CN109522578A - 基于贝叶斯模糊判别的复杂岩相预测方法及系统 - Google Patents
基于贝叶斯模糊判别的复杂岩相预测方法及系统 Download PDFInfo
- Publication number
- CN109522578A CN109522578A CN201710857687.4A CN201710857687A CN109522578A CN 109522578 A CN109522578 A CN 109522578A CN 201710857687 A CN201710857687 A CN 201710857687A CN 109522578 A CN109522578 A CN 109522578A
- Authority
- CN
- China
- Prior art keywords
- lithofacies
- probability
- volume
- attribute
- bayes
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
公开了一种基于贝叶斯模糊判别的复杂岩相预测方法及系统。该方法可以包括:根据目标层位的特征信息,确定岩相类型;根据岩相类型的属性类型,获取敏感属性类型;建立岩相类型对应的概率密度函数与先验概率值;根据敏感属性类型,获得属性数据体;基于属性数据体、概率密度函数与先验概率值,获取岩相概率体,进而获取最终的岩相概率体。本发明通过贝叶斯模糊判别,获取各种岩相类型的概率体,将反映储层含流体情况的地震弹性参数体变为更具地质意义的岩相体。
Description
技术领域
本发明涉及地震勘探领域,更具体地,涉及一种基于贝叶斯模糊判别的复杂岩相预测方法及系统。
背景技术
岩相在地质和地震两门学科具有不同的特征,地质上的岩相是指一定沉积环境中形成的岩石组合,它主要针对岩性,通过岩石类型、颜色、结构等信息判断形成岩相的沉积成因。地震岩相是指一个地震可分辨尺度的沉积单元,它包含岩性、地层结构、地震特征等因素,它是宏观的、地震可识别的,同时也可以通过地震弹性参数进行识别和预测。本专利名称提到的岩相是地震岩相的概念,它不只指岩性,也包含流体特征。
预测岩相最常用的方法是使用不同测井曲线做交汇图,寻找对岩相较为敏感的属性,确定不同岩相的门槛值,然后将门槛值应用到敏感属性的反演数据体上即可得到不同岩相的数据体,如图1所示。这种方法对于单一属性可以识别岩相的区域的应用效果是比较好的,但是随着勘探目标越来越趋向复杂化,很多研究区的岩相对于单一属性存在叠置,难以使用上述方法进行识别。
为了解决这一问题,有人提出了对属性交汇进行坐标旋转的方法,使用数学坐标轴旋转公式把原坐标轴旋转一定角度,经过旋转后获得了新的属性组合参数,然后就可以像方法一那样依靠单参数确定储层和非储层的门槛值,如图2所示。这种方法相比前一种方法有了更好的适应性和应用效果,但是它的缺陷在于只能用于不同岩相在交汇图上整体平行分布且与坐标轴呈一定夹角的情况,对于更复杂的岩相分布则无能为力,如图3所示。因此,有必要开发一种基于贝叶斯模糊判别的复杂岩相预测方法及系统。
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
本发明提出了一种基于贝叶斯模糊判别的复杂岩相预测方法及系统,其能够通过贝叶斯模糊判别,获取各种岩相类型的概率体,将反映储层含流体情况的地震弹性参数体变为更具地质意义的岩相体。
根据本发明的一方面,提出了一种基于贝叶斯模糊判别的复杂岩相预测方法。所述方法可以包括:根据目标层位的特征信息,确定岩相类型;根据所述岩相类型的属性类型,获取敏感属性类型;建立所述岩相类型对应的概率密度函数与先验概率值;根据所述敏感属性类型,获得属性数据体;基于所述属性数据体、所述概率密度函数与所述先验概率值,获取岩相概率体,进而获取最终的岩相概率体。
优选地,获取所述最终的岩相概率体包括:根据所述属性数据体验证所述岩相概率体,若二者不吻合,则修改所述概率密度函数与所述先验概率值,进而获取所述岩相概率体;若二者吻合,将所述岩相概率体作为所述最终的岩相概率体。
优选地,根据正态分布模型建立所述概率密度函数。
优选地,获得所述属性数据体包括:建立反演初始地层格架,进而反演获得波阻抗反演数据;提高所述波阻抗反演数据的纵向分辨率,获取高分辨率波阻抗反演数据;基于所述敏感属性类型与所述高分辨率波阻抗反演数据,结合波阻抗信息,获得所述属性数据体。
优选地,所述波阻抗信息包括:信噪比数据、水平变差函数、砂地比与垂向变差函数。
优选地,所述岩相概率体为:
其中,P(Cj|X)表示岩相概率体,P(X|Cj)为岩相类型Cj的条件概率密度函数,X表示单变量或多变量的测井或地震属性输入,Cj(j=1,2,...,N)表示N个不同的岩相类型,P(Cj)为岩相类型Cj的先验概率,P(X)为尺度因子。
