CN109555518A - 一种基于聚类和判别算法的冲积扇单井构型识别方法 - Google Patents
一种基于聚类和判别算法的冲积扇单井构型识别方法 Download PDFInfo
- Publication number
- CN109555518A CN109555518A CN201811536093.4A CN201811536093A CN109555518A CN 109555518 A CN109555518 A CN 109555518A CN 201811536093 A CN201811536093 A CN 201811536093A CN 109555518 A CN109555518 A CN 109555518A
- Authority
- CN
- China
- Prior art keywords
- configurational
- core hole
- individual well
- grades
- unit
- 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 20
- 239000011435 rock Substances 0.000 claims abstract description 13
- 239000004576 sand Substances 0.000 claims description 8
- 230000008021 deposition Effects 0.000 claims description 7
- 230000004907 flux Effects 0.000 claims description 7
- 239000010410 layer Substances 0.000 claims description 7
- 239000011229 interlayer Substances 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 2
- 238000004445 quantitative analysis Methods 0.000 claims description 2
- 235000015170 shellfish Nutrition 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000033764 rhythmic process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 239000008187 granular material Substances 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- BVPWJMCABCPUQY-UHFFFAOYSA-N 4-amino-5-chloro-2-methoxy-N-[1-(phenylmethyl)-4-piperidinyl]benzamide Chemical compound COC1=CC(N)=C(Cl)C=C1C(=O)NC1CCN(CC=2C=CC=CC=2)CC1 BVPWJMCABCPUQY-UHFFFAOYSA-N 0.000 description 1
- 208000035126 Facies Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于聚类和判别算法的冲积扇单井构型识别方法，包括岩心观察划分取心井单井构型单元、测井曲线优选及K‑均值聚类划分取心井构型单元、贝叶斯判别公式的建立与后验概率验证和非取心井构型单元划分与验证。本发明的有益效果是：利用岩心、测井等资料，应用K‑均值聚类和贝叶斯理论等方法，研究出了一套可以应用于冲击扇非取心井构型单元的划分方法，相比于传统的人工构型划分相比，能够进行与岩心划分结果的验证，效率更高，标准更统一。
Description
技术领域
本发明涉及一种基于聚类和判别算法的冲积扇单井构型识别方法，属于测井结合数据挖掘识别储层构型单元技术领域。
背景技术
冲积扇作为我国陆相碎屑岩储层的重要相类型之一，具有储层非均质性强，开发程度相对较低的特点，亟需进行储层构型的研究，而单井储层构型划分是储层构型研究的基础工作。传统的冲积扇单井储层构型划分依靠人工根据沉积特征与测井曲线的对应关系进行划分，面临着效率低、划分标准不统一、无法准确定量的问题，因此研究了基于K-均值聚类和贝叶斯判别的冲积扇单井储层构型自动划分方法，使得单井构型可以通过软件按照统一的标准进行定量划分并进行验证，提高了单井构型划分的准确性和效率。
发明内容
本发明的目的就在于为了解决上述问题而提供一种基于聚类和判别算法的冲积扇单井构型识别方法。
本发明通过以下技术方案来实现上述目的：一种基于聚类和判别算法的冲积扇单井构型识别方法，包括以下步骤
步骤A,岩心观察划分取心井单井构型单元，通过岩心观察与测井曲线特征结合来明确单期复合砂体(7级构型单元)、单成因砂体(8级构型单元)以及内部夹层和增生体(9级构型单元)的沉积和测井相特征；
步骤B，测井曲线优选及K-均值聚类划分取心井构型单元，以取心井单井构型单元划分为基础，通过交会图法识别出与各级次构型单元相关性较好的测井曲线，对于7级构型单元，泥质含量和电阻率能有效的区分辫流带与漫流带，对于8级和9级构型单元，电阻率、声波时差、补偿中子、密度四类测井曲线结合能够有效的区分辫流砂岛与辫流水道、垂积体与落淤层，并通过K-均值聚类的方法，根据交会图结果，输入泥质含量、电阻率、声波时差、补偿中子、密度等测井曲数据，并人为给定初始聚类中心，得到不同级次构型单元的K-均值聚类结果，将此结果作为约束条件，输入到软件中，得到通过K-均值聚类结果划分的取心井构型单元划分结果；
步骤C，贝叶斯判别公式的建立与后验概率验证，按照岩心观察得到的取心井构型单元划分结果将不同级次构型单元所对应的测井曲线数据进行分类整理输入到软件中，通过贝叶斯理论计算得到不同级次构型单元的贝叶斯判别公式，随后，依次从7级构型单元到8级构型单元再到9级构型单元，分别将每个测井曲线数数据点带入到每个构型级次单元的判别公式中，比较同级次构型单元的计算结果；
步骤D，非取心井构型单元划分与验证，将非取心井泥质含量、电阻率、声波时差、补偿中子、密度等测井曲数据输入到软件中，并进行标准化处理，将K-均值聚类得到的测井曲线数据分布范围作为约束条件进行非取心井构型单元的单井划分，随后应用判别公式计算各级次构型单元的后验概率。
优选的，为了给非取心井单井构型划分提供标准，，所述步骤A中，根据储层构型级次划分方案完成取心井单井7-9级构型单元划分。
优选的，为了便于依靠沉积特征与测井曲线的对应关系进行划分，所述步骤A中，明确了不同级次构型单元所包括的构型单元类型，7级构型单元主要包括冲积扇扇中辫流带和漫流带，8级构型单元主要包括辫流砂岛和辫流水道，9级构型单元主要包括垂积体和落淤层。
优选的，为了修正岩心观察得到的取心井构型单元划分结果或重新优选测井曲线修正判别公式，所述步骤C中，根据同级次构型单元的计算结果的最大值，判断为相应的构型单元，并将判断与岩心划分结果相同的数据点数量除以该类型总数据点数量，得到各级次构单元的后验概率。
优选的，为了便于完成非取心井构型单元的划分，所述步骤D中，根据后验概率是否大于80％，并根据专家经验，确定划分结果与通过岩心观察得到的划分结果是否相近。
本发明的有益效果是：该基于K-均值聚类和贝叶斯判别的冲积扇单井储层构型判别方法设计合理，步骤A中，根据储层构型级次划分方案完成取心井单井7-9级构型单元划分，7级构型单元主要包括冲积扇扇中辫流带和漫流带，8级构型单元主要包括辫流砂岛和辫流水道，9级构型单元主要包括垂积体和落淤层，便于依靠沉积特征与测井曲线的对应关系进行划分，为后续步骤提供了可靠的基础标准，步骤C中，根据同级次构型单元的计算结果的最大值，判断为相应的构型单元，并将判断与岩心划分结果相同的数据点数量除以该类型总数据点数量，得到各级次构单元的后验概率，便于根据某一级次构型单元的后验概率，确定其判别公式有效否则，可修正岩心观察得到的取心井构型单元划分结果或重新优选测井曲线修正判别公式，步骤D中，根据后验概率是否大于80％，并根据专家经验，确定划分结果与通过岩心观察得到的划分结果是否相近，便于完成非取心井构型单元的划分，使得非取心井单井构型可以通过软件按照统一的标准进行定量划分并进行验证，提高了单井构型划分的准确性和效率。
附图说明
图1为本发明岩心观察划分冲积扇单井储层构型结果示意图；
图2为本发明交会图法识别与各级次构型单元相关性较好的测井曲线示意图；
图3为本发明K-均值聚类与岩心观察得到取心井构型单元划分结果对比示意图。
具体实施方式
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，所描述的实施例仅仅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，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1～3，一种基于聚类和判别算法的冲积扇单井构型识别方法，包括以下步骤
步骤A，岩心观察划分取心井单井构型单元
