CN108931814B - 一种基于多属性融合的基岩裂缝预测的方法 - Google Patents
一种基于多属性融合的基岩裂缝预测的方法 Download PDFInfo
- Publication number
- CN108931814B CN108931814B CN201710384745.6A CN201710384745A CN108931814B CN 108931814 B CN108931814 B CN 108931814B CN 201710384745 A CN201710384745 A CN 201710384745A CN 108931814 B CN108931814 B CN 108931814B
- Authority
- CN
- China
- Prior art keywords
- attribute
- fracture
- seismic
- data
- lithology
- 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 69
- 230000004927 fusion Effects 0.000 title claims abstract description 45
- 238000011160 research Methods 0.000 claims abstract description 49
- 238000009826 distribution Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 239000000758 substrate Substances 0.000 claims abstract description 17
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 230000001427 coherent effect Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 206010017076 Fracture Diseases 0.000 description 68
- 208000010392 Bone Fractures Diseases 0.000 description 56
- 238000005553 drilling Methods 0.000 description 7
- 238000007500 overflow downdraw method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 239000011435 rock Substances 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000010438 granite Substances 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 241000923606 Schistes Species 0.000 description 3
- 239000010453 quartz Substances 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 241000257303 Hymenoptera Species 0.000 description 1
- 240000001987 Pyrus communis Species 0.000 description 1
- 235000014443 Pyrus communis Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000011044 quartzite Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- 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
- G01V2210/64—Geostructures, e.g. in 3D data cubes
- G01V2210/646—Fractures
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
一种基于多属性融合的基岩裂缝预测的方法，包括以下步骤：(一)搜集并统计研究区基岩的资料和信息；(二)开展基底层位标定，对研究区基底顶面界限进行地震解释工作，通过解释工作搭建研究区的基岩地层格架；(三)计算AFE断裂预测属性；(四)计算分频相干属性；(五)计算蚂蚁追踪属性；(六)通过识别基底岩性，将获得的该区基底岩性分布图数据化并根据统计结果，计算不同岩性裂缝影响因子ε，生成影响因子ε平面数据体；(七)基于井属性的属性融合计算。大大提高了基底裂缝预测的效率，能够较准确地确定裂缝分布特征，进一步明确基岩潜山勘探靶区。对加快油气产能建设的步伐具有重要的现实意义。
Description
技术领域
本发明是应用于勘探领域里的一种基岩裂缝预测的方法，具体是关于基于多属性融合的基岩裂缝预测的方法。
背景技术
随着老油区的产量急剧下降，国内外都把老油区的深层作为发现新油气藏、寻找新储量的重点勘探领域，基岩油气藏作为一个重要的深层勘探领域，蕴含着巨大的勘探潜力，是当前和今后一段时期油气勘探的重点领域之一。基岩油气藏的储集空间主要是裂缝，油气的富集程度与裂缝的发育程度密切相关，因此成功预测裂缝是寻找基岩油气藏的关键。前人对裂缝预测方面的工作比较多，目前应用得比较多的是地震裂缝预测技术方法，主要有转换波裂缝检测、纵波方位各向异性检测和叠后地震属性分析三大类。转换波勘探具有所得信息多,兼有纵波和横波的优势、资料信噪比较高、频带较宽等优点。纵波检测裂缝方法由于费用和资料品质等方面较之于横波、转换波更具优势而日益受到重视。叠后三维地震属性分析是裂缝识别与预测的方法之一，主要有振幅类、频率类、相位类等地震属性以及一些分析技术，如地震波形分类、时频分析、沿层切片等。除了地震技术手段，杨勉等2014年利用“曲率法”和“有限元数值模拟法”对“与褶皱相关裂缝”和“与断裂相关裂缝”成因的两种裂缝发育带的分布进行了预测。上述方法和技术中，多分量转换波地震裂缝预测的基础是得到高信噪比的水平分量资料，不能适用大多数地区，而且水平分量资料的分辨率大多低于垂向分量，总体上还不能满足薄层裂缝勘探的需求。纵波检测裂缝方法主要是利用纵波资料开展方位各向异性检测。速度随方位变化的方法比较稳定，但只能识别尺度较大的储层；纵波方位AVO方法能够反映薄储层的特征，但对地震数据的信噪比要求非常高。同时叠前裂缝预测方法主要针对高角度和垂缝，对低角度缝并不适用。有限元方法建模存在困难，无法完全拟合地层形态要素；同时地层、断层、岩性等材料要素选择受限，无法真实还原真实的地质环境；地质构造运动的多期性造成边界条件加载无法真实的与各期应力拟合完全。测井曲线方法虽然在纵向上精度相对较高，但是很难扩展到平面上。
叠后三维地震属性裂缝预测是围绕地震反射波形的突变和不连续性而开展，技术比较成熟可靠，应用也最广。如果要综合分析多种叠后地震属性，目前使用的最广泛是属性融合技术。
在应用多属性融合预测裂缝方面，崔玉哲2014年在辽河凹陷应用蚂蚁追踪和吸收衰减属性开展聚合分析属性融合对海月潜山裂缝型储层开展预测工作综上所述，目前叠后地震属性预测裂缝主要存在两个问题：一是挑选什么叠后地震属性，二是如何将这些属性有效融合。
前人选取了很多叠后地震属性进行属性计算，但是他们挑选地震属性的时候更注重其对裂缝的敏感度，将地震属性和实测数据展开对比，符合趋势就开始使用，却忽略了裂缝预测的尺度问题。例如断层和大裂缝发育的地区，不代表微裂缝就发育，也不代表会形成好的裂缝型储层，反之亦然。挑选大量相同尺度的地震属性，预测出来的结果往往是片面的。而属性融合方法方面，目前方法比较多，有人工叠加方法，即人工对多种属性进行叠合解释，这个方法精度不高；还有基于主成因法，红绿蓝彩色融合法，BP神经网络方法等，这些融合方法较为成熟，但是还是有不足之处，尤其缺乏地质认识。加权融合法应用广泛，但是前人多根据经验给出加权因子，导致算法不稳定。因此本发明应用了基于地质属性的融合方法(Weighted Fusion Based on Geology Imformation，简称WFGI方法)。这里的地质属性包括裂缝属性和岩性属性，首先通过最小二乘法将地震属性与裂缝属性拟合后求出地震属性的加权因子，然后对地震属性开展融合，最后加入岩性背景，对融合体进行进一步约束，有效改进了融合方法。
发明内容
本发明的目的在于克服现有技术中预测误差大的缺点，针对不同尺度裂缝的多种叠后地震属性，运用基于地质属性的多属性融合方法(WFGI)，提供一种预测基岩裂缝的技术方法，从而提高基岩裂缝预测的可靠性和准确率。
一种基于多属性融合的基岩裂缝预测的方法，包括以下步骤：
(一)搜集并统计研究区基岩的裂缝资料和信息；
(二)开展基底层位标定，对研究区基底顶面界限进行地震解释工作，通过解释工作搭建研究区的基岩地层格架；
(三)计算AFE断裂预测属性；
(四)计算分频相干属性；
(五)计算蚂蚁追踪属性；
(六)通过识别基底岩性，将获得的该区基底岩性分布图数据化并根据统计结果，计算不同岩性裂缝影响因子ε，生成影响因子ε平面数据体；
(七)基于井属性的属性融合计算。
所述的方法，其中，步骤(二)包括：对研究区钻遇基底的井开展合成记录，确定反射界面的地震反射特征；
开展层位解释和断层解释，对基底顶面界限开展8×8网格解释，并进行网格化处理。
所述的方法，其中，步骤(三)的实施步骤为：
1)对目标区三维地震数据进行倾角，方位角计算，获得研究区基岩方位倾角信息；
2)对原始地震数据进行倾角控制增强处理，并按计算样点为中心选取对比视窗，所参与计算的每一个采样点均定义相应的计算权度；
3)对步骤2)得到的处理后的地震数据体，结合步骤1)得到的倾角，方位角信息，创建不连续数据体；
4)步骤3)得到的不连续数据体做裂缝自动拾取计算，得到结果。
所述的方法，其中，步骤(四)的实施步骤为：
(1)通过分析找出有效地震频带范围，在该范围内，利用频率域滤波技术生成一系列单频三维地震数据体；
(2)对上述单频三维地震数据体分别进行计算，利用相同的本征值相干算法和处理参数生成对应的一系列相干数据体；
(3)在地震解释的基础上，针对基岩，分别提取上述一系列相干数据体的沿层属性，再结合具体的地质情况，对这些频带的相干数据进行分析比较，选择相对能突出小尺度裂缝的分频属性体。
所述的方法，其中，步骤(五)的包括以下几个步骤：
Ⅰ、对地震数据体进行构造平滑处理；
Ⅱ、通过对构造平滑后的地震体进行边缘增强处理，生成方差体，寻找边界异常；
Ⅲ、运用蚂蚁算法对生成的方差体进行计算，调整初始蚂蚁分布边界、蚂蚁追踪背离、蚂蚁搜索步长、非法步长、合法步长和终止标准六个参数，获得蚂蚁追踪属性体。
所述的方法，其中，步骤(六)所述的基底岩性分布图数据化是指将岩性图转化为离散化数据，即横坐标x、纵坐标y和岩性代码γ三列数据；所述裂缝影响因子ε是指不同岩性产生裂缝的难易程度，因子越大越容易产生裂缝，因子越小越不容易产生裂缝，其中
所述的方法，其中，岩性的相对影响因子εi的获得方法为：
一、利用公式：Fi＝εi(γi)+Ti，i＝1,2，……，n；
其中Fi为实测裂缝密度值，Ti为构造应力，εi(γi)为某岩性的裂缝影响因子，
二、Fi与εi(γi)成正相关，将实测裂缝密度与岩性代码带入公式，即可得到该研究区各个岩性的裂缝影响因子εi；
三、将上述裂缝影响因子εi替换对应岩性γi，形成一个裂缝岩性影响因子εi平面数据体。
所述的方法，其中，其特征在于：步骤(七)的实施方式为：
(Ⅰ)用离差标准化和标准差标准化对步骤(三)至步骤(五)所述的属性进行归一化；
(Ⅱ)进行去异常值：当f’>fave+3σ或者f’<fave-3σ定义为异常值，将其去掉，其中f’为地震属性值，地震属性平均值
方差
(Ⅲ)通过最小二乘法回归分析将地震属性与裂缝属性拟合后进行融合；
(Ⅳ)加入岩性属性，即裂缝影响因子数据，对融合体进行进一步约束融合，形成新的裂缝预测平面图。
所述的方法，其中，步骤(Ⅲ)包括以下步骤：
①加权值计算：获得n组样本数据(xi1，xi2，xi3；yi)，i＝1、2、……、n并根据公式：F’＝a0+a1x1+a2x2+a3x3提取钻井所在位置裂缝密度的数值，将这些数值代入关系式中得a1，a2，a3，a0值，其中：F’为裂缝密度计算值，x1，x2，x3分别为AFE、分频相干和蚂蚁体属性值，a1，a2，a3为属性权重系数，a0为常数；
②对a1，a2，和a3进行加权处理，使得a’1+a’2+a’3＝1。
③将步骤三至五得到的地震属性与述步骤得到的加权因子相乘并相加得到裂缝属性融合体，即a’1x1+a’2x2+a’3x3进行计算。
所述的方法，其中，步骤(Ⅳ)包括：提取研究区目标层段的裂缝融合体属性，即计算目标时窗内属性体的RMS(均方根)值，形成一个二维面数据，将所述的二维面数据与步骤6计算得到的裂缝岩性影响因子ε数据相乘，最终得到研究区基岩裂缝预测分布图。
通过研究确定基岩裂缝分布特点，落实裂缝型储层的储集性能，进一步揭示基岩油气藏的成藏规律，为基岩油气藏勘探潜力提供理论支撑，为继续寻找大中型油气田提供依据。
通过本发明的研究，大大提高了基底裂缝预测的效率，能够较准确地确定裂缝分布特征，进一步明确基岩潜山勘探靶区。对加快油气产能建设的步伐具有重要的现实意义。该技术的研究成果将对中国东部其他盆地和区块基岩裂缝预测具有重要的借鉴作用。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：
图1是基于多属性融合的基底岩性裂缝预测流程图；
图2是研究区基底岩性分布图；
图3是研究区基底岩性裂缝预测分布图；
在附图中，相同的部件使用相同的附图标记。附图并未按照实际的比例。
具体实施方式
下面将结合附图对本发明作进一步说明。
如图1所示，为基于多属性融合的基底岩性裂缝预测流程图，所述基于多属性融合的基岩裂缝预测方法，包括以下步骤：
步骤(一)：搜集研究区基岩资料，采集野外露头和钻井岩心样品，观察和统计野外露头和岩心裂缝信息，如密度、方向，充填程度等。
其中，所述搜集的资料包括已有钻遇基岩的钻井和野外露头资料，尤其是钻井成像测井资料和裂缝密度曲线；对采集的钻井和露头样品开展镜下薄片鉴定，了解研究区的基岩裂缝微观特征和期次；研究总结目标区及其邻区大地构造背景，分析其应力环境和断裂分布特征，了解研究区基岩岩性分布情况。
步骤(二)：开展基底顶面层位标定，对研究区基底顶面界线进行地震解释工作，同时通过解释骨干剖面，搭建研究区的基岩地层格架。
所述层位标定，是对研究区钻遇基底的井开展合成记录工作，同时确定基底顶面反射界面的地震反射特征。
所述地震解释工作包括层位解释和断层解释，对基底顶面界线开展至少8*8 网格解释，然后对其网格化处理，为接下来的地震属性计算做好数据准备。
步骤(三)：计算Automatic fault Extraction(AFE)断裂预测属性。运用 AFE裂缝预测技术，对研究区尺度较大裂缝的展布进行预测。
其中，步骤(三)所述AFE断裂预测技术是在三维地震不连续数据体上自动提取裂缝的技术。其技术实施步骤为：
1)对目标区三维地震数据进行倾角，方位角计算，获得研究区基岩方位倾角信息；
2)对原始地震数据进行倾角控制增强处理(Dip Steered Enhancement Attr)，倾角控制增强模块能够改善地震资料品质以利于更好的层位、断层解释，在计算过程中充分考虑每一个采样点的倾角变化，并按计算样点为中心选取对比视窗，所参与计算的每一个采样点均定义相应的计算权度。
3)不连续数据体解释，对2)得到的处理后的地震数据体，结合1)步得到的倾角，方位角信息，创建不连续数据体。
4)对3)得到的不连续数据体做裂缝自动拾取计算，得到结果。
步骤(四)：计算分频相干属性。运用频谱分解方法，计算研究区高分辨率相干体，通过比较各个分频相干切片成像特征，结合实测数据，选择更加能突出小尺度裂缝的那个数据体。
步骤(四)所述的频谱分解方法是薄层反射的调谐理论。频谱分解地震属性采用Gabor-Morley小波变换，将各地震道分解成不同的频带成分，有助于识别地震数据的局部岩性特征。
步骤(四)所述的高分辨率相干体(Coherence Cube)是利用较最新的本征值算法，与过去的相关(Correlation)、相似(Semblance)相比，能更好的区分出断层细节特殊地质现象。
步骤(四)所述的分频相干方法的原理是基于不同频带的地震数据可以检测不同尺度的断层及裂缝，其中的高频组分对微断层或微挠曲反映敏感，因此可以利用高频组分检测地层的横向不连续性(微断层或裂缝)，帮助检测到利用全频段地震数据不易发现的小-微裂缝。
所述的分频相干属性体主要实现流程为：
(1)通过分析找出有效地震频带范围，在该范围内，利用频率域滤波技术生成一系列单频三维地震数据体。
(2)对上述单频三维地震数据体分别进行计算，利用相同的本征值相干算法和处理参数生成对应的一系列相干数据体。再结合具体的地质情况，对这些频带的相干数据进行分析比较，选择更能表征小-微裂缝的分频属性体。
步骤(五)：计算蚂蚁追踪属性。对研究区开展蚂蚁追踪属性提取，高精度刻画研究区裂缝分布。
所述蚂蚁体追踪技术是一种叠后微裂缝预测激素，能够有效识别小断层。所述的蚂蚁追踪属性体的生成流程为以下几个步骤：
首先对地震数据体进行构造平滑处理，构造平滑的目的是采用中值滤波算法，消除或减弱地震数据的随机噪音干扰，即对地震数据进行“去噪”处理，使地震反射序列的连贯性得到增强。在对地震数据进行构造平滑处理时，通过设置主线方向、联络线方向和垂向的步长来确定平滑程度。另外，要根据实际情况决定是否选择倾角导向控制以及断层增强控制。在正常情况下，步长取1-2.5，不宜过大，而且一般勾选倾角导向控制和断层增强控制。
然后生成方差体。通过对构造平滑后的地震体进行边缘增强处理，可以生成方差体，用来寻找边界异常。在追踪不连续点的过程中，利用方差体分析技术可以突出地震数据体中不连续的信用，并且方差体不连续性的增强效果明显优于其他地方。
最后生成蚂蚁属性体。
对地震资料进行预处理后，通过设定适当的追踪参数，运用蚂蚁算法对生成的方差体进行计算，提取蚂蚁追踪属性体。在这一个过程中涉及到6个关键参数，分别是初始蚂蚁分布边界、蚂蚁追踪背离、蚂蚁搜索步长、非法步长、合法步长和终止标准。
对研究区的原始地震资料依次进行“去噪”处理,得到构造平滑属性体、方差属性体；在方差属性体基础上采用被动追踪的方式，调整6个参数,经过多次反复计算,得到蚂蚁追踪属性体。其中蚂蚁属性值的大小能够很好地表征裂缝的发育程度，通常属性值在-1至1之间。
步骤(六)：运用重磁震综合解释技术识别基底岩性，将获得的该区基底岩性分布图数据化。根据统计结果，计算不同岩性裂缝影响因子ε，生成影响因子ε平面数据体。
所述的岩性识别方法具体步骤在此不再详述。
步骤(六)所述的基底岩性分布图数据化是指将岩性图转化为离散化数据，即横坐标x、纵坐标y和岩性代码γ三列数据，例如：花岗岩γ赋值为1；千枚岩、板岩γ赋值为2；石英(片)岩γ赋值为3；火山岩γ赋值为4；碳酸盐岩γ赋值为5,；变余砂砾岩γ赋值为6等。具体赋值根据研究区实际情况和研究需要对γ进行赋值。
所述裂缝影响因子ε是指不同岩性产生裂缝的难易程度，因子越大越容易产生裂缝，因子越小越不容易产生裂缝，其中
在相同构造应力下，暗色矿物含量低的岩性(优势岩性)塑形较弱，容易产生裂缝成为储集层，具体分类见表1，序列越靠前越可能成为优势岩性。
表1
本发明通过统计研究区及邻区岩性和裂缝对应关系，来获得该岩性的相对影响因子εi。具体方法如下：
Fi＝εi(γi)+Ti，i＝1,2，……，n；其中Fi为实测裂缝密度值，Ti为构造应力，εi(γi)为某岩性的裂缝影响因子。从表达式中可以看到，Fi与εi(γi) 成正相关，我们将实测裂缝密度与岩性代码带入公式，即可得到该研究区各个岩性的裂缝影响因子εi。
将这个裂缝影响因子εi替换对应岩性γi，形成一个裂缝岩性影响因子εi平面数据体。
步骤(七)：基于地质属性的多属性融合WFGI计算。首先对上述步骤三至步骤五所述的属性进行去异常值和归一化处理，其次通过最小二乘法回归分析将地震属性与裂缝属性拟合后进行融合，然后加入岩性属性，即裂缝影响因子数据，对融合体进行进一步约束融合，形成新的裂缝预测平面图。
步骤(七)所述的去除异常值处理是指去除一些属性运算中产生的异常值，具体方法为：当f’>fave+3σ或者f’<fave-3σ定义为异常值，将其去掉。其中f’为地震属性值，地震属性平均值
方差
步骤(七)中所述的归一化处理是一种无量纲处理手段，使物理系统数值的绝对值变成某种相对值关系。简化计算，缩小量值的有效办法。本发明采用的归一化方法是离差标准化和标准差标准化。
离差标准化是对原始数据的线性变换，使结果值映射到[0，-1]之间，转换函数如下：y＝(x-Min)/(Max-Min)。其中max为样本数据的最大值，min为样本数据的最小值。
标准差标准化，经过处理的数据符合标准正态分布，即均值为0，标准差为 1，其转化函数为：y＝(x-μ)/σ，其中μ是所有样本数据的均值，σ为所有样本数据的标准差。
运用两种归一化处理手段主要是因为有时一种归一化方法会将异常平均化，因此需要对比这两种归一化方法获得的数据，选取异常区突出，且边界清晰的方法参与后续融合运算。
步骤(七)所述的通过最小二乘法回归分析将地震属性与裂缝属性拟合后进行融合是指充分利用已有的测井和岩心裂缝资料，将地震属性与这些裂缝数据进行拟合确定每个属性的权值，然后将地震属性按照加权值融合在一起，形成一个新地震属性体的方法。具体步骤如下：
①、加权值计算。假设有n次独立观测，得到n组样本数据(xi1，xi2，xi3；yi)， i＝1、2、……、n。设定一个关系式F’＝a0+a1x1+a2x2+a3x3(F’为裂缝密度计算值，x1，x2，x3分别为AFE、分频相干和蚂蚁体属性值，a1，a2，a3为属性权重系数，a0为常数)，提取钻井所在位置裂缝密度的数值，将这些数值代入关系式中，数据越多越好；
应用最小二乘法原理，将实测值F与计算值F’的离差的平方和
最小优化判据。
令
由于
是关于a1，a2，a3，a0的非负2次函数，比存在最小值，利用微积分的极值求法，得到：
这里
(i＝0,1,2，……，p)是ai的最小二乘法估计，对上述求偏导，求得正规方程组的过程可用矩阵代数运算进行，得到正规方程组的矩阵表示：
移项得
依据假定
R(X)＝p+1＝4,所以R(XTX)＝R(X)＝4，故(XTX)-1存在，解方程组得到：
最终求得a1，a2，a3，a0值。为了判断回归的效果好坏，还要计算相似系数R，剩余标准偏差S，R越趋于1越好，S越趋于0越好。
②、对a1，a2，和a3进行加权处理，使得a’1+a’2+a’3＝1。
③、将步骤3-5得到的地震属性与述步骤得到的加权因子相乘并相加得到裂缝属性融合体，即a’1x1+a’2x2+a’3x3进行计算。
步骤(七)所述加入岩性属性，对融合体进行进一步约束融合是指将新的裂缝属性融合体，与影响因子εi数据体进一步融合，形成最终的研究区基岩裂缝预测分布图，具体方法如下：
首先提取研究区目标层段的裂缝融合体属性，即计算目标时窗内属性体的 RMS(均方根)值，形成一个二维面数据；然后将这个二维面数据与步骤(六) 计算得到的裂缝岩性影响因子ε数据相乘，最终得到研究区基岩裂缝预测分布图。
实施例：
采用东北LS断陷SN地区进行说明。如图1所示的震多属性融合的裂缝预测流程图，(一)搜集LS断陷SN地区基岩裂缝资料，采集野外露头和钻井岩心样品，观察和统计野外露头和岩心裂缝。根据实测结果编制了裂缝充填特征分布图、裂缝密度图等基础图件，分析了研究区裂缝的主要方向。(二)对LS断陷SN地区地震反射界面T5开展层位标定，开展地震解释工作，解释基底顶面界线T5，形成8×8网格，并对其网格化；(三)计算AFE断裂预测属性。运用AFE裂缝预测技术，对研究区尺度较大的裂缝展布进行预测。
1)对目标区三维地震数据进行倾角，方位角计算，其中顶部和底部剖面的垂直采样率分别为10和20样本数，获得研究区基岩方位倾角信息；
2)对原始地震数据进行倾角控制增强处理，倾角计算方式选择外飘型，y轴和x轴的生成平滑范围都为3。
3)相干体解释，对上面步骤2得到的地震数据体，结合步骤1)得到的倾角，方位角信息，创建相干体，其中垂向视窗范围是59样本数。
4)对得到的相干体做裂缝自动拾取(AFE)计算，参数去燥类型选择两个都要，得到结AFE属性体。
(四)计算分频相干体属性。运用频谱分解方法，计算研究区高分辨率相干体，通过比较各个分频相干切片成像特征，结合实测数据，选择更加能突出小尺度裂缝的那个数据体。
分频相干属性体主要步骤：
(1)利用频率域滤波技术生成20Hz、30Hz、40Hz、50Hz、60Hz、70Hz和80Hz、一系列单频三维地震数据体。
(2)对上述单频三维地震数据体分别进行计算，利用相同的本征值相干算法和处理参数生成对应的一系列相干数据体。
(3)在地震解释的基础上，针对基岩，分别提取上述一系列相干数据体的沿层属性，再结合LS断陷SN地区的地质情况，对这些频带的相干数据进行分析，最终选择更能表征小-微裂缝的70Hz分频属性体。
(五)、计算蚂蚁追踪属性。对研究区开展蚂蚁追踪属性提取，精细刻画研究区裂缝分布。
表2
蚂蚁追踪属性体的具体步骤是：
①对地震数据体进行构造平滑处理，即对地震数据进行“去噪”处理，使地震反射序列的连贯性得到增强。在对地震数据进行构造平滑处理时，通过设置主线方向、联络线方向和垂向的步长来确定平滑程度。另外，要根据实际情况决定是否选择倾角导向控制以及断层增强控制。在正常情况下，步长取1-2.5，不宜过大，而且一般勾选倾角导向控制和断层增强控制。
②生成方差体。通过对构造平滑后的地震体进行边缘增强处理，可以生成方差体，用来寻找边界异常。
③生成蚂蚁属性体。在这一个过程中涉及到6个关键参数，分别是初始蚂蚁分布边界、蚂蚁追踪背离、蚂蚁搜索步长、非法步长、合法步长和终止标准。如表2所示：
研究区裂缝走向和倾向的输入主要依据研究区内的成像测井资料以及岩心露头统计结果如图2所示。
对梨树断陷的原始地震资料依次进行“去噪”处理,得到构造平滑属性体、方差属性体；在方差属性体基础上采用被动追踪的方式，调整6个参数,经过多次反复计算,得到蚂蚁追踪属性体。其中蚂蚁属性值的大小能够很好地表征LS断陷SN地区裂缝的发育程度。
(六)、如图2所示，运用重磁震综合解释技术识别出研究区岩性有花岗岩，火山岩，石英岩和千枚岩四种岩性，将岩性分布图数据化。计算不同岩性裂缝影响因子ε，生成影响因子ε平面数据体。
将千枚岩γ赋值为1；石英(片)岩γ赋值为2；花岗岩γ赋值为3；火山岩γ赋值为4，将岩性分布图转化为横坐标x、纵坐标y和岩性代码γ三列数值的平面数据。根据前人研究和研究区和邻区钻井露头裂缝统计结果(下表)，依据Fi＝εi(γi)+Ti，i＝1,2，……，n模型，计算得到这四种岩性的影响因子为千枚岩ε为0.22；石英片岩ε为0.16；花岗岩ε为0.32；火山岩ε为0.3。将每种岩性ε值替换岩性符号γ，形成一个裂缝岩性影响因子εi平面数据体。
(七)、将步骤(三)-(五)所述的属性进行归一化，将三个属性体中当f’>fave+3 σ或者f’<fave-3σ的异常值全部删除，通过比较采用标准差标准化方法y＝(x-μ) /σ，对数据进行归一化，如表3所示，为岩性与裂缝密度对比表。
表3
提取JG1井裂缝曲线数值和JG101井岩心裂缝统计数值，运用最小二乘法对同一深度的三种地震属性与裂缝数值进行拟合，具体将这四组数据分别代入关系式F’＝a0+a1x1+a2x2+a3x3，其中x1，x2，x3分别为AFE、分频相干和蚂蚁体属性值， F’为裂缝密度计算值。
应用最小二乘法原理，将实测值F与计算值F’的离差的平方和
最小优化判据。通过一系列计算这三种属性的加权因子分别为a’1＝0.23， a’2＝0.46，a’3＝0.41。将三个属性体按照加权因子相乘后相加，得到新的裂缝融合体。对获得的融合体提取目标层位T5向下500ms时窗的RMS值，将获得平面数据与上述步骤(六)获得的影响因子数据相乘。最终形成入图3所示的基底岩性裂缝预测分布图
JG1井位于高异常区，所在高异常区范围较大，JG101井在中异常区边缘， JG2位于空白区，这都与已知的裂缝资料基本吻合。利用已知3口钻井进行检验，正确率在95％以上。
虽然已经参考优选实施例对本发明进行了描述，但在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。
Claims (10)
1.一种基于多属性融合的基岩裂缝预测的方法，其特征在于，包括以下步骤：
(一)搜集并统计研究区基岩的裂缝资料和信息；
(二)开展基底层位标定，对研究区基底顶面界限进行地震解释工作，通过解释工作搭建研究区的基岩地层格架；
(三)计算AFE断裂预测属性；
(四)计算分频相干属性；
(五)计算蚂蚁追踪属性；
(六)通过识别基底岩性，将获得的该区基底岩性分布图数据化并根据统计结果，计算不同岩性裂缝影响因子ε，生成影响因子ε平面数据体；
(七)将步骤(三)至(五)得到的地震属性与裂缝属性拟合后进行融合，然后加入岩性属性的融合计算。
2.根据权利要求1所述的基于多属性融合的基岩裂缝预测的方法，其特征在于：步骤(二)包括：对研究区钻遇基底的井开展合成记录，确定反射界面的地震反射特征；
开展层位解释和断层解释，对基底顶面界限开展8×8网格解释，并进行网格化处理。
3.根据权利要求1所述的基于多属性融合的基岩裂缝预测的方法，其特征在于：步骤(三)的实施步骤为：
1)对目标区三维地震数据进行倾角，方位角计算，获得研究区基岩方位倾角信息；
2)对原始地震数据进行倾角控制增强处理，并按计算样点为中心选取对比视窗，所参与计算的每一个采样点均定义相应的计算权度；
3)对步骤2)得到的处理后的地震数据体，结合步骤1)得到的倾角，方位角信息，创建不连续数据体；
4)步骤3)得到的不连续数据体做裂缝自动拾取计算，得到结果。
4.根据权利要求1所述的基于多属性融合的基岩裂缝预测的方法，其特征在于：步骤(四)的实施步骤为：
(1)通过分析找出有效地震频带范围，在该范围内，利用频率域滤波技术生成一系列单频三维地震数据体；
(2)对上述单频三维地震数据体分别进行计算，利用相同的本征值相干算法和处理参数生成对应的一系列相干数据体；
(3)在地震解释的基础上，针对基岩，分别提取上述一系列相干数据体的沿层属性，再结合具体的地质情况，对这些频带的相干数据进行分析比较，选择相对能突出小尺度裂缝的分频属性体。
5.根据权利要求1所述的基于多属性融合的基岩裂缝预测的方法，其特征在于：步骤(五)的包括以下几个步骤：
Ⅰ、对地震数据体进行构造平滑处理；
Ⅱ、通过对构造平滑后的地震体进行边缘增强处理，生成方差体，寻找边界异常；
Ⅲ、运用蚂蚁算法对生成的方差体进行计算，调整初始蚂蚁分布边界、蚂蚁追踪背离、蚂蚁搜索步长、非法步长、合法步长和终止标准六个参数，获得蚂蚁追踪属性体。
6.根据权利要求1所述的基于多属性融合的基岩裂缝预测的方法，其特征在于：步骤(六)所述的基底岩性分布图数据化是指将岩性图转化为离散化数据，即横坐标x、纵坐标y和岩性代码γ三列数据；所述裂缝影响因子ε是指不同岩性产生裂缝的难易程度，因子越大越容易产生裂缝，因子越小越不容易产生裂缝，其中
7.根据权利要求6所述的基于多属性融合的基岩裂缝预测的方法，其特征在于：
岩性的相对影响因子εi的获得方法为：
一、利用公式：Fi＝εi(γi)+Ti，i＝1,2，……，n；
其中Fi为实测裂缝密度值，Ti为构造应力，εi(γi)为某岩性的裂缝影响因子，
二、Fi与εi(γi)成正相关，将实测裂缝密度与岩性代码带入公式，即可得到该研究区各个岩性的裂缝影响因子εi；
三、将上述裂缝影响因子εi替换对应岩性γi，形成一个裂缝岩性影响因子εi平面数据体。
8.根据权利要求1所述的基于多属性融合的基岩裂缝预测的方法，其特征在于：步骤(七)的实施方式为：
(Ⅰ)用离差标准化和标准差标准化对步骤(三)至步骤(五)所述的属性进行归一化；
(Ⅱ)进行去异常值：当f>fave+3σ或者f<fave-3σ定义为异常值，将其去掉，其中f为地震属性值，地震属性平均值
方差
(Ⅲ)通过最小二乘法回归分析将地震属性与裂缝属性拟合后进行融合；
(Ⅳ)加入岩性属性，即裂缝影响因子数据，对融合体进行进一步约束融合，形成新的裂缝预测平面图。
9.根据权利要求8所述的基于多属性融合的基岩裂缝预测的方法，其特征在于：步骤(Ⅲ)包括以下步骤：
①加权值计算：获得n组样本数据(xi1，xi2，xi3；yi)，i＝1、2、……、n并根据公式：F’＝a0+a1x1+a2x2+a3x3提取钻井所在位置裂缝密度的数值，将这些数值代入关系式中得a1，a2，a3，a0值，其中：F’为裂缝密度计算值，x1，x2，x3分别为AFE、分频相干和蚂蚁体属性值，a1，a2，a3为属性权重系数，a0为常数；
②对a1，a2，和a3进行加权处理，使得a’1+a’2+a’3＝1；
③将步骤(三)至(五)得到的地震属性与上述步骤得到的加权因子相乘并相加得到裂缝属性融合体，即a’1x1+a’2x2+a’3x3进行计算。
10.根据权利要求8所述的基于多属性融合的基岩裂缝预测的方法，其特征在于：步骤(Ⅳ)包括：提取研究区目标层段的裂缝融合体属性，即计算目标时窗内属性体的RMS(均方根)值，形成一个二维面数据，将所述的二维面数据与步骤(六)计算得到的裂缝岩性影响因子ε数据相乘，最终得到研究区基岩裂缝预测分布图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710384745.6A CN108931814B (zh) | 2017-05-26 | 2017-05-26 | 一种基于多属性融合的基岩裂缝预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710384745.6A CN108931814B (zh) | 2017-05-26 | 2017-05-26 | 一种基于多属性融合的基岩裂缝预测的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108931814A CN108931814A (zh) | 2018-12-04 |
| CN108931814B true CN108931814B (zh) | 2020-10-20 |
Family
ID=64450358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710384745.6A Active CN108931814B (zh) | 2017-05-26 | 2017-05-26 | 一种基于多属性融合的基岩裂缝预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108931814B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109799531B (zh) * | 2019-03-20 | 2022-04-01 | 成都理工大学 | 一种基于地震分频相干属性的裂缝储层预测方法 |
| CN110568482B (zh) * | 2019-05-10 | 2020-08-11 | 中国石油大学(华东) | 一种基于地质模式约束的断裂带地震解释方法 |
| CN112444859A (zh) * | 2019-08-27 | 2021-03-05 | 中国石油天然气集团有限公司 | 协同异变蚂蚁体的页岩储层断裂识别方法及系统 |
| CN111025384B (zh) * | 2019-11-26 | 2022-08-30 | 中国石油天然气股份有限公司 | 基于波形分类交汇融合的储层预测方法和装置 |
| 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 |
| CN111290020A (zh) * | 2020-03-25 | 2020-06-16 | 北京奥能恒业能源技术有限公司 | 基于构造滤波处理、分频属性融合断裂检测方法及装置 |
| US12006812B2 (en) | 2020-04-23 | 2024-06-11 | Saudi Arabian Oil Company | Method and system for sub-seismic fracture prediction |
| CN111399056B (zh) * | 2020-04-29 | 2020-12-08 | 西南石油大学 | 一种基于划分方位角滤波预测裂缝强度的方法 |
| CN113589380A (zh) * | 2020-04-30 | 2021-11-02 | 中国石油化工股份有限公司 | 地震资料断层储层信息空间融合方法 |
| CN114415230B (zh) * | 2020-10-28 | 2024-05-28 | 中国石油天然气股份有限公司 | 一种线性断裂提取方法及装置 |
| CN112415586B (zh) * | 2020-11-16 | 2023-10-03 | 北京孚梅森石油科技有限公司 | 一种泥浆漏失风险评估方法及装置 |
| CN112612935B (zh) * | 2020-12-16 | 2022-03-29 | 浙大城市学院 | 一种基于自推理模型的完整测井数据获取方法 |
| CN112785701B (zh) * | 2020-12-29 | 2023-06-20 | 成都北方石油勘探开发技术有限公司 | 一种三维地质模型建模方法 |
| CN113075747B (zh) * | 2021-02-23 | 2024-01-30 | 中国石油天然气股份有限公司 | 储层裂缝发育区域的预测方法及装置 |
| CN113156499B (zh) * | 2021-02-26 | 2023-05-26 | 中国石油天然气股份有限公司 | 台盆区针对裂缝型储层的地震资料叠后定量预测方法 |
| CN112946782B (zh) * | 2021-03-15 | 2022-03-25 | 西南石油大学 | 一种致密油气储渗体地震精细刻画方法 |
| CN115081761B (zh) * | 2022-08-23 | 2022-11-04 | 江苏纬信工程咨询有限公司 | 基于多源数据融合的公路路面性能衰减预测方法及装置 |
| CN115877460B (zh) * | 2023-02-28 | 2023-05-05 | 福瑞升(成都)科技有限公司 | 一种碳酸盐岩岩溶缝洞型储层的增强方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9389326B2 (en) * | 2011-03-23 | 2016-07-12 | Global Ambient Seismic, Inc. | Methods, systems and devices for near-well fracture monitoring using tomographic fracture imaging techniques |
| CN103926617B (zh) * | 2014-04-21 | 2017-04-12 | 中国石油化工股份有限公司 | 一种缝洞储集体的检测方法和检测装置 |
| CN105652316A (zh) * | 2014-12-01 | 2016-06-08 | 北京石大创新石油科技有限公司 | 一种基于裂缝模型的智能优化地震多属性融合方法 |
| CN105068141B (zh) * | 2015-06-11 | 2017-05-10 | 中国石油天然气股份有限公司 | 确定断缝系统的岩溶储层分布的方法和装置 |
| 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 |
-
2017
- 2017-05-26 CN CN201710384745.6A patent/CN108931814B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108931814A (zh) | 2018-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108931814B (zh) | 一种基于多属性融合的基岩裂缝预测的方法 | |
| CN113759425B (zh) | 井震联合评价深层古岩溶储层充填特征的方法与系统 | |
| CN113759424B (zh) | 基于频谱分解和机器学习的岩溶储层充填分析方法和系统 | |
| CN109061765B (zh) | 非均质薄砂岩互层油藏的圈闭评价方法 | |
| CN102967883B (zh) | 通过页岩气叠前弹性参数反演预测岩石脆性概率的方法 | |
| WO2016041189A1 (zh) | 一种评价页岩气储层及寻找甜点区的方法 | |
| CN106855636A (zh) | 基于碳酸盐岩储层露头的原型地质模型地震正演方法 | |
| CN107748399B (zh) | 利用重力界面反演识别山前带深部构造层方法 | |
| CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
| CN114114459B (zh) | 一种相控约束下的深层-超深层碳酸盐岩薄储层预测方法 | |
| CN113050157B (zh) | 一种基于露头资料的碳酸盐岩地震储层反演方法及系统 | |
| CN104047598A (zh) | 非均质古岩溶碳酸盐岩储层产能预测方法 | |
| CN111506861B (zh) | 一种目的层有利区域裂缝强度计算方法 | |
| CN114994758B (zh) | 碳酸盐岩断控储层的波阻抗提取与结构表征方法和系统 | |
| CN105842733A (zh) | 页岩储层地震识别方法 | |
| CN103869362A (zh) | 体曲率获取方法和设备 | |
| CN114609675A (zh) | 基于高频旋回对碳酸盐岩地层沉积微地貌的定量恢复方法 | |
| CN112946752B (zh) | 基于裂缝密度模型预测裂缝概率体的方法 | |
| CN103197348B (zh) | 利用各层内部样品进行加权编制测井交会图的方法 | |
| CN112711068B (zh) | 一种砂岩中油气有效储层预测方法及装置 | |
| CN114861515A (zh) | 层速度数据体的计算方法、装置、设备及介质 | |
| CN111308558A (zh) | 页岩气水平井纵波时差校正方法 | |
| CN110847887A (zh) | 一种细粒沉积陆相页岩裂缝识别评价方法 | |
| Wu et al. | Combination of seismic attributes using clustering and neural networks to identify environments with sandstone-type uranium mineralization | |
| CN116068663A (zh) | 基于磁震联合低频建模的火成岩波阻抗反演方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |