CN109061728A - 一种滩坝砂体精细预测方法 - Google Patents
一种滩坝砂体精细预测方法 Download PDFInfo
- Publication number
- CN109061728A CN109061728A CN201810884775.8A CN201810884775A CN109061728A CN 109061728 A CN109061728 A CN 109061728A CN 201810884775 A CN201810884775 A CN 201810884775A CN 109061728 A CN109061728 A CN 109061728A
- Authority
- CN
- China
- Prior art keywords
- dam
- beach
- training image
- simulation
- ach
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000004088 simulation Methods 0.000 claims abstract description 41
- 239000004576 sand Substances 0.000 claims abstract description 39
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000011161 development Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 208000035126 Facies Diseases 0.000 claims description 17
- 238000011160 research Methods 0.000 claims description 14
- 238000002948 stochastic simulation Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000003892 spreading Methods 0.000 claims description 3
- 230000008021 deposition Effects 0.000 claims description 2
- 238000003908 quality control method Methods 0.000 claims description 2
- 238000005295 random walk Methods 0.000 claims description 2
- 238000004062 sedimentation Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000012545 processing Methods 0.000 claims 1
- 230000000295 complement effect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000005553 drilling Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种滩坝砂体精细预测方法,其具体步骤为:S1、井震综合分析“滩”与“坝”的形态因素,建立原型沉积模型;S2、基于布尔模拟方法分别建立“滩”与“坝”的训练图像;S3、对训练图像进行处理,将处理后的训练图像输入多点地质统计模拟系统,对不同微相发育及组合特征的模拟区域输入不同的训练图像,利用多点地质统计学Simpat算法进行模拟,精细表征薄层滩坝砂的几何形态与分布规律。本发明将布尔模拟方法与多点地质统计学方法相结合,两者优势互补,在表征滩坝砂体的几何形态与分布规律时,预测效果更好,更符合薄层滩坝砂体的实际地质情况。
Description
技术领域
本发明属于油气勘探技术领域,涉及滩坝砂体预测技术,具体地说,涉及一种滩坝砂体精细预测方法。
背景技术
我国东部含油气盆地均已进入勘探中后期,受沉积盆地主物源影响所形成的大型沉积砂体的勘探难度越来越大。滩坝砂体时薄互层砂体的典型代表,是我国陆相盆地一种重要的沉积类型,近几年已成为国内外研究的热点。在我国东部各大油田,一度作为主力产层的河流相、三角洲相均呈储量不足的严峻势态,滩坝砂已成为重要的接替区。与河流相、三角洲相相比,滩坝砂体受古风立场、古地貌、古物源以及湖盆演化等多种因素控制,砂体相变快、形态多样。然而,目前有限的测钻井及地震资料尚不能把湖盆中分布较广、厚度较薄的滩砂和分布范围局限、厚度较大的坝砂区分开来。近年来,胜利、大港等多个油田通过勘探实践发现,位于断陷湖盆缓坡带的滨浅湖砂坝常形成储量丰富的构造-岩性油气藏或岩性油气藏,而滩砂中储量分布零星。因此,如何在广布的薄层滩砂中寻找相对厚层的砂坝是一个关键的科学问题。在预测手段方面,常规的井震综合预测技术不能有效满足薄层砂体精细表征所需的精度,需要融入新的技术方法来精细刻画滩和坝各自的几何形态与分布规律,以指导有利储集砂体的准确预测。
储层建模技术早期主要应用于三维图形显示以及低精度概念模型的建立,随着计算机技术的飞速发展,其应用领域也逐渐拓宽,尤其是基于地质统计学理论的储层随机模拟技术,在沉积砂体预测方面显示出了独特的优势,已在河流相、三角洲相储层中得到了广泛应用。按照研究对象的不同,储层随机模拟方法可分为基于目标的方法和基于象元的方法两大类。基于目标的方法是通过对目标几何形态(如长、宽、厚及其之间关系)的定量研究,建模过程中直接产生整体目标块;基于象元的方法则是逐个网格分配储层属性值。随着研究的深入,两类方法的缺点也逐渐被人们所认识,基于目标的布尔模拟由于属于迭代算法,当目标为多井钻遇时,井数据条件化、模拟收敛判断及实施较为困难;基于象元的变差函数模拟只能把握空间上两点之间的相关性,难于表征复杂的空间结构和再现复杂目标的几何形态。
近年来,两类随机模拟方法发展迅速,形成了改进后的布尔模拟和多点地质统计学两类模拟方法,然而这两类方法应用于复杂砂体预测中仍然各有不足。布尔模拟方法易于更好的再现沉积相及砂体的分布模式,但并不完全忠实于井点数据,而对于薄层砂体而言,井点数据是最真实准确的硬数据;多点地质统计学易于综合大量的软硬数据,且利于良好的表征砂体的几何形态,但多点模拟过程中所需的关键-训练图像的获取难度较大,尤其是对于薄层滩坝砂体,沉积体分布受到物源、古气候、古水动力、构造活动等多种因素影响,形态复杂,仅靠传统的沉积相模式难以获得精确的训练图像。因此,有必要寻找二者的结合点,使之发挥各自优势,更好的为滩坝砂体空间分布预测服务。
发明内容
本发明针对现有技术存在的井点数据不准确、训练图像获取难度大等上述问题,提供一种精细表征薄层滩坝砂体空间分布与几何形态的滩坝砂体精细预测方法。
为了达到上述目的,本发明提供了一种滩坝砂体精细预测方法,其具体步骤为:
S1、井震综合分析“滩”与“坝”的形态因素,建立原型沉积模型;
利用研究区钻井岩心、测井曲线与地震资料,详细描述滩坝沉积区中“坝”的长度、宽度、形状,以及“滩”的面积、展布方向特征,从剖面上、平面上对砂坝的几何要素进行初步测量,对砂坝的单砂体组合方式进行统计,明确“滩”与“坝”的几何学特征及组合模式,建立原型沉积模型;
S2、基于布尔模拟方法分别建立“滩”与“坝”的训练图像;
利用研究区三维地震资料以及储层反演结果,通过地震属性优选与聚类分析,建立滩坝的地震相分布模型,利用地震相分布模型为约束,开展布尔模拟,并采取Gibbs标点过程描述“滩”与“坝”砂体之间的几何形态,建立“滩”与“坝”的训练图像,所述“滩”与“坝”的训练图像即为模拟结果,将原型沉积模型作为背景与约束条件,在进行布尔模拟时,将模拟结果与原型沉积模型进行对比,反复调试模拟参数,重复操作取得多次模拟结果,从中优选出最佳的模拟方案;
S3、基于多点地质统计学精细表征薄层滩坝砂的几何形态与分布规律;
对训练图像进行处理,将处理后的训练图像输入多点地质统计模拟系统,对不同微相发育及组合特征的模拟区域输入不同的训练图像,利用多点地质统计Simpat算法进行模拟,获得随机模拟结果,利用生产动态数据库中的动态资料,对随机模拟结果进行质量控制,反复调整搜索椭球体及搜索网格参数对训练图像进行优化,最终对薄层滩坝砂的几何形态与分布规律进行精细表征。
优选的,步骤S3中,对训练图像进行处理的过程为:将训练图像进行区域划分,不同级别、不同类别的区域代表不同的沉积微相或砂体的分布图像,细化训练图像,将一张原始训练图像分为若干张训练图像,每一张训练图像代表一种沉积微相。
优选的,步骤S3中,利用多点地质统计学Simpat算法进行模拟的过程包括:选择随机路径,序贯求取各模拟点的条件概率分布函并通过抽样获得随机模拟结果。
优选的,步骤S3中,利用多点地质统计学Simpat算法进行模拟时,利用研究区内所有的井信息。
与现有技术相比,本发明的有益效果在于:
本发明将布尔模拟方法与多点地质统计学方法相结合,通过布尔模拟方法获取训练图像,训练图像的砂体几何形态特征与图像精度高明显优于原型沉积模型;采用区域划分的方法对不同微相发育及组合特征的模拟区域进行划分,划分尺度小,精度高,针对不同模拟区域输入不同的训练图像,利用多点地质统计学方法进行精细模拟,用准确的训练图像代替传统的变差函数,通过利用搜索树保存扫描训练图像获得多点概率,随机模拟结果表征复杂几何形态的沉积体更准确,避免了纯地震数据的多解性。与现有技术相比,本发明由于实现了布尔模拟与多点地质统计学的有效结合,两者优势互补,在表征滩坝砂体的几何形态与分布规律时,预测效果更好,更符合薄层滩坝砂体的实际地质情况。
附图说明
图1为本发明实施例所述滩坝砂体精细预测方法的流程图。
具体实施方式
下面,通过示例性的实施方式对本发明进行具体描述。然而应当理解,在没有进一步叙述的情况下,一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
本发明揭示了一种滩坝砂体精细预测方法,其具体步骤为:
S1、井震综合分析“滩”与“坝”的形态因素,建立原型沉积模型;
利用研究区钻井岩心、测井曲线与地震资料,详细描述滩坝沉积区中“坝”的长度、宽度、形状,以及“滩”的面积、展布方向特征,从剖面上、平面上对砂坝的几何要素进行初步测量,对砂坝的单砂体组合方式进行统计,明确“滩”与“坝”的几何学特征及组合模式,建立原型沉积模型;
S2、基于布尔模拟方法分别建立“滩”与“坝”的训练图像;
利用研究区三维地震资料以及储层反演结果,通过地震属性优选与聚类分析,建立滩坝的地震相分布模型,利用地震相分布模型为约束,开展布尔模拟,并采取Gibbs标点过程描述“滩”与“坝”砂体之间的几何形态,建立“滩”与“坝”的训练图像,所述“滩”与“坝”的训练图像即为模拟结果,将原型沉积模型作为背景与约束条件,在进行布尔模拟时,将模拟结果与原型沉积模型进行对比,反复调试模拟参数,重复操作取得多次模拟结果,从中优选出最佳的模拟方案;
S3、基于多点地质统计学精细表征薄层滩坝砂的几何形态与分布规律;
对训练图像进行处理,将处理后的训练图像输入多点地质统计模拟系统,对不同微相发育及组合特征的模拟区域输入不同的训练图像,利用多点地质统计学Simpat算法进行模拟,获得随机模拟结果,利用生产动态数据库中的动态资料,对随机模拟结果进行质量控制,反复调整搜索椭球体及搜索网格参数对训练图像进行优化,最终对薄层滩坝砂的几何形态与分布规律进行精细表征。
本发明上述方法,将布尔模拟方法与多点地质统计学方法相结合,优势互补,以布尔模拟获取的训练图像作为多点地质统计学方法的模拟输入,代替传统的变差函数,模拟准确,能够精确表征滩坝砂体的几何形态与分布规律,预测结果更符合薄层滩坝砂体的实际地质情况。
作为上述方法的优选方案,步骤S3中,对训练图像进行处理的过程为:将训练图像进行区域划分,不同级别、不同类别的区域代表不同的沉积微相或砂体的分布图像,细化训练图像,将一张原始训练图像分为若干张训练图像,每一张训练图像代表一种沉积微相。不仅对大尺度的沉积相进行划分,还对布尔模拟获得的训练图像进行划分,也就是,对“滩”与“坝”各自的微相发育及组合特征的区域进行划分,划分尺度小、精度高。为多点地质统计学的准确模拟奠定了基础。
作为上述方法的优选方案,步骤S3中,利用多点地质统计学Simpat算法进行模拟的过程包括:选择随机路径,序贯求取各模拟点的条件概率分布函并通过抽样获得随机模拟结果。
作为上述方法的优选方案,步骤S3中,利用多点地质统计学Simpat算法进行模拟时,利用研究区内所有的井信息。利用研究区内所有的井信息,能够确保随机模拟结果的准确性。
实施例:选取渤海湾盆地黄骅坳陷板桥凹陷这一典型的滩坝沉积区作为研究对象,该区面积约80km2,古近系沙河街组二段广泛发育滩坝砂体,单砂体厚度0.5-10m,术语典型的薄层砂体沉积。区内目前有钻井230口,平均井距月400m,高分辨率三维地震覆盖全区。前期已建立了全区单砂层级地层-构造模型,完成了滩坝相的微相划分。采用现有布尔模拟方法、多点地质统计学方法以及本发明所述滩坝砂体精细预测方法对该研究区内的滩坝砂空间分布预测。
布尔模拟方法依据一定的概率定律按照空间中几何物体分布统计规律,产生这些物体中心点的空间分布,并通过随机函数的联合分布,确定中心点在此处的几何物体形状、大小等,单由于该方法属于迭代算法,当目标多井钻遇时,经数据条件化、模拟收敛判断及实施较为困难。因此模拟结果不准确。
多点地质统计学方法综合了基于目标和基于象元两种技术的优势,很容易满足数据条件化,且能够综合不同来源、不同分辨率及可信度的数据。但存在难于获取准确训练图像的问题。现有技术通常采用将地震信息转换为一种训练图像,同时应用井信息和原型沉积模型再得到一个训练图像,然后对两个训练图像进行扫描,以获取未取采样点的综合条件概率。该方法需要地震训练图像与井信息训练图像有较高的一致性,然而地震数据多解性决定了地震信息与测井信息的可信度差异,难以获取准确的训练图像。因此模拟结果同样不准确。
本发明在原型沉积模型建立的基础上,利用三维地震数据及储层反演结果,通过属性优选及地震相研究初步获取地震相分布模型,在此基础上将数据抽稀,以地震相分布模型为约束,开展多种岩相的布尔模拟,并考虑采取Gibbs点过程来描述“滩”与“坝”砂体间的几何形态,获取的离散相模型即为训练图像。最后,采用区域划分的方法对不同微相发育及组合特征的模拟区域输入不同的训练图像,利用多点地质统计学方法进行精细模拟。将两种布尔模拟和多点地质统计学两种方法相结合,使其优势互补,避免了纯地震数据的多解性,从而实现了布尔模拟与多点地质统计学的有效结合。由于获取了准确的训练图像,模拟结果准确,预测结果更符合薄层滩坝砂体的实际地质情况,能够精细表征薄层滩坝砂体的几何形态和分布规律。
以上所举实施例仅用为方便举例说明本发明,并非对本发明保护范围的限制,在本发明所述技术方案范畴,所属技术领域的技术人员所作各种简单变形与修饰,均应包含在以上申请专利范围中。
Claims (4)
1.一种滩坝砂体精细预测方法,其特征在于,其具体步骤为:
S1、井震综合分析“滩”与“坝”的形态因素,建立原型沉积模型;
利用研究区钻井岩心、测井曲线与地震资料,详细描述滩坝沉积区中“坝”的长度、宽度、形状,以及“滩”的面积、展布方向特征,从剖面上、平面上对砂坝的几何要素进行初步测量,对砂坝的单砂体组合方式进行统计,明确“滩”与“坝”的几何学特征及组合模式,建立原型沉积模型;
S2、基于布尔模拟方法分别建立“滩”与“坝”的训练图像;
利用研究区三维地震资料以及储层反演结果,通过地震属性优选与聚类分析,建立滩坝的地震相分布模型,利用地震相分布模型为约束,开展布尔模拟,并采取Gibbs标点过程描述“滩”与“坝”砂体之间的几何形态,建立“滩”与“坝”的训练图像,所述“滩”与“坝”的训练图像即为模拟结果,将原型沉积模型作为背景与约束条件,在进行布尔模拟时,将模拟结果与原型沉积模型进行对比,反复调试模拟参数,重复操作取得多次模拟结果,从中优选出最佳的模拟方案;
S3、基于多点地质统计学精细表征薄层滩坝砂的几何形态与分布规律;
对训练图像进行处理,将处理后的训练图像输入多点地质统计模拟系统,对不同微相发育及组合特征的模拟区域输入不同的训练图像,利用多点地质统计学Simpat算法进行模拟,获得随机模拟结果,利用生产动态数据库中的动态资料,对随机模拟结果进行质量控制,反复调整搜索椭球体及搜索网格参数对训练图像进行优化,最终对薄层滩坝砂的几何形态与分布规律进行精细表征。
2.如权利要求1所述的滩坝砂体精细预测方法,其特征在于,步骤S3中,对训练图像进行处理的过程为:将训练图像进行区域划分,不同级别、不同类别的区域代表不同的沉积微相或砂体的分布图像,细化训练图像,将一张原始训练图像分为若干张训练图像,每一张训练图像代表一种沉积微相。
3.如权利要求1或2所述的滩坝砂体精细预测方法,其特征在于,步骤S3中,利用多点地质统计学Simpat算法进行模拟的过程包括:选择随机路径,序贯求取各模拟点的条件概率分布函并通过抽样获得随机模拟结果。
4.如权利要求3所述的滩坝砂体精细预测方法,其特征在于,步骤S3中,利用多点地质统计学Simpat算法进行模拟时,利用研究区内所有的井信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810884775.8A CN109061728B (zh) | 2018-08-06 | 2018-08-06 | 一种滩坝砂体精细预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810884775.8A CN109061728B (zh) | 2018-08-06 | 2018-08-06 | 一种滩坝砂体精细预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109061728A true CN109061728A (zh) | 2018-12-21 |
CN109061728B CN109061728B (zh) | 2019-07-12 |
Family
ID=64833080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810884775.8A Active CN109061728B (zh) | 2018-08-06 | 2018-08-06 | 一种滩坝砂体精细预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109061728B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111175823A (zh) * | 2019-12-24 | 2020-05-19 | 中国海洋石油集团有限公司 | 一种三角洲相砂体空间形态表征方法 |
CN111190223A (zh) * | 2020-01-08 | 2020-05-22 | 中国石油天然气股份有限公司 | 河流相沉积分散油砂体的识别和开采方法、及其应用 |
CN111665567A (zh) * | 2019-03-05 | 2020-09-15 | 中国石油化工股份有限公司 | 一种录井现场滩坝相砂体精细预测方法 |
CN111985124A (zh) * | 2020-07-15 | 2020-11-24 | 北京金阳普泰石油技术股份有限公司 | 一种单砂体模型构建方法、系统、设备及可读存储介质 |
CN114969895A (zh) * | 2022-04-26 | 2022-08-30 | 长江大学 | 一种基于趋势约束的河道剖面形态建模方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130262053A1 (en) * | 2012-04-03 | 2013-10-03 | Schlumberger Technology Corporation | Parallel multipoint geostatistics simulation |
WO2017007924A1 (en) * | 2015-07-08 | 2017-01-12 | Conocophillips Company | Improved geobody continuity in geological models based on multiple point statistics |
CN107204040A (zh) * | 2017-05-15 | 2017-09-26 | 中国石油大学(北京) | 多点地质统计学建模方法及装置、计算机存储介质 |
-
2018
- 2018-08-06 CN CN201810884775.8A patent/CN109061728B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130262053A1 (en) * | 2012-04-03 | 2013-10-03 | Schlumberger Technology Corporation | Parallel multipoint geostatistics simulation |
WO2017007924A1 (en) * | 2015-07-08 | 2017-01-12 | Conocophillips Company | Improved geobody continuity in geological models based on multiple point statistics |
CN107204040A (zh) * | 2017-05-15 | 2017-09-26 | 中国石油大学(北京) | 多点地质统计学建模方法及装置、计算机存储介质 |
Non-Patent Citations (2)
Title |
---|
V. A. BAKSHEVSKAYA ET AL.: "Methods of Modeling Hydraulic Heterogeneity of Sedimentary Formations", 《WATER RESOURCES》 * |
冯国庆等: "利用多点地质统计学方法模拟岩相分布", 《西安石油大学学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111665567A (zh) * | 2019-03-05 | 2020-09-15 | 中国石油化工股份有限公司 | 一种录井现场滩坝相砂体精细预测方法 |
CN111175823A (zh) * | 2019-12-24 | 2020-05-19 | 中国海洋石油集团有限公司 | 一种三角洲相砂体空间形态表征方法 |
CN111190223A (zh) * | 2020-01-08 | 2020-05-22 | 中国石油天然气股份有限公司 | 河流相沉积分散油砂体的识别和开采方法、及其应用 |
CN111985124A (zh) * | 2020-07-15 | 2020-11-24 | 北京金阳普泰石油技术股份有限公司 | 一种单砂体模型构建方法、系统、设备及可读存储介质 |
CN111985124B (zh) * | 2020-07-15 | 2023-07-07 | 北京金阳普泰石油技术股份有限公司 | 一种单砂体模型构建方法、系统、设备及可读存储介质 |
CN114969895A (zh) * | 2022-04-26 | 2022-08-30 | 长江大学 | 一种基于趋势约束的河道剖面形态建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109061728B (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109061728B (zh) | 一种滩坝砂体精细预测方法 | |
US10467357B2 (en) | Geobody continuity in geological models based on multiple point statistics | |
de Almeida | Stochastic simulation methods for characterization of lithoclasses in carbonate reservoirs | |
CN104866653B (zh) | 一种获取地下三维密度结构的方法 | |
CN109613612A (zh) | 一种碳酸盐岩颗粒滩精细刻画与预测方法 | |
Zhang | Incorporating geological conceptual models and interpretations into reservoir modeling using multiple-point geostatistics | |
CN101663667A (zh) | 利用综合地层柱状图生成储层模型的方法 | |
US9268060B2 (en) | System and method for computational geology | |
CN110031896A (zh) | 基于多点地质统计学先验信息的地震随机反演方法及装置 | |
CN103699751A (zh) | 一种基于空间矢量的砂体储层构型建模方法及系统 | |
CN105738952B (zh) | 一种水平井区储层岩石相建模方法 | |
Caers et al. | Geostatistical integration of rock physics, seismic amplitudes and geological models in North-Sea turbidite systems | |
Strebelle | Multiple-point geostatistics: from theory to practice | |
CN109143337A (zh) | 一种浊积砂体储层建模方法 | |
Bohling et al. | An integrated application of neural network and Markov chain techniques to the prediction of lithofacies from well logs: Kansas Geological Survey Open-File Report 2003-50, 6 p | |
CN110428497B (zh) | 辫状河训练图像生成方法 | |
Liu et al. | Simulation of complex geological architectures based on multi-stage generative adversarial networks integrating with attention mechanism and spectral normalization | |
Strebelle | Sequential simulation for modeling geological structures from training images | |
EP3320450B1 (en) | Improved geobody continuity in geological models based on multiple point statistics | |
CN113608260A (zh) | 砂岩储层胶结前的多期构造压实减孔程度定量评价方法 | |
CN114966863A (zh) | 基于井震结合的辫状河薄互层储层评价方法、装置及设备 | |
Eskandari et al. | Growthsim–a multiple point framework for pattern simulation | |
Wu et al. | Non-stationary multiple-point geostatistical simulations with region concept | |
Allgeier et al. | Surrogate‐Model Assisted Plausibility‐Check, Calibration, and Posterior‐Distribution Evaluation of Subsurface‐Flow Models | |
Salahuddin et al. | Sequence Stratigraphy and Geostatistical Realizations Integration: A Holistic Approach in Constructing a Complex Carbonate Reservoir Model |
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 |