CN108897066B - 碳酸盐岩裂缝密度定量预测方法及装置 - Google Patents
碳酸盐岩裂缝密度定量预测方法及装置 Download PDFInfo
- Publication number
- CN108897066B CN108897066B CN201810965774.6A CN201810965774A CN108897066B CN 108897066 B CN108897066 B CN 108897066B CN 201810965774 A CN201810965774 A CN 201810965774A CN 108897066 B CN108897066 B CN 108897066B
- Authority
- CN
- China
- Prior art keywords
- seismic
- well
- attribute
- calibration
- wells
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 239000011435 rock Substances 0.000 title claims abstract description 59
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 75
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 238000003384 imaging method Methods 0.000 claims abstract description 36
- 238000005553 drilling Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 17
- 230000001419 dependent effect Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000012417 linear regression Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 21
- 206010017076 Fracture Diseases 0.000 description 104
- 208000010392 Bone Fractures Diseases 0.000 description 103
- 238000010586 diagram Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 10
- 239000011148 porous material Substances 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000011497 Univariate linear regression Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
一种碳酸盐岩裂缝密度定量预测方法及装置,该方法包括:利用成像测井资料计算对应的已钻井井点处的裂缝密度;基于声波测井信息、密度测井信息以及三维叠后地震数据体计算地层波阻抗与岩石骨架波阻抗的差值;从三维叠后地震数据体中提取地震属性体;基于差值及裂缝密度,利用向前逐步回归法对提取的地震属性体进行排序;将所有已钻井分成训练井及校验井,分别作为训练井数据集及校验井数据集;利用训练井数据集训练不同数量的地震属性对应的概率神经网络模型;利用校验数据集及校验井的校验误差确定用于定量预测的最佳属性集;根据最佳属性集及概率神经网络模型计算碳酸盐岩裂缝密度的定量数据体。本发明可以实现裂缝发育密度三维空间的定量描述。
Description
技术领域
本发明是关于碳酸盐岩储集层裂缝检测技术,特别是关于一种碳酸盐岩裂缝密度定量预测方法及装置。
背景技术
碳酸盐岩储集层的发育具有很强的非均质性,裂缝的发育程度与开启性对碳酸盐岩油气藏储渗性能、烃类运聚、产能建设起着至关重要的作用。由于我国碳酸盐岩储集层普遍孔隙度低、渗透率低,因此裂缝在改造储集层性质、提高油气可动用性方面的作用就更为突出。
在裂缝检测的勘探地球物理技术方法中,目前主要有石油地球物理测井(简称测井)技术方法和石油地球物理地震勘探(简称地震)技术方法两大类。
用于裂缝检测的测井技术方法中,基于成像测井的裂缝识别方法是目前最为可靠的。利用已钻井的成像测井资料,可分析计算得到裂缝密度、裂缝长度、裂缝宽度以及裂缝张开度等裂缝发育定量信息,其中裂缝密度是关于裂缝空间展布的一个重要参数。但由于测井信息只能探测井筒四周很小的范围,因此,关于裂缝密度的定量信息也是局限于井点处的。
用于裂缝检测的地震技术方法,由于其能够表征裂缝在三维空间的展布特征,因此对于碳酸盐岩油气藏勘探开发的指导作用更为显著。目前这类技术方法主要分为两大类:一类主要基于叠后地震数据开展裂缝检测;一类主要基于叠前地震数据开展裂缝检测。
基于叠前地震数据开展裂缝检测,一般是利用不同方位地震响应的特征差异分析和预测裂缝;或者采用多波多分量裂缝检测得到较为精确的裂缝信息。但这类方法必需利用三维宽方位地震勘探资料或多波地震勘探资料,往往带来勘探成本的大幅度提高,因此目前均未广泛应用。
基于叠后地震数据开展裂缝检测是目前较为常用的裂缝地震检测方法,其利用的是叠后地震数据,野外采集方式是常规采集,采用三维相干体、三维方差体、三维曲率体、谱分解、倾角扫描、多尺度边缘检测等技术方法进行裂缝检测,提供的裂缝信息主要是定性的,而对利用叠后地震数据开展三维空间裂缝密度定量预测的技术方法,其需求是十分迫切的。
发明内容
本发明实施例提供了一种碳酸盐岩裂缝密度定量预测方法,以实现裂缝发育密度三维空间的定量描述。
为了实现上述目的,本发明实施例提供了一种碳酸盐岩裂缝密度定量预测方法,包括:
获取已钻井的成像测井资料、声波测井信息、密度测井信息以及三维叠后地震数据体;
利用所述成像测井资料计算对应的已钻井井点处的裂缝密度;
基于所述声波测井信息、密度测井信息以及三维叠后地震数据体计算地层波阻抗与岩石骨架波阻抗的差值;
从所述三维叠后地震数据体中提取地震属性体;
基于所述差值及裂缝密度,利用向前逐步回归法对提取的地震属性体进行排序;
将所有已钻井分成训练井及校验井,分别作为训练井数据集及校验井数据集;
利用所述训练井数据集训练不同数量的地震属性对应的概率神经网络模型;
利用所述校验数据集及所述校验井的校验误差确定用于定量预测的最佳属性集;
根据所述最佳属性集及所述概率神经网络模型计算碳酸盐岩裂缝密度的定量数据体。
一实施例中,所述基于所述声波测井信息、密度测井信息以及三维叠后地震数据体计算地层波阻抗与岩石骨架波阻抗的差值,包括:
基于所述三维叠后地震数据体,采用递推反演方法计算三维地层的波阻抗数据体;
利用已钻井的声波测井信息及密度测井信息,采用井约束地震反演方法,得到三维地层的岩石骨架波阻抗数据体;
计算所述波阻抗数据体与岩石骨架波阻抗数据体之差,得到所述差值。
一实施例中,所述基于所述差值及裂缝密度,利用向前逐步回归法对提取的地震属性体进行排序,包括:
S1:随机选取一口已钻井作为分析对象;
S2:将所述分析对象的差值作为第一个且固定的地震属性,从随机选取的该已钻井的井旁地震道中提取的m个地震属性分别组成m个属性对,作为m个回归自变量,将该已钻井的裂缝密度作为回归因变量;
S3:分别建立m个回归自变量与所述回归因变量的二元回归模型;
S4:计算每一所述回归模型的回归系数检验的统计量值,将统计量值的最大值对应的地震属性作为第二个地震属性;
S5:基于自变量子集对回归因变量的三元线性回归,重复S4依次选出第三个至满足条件的最后一个地震属性。
一实施例中,所述概率神经网络模型的输入为排序后的地震属性,输出为期望预测的井中裂缝密度测井信息。
一实施例中,所述利用所述校验数据集及所述校验井的校验误差确定用于定量预测的最佳属性集,包括:
将每口已钻井的各地震属性分别输入到对应的概率神经网络模型中;
计算每口已钻井的的校验误差及所有已输入地震属性的井的校验总误差;
对比对于不同输入数量的地震属性的校验总误差,选择校验总误差最小值对应的地震属性的个数作为用于定量预测的最佳属性集的属性个数,得到最佳属性集。
为了实现上述目的,本发明实施例提供了一种碳酸盐岩裂缝密度定量预测装置,包括:
数据获取单元,用于获取已钻井的成像测井资料、声波测井信息、密度测井信息以及三维叠后地震数据体;
裂缝密度计算单元,用于利用所述成像测井资料计算对应的已钻井井点处的裂缝密度;
差值计算单元,用于基于所述声波测井信息、密度测井信息以及三维叠后地震数据体计算地层波阻抗与岩石骨架波阻抗的差值;
地震属性体提取单元,用于从所述三维叠后地震数据体中提取地震属性体;
排序单元,用于基于所述差值及裂缝密度,利用向前逐步回归法对提取的地震属性体进行排序;
钻井划分单元,用于将所有已钻井分成训练井及校验井,分别作为训练井数据集及校验井数据集;
模型训练单元,用于利用所述训练井数据集训练不同数量的地震属性对应的概率神经网络模型;
属性集确定单元,用于利用所述校验数据集及所述校验井的校验误差确定用于定量预测的最佳属性集;
数据体计算单元,用于根据所述最佳属性集及所述概率神经网络模型计算碳酸盐岩裂缝密度的定量数据体。
一实施例中,所述差值计算单元包括:
波阻数据体计算模块,用于基于所述三维叠后地震数据体,采用递推反演方法计算三维地层的波阻抗数据体;
骨架波阻抗数据体计算模块,用于利用已钻井的声波测井信息及密度测井信息,采用井约束地震反演方法,得到三维地层的岩石骨架波阻抗数据体;
差值计算模块,用于计算所述波阻抗数据体与岩石骨架波阻抗数据体之差,得到所述差值。
一实施例中,所述排序单元包括:
钻井选取模块,用于随机选取一口已钻井作为分析对象;
数据提取模块,用于将所述分析对象的差值作为第一个且固定的地震属性,从随机选取的该已钻井的井旁地震道中提取的m个地震属性分别组成m个属性对,作为m个回归自变量,将该已钻井的裂缝密度作为回归因变量;
模型建立模块,用于分别建立m个回归自变量与所述回归因变量的二元回归模型;
统计量值计算模块,用于计算每一所述回归模型的回归系数检验的统计量值,将统计量值的最大值对应的地震属性作为第二个地震属性;
三元线性回归模块,用于基于自变量子集对回归因变量的三元线性回归,重复S4依次选出第三个至满足条件的最后一个地震属性。
一实施例中,所述概率神经网络模型的输入为排序后的地震属性,输出为期望预测的井中裂缝密度测井信息。
一实施例中,所述属性集确定单元包括:
输入模块,用于将每口已钻井的各地震属性分别输入到对应的概率神经网络模型中;
误差计算模块,用于计算每口已钻井的的校验误差及所有已输入地震属性的井的校验总误差;
属性个数确定模块,用于对比对于不同输入数量的地震属性的校验总误差,选择校验总误差最小值对应的地震属性的个数作为用于定量预测的最佳属性集的属性个数,得到最佳属性集。
为了实现上述目的,本发明实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取已钻井的成像测井资料、声波测井信息、密度测井信息以及三维叠后地震数据体;
利用所述成像测井资料计算对应的已钻井井点处的裂缝密度;
基于所述声波测井信息、密度测井信息以及三维叠后地震数据体计算地层波阻抗与岩石骨架波阻抗的差值;
从所述三维叠后地震数据体中提取地震属性体;
基于所述差值及裂缝密度,利用向前逐步回归法对提取的地震属性体进行排序;
将所有已钻井分成训练井及校验井,分别作为训练井数据集及校验井数据集;
利用所述训练井数据集训练不同数量的地震属性对应的概率神经网络模型;
利用所述校验数据集及所述校验井的校验误差确定用于定量预测的最佳属性集;
根据所述最佳属性集及所述概率神经网络模型计算碳酸盐岩裂缝密度的定量数据体。
为了实现上述目的,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取已钻井的成像测井资料、声波测井信息、密度测井信息以及三维叠后地震数据体;
利用所述成像测井资料计算对应的已钻井井点处的裂缝密度;
基于所述声波测井信息、密度测井信息以及三维叠后地震数据体计算地层波阻抗与岩石骨架波阻抗的差值;
从所述三维叠后地震数据体中提取地震属性体;
基于所述差值及裂缝密度,利用向前逐步回归法对提取的地震属性体进行排序;
将所有已钻井分成训练井及校验井,分别作为训练井数据集及校验井数据集;
利用所述训练井数据集训练不同数量的地震属性对应的概率神经网络模型;
利用所述校验数据集及所述校验井的校验误差确定用于定量预测的最佳属性集;
根据所述最佳属性集及所述概率神经网络模型计算碳酸盐岩裂缝密度的定量数据体。
本发明利用常规叠后地震资料、已钻井常规测井资料以及成像测井资料,可以得到三维裂缝发育密度定量数据体,从而实现了裂缝发育密度三维空间的定量描述。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的碳酸盐岩裂缝密度定量预测方法流程图;
图2为本发明实施例地层波阻抗与岩石骨架波阻抗的差值计算流程图;
图3为本发明实施例的地震属性体排序流程图;
图4为本发明实施例的最佳属性集确定流程图;
图5是本发明实施例中基于三维叠后地震数据体,采用递推反演方法与测井约束反演方法得到的三维波阻抗数据体差的基本原理图;
图6是本发明实施例的四口已钻井旁地震道的波阻抗差道与井的裂缝密度曲线的对比结果示意图;
图7是本发明实施例的地震属性排序中的回归系数F检验的统计量曲线(下方曲线),和本发明实施例的最佳属性集优选时不同输入属性个数时的校验总误差曲线(上方曲线);
图8为本发明实施例的碳酸盐岩裂缝密度定量预测装置结构框图;
图9为本发明实施例的差值计算单元的结构示意图;
图10为本发明实施例的排序单元的结构示意图;
图11为本发明实施例的属性集确定单元的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例的碳酸盐岩裂缝密度定量预测方法流程图,如图1所示,该方法包括如下步骤:
S101:获取已钻井的成像测井资料、声波测井信息、密度测井信息以及三维叠后地震数据体;
S102:利用所述成像测井资料计算对应的已钻井井点处的裂缝密度;
S103:基于所述声波测井信息、密度测井信息以及三维叠后地震数据体计算地层波阻抗与岩石骨架波阻抗的差值;
S104:从所述三维叠后地震数据体中提取地震属性体;
S105:基于所述差值及裂缝密度,利用向前逐步回归法对提取的地震属性体进行排序;
S106:将所有已钻井分成训练井及校验井,分别作为训练井数据集及校验井数据集;
S107:利用所述训练井数据集训练不同数量的地震属性对应的概率神经网络模型;
S108:利用所述校验数据集及所述校验井的校验误差确定用于定量预测的最佳属性集;
S109:根据所述最佳属性集及所述概率神经网络模型计算碳酸盐岩裂缝密度的定量数据体。
由图1所述的流程可知,本发明利用成像测井资料计算已钻井井点处的裂缝密度及地层波阻抗与岩石骨架波阻抗的差值,基于差值及裂缝密度提取的地震属性体进行排序;然后利用训练井数据集训练不同数量的地震属性对应的概率神经网络模型;最后利用校验数据集及校验井的校验误差确定用于定量预测的最佳属性集,根据最佳属性集及概率神经网络模型计算碳酸盐岩裂缝密度的定量数据体。上述方法利用常规叠后地震资料、已钻井常规测井资料以及成像测井资料,可以得到三维裂缝发育密度定量数据体,从而实现了裂缝发育密度三维空间的定量描述。
地下岩石介质是由两部分构成的,一部分是岩石骨架,主要是指岩石介质的岩性组分与原生孔隙;另一部分是次生孔隙,主要是指岩石成岩后,由于构造、沉积等地质作用引起的次生孔隙(如溶蚀孔、裂缝等)。
常规纵波地震数据是地下介质(岩石骨架与次生孔隙)的综合声波响应,而常规测井数据中的声波测井主要是岩石骨架的声波响应,因此井旁地震数据与井中声波测井反映信息的主要差异在于岩石介质中次生孔隙(次生孔隙及裂缝等)的声波响应。可利用基于地震数据的递推反演技术得到地层总体的波阻抗数据(地层波阻抗),及基于声波测井数据和地震数据的测井约束反演技术得到岩石骨架的波阻抗数据(岩石骨架波阻抗),求取波阻抗之差,就得到反映孔隙及裂缝等次生孔隙的波阻抗数据。该波阻抗差(差值)与裂缝的发育程度在物理机理上有较强的关联性。
与现有技术相比,本发明的主要改进在于:
一、现有的多元回归分析中预测的测井信息主要是速度、孔隙度、泥质含量等,本发明将基于成像测井得到的井中裂缝发育密度作为目标测井信息,从而能够基于叠后地震资料得到三维空间中裂缝发育密度的定量预测结果;
二、不同于常规多元回归分析,本发明用于预测目标测井信息的地震属性都是利用向前逐步回归法优选出来的,而是引入了波阻抗差属性,并将其作为一个固定的地震属性,在此基础上再通过向前逐步回归法优选其它地震属性,与波阻抗差一起定量预测裂缝发育密度。
裂缝密度可以表示为FVDC(x,y,z),为单位深度内成像测井探测到的裂缝总条数。其中x,y分别为已钻井位的平面位置坐标,z为裂缝密度分析计算结果对应的钻井深度。利用该井的声波测井数据,将钻井深度z转化为地震反射旅行时t,得到裂缝密度FVDC(x,y,t)。
一实施例中,如图2所示,S103包括如下步骤:
S201:基于所述三维叠后地震数据体,采用递推反演方法计算三维地层的波阻抗数据体;三维地层的波阻抗数据体可以表示为IMPall(x,y,t)。
S202:利用已钻井的声波测井信息及密度测井信息,采用井约束地震反演方法,得到三维地层的岩石骨架波阻抗数据体,表示为IMPmatrix(x,y,t);
S203:计算所述波阻抗数据体与岩石骨架波阻抗数据体之差,得到差值ΔIMP(x,y,t)=IMPall(x,y,t)-IMPmatrix(x,y,t)。
由于地震波是一种体波,因此利用递推反演方法得到的波阻抗数据体实际上是地下岩石介质的总体波阻抗特征;声波测井主要反映岩石介质的基质特征,因此基于声波测井资料的井约束反演波阻抗数据体也主要体现基质的波阻抗特征。岩石介质的总波阻抗与基质波阻抗的差异,主要体现溶蚀孔洞与裂缝等岩石介质的次生变化所引起的波阻抗变化,如图5所示。
地震属性体由地震道计算得到,与地震道具有相同采样率的属性。地震属性体例如可以为瞬时振幅属性、瞬时频率、瞬时相位、相干体、曲率体、边缘检测体等。每一个属性体均为一个三维数据体,其空间大小与三维叠后地震数据完全一致。提取哪些属性体、提取的属性体个数m可以根据具体需要确定。m个属性体记为Ak(x,y,t),k=1,2,…,m。其中x,y分别为地震道的平面位置坐标,t为地震反射旅行时。属性体的意义在于可以作为ΔIMP(x,y,t)的重要补充,提高了裂缝密度的定量预测精度。
一实施例中,如图3所示,S105可以包括如下步骤:
S301:随机选取一口已钻井作为分析对象,该分析对象用Well-X表示。
S302:将该分析对象的差值作为第一个且固定的地震属性,从随机选取的该已钻井的井旁地震道中提取的m个地震属性分别组成m个属性对,作为m个回归自变量,将该已钻井的裂缝密度(FVDC(x,y,t))作为回归因变量;
具体地,m个属性对可以表示为:(ΔIMP(x,y,t),Ak(x,y,t)),k=1,2,…,m。
S303:分别建立m个回归自变量与所述回归因变量的二元回归模型;
S304:计算每一所述回归模型的回归系数检验的统计量值,将统计量值的最大值对应的地震属性作为第二个地震属性。
回归系数检验F的统计量值检验的最大值对应的地震属性为Ap1(x,y,t),其中1≤P1≤m,该地震属性Ap1(x,y,t)就是排序为第二的地震属性。
S305:基于自变量子集对回归因变量的三元线性回归,重复S303依次选出第三个至满足条件的最后一个地震属性。
基于选择满足条件的最后一个地震属性后,自变量子集中地震属性的个数为N,基于自变量子集,可以对回归因变量进行多元线性回归:
多元回归模型是利用已知的自变量和因变量进行回归分析的数学模型。只含有一个自变量的回归模型称为一元回归模型,含有两个自变量的回归模型称为二元回归模型,含有多个自变量称为多元回归模型。
设因变量为Y,k个自变量分别为X1,X2,…,Xk,则上述k个自变量对于因变量的多元回归模型可表示为:
Y=B0+B1X1+B2X2+…+BkXk+ε
式中,B0,B1,B2,…,Bk是回归系数,ε为误差项。
考虑自变量子集(ΔIMP(x,y,t),Ap1(x,y,t,),Ak(x,y,t)),k=1,2,…,m,且k≠P1,对因变量的三元线性回归,重复S304,优选出排序为第三的地震属性Ap2(x,y,t),其中1≤P1≤m,且P2≠P1。重复S304,直到对所有地震属性完成排序,或者确定已排序的地震属性已满足下一步骤的要求即可。最终经过排序的属性体集记为(ΔIMP(x,y,t),Ap1(x,y,t),Ap2(x,y,t),…,Apf(x,y,t)),且1≤Pf≤m。
S107中,概率神经网络模型的输入为排序后的地震属性,输出为期望预测的井中裂缝密度测井信息。
具体实施时,针对只有一个属性ΔIMP(x,y,t)、有两个地震属性(ΔIMP(x,y,t),Ap1(x,y,t,))、…、有Pf+1个属性(ΔIMP(x,y,t),Ap1(x,y,t),Ap2(x,y,t),…,Apf(x,y,t))的情况,利用训练井数据集确定概率神经网络的各个权重值。最终可以确定只有一个输入属性ΔIMP(x,y,t)、有两个地震属性(ΔIMP(x,y,t),Ap1(x,y,t,))、…、有Pf+1个属性(ΔIMP(x,y,t),Ap1(x,y,t),Ap2(x,y,t),…,Apf(x,y,t))时的概率神经网络模型。
一实施例中,如图4所示,S108包括如下步骤:
S401:将每口已钻井的各地震属性分别输入到对应的概率神经网络模型中;
对于只选择一种地震属性,即输入地震属性只有井旁道的ΔIMP(x,y,t)时,将校验数据集中的每一口井的ΔIMP(x,y,t)输入到利用S107中训练得到的只有一个输入地震属性时的概率神经网络中。需要说明的是,校验数据集中井作为输入的顺序是随机确定的。
对于只选择两种输入地震属性时,将校验数据集中的每一口井提取的井旁道地震属性,输入到利用S107中训练的针对两个地震属性时的概率神经网络模型中,校验数据集中井作为输入的顺序与只选择一种地震属性时相同。
S402:计算每口已钻井的的校验误差及所有已输入地震属性的井的校验总误差;
对每一口输入的校验井都需要计算该校验井的校验误差,并计算所有已输入井的校验总误差。校验总误差为所有校验井的校验误差平均值的均方根。
重复S402,分别针对选择三种、四种、直至Pf+1个地震属性的情况,计算每口已钻井的校验误差及所有已输入地震属性的井的校验总误差。
S403:对比对于不同输入数量的地震属性的校验总误差,选择校验总误差最小值对应的地震属性的个数作为用于定量预测的最佳属性集的属性个数,得到最佳属性集。
随着地震属性个数的增加,对于不同个数的输入地震属性的情况,对比其校验总误差。选择校验总误差极小值对应的地震属性的个数Po,记为最终的用于三维空间裂缝密度定量预测的最佳属性集属性个数,最终得到的最佳属性集记为(ΔIMP(x,y,t),Ap1(x,y,t),Ap2(x,y,t),…,Apo(x,y,t)),且1≤Po≤Pf。
S109中,对所有地震道,提取在S108中确定的最佳属性集,利用S107训练的得到的对应着Po+1个输入地震属性的概率神经网络,可以计算得到一个三维裂缝密度定量数据体FVDC(x,y,t)。
下面结合具体的数据说明本发明:
图6是本发明实施例的四口井井点处的相关数据示意图。根据研究区已钻井的成像测井结果,可以得到井点处的裂缝密度曲线。如图6所示,对每口已钻井都显示了三条曲线,从左到右分别是井的裂缝密度曲线,井旁地震道,井旁的波阻抗差道。对比每口井的地震道与井的裂缝密度曲线,两者相关性不强。但对比波阻抗差道与裂缝密度曲线,可见两者存在很强的相关性。即裂缝密度大的地方,波阻抗差曲线表现出正的或负的较大的幅值,且裂缝发育密度值越大,波阻抗差曲线的绝对幅值越大。波阻抗差道的包络与裂缝密度曲线的包络具有非常高的近似性。本实施例中四口井的波阻抗差道与裂缝密度曲线的对比表明,波阻抗差数据体与裂缝密度在井点处有很强的相关性,这是由于该波阻抗差与裂缝密度在物理机理上有较强的关联性,从而使得裂缝密度的预测具备了较好的数学和物理基础,可以预见该波阻抗差的引入可以有效保证裂缝预测精度。
将本实施例中四口井井点处的裂缝密度曲线作为预测目标。利用三维地震数据体计算波阻抗差数据体和其它大量地震属性体。除井旁道的波阻抗差作为第一个固定属性之外,对井旁道地震属性进行排序。如图7所示,图7中的下方的曲线是本发明实施例的在地震属性排序过程中,每增加一个属性其回归系数F检验的统计量曲线。在本实施例中地震属性的排序结果为地震旅行时间、振幅加权的频率、瞬时相位的余弦值、瞬时频率、振幅加权相位、瞬时频率、振幅加权频率等七个属性。
用工区内的两口已钻井作为训练数据集,用工区内的另外2口已钻井作为校验数据集。利用训练数据集训练不同输入属性个数时的概率神经网络。训练完成后,用校验数据集对得到的概率神经网络进行校验,优选最佳属性集。图7中的上方的曲线是本发明实施例的最佳属性集优选过程中,不同输入属性个数时的校验总误差曲线。红色曲线在属性个数为6时,校验总误差极小,此后单调上升,因此最终确定的最佳属性集包括6个属性,分别是波阻抗差、地震旅行时间、振幅加权的频率、瞬时相位的余弦值、瞬时频率、振幅加权相位。
本实施例中,选择输入属性个数为6个时训练得到的概率神经网络,针对工区内四口已钻井预测井点处裂缝密度曲线。预测值与井点处裂缝密度曲线的相关系数达到95%以上,证实了对FVDC(x,y,t)的预测精度是很高的。
利用该概率神经网络,在三维空间依托地震数据得到裂缝密度三维数据体FVDC(x,y,t),从而实现了裂缝密度在三维空间的定量计算。
本发明利用常规叠后地震资料、已钻井常规测井资料以及成像测井资料,可以得到三维裂缝发育密度定量数据体,从而实现了裂缝发育密度三维空间的定量描述。
基于同一发明构思,本申请实施例还提供了一种碳酸盐岩裂缝密度定量预测装置,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于碳酸盐岩裂缝密度定量预测装置解决问题的原理与碳酸盐岩裂缝密度定量预测方法相似,因此碳酸盐岩裂缝密度定量预测装置的实施可以参见碳酸盐岩裂缝密度定量预测方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图8为本发明实施例的碳酸盐岩裂缝密度定量预测装置结构框图,如图8所示,该碳酸盐岩裂缝密度定量预测装置包括:数据获取单元801、裂缝密度计算单元802、差值计算单元803、地震属性体提取单元804、排序单元805、钻井划分单元806、模型训练单元807、属性集确定单元808及数据体计算单元809。
数据获取单元801,用于获取已钻井的成像测井资料、声波测井信息、密度测井信息以及三维叠后地震数据体;
裂缝密度计算单元802,用于利用所述成像测井资料计算对应的已钻井井点处的裂缝密度;
差值计算单元803,用于基于所述声波测井信息、密度测井信息以及三维叠后地震数据体计算地层波阻抗与岩石骨架波阻抗的差值;
地震属性体提取单元804,用于从所述三维叠后地震数据体中提取地震属性体;
排序单元805,用于基于所述差值及裂缝密度,利用向前逐步回归法对提取的地震属性体进行排序;
钻井划分单元806,用于将所有已钻井分成训练井及校验井,分别作为训练井数据集及校验井数据集;
模型训练单元807,用于利用所述训练井数据集训练不同数量的地震属性对应的概率神经网络模型;
概率神经网络模型的输入为排序后的地震属性,输出为期望预测的井中裂缝密度测井信息。
属性集确定单元808,用于利用所述校验数据集及所述校验井的校验误差确定用于定量预测的最佳属性集;
数据体计算单元809,用于根据所述最佳属性集及所述概率神经网络模型计算碳酸盐岩裂缝密度的定量数据体。
一实施例中,如图9所示,差值计算单元803包括:
波阻数据体计算模块901,用于基于所述三维叠后地震数据体,采用递推反演方法计算三维地层的波阻抗数据体;
骨架波阻抗数据体计算模块902,用于利用已钻井的声波测井信息及密度测井信息,采用井约束地震反演方法,得到三维地层的岩石骨架波阻抗数据体;
差值计算模块903,用于计算所述波阻抗数据体与岩石骨架波阻抗数据体之差,得到所述差值。
一实施例中,如图10所示,排序单元805包括:
钻井选取模块1001,用于随机选取一口已钻井作为分析对象;
数据提取模块1002,用于将所述分析对象的差值作为第一个且固定的地震属性,从随机选取的该已钻井的井旁地震道中提取的m个地震属性分别组成m个属性对,作为m个回归自变量,将该已钻井的裂缝密度作为回归因变量;
模型建立模块1003,用于分别建立m个回归自变量与所述回归因变量的二元回归模型;
统计量值计算模块1004,用于计算每一所述回归模型的回归系数检验的统计量值,将统计量值的最大值对应的地震属性作为第二个地震属性;
三元线性回归模块1005,用于基于自变量子集对回归因变量的三元线性回归,重复S4依次选出第三个至满足条件的最后一个地震属性。
一实施例中,如图11所示,属性集确定单元808包括:
输入模块1101,用于将每口已钻井的各地震属性分别输入到对应的概率神经网络模型中;
误差计算模块1102,用于计算每口已钻井的的校验误差及所有已输入地震属性的井的校验总误差;
属性个数确定模块1103,用于对比对于不同输入数量的地震属性的校验总误差,选择校验总误差最小值对应的地震属性的个数作为用于定量预测的最佳属性集的属性个数,得到最佳属性集。
本发明利用常规叠后地震资料、已钻井常规测井资料以及成像测井资料,可以得到三维裂缝发育密度定量数据体,从而实现了裂缝发育密度三维空间的定量描述。
基于同一发明构思,本申请实施例还提供了一种计算机设备,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于计算机设备解决问题的原理与碳酸盐岩裂缝密度定量预测方法相似,因此计算机设备的实施可以参见碳酸盐岩裂缝密度定量预测方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取已钻井的成像测井资料、声波测井信息、密度测井信息以及三维叠后地震数据体;
利用所述成像测井资料计算对应的已钻井井点处的裂缝密度;
基于所述声波测井信息、密度测井信息以及三维叠后地震数据体计算地层波阻抗与岩石骨架波阻抗的差值;
从所述三维叠后地震数据体中提取地震属性体;
基于所述差值及裂缝密度,利用向前逐步回归法对提取的地震属性体进行排序;
将所有已钻井分成训练井及校验井,分别作为训练井数据集及校验井数据集;
利用所述训练井数据集训练不同数量的地震属性对应的概率神经网络模型;
利用所述校验数据集及所述校验井的校验误差确定用于定量预测的最佳属性集;
根据所述最佳属性集及所述概率神经网络模型计算碳酸盐岩裂缝密度的定量数据体。
基于同一发明构思,本申请实施例还提供了一种计算机可读存储介质,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于计算机可读存储介质解决问题的原理与碳酸盐岩裂缝密度定量预测方法相似,因此计算机可读存储介质的实施可以参见碳酸盐岩裂缝密度定量预测方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本发明利用常规叠后地震资料、已钻井常规测井资料以及成像测井资料,可以得到三维裂缝发育密度定量数据体,从而实现了裂缝发育密度三维空间的定量描述。
该计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取已钻井的成像测井资料、声波测井信息、密度测井信息以及三维叠后地震数据体;
利用所述成像测井资料计算对应的已钻井井点处的裂缝密度;
基于所述声波测井信息、密度测井信息以及三维叠后地震数据体计算地层波阻抗与岩石骨架波阻抗的差值;
从所述三维叠后地震数据体中提取地震属性体;
基于所述差值及裂缝密度,利用向前逐步回归法对提取的地震属性体进行排序;
将所有已钻井分成训练井及校验井,分别作为训练井数据集及校验井数据集;
利用所述训练井数据集训练不同数量的地震属性对应的概率神经网络模型;
利用所述校验数据集及所述校验井的校验误差确定用于定量预测的最佳属性集;
根据所述最佳属性集及所述概率神经网络模型计算碳酸盐岩裂缝密度的定量数据体。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种碳酸盐岩裂缝密度定量预测方法,其特征在于,包括:
获取已钻井的成像测井资料、声波测井信息、密度测井信息以及三维叠后地震数据体;
利用所述成像测井资料计算对应的已钻井井点处的裂缝密度;
基于所述声波测井信息、密度测井信息以及三维叠后地震数据体计算地层波阻抗与岩石骨架波阻抗的差值;
从所述三维叠后地震数据体中提取地震属性体;
基于所述差值及裂缝密度,利用向前逐步回归法对提取的地震属性体进行排序;
将所有已钻井分成训练井及校验井,分别作为训练井数据集及校验井数据集;
利用所述训练井数据集训练不同数量的地震属性对应的概率神经网络模型;
利用所述校验数据集及所述校验井的校验误差确定用于定量预测的最佳属性集;
根据所述最佳属性集及所述概率神经网络模型计算碳酸盐岩裂缝密度的定量数据体。
2.根据权利要求1所述的碳酸盐岩裂缝密度定量预测方法,其特征在于,所述基于所述声波测井信息、密度测井信息以及三维叠后地震数据体计算地层波阻抗与岩石骨架波阻抗的差值,包括:
基于所述三维叠后地震数据体,采用递推反演方法计算三维地层的波阻抗数据体;
利用已钻井的声波测井信息及密度测井信息,采用井约束地震反演方法,得到三维地层的岩石骨架波阻抗数据体;
计算所述波阻抗数据体与岩石骨架波阻抗数据体之差,得到所述差值。
3.根据权利要求1所述的碳酸盐岩裂缝密度定量预测方法,其特征在于,所述基于所述差值及裂缝密度,利用向前逐步回归法对提取的地震属性体进行排序,包括:
S1:随机选取一口已钻井作为分析对象;
S2:将所述分析对象的差值作为第一个且固定的地震属性,从随机选取的该已钻井的井旁地震道中提取的m个地震属性分别组成m个属性对,作为m个回归自变量,将该已钻井的裂缝密度作为回归因变量;
S3:分别建立m个回归自变量与所述回归因变量的二元回归模型;
S4:计算每一所述回归模型的回归系数检验的统计量值,将统计量值的最大值对应的地震属性作为第二个地震属性;
S5:基于自变量子集对回归因变量的三元线性回归,重复S4依次选出第三个至满足条件的最后一个地震属性。
4.根据权利要求3所述的碳酸盐岩裂缝密度定量预测方法,其特征在于,所述概率神经网络模型的输入为排序后的地震属性,输出为期望预测的井中裂缝密度测井信息。
5.根据权利要求1所述的碳酸盐岩裂缝密度定量预测方法,其特征在于,所述利用所述校验数据集及所述校验井的校验误差确定用于定量预测的最佳属性集,包括:
将每口已钻井的各地震属性分别输入到对应的概率神经网络模型中;
计算每口已钻井的的校验误差及所有已输入地震属性的井的校验总误差;
对比对于不同输入数量的地震属性的校验总误差,选择校验总误差最小值对应的地震属性的个数作为用于定量预测的最佳属性集的属性个数,得到最佳属性集。
6.一种碳酸盐岩裂缝密度定量预测装置,其特征在于,包括:
数据获取单元,用于获取已钻井的成像测井资料、声波测井信息、密度测井信息以及三维叠后地震数据体;
裂缝密度计算单元,用于利用所述成像测井资料计算对应的已钻井井点处的裂缝密度;
差值计算单元,用于基于所述声波测井信息、密度测井信息以及三维叠后地震数据体计算地层波阻抗与岩石骨架波阻抗的差值;
地震属性体提取单元,用于从所述三维叠后地震数据体中提取地震属性体;
排序单元,用于基于所述差值及裂缝密度,利用向前逐步回归法对提取的地震属性体进行排序;
钻井划分单元,用于将所有已钻井分成训练井及校验井,分别作为训练井数据集及校验井数据集;
模型训练单元,用于利用所述训练井数据集训练不同数量的地震属性对应的概率神经网络模型;
属性集确定单元,用于利用所述校验数据集及所述校验井的校验误差确定用于定量预测的最佳属性集;
数据体计算单元,用于根据所述最佳属性集及所述概率神经网络模型计算碳酸盐岩裂缝密度的定量数据体。
7.根据权利要求6所述的碳酸盐岩裂缝密度定量预测装置,其特征在于,所述差值计算单元包括:
波阻数据体计算模块,用于基于所述三维叠后地震数据体,采用递推反演方法计算三维地层的波阻抗数据体;
骨架波阻抗数据体计算模块,用于利用已钻井的声波测井信息及密度测井信息,采用井约束地震反演方法,得到三维地层的岩石骨架波阻抗数据体;
差值计算模块,用于计算所述波阻抗数据体与岩石骨架波阻抗数据体之差,得到所述差值。
8.根据权利要求6所述的碳酸盐岩裂缝密度定量预测装置,其特征在于,所述排序单元包括:
钻井选取模块,用于随机选取一口已钻井作为分析对象;
数据提取模块,用于将所述分析对象的差值作为第一个且固定的地震属性,从随机选取的该已钻井的井旁地震道中提取的m个地震属性分别组成m个属性对,作为m个回归自变量,将该已钻井的裂缝密度作为回归因变量;
模型建立模块,用于分别建立m个回归自变量与所述回归因变量的二元回归模型;
统计量值计算模块,用于计算每一所述回归模型的回归系数检验的统计量值,将统计量值的最大值对应的地震属性作为第二个地震属性;
三元线性回归模块,用于基于自变量子集对回归因变量的三元线性回归,重复S4依次选出第三个至满足条件的最后一个地震属性。
9.根据权利要求8所述的碳酸盐岩裂缝密度定量预测装置,其特征在于,所述概率神经网络模型的输入为排序后的地震属性,输出为期望预测的井中裂缝密度测井信息。
10.根据权利要求6所述的碳酸盐岩裂缝密度定量预测装置,其特征在于,所述属性集确定单元包括:
输入模块,用于将每口已钻井的各地震属性分别输入到对应的概率神经网络模型中;
误差计算模块,用于计算每口已钻井的的校验误差及所有已输入地震属性的井的校验总误差;
属性个数确定模块,用于对比对于不同输入数量的地震属性的校验总误差,选择校验总误差最小值对应的地震属性的个数作为用于定量预测的最佳属性集的属性个数,得到最佳属性集。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
获取已钻井的成像测井资料、声波测井信息、密度测井信息以及三维叠后地震数据体;
利用所述成像测井资料计算对应的已钻井井点处的裂缝密度;
基于所述声波测井信息、密度测井信息以及三维叠后地震数据体计算地层波阻抗与岩石骨架波阻抗的差值;
从所述三维叠后地震数据体中提取地震属性体;
基于所述差值及裂缝密度,利用向前逐步回归法对提取的地震属性体进行排序;
将所有已钻井分成训练井及校验井,分别作为训练井数据集及校验井数据集;
利用所述训练井数据集训练不同数量的地震属性对应的概率神经网络模型;
利用所述校验数据集及所述校验井的校验误差确定用于定量预测的最佳属性集;
根据所述最佳属性集及所述概率神经网络模型计算碳酸盐岩裂缝密度的定量数据体。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现以下步骤:
获取已钻井的成像测井资料、声波测井信息、密度测井信息以及三维叠后地震数据体;
利用所述成像测井资料计算对应的已钻井井点处的裂缝密度;
基于所述声波测井信息、密度测井信息以及三维叠后地震数据体计算地层波阻抗与岩石骨架波阻抗的差值;
从所述三维叠后地震数据体中提取地震属性体;
基于所述差值及裂缝密度,利用向前逐步回归法对提取的地震属性体进行排序;
将所有已钻井分成训练井及校验井,分别作为训练井数据集及校验井数据集;
利用所述训练井数据集训练不同数量的地震属性对应的概率神经网络模型;
利用所述校验数据集及所述校验井的校验误差确定用于定量预测的最佳属性集;
根据所述最佳属性集及所述概率神经网络模型计算碳酸盐岩裂缝密度的定量数据体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810965774.6A CN108897066B (zh) | 2018-08-23 | 2018-08-23 | 碳酸盐岩裂缝密度定量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810965774.6A CN108897066B (zh) | 2018-08-23 | 2018-08-23 | 碳酸盐岩裂缝密度定量预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108897066A CN108897066A (zh) | 2018-11-27 |
CN108897066B true CN108897066B (zh) | 2020-01-07 |
Family
ID=64358438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810965774.6A Active CN108897066B (zh) | 2018-08-23 | 2018-08-23 | 碳酸盐岩裂缝密度定量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108897066B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464547B (zh) * | 2019-09-06 | 2022-11-04 | 中国石油天然气股份有限公司 | 地震倾角和方位角的确定方法及装置 |
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 |
CN112987105B (zh) * | 2019-12-02 | 2023-09-26 | 中国石油天然气股份有限公司 | 定量预测地下岩盐层分布的方法、装置、终端和存储介质 |
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 |
CN113534247B (zh) * | 2020-04-17 | 2024-03-05 | 中国石油天然气股份有限公司 | 基于叠后地震数据的裂缝定量化预测方法及装置 |
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 |
CN113971351B (zh) * | 2020-07-24 | 2022-11-01 | 中国石油天然气股份有限公司 | 裂缝孔隙度的确定方法及装置 |
CN112946752B (zh) * | 2021-03-19 | 2022-04-05 | 成都捷科思石油天然气技术发展有限公司 | 基于裂缝密度模型预测裂缝概率体的方法 |
CN114033352B (zh) * | 2021-11-02 | 2023-09-05 | 天津渤海中联石油科技有限公司 | 一种井周裂缝密度估算的方法及设备 |
CN116305751A (zh) * | 2022-12-19 | 2023-06-23 | 中国石油天然气集团有限公司 | 一种裂缝型变质岩潜山油藏裂缝建模方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6928367B2 (en) * | 2002-09-27 | 2005-08-09 | Veritas Dgc Inc. | Reservoir fracture characterization |
CN104502997B (zh) * | 2015-01-22 | 2017-06-16 | 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 |
CN105319603B (zh) * | 2015-11-06 | 2018-04-17 | 中国石油大学(华东) | 致密砂岩储层复杂网状裂缝的预测方法 |
CN105929452B (zh) * | 2016-06-02 | 2018-01-02 | 中国石油天然气股份有限公司 | 基于地震数据预测地下裂缝空间展布的方法及装置 |
CN106526693B (zh) * | 2016-09-30 | 2018-10-16 | 中国石油天然气股份有限公司 | 裂缝识别方法和装置 |
CN106610508B (zh) * | 2016-11-15 | 2019-05-07 | 中国石油天然气股份有限公司 | 一种裂缝的地震属性判识系统及方法 |
-
2018
- 2018-08-23 CN CN201810965774.6A patent/CN108897066B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108897066A (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108897066B (zh) | 碳酸盐岩裂缝密度定量预测方法及装置 | |
RU2669948C2 (ru) | Оптимизация многоступенчатого проекта нефтяного месторождения в условиях неопределенности | |
CA2823710C (en) | Methods and systems regarding models of underground formations | |
AU2021208450B2 (en) | Correlation of multiple wells using subsurface representation | |
US10087723B2 (en) | Methodology for building realistic numerical forward stratigraphic models in data sparse environment | |
AU2007339997A1 (en) | History matching and forecasting of hydrocarbon-bearing reservoirs utilizing proxies for likelihood functions | |
EP3121622A1 (en) | Method of predicting parameters of a geological formation | |
US8255165B2 (en) | Method for predicting differences in subsurface conditions | |
CN101738639A (zh) | 提高岩石裂缝参数计算精度的方法 | |
CN110887772B (zh) | 一种碳酸盐岩储层渗透率识别方法、系统及装置 | |
AU2021241430B2 (en) | Comparison of wells using a dissimilarity matrix | |
CN113837501B (zh) | 基于图神经网络的页岩总有机碳预测方法、系统和设备 | |
CA2870735A1 (en) | System and method for calibrating permeability for use in reservoir modeling | |
CN113762320A (zh) | 通过学习测井记录来估计岩相的方法和设备 | |
CN104632206B (zh) | 一种石油测井标准层确定方法及装置 | |
EP3526627B1 (en) | Petrophysical field evaluation using self-organized map | |
Shao et al. | Carbonate log interpretation models based on machine learning techniques | |
CN110208861B (zh) | 一种构造软煤发育区的预测方法及装置 | |
CN109991663A (zh) | 工区地震速度体校正方法和装置 | |
CN115327630A (zh) | 声波测井校正方法、装置、设备、存储介质及程序产品 | |
CN112946754B (zh) | 储层孔隙度预测方法及装置 | |
Amanipoor | Providing a subsurface reservoir quality maps in oil fields by geostatistical methods | |
CN113391373B (zh) | 一种杨氏模量的计算方法、装置、设备和存储介质 | |
CN107589457A (zh) | 测井资料尺度粗化的方法和装置 | |
CN116957363B (zh) | 深地油气精准导航砂泥岩地层构造评价方法与系统 |
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 |