通过岩心观察与测井曲线特征结合来明确单期复合砂体(7级构型单元)、单成因砂体(8级构型单元)以及内部夹层和增生体(9级构型单元)的沉积和测井相特征。其中，对于7级构型单元，辫流带整体岩性较粗，以砾岩、砂岩、粉砂岩为主，可见碎屑流与牵引流沉积构造，SP曲线多呈箱型或钟型；漫流带岩性较细，多为泥质粉砂岩、砂质泥岩、泥岩，可见波状层理，泥岩多为块状SP曲线接近基线，微电极幅度差最小，对于8级构型单元，辫流水道岩性主要为细砾岩、含砾粗砂岩、粉细砂岩，单砂体厚度在2-6m之间，正韵律明显，底部有冲刷面，可见块状层理，平行层理，顺层分布的植物茎，有一定磨圆的泥砾，SP、GR曲线呈钟形，幅度较低，微电极幅度差较大，锯齿化较明显，辫流砂岛岩性主要为中细砂岩、泥质粉砂岩、细砾砂岩等，单砂体厚度通常大于4m，具不明显的正韵律或均质韵律，发育不明显平行层理，楔状交错层理，韵律底部可见泥砾，SP、GR曲线呈箱形，微电极幅度差大，较平滑，对于9级构型单元，主要是识别其中夹层，可从界面成因、岩性、厚度、SP曲线回返率、测井特征等方面加以区分(表1)；
表1冲积扇隔夹层解释模板
在此基础上，根据储层构型级次划分方案完成取心井单井7-9级构型单元划分(图1)。
步骤B，测井曲线优选及K-均值聚类划分取心井构型单元
以取心井单井构型单元划分为基础，通过交会图法识别出与各级次构型单元相关性较好的测井曲线，从图2可以看出，对于7级构型单元，泥质含量和电阻率能有效的区分辫流带与漫流带，对于8级和9级构型单元，电阻率、声波时差、补偿中子、密度四类测井曲线结合能够有效的区分辫流砂岛与辫流水道、垂积体与落淤层。
接下来，通过K-均值聚类的方法，根据交会图结果，输入泥质含量、电阻率、声波时差、补偿中子、密度等测井曲数据，并人为给定初始聚类中心(表2)，得到不同级次构型单元的K-均值聚类结果(表3)，将此结果作为约束条件，输入到软件中，得到通过K-均值聚类结果划分的取心井构型单元划分结果(图3)；
表2 K-均值聚类初始聚类中心
表3 K-均值聚类得到的各级次构型单元测井曲线数值分布范围
步骤C，贝叶斯判别公式的建立与后验概率验证
按照岩心观察得到的取心井构型单元划分结果将不同级次构型单元所对应的测井曲线数据进行分类整理输入到软件中，通过贝叶斯理论计算得到不同级次构型单元的贝叶斯判别公式(表4)。
随后，依次从7级构型单元到8级构型单元再到9级构型单元，分别将每个测井曲线数数据点带入到每个构型级次单元的判别公式中，比较同级次构型单元的计算结果，哪个大，即将该数据点判断为哪一类构型单元，将判断与岩心划分结果相同的数据点数量除以该类型总数据点数量，得到各级次构单元的后验概率(表4)，如果某一级次构型单元的后验概率达到80％以上，则认为其判别公式有效，否则，可修正岩心观察得到的取心井构型单元划分结果或重新优选测井曲线修正判别公式，以8级构型单元辫流砂岛为例，取心井官78-28-2井岩心划分结果内共有辫流砂岛数据点106个，根据贝叶斯判别公式计算有85个点判断为辫流砂岛，有21个点判断为辫流水道，则辫流砂岛后验概率为80.2％；
表4各级次构型单元贝叶斯判别公式及其后验概率
其中，为孔隙度，sh为泥质含量，Rt为电阻率，AC为声波时差，CN为补偿中子，DEN为密度。
步骤D，非取心井构型单元划分与验证
将非取心井泥质含量、电阻率、声波时差、补偿中子、密度等测井曲数据输入到软件中，并进行标准化处理，将K-均值聚类得到的测井曲线数据分布范围作为约束条件进行非取心井构型单元的单井划分。
随后应用判别公式计算各级次构型单元的后验概率，如果后验概率大于80％，则认为该划分结果与通过岩心观察得到的划分结果相近有效，否则，可根据专家经验，对后验概率小于80％的构型单元划分结果进行适当调整，完成非取心井构型单元的划分。
所述步骤A中，根据储层构型级次划分方案完成取心井单井7-9级构型单元划分，7级构型单元主要包括冲积扇扇中辫流带和漫流带，8级构型单元主要包括辫流砂岛和辫流水道，9级构型单元主要包括垂积体和落淤层，便于依靠沉积特征与测井曲线的对应关系进行划分，为后续步骤提供了可靠的基础标准。所述步骤C中，根据同级次构型单元的计算结果的最大值，判断为相应的构型单元，并将判断与岩心划分结果相同的数据点数量除以该类型总数据点数量，得到各级次构单元的后验概率，便于根据某一级次构型单元的后验概率，确定其判别公式有效否则，可修正岩心观察得到的取心井构型单元划分结果或重新优选测井曲线修正判别公式，所述步骤D中，根据后验概率是否大于80％，并根据专家经验，确定划分结果与通过岩心观察得到的划分结果是否相近，便于完成非取心井构型单元的划分。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种基于聚类和判别算法的冲积扇单井构型识别方法，其特征在于：包括以下步骤
步骤A,岩心观察划分取心井单井构型单元，通过岩心观察与测井曲线特征结合来明确单期复合砂体、单成因砂体以及内部夹层和增生体的沉积和测井相特征；
步骤B，测井曲线优选及K-均值聚类划分取心井构型单元，以取心井单井构型单元划分为基础，通过交会图法识别出与各级次构型单元相关性较好的测井曲线，对于7级构型单元，泥质含量和电阻率能有效的区分辫流带与漫流带，对于8级和9级构型单元，电阻率、声波时差、补偿中子、密度四类测井曲线结合能够有效的区分辫流砂岛与辫流水道、垂积体与落淤层，并通过K-均值聚类的方法，根据交会图结果，输入泥质含量、电阻率、声波时差、补偿中子、密度等测井曲数据，并人为给定初始聚类中心，得到不同级次构型单元的K-均值聚类结果，将此结果作为约束条件，输入到软件中，得到通过K-均值聚类结果划分的取心井构型单元划分结果；
步骤C，贝叶斯判别公式的建立与后验概率验证，按照岩心观察得到的取心井构型单元划分结果将不同级次构型单元所对应的测井曲线数据进行分类整理输入到软件中，通过贝叶斯理论计算得到不同级次构型单元的贝叶斯判别公式，随后，依次从7级构型单元到8级构型单元再到9级构型单元，分别将每个测井曲线数数据点带入到每个构型级次单元的判别公式中，比较同级次构型单元的计算结果；
步骤D，非取心井构型单元划分与验证，将非取心井泥质含量、电阻率、声波时差、补偿中子、密度等测井曲数据输入到软件中，并进行标准化处理，将K-均值聚类得到的测井曲线数据分布范围作为约束条件进行非取心井构型单元的单井划分，随后应用判别公式计算各级次构型单元的后验概率。
2.根据权利要求1所述的一种基于K-均值聚类和贝叶斯判别的冲积扇单井储层构型判别方法，其特征在于：所述步骤A中，根据储层构型级次划分方案完成取心井单井7-9级构型单元划分，使得单井构型可以通过软件按照统一的标准进行定量划分并进行验证，提高了单井构型划分的准确性和效率。
3.根据权利要求1所述的一种基于聚类和判别算法的冲积扇单井构型识别方法，其特征在于：所述步骤A中，7级构型单元主要包括冲积扇扇中辫流带和漫流带，8级构型单元主要包括辫流砂岛和辫流水道，9级构型单元主要包括垂积体和落淤层，便于依靠沉积特征与测井曲线的对应关系进行划分，具有划分效率高、划分标准统一、便于准确定量等特性。
4.根据权利要求1所述的一种基于聚类和判别算法的冲积扇单井构型识别方法，其特征在于：所述步骤C中，根据同级次构型单元的计算结果的最大值，判断为相应的构型单元，并将判断与岩心划分结果相同的数据点数量除以该类型总数据点数量，得到各级次构单元的后验概率，便于根据某一级次构型单元的后验概率，确定其判别公式有效否则，可修正岩心观察得到的取心井构型单元划分结果或重新优选测井曲线修正判别公式。
5.根据权利要求1所述的一种基于聚类和判别算法的冲积扇单井构型识别方法，其特征在于：所述步骤D中，根据后验概率是否大于80％，并根据专家经验，确定划分结果与通过岩心观察得到的划分结果是否相近，便于完成非取心井构型单元的划分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811536093.4A CN109555518B (zh) | 2018-12-14 | 2018-12-14 | 一种基于聚类和判别算法的冲积扇单井构型识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811536093.4A CN109555518B (zh) | 2018-12-14 | 2018-12-14 | 一种基于聚类和判别算法的冲积扇单井构型识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109555518A true CN109555518A (zh) | 2019-04-02 |
| CN109555518B CN109555518B (zh) | 2022-07-05 |
Family
ID=65870182
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811536093.4A Active CN109555518B (zh) | 2018-12-14 | 2018-12-14 | 一种基于聚类和判别算法的冲积扇单井构型识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109555518B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110208872A (zh) * | 2019-06-05 | 2019-09-06 | 中国石油大港油田勘探开发研究院 | 一种冲积扇隔夹层综合识别方法 |
| CN112034528A (zh) * | 2020-09-07 | 2020-12-04 | 陕西延长石油（集团）有限责任公司 | 一种碎屑岩储层单一砂体构型刻画方法 |
| CN112230301A (zh) * | 2020-09-18 | 2021-01-15 | 西南石油大学 | 一种深水水道成因类型划分方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103513286A (zh) * | 2013-10-15 | 2014-01-15 | 中国石油大学(华东) | 一种地质模型约束下的滩坝结构单元判别方法 |
| US20140121980A1 (en) * | 2012-10-26 | 2014-05-01 | Schlumberger Technology Corporation | Predicting three dimensional distribution of reservoir production capacity |
| CN104181603A (zh) * | 2014-07-24 | 2014-12-03 | 中国石油大学(华东) | 碎屑岩沉积成岩综合相识别方法 |
| CN107965318A (zh) * | 2017-12-06 | 2018-04-27 | 中国石油天然气股份有限公司 | 一种火山岩油藏有效储层定量分类的方法 |
| CN108375804A (zh) * | 2018-01-22 | 2018-08-07 | 中国石油大港油田勘探开发研究院 | 一种陆相碎屑岩“四相合一”沉积微相判别方法 |
-
2018
- 2018-12-14 CN CN201811536093.4A patent/CN109555518B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140121980A1 (en) * | 2012-10-26 | 2014-05-01 | Schlumberger Technology Corporation | Predicting three dimensional distribution of reservoir production capacity |
| CN103513286A (zh) * | 2013-10-15 | 2014-01-15 | 中国石油大学(华东) | 一种地质模型约束下的滩坝结构单元判别方法 |
| CN104181603A (zh) * | 2014-07-24 | 2014-12-03 | 中国石油大学(华东) | 碎屑岩沉积成岩综合相识别方法 |
| CN107965318A (zh) * | 2017-12-06 | 2018-04-27 | 中国石油天然气股份有限公司 | 一种火山岩油藏有效储层定量分类的方法 |
| CN108375804A (zh) * | 2018-01-22 | 2018-08-07 | 中国石油大港油田勘探开发研究院 | 一种陆相碎屑岩“四相合一”沉积微相判别方法 |
Non-Patent Citations (4)
| Title |
|---|
| 国景星等: "基于储层构型的流动单元划分——以商河油田商一区西部沙二下2、3砂组为例", 《甘肃科学学报》 * |
| 张伟东等: "白豹油田长3、长4＋5 低渗透储层定量分类评价研究", 《科技导报》 * |
| 闫明等: "基于K-均值聚类与贝叶斯判别的储层定量评价——以大安油田泉四段储层为例", 《深圳大学学报理工版》 * |
| 魏玉梅等: "储层构型单元测井识别方法探讨", 《测井技术》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110208872A (zh) * | 2019-06-05 | 2019-09-06 | 中国石油大港油田勘探开发研究院 | 一种冲积扇隔夹层综合识别方法 |
| CN112034528A (zh) * | 2020-09-07 | 2020-12-04 | 陕西延长石油（集团）有限责任公司 | 一种碎屑岩储层单一砂体构型刻画方法 |
| CN112230301A (zh) * | 2020-09-18 | 2021-01-15 | 西南石油大学 | 一种深水水道成因类型划分方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109555518B (zh) | 2022-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103901478B (zh) | 一种井震信息联合确定储层沉积特征和分布的方法 | |
| CN109555518A (zh) | 一种基于聚类和判别算法的冲积扇单井构型识别方法 | |
| Ejedawe | Patterns of incidence of oil reserves in Niger Delta Basin | |
| CN109711597A (zh) | 一种基于分层随机森林模型的铜镍硫化物矿床成矿预测方法 | |
| CN110275210A (zh) | 一种碳酸盐岩高频层序格架的沉积微相相模式的识别方法 | |
| CN106372748A (zh) | 一种硬岩掘进机的掘进效率预测方法 | |
| White | Oil and gas play maps in exploration and assessment | |
| CN109085663A (zh) | 一种致密砂岩储层层理缝识别方法 | |
| CN102650702A (zh) | 一种地震波形分析及储层预测方法和装置 | |
| CN107133670A (zh) | 一种基于决策树数据挖掘算法的复杂岩性识别方法及系统 | |
| CN104020509B (zh) | 基于Bayes判别分析的砂质滩坝沉积微相测井识别方法 | |
| CN103033846A (zh) | 地质相控制的地震反演系统和地震反演方法 | |
| CN105863628B (zh) | 一种油田开发阶段储层精细预测方法 | |
| CN106988737A (zh) | 一种利用岩性组合识别沉积相的方法 | |
| CN106526671B (zh) | 一种碳酸盐岩储层地震波响应特征分析方法 | |
| Zhong et al. | Shear Wave Velocity Prediction of Carbonate Reservoirs Based on CatBoost | |
| Hurd et al. | Sediment gravity-flow deposits and three-dimensional stratigraphic architectures of the linked Cutoff, upper Bone Spring, and upper Avalon system, Delaware Basin | |
| CN103886129B (zh) | 将测井数据离散到储层网格模型的方法和装置 | |
| CN110489892A (zh) | 一种“三相耦合”储层构型刻画技术方法 | |
| CN105676288B (zh) | 一种基于反射系数分析的砂体叠置关系判别方法 | |
| Liu* et al. | Seismic lithofacies computation method based on deep learning | |
| CN106530109A (zh) | 一种基于信息价值的油田开发评价井决策方法 | |
| CN110443271A (zh) | 一种基于多阈值Birch聚类的相控孔隙度预测方法 | |
| Fan et al. | Semi-Supervised Learning–Based Petrophysical Facies Division and “Sweet Spot” Identification of Low-Permeability Sandstone Reservoir | |
| CN108716393A (zh) | 一种油砂sagd动用储量优选方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201119 Address after: 100000 Beijing city Dongcheng District No. 16 Andrew Applicant after: PetroChina Co.,Ltd. Address before: 300280 happy road, Dagang Oilfield, Tianjin Binhai New Area Applicant before: DAGANG OIL FIELD OF CNPC |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |