CN108138555A - 预测储层性质的方法、系统及设备 - Google Patents
预测储层性质的方法、系统及设备 Download PDFInfo
- Publication number
- CN108138555A CN108138555A CN201580079118.0A CN201580079118A CN108138555A CN 108138555 A CN108138555 A CN 108138555A CN 201580079118 A CN201580079118 A CN 201580079118A CN 108138555 A CN108138555 A CN 108138555A
- Authority
- CN
- China
- Prior art keywords
- log
- prediction
- well
- productivity
- stratum
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004519 manufacturing process Methods 0.000 claims abstract description 30
- 235000013350 formula milk Nutrition 0.000 claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 27
- 229930195733 hydrocarbon Natural products 0.000 claims abstract description 11
- 150000002430 hydrocarbons Chemical class 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims description 15
- 230000035699 permeability Effects 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims 2
- 230000008595 infiltration Effects 0.000 claims 1
- 238000001764 infiltration Methods 0.000 claims 1
- 239000000463 material Substances 0.000 description 10
- 230000015654 memory Effects 0.000 description 10
- 239000003921 oil Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 239000000203 mixture Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 241001269238 Data Species 0.000 description 5
- 238000012800 visualization Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000005251 gamma ray Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 108700038720 Ebip Proteins 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000010796 Steam-assisted gravity drainage Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003027 oil sand Substances 0.000 description 1
- 238000001615 p wave Methods 0.000 description 1
- 230000032696 parturition Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G01V2210/66—Subsurface modeling
-
- 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
- G01V2210/66—Subsurface modeling
- G01V2210/663—Modeling production-induced effects
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Public Health (AREA)
- Geophysics (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请公开了预测地层碳氢化合物生产率的方法、设备及机读媒介。方法包括:通过至少一台处理器根据自地层内至少一口井收集的数据接收或生成测井曲线;根据所述测井曲线生成所述至少一口井的预测生产率测井曲线;通过所述至少一台处理器接收地层现场数据组,所述现场数据组包括一定体积的地层三维空间中的数个地点的现场数据;将所述至少一口井的预测生产率测井曲线识别为一个或多个目标,确定关于所述现场数据与所述至少一口井的预测生产率测井曲线的变换公式;以及利用所述变换公式,生成一定体积的地层中各地点的预测生产率。
Description
技术领域
本申请涉及储层建模领域,具体涉及基于收集的物理数据构建地下动态储层性质模型的方法、系统及设备。
背景技术
碳氢化合物勘探涉及井数量、间隔(及相关成本)与数据精确度之间的权衡,而数据精确度可能影响产量预测与资源开发规划。由大量井获取的地质性质往往采用一定地区的平均性质提供储层评估。举例来说,基于均值的评估可能提供地层地质变化的有限图示。
发明内容
根据一方面,本申请提供了一种预测地层碳氢化合物生产率的方法。所述方法包括:通过至少一台处理器根据自地层内至少一口井收集的数据接收或生成测井曲线;根据所述测井曲线生成所述至少一口井的预测生产率测井曲线(predicted production ratelog);通过所述至少一台处理器接收地层现场数据组,所述现场数据组包括一定体积的地层三维空间中的数个地点的现场数据;将所述至少一口井的预测生产率测井曲线(predicted production rate log)识别为一个或多个目标,确定关于所述现场数据与所述至少一口井的预测生产率测井曲线的变换公式;以及利用所述变换公式,生成一定体积的地层中各地点的预测生产率。
根据另一方面,本申请提供了一种预测地层碳氢化合物生产率的设备。所述设备包括至少一台处理器,其设置为:根据自地层内至少一口井收集的数据接收或生成测井曲线;根据所述测井曲线生成所述至少一口井的预测生产率测井曲线(predictedproduction rate log);接收地层现场数据组,所述现场数据组包括一定体积的地层三维空间中数个地点的现场数据;将所述至少一口井的预测生产率测井曲线识别为一个或多个目标,确定关于所述现场数据与所述至少一口井的预测生产率测井曲线的变换公式;以及利用所述变换公式,生成一定体积的地层中各地点的预测生产率。
根据另一方面,本申请提供了一种存有机读指令的永久性机读媒介或媒体。所述机读指令由至少一台处理器执行时,将所述至少一台处理器设置为:根据自地层内至少一口井收集的数据接收或生成测井曲线;根据所述测井曲线生成所述至少一口井的预测生产率测井曲线(predicted production rate log);接收地层现场数据组,所述现场数据组包括一定体积的地层三维空间中的数个地点的现场数据;将所述至少一口井的预测生产率测井曲线识别为一个或多个目标,确定关于所述现场数据与所述至少一口井的预测生产率测井曲线的变换公式;以及利用所述变换公式,生成一定体积的地层中各地点的预测生产率。
本领域技术人员阅读本申请后,可了解关于此处所述实施例的数个其他特征及其组合。
附图说明
附图中,
图1为一示例地质构造与井的剖面图;
图2示出了一示例系统,本申请各方面可应用于其中;
图3、4为包括示例能源与传感器的示例地质构造剖面图;
图5、6、7为说明预测储层性质的示例方法的流程图;
图8为显示示例测井曲线数据的图表;
图9为显示示例线性回归的图表;
图10为沿井并贯穿示例地质构造显示的示例预测生产率三维可视化示图;
图11为示出了不同预测生产率的示例泄油面积的俯视图;以及
图12为沿不同井的长度变化的示例预测生产率的可视化示图。
具体实施方式
在碳氢化合物开发过程中,生产率的精确估算可以帮助提供有关项目/资源的价值和/或可行性的信息。这些估算也可以指导井的数量与地点。由于开发成本高,因此有着重大的财政诱因以掌握尽可能多且精确的信息。在一些示例中,压缩为获取信息而耗费的成本与时间至关重要。
在如分形等高线等一些估算方法中,确定平均井数值后可由地质学者或计算机程序绘出地质等高线,以估算井之间的信息。
在一些实施例中,本申请各方面基于井之间测量所得的地质性质,可提供可能的更精确和/或更细化的预测生产率。
图1为地下资源或地质构造110的剖面图,所述地下资源或地质构造可包括大量具有不同物理特性的不同材质层,如图1形成的线条所示。需要理解的是,这些线条仅作说明用,地质构造可具有任意数量的层或材质种类,其无明显轮廓,而可渐变或可包含不同材质的混合物或组合物。包含在任意地质构造内的材质的种类也可能横向和/或纵向变化。
在一些示例中,评估地表下或地下构造时,可从一个或多个钻入或环绕所述构造的井100中收集数据。在一些示例中,井可为探井、生产井或用作其他任何用途的井。井可包括垂直井、水平井、任何方向或结构的任何井和/或前述井的任何组合。
在一些示例中,由井100收集的数据可包括或用于创建所述井穿透的地质构造的测井曲线(logs)。所述数据可从岩芯样本或通过钻孔内设备所记录的测量值进行收集。
在一些示例中,井测量值收集或产生的测井数据可包括但不限于伽马射线测井曲线(gamma ray logs)、体积密度测井曲线(bulk density logs)、中子密度测井曲线(neutron density logs)、感应电阻率测井曲线(induction resistivity logs)和/或井岩芯或图像数据。
此处所述的设备、系统及方法的实施例可结合硬件与软件执行。这些实施例可在可编程计算机上执行,各计算机包括至少一台处理器、一个数据存储系统(包括易失性存储器、非易失性存储器、其他数据存储元件或前述存储器的组合)及至少一个通信接口。
程序代码可用于输入数据以执行此处所述的功能并生成输出信息。输出信息可用于一个或多个输出设备。在一些实施例中,通信接口可为网络通信接口。在各元件可组合的实施例中,通信接口可为软件通信接口,比如那些用于进程间通信的软件通信接口。在其他实施例中,执行的通信接口可为硬件、软件或二者组合。在一些示例中,具有至少一台处理器的设备可设置为执行存储于永久性实体计算机可读媒介中的软件指令。
以下探讨提供了多个实施例。虽然各实施例展示了创造性元素的单一组合,但是其他实例可包括公开元素的所有可能组合。因此,若一个实施例具有元素A、B、C,另一实施例具有元素B、D,则A、B、C或D的其他剩余组合也可采用。
实施例的技术方案可为软件产品的形式。软件产品可存储于非易失性或永久性存储媒介,如紧凑型光盘只读存储器(CD-ROM)、U盘或移动硬盘。软件产品包括可使计算机设备(个人计算机、服务器或网络设备)执行实施例提供的方法的大量指令。
此处所述实施例由计算机设备、服务器、接收器、信号传送器、处理器、存储器、显示器及网络等物理计算机硬件执行。此处所述实施例提供了有用的物理机器及具体地配置的计算机硬件。此处所述实施例指出了电子仪器与由电子仪器执行的适于处理并转换代表不同信息种类的电磁信号的方法。此处所述实施例广泛全面地涉及了仪器及其用途;此处所述实施例没有与计算机硬件、仪器及各种硬件元件一起使用之外的意义或实用性。替换具体地配置为执行非物理硬件的多种操作的物理硬件,例如使用智力步骤(mentalsteps),会大幅影响实施例的操作方式。这种计算机硬件限制显然为此处所述实施例的基本要素,且在不对此处所述实施例的操作与架构产生重大影响下,则无法省略或替换为智力方法(mental means)。计算机硬件在执行此处所述的多种实施例时是必不可少的,其不仅仅用于快速有效地完成步骤。
图2示出了示例系统200,其包括可用于预测碳氢化合物生产率的一个或多个设备205。在一些示例中,设备205可为计算设备,如计算机、服务器、平板电脑或移动设备、其他系统、设备或适于达成此处所述目的的任何组合。在一些示例中,设备205可包括输入/输出、通信、控制等必要或需要的一个或多个处理器210,存储器215,和/或一个或多个设备/接口220。处理器210和/或设备205或系统250的其他组件可设置为完成此处所述进程的一个或多个方面。
在一些示例中,设备205可设置为接收或获取数据,所述数据来自一个或多个易失性或非易失性存储器215或来自直接与设备205耦合或可通过一个或多个有线和/或无线网络260接入的外部存储设备225。外部存储设备225可为网络存储设备或部分服务器或其他设备,也可连接至服务器或其他设备。
在一些示例中,设备205可设置为接收或获取来自现场传感器或装置230的数据。这些传感器或装置230可设置为收集或测量井、地震或其他地质和/或物理数据。在一些示例中,传感器/装置230可设置为通过一个或多个网络260或其他方式将所收集数据传输至设备205和/或存储设备225。在一些示例中,传感器或装置230可连接至本地计算装置240,所述本地计算设备可设置为接收传感器/装置230的数据,供本地存储和/或传输至设备205和/或存储设备225。
在一些示例中,客户端设备250可连接至设备205或与设备205进行通信,以获取数据和/或指导或要求设备205完成此处所述的部分或全部方面。
参考图3、4,地下资源或地质构造数据可由现场收集,以确定井之间的信息和/或其他测井数据未提供的信息。
类似于图1,图3、4为地下资源或地质构造110的剖面图,所述地下资源或地质构造可包括大量具有不同物理特性的不同材质层,如形成的线条所示。需要理解的是,这些线条仅作说明用,地质构造可具有任意数量的层或材质种类,其无明显轮廓,而可渐变或可包含不同材质的混合物或组合物。在一些示例中,包含在任意地质构造内的材质种类可能出现横向和/或纵向变化。
现场数据可用于创建孔隙度、饱和度、渗透率和/或其他类似静态特性的测井曲线(logs),且已用于创建上述属性在二维区域内的总值或均值。但是,上述均值或总值对于地质构造的动态流动性而言精确度有限。
图3中,地震振动器、炸药或其他爆炸物、气枪等可控能量源310可设置为生成地震波。地震检波器、加速器、微电子机械系统设备、地震仪、信号接收器等传感器300可置于表面或他处,基于反射的或其他检测到的地震波收集与地质构造110有关的地震数据。
在一些示例中,传感器300可被放置为生成地层内地点的数据点三维记录或网格。
在一些示例中,传感器300被放置为可使反射波的入射角θ更大,从而在一些示例中向地层提供更大的密度信息。在一些示例中,由检测到的波获取的密度信息量可能是入射角的正弦函数。例如,密度与阻抗角正弦之间的关系方程式如下:
其中,θ为角度,R(θ)为角度的地震响应,α为平均压缩波波速,β为平均剪切波波速,ρ为平均密度,Δ为表示上述特性在一定范围内的改变量的运算符。
在一些示例中,可设置一个或多个传感器300,从入射角大于等于45°的广角波收集数据,以提供所要的等级的密度信息。传感器也可用于探测目标地层的深度。
传感器与能量源定位地的任何数量或配置可用于构建所需的地层三维体积内数据点的分辨率。
图4示出了另一示例,其中传感器300置于井内以收集垂直地震剖面数据。在又一个示例中,能量源310可位于井内,传感器300可位于地表以收集反向垂直地震剖面数据。在再一个实例中,能量源310可位于一井内,传感器300可位于另一个井内以收集井间地震数据。
在一些示例中,通过任意数量的能量源/传感器设备所收集的地震或其他现场数据的组合,可创建一个或多个现场数据组。
在一些示例中,关于地层的现场数据额外地或有选择地收集。此类数据可包括电磁数据、重力数据等。
前述数据来源的任意子集或组合可用于收集现场数据以预测碳氢化合物生产率。
图5示出了预测地层碳氢化合物生产率的一示例方法500的流程图。在步骤510中,一个或多个处理器210和/或设备205的其他方面可设置为根据从地层110内至少一口井收集的数据接收或生成测井曲线。
在一些示例中,测井曲线可由一个或多个存储器215、存储设备215、225和/或传感器或现场装置230、240接收或获取。在一些示例中,测井曲线可包括伽马射线测井曲线、体积密度测井曲线、中子密度测井曲线、电阻率测井曲线、岩芯和/或测井图像数据、核磁共振测井曲线和/或任何其他可在井内测量得到的测井曲线。
如图6流程图所示,在一些示例中,如直接由测量值得到的测井曲线(logs)等测井曲线可用于生成额外的测井曲线。在一些示例中,此类生成的测井曲线可包括但不限于部分孔隙度(fractional porosity)、部分油饱和度(fractional oil saturation)、任意方向渗透率和/或某地高度或沥青可采储量等测井曲线(logs)。图6包括获取、生成或测定测井曲线(logs)与数值的示例等式与模型,其可用于生成预测生产率测井曲线(predictedproduction rate log),以及在一些示例中基于代表井或地层的物理测量值或属性的数据。在一些示例中,部分岩石物理的和/或其他等式/模型可为下述来源中的工业标准:如Ross Crain的“Crain的岩石物理指南”;R. Woodhouse的“从岩芯与测井资料中得到的阿萨巴斯卡油砂储层特性”,来自1976年岩石物理学家和测井分析家协会第17届测井年会会报Paper T;Deutsch渗透率-A.H. Hosseini、 0. Leuangthong及 C.V. Deutsch的“采用微观模型的渗透率模型的综合方法”,来自2008年10月20日—23日艾伯塔省卡尔加里市SPE/PS/CHOA重油研讨会,SPE-117517-PP,2008。
在一些示例中,储层高度H可是地层高度、地层内沥青高度或地层内沥青基层上方流体流动第一界线的高度中的一个高度或其中较小的高度。储层高度可从地层基层、沥青基层或地层内某处的井高处测量。
在一些示例中,部分或全部生成的测井曲线可由设备205的处理器210根据接收或获取的测井数据生成。在一些示例中,部分或全部生成的测井曲线可能已由远处的现场240或其他设备生成,且存储于、获得/接收自一个或多个存储设备225、215和/或存储器215。
在步骤520中,处理器可设置为基于接收或生成的测井曲线、为一个或多个井的每一个生成预测生产率测井曲线(predicted production rate log)。在蒸汽辅助重力泄油碳氢化合物生产技术中,预估最大生产率可由以下方程式确定:
其中,Q为含油率,L为井水平长度,Φ为部分孔隙度,ΔSO为初始油饱和度与蒸发残余油饱和度的差值,K为渗透率,g为重力加速度,α为储层热扩散系数,H为储层高度,m为取决于滑油粘度与温度关系的3-4之间的常数,VS蒸汽温度下原油的运动粘度。
在一些示例中,通过组合大片区域内大致稳定的数值,可得出等式:
其中,C为预估常数。在一些示例中,处理器可设置为:基于已测量的与储层相关的一个或多个井的最大生产率来计算所述储层的常数C。在一些示例中,处理器可设置为:使用如计算机模拟软件集团的STARS软件等预测模拟器计算常数C。在一些示例中,模拟器可设置为:将储层划分为数个单元、解单元边界处微分方程,以确定计算或估算常数C的值。
在一些示例中,处理器可设置为:基于一个或多个井的估量和/或模拟生产率确定常数C。处理器可设置为:通过划分一个或多个井的相应长度来获得Q。基于已测量或模拟生产率的各个井的Q、L、Φ、ΔSO、K及H的值,处理器可应用上述方程式估算各个井的C值。
在一些示例中,处理器可设置为:通过测量C的中心值(如平均值、平均数、中值、众数值等)估算整个地区/项目/资源等的C值。在一些示例中,C值的总估计可基于各个井的及各地井彼此间的估算C值。
在一些示例中,根据这一方程式,步骤520中的处理器可设置为:基于各个井对应的孔隙度、饱和度、渗透率及高度或沥青可采储量(EBIP)的测井曲线(logs),生成一个或多个井的预测生产率测井曲线(predicted production rate log)。图8示出了测井曲线与作为结论的预测生产率测井曲线(predicted production rate log)。
在步骤530中,一个或多个处理器210和/或设备205的其他方面可设置为接收或生成地层现场数据组,所述现场数据组包括地层三维体积内不同点或位置的现场数据(如地震、电磁、电阻率和/或重力等数据)。在一些示例中,现场数据组可由地震传感器等收集的数据以三维网格或网络数值的形式直观显示。
在一些实施例中,处理器210和/或设备205的其他方面可设置为:现场数据组可设置为生成确定网格内任意间隔空间的现场数据组。在一些实施例中,现场数据样本可基于其与网格的几何关系置于确定的网格内。
在一些示例中,地震或其他现场数据可在特定采样率下获得,以获取所需的网格数据间隔尺寸(granularity)。例如,地震采样率可影响垂直方向上的收集数据网格间隔空间。在一些示例中,1ms的采样率可提供1米的垂直网格数据间隔尺寸(granularity)。
网格内数据的空间采样和一个方向上的地震源与另一方向上的传感器之间一半的空间有关。例如,当地震源与传感器相距20米时,水平网格数据的间隔尺寸(granularity)可为10米与10米。
通过结合上述示例采样率与地震源/传感器的间隔空间,三维空间网格可为10米×10米×1米。也可使用其他间隔空间与采样率。
在一些示例中,现场数据组可包括代表密度、阻抗、反射率、水饱和度等的数据网格。
参考图7,在一些示例中,如直接由测量值得到的数据等现场数据组可用于生成额外的数据网格。在一些示例中,此类生成的数据网格可包括但不限于密度、饱和度、渗透率和/或高度或沥青可采储量的三维记录/阵列/网格。
在一些示例中,部分或全部生成的现场数据网格可由设备205的处理器210根据接收或获得的现场数据生成。在一些示例中,部分或全部生成的现场数据网格可能已由远处的现场240或其他设备生成,且存储于、获得/接收自一个或多个存储设备225、215和/或存储器215。
例如,一些示例中已发现,用于预测生产率测井曲线(predicted productionrate log)的测井曲线(如部分孔隙度测井曲线(fractional porosity logs)、部分含油饱和度测井曲线(fractional oil saturation logs,)、渗透率测井曲线(permeabilitylogs)等)说明了其与密度测井曲线(logs)存在密切的相互关系。因此,根据本发明数个方面,由广角地震或其他现场数据得到的预测密度测井曲线可用于生成预测生产率测井曲线(predicted production rate log)。类似的,在一些示例中,地震或其他现场数据的其他属性可能与预测生产率测井曲线(predicted production rate log)有关。在一些示例中,一批此类属性可同时确定与使用,以通过多元线性回归或神经网络法预测预测生产率测井曲线(predicted production rate log)。
在步骤540中,从测井数据中将预测生产率测井曲线(predicted productionrate log)识别为目标,处理器可设置为从测井数据中确定与现场数据及预测生产率测井曲线(predicted production rate log)相关的变换公式。
在一些示例中,处理器可设置为应用线性和/或多元线性回归确定变换公式。在一些示例中,处理器可设置为通过生成/培养神经网络、遗传算法或其他任何多参数估算法确定变换公式。
在一些示例中,变换公式的确定可包括生成加权方程、神经网络或其他方程式或模型,其定义或模拟来自测井数据的所需输出的测井曲线(log(s))(如预测生产率测井曲线(predicted production rate log))与地震或其他现场数据组之间的关系。在一些示例中,现场数据组可为弹性测井(logs)(如音速、剪波音速、密度)和/或可由弹性测井(logs)计算得出的特性(如杨氏模量、泊松系数、压缩系数等)。在一些示例中,处理器可设置为使用上述地震响应方程式R(θ)或类似的振幅偏距比或其他方程式,以识别与所需输出的测井曲线(log(s))(如预测生产率测井曲线(predicted production rate log))有关的弹性特性。在一些示例中,弹性特性可包括纵波阻抗、横波阻抗与密度。
在一些示例中,处理器可设置为使用地震响应或其他方程式计算识别出的弹性特性、使用井位的弹性特性计算所需的输出测井曲线(log(s))。基于由弹性特性得到的所需的输出测井曲线(log(s))以及由测井数据得到的输出测井曲线,处理器可设置为使用多元线性回归、神经网络、遗传算法或其他适合模型生成变换公式。
图9为线性回归及作为结论的变换公式图表,所述变换公式与现场(地震)数据及预测生产率测井曲线(predicted production rate log)相关。
在步骤550中,使用此变换公式,处理器可设置为生成现场数据所接收/生成的地层体积内的各地点的预测生产率。
在一些示例中,处理器可设置为生成变换公式和/或使用本文所述任意方程式(如上述方程式Q)或其他形式生成各个地点的预测生产率。在一些实施例中,处理器可设置为基于常数因子C应用所述等式,其中,常数因子C在一些示例中可基于上述或其他测井数据的估量或模拟。
以此方式,本文所述方法、系统及设备可生成预测生产率网格,即地层体积内各个三维单元的值。在一些示例中,所述预测生产率网格可提供取心井之间三维空间的储层特定部分的价值/可行性的更精确/更细间隔尺寸(granularity)的表征。在一些示例中,由于网格基于与井之间物理现场数据相关的数据,预测生产率可比来自井之间均值的粗略估算更精确。
在一些示例中,三维网格可提供量化生产、资源、成本、风险和/或资源特定部分价值的图示。
在步骤560中,处理器可有选择地设置为生成可视化三维示图或资源的每单位体积预测生产率图示。在一些示例中,处理器可设置为总结或合计资源/地层已识别的泄油面积的生产率。
在步骤570中,处理器可接收数据或输入识别出的井和/或泄油面积的地点/位置。在一些示例中,所述井可为现存或将建井。基于预测生产率和/或其他预测的单位体积网格与输入的井/泄油面积数据的地点/位置,处理器可设置为总结或合计相关单位的预测生产率,以生成输入的井/泄油面积的预测生产率、成本和/或经济可行性。
例如,图10为沿不同井1010、贯穿地下资源不同区域1020的预测生产率三维可视化示图的透视图。不同程度的灰色(或可视颜色)代表可视化示图内包含的各单位体积的预测生产率的不同级别。
例如,图11为显示出数个区域的不同预测生产率的泄油面积及一些蒸汽辅助重力泄油井地点1120的俯视图1110。在一些示例中,可通过合计俯视可视化示图1110各单位区域地表以下的体积单位的预测生产率,生成所述俯视图。在一些示例中,此举可包括合计各单位区域地表以下每单位体积预测生产率的楔形图、箱形图、柱形图等。
图12为随已识别井的长度变化的预测生产率可视化示图。在一些示例中,所述生产率间隔尺寸(granularity)模型可提供信息以确定井开发的潜在最优地点与所述井的潜在最具价值部分。
在一些实施例中,本文所述方法与设备可能在计算方面比在先方法更高效,所述在先方法中,如孔隙度、饱和度与渗透率等静态地层特性在二维区域内使用多元线性回归或神经网络单独估算。随后组合此类二维示意图,以预测最大限度的二维比率示意图。
相反,除创造与生产率等动态特性相关的三维间隔尺寸(granularity)信息以外,本文所述方法、设备及系统在一些实施例中可通过仅采用多元线性回归、神经网络或其他模型之一,从而将计算需求降低至三分之一。在一些实施例中,本文所述方法、设备及系统减少的计算步骤可减少估算输出测井曲线(log(s))上的(组合)误差线。
在一些示例实施例中,上述方法与设备可类似地应用于生成三维间隔尺寸(granularity)数据组,用作预测蒸汽、能量、水、汽油比和/或水汽比。在一些示例中,此举可涉及:在步骤520中基于测井数据生成预测属性测井曲线(log(s));在步骤540中确定地震数据与预测测井曲线之间的变换公式;以及在步骤550中基于变换公式生成一个或多个此类预测属性的预测三维数据组。在一些示例中,由于此类预测属性可影响井或项目的经济意义,本文所述方法与设备可类似地用于预测井/项目/资源等的经济可行性。
虽然已详细说明实施例,但应理解,在不超过所附权利要求所定义的范围的前提下,本文认可做出多种改变、替换及变更。
并且,本申请范围不限于说明书所述流程、机械、产品、物质组成、装置、方法及步骤的具体实施例。本领域技术人员可以采用相对于上述实施例,能基本完成同样的功能或基本达到同样的结果的本申请公开地、现存的或以后发展出的流程、机械、产品、物质组成、装置、方法及步骤。因此,所附权利要求旨在将此类流程、机械、产品、物质组成、装置、方法或步骤纳入其范围内。
不难理解,上文所述示例与示图仅作为例证,范围由所附权利要求指定。
Claims (22)
1.一种预测地层碳氢化合物生产率的方法,包括:
通过至少一台处理器根据自地层内至少一口井收集的数据接收或生成测井曲线;
根据所述测井曲线生成所述至少一口井的预测生产率测井曲线;
通过所述至少一台处理器接收地层现场数据组,所述现场数据组包括一定体积的地层三维空间中的数个地点的现场数据;
将所述至少一口井的预测生产率测井曲线识别为一个或多个目标,确定关于所述现场数据与所述至少一口井的预测生产率测井曲线的变换公式;以及
利用所述变换公式,生成一定体积的地层中各地点的预测生产率。
2.根据权利要求1所述的方法,其特征在于,确定所述变换公式包括应用线性回归、遗传算法、神经网络分析法或多参数估算法中的至少一种。
3.根据权利要求1所述的方法,其特征在于,所述测井曲线包括孔隙度、饱和度、渗透率、沥青柱高度等的测井曲线。
4.根据权利要求1所述的方法,其特征在于,所述现场数据包括地震数据、重力数据、电阻率数据或电磁数据中的至少一种。
5.根据权利要求1所述的方法,其特征在于,所述现场数据包括广角地震数据。
6.根据权利要求5所述的方法,其特征在于,所述广角地震数据从入射角大于45°的地震波中收集。
7.根据权利要求1所述的方法,其特征在于,所述现场数据包括密度数据。
8.根据权利要求1所述的方法,其特征在于,基于以下方程式通过测井曲线生成预测生产率测井曲线:
其中,C为常数,L代表井水平长度,Φ代表部分孔隙度,ΔSO代表初始油饱和度与蒸发残余油饱和度的差值,K代表渗透率,H代表储层高度。
9.根据权利要求1所述的方法,包括:利用至少部分地层中对应体积中的数个地点的预测生产率,生成至少部分地层的三维图示。
10.根据权利要求1所述的方法,包括:利用地层中已识别的泄油面积或已定位的井的位置对应体积中数个地点的预测生产率确定已识别面积或已定位井的预测生产率。
11.根据权利要求1所述的方法,包括:确定常数因子C,以生成所述至少一口井的预测生产率测井曲线与一定体积地层中各地点的预测生产率;其中,基于估量或模拟的测井数据确定所述常数因子C。
12.一种预测地层碳氢化合物生产率的设备,所述设备包括至少一台处理器,所述至少一台处理器设置为:
根据自地层内至少一口井收集的数据接收或生成测井曲线;
根据所述测井曲线生成所述至少一口井的预测生产率测井曲线;
接收地层现场数据组,所述现场数据组包括一定体积的地层三维空间中数个地点的现场数据;
将所述至少一口井的预测生产率测井曲线识别为一个或多个目标,确定关于所述现场数据与所述至少一口井的预测生产率测井曲线的变换公式;以及
利用所述变换公式,生成一定体积的地层中各地点的预测生产率。
13.根据权利要求12所述的设备,其特征在于,确定所述变换公式包括应用线性回归、遗传算法、神经网络分析法或多参数估算法中的至少一种。
14.根据权利要求12所述的设备,其特征在于,
所述测井曲线包括孔隙度、饱和度、渗透率、沥青柱高度等的测井曲线。
15.根据权利要求12所述的设备,其特征在于,
所述现场数据包括地震数据、重力数据、电阻率数据或电磁数据中的至少一种。
16.根据权利要求12所述的设备,其特征在于,所述现场数据包括从入射角大于45°的地震波中收集的地震数据。
17.根据权利要求12所述的设备,其特征在于,所述现场数据包括密度数据。
18.根据权利要求12所述的设备,其特征在于,基于以下方程式通过测井曲线生成预测生产率测井曲线:
其中,C为常数,L代表井水平长度,Φ代表部分孔隙度,ΔSO代表初始油饱和度与蒸发残余油饱和度的差值,K代表渗透率,H代表储层高度。
19.根据权利要求12所述的设备,其特征在于,所述至少一台处理器设置为:利用至少部分地层中对应体积中的数个地点的预测生产率,生成至少部分地层的三维图示。
20.根据权利要求12所述的设备,其特征在于,利用地层中已识别的泄油面积或已定位的井的位置对应体积中数个地点的预测生产率确定已识别面积或已定位井的预测生产率。
21.根据权利要求12所述的设备,包括:所述至少一台处理器设置为:确定常数因子C,以生成所述至少一口井的预测生产率测井曲线与一定体积地层中各地点的预测生产率;其中,基于估量或模拟的测井数据确定所述常数因子C。
22.一种存有机读指令的永久性机读媒介或媒体,所述机读指令由至少一台处理器执行时,将所述至少一台处理器设置为:
根据自地层内至少一口井收集的数据接收或生成测井曲线;
根据所述测井曲线生成所述至少一口井的预测生产率测井曲线;
接收地层现场数据组,所述现场数据组包括一定体积的地层三维空间中的数个地点的现场数据;
将所述至少一口井的预测生产率测井曲线识别为一个或多个目标,确定关于所述现场数据与所述至少一口井的预测生产率测井曲线的变换公式;以及
利用所述变换公式,生成一定体积的地层中各地点的预测生产率。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CA2015/050134 WO2016134443A1 (en) | 2015-02-23 | 2015-02-23 | Methods, systems and devices for predicting reservoir properties |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108138555A true CN108138555A (zh) | 2018-06-08 |
Family
ID=55539929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580079118.0A Pending CN108138555A (zh) | 2015-02-23 | 2015-02-23 | 预测储层性质的方法、系统及设备 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN108138555A (zh) |
CA (1) | CA2913827C (zh) |
WO (1) | WO2016134443A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108979629A (zh) * | 2018-07-10 | 2018-12-11 | 中国海洋石油集团有限公司 | 一种基于密度、中子、核磁共振测井的气层密度计算方法 |
CN110083190A (zh) * | 2019-04-19 | 2019-08-02 | 淮阴工学院 | 一种基于减法聚类分类器的青椒温室环境智能监测系统 |
CN110671092A (zh) * | 2019-09-26 | 2020-01-10 | 北京博达瑞恒科技有限公司 | 油气产能检测方法及系统 |
CN112878998A (zh) * | 2021-01-28 | 2021-06-01 | 成都理工大学 | 地下卤水型钾矿和锂矿的储卤层预测和资源量评价方法 |
CN113050189A (zh) * | 2019-12-27 | 2021-06-29 | 北京国双科技有限公司 | 一种测井曲线的重构方法、装置、设备及存储介质 |
CN114278281A (zh) * | 2021-12-24 | 2022-04-05 | 北京西华益昌技术开发有限责任公司 | 测量装置的测量分辨率优化方法、装置、设备及存储介质 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10007015B2 (en) * | 2015-02-23 | 2018-06-26 | Nexen Energy Ulc | Methods, systems and devices for predicting reservoir properties |
CN110462163B (zh) * | 2017-05-08 | 2023-04-18 | 哈利伯顿能源服务公司 | 用于使用地层数据的像素化解来评估地层的系统和方法 |
RU2708536C2 (ru) * | 2017-12-29 | 2019-12-09 | федеральное государственное автономное образовательное учреждение высшего образования "Казанский (Приволжский) федеральный университет" (ФГАОУ ВО КФУ) | Способ сейсмического мониторинга разработки мелкозалегающих залежей сверхвязкой нефти |
CN110988998A (zh) * | 2019-12-24 | 2020-04-10 | 王颜 | 基于希尔伯特谱和bp神经网络的储层孔隙度预测方法 |
CN113671569B (zh) * | 2021-08-23 | 2023-12-22 | 中油奥博(成都)科技有限公司 | 利用声波测井资料机器学习非线性预测地层温度方法 |
US20230099025A1 (en) * | 2021-09-30 | 2023-03-30 | Abb Power Grids Switzerland Ag | Resource-constrained, multi-period scheduling model for asset investment planning |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060092766A1 (en) * | 2004-11-03 | 2006-05-04 | Halliburton Energy Services, Inc. | Method and system for predicting production of a well |
CN101421640A (zh) * | 2006-02-09 | 2009-04-29 | 普拉德研究及开发有限公司 | 用于预测井位的碳氢化合物产量的方法和设备 |
CN101906966A (zh) * | 2010-07-16 | 2010-12-08 | 中国石油天然气股份有限公司 | 储层产能的预测方法及装置 |
US20120239363A1 (en) * | 2010-10-18 | 2012-09-20 | Javaid Durrani | Production estimation in subterranean formations |
CN103645516A (zh) * | 2013-11-20 | 2014-03-19 | 中国石油大学(北京) | 基于岩石物理相控油气作用确定油气产能的方法 |
CN104134101A (zh) * | 2014-07-23 | 2014-11-05 | 中国石油集团川庆钻探工程有限公司 | 低渗透储层天然气产能预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2806532A1 (en) * | 2010-07-30 | 2012-02-02 | Exxonmobil Upstream Research Company | Systems and methods for predicting well performance |
FR2966865B1 (fr) * | 2010-10-28 | 2015-05-15 | IFP Energies Nouvelles | Procede d'exploitation d'un gisement petrolier a partir d'un calage d'historique des donnees de production et de donnees sismiques. |
US20120179379A1 (en) * | 2011-01-10 | 2012-07-12 | Saudi Arabian Oil Company | Flow Profile Modeling for Wells |
CA2873722C (en) * | 2012-05-14 | 2017-03-21 | Landmark Graphics Corporation | Method and system of predicting future hydrocarbon production |
-
2015
- 2015-02-23 CN CN201580079118.0A patent/CN108138555A/zh active Pending
- 2015-02-23 CA CA2913827A patent/CA2913827C/en active Active
- 2015-02-23 WO PCT/CA2015/050134 patent/WO2016134443A1/en active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060092766A1 (en) * | 2004-11-03 | 2006-05-04 | Halliburton Energy Services, Inc. | Method and system for predicting production of a well |
CN101421640A (zh) * | 2006-02-09 | 2009-04-29 | 普拉德研究及开发有限公司 | 用于预测井位的碳氢化合物产量的方法和设备 |
CN101906966A (zh) * | 2010-07-16 | 2010-12-08 | 中国石油天然气股份有限公司 | 储层产能的预测方法及装置 |
US20120239363A1 (en) * | 2010-10-18 | 2012-09-20 | Javaid Durrani | Production estimation in subterranean formations |
CN103645516A (zh) * | 2013-11-20 | 2014-03-19 | 中国石油大学(北京) | 基于岩石物理相控油气作用确定油气产能的方法 |
CN104134101A (zh) * | 2014-07-23 | 2014-11-05 | 中国石油集团川庆钻探工程有限公司 | 低渗透储层天然气产能预测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108979629A (zh) * | 2018-07-10 | 2018-12-11 | 中国海洋石油集团有限公司 | 一种基于密度、中子、核磁共振测井的气层密度计算方法 |
CN108979629B (zh) * | 2018-07-10 | 2021-10-26 | 中国海洋石油集团有限公司 | 一种基于密度和中子和核磁共振测井的气层密度计算方法 |
CN110083190A (zh) * | 2019-04-19 | 2019-08-02 | 淮阴工学院 | 一种基于减法聚类分类器的青椒温室环境智能监测系统 |
CN110083190B (zh) * | 2019-04-19 | 2020-08-25 | 淮阴工学院 | 一种基于减法聚类分类器的青椒温室环境智能监测系统 |
CN110671092A (zh) * | 2019-09-26 | 2020-01-10 | 北京博达瑞恒科技有限公司 | 油气产能检测方法及系统 |
CN113050189A (zh) * | 2019-12-27 | 2021-06-29 | 北京国双科技有限公司 | 一种测井曲线的重构方法、装置、设备及存储介质 |
CN112878998A (zh) * | 2021-01-28 | 2021-06-01 | 成都理工大学 | 地下卤水型钾矿和锂矿的储卤层预测和资源量评价方法 |
CN114278281A (zh) * | 2021-12-24 | 2022-04-05 | 北京西华益昌技术开发有限责任公司 | 测量装置的测量分辨率优化方法、装置、设备及存储介质 |
CN114278281B (zh) * | 2021-12-24 | 2023-11-21 | 北京西华益昌技术开发有限责任公司 | 测量装置的测量分辨率优化方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CA2913827C (en) | 2016-11-01 |
WO2016134443A1 (en) | 2016-09-01 |
CA2913827A1 (en) | 2016-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10007015B2 (en) | Methods, systems and devices for predicting reservoir properties | |
US10572611B2 (en) | Method and system for characterizing fractures in a subsurface region | |
EP3571532B1 (en) | Systematic evaluation of shale plays | |
CN108138555A (zh) | 预测储层性质的方法、系统及设备 | |
US10846447B2 (en) | Method and system for stacking fracture prediction | |
EP2960680B1 (en) | Fracturing and reactivated fracture volumes | |
US8768672B2 (en) | Method for predicting time-lapse seismic timeshifts by computer simulation | |
CA2641867C (en) | Methods and apparatus for predicting the hydrocarbon production of a well location | |
US8515678B2 (en) | Chrono-stratigraphic and tectono-stratigraphic interpretation on seismic volumes | |
US8688425B2 (en) | Transport property data calculated from derivative seismic rock property data for transport modeling | |
WO2019055167A1 (en) | MODEL UNDERGROUND RESERVOIR WITH PREDICTION OF 3D NATURAL FRACTURES | |
Radwan | Three-dimensional gas property geological modeling and simulation | |
Angus et al. | Integrated hydro-mechanical and seismic modelling of the Valhall reservoir: a case study of predicting subsidence, AVOA and microseismicity | |
US20140129479A1 (en) | Method to aid in the exploration, mine design, evaluation and/or extraction of metalliferous mineral and/or diamond deposits | |
CN106368691A (zh) | 基于岩石物理地震信息三维异常孔隙压力预测方法 | |
Mudunuru et al. | Sequential geophysical and flow inversion to characterize fracture networks in subsurface systems | |
Herwanger et al. | Predicting time-lapse stress effects in seismic data | |
Orellana et al. | Influence of variograms in 3D reservoir-modeling outcomes: An example | |
Wang et al. | Three-dimensional mineral potential mapping for reducing multiplicity and uncertainty: Kaerqueka polymetallic deposit, Qinghai province, China | |
Nwachukwu et al. | Model selection for CO2 sequestration using surface deformation and injection data | |
Tran | Characterisation and modelling of naturally fractured reservoirs | |
Saikia et al. | An integrated approach to discretized 3D modeling of geomechanical properties for unconventional mature field appraisal in the western Canadian sedimentary basin | |
Dubinya et al. | Usage of imitational geological-petrophysical models to reduce drilling risks for offshore reservoirs exploration | |
WO2010047858A1 (en) | Method for predicting time-lapse seismic timeshifts by computer simulation | |
Wang et al. | Full-3D Seismic Tomography for Structure of the Critical Zone |
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 |
Address after: Room 2300, No. 500, Southeast of kelgary central street, Alberta, Canada Applicant after: CNOOC North America Petroleum Co., Ltd Address before: 801 Seventh Avenue southwest, Calgary, Alberta, Canada Applicant before: NEXEN ENERGY ULC |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180608 |
|
RJ01 | Rejection of invention patent application after publication |