CN108829967A - 储层露头孔隙度预测方法及装置 - Google Patents
储层露头孔隙度预测方法及装置 Download PDFInfo
- Publication number
- CN108829967A CN108829967A CN201810585785.1A CN201810585785A CN108829967A CN 108829967 A CN108829967 A CN 108829967A CN 201810585785 A CN201810585785 A CN 201810585785A CN 108829967 A CN108829967 A CN 108829967A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- appeared
- porosity
- derivative
- scope
- 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 45
- 230000003595 spectral effect Effects 0.000 claims abstract description 135
- 238000002310 reflectometry Methods 0.000 claims abstract description 110
- 238000005259 measurement Methods 0.000 claims abstract description 68
- 238000005498 polishing Methods 0.000 claims abstract description 37
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 239000011435 rock Substances 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000004615 ingredient Substances 0.000 description 5
- 238000012937 correction Methods 0.000 description 3
- 238000010238 partial least squares regression Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N15/088—Investigating volume, surface area, size or distribution of pores; Porosimetry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Dispersion Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请实施例提供了一种储层露头孔隙度预测方法及装置,该方法包括:确定储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线;获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数;根据所述关系曲线及所述光谱测量点在指定波段范围内的光谱反射率一阶导数,确定所述光谱测量点的孔隙度。本申请实施例在提高了致密砂岩储层露头孔隙度的预测精确度同时,提高了致密砂岩储层露头孔隙度预测效率,并降低了致密砂岩储层露头孔隙度预测成本。
Description
技术领域
本申请涉及储层物性参数预测技术领域,尤其是涉及一种储层露头孔隙度预测方法及装置。
背景技术
露头(outcrop)是地层、岩体、矿体、天然气等出露于地表的部分。因此,露头是地下储层的真实刻画,在建立露头数值模型的基础上,可以进行露头储层物性参数的定量预测,从而可以为后续更准确有效的建立地下储层地质模型提供有利基础。
孔隙度作为评价储层和计算储量的一个重要指标,亦是致密砂岩储层露头需要定量预测的重要储层物性参数之一。然而,目前致密砂岩储层露头的孔隙度的定量预测多是通过采集露头区某一或某些位置的岩芯并测定岩芯孔隙度,然后基于测定的岩芯孔隙度推测整个露头区的孔隙度。显然,基于这种方式,如果要更精确地定量预测致密砂岩储层露头的孔隙度,需要密集采集露头区不同位置的岩芯,如此以来,成本极高,且效率较低。
发明内容
本申请实施例的目的在于提供一种储层露头孔隙度预测方法及装置,以实现在提高预测致密砂岩储层露头孔隙度的精确度的同时,提高预测效率,降低预测成本。
为达到上述目的,一方面,本申请实施例提供了一种储层露头孔隙度预测方法,包括:
确定储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线;
获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数;
根据所述关系曲线及所述光谱测量点在指定波段范围内的光谱反射率一阶导数,确定所述光谱测量点的孔隙度。
本申请实施例的储层露头孔隙度预测方法,所述确定储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线,包括:
确定所述储层露头的不同层位的岩芯样品的孔隙度,并确定所述岩芯样品在指定波段范围内的光谱反射率一阶导数;
拟合所述岩芯样品的孔隙度及在指定波段范围内的光谱反射率一阶导数,获得所述储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线。
本申请实施例的储层露头孔隙度预测方法,所述拟合包括基于偏最小二乘回归方法拟合。
本申请实施例的储层露头孔隙度预测方法,所述获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数;
获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率;所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率通过地物光谱仪测得;
对所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率进行求导,获得所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数。
本申请实施例的储层露头孔隙度预测方法,所述储层露头的孔隙度通过实验室分析储层露头的岩样获得。
另一方面,本申请实施例还提供了一种储层露头孔隙度预测装置,包括:
关系曲线确定模块,用于确定储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线;
一阶导数获取模块,用于获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数;
孔隙度预测模块,用于根据所述关系曲线及所述光谱测量点在指定波段范围内的光谱反射率一阶导数,确定所述光谱测量点的孔隙度。
本申请实施例的储层露头孔隙度预测装置,所述确定储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线,包括:
确定所述储层露头的不同层位的岩芯样品的孔隙度,并确定所述岩芯样品在指定波段范围内的光谱反射率一阶导数;
拟合所述岩芯样品的孔隙度及在指定波段范围内的光谱反射率一阶导数,获得所述储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线。
本申请实施例的储层露头孔隙度预测装置,所述拟合包括基于偏最小二乘回归方法拟合。
本申请实施例的储层露头孔隙度预测装置,所述获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数;
获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率;所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率通过地物光谱仪测得;
对所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率进行求导,获得所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数。
本申请实施例的储层露头孔隙度预测装置,所述储层露头的孔隙度通过实验室分析储层露头的岩样获得。
另一方面,本申请实施例还提供了另一种储层露头孔隙度预测装置,包括存储器、处理器、以及存储在所述存储器上的计算机程序,所述计算机程序被所述处理器运行时执行如下步骤:
确定储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线;
获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数;
根据所述关系曲线及所述光谱测量点在指定波段范围内的光谱反射率一阶导数,确定所述光谱测量点的孔隙度。
由以上本申请实施例提供的技术方案可见,本申请实施例首先确定储层露头的孔隙度与储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线;然后获取储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数;最后根据关系曲线及光谱测量点在指定波段范围内的光谱反射率一阶导数,确定光谱测量点的孔隙度。相对于现有技术,本申请实施例利用孔隙度与光谱反射率一阶导数的关系曲线实现了致密砂岩储层露头的孔隙度的预测精度,而无需通过密集采集露头区不同位置的岩芯来实现,因而本申请实施例节约了密集采集露头区不同位置的岩芯所带来的人力、物力和时间成本,提高了预测致密砂岩储层露头孔隙度的效率,降低了预测致密砂岩储层露头孔隙度的成本。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本申请一实施方式中致密砂岩储层露头的孔隙度分别与光谱反射率、光谱反射率一阶导数和光谱反射率二阶导数的相关系数随着波长的变化趋势示意图;
图2为本申请一实施方式中储层露头孔隙度预测方法的流程图;
图3为本申请一实施方式中基于孔隙度与光谱反射率的关系曲线预测出的孔隙度与实测孔隙度的相关关系示意图;
图4为本申请一实施方式中基于孔隙度与光谱反射率一阶导数的关系曲线预测出的孔隙度与实测孔隙度的相关关系示意图;
图5为本申请一实施方式中储层露头孔隙度预测装置的结构框图;
图6为本申请另一实施方式中储层露头孔隙度预测装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
在实现本申请的过程中,本申请发明人研究发现:致密砂岩储层露头的孔隙度与光谱反射率在600-1600nm波段范围内呈正相关关系。参考图1所示,孔隙度与光谱反射率在600-1600nm波段范围内不仅呈正相关关系,并且相关系数从0.48逐渐增加至0.70,说明致密砂岩储层露头对近红外光谱具有良好的光谱响应特征。孔隙度与光谱反射率一阶导数的相关系数曲线存在4个明显的波峰和波谷,在波峰附近其相关系数大于孔隙度与光谱反射率的相关系数,在波谷附近其相关系数大于孔隙度与光谱反射率的相关系数。而孔隙度与光谱反射率二阶导数的相关系数波动较大,且大部分处在-0.5到0.5之间,因此光谱反射率二阶导数难以准确反应孔隙度,因而将其舍弃。
请继续参考图1所示,以相关系数r=0.5为界(例如图1中的横向虚线),将与孔隙度相关系数大于0.5的波长保留,将与孔隙度相关系数小于0.5的波长舍弃,对于光谱反射率这一指标,可选取的波段范围是669-1600nm,其中共198个波长;对于光谱反射率一阶导数,可选取的波段是波峰附近的波长范围。例如739-797nm、895-1042nm、1112-1117nm、1130-1372nm、1413-1423nm和1437-1600nm,共134个波长。
由此,可以考虑基于致密砂岩储层露头的孔隙度与光谱反射率的正相关关系,或者基于致密砂岩储层露头的孔隙度与光谱反射率一阶导数的正相关关系来预测致密砂岩储层露头的孔隙度。在此基础上,本申请发明人通过进一步研究还发现:当基于致密砂岩储层露头的孔隙度与光谱反射率一阶导数的正相关关系来预测致密砂岩储层露头的孔隙度时,预测模型的主成分更能说明因变量的变化,并且预测出的孔隙度与实测孔隙的度相关系数更大。因此,相对于基于致密砂岩储层露头的孔隙度与光谱反射率的正相关关系来预测致密砂岩储层露头的孔隙度而言,这种方式的具有更高的预测能力。此外,一阶导数处理能在一定程度上削弱背景影响,在野外高光谱数据处理中更具有优势。因此,在本申请以下实施方式中,较佳的,可采用基于致密砂岩储层露头的孔隙度与光谱反射率一阶导数的正相关关系来预测致密砂岩储层露头的孔隙度。
参考图2所示,本申请实施方式的储层露头孔隙度预测方法可以包括以下步骤:
S201、确定储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线。
本申请实施方式中,所述确定储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线例如可以包括以下步骤:
1)、确定所述储层露头的不同层位的岩芯样品的孔隙度,并确定所述岩芯样品在指定波段范围内的光谱反射率一阶导数。
本申请实施方式中,可采用任意合适的已有岩石孔隙度测定方法来测定所述岩芯样品的孔隙度,例如可以通过实验室分析储层露头的岩样获得。当然,在测试前,一般需对所述岩芯样品进行常规预处理(例如清洗,烘干等)。较佳的,所述岩芯样品可以为所述储层露头的不同层位的典型砂岩的岩芯样品,一般根据需要可采集多块所述岩芯样品。在一示例性实施方式中,根据需要岩芯样品的直径可以为2.509-2.536cm,长度可以为1.324-5.963cm。
在一示例性实施方式中,可利用地面高光谱成像仪等设备采集储层露头的光谱图像,然后从所述光谱图像中提取光谱反射率。其中,所述地面高光谱成像仪例如可以采用Headwall Photonics公司制造的 Extended VNIR高光谱成像仪,其光谱范围为600nm-1600nm,波段数为213个,数据间隔为4.7nm,图像分辨率为320×256像元。
为了提高所采集的光谱反射率的精度,在利用地面高光谱成像仪等设备采集储层露头的光谱图像前,可以先进行白板校正,并对光谱图像中的机内暗电流,零响应进行偏移进行校正。此外,为了进一步提高所采集的光谱反射率的精度,并使光谱数据具有代表性,在采集到光谱图像后可通过基于地面控制点的正射校正算法的有理多项式系数对所述光谱图像进行几何校正,通过暗像素法对所述光谱图像进行大气校正,并利用移动窗口平均法对所述光谱图像进行去噪处理。其中,所述利用移动窗口平均法对所述光谱图像进行去噪处理,即选取测定样本某一点前后光谱曲线上一定范围测定它的平均值作为该点的值,计算公式为: 其中,Ri为光谱反射率平均值。
2)、拟合所述岩芯样品的孔隙度及在指定波段范围内的光谱反射率一阶导数,获得所述储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线。
在本申请一实施方式中,考虑到偏最小二乘方法(Partial Least SquaresMethod,简称PLS)能解决自变量之间的多重相关性和样本容量少的问题,可采用PLS拟合拟合所述岩芯样品的孔隙度及在指定波段范围内的光谱反射率一阶导数。其基本原理如下:
设有p个自变量{x1,x2,…xp}和q个因变量{y1,y2,…yq},为了研究因变量和自变量的统计关系,观测了n个样本点,由此构成了自变量与因变量的数据表X={x1,x2,…xp}n×p和Y={y1,y2,…yq}n×q。X经标准化处理后的数据矩阵记为E0={E01,E02,…,E0p}n×p,Y经标准化处理后的数据矩阵记为F0={F01,F02,…,F0q}n×q。记t1是E0的第一个成分,t1=E0w1,w1是E0的第一个轴,它是一个单位向量,即||w1||=1。记u1是F0的第一个成分,u1=F0c1,c1是F0的第一个轴,并且||c1||=1,由于本发明中F0是单因变量,所以c1是一个常数,则c1=1,即有u1=F0。在偏最小二乘回归中,要求t1与u1的协方差达到最大,即
正规的数学表述应该是求解下列优化问题,即
采用拉格朗日算法,记
s=w'1E'0F0c1-λ1(w'1w1-1)-λ2(c'1c1-1) (3)
对s分别求关于w1,c1,λ1,λ2的偏导,并令其为0,有
可以推出
2λ1=2λ2=w'1E'0F0c1=<E0w1,F0c1> (8)
记θ1=2λ1=2λ2=w'1E'0F0c1,所以θ正是最优化问题的目标函数值。式(4)和式(5)可以写成
E'0F0c1=θ1w1 (9)
F0'E0w1=θ1c1 (10)
将式(9)代入式(10)有
同理可得
可见w1是矩阵E'0F0F0'E0的特征向量,对应的特征值为θ1 2。θ1是目标函数值,它要求取最大值,所以w1是对应于E'0F0F0'E0矩阵最大特征值的单位特征向量。c1是对应于矩阵F0'E0E'0F0最大特征值的单位特征向量。
求得w1和c1后,可得t1=E0w1,u1=F0c1
分别求E0和F0对t1的回归方程:
E0=t1p1'+E1 (13)
F0=t1r1'+F1 (14)
式中E1和F1记为残差矩阵,回归系数向量是
E1=E0-t1p1' (17)
F1=F0-t1r1' (18)
用残差矩阵E1和F1取代E0和F0,求第二个轴w2和c2及第二个成分t2,u2,有
t2=E1w2 (19)
u2=F1c2 (20)
实施E1和F1对t2的回归,有
E1=t2p'2+E2 (21)
F1=t2r2'+F2 (22)
式中
依次类推,最后用交叉有效性确定成分th的提取个数,停止迭代。在得到m个成分后,有F0关于th(1≤h≤m)的回归模型为
F0=t1r1'+t2r2'+...+tmr'm+Fm (23)
由于th均为E0的线性组合,又
记
所以
若记y*=F0,其中是的第j个分量。
有y*对的回归方程
最后变换成y对x1,x2,…xp的回归方程即可。
在本申请一示例性实施方式中,本申请的发明人发现,利用光谱反射率建立的PLS模型可提取2个主成分,对自变量的累计解释率为99.9%,对因变量的累计解释率为76.4%,并具有61%的预测能力。该预测模型为:
y=-4.30361-2.52953X16-2.50922X17-2.4854X18+…+2.58062X213
其中,基于孔隙度与光谱反射率的关系曲线预测出的孔隙度与实测孔隙度的相关关系如图3所示。
相同条件下,而利用光谱反射率一阶导数建立的PLS模型也提取了个主成分,但对自变量的累计解释率为79.9%,对因变量的累计解释率为85.2%,并具有66.8%的预测能力。该预测模型为:
y=-1.22118+1666.15X31+385.667X32+1506.04X33+…+3607.28X212
其中,基于孔隙度与光谱反射率一阶导数的关系曲线预测出的孔隙度与实测孔隙度的相关关系如图4所示。
由此可见,基于孔隙度与光谱反射率一阶导数的关系曲线预测出的孔隙度更加接近于实测孔隙度。
S202、获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数。
在本申请一实施方式中,所述获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数可以包括以下步骤:
1)、获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率;所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率可通过地物光谱仪(例如ASD公司的便携式地物光谱仪等)测得;
2)、对所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率进行求导,获得所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数。
S203、根据所述关系曲线及所述光谱测量点在指定波段范围内的光谱反射率一阶导数,确定所述光谱测量点的孔隙度。
本申请一实施方式中,将所述光谱测量点在指定波段范围内的光谱反射率一阶导数代入所述关系曲线,即可求得所述光谱测量点的孔隙度。
由此可见,本申请实施例首先确定储层露头的孔隙度与储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线;然后获取储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数;最后根据关系曲线及光谱测量点在指定波段范围内的光谱反射率一阶导数,确定光谱测量点的孔隙度。相对于现有技术,本申请实施例利用孔隙度与光谱反射率一阶导数的关系曲线实现了致密砂岩储层露头的孔隙度的预测精度,而无需通过密集采集露头区不同位置的岩芯来实现,因而本申请实施例节约了密集采集露头区不同位置的岩芯所带来的人力、物力和时间成本,提高了预测致密砂岩储层露头孔隙度的效率,降低了预测致密砂岩储层露头孔隙度的成本。
虽然上文描述的过程流程包括以特定顺序出现的多个操作,但是,应当清楚了解,这些过程可以包括更多或更少的操作,这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
参考图5所示,本申请一实施方式的储层露头孔隙度预测装置可以包括:
关系曲线确定模块51,可以用于确定储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线;
一阶导数获取模块52,可以用于获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数;
孔隙度预测模块53,可以用于根据所述关系曲线及所述光谱测量点在指定波段范围内的光谱反射率一阶导数,确定所述光谱测量点的孔隙度。
参考图6所示,本申请另一实施方式的储层露头孔隙度预测装置可以包括存储器、处理器、以及存储在所述存储器上的计算机程序,所述计算机程序被所述处理器运行时执行如下步骤:
确定储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线;
获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数;
根据所述关系曲线及所述光谱测量点在指定波段范围内的光谱反射率一阶导数,确定所述光谱测量点的孔隙度。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种储层露头孔隙度预测方法,其特征在于,包括:
确定储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线;
获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数;
根据所述关系曲线及所述光谱测量点在指定波段范围内的光谱反射率一阶导数,确定所述光谱测量点的孔隙度。
2.如权利要求1所述的储层露头孔隙度预测方法,其特征在于,所述确定储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线,包括:
确定所述储层露头的不同层位的岩芯样品的孔隙度,并确定所述岩芯样品在指定波段范围内的光谱反射率一阶导数;
拟合所述岩芯样品的孔隙度及在指定波段范围内的光谱反射率一阶导数,获得所述储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线。
3.如权利要求2所述的储层露头孔隙度预测方法,其特征在于,所述拟合包括基于偏最小二乘回归方法拟合。
4.如权利要求1所述的储层露头孔隙度预测方法,其特征在于,所述获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数;
获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率;所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率通过地物光谱仪测得;
对所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率进行求导,获得所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数。
5.如权利要求1所述的储层露头孔隙度预测方法,其特征在于,所述储层露头的孔隙度通过实验室分析储层露头的岩样获得。
6.一种储层露头孔隙度预测装置,其特征在于,包括:
关系曲线确定模块,用于确定储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线;
一阶导数获取模块,用于获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数;
孔隙度预测模块,用于根据所述关系曲线及所述光谱测量点在指定波段范围内的光谱反射率一阶导数,确定所述光谱测量点的孔隙度。
7.如权利要求6所述的储层露头孔隙度预测装置,其特征在于,所述确定储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线,包括:
确定所述储层露头的不同层位的岩芯样品的孔隙度,并确定所述岩芯样品在指定波段范围内的光谱反射率一阶导数;
拟合所述岩芯样品的孔隙度及在指定波段范围内的光谱反射率一阶导数,获得所述储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线。
8.如权利要求7所述的储层露头孔隙度预测装置,其特征在于,所述拟合包括基于偏最小二乘回归方法拟合。
9.如权利要求6所述的储层露头孔隙度预测装置,其特征在于,所述获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数;
获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率;所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率通过地物光谱仪测得;
对所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率进行求导,获得所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数。
10.如权利要求6所述的储层露头孔隙度预测装置,其特征在于,所述储层露头的孔隙度通过实验室分析储层露头的岩样获得。
11.一种储层露头孔隙度预测装置,包括存储器、处理器、以及存储在所述存储器上的计算机程序,其特征在于,所述计算机程序被所述处理器运行时执行如下步骤:
确定储层露头的孔隙度与所述储层露头在指定波段范围内的光谱反射率一阶导数的关系曲线;
获取所述储层露头剖面上光谱测量点在指定波段范围内的光谱反射率一阶导数;
根据所述关系曲线及所述光谱测量点在指定波段范围内的光谱反射率一阶导数,确定所述光谱测量点的孔隙度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810585785.1A CN108829967A (zh) | 2018-06-08 | 2018-06-08 | 储层露头孔隙度预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810585785.1A CN108829967A (zh) | 2018-06-08 | 2018-06-08 | 储层露头孔隙度预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108829967A true CN108829967A (zh) | 2018-11-16 |
Family
ID=64143329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810585785.1A Pending CN108829967A (zh) | 2018-06-08 | 2018-06-08 | 储层露头孔隙度预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108829967A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8195399B2 (en) * | 2005-06-03 | 2012-06-05 | Baker Hughes Incorporated | Method of determining downhole formation grain size distribution using acoustic and NMR logging data |
CN105628581A (zh) * | 2015-12-24 | 2016-06-01 | 中国石油大学(华东) | 一种基于高光谱技术的致密砂岩储层露头孔隙度表征方法 |
CN107329186A (zh) * | 2017-05-17 | 2017-11-07 | 中国石油天然气股份有限公司 | 一种确定火成岩储层次生溶蚀孔隙发育度的方法及装置 |
-
2018
- 2018-06-08 CN CN201810585785.1A patent/CN108829967A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8195399B2 (en) * | 2005-06-03 | 2012-06-05 | Baker Hughes Incorporated | Method of determining downhole formation grain size distribution using acoustic and NMR logging data |
CN105628581A (zh) * | 2015-12-24 | 2016-06-01 | 中国石油大学(华东) | 一种基于高光谱技术的致密砂岩储层露头孔隙度表征方法 |
CN107329186A (zh) * | 2017-05-17 | 2017-11-07 | 中国石油天然气股份有限公司 | 一种确定火成岩储层次生溶蚀孔隙发育度的方法及装置 |
Non-Patent Citations (1)
Title |
---|
曾建: "皖南埃迪卡拉系蓝田组页岩的组成与孔隙结构特征研究", 《中国博士学位论文全文数据库》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10871593B2 (en) | Method for increasing the spatial resolution of a weather forecast | |
US20190041377A1 (en) | Method for measuring a mudflat elevation by remotely sensed water content | |
CN108700524B (zh) | 图案化结构中的基于拉曼光谱法的测量 | |
CN105628581B (zh) | 一种基于高光谱技术的致密砂岩储层露头孔隙度表征方法 | |
Kang et al. | A new characterization and classification method for daily sky conditions based on ground-based solar irradiance measurement data | |
Chen et al. | Wavelength detection in FBG sensor networks using least squares support vector regression | |
CN105239608A (zh) | 一种基于wt-rs-svr相结合的滑坡位移预测方法 | |
CN109165553B (zh) | 基于深度学习的石油设施遥感自动识别方法及装置 | |
Fallows et al. | The dynamic spectrum of interplanetary scintillation: First solar wind observations on LOFAR | |
CN109633749A (zh) | 基于散射积分法的非线性菲涅尔体地震走时层析成像方法 | |
JP7237124B2 (ja) | 近赤外分光法及び機械学習技術による、製造工程におけるエンドポイント検出 | |
Yan et al. | Evaluation of machine learning methods and multi-source remote sensing data combinations to construct forest above-ground biomass models | |
Opelele et al. | Biomass estimation based on Multilinear regression and machine learning algorithms in the Mayombe tropical forest, in the Democratic Republic of Congo | |
CN108829967A (zh) | 储层露头孔隙度预测方法及装置 | |
Cogliati et al. | Red and far-red fluorescence emission retrieval from airborne high-resolution spectra collected by the hyplant-fluo sensor | |
CN108844879B (zh) | 基于激光强度的储层露头孔隙度预测方法及装置 | |
Kononov et al. | Model-associated forest parameter retrieval using VHF SAR data at the individual tree level | |
Setiawan et al. | Inland Water Trophic State Identification using Remote Sensing data and Machine Learning Approach | |
Kinney | Limits on entanglement effects in the string landscape from Planck and BICEP/Keck data | |
CN103196839A (zh) | 快鸟卫星归一化植被指数预测苦草盖度的方法 | |
CN111721685B (zh) | 复杂储层t2谱转换毛管压力曲线的方法及系统 | |
JP6886873B2 (ja) | 地盤の表面波の位相速度推定方法 | |
Volvach et al. | Wavelets in the analysis of local time series of the Earth's surface air | |
US20220406056A1 (en) | Remote sensing of terrain strength for mobility modeling | |
Prayuda et al. | Surabaya land cover prediction based on Landsat Satellite using the Multi-layer Perceptron Method |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |