CN109581487B - 一种沉积体波形空间结构分析与体控反演建模方法 - Google Patents
一种沉积体波形空间结构分析与体控反演建模方法 Download PDFInfo
- Publication number
- CN109581487B CN109581487B CN201811541667.7A CN201811541667A CN109581487B CN 109581487 B CN109581487 B CN 109581487B CN 201811541667 A CN201811541667 A CN 201811541667A CN 109581487 B CN109581487 B CN 109581487B
- Authority
- CN
- China
- Prior art keywords
- seismic
- data volume
- lithofacies
- volume
- phase
- 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 46
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 208000035126 Facies Diseases 0.000 claims abstract description 17
- 238000007621 cluster analysis Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 21
- 239000013049 sediment Substances 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 9
- 239000011435 rock Substances 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 3
- 210000003484 anatomy Anatomy 0.000 abstract description 2
- 238000011161 development Methods 0.000 abstract description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- 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
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
- G01V1/362—Effecting static or dynamic corrections; Stacking
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)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种沉积体波形空间结构分析与体控反演建模方法，其特征在于包括以下内容：S1、获取地震数据体并对地震数据体的波形结构特征属性进行提取，得到表征地震数据体波形结构特征的属性数据体；S2、通过基于模式特征的聚类分析方法对地震数据体对应的波形结构特征的属性数据体进行聚类分析，形成三维地震相体；S3、通过三维地震相体控制基于深度学习的沉积体岩相识别，并指导沉积体控制下的相控反演建模。本发明能够和地质研究上储集体层次结构解剖保持一致，为解决复杂储层精确预测的问题以及海外重点盆地油气勘探开发提供技术支持。
Description
技术领域
本发明是关于一种沉积体波形空间结构分析与体控反演建模方法，涉及反演建模技术领域。
背景技术
目前，相关行业内多使用PCA技术对地震数据体的多相关属性进行分类和降维，从而生成未定义的结构数据体。并采用无监督的聚类分析技术对二维地震相进行识别。然后基于神经网络这种简单的人工智能方式，学习常规测井连续曲线，进而采用二维平面模式去控制建模的地震沉积走向。
现有技术主要侧重于地震常规技术应用，包括频谱成像、波阻抗反演、岩性解释技术以及油气检测技术进行碳酸盐岩的成藏模式和油水关系的研究，并没有考虑到碳酸盐岩储层非均质性强、岩性复杂，反演建模困难、储层预测困难等问题。并且现有技术中对于三维沉积体一般都是手工解释，其效率较低，人为因素大，而复杂形态建模的技术并不成熟，操作复杂，实用性差，多采用以柱形简化方式，以面代体，并不是三维体控建模。此外，现有技术中用于岩相分类的神经网络隐层数少，容易陷入局部最小，造成训练困难。且目前采用二维平面模式去控制建模的地震沉积走向，并不适用于非层状介质模型。
发明内容
针对上述问题，本发明的目的是提供一种沉积体波形空间结构分析与体控反演建模方法，能够实现纵向和横向的地震相同时识别。
为实现上述目的，本发明采取以下技术方案一种沉积体波形空间结构分析与体控反演建模方法，包括以下内容：
S1、获取地震数据体并对地震数据体的波形结构特征属性进行提取，得到表征地震数据体波形结构特征的属性数据体；
S2、通过基于模式特征的聚类分析方法对地震数据体对应的波形结构特征的属性数据体进行聚类分析，形成三维地震相体；
S3、通过三维地震相体控制基于深度学习的沉积体岩相识别，并指导沉积体控制下的相控反演建模。
进一步地，上述步骤S1的具体过程为：
S11、获取经过去噪处理的地震振幅数据体；
S12、计算地震数据的局部方向梯度；
S13、基于局部方向梯度，计算梯度结构张量，并进行各向异性高斯平滑；
S14、对梯度结构张量进行特征值分解；
S15、采用得到的特征值构造具有反射结构意义的结构特征属性，形成特征属性数据体。
进一步地，上述步骤S3的具体过程为：
S31、通过三维地震相体控制基于深度学习的沉积体岩相识别；
S32、沉积体控制下的相控反演建模，建立用于识别岩相体的波阻抗模型。
进一步地，上述步骤S31的具体实现过程为：
S311、利用深度信念网络模型，基于对比散度学习方式学习测井上所解释的大尺度的测井岩相曲线；
S312、基于对测井岩相曲线的学习结果，将地震波形、属性转化为地震岩相体，实现对沉积体岩相的识别。
进一步地，对沉积体岩相进行识别的过程包括：基于地震数据体通过类脑智能学习方式以有监督的学习方式对多井地震岩相曲线进行学习，并进行质量监控，获得成熟网络并计算地震岩相体，其中，质量监控的过程是通过曲线学习结果跟样本实际的岩相类别对比，形成训练集和测试集上的对比图，便于分析模型过拟合和欠拟合的情况。
进一步地，上述步骤S32的具体实现过程为：
S321、针对所建模区域的无井区以不同相带为区域，统计无井区内各区域的速度值并进行模型的速度填充，得到无井区的模型；
S322、针对所建模区域的有井区以不同相带作为约束，并对其以测井插值的方式进行建模，得到的波阻抗模型用于识别岩相体。
进一步地，上述沉积体控制下的相控反演建模过程包括：基于地震相体、地震岩相体对速度场、测井速度进行相控分区；在不同相带内抽取伪井道；将伪井反射系数与伪井道进行峰值匹配；获取不同相带内伪井波阻抗；在不同相带内进行伪井插值；建立相控波阻抗模型。
进一步地，所述地震数据体包括地震振幅体、地震属性体以及地震相对阻抗体。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明包括基于地震波形空间结构的沉积体识别技术、基于深度学习的沉积体岩相识别技术以及沉积体控制下的块状介质反演建模技术，通过基于地震波形空间结构及其分布变化规律来提取地震数据体的三维属性数据体并进行地震相体分析，实现了纵向和横向的地震相同时识别；而引入基于模式特征的聚类分析技术，通过地震体几何空间结构特征提取的模式，确定地质体类别，进行三维地震相的识别，则可以避免预测结果的多解性，提高对特殊沉积体，特别是对碳酸盐礁体或滩体的识别率。
2、本发明通过采用深度学习方法将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易；而沉积体控制下的块状介质反演建模技术则可以使得特殊沉积体，例如礁体、扇体的反演模型的建立更加精准。
3、本发明针对无井区在不同相带内采用速度场填充速度模型，有井区则在不同相带内采用井插值模式填充速度模型，建立非均质介质模型，满足特殊地质体，例如礁体、扇体的反演模型的建立，为后续叠前、叠后反演服务，特别对无井或少井区，与常规井层状插值建模反演相比将大大提高精度；
综上，本发明能够和地质研究上储集体层次结构解剖保持一致，为解决复杂储层精确预测的问题以及海外重点盆地油气勘探开发提供技术支持。
附图说明
图1为本发明提供的沉积体波形空间结构分析与体控反演建模方法的流程示意图；
图2为本发明中对地震数据体的波形结构特征属性进行提取的流程图；
图3为本发明中基于模式特征的聚类分析的示意图；
图4为本发明中基于深度学习的沉积体岩相识别的流程示意图；
图5为本发明中沉积体控制下的块状介质反演建模的流程示意图。
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的一部分实施例，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的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。
如图1所示，本发明提出的沉积体波形空间结构分析与体控反演建模方法，具体过程包括：
S1、获取地震数据体并对地震数据体的波形结构特征属性进行提取，得到表征地震数据体波形结构特征的属性数据体，其中，地震数据体包括地震振幅体、地震属性体以及地震相对阻抗体。
地震波形结构及其分布变化规律是重要的地震参数之一。常规地震相分析是通过对地震波反射特征属性(振幅、相位、频率等)的分类、降维，获得一种二维成果属性指示地震相，这种方式具有很大的不确定性；而梯度结构张量(GST)能够表征地震反射结构的变化，因此本发明基于GST，通过提取地震波形结构特征来表征地震波形的分类，分析地震响应的总体特征，从而认识沉积相和岩相的变化规律以进行储层预测，如图2所示，上述步骤的具体过程为：
S11、获取地震振幅数据体，其中，地震振幅数据体应经过去噪处理，常用的去噪方法是扩散滤波；
S12、计算地震数据的局部方向梯度；
S13、基于局部方向梯度，计算梯度结构张量，并进行各向异性高斯平滑；
S14、对梯度结构张量进行特征值分解；
S15、用得到的特征值构造具有反射结构意义的结构特征属性，形成特征属性数据体。
S2、通过基于模式特征的聚类分析技术对地震数据体对应的波形结构特征数据体进行聚类分析，形成三维地震相体。
基于模式特征的聚类分析技术：通过基于模式特征的聚类分析技术可以将多个波形结构特征数据体提取到特定的模式，从而确定地质体类别，进行三维地震相的识别。通过对三维多属性数据体的地震相体进行分析，实现纵向和横向的地震相同时识别。如图3所示，本发明引入基于模式特征的聚类分析技术，即结合PCA属性降维技术和模糊C均值聚类算法，通过地震体几何空间结构特征提取的模式，对沉积体类别进行聚类分析，进行三维地震相的识别，避免预测结果的多解性，提高对特殊沉积体，特别是对碳酸盐礁体或滩体的识别率。
S3、通过三维地震相体控制基于深度学习的沉积体岩相识别，并指导沉积体控制下的相控反演建模，具体过程为：
S31、通过三维地震相体控制基于深度学习的沉积体岩相识别的具体过程为：
S311、利用深度信念网络(DBN)模型，基于对比散度(CD)学习方式学习测井上所解释的大尺度的测井岩相曲线，其中，DBN深度学习模型是具有多隐层的机器学习，通过组合低层特征形成更加抽象的高层来表示属性和特征，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。
S312、基于对测井岩相曲线的学习结果，将地震波形、属性转化为地震岩相体，从而实现对沉积体岩相的识别；
具体地，如图4所示，上述对沉积体岩相进行识别的过程包括：基于地震数据体通过类脑智能学习方式以有监督的学习方式(通过样本训练)对多井地震岩相曲线进行学习，并进行质量监控(质量监控的过程是通过曲线学习结果跟样本实际的岩相类别对比，形成训练集和测试集上的对比图，便于分析模型过拟合和欠拟合的情况，以便更有效地调参)，获得成熟网络并计算地震岩相体。
S32、沉积体控制下的相控反演建模主要是以沉积体为导向，控制反演过程。
与层状介质模型相比，相控反演建模能建立非均质介质模型，满足特殊沉积体，如礁体、扇体的反演模型的建立，为后续叠前、叠后反演服务，特别对无井或少井区，将大大提高与常规井层状插值建模反演的精度，上述步骤的具体实现过程为：
S321、针对所建模区域的无井区以不同相带为区域，统计无井区内各区域的速度值并进行模型的速度填充即给每个相带内的速度赋同样的值，这样使同相带内速度一致，不同相带内速度得以区分，更加符合实际，得到无井区的模型；
S322、针对所建模区域的有井区以不同相带作为约束，并对其以测井插值的方式进行建模得到波阻抗模型，可以用于识别岩相体，比常规井插值建模更精确，可以进一步用于模型反演。
具体地，如图5所示，上述沉积体控制下的相控反演建模过程包括：基于地震相体、地震岩相体对速度场(无井区)和测井速度(有井区)进行相控分区；在不同相带内抽取伪井道；将伪井反射系数与伪井道进行峰值匹配；获取不同相带内伪井波阻抗；在不同相带内进行伪井插值；建立相控波阻抗模型。
需要说明的是，在本文中，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行适当的变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。
Claims (4)
1.一种沉积体波形空间结构分析与体控反演建模方法，其特征在于包括以下内容：
S1、获取地震数据体并对地震数据体的波形结构特征属性进行提取，得到表征地震数据体波形结构特征的属性数据体，其中，所述地震数据体包括地震振幅体、地震属性体以及地震相对阻抗体；
S2、通过基于模式特征的聚类分析方法对地震数据体对应的波形结构特征的属性数据体进行聚类分析，形成三维地震相体；
S3、通过三维地震相体控制基于深度学习的沉积体岩相识别，并指导沉积体控制下的相控反演建模，具体为：
S31、通过三维地震相体控制基于深度学习的沉积体岩相识别；
S32、沉积体控制下的相控反演建模，建立用于识别岩相体的波阻抗模型，具体为：
S321、针对所建模区域的无井区以不同相带为区域，统计无井区内各区域的速度值并进行模型的速度填充，得到无井区的模型；
S322、针对所建模区域的有井区以不同相带作为约束，并对其以测井插值的方式进行建模，得到的波阻抗模型用于识别岩相体；
其中，上述沉积体控制下的相控反演建模过程包括：基于地震相体、地震岩相体对速度场、测井速度进行相控分区；在不同相带内抽取伪井道；将伪井反射系数与伪井道进行峰值匹配；获取不同相带内伪井波阻抗；在不同相带内进行伪井插值；建立相控波阻抗模型。
2.根据权利要求1所述的沉积体波形空间结构分析与体控反演建模方法，其特征在于，上述步骤S1的具体过程为：
S11、获取经过去噪处理的地震振幅数据体；
S12、计算地震数据的局部方向梯度；
S13、基于局部方向梯度，计算梯度结构张量，并进行各向异性高斯平滑；
S14、对梯度结构张量进行特征值分解；
S15、采用得到的特征值构造具有反射结构意义的结构特征属性，形成特征属性数据体。
3.根据权利要求1所述的沉积体波形空间结构分析与体控反演建模方法，其特征在于，上述步骤S31的具体实现过程为：
S311、利用深度信念网络模型，基于对比散度学习方式学习测井上所解释的大尺度的测井岩相曲线；
S312、基于对测井岩相曲线的学习结果，将地震波形、属性转化为地震岩相体，实现对沉积体岩相的识别。
4.根据权利要求1所述的沉积体波形空间结构分析与体控反演建模方法，其特征在于，对沉积体岩相进行识别的过程包括：基于地震数据体通过类脑智能学习方式以有监督的学习方式对多井地震岩相曲线进行学习，并进行质量监控，获得成熟网络并计算地震岩相体，其中，质量监控的过程是通过曲线学习结果跟样本实际的岩相类别对比，形成训练集和测试集上的对比图，便于分析模型过拟合和欠拟合的情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811541667.7A CN109581487B (zh) | 2018-12-17 | 2018-12-17 | 一种沉积体波形空间结构分析与体控反演建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811541667.7A CN109581487B (zh) | 2018-12-17 | 2018-12-17 | 一种沉积体波形空间结构分析与体控反演建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109581487A CN109581487A (zh) | 2019-04-05 |
| CN109581487B true CN109581487B (zh) | 2020-12-11 |
Family
ID=65929692
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811541667.7A Active CN109581487B (zh) | 2018-12-17 | 2018-12-17 | 一种沉积体波形空间结构分析与体控反演建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109581487B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113589373A (zh) * | 2020-04-30 | 2021-11-02 | 中国石油化工股份有限公司 | 井震联合自适应多参数智能岩相识别方法 |
| CN111611714B (zh) * | 2020-05-26 | 2021-08-20 | 中国人民解放军国防科技大学 | 一种超声速混合层降阶方法及系统 |
| CN111856578A (zh) * | 2020-07-31 | 2020-10-30 | 电子科技大学 | 张量深度自编码网络的宽方位叠前地震反射模式分析方法 |
| CN112147701B (zh) * | 2020-09-28 | 2021-10-26 | 北京中恒利华石油技术研究所 | 一种地震波形驱动的高分辨率地震反演方法 |
| CN112394404B (zh) * | 2020-12-14 | 2023-10-20 | 中国海洋石油集团有限公司 | 一种渐进式储层精细表征方法 |
| CN116559949B (zh) * | 2023-05-19 | 2024-07-12 | 北京宸宇金源科技有限公司 | 一种基于深度学习的碳酸盐岩储层预测方法、系统及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011056347A1 (en) * | 2009-11-05 | 2011-05-12 | Exxonmobil Upstream Research Company | Method for creating a hierarchically layered earth model |
| CN103033846A (zh) * | 2011-10-10 | 2013-04-10 | 中国石油化工股份有限公司 | 地质相控制的地震反演系统和地震反演方法 |
| WO2017119912A1 (en) * | 2016-01-05 | 2017-07-13 | Westerngeco Llc | Amplitude inversion on partitioned depth image gathers using point spread function |
| CN108415075A (zh) * | 2018-01-24 | 2018-08-17 | 中国海洋石油集团有限公司 | 一种少井条件下的储层预测方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102200588B (zh) * | 2011-03-22 | 2012-08-22 | 成都理工大学 | 地震资料的波形相似性体曲率分析方法 |
| CN103901478B (zh) * | 2012-12-28 | 2016-09-07 | 中国石油天然气集团公司 | 一种井震信息联合确定储层沉积特征和分布的方法 |
| CN104155687A (zh) * | 2013-05-15 | 2014-11-19 | 中国石油化工股份有限公司 | 一种相控叠后声波阻抗反演方法 |
| CN103852787B (zh) * | 2014-02-24 | 2016-08-24 | 长江大学 | 一种砂岩储层成岩地震相表征方法 |
| CN105954802B (zh) * | 2016-06-20 | 2018-02-02 | 中国石油天然气股份有限公司 | 一种岩性数据体的转换方法及装置 |
| CN106707339B (zh) * | 2016-11-22 | 2018-09-25 | 中国石油天然气集团有限公司 | 一种深度域相控反演方法 |
| CN108802812B (zh) * | 2017-04-28 | 2020-02-14 | 中国石油天然气股份有限公司 | 一种井震融合的地层岩性反演方法 |
| CN107966731B (zh) * | 2017-11-08 | 2019-04-30 | 西南石油大学 | 一种基于地震波形结构属性的河流相砂体叠置区识别方法 |
-
2018
- 2018-12-17 CN CN201811541667.7A patent/CN109581487B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011056347A1 (en) * | 2009-11-05 | 2011-05-12 | Exxonmobil Upstream Research Company | Method for creating a hierarchically layered earth model |
| CN103033846A (zh) * | 2011-10-10 | 2013-04-10 | 中国石油化工股份有限公司 | 地质相控制的地震反演系统和地震反演方法 |
| WO2017119912A1 (en) * | 2016-01-05 | 2017-07-13 | Westerngeco Llc | Amplitude inversion on partitioned depth image gathers using point spread function |
| CN108415075A (zh) * | 2018-01-24 | 2018-08-17 | 中国海洋石油集团有限公司 | 一种少井条件下的储层预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| "Facies classification using machine learning";Brendon Hall;《The Leading Edge》;20161031;第906-909页 * |
| "地震波形状描述技术及其在地震相分析中的应用";姚爽 等;《物探化探计算技术》;20110131;第33卷(第1期);第24-29页 * |
| "基于地震波形结构属性识别河流相砂体叠置区";张运龙 等;《石油学报》;20180731;第39卷(第7期);第792-801页 * |
| "梯度结构张量分析法在三维地震资料河道砂体预测中的应用";李一 等;《天然气工业》;20120331;第31卷(第3期);第44-47页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109581487A (zh) | 2019-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109581487B (zh) | 一种沉积体波形空间结构分析与体控反演建模方法 | |
| Mohd Razak et al. | Convolutional neural networks (CNN) for feature-based model calibration under uncertain geologic scenarios | |
| Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
| AlRegib et al. | Subsurface structure analysis using computational interpretation and learning: A visual signal processing perspective | |
| Chaki et al. | Well-log and seismic data integration for reservoir characterization: A signal processing and machine-learning perspective | |
| CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
| US11226424B2 (en) | Method for detecting geological objects in a seismic image | |
| US6560540B2 (en) | Method for mapping seismic attributes using neural networks | |
| CN110609320B (zh) | 一种基于多尺度特征融合的叠前地震反射模式识别方法 | |
| Qi et al. | Seismic attribute selection for machine-learning-based facies analysis | |
| EP3830611B1 (en) | Detecting fluid types using petrophysical inversion | |
| Saraswat et al. | Artificial immune-based self-organizing maps for seismic-facies analysis | |
| CN106886043B (zh) | 基于地震数据深度学习的储层检测方法 | |
| WO2002029445A1 (en) | Method for seismic facies interpretation using textural analysis and neural networks | |
| AU2001289049A1 (en) | Method for seismic facies interpretation using textural analysis and neural networks | |
| US10578758B2 (en) | Sequence pattern characterization | |
| Misra et al. | Deep neural network architectures to approximate the fluid-filled pore size distributions of subsurface geological formations | |
| CN110412662A (zh) | 基于地震多属性深度学习的薄互层储层预测方法 | |
| CN108226997A (zh) | 一种基于叠前地震数据的地震相划分方法 | |
| Chaki | Reservoir characterization: A machine learning approach | |
| Bhattacharya | Unsupervised time series clustering, class-based ensemble machine learning, and petrophysical modeling for predicting shear sonic wave slowness in heterogeneous rocks | |
| Pradhan et al. | Consistency and prior falsification of training data in seismic deep learning: Application to offshore deltaic reservoir characterization | |
| Obafemi et al. | Characterization of deep water turbidite channels and submarine fan lobes using artificial intelligence; Case study of Frem field deep offshore Niger Delta | |
| Khan et al. | Applicability of deep neural networks for lithofacies classification from conventional well logs: An integrated approach | |
| Bagheri et al. | Support vector machine based facies classification using seismic attributes in an oil field of iran |
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 |