根据本发明的另一方面,提出了一种基于贝叶斯模糊判别的复杂岩相预测系统,可以包括:存储器,存储有计算机可执行指令;处理器,所述处理器运行所述存储器中的计算机可执行指令,执行以下步骤:根据目标层位的特征信息,确定岩相类型;根据所述岩相类型的属性类型,获取敏感属性类型;建立所述岩相类型对应的的概率密度函数与先验概率值;根据所述敏感属性类型,获得属性数据体;基于所述属性数据体、所述概率密度函数与所述先验概率值,获取岩相概率体,进而获取最终的岩相概率体。
优选地,获取所述最终的岩相概率体包括:根据所述属性数据体验证所述岩相概率体,若二者不吻合,则修改所述概率密度函数与所述先验概率值,进而获取所述岩相概率体;若二者吻合,将所述岩相概率体作为所述最终的岩相概率体。
优选地,获得所述属性数据体包括:建立反演初始地层格架,进而反演获得波阻抗反演数据;提高所述波阻抗反演数据的纵向分辨率,获取高分辨率波阻抗反演数据;基于所述敏感属性类型与所述高分辨率波阻抗反演数据,结合波阻抗信息,获得所述属性数据体。
优选地,所述岩相概率体为:
其中,P(Cj|X)表示岩相概率体,P(X|Cj)为岩相类型Cj的条件概率密度函数,X表示单变量或多变量的测井或地震属性输入,Cj(j=1,2,...,N)表示N个不同的岩相类型,P(Cj)为岩相类型Cj的先验概率,P(X)为尺度因子。
本发明的有益效果在于:基于测井和岩石物理资料统计信息,能够更加有效地对地震反演成果进行解释评价,使储层表征更加明确,岩性和流体判别也更加合理,可以把反映储层含流体情况的地震属性体变为更具地质意义的岩相体,使地质工作者应用起来更加方便。
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方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式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示出了使用单参数进行岩相识别的示意图。
图2示出了使用坐标旋转方法进行岩相识别的示意图。
图3示出了一种复杂的岩相分布示意图。
图4示出了根据本发明的基于贝叶斯模糊判别的复杂岩相预测方法的步骤的流程图。
图5示出了根据本发明的一个实施例的岩相敏感参数交会的示意图。
图6示出了根据本发明的一个实施例的不同岩相类型的概率密度函数的示意图。
图7示出了根据本发明的一个实施例的不同岩相类型的先验值和概率密度函数分析结果的示意图。
图8示出了根据本发明的一个实施例的不同岩相预测结果剖面示意图。
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。
图4示出了根据本发明的基于贝叶斯模糊判别的复杂岩相预测方法的步骤的流程图。
在该实施例中,根据本发明的基于贝叶斯模糊判别的复杂岩相预测方法可以包括:
步骤101,根据目标层位的特征信息,确定岩相类型。
具体地,根据目标层位的岩心、薄片、测井曲线特征和沉积特点,进行分析,确定岩相类型和数量,由于此处为微观统计结果,为了考虑测井和地震的分辨率,需要将相似的岩相类型进行合并,一般对于一个研究区以五种以内岩相类型为宜。确定岩相类型后,分析不同岩相的测井响应特征,建立岩相的测井解释量版,使用此量版对没有岩心、薄片的井进行岩相解释。
步骤102,根据岩相类型的属性类型,获取敏感属性类型。
具体地,通过岩相类型和不同属性的交会,建立各种岩相类型条件下的地震弹性参数之间的关系,寻找对岩相类型较为敏感的属性。不同于常规的使用单一属性确定门槛值,此处使用两种属性共同确定岩相类型,在交会过程中,要求不同岩相在两种属性的交会图中呈区域分布特征,这样才能在后面确定其概率密度函数。
步骤103,建立岩相类型对应的概率密度函数与先验概率值;在一个示例中,根据正态分布模型建立概率密度函数。
具体地,岩相类型的先验概率值是从测井上统计得出的,即统计其在测井上每种岩相类型所占的比例,作为先验信息进行输入。
岩相类型对应的概率密度函数的计算相比先验概率更加复杂一些,测井和岩石物理模拟数据是概率密度函数建立的主要信息来源,对已知数据进行统计分析选择最佳概率模型用于概率密度函数的建立。由于不同岩相类型的属性信息通常在统计上服从高斯正态分布,因此,可以利用正态分布模型去建立概率密度函数。
假设随机向量X=(X1,X2,…,XN)服从n维正态分布,存在m个n维总体,则第i个n维总体也服从正态分布,可表示为Xi~(μ(i),∑i),其中,μ(i)和∑i未知,需要利用先验信息估算:
其中,μ(i)为位置参数,∑i为尺度参数,Ni表示第i个N维总体,表示第i个j维向量。
则第i个总体n维分布状态的概率密度函数为公式(2):
其中,x=x1,x2,…,xn,表示随机向量,i=1,2,…,m,表示第i个n维总体。
步骤104,根据敏感属性类型,获得属性数据体;在一个示例中,获得属性数据体包括:建立反演初始地层格架,进而反演获得波阻抗反演数据;提高波阻抗反演数据的纵向分辨率,获取高分辨率波阻抗反演数据;基于敏感属性类型与高分辨率波阻抗反演数据,结合波阻抗信息,获得属性数据体。在一个示例中,波阻抗信息包括:信噪比数据、水平变差函数、砂地比与垂向变差函数。
具体地,地质统计学随机模拟方法以地震反演为初始模型,从井点出发,井间遵从原始地震数据即以地震数据为硬数据,建立定量的波阻抗三维地质模型,进行储层横向预测。其特点在于综合了地震反演与储层随机建模的优势,充分利用地震数据横向密集的特点,精确求取不同方向上的变差函数。首先在精细井震标定和地质层位约束下建立一个层序地层格架作为反演的初始输入,然后使用约束稀疏脉冲反演得到一个确定性的波阻抗反演的结果。在此基础上使用地质统计学反演波阻抗进一步提高纵向分辨率,然后将此波阻抗数据体作为模拟的第二变量,将目标曲线(交汇得到的敏感参数)作为模拟的第一变量,结合从波阻抗数据体上提取的信噪比、水平变差函数、从地质资料分析得到的砂地比以及从测井资料分析中得到的垂向变差函数,即可进行地质统计学随机模拟计算,最终得到相应的属性数据体。
步骤105,基于属性数据体、概率密度函数与先验概率值,获取岩相概率体,进而获取最终的岩相概率体。在一个示例中,获取最终的岩相概率体包括:根据属性数据体验证岩相概率体,若二者不吻合,则修改概率密度函数与先验概率值,进而获取岩相概率体;若二者吻合,将岩相概率体作为最终的岩相概率体。
在一个示例中,岩相概率体为:
其中,P(Cj|X)表示岩相概率体,P(X|Cj)为岩相类型Cj的条件概率密度函数,X表示单变量或多变量的测井或地震属性输入,Cj(j=1,2,...,N)表示N个不同的岩相类型,P(Cj)为岩相类型Cj的先验概率,P(X)为尺度因子。
具体地,基于属性数据体、概率密度函数与先验概率值,获取岩相概率体,进而获取最终的岩相概率体,假设某一研究区有N种不同的岩相类别,使用x表示一种或多种对岩相敏感的测井、地震属性,则首先根据已知测井属性统计数据建立各种岩相类型的先验概率,然后根据已知样本中各岩相类型和属性的关系估算不同岩相类型的概率密度函数,在此基础上,即可根据新的样本属性数据体通过公式(3)计算岩相概率体,根据属性数据体验证岩相概率体,若二者不吻合,则修改概率密度函数与先验概率值,进而获取岩相概率体;若二者吻合,将岩相概率体作为最终的岩相概率体,进而判断该岩相类型。
本方法基于测井和岩石物理资料统计信息,能够更加有效地对地震反演成果进行解释评价,使储层表征更加明确,岩性和流体判别也更加合理,可以把反映储层含流体情况的地震属性体变为更具地质意义的岩相体,使地质工作者应用起来更加方便。
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。
研究区有两口井有取心资料,根据岩心和薄片观察的结果,存在十几种岩性,由于种类太多,地震数据受限于分辨率难以对每一种进行准确识别,所以首先对岩心读取的岩性进行合并最终得到五种岩相。在此基础上,针对不同岩相井段读取测井响应特征值,对主要岩相的测井响应进行总结,建立适合目标层岩相的识别量版,如表1所示。使用此量版对没有岩心、薄片的井进行岩相解释。
表1
图5示出了根据本发明的一个实施例的岩相敏感参数交会的示意图。
对于本研究区,通过大量的交会分析,最终确定体积光电吸收界面指数(UMA)和自然伽马(GR)为区分岩相的敏感参数,如图5所示,在UMA和GR的交会图里,不同岩相数据呈区域集中分布的特征,可以使用贝叶斯判别的方法进行岩相识别。
图6示出了根据本发明的一个实施例的不同岩相类型的概率密度函数的示意图。
图7示出了根据本发明的一个实施例的不同岩相类型的先验值和概率密度函数分析结果的示意图。
不同岩相类型的先验概率值是从测井上统计得出的,即统计其在测井上每种岩相所占的比例,作为先验信息进行输入。图6为对各种岩相类型的先验概率进行调整后的结果,经过调整后初始先验输入和测井实际情况更加吻合,风化硅质岩、硅质白云岩、燧石灰岩、灰岩、泥岩、泥质灰岩几种岩相的先验概率分别为:0.08、0.12、0.25、0.22、0.21、0.12。
然后对不同岩相类型的概率密度函数进行统计分析,如图7所示,其中,不同颜色的椭圆代表不同岩相类型的概率密度函数,每一种岩相的两个椭圆表示使用两个高斯函数表征概率密度函数,在概率密度函数的调整过程中,要参考各种质控的图件以及最终计算结果的合理性,如果计算的结果和实际地质认识不相符,要返回来调整概率密度函数,直到计算结果和前期地质认识较为吻合为止。最终得到不同岩相类型的先验概率值和概率密度函数的数值如表2所示。
表2
对UMA和GR两个岩相敏感参数进行地质统计学随机协模拟计算。在波阻抗预测的基础上,将目标属性(UMA和GR)作为模拟的第一变量,将波阻抗数据作为第二变量,结合从波阻抗体上提取的信噪比、水平变差函数、从地质资料分析得到的砂地比以及从测井资料得到的垂向变差函数,即可进行地质统计学随机模拟计算,最终得到UMA和GR两个属性数据体。
对于本研究区来说,在进行地质统计学随机协模拟过程中,需要着重注意以下几个关键点:①要完成一个高质量的叠后确定性反演。因为随机模拟所需要的一些重要参数,如地震信噪比、储层平面展步情况等都需要从叠后确定性反演结果中提取;②需要协模拟的属性需要和波阻抗数据在交会图上有一个相对比较规律性的分布,如果两者关系过于杂乱的话,很难得到好的协模拟结果;③需要分层段进行变差函数统计。由于研究区目的层段上、下两个层段的沉积体系和岩相类型有明显的不同,需要分两段进行变差函数的统计,这样得到的结果会更加精细。
图8示出了根据本发明的一个实施例的不同岩相预测结果剖面示意图。
在完成UMA和GR数据体的计算之后,使用这两种属性通过岩相概率计算得到了研究区的岩性数据体,如图8所示。可以看到,其岩性预测结果和井上的岩性曲线非常吻合,由于在计算岩性数据体的时候并没有使用岩性曲线作为输入条件,能达到这种吻合度是比较理想的。从岩性计算结果来看,中、下部分别沉积的是泥灰岩和泥质灰岩,上部沉积的是储层,从西北向东南分别沉积的是风化硅质岩、燧石灰岩和纯灰岩,这一点和地质认识也是吻合的。
综上所述,本发明基于测井和岩石物理资料统计信息,能够更加有效地对地震反演成果进行解释评价,使储层表征更加明确,岩性和流体判别也更加合理,可以把反映储层含流体情况的地震属性体变为更具地质意义的岩相体,使地质工作者应用起来更加方便。
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。
根据本发明的实施例,提供了一种基于贝叶斯模糊判别的复杂岩相预测系统,可以包括:存储器,存储有计算机可执行指令;处理器,处理器运行存储器中的计算机可执行指令,执行以下步骤:根据目标层位的特征信息,确定岩相类型;根据岩相类型的属性类型,获取敏感属性类型;建立岩相类型对应的的概率密度函数与先验概率值;根据敏感属性类型,获得属性数据体;基于属性数据体、概率密度函数与先验概率值,获取岩相概率体,进而获取最终的岩相概率体。
在一个示例中,获取最终的岩相概率体包括:根据属性数据体验证岩相概率体,若二者不吻合,则修改概率密度函数与先验概率值,进而获取岩相概率体;若二者吻合,将岩相概率体作为最终的岩相概率体。
在一个示例中,获得属性数据体包括:建立反演初始地层格架,进而反演获得波阻抗反演数据;提高波阻抗反演数据的纵向分辨率,获取高分辨率波阻抗反演数据;基于敏感属性类型与高分辨率波阻抗反演数据,结合波阻抗信息,获得属性数据体。
在一个示例中,岩相概率体为:
其中,P(Cj|X)表示岩相概率体,P(X|Cj)为岩相类型Cj的条件概率密度函数,X表示单变量或多变量的测井或地震属性输入,Cj(j=1,2,...,N)表示N个不同的岩相类型,P(Cj)为岩相类型Cj的先验概率,P(X)为尺度因子。
本发明基于测井和岩石物理资料统计信息,能够更加有效地对地震反演成果进行解释评价,使储层表征更加明确,岩性和流体判别也更加合理,可以把反映储层含流体情况的地震属性体变为更具地质意义的岩相体,使地质工作者应用起来更加方便。
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。
Claims (10)
1.一种基于贝叶斯模糊判别的复杂岩相预测方法,包括:
根据目标层位的特征信息,确定岩相类型;
根据所述岩相类型的属性类型,获取敏感属性类型;
建立所述岩相类型对应的概率密度函数与先验概率值;
根据所述敏感属性类型,获得属性数据体;
基于所述属性数据体、所述概率密度函数与所述先验概率值,获取岩相概率体,进而获取最终的岩相概率体。
2.根据权利要求1所述的基于贝叶斯模糊判别的复杂岩相预测方法,其中,获取所述最终的岩相概率体包括:
根据所述属性数据体验证所述岩相概率体,若二者不吻合,则修改所述概率密度函数与所述先验概率值,进而获取所述岩相概率体;
若二者吻合,将所述岩相概率体作为所述最终的岩相概率体。
3.根据权利要求1所述的基于贝叶斯模糊判别的复杂岩相预测方法,其中,根据正态分布模型建立所述概率密度函数。
4.根据权利要求1所述的基于贝叶斯模糊判别的复杂岩相预测方法,其中,获得所述属性数据体包括:
建立反演初始地层格架,进而反演获得波阻抗反演数据;
提高所述波阻抗反演数据的纵向分辨率,获取高分辨率波阻抗反演数据;
基于所述敏感属性类型与所述高分辨率波阻抗反演数据,结合波阻抗信息,获得所述属性数据体。
5.根据权利要求4所述的基于贝叶斯模糊判别的复杂岩相预测方法,其中,所述波阻抗信息包括:信噪比数据、水平变差函数、砂地比与垂向变差函数。
6.根据权利要求1所述的基于贝叶斯模糊判别的复杂岩相预测方法,其中,所述岩相概率体为:
其中,P(Cj|X)表示岩相概率体,P(X|Cj)为岩相类型Cj的条件概率密度函数,X表示单变量或多变量的测井或地震属性输入,Cj(j=1,2,...,N)表示N个不同的岩相类型,P(Cj)为岩相类型Cj的先验概率,P(X)为尺度因子。
7.一种基于贝叶斯模糊判别的复杂岩相预测系统,其特征在于,该系统包括:
存储器,存储有计算机可执行指令;
处理器,所述处理器运行所述存储器中的计算机可执行指令,执行以下步骤:
根据目标层位的特征信息,确定岩相类型;
根据所述岩相类型的属性类型,获取敏感属性类型;
建立所述岩相类型对应的的概率密度函数与先验概率值;
根据所述敏感属性类型,获得属性数据体;
基于所述属性数据体、所述概率密度函数与所述先验概率值,获取岩相概率体,进而获取最终的岩相概率体。
8.根据权利要求7所述的基于贝叶斯模糊判别的复杂岩相预测系统,其中,获取所述最终的岩相概率体包括:
根据所述属性数据体验证所述岩相概率体,若二者不吻合,则修改所述概率密度函数与所述先验概率值,进而获取所述岩相概率体;
若二者吻合,将所述岩相概率体作为所述最终的岩相概率体。
9.根据权利要求7所述的基于贝叶斯模糊判别的复杂岩相预测系统,其中,获得所述属性数据体包括:
建立反演初始地层格架,进而反演获得波阻抗反演数据;
提高所述波阻抗反演数据的纵向分辨率,获取高分辨率波阻抗反演数据;
基于所述敏感属性类型与所述高分辨率波阻抗反演数据,结合波阻抗信息,获得所述属性数据体。
10.根据权利要求7所述的基于贝叶斯模糊判别的复杂岩相预测系统,其中,所述岩相概率体为:
其中,P(Cj|X)表示岩相概率体,P(X|Cj)为岩相类型Cj的条件概率密度函数,X表示单变量或多变量的测井或地震属性输入,Cj(j=1,2,...,N)表示N个不同的岩相类型,P(Cj)为岩相类型Cj的先验概率,P(X)为尺度因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710857687.4A CN109522578A (zh) | 2017-09-20 | 2017-09-20 | 基于贝叶斯模糊判别的复杂岩相预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710857687.4A CN109522578A (zh) | 2017-09-20 | 2017-09-20 | 基于贝叶斯模糊判别的复杂岩相预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109522578A true CN109522578A (zh) | 2019-03-26 |
Family
ID=65767871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710857687.4A Pending CN109522578A (zh) | 2017-09-20 | 2017-09-20 | 基于贝叶斯模糊判别的复杂岩相预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109522578A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110579802A (zh) * | 2019-10-09 | 2019-12-17 | 中国科学院海洋研究所 | 一种天然气水合物储层物性参数的高精度反演方法 |
CN112363244A (zh) * | 2020-10-26 | 2021-02-12 | 中国石油天然气集团有限公司 | 波阻抗反演方法与碳酸盐岩非均质储层预测方法及系统 |
CN112926680A (zh) * | 2021-03-29 | 2021-06-08 | 成都理工大学 | 基于贝叶斯神经网络的微生物岩沉积微相识别方法 |
CN113027427A (zh) * | 2019-12-25 | 2021-06-25 | 中石化石油工程技术服务有限公司 | 一种基于贝叶斯理论的含可信度地层压力随钻修正方法 |
CN115358285A (zh) * | 2022-07-11 | 2022-11-18 | 中国地质大学(北京) | 待勘测区块关键地质参数的选取方法、装置、及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110292764A1 (en) * | 2010-04-13 | 2011-12-01 | Spectraseis Ag | Bayesian DHI for Seismic Data |
CN103527184A (zh) * | 2013-10-28 | 2014-01-22 | 北京大学 | 一种白云岩储层的预测方法和系统 |
CN106066493A (zh) * | 2016-05-24 | 2016-11-02 | 中国石油大学(北京) | 贝叶斯岩相判别方法及装置 |
CN106154323A (zh) * | 2015-04-01 | 2016-11-23 | 中国石油化工股份有限公司 | 基于地震拓频处理的相控随机反演薄储层预测方法 |
-
2017
- 2017-09-20 CN CN201710857687.4A patent/CN109522578A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110292764A1 (en) * | 2010-04-13 | 2011-12-01 | Spectraseis Ag | Bayesian DHI for Seismic Data |
CN103527184A (zh) * | 2013-10-28 | 2014-01-22 | 北京大学 | 一种白云岩储层的预测方法和系统 |
CN106154323A (zh) * | 2015-04-01 | 2016-11-23 | 中国石油化工股份有限公司 | 基于地震拓频处理的相控随机反演薄储层预测方法 |
CN106066493A (zh) * | 2016-05-24 | 2016-11-02 | 中国石油大学(北京) | 贝叶斯岩相判别方法及装置 |
Non-Patent Citations (1)
Title |
---|
韩长城,林承焰,任丽华,董春梅,魏婷: ""基于地震波形指示的碳酸盐岩储集体反演方法"", 《石油与天然气地层》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110579802A (zh) * | 2019-10-09 | 2019-12-17 | 中国科学院海洋研究所 | 一种天然气水合物储层物性参数的高精度反演方法 |
CN113027427A (zh) * | 2019-12-25 | 2021-06-25 | 中石化石油工程技术服务有限公司 | 一种基于贝叶斯理论的含可信度地层压力随钻修正方法 |
CN113027427B (zh) * | 2019-12-25 | 2024-04-05 | 中石化石油工程技术服务有限公司 | 一种基于贝叶斯理论的含可信度地层压力随钻修正方法 |
CN112363244A (zh) * | 2020-10-26 | 2021-02-12 | 中国石油天然气集团有限公司 | 波阻抗反演方法与碳酸盐岩非均质储层预测方法及系统 |
CN112363244B (zh) * | 2020-10-26 | 2024-05-28 | 中国石油天然气集团有限公司 | 波阻抗反演方法与碳酸盐岩非均质储层预测方法及系统 |
CN112926680A (zh) * | 2021-03-29 | 2021-06-08 | 成都理工大学 | 基于贝叶斯神经网络的微生物岩沉积微相识别方法 |
CN112926680B (zh) * | 2021-03-29 | 2022-08-05 | 成都理工大学 | 基于贝叶斯神经网络的微生物岩沉积微相识别方法 |
CN115358285A (zh) * | 2022-07-11 | 2022-11-18 | 中国地质大学(北京) | 待勘测区块关键地质参数的选取方法、装置、及设备 |
CN115358285B (zh) * | 2022-07-11 | 2023-06-20 | 中国地质大学(北京) | 待勘测区块关键地质参数的选取方法、装置、及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ouenes | Practical application of fuzzy logic and neural networks to fractured reservoir characterization | |
Liu et al. | Multiple-point simulation integrating wells, three-dimensional seismic data, and geology | |
CN109522578A (zh) | 基于贝叶斯模糊判别的复杂岩相预测方法及系统 | |
Radwan | Three-dimensional gas property geological modeling and simulation | |
Penna et al. | 3D modelling of flow units and petrophysical properties in Brazilian presalt carbonate | |
Soleimani et al. | Integrated petrophysical modeling for a strongly heterogeneous and fractured reservoir, Sarvak Formation, SW Iran | |
Fullagar et al. | Towards geologically realistic inversion | |
CN105425292A (zh) | 一种油气预测方法及装置 | |
EP4028800A1 (en) | An integrated geomechanics model for predicting hydrocarbon and migration pathways | |
Yasin et al. | An integrated fracture parameter prediction and characterization method in deeply-buried carbonate reservoirs based on deep neural network | |
Zahmatkesh et al. | Integration of well log-derived facies and 3D seismic attributes for seismic facies mapping: A case study from mansuri oil field, SW Iran | |
US10451769B2 (en) | Method for determining petrophysical properties from logging measurements | |
Yasin et al. | Seismic characterization of geologically complex geothermal reservoirs by combining structure-oriented filtering and attributes analysis | |
Méndez et al. | Rock type prediction and 3D modeling of clastic paleokarst fillings in deeply-buried carbonates using the Democratic Neural Networks Association technique | |
Ghon et al. | Bayesian facies inversion on a partially dolomitized isolated carbonate platform: A case study from Central Luconia Province, Malaysia | |
CN117075221A (zh) | 基于地震弹性属性、电阻率和极化率联合的储层流体识别方法 | |
Zhang et al. | Hierarchical modeling of carbonate fault-controlled Paleokarst systems: A case study of the Ordovician reservoir in the Tahe Oilfield, Tarim Basin | |
Michelena et al. | Facies probabilities from multidimensional crossplots of seismic attributes: Application to tight gas Mamm Creek Field, Piceance Basin, Colorado | |
Naseer | Seismic attributes and quantitative reverse reservoir simulations of shallow-marine eocene sedimentary fairways, extensional rifting Indus onshore petroleum system, southern Pakistan: Implications for hydrocarbon exploration | |
Kumar et al. | Appraisal of reservoir porosity using a machine learning approach: A study from the Eocene‐Miocene interval of Upper Assam Basin, NE, India | |
Kumar et al. | Delineation of oil–water contact within Tipam reservoir: A study from Upper Assam Basin, North‐East India | |
CN106405638A (zh) | 一种含气饱和度确定方法和装置 | |
Qi et al. | Correlation of seismic attributes and geomechanical properties to the rate of penetration in the Mississippian Limestone, Oklahoma | |
Bailey | Examination of Anisotropy Using Amplitude Variation with Angle and Azimuth (AVAZ) in the Woodford Shale, Anadarko Basin, Oklahoma | |
Nanda | Seismic pitfalls |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190326 |