示已知的总有机碳含量样本值。
本发明的方案在岩石物理分析和测井识别与评价的基础上，通过寻找页岩储层的TOC敏感地球物理参数，选用神经网络方法建立储层TOC特征曲线与地震响应的关系，通过地震多属性数据预测页岩气储层的总有机碳含量。可以预测和评价页岩气储层有利发育区域，综合评价页岩气的资源状况，优选有利开发区域。
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显示了基于岩石物理模型的页岩组成物质弹性参数变化图。
图2显示了高TOC层段(>2％，浅灰色的点)与低TOC层段(<2％，深黑色的点)弹性属性交会图，其中(a)显示了纵波阻抗与横波阻抗，(b)显示了拉梅系数，(c)显示了杨氏模量和泊松比，(d)显示了纵波阻抗和纵横波速度比。
图3显示了某地区8口页岩气井的TOC曲线神经网络训练结果。
图4显示了地震剖面(左)、波阻抗剖面(中)、TOC反演剖面(右)图。
图5显示了连井TOC反演剖面图。
图6显示了目的层TOC平面分布图。
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。
本公开提出了一种基于地震属性的总有机碳含量空间分布预测方法，包括：利用神经网络方法建立储层总有机碳含量与地震属性之间的非线性关系；通过地震属性数据预测页岩气储层的总有机碳含量空间分布。
优选地，本发明的方法首先选择训练样本建立总有机碳含量与地震属性之间的非线性关系，然后将所述非线性关系应用到整个地震数据体。
进一步地，采用径向基函数神经网络方法建立储层总有机碳含量与地震属性之间的非线性关系。
下面结合附图详细描述本发明的实施例。
通过岩石物理分析和实际测井数据的分析表明，页岩中TOC含量的变化能够对岩石的弹性性质产生影响。图1展示了岩石物理模型正演的分析结果，通过设定不同的输入参数，得到不同的矿物组成时的不同弹性参数的变化，分别以石英，方解石，黏土，干酪根为端元点，含量每10％变化。由图可见，纯的矿物的弹性特征表现为：
P波阻抗，方解石>石英>黏土>干酪根；
S波阻抗，石英>方解石>黏土>干酪根；
Vp/Vs，黏土>方解石>干酪根>石英；
泊松比，黏土>方解石>干酪根>石英；
杨氏模量，黏土>方解石>干酪根>石英；
λρ，石英>方解石>黏土>干酪根；
μρ，石英>方解石>黏土>干酪根。
当含有干酪根后，不同的端元矿物向加入矿物的弹性参数方向变化。从图1中可以看出，富含有机质后的弹性特征变化规律与背景岩石、有机质含量密切相关。
图2展示了某口页岩气井的测井分析结果，选取高有机质含量的层段(TOC>2％)和低有机质含量的层段作弹性属性交会，可以很明显的看到高有机质层段显现出高纵横波速度比，高泊松比，低横波阻抗，低μρ的特征，这与上述基于岩石物理模型正演得到的结果是一致的。
通过分析我们可以发现这些关系，但是如何利用这些关系使我们能够将地震属性转换为有机质的含量。因此本发明提出，通过神经网络算法，在井附近建立TOC曲线和密度曲线、阻抗曲线等地震属性之间的非线性关系，然后将这种关系应用到整个地震数据体。
人工神经网络是在研究生物神经系统启发下发展起来的一种信息处理方法，在解决非线性问题上表现出独特的优越性。人工神经网络在处理信息十分复杂、背景知识不甚清楚、推理规则不够明确的问题方面，显示出其独特的优越性。它可以通过大量样本的学习来抽取隐含在样本中的因果关系，从数据中提取事物特征，在新的情况或信息不准确、不完备情况下依然能推理，因此神经网络方法用于总有机碳含量的预测是完全可行的。采用径向基函数(radial basis function，RBF)神经网络建立地震属性(纵波阻抗等)与TOC之间的非线性关系。
假设训练数据含有N训练数据样点，每个样点对应有M个地震属性，地震属性可以用向量表示为：
si＝(si1,si2,…,siM),i＝1,2,...,N (1)
训练样本可表示为是地震属性向量的函数t(si)，数学上，我们可以找到某些函数y，使得：
y(si)＝t(si),i＝1,2,…,N. (2)
y(si)表示已知的总有机碳含量样本值。
方程(2)中最直接的函数关系是多线性回归，可表达为：
方程(3)包含M+1个未知系数wj和N个已知的值Si(训练样本值)。通常，训练样本值的个数N远多于地震属性的个数M，求解这个超定方程组有很多方法，这里就不赘述了。
本方法中，多线性回归方法用于找到地震属性最佳的排序来反馈到神经网络中。方程(2)的最小二乘解可表达为：
这里非线性函数φij称为基函数，不同于方程(3)，方程(4)包含N个未知系数w和N个训练样本。
方程(4)中的基函数可以有很多的形式，最常采用的形式是高斯函数：
采用高斯基函数有如下优点：(1)形式简单；(2)径向对称；(3)光滑性好，存在任意阶导数。
方程(4)的解可表达成如下矩阵形式：
w＝[φ+λI]-1t (6)
式中，λ表示预白因子，I表示单位矩阵。求解方程(6)得到系数矩阵w。就可以通过方程(7)计算得出未知的总有机碳含量数据。
这里L表示未知值的数量。y(xl)表示待求的总有机碳含量样本值。y(si)表示已知的总有机碳含量样本值。
由此获得储层总有机碳含量与地震属性之间的非线性关系。
针对某区优选出8口井的TOC特征曲线参与神经网络的训练，并对训练结果进行井之间的相互交叉验证。图3展示了8口井利用地震属性数据，通过神经网络训练得出的TOC特征曲线和原始测井的TOC特征曲线的对比分析图，可以看出相关系数达到了0.9086，平均误差为0.1354％。
将8口井神经网络的训练的结果，用运到整个地震数据体上，就可以得到表示TOC含量的数据体，图5展示了一条连井的TOC反演剖面，可以看出目的层TOC含量在纵向和横向上的变化。图6展示了目的层TOC含量的平面分布情况。
含气页岩的有机碳含量不但决定页岩气的生成量，而且影响页岩气的赋存和富集，进而影响页岩气的资源丰度。在岩石物理分析和测井识别与评价的基础上，通过寻找页岩储层的TOC敏感地球物理参数，选用神经网络方法建立储层TOC特征曲线与地震响应的关系，通过地震多属性数据预测页岩气储层的总有机碳含量。可以预测和评价页岩气储层有利发育区域，综合评价页岩气的资源状况，优选有利开发区域。
为便于理解本发明实施例的方案及其效果，以下给出一个具体应用示例。本领域技术人员应理解，该示例仅为了便于理解本发明，其任何具体细节并非意在以任何方式限制本发明。
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 (10)
1.一种基于地震属性的总有机碳含量空间分布预测方法，其特征在于，包括：
利用神经网络方法建立储层总有机碳含量与地震属性之间的非线性关系；
通过地震属性数据预测页岩气储层的总有机碳含量空间分布。
2.根据权利要求1所述的方法，其中采用径向基函数神经网络方法建立储层总有机碳含量与地震属性之间的非线性关系。
3.根据权利要求1所述的方法，其中选择训练样本建立总有机碳含量与地震属性之间的非线性关系，然后将所述非线性关系应用到整个地震数据体。
4.根据权利要求3所述的方法，其中地震属性用向量表示为：
si＝(si1,si2,…,siM),i＝1,2,...,N (1)
其中N表示训练样本的样点数，每个样点对应有M个地震属性，Si为已知的样本值。
5.根据权利要求4所述的方法，其中将训练样本表示为是地震属性向量的函数t(si)，并使得：
y(si)＝t(si),i＝1,2,...,N. (2)
y(si)表示已知的总有机碳含量样本值。
6.根据权利要求5所述的方法，其中利用多线性回归方法找到地震属性最佳的排序来反馈到神经网络中，将方程(2)表达为：
<mrow>
<mi>t</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>w</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>N</mi>
<mo>.</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
w表示未知系数，方程(3)包含M+1个未知系数，w0和wj，j＝1,2,…M。
7.根据权利要求6所述的方法，其中方程(2)的最小二乘解表达为：
<mrow>
<mi>t</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<msub>
<mi>&phi;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>N</mi>
<mo>.</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中非线性函数φij称为基函数，方程(4)包含N个未知系数w。
8.根据权利要求7所述的方法，其中基函数的形式是高斯函数：
<mrow>
<msub>
<mi>&phi;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
σ表示平滑项，是个常数，类似于高斯分布的方差，si和sj分别表示不同训练样本点的地震属性向量。
9.根据权利要求8所述的方法，其中将方程(4)的解表达成如下矩阵形式：
w＝[φ+λI]-1t (6)
式中，λ表示预白因子，I表示单位矩阵，求解方程(6)得到系数矩阵w。
10.根据权利要求9所述的方法，其中利用求解的系数矩阵w，通过方程(7)计算得出未知的总有机碳含量数据，
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>l</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>l</mi>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
</mrow>
<mo>&rsqb;</mo>
<mo>,</mo>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>L</mi>
<mo>.</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
这里L表示未知值的数量，y(xl)表示待求的总有机碳含量样本值，y(si)表示已知的总有机碳含量样本值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610851523.6A CN107870368A (zh) | 2016-09-26 | 2016-09-26 | 一种基于地震属性的总有机碳含量空间分布预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610851523.6A CN107870368A (zh) | 2016-09-26 | 2016-09-26 | 一种基于地震属性的总有机碳含量空间分布预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107870368A true CN107870368A (zh) | 2018-04-03 |
Family
ID=61751968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610851523.6A Pending CN107870368A (zh) | 2016-09-26 | 2016-09-26 | 一种基于地震属性的总有机碳含量空间分布预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107870368A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109507733A (zh) * | 2018-12-11 | 2019-03-22 | 中国石油天然气股份有限公司大港油田分公司 | 一种预测烃源岩有机质丰度的方法及装置 |
| CN112147679A (zh) * | 2019-06-26 | 2020-12-29 | 中国石油化工股份有限公司 | 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置 |
| CN113050191A (zh) * | 2019-12-26 | 2021-06-29 | 中国石油天然气集团有限公司 | 基于双参数的页岩油toc预测方法及装置 |
| CN114114414A (zh) * | 2021-11-18 | 2022-03-01 | 电子科技大学长三角研究院(湖州) | 一种页岩储层“甜点”信息人工智能预测方法 |
| CN115684554B (zh) * | 2022-12-06 | 2023-08-11 | 东北石油大学三亚海洋油气研究院 | 富有机质泥页岩的四端元岩相划分方法、系统及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104345345A (zh) * | 2014-10-30 | 2015-02-11 | 中国石油天然气集团公司 | 一种页岩储层总有机碳toc含量预测方法 |
| CN105277982A (zh) * | 2014-07-25 | 2016-01-27 | 中国石油化工股份有限公司 | 一种泥页岩总有机碳含量地震预测方法 |
-
2016
- 2016-09-26 CN CN201610851523.6A patent/CN107870368A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105277982A (zh) * | 2014-07-25 | 2016-01-27 | 中国石油化工股份有限公司 | 一种泥页岩总有机碳含量地震预测方法 |
| CN104345345A (zh) * | 2014-10-30 | 2015-02-11 | 中国石油天然气集团公司 | 一种页岩储层总有机碳toc含量预测方法 |
Non-Patent Citations (6)
| Title |
|---|
| ZHIZHOU HUO ET AL.: "A New Rock Physics Model for shale", 《CPS/SEG BEIJING 2014 INTERNATIONAL GEOPHYSICAL CONFERENCE》 * |
| 周圣武等: "《应用概率统计》", 31 March 2015, 徐州：中国矿业大学出版社 * |
| 王斌会: "《多元统计分析及R语言建模（第4版）》", 31 March 2016 * |
| 许杰等: "含气页岩有机碳含量地球物理预测", 《石油地球物理勘探》 * |
| 谭茂金: "《有机页岩测井岩石物理》", 30 November 2015, 北京：石油工业出版社 * |
| 金吉能等: "地震多属性反演预测页岩总有机碳含量", 《石油天然气学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109507733A (zh) * | 2018-12-11 | 2019-03-22 | 中国石油天然气股份有限公司大港油田分公司 | 一种预测烃源岩有机质丰度的方法及装置 |
| CN112147679A (zh) * | 2019-06-26 | 2020-12-29 | 中国石油化工股份有限公司 | 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置 |
| CN112147679B (zh) * | 2019-06-26 | 2024-04-16 | 中国石油化工股份有限公司 | 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置 |
| CN113050191A (zh) * | 2019-12-26 | 2021-06-29 | 中国石油天然气集团有限公司 | 基于双参数的页岩油toc预测方法及装置 |
| CN113050191B (zh) * | 2019-12-26 | 2024-03-26 | 中国石油天然气集团有限公司 | 基于双参数的页岩油toc预测方法及装置 |
| CN114114414A (zh) * | 2021-11-18 | 2022-03-01 | 电子科技大学长三角研究院(湖州) | 一种页岩储层“甜点”信息人工智能预测方法 |
| CN115684554B (zh) * | 2022-12-06 | 2023-08-11 | 东北石油大学三亚海洋油气研究院 | 富有机质泥页岩的四端元岩相划分方法、系统及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alizadeh et al. | Artificial neural network modeling and cluster analysis for organic facies and burial history estimation using well log data: A case study of the South Pars Gas Field, Persian Gulf, Iran | |
| US10698131B2 (en) | Methods for improving matrix density and porosity estimates in subsurface formations | |
| US8090555B2 (en) | Multi-attribute seismic characterization of gas hydrates | |
| CN107870368A (zh) | 一种基于地震属性的总有机碳含量空间分布预测方法 | |
| US10983246B2 (en) | Thermal maturity estimation via logs | |
| Shi et al. | Brittleness index prediction in shale gas reservoirs based on efficient network models | |
| Qin et al. | Fast prediction method of Archie’s cementation exponent | |
| Miah | Improved prediction of shear wave velocity for clastic sedimentary rocks using hybrid model with core data | |
| Tariq et al. | An artificial intelligence approach to predict the water saturation in carbonate reservoir rocks | |
| Li et al. | A data-driven field-scale approach to estimate the permeability of fractured rocks | |
| Rotondi et al. | Hydrocarbon production forecast and uncertainty quantification: A field application | |
| Zhong et al. | Coal identification using neural networks with real-time coalbed methane drilling data | |
| Chen et al. | NMR-data-driven prediction of matrix permeability in sandstone aquifers | |
| Srivardhan | Adaptive boosting of random forest algorithm for automatic petrophysical interpretation of well logs | |
| CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
| Rovetta et al. | Petrophysical joint inversion of multi-geophysical attributes and measurements for reservoir characterization | |
| CN110118994B (zh) | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 | |
| Anifowose et al. | Contributions of machine learning to quantitative and real-time mud gas data analysis: A critical review | |
| Gholanlo et al. | Estimation of water saturation by using radial based function artificial neural network in carbonate reservoir: A case study in Sarvak formation | |
| Chen et al. | Hydrocarbon favourability mapping using fuzzy integration: western Sverdrup Basin, Canada | |
| Tan et al. | A NOVEL WIRELINE LOGS BASED APPROACH FOR ASSESSMENT OF MINERAL CONCENTRATIONS IN ORGANIC SHALE. | |
| Rahaman et al. | Feature selection-based artificial intelligence techniques for estimating total organic carbon from well logs | |
| Wibowo et al. | Total organic carbon (TOC) prediction using machine learning methods based on well logs data | |
| Cheng et al. | Practical Bayesian Inversions for Rock Composition and Petrophysical Endpoints in Multimineral Analysis | |
| Bhatt et al. | Application of committee machines in reservoir characterization while drilling: a novel neural network approach in log analysis |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180403 |
|
| RJ01 | Rejection of invention patent application after publication |