CN109272042B - 基于pr模型的小尺度裂缝建模方法、装置、设备及介质 - Google Patents
基于pr模型的小尺度裂缝建模方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109272042B CN109272042B CN201811109177.XA CN201811109177A CN109272042B CN 109272042 B CN109272042 B CN 109272042B CN 201811109177 A CN201811109177 A CN 201811109177A CN 109272042 B CN109272042 B CN 109272042B
- Authority
- CN
- China
- Prior art keywords
- principal component
- small
- variables
- fracture
- scale
- 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 61
- 206010017076 Fracture Diseases 0.000 claims abstract description 203
- 208000010392 Bone Fractures Diseases 0.000 claims abstract description 190
- 238000011161 development Methods 0.000 claims abstract description 95
- 238000000513 principal component analysis Methods 0.000 claims abstract description 22
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 239000002245 particle Substances 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000000137 annealing Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000011084 recovery Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005755 formation reaction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 235000021185 dessert Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于PR模型的小尺度裂缝建模方法、装置、设备及介质,该方法包括:确定与小尺度裂缝发育相关的次变量,并统计所述次变量的个数,对所述次变量进行主成分分析,获得多个第一主成分变量,对第一主成分变量进行优选,获得多个第二主成分变量,利用PR模型融合多个第二主成分变量,获得井间综合裂缝发育概率体,以井间综合裂缝发育概率体约束单井裂缝密度曲线,建立裂缝密度模型,根据小尺度裂缝几何形态和裂缝密度模型,建立小尺度裂缝模型。通过本方案能够降低模型的不确定性,建立精度和可靠性更高的小尺度裂缝模型,为裂缝性油藏的数值模拟提供了地质基础,对提高该类油藏采收率具有重要意义。
Description
技术领域
本发明涉及石油工程和岩石物理领域,尤其涉及一种基于PR模型的小尺度裂缝建模方法、装置、设备及介质。
背景技术
在裂缝性储层中,裂缝是有效的储集空间和重要的渗流通道,影响油气成藏、富集规律、甜点分布、单井产能及开发效果。裂缝建模是反映裂缝表征参数和裂缝空间分布的三维定量模型,该模型既能反映裂缝分布规律,又能满足油藏工程研究需要,对裂缝性油藏的勘探和开发具有重要意义。
目前裂缝模型主要分为两类:一是基于等效思想建立的连续介质裂缝模型,二是考虑储层裂缝的非均质性和多尺度性的离散介质裂缝模型。连续介质裂缝模型是对真实地层的一种高度简化,不能真实模拟储层裂缝的非均质性和不连续性,也不能描述网块内以及网块之间的连通性。然而,离散介质裂缝模型比较真实地再现了储层各尺度裂缝的分布、密度、裂缝自身属性等特征,反映了裂缝的非均质性和多尺度性,更逼近现实情况,是目前最常用的多尺度裂缝建模方法。储层裂缝具有明显的多尺度特征,目前大中尺度裂缝可以通过地震资料直接识别,故采用确定性建模方法,描述准确。小尺度裂缝是储层裂缝网络的主体部分,建立可靠的小尺度裂缝模型是储层裂缝建模的关键。但是通过井震资料难以直接获取储层空间内的小尺度裂缝信息。
现有的小尺度裂缝建模主要包括裂缝密度模型、离散裂缝网络模型两个步骤。小尺度裂缝模型硬数据来源于岩心资料和成像测井资料,但是一般情况下,岩心和成像测井资料有限,导致单井裂缝硬数据较少,因此,需要充分发挥井间信息的约束作用,降低井间裂缝分布的不确定性,建立更可靠的小尺度裂缝模型。目前,主要应用单一地震信息或地质信息作为井间约束条件约束建立小尺度裂缝模型,如方差体、蚂蚁体、曲率体、断层距离等。但是,单一地震信息或地质信息常受多种因素的影响,具有多解性,从而使得建立的小尺度裂缝模型可靠性不高。
发明内容
有鉴于此,本发明实施例提供了一种基于PR模型的小尺度裂缝建模方法、装置、设备及介质,以能够融合多种地震信息和地质信息建立井间约束体,降低模型的不确定性。
第一方面,本发明实施例提供了一种基于PR模型的小尺度裂缝建模方法,包括:
确定与小尺度裂缝发育相关的次变量,并统计所述次变量的个数;
对所述次变量进行主成分分析,获得多个第一主成分变量;
对所述第一主成分变量进行优选,获得多个第二主成分变量;
利用PR模型融合所述多个第二主成分变量,获得井间综合裂缝发育概率体;
以所述井间综合裂缝发育概率体约束单井裂缝密度曲线,建立裂缝密度模型;
根据小尺度裂缝几何形态和所述裂缝密度模型,建立小尺度裂缝模型。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,所述确定与小尺度裂缝发育相关的次变量,具体包括:
对小尺度裂缝发育主控因素进行分析,根据分析结果,确定与小尺度裂缝发育相关的次变量。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,所述对所述次变量进行主成分分析,获得多个第一主成分变量,具体包括:
对所述次变量进行标准化处理,获得标准化的次变量数据;
对所述标准化的次变量数据进行主成分分析,获得多个第一主成分变量。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,所述对所述第一主成分变量进行优选,获得多个第二主成分变量,具体包括:
根据累计贡献率对所述第一主成分变量进行优选,获得多个第二主成分变量;
其中,所述累计贡献率大于第一预设阈值,所述多个第二主成分变量的个数小于所述次变量的个数。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,所述利用PR模型融合所述多个第二主成分变量,获得井间综合裂缝发育概率体,具体包括:
根据所述多个第二主成分变量与小尺度裂缝发育概率的关系,将各单一第二主成分变量的数据转换成对应的单一小尺度裂缝发育条件概率体;
利用PR模型将多个所述单一小尺度裂缝发育条件概率体融合成井间综合裂缝发育概率体。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,所述根据小尺度裂缝几何形态和所述裂缝密度模型,建立小尺度裂缝模型,具体包括:
根据小尺度裂缝产状参数统计结果,在所述裂缝密度模型的约束下,结合退火模拟法和基于目标的示性点过程模拟法,建立小尺度裂缝模型。
第二方面,本发明实施例提供了一种基于PR模型的小尺度裂缝建模装置,包括:
确定模块,用于确定与小尺度裂缝发育相关的次变量,并统计所述次变量的个数;
第一主成分模块,用于对所述次变量进行主成分分析,获得多个第一主成分变量;
第二主成分模块,用于对所述第一主成分变量进行优选,获得多个第二主成分变量;
融合模块,用于利用PR模型融合所述多个第二主成分变量,获得井间综合裂缝发育概率体;
第一建立模块,用于以所述井间综合裂缝发育概率体约束单井裂缝密度曲线,建立裂缝密度模型;
第二建立模块,用于根据小尺度裂缝几何形态和所述裂缝密度模型,建立小尺度裂缝模型。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,所述确定模块,具体用于对小尺度裂缝发育主控因素进行分析,根据分析结果,确定与小尺度裂缝发育相关的次变量。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,所述第一主成分模块,包括:
标准化单元,用于对所述次变量进行标准化处理,获得标准化的次变量数据;
分析单元,用于对所述标准化的次变量数据进行主成分分析,获得多个第一主成分变量。
结合第二方面,本发明实施例提供了第二方面的第三种可能的实施方式,所述第二主成分模块,具体用于根据累计贡献率对所述第一主成分变量进行优选,获得多个第二主成分变量;
其中,所述累计贡献率大于第一预设阈值,所述多个第二主成分变量的个数小于所述次变量的个数。
结合第二方面,本发明实施例提供了第二方面的第四种可能的实施方式,所述融合模块,包括:
转换单元,用于根据所述多个第二主成分变量与小尺度裂缝发育概率的关系,将各单一第二主成分变量的数据转换成对应的单一小尺度裂缝发育条件概率体;
融合单元,用于利用PR模型将多个所述单一小尺度裂缝发育条件概率体融合成井间综合裂缝发育概率体。
结合第二方面,本发明实施例提供了第二方面的第五种可能的实施方式,所述第二建立模块,具体用于根据小尺度裂缝产状参数统计结果,在所述裂缝密度模型的约束下,结合退火模拟法和基于目标的示性点过程模拟法,建立小尺度裂缝模型。
第三方面,本发明实施例提供了一种电子设备,包括:存储器和处理器;
所述存储器,用于存储计算机程序;
其中,所述处理器执行所述存储器中的计算机程序,以实现上述第一方面至第一方面的第五种可能的实施方式中所述的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现上述第一方面至第一方面的第五种可能的实施方式中所述的方法。
本发明提供的基于PR模型的小尺度裂缝建模方法、装置、设备及介质,通过确定与小尺度裂缝发育相关的次变量及其个数,对次变量进行主成分分析,得到多个相互无关的主成分变量,根据累计贡献率优选主成分变量,其累计贡献率大于第一预设阈值,优选的主成分变量个数小于次变量个数,利用PR模型融合优选的主成分变量的裂缝发育条件概率体,构成井间综合裂缝发育概率体,以井间综合裂缝发育概率体约束单井裂缝密度曲线,建立裂缝密度模型,根据小尺度裂缝几何形态和裂缝密度模型,建立小尺度裂缝模型。在本方案中,利用PR模型融合多个与小尺度裂缝发育相关的次变量,建立了井间综合约束体,充分发挥其对井间裂缝的约束作用,从而能够降低模型的不确定性,建立精度和可靠性更高的小尺度裂缝模型,为裂缝性油藏的数值模拟提供了地质基础,对提高该类油藏采收率具有重要意义。
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,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的基于PR模型的小尺度裂缝建模方法的流程示意图;
图2为本发明实施例二提供的基于PR模型的小尺度裂缝建模方法的流程示意图;
图3为本发明实施例三提供的基于PR模型的小尺度裂缝建模装置的结构示意图;
图4为本发明实施例四提供的基于PR模型的小尺度裂缝建模装置的结构示意图;
图5为本发明实施例五提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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所获得的所有其他实施例,都属于本发明保护的范围。
下面,首先对本发明实施例中的关键术语和缩略语进行介绍。
1、小尺度裂缝:指地震资料无法直接识别,而只能依靠岩心、成像测井、常规测井等资料才能识别的裂缝,地下裂缝宽度一般为30~100μm,延伸长度为米级至十米级,其分布具有较强的随机性。
2、PR(Permanence of Ratio,更新比率恒定)模型:是一种以工程近似学中的更新比率恒定理论为假设条件的概率融合模型,通过联系两个或多个单一变量得到的条件概率计算出综合条件概率。
3、主成分分析:是一种统计方法,通过正交变换将一组可能存在相关性的变量转换成一组新的互相无关的变量,转换后的这组变量叫主成分变量。
实施例一
图1为本发明实施例一提供的基于PR模型的小尺度裂缝建模方法的流程示意图,如图1所示,该方法可以包括以下步骤:
S101、确定与小尺度裂缝发育相关的次变量,并统计次变量的个数。
实际应用中,本实施例的执行主体可以为基于PR模型的小尺度裂缝建模装置。在实际应用中,该基于PR模型的小尺度裂缝建模装置可以通过虚拟装置,例如软件代码实现,也可以通过写入有相关执行代码的实体装置,例如,U盘实现,再或者,也可以通过集成有相关执行代码的实体装置实现,例如,智能终端、各式电脑等。
具体地,上述次变量的类型可以包括:地质信息和地震属性。地质信息可以包括泥质含量、脆性指数和断层距离等地质相关的信息。地震属性可以包括振幅类属性、构造类属性、相关统计类等,其中,振幅类属性可以包括均方根振幅、平均振幅、振幅包络属性等,构造类属性可以包括构造倾角和构造方位角属性,相关统计类包括相干体、相似系数等。
实际应用中,举例来说,可以优选并确定研究区的脆性指数、断层距离、相干体、构造倾角属性和均方根振幅这五个与小尺度裂缝发育相关的次变量作为建立小尺度裂缝模型的次变量。
S102、对次变量进行主成分分析,获得多个第一主成分变量。
具体地,对上述各次变量进行主成分分析,从而得到多个相互无关的主成分变量,新得到的主成分变量之间相互独立,可以满足PR模型的假设条件。
S103、对第一主成分变量进行优选,获得多个第二主成分变量。
具体地,首先对主成分变量进行优选,使进行融合的主成分变量个数减少,从而达到降维的目的。
S104、利用PR模型融合多个第二主成分变量,获得井间综合裂缝发育概率体。
具体地,根据多个优选的主成分变量与小尺度裂缝发育概率的关系,将各单一优选的主成分变量的三维数据体转换成对应的单一小尺度裂缝发育条件概率体,然后利用PR模型将多个单一小尺度裂缝发育条件概率体融合成井间综合裂缝发育概率体,其计算公式如下:
式中,A表示小尺度裂缝发育,Di表示优选的第i个主成分变量,P(A|Di)表示当主成分变量Di取某一值时小尺度裂缝发育条件概率体,P(A)表示小尺度裂缝发育先验概率,P(A|Di,i=1,…,n)表示当所有优选的主成分变量Di(i=1,…,n)取一组固定值时的井间综合裂缝发育概率体。
S105、以井间综合裂缝发育概率体约束单井裂缝密度曲线,建立裂缝密度模型。
具体地,可以通过成像测井资料获取单井裂缝密度曲线,进而可以通过井间综合裂缝发育概率体来约束单井裂缝密度曲线,并用序贯高斯模拟法建立裂缝密度模型。
S106、根据小尺度裂缝几何形态和裂缝密度模型,建立小尺度裂缝模型。
具体地,小尺度裂缝几何形态是指小尺度裂缝的缝宽、延伸长度及方向、产状等几何形态参数。实际应用中,可以根据小尺度裂缝产状参数统计结果,在裂缝密度模型的约束下,结合退火模拟法和基于目标的示性点过程模拟法,建立小尺度裂缝模型。该小尺度裂缝模型反映了研究区的小尺度裂缝分布规律,为研究区油藏数值模拟提供了静态地质模型。
本实施例提供的基于PR模型的小尺度裂缝建模方法,通过确定与小尺度裂缝发育相关的次变量及其个数,对次变量进行主成分分析,得到多个相互无关的主成分变量,利用PR模型融合优选的主成分变量的裂缝发育条件概率体,构成井间综合裂缝发育概率体,以井间综合裂缝发育概率体约束单井裂缝密度曲线,建立裂缝密度模型,根据小尺度裂缝几何形态和裂缝密度模型,建立小尺度裂缝模型。在本方案中,利用PR模型融合多个与小尺度裂缝发育相关的次变量,建立了井间综合约束体,充分发挥井间综合约束体对井间裂缝的约束作用,从而降低了模型的不确定性,建立了精度和可靠性更高的小尺度裂缝模型,为裂缝性油藏的数值模拟提供了地质基础,对提高该类油藏采收率具有重要意义。
实施例二
图2为本发明实施例二提供的基于PR模型的小尺度裂缝建模方法的流程示意图,在实施例一的基础上,如图2所示,该方法可以包括以下步骤:
上述步骤S101,具体可以包括:
S201、对小尺度裂缝发育主控因素进行分析,根据分析结果,确定与小尺度裂缝发育相关的次变量。
具体地,可以对小尺度裂缝发育主控因素进行分析,根据分析结果,确定与小尺度裂缝发育相关的多种地质信息和多种地震属性。其中,优选对小尺度裂缝敏感的地震属性,同种类型的地震属性只选择与裂缝发育相关性最好的一种。
上述步骤S102,具体可以包括:
S202、对次变量进行标准化处理,获得标准化的次变量数据。
S203、对标准化的次变量数据进行主成分分析,获得多个第一主成分变量。
具体地,由于不同地震属性和地质信息具有不同的量纲和值域,需要先对不同次变量进行标准化处理,获得标准化的次变量数据,然后对标准化的次变量数据进行主成分分析,从而得到多个相互无关的主成分变量。其中,标准化数据是指对于每个次变量,可以先根据原始数据求取其均值和标准差,再将原始数据减去平均值除以标准差,使得到的新数据集平均值为0,标准差为1。
上述步骤S103,具体可以包括:
S204、根据累计贡献率对主成分变量进行优选,并统计优选的主成分变量的个数。其中,累计贡献率大于第一预设阈值,优选的主成分变量的个数小于次变量的个数。
具体地,举例来说,可以根据主成分的累计贡献率大于80%,主成分变量个数小于次变量个数来获得优选的主成分变量。
本实施例提供的基于PR模型的小尺度裂缝建模方法,通过对小尺度裂缝发育主控因素进行分析,根据分析结果,确定与小尺度裂缝发育相关的次变量,对次变量进行标准化处理,获得标准化的次变量数据,对标准化的次变量数据进行主成分分析,获得多个主成分变量,利用PR模型融合优选的主成分变量的裂缝发育条件概率体,构成井间综合裂缝发育概率体,以井间综合裂缝发育概率体约束单井裂缝密度曲线,建立裂缝密度模型,根据小尺度裂缝几何形态和裂缝密度模型,建立小尺度裂缝模型。在本方案中,对地质信息和地震属性进行优选,使得主成分分析得到的主成分变量更加准确,再对主成分变量进行优选,使得构建的井间综合约束体更加精确,从而使得建立的小尺度裂缝模型更加精度和可靠性更高。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
实施例三
图3为本发明实施例三提供的基于PR模型的小尺度裂缝建模装置的结构示意图,如图3所示,包括:
确定模块310,用于确定与小尺度裂缝发育相关的次变量,并统计次变量的个数。
第一主成分模块320,用于对次变量进行主成分分析,获得多个第一主成分变量。
第二主成分模块330,用于对第一主成分变量进行优选,获得多个第二主成分变量。
融合模块340,用于利用PR模型融合多个第二主成分变量,获得井间综合裂缝发育概率体。
第一建立模块350,用于以井间综合裂缝发育概率体约束单井裂缝密度曲线,建立裂缝密度模型。
第二建立模块360,用于根据小尺度裂缝几何形态和裂缝密度模型,建立小尺度裂缝模型。
本实施例提供的基于PR模型的小尺度裂缝建模装置,通过确定与小尺度裂缝发育相关的次变量及其个数,对次变量进行主成分分析,得到多个相互无关的主成分变量,利用PR模型融合优选的主成分变量的裂缝发育条件概率体,构成井间综合裂缝发育概率体,以井间综合裂缝发育概率体约束单井裂缝密度曲线,建立裂缝密度模型,根据小尺度裂缝几何形态和裂缝密度模型,建立小尺度裂缝模型。在本方案中,利用PR模型融合多个与小尺度裂缝发育相关的次变量,建立了井间综合约束体,充分发挥井间综合约束体对井间裂缝的约束作用,从而降低了模型的不确定性,建立了精度和可靠性更高的小尺度裂缝模型,为裂缝性油藏的数值模拟提供了地质基础,对提高该类油藏采收率具有重要意义。
图4为本发明实施例四提供的基于PR模型的小尺度裂缝建模装置的结构示意图,在实施例三的基础上,如图4所示,包括:
确定模块310,具体用于对小尺度裂缝发育主控因素进行分析,根据分析结果,确定与小尺度裂缝发育相关的次变量。
第一主成分模块320,包括:
标准化单元321,用于对次变量进行标准化处理,获得标准化的次变量数据。
分析单元322,用于对标准化的次变量数据进行主成分分析,获得多个第一主成分变量。
第二主成分模块330,具体用于根据累计贡献率对第一主成分变量进行优选,获得多个第二主成分变量。
其中,累计贡献率大于第一预设阈值,多个第二主成分变量的个数小于次变量的个数。
融合模块340,包括:
转换单元341,用于根据多个第二主成分变量与小尺度裂缝发育概率的关系,将各单一第二主成分变量的数据转换成对应的单一小尺度裂缝发育条件概率体;
融合单元342,用于利用PR模型将多个单一小尺度裂缝发育条件概率体融合成井间综合裂缝发育概率体。
第二建立模块360,具体用于根据小尺度裂缝产状参数统计结果,在裂缝密度模型的约束下,结合退火模拟法和基于目标的示性点过程模拟法,建立小尺度裂缝模型。
本实施例提供的基于PR模型的小尺度裂缝建模装置,通过对小尺度裂缝发育主控因素进行分析,根据分析结果,确定与小尺度裂缝发育相关的次变量,对次变量进行标准化处理,获得标准化的次变量数据,对标准化的次变量数据进行主成分分析,获得多个主成分变量,利用PR模型融合优选的主成分变量的裂缝发育条件概率体,构成井间综合裂缝发育概率体,以井间综合裂缝发育概率体约束单井裂缝密度曲线,建立裂缝密度模型,根据小尺度裂缝几何形态和裂缝密度模型,建立小尺度裂缝模型。在本方案中,对地质信息和地震属性进行优选,使得主成分分析得到的主成分变量更加准确,再对主成分变量进行优选,使得构建的井间综合约束体更加精确,从而使得建立的小尺度裂缝模型更加精度和可靠性更高。
实施例五
图5为本发明实施例五提供的电子设备的结构示意图。如图5所示,该电子设备包括:存储器510和处理器520;
存储器510,用于存储计算机程序;
其中,处理器520执行存储器510中的计算机程序,以实现如本发明实施例一至实施例二中所述的方法。
实施例六
本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时用于实现如本发明实施例一至实施例二中所述的方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (12)
1.一种基于PR模型的小尺度裂缝建模方法,其特征在于,包括:
确定与小尺度裂缝发育相关的次变量,并统计所述次变量的个数;
对所述次变量进行主成分分析,获得多个第一主成分变量;
对所述第一主成分变量进行优选,获得多个第二主成分变量;
利用PR模型融合所述多个第二主成分变量,获得井间综合裂缝发育概率体;
以所述井间综合裂缝发育概率体约束单井裂缝密度曲线,建立裂缝密度模型;
根据小尺度裂缝产状参数统计结果,在所述裂缝密度模型的约束下,结合退火模拟法和基于目标的示性点过程模拟法,建立小尺度裂缝模型。
2.根据权利要求1所述的方法,其特征在于,所述确定与小尺度裂缝发育相关的次变量,具体包括:
对小尺度裂缝发育主控因素进行分析,根据分析结果,确定与小尺度裂缝发育相关的次变量。
3.根据权利要求1所述的方法,其特征在于,所述对所述次变量进行主成分分析,获得多个第一主成分变量,具体包括:
对所述次变量进行标准化处理,获得标准化的次变量数据;
对所述标准化的次变量数据进行主成分分析,获得多个第一主成分变量。
4.根据权利要求1所述的方法,其特征在于,所述对所述第一主成分变量进行优选,获得多个第二主成分变量,具体包括:
根据累计贡献率对所述第一主成分变量进行优选,获得多个第二主成分变量;
其中,所述累计贡献率大于第一预设阈值,所述多个第二主成分变量的个数小于所述次变量的个数。
5.根据权利要求1所述的方法,其特征在于,所述利用PR模型融合所述多个第二主成分变量,获得井间综合裂缝发育概率体,具体包括:
根据所述多个第二主成分变量与小尺度裂缝发育概率的关系,将各单一第二主成分变量的数据转换成对应的单一小尺度裂缝发育条件概率体;
利用PR模型将多个所述单一小尺度裂缝发育条件概率体融合成井间综合裂缝发育概率体。
6.一种基于PR模型的小尺度裂缝建模装置,其特征在于,包括:
确定模块,用于确定与小尺度裂缝发育相关的次变量,并统计所述次变量的个数;
第一主成分模块,用于对所述次变量进行主成分分析,获得多个第一主成分变量;
第二主成分模块,用于对所述第一主成分变量进行优选,获得多个第二主成分变量;
融合模块,用于利用PR模型融合所述多个第二主成分变量,获得井间综合裂缝发育概率体;
第一建立模块,用于以所述井间综合裂缝发育概率体约束单井裂缝密度曲线,建立裂缝密度模型;
第二建立模块,用于根据小尺度裂缝产状参数统计结果,在所述裂缝密度模型的约束下,结合退火模拟法和基于目标的示性点过程模拟法,建立小尺度裂缝模型。
7.根据权利要求6所述的装置,其特征在于,
所述确定模块,具体用于对小尺度裂缝发育主控因素进行分析,根据分析结果,确定与小尺度裂缝发育相关的次变量。
8.根据权利要求6所述的装置,其特征在于,所述第一主成分模块,包括:
标准化单元,用于对所述次变量进行标准化处理,获得标准化的次变量数据;
分析单元,用于对所述标准化的次变量数据进行主成分分析,获得多个第一主成分变量。
9.根据权利要求6所述的装置,其特征在于,
所述第二主成分模块,具体用于根据累计贡献率对所述第一主成分变量进行优选,获得多个第二主成分变量;
其中,所述累计贡献率大于第一预设阈值,所述多个第二主成分变量的个数小于所述次变量的个数。
10.根据权利要求6所述的装置,其特征在于,所述融合模块,包括:
转换单元,用于根据所述多个第二主成分变量与小尺度裂缝发育概率的关系,将各单一第二主成分变量的数据转换成对应的单一小尺度裂缝发育条件概率体;
融合单元,用于利用PR模型将多个所述单一小尺度裂缝发育条件概率体融合成井间综合裂缝发育概率体。
11.一种电子设备,包括:存储器和处理器;
所述存储器,用于存储计算机程序;
其中,所述处理器执行所述存储器中的计算机程序,以实现如权利要求1-6中任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811109177.XA CN109272042B (zh) | 2018-09-21 | 2018-09-21 | 基于pr模型的小尺度裂缝建模方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811109177.XA CN109272042B (zh) | 2018-09-21 | 2018-09-21 | 基于pr模型的小尺度裂缝建模方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109272042A CN109272042A (zh) | 2019-01-25 |
CN109272042B true CN109272042B (zh) | 2021-04-16 |
Family
ID=65198687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811109177.XA Active CN109272042B (zh) | 2018-09-21 | 2018-09-21 | 基于pr模型的小尺度裂缝建模方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272042B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014116896A1 (en) * | 2013-01-25 | 2014-07-31 | Services Petroliers Schlumberger | Pressure transient testing with sensitivity analysis |
CN104730596B (zh) * | 2015-01-25 | 2017-11-07 | 中国石油大学(华东) | 一种基于多尺度因素约束的离散裂缝建模方法 |
CN104992468B (zh) * | 2015-07-30 | 2018-01-05 | 中国石油集团川庆钻探工程有限公司 | 缝洞型碳酸盐岩油气藏三维地质建模方法 |
CN106569267A (zh) * | 2016-10-14 | 2017-04-19 | 中国石油大学(北京) | 一种致密低渗透储层多尺度裂缝模型及建模方法 |
CN107704958A (zh) * | 2017-09-30 | 2018-02-16 | 渤海大学 | 一种多变量建模的火电厂发电量预测方法 |
-
2018
- 2018-09-21 CN CN201811109177.XA patent/CN109272042B/zh active Active
Non-Patent Citations (1)
Title |
---|
Random-walk-based stochastic modeling of three-dimensional fiber systems;Hellen Altendorf等;《Physical review E Statal Nonlinear & Soft Matter Physics》;20110430;第1-15页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109272042A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6230101B1 (en) | Simulation method and apparatus | |
WO2009128972A1 (en) | Markov decision process-based decision support tool for reservoir development planning | |
CA2813826A1 (en) | Iterative method and system to construct robust proxy models for reservoir simulation | |
AU2017202784B2 (en) | Gridless simulation of a fluvio-deltaic environment | |
CN113919219A (zh) | 基于测井大数据的地层评价方法及系统 | |
EP3077618B1 (en) | Tuning digital core analysis to laboratory results | |
US11126694B2 (en) | Automatic calibration for modeling a field | |
CN109635244A (zh) | 岩石可钻性预测方法、系统、存储介质及电子终端 | |
CN115166853A (zh) | 页岩气藏天然裂缝模型建立方法、装置、电子设备及介质 | |
CN115186936B (zh) | 基于gnn模型的油田最优井网构建方法 | |
Khazaeni et al. | Intelligent production modeling using full field pattern recognition | |
CN114429525A (zh) | 裂缝性油藏多尺度裂缝模拟方法及计算机可读存储介质 | |
US10934812B2 (en) | Integrated a priori uncertainty parameter architecture in simulation model creation | |
US11300706B2 (en) | Designing a geological simulation grid | |
CN108763164A (zh) | 煤与瓦斯突出反演相似度的评价方法 | |
CN109272042B (zh) | 基于pr模型的小尺度裂缝建模方法、装置、设备及介质 | |
CN115375867B (zh) | 利用网格模型计算地热资源量方法、系统、设备及介质 | |
CN110309597A (zh) | 基于构型界面的阻流带模型确定方法、装置及存储介质 | |
CN114153002B (zh) | 储层天然裂缝三维地质建模方法、装置、电子设备及介质 | |
CN114036829A (zh) | 地质剖面图生成方法、系统、设备及存储介质 | |
Ashayeri et al. | Using the Adaptive Variable Structure Regression Approach in Data Selection and Data Preparation for Improving Machine Learning-Based Performance Prediction in Unconventional Plays | |
CN113761699A (zh) | 裂缝模型构建方法、装置、电子设备及介质 | |
CN117150178B (zh) | 基于成像测井和人工神经网络的裂缝线密度预测方法 | |
CN117852416B (zh) | 基于数字化地质模型的多模态注浆预控分析方法及系统 | |
US20230140905A1 (en) | Systems and methods for completion optimization for waterflood assets |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230427 Address after: 102249 Beijing city Changping District Road No. 18 Patentee after: China University of Petroleum (Beijing) Patentee after: CHINA PETROLEUM & CHEMICAL Corp. Patentee after: CHINA PETROLEUM & CHEMICAL CORPORATION EXPLORATION & PRODUCTION Research Institute Address before: 102249 Beijing city Changping District Road No. 18 Patentee before: China University of Petroleum (Beijing) |
|
TR01 | Transfer of patent right |