CN109214013A - 一种集合卡尔曼滤波方法及装置 - Google Patents
一种集合卡尔曼滤波方法及装置 Download PDFInfo
- Publication number
- CN109214013A CN109214013A CN201710517113.2A CN201710517113A CN109214013A CN 109214013 A CN109214013 A CN 109214013A CN 201710517113 A CN201710517113 A CN 201710517113A CN 109214013 A CN109214013 A CN 109214013A
- Authority
- CN
- China
- Prior art keywords
- reservoir static
- static models
- parameter
- realization
- state vector
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
公开了一种集合卡尔曼滤波方法及装置。该方法包括以下步骤:1)建立储层静态模型,并利用序贯高斯模拟方法产生多个储层静态模型集合;2)得到初始状态向量Sk,j;3)得到所述多个储层静态模型集合的各个实现对应的动态参数和地震响应差异;4)基于储层静态参数以及多个储层静态模型集合的各个实现对应的动态参数和地震响应差异预测状态向量;5)以预测状态向量同化吸收观测数据进行储层静态模型的校正,并得到校正状态向量;6)抽取校正后的各个实现对应的储层静态参数,求取平均值作为滤波结果。模型实验表明,校正后的静态模型能够较好地反映储层非均质性,并且与地震数据有较好的一致性。
Description
技术领域
本发明涉及石油化工产业地球物理勘探领域,更具体地,涉及一种集合卡尔曼滤波方法及装置。
背景技术
1994年,Evensen首次引入集合卡尔曼滤波方法,用于校正非线性海洋模型。随后集合卡尔曼滤波在天气预报、海洋汇图、水文地理等领域得到了广泛应用。2005年Evensen从Bayes定理出发,推导给出了集合卡尔曼滤波和集合卡尔曼平滑严格的数学表达式。最近几年,集合卡尔曼滤波逐渐被引入到油藏开发领域,用于油藏历史拟和、生产预测以及揭示储层非均质性等方面,并取得了较好效果。集合卡尔曼滤波可以应用地震观测数据,揭示储层的非均质信息,然而地震数据庞大,使得该方法的应用存在一定的困难。因此,有必要开发一种可用于地震观测数据的集合卡尔曼滤波方法及装置。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
储层静态模型是储层表征的重要内容,通常利用已知数据,结合先验性认识对未知储层空间进行插值预测。然而,这样得到的储层静态模型经常与实际生产观测数据以及地震观测数据之间存在着较大差异。本发明提出一种利用集合卡尔曼滤波,通过观测数据反推系统模型的状态向量,并使得校正后的储层静态模型和观测数据之间差异最小化的方法和装置。
根据本发明的一个方面,提出一种集合卡尔曼滤波方法。所述方法包括以下步骤:
1)建立储层静态模型,并利用序贯高斯模拟方法产生多个储层静态模型集合;
2)基于所述多个储层静态模型集合得到储层静态参数Rs、初始时刻动态参数Rd、地震差异数据ΔSe组成初始状态向量Sk,j;
3)基于所述多个储层静态模型集合和所述初始状态向量Sk,j得到所述多个储层静态模型集合的各个实现对应的动态参数和地震响应差异;
4)基于储层静态参数以及多个储层静态模型集合的各个实现对应的动态参数和地震响应差异预测状态向量;
5)以预测状态向量同化吸收观测数据进行储层静态模型的校正,并得到校正状态向量;
6)抽取校正后的各个实现对应的储层静态参数,求取平均值作为滤波结果。
优选地,所述多个储层静态模型集合的各个实现对应的动态参数通过对所述多个储层静态模型集合进行数值模拟而得到。
优选地,所述多个储层静态模型集合的各个实现对应的地震响应差异通过对岩石物理模型计算岩石物理参数的变化而得到。
优选地,步骤5)中所使用的校正公式为:
式中,Kgk、为卡尔曼滤波因子。
优选地,卡尔曼滤波因子Kgk、通过以下公式得到:
式中,观测因子Hk=[0|I],其中I单位阵,I的维数为观测数据个数,Ne为集合中实现的数目。
根据本发明的另一方面,提出一种集合卡尔曼滤波装置。所述装置包括存储器、处理器以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程序时实现以下步骤:
1)建立储层静态模型,并利用序贯高斯模拟方法产生多个储层静态模型集合;
2)基于所述多个储层静态模型集合得到储层静态参数Rs、初始时刻动态参数Rd、地震差异数据ΔSe组成初始状态向量Sk,j;
3)基于所述多个储层静态模型集合和所述初始状态向量Sk,j得到所述多个储层静态模型集合的各个实现对应的动态参数和地震响应差异;
4)基于储层静态参数以及多个储层静态模型集合的各个实现对应的动态参数和地震响应差异预测状态向量;
5)以预测状态向量同化吸收观测数据进行储层静态模型的校正,并得到校正状态向量;
6)抽取校正后的各个实现对应的储层静态参数,求取平均值作为滤波结果。
优选地,所述多个储层静态模型集合的各个实现对应的动态参数通过对所述多个储层静态模型集合进行数值模拟而得到。
优选地,所述多个储层静态模型集合的各个实现对应的地震响应差异通过对岩石物理模型计算岩石物理参数的变化而得到。
优选地,步骤5)中所使用的校正公式为:
式中,Kgk、为卡尔曼滤波因子。
优选地,卡尔曼滤波因子Kgk、通过以下公式得到:
式中,观测因子Hk=[0|I],其中I单位阵,I的维数为观测数据个数,Ne为集合中实现的数目。
本发明采用序贯高斯模拟方法计算地震属性差异作为观测数据,通过合理地抽取观测点,提高了运算效率。模型实验表明,校正后的静态模型能够较好地反映储层非均质性,并且与地震数据有较好的一致性。
本发明的方法和装置具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施例中将是显而易见的,或者将在并入本文中的附图和随后的具体实施例中进行详细陈述,这些附图和具体实施例共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施例中,相同的参考标号通常代表相同部件。
图1为根据本发明的示例性实施方案的集合卡尔曼滤波方法的流程图;
图2为储层静态模型的参考模型;
图3a、图3b、图3c分别为基于序贯高斯的渗透率实现示例1、示例2、示例3;
图4a为初始模型与观测地震模型阻抗差异之差,图4b为校正模型与地震波阻抗差异之差。
具体实施方式
下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优选实施例,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
本发明利用序贯高斯模拟方法先产生多个初始集合,之后采用集合卡尔曼滤波的工作流程可以利用地震观测数据对储层静态参数进行校正,其校正结果能够揭示储层的非均质性。在整个流程中,起关键作用的是与初始集合和与地震数据差异较大的观测数据。本发明采用序贯高斯模拟的方法产生初始集合,合理的初始集合和观测数据,既能达到校正储层静态模型的目的,又能提高计算效率。
集合卡尔曼滤波系统模型包括状态方程和观测方程。状态方程是联系前后两个时刻状态向量之间的函数关系,通过状态方程可由前一时刻状态向量得到下一时刻状态向量。观测方程是联系状态向量和观测向量之间的函数关系。
状态方程:
观测方程:
Sk,j为k时刻第j个实现的状态向量,其中,Rs为储层静态参数,Rd为动态参数,ΔSe为地震观测数据(地震差异数据);F()为状态函数,在本发明中为油藏模拟器和岩石物理模型,f代表预测量,u代表校正量;观测因子Hk=[0|I],其中I单位阵,I的维数为观测数据个数;e1(k)、e2(k)为白噪误差。
以下参考图1详细描述根据本发明示例性实施例的集合卡尔曼滤波方法。集合卡尔曼滤波工作流程主要包括:
步骤1:建立储层静态模型,并利用序贯高斯模拟方法产生多个储层静态模型集合。
步骤2:基于所述多个储层静态模型集合得到储层静态参数Rs、初始时刻动态参数Rd、地震差异数据ΔSe组成初始状态向量Sk,j。
步骤3:基于所述多个储层静态模型集合和所述初始状态向量Sk,j得到所述多个储层静态模型集合的各个实现对应的动态参数和地震响应差异。
集合静态参数模型数值模拟得到下一时刻各个实现对应的动态参数(流体饱和度、压力等),通过岩石物理模型计算岩石物理参数的变化,进而得到各个实现对应的地震响应差异
步骤4:基于储层静态参数以及多个储层静态模型集合的各个实现对应的动态参数和地震响应差异预测状态向量。
步骤5:以预测状态向量同化吸收观测数据进行储层静态模型的校正,并得到校正状态向量。
所使用的校正公式为:
式中,Kgk、为卡尔曼滤波因子。
卡尔曼滤波因子Kgk、通过以下公式得到:
式中,观测因子Hk=[0|I],其中I单位阵,I的维数为观测数据个数。
步骤6:抽取校正后的各个实现对应的储层静态参数,求取平均值作为滤波结果。
校正的集合作为下一时刻滤波的初始集合,重复步骤3-步骤6,从而得到不同时刻校正的储层静态模型。
应用示例
为便于理解本发明实施例的方案及其效果,以下给出一个具体应用示例。本领域技术人员应理解,该示例仅为了便于理解本发明,其任何具体细节并非意在以任何方式限制本发明。
(1)建立实验模型:50*50*1,网格如图2所示,将地震波阻抗属性数据作为观测数据,采用序贯高斯模拟方法产生50个渗透率(K)模型集合,平均值作为校正前的初始模型,如图3a、图3b、图3c所示,组成初始状态向量Sk,j。
(2)初始集合的50个实现分别进行数值模拟,得到对应动态参数,通过岩石物理模型计算出各自对应的波阻抗变化,和渗透率、动态参数一起组成预测状态向量。
(3)抽取集合各个实现相对应网格点地震波阻抗属性数据差异,与静态数据、动态数据一起组成预测状态向量,同化吸收观测数据得到校正状态向量。
(4)抽取各个实现校正后的渗透率场并求他们的平均值,得到校正的渗透率模型,如图4a、图4b所示。
通过比较可以看出,校正后渗透率模型与观测数据差异明显减小,有较好的一致性,说明校正模型是合理的,可以降低多解性。集合卡尔曼滤波是个不断同化吸收观测数据来反推状态向量的方法,随着观测数据同化吸收,能够揭示更多的储层信息。
本领域技术人员应理解,上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果,并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种集合卡尔曼滤波方法,其特征在于,所述方法包括以下步骤:
1)建立储层静态模型,并利用序贯高斯模拟方法产生多个储层静态模型集合;
2)基于所述多个储层静态模型集合得到储层静态参数Rs、初始时刻动态参数Rd、地震差异数据ΔSe组成初始状态向量Sk,j;
3)基于所述多个储层静态模型集合和所述初始状态向量Sk,j得到所述多个储层静态模型集合的各个实现对应的动态参数和地震响应差异;
4)基于储层静态参数以及多个储层静态模型集合的各个实现对应的动态参数和地震响应差异预测状态向量;
5)以预测状态向量同化吸收观测数据进行储层静态模型的校正,并得到校正状态向量;
6)抽取校正后的各个实现对应的储层静态参数,求取平均值作为滤波结果。
2.根据权利要求1所述的集合卡尔曼滤波方法,其特征在于,所述多个储层静态模型集合的各个实现对应的动态参数通过对所述多个储层静态模型集合进行数值模拟而得到。
3.根据权利要求1所述的集合卡尔曼滤波方法,其特征在于,所述多个储层静态模型集合的各个实现对应的地震响应差异通过对岩石物理模型计算岩石物理参数的变化而得到。
4.根据权利要求1所述的集合卡尔曼滤波方法,其特征在于,步骤5)中所使用的校正公式为:
式中,Kgk、为卡尔曼滤波因子。
5.根据权利要求4所述的集合卡尔曼滤波方法,其特征在于,卡尔曼滤波因子Kgk、通过以下公式得到:
式中,观测因子Hk=[0|I],其中I单位阵,I的维数为观测数据个数,Ne为集合中实现的数目。
6.一种集合卡尔曼滤波装置,其特征在于,所述装置包括存储器、处理器以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程序时实现以下步骤:
1)建立储层静态模型,并利用序贯高斯模拟方法产生多个储层静态模型集合;
2)基于所述多个储层静态模型集合得到储层静态参数Rs、初始时刻动态参数Rd、地震差异数据ΔSe组成初始状态向量Sk,j;
3)基于所述多个储层静态模型集合和所述初始状态向量Sk,j得到所述多个储层静态模型集合的各个实现对应的动态参数和地震响应差异;
4)基于储层静态参数以及多个储层静态模型集合的各个实现对应的动态参数和地震响应差异预测状态向量;
5)以预测状态向量同化吸收观测数据进行储层静态模型的校正,并得到校正状态向量;
6)抽取校正后的各个实现对应的储层静态参数,求取平均值作为滤波结果。
7.根据权利要求6所述的集合卡尔曼滤波装置,其特征在于,所述多个储层静态模型集合的各个实现对应的动态参数通过对所述多个储层静态模型集合进行数值模拟而得到。
8.根据权利要求6所述的集合卡尔曼滤波装置,其特征在于,所述多个储层静态模型集合的各个实现对应的地震响应差异通过对岩石物理模型计算岩石物理参数的变化而得到。
9.根据权利要求6所述的集合卡尔曼滤波装置,其特征在于,步骤5)中所使用的校正公式为:
式中,Kgk、为卡尔曼滤波因子。
10.根据权利要求9所述的集合卡尔曼滤波装置,其特征在于,卡尔曼滤波因子Kgk、通过以下公式得到:
式中,观测因子Hk=[0|I],其中I单位阵,I的维数为观测数据个数,Ne为集合中实现的数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710517113.2A CN109214013A (zh) | 2017-06-29 | 2017-06-29 | 一种集合卡尔曼滤波方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710517113.2A CN109214013A (zh) | 2017-06-29 | 2017-06-29 | 一种集合卡尔曼滤波方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109214013A true CN109214013A (zh) | 2019-01-15 |
Family
ID=64960783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710517113.2A Pending CN109214013A (zh) | 2017-06-29 | 2017-06-29 | 一种集合卡尔曼滤波方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214013A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101356537A (zh) * | 2005-11-21 | 2009-01-28 | 切夫里昂美国公司 | 使用集合卡尔曼滤波进行实时油藏模型更新的方法、系统和装置 |
CN102879801A (zh) * | 2012-08-30 | 2013-01-16 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 一种基于射孔约束的EnKF微地震事件位置反演方法 |
US20130332120A1 (en) * | 2012-06-06 | 2013-12-12 | University Of Southern California | System and method for aggregating reservoir connectivities |
CN103913774A (zh) * | 2014-04-02 | 2014-07-09 | 西南石油大学 | 基于微地震事件的储层地质力学参数反演方法 |
CN106503456A (zh) * | 2016-10-26 | 2017-03-15 | 重庆科技学院 | 基于超球体变换的集合卡尔曼滤波油藏动态历史拟合方法 |
-
2017
- 2017-06-29 CN CN201710517113.2A patent/CN109214013A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101356537A (zh) * | 2005-11-21 | 2009-01-28 | 切夫里昂美国公司 | 使用集合卡尔曼滤波进行实时油藏模型更新的方法、系统和装置 |
US20130332120A1 (en) * | 2012-06-06 | 2013-12-12 | University Of Southern California | System and method for aggregating reservoir connectivities |
CN102879801A (zh) * | 2012-08-30 | 2013-01-16 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 一种基于射孔约束的EnKF微地震事件位置反演方法 |
CN103913774A (zh) * | 2014-04-02 | 2014-07-09 | 西南石油大学 | 基于微地震事件的储层地质力学参数反演方法 |
CN106503456A (zh) * | 2016-10-26 | 2017-03-15 | 重庆科技学院 | 基于超球体变换的集合卡尔曼滤波油藏动态历史拟合方法 |
Non-Patent Citations (2)
Title |
---|
张巍 等: "基于集合卡尔曼滤波的油藏辅助历史拟合", 《大庆石油学院学报》 * |
郑占 等: "利用4D地震数据校正储层静态模型的集合卡尔曼滤波方法", 《中国石油大学学报(自然科学版)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lorentzen et al. | History matching channelized reservoirs using the ensemble Kalman filter | |
Zhang et al. | A fractal discrete fracture network model for history matching of naturally fractured reservoirs | |
US10909281B2 (en) | History matching of hydrocarbon production from heterogenous reservoirs | |
CN105069303A (zh) | 一种低渗透储层产能定量评价方法 | |
US20070198234A1 (en) | Method for history matching a simulation model using self organizing maps to generate regions in the simulation model | |
CN109709612A (zh) | 砂体分布预测方法、装置、设备及可读存储介质 | |
CN106355003B (zh) | 基于t分布的马尔科夫链蒙特卡洛自动历史拟合方法及系统 | |
CN112213771A (zh) | 地震波阻抗反演方法及装置 | |
CN111767674A (zh) | 一种基于主动域适应的测井岩性识别方法 | |
CN109613623A (zh) | 一种基于残差网络的岩性预测方法 | |
CN114818548A (zh) | 一种基于卷积生成对抗网络的含水层参数场反演方法 | |
US20130191095A1 (en) | Simulation of a geological phenomenon | |
CN111027249A (zh) | 一种基于机器学习的井间连通性评价方法 | |
CN109214013A (zh) | 一种集合卡尔曼滤波方法及装置 | |
CN117451582B (zh) | 一种岩心氢气扩散系数模拟计算方法以及相关设备 | |
CN118551290A (zh) | 一种基于深度神经算子的水驱油藏生产动态预测方法 | |
CN113393051A (zh) | 基于深度迁移学习的配电网投资决策方法 | |
CN117252054A (zh) | 基于双重介质模型的页岩气压裂水平井产量预测方法 | |
CN109948291A (zh) | 一种砂体不连续界线方向自适应识别方法 | |
Exterkoetter et al. | Deep Feature Extraction for Data Assimilation with Ensemble Smoother | |
CN112907698A (zh) | 一种动态融合时序与非时序特征的测井曲线生成方法 | |
CN114547958A (zh) | 基于深度神经网络的井震结合裂缝预测方法及装置 | |
CN107783204A (zh) | 储层裂缝预测方法及系统 | |
CN110889550A (zh) | 基于迁移学习的不同水域溶解氧预测方法 | |
Bhakta et al. | Estimation of pressure-saturation and porosity fields from seismic acoustic impedance data using an ensemble-based 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 |