CN109581489B - 嵌套式地震相的提取方法及系统 - Google Patents
嵌套式地震相的提取方法及系统 Download PDFInfo
- Publication number
- CN109581489B CN109581489B CN201710898142.8A CN201710898142A CN109581489B CN 109581489 B CN109581489 B CN 109581489B CN 201710898142 A CN201710898142 A CN 201710898142A CN 109581489 B CN109581489 B CN 109581489B
- Authority
- CN
- China
- Prior art keywords
- seismic
- facies
- coarsened
- sub
- sedimentary
- 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
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. analysis, for interpretation, for correction
- G01V1/30—Analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/614—Synthetically generated data
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
本发明公开了一种嵌套式地震相的提取方法及系统,该提取方法包括:基于地震资料和井资料,确定目的层段和分类数;对地震波形进行分类,获取粗化式地震相;将粗化式地震相与地质模型进行匹配,如果不匹配则重复上述步骤,如果匹配则确定所述分类数,并继续下述步骤;根据粗化式地震相,对其中的地震子相进行亚相或微相的分类;基于亚相或微相的分类的结果,进行地质综合分析。其优点在于:避免了其它区域模型对地震相的影响,重新选择分类数导致全区分布重新改变,与想要的结果不符的情况,准确并细化了地质模式;提高地震相平面成图的精度,更准确的与单井相结合,确定有利油气发育的沉积相类型,提高储层预测精度。
Description
技术领域
本发明涉及地震勘探领域,更具体地,涉及一种嵌套式地震相的提取方法及系统。
背景技术
地震相是地震剖面上展现的所有反射参数(包括物理参数、几何参数等)的总和。目前,地震相研究主要分为两类方法:一类是人工依据地震剖面上的反射特征(内部结构、构型和外部形态等)进行划分。董艳蕾等在辽东湾地区开展大面积的地震相分析,刻画古近系不同层序发育期的沉积特征及平面分布。这种方法存在一定的主观性,但其结果符合地质规律,具有明确的地质意义。另一类是借助地震数据处理技术和计算机技术提取分析。Victor Linari等综合利用振幅、相干体和波阻抗等三维地震属性划分地震相;GaoDengliang等利用多属性聚类分析对地震相进行划分;胡英等综合模糊C均值与地震纹理属性实现地震相的自动划分,并且划分结果与钻井基本吻合;朱剑兵等采用地震相分析方法进行分类及阐述,其中以波形分类法和地震地貌学法为主。
常规的计算机提取都是根据初步估测预估分类数,提取结果后不合适再回到上一步骤,修改分类数。这样可能出现提取已经接近预估结果,但是想对部分进行细化,如果重新修改分类数,出来的结果将重新改变全部模式,而非感兴趣区域。
因此,有必要开发一种能提高地震相平面成图精度和储层预测精度的嵌套式地震相的提取方法及系统。
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
本发明提出了一种嵌套式地震相的提取方法及系统,其能够通过与单井相准确的结合,确定有利油气发育的沉积相类型,提高储层预测精度。
根据本发明的一方面,提出了一种嵌套式地震相的提取方法,所述提取方法可以包括:
基于地震资料和井资料,确定目的层段和分类数;
对地震波形进行分类,获取粗化式地震相;
将所述粗化式地震相与地质模型进行匹配,如果不匹配则重复上述步骤,如果匹配则确定所述分类数,并继续下述步骤;
根据所述粗化式地震相,对其中的地震子相进行沉积亚相或微相的分类;
基于所述沉积亚相或微相的分类的结果,进行地质综合分析。
优选地,所述目的层段是通过以研究层为中心,上下开时窗,并包括2-3根同相轴确定的。
优选地,所述分类数是通过对单井相及其波形的类别数确定的。
优选地,根据神经网络算法对地震波形进行分类。
优选地,所述地质模型为通过所述井资料分析获得的沉积相图。
优选地,对其中的地震子相进行沉积亚相或微相的分类包括:
基于所述沉积相图,根据所述粗化式地震相的分析结果,提取所述粗化式地震相的模型道进行分析,获取所述地震子相,并对所述地震子相进行沉积亚相或微相的分类。
优选地,基于神经网络算法对所述其中的地震子相进行识别,获取所述地质综合分析的结果。
根据本发明的另一方面,提出了一种嵌套式地震相的提取系统,所述提取系统包括:
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:
基于地震资料和井资料,确定目的层段和分类数;
对地震波形进行分类,获取粗化式地震相;
将所述粗化式地震相与地质模型对比,对比结果不同则重复上述步骤,所述对比结果相同则确定所述分类数,并继续下述步骤;
根据所述粗化式地震相,对其中的地震子相进行沉积亚相或微相的分类;
基于所述沉积亚相或微相的分类的结果,进行地质综合分析。
优选地,所述地质模型为通过所述井资料分析获得的沉积相图,对其中的地震子相进行沉积亚相或微相的分类包括:
基于所述沉积相图,根据所述粗化式地震相的分析结果,提取所述粗化式地震相的模型道进行分析,获取所述地震子相,并对所述地震子相进行沉积亚相或微相的分类。
优选地,基于神经网络算法对所述其中的地震相进行识别,获取所述地质综合分析的结果。
本发明的一种嵌套式地震相的提取方法及系统,其优点在于:本方法避免了其它区域模型对地震相的影响,重新选择分类数导致全区分布重新改变,与想要的结果不符这种情况,最大限度的准确并细化了地质模式;提高地震相平面成图的精度,更准确的与单井相结合,确定有利油气发育的沉积相类型,提高储层预测精度。
本发明的方法和系统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。
图1示出了根据本发明的一个示例性实施例的一种嵌套式地震相的提取方法的步骤的流程图。
图2示出了根据本发明的一个示例性实施例的一种粗化地震相的示意图。
图3示出了根据本发明的一个示例性实施例的一种嵌套式细化地震相图的示意图。
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。
本发明的一种嵌套式地震相的提取方法,该提取方法包括:
基于地震资料和井资料,确定目的层段和分类数;
对地震波形进行分类,获取粗化式地震相;
将粗化式地震相与地质模型进行匹配,如果不匹配则重复上述步骤,如果匹配则确定所述分类数,并继续下述步骤;
根据粗化式地震相,对其中的地震子相进行沉积亚相或微相的分类;
基于沉积亚相或微相的分类的结果,进行地质综合分析。
本发明的嵌套式地震相的提取方法,是指先确定大分类,再对每个大分类进行细小的分类。
本方法避免了其它区域模型对地震相的影响,重新选择分类数导致全区分布重新改变,与想要的结果不符这种情况,最大限度的准确并细化了地质模式。
作为优选方案,目的层段是通过以研究层为中心,上下开时窗,并包括2-3根同相轴确定的。
其中,2-3根同相轴是计算时计算范围的选择。
时窗太小无法抽取模型道,太大无法体现横向差异。合成地震道的基础是反射波波形分析,关键是合成地震道。以测井、岩性资料为基础,通过对典型井的单井相以及波形的类别数先确定分类数。
作为优选方案,根据神经网络算法对地震波形进行分类。
其中,神经网络算法是指利用地震波形相似性将地震波进行分类。
合成地震道的基础是反射波波形分析,关键是合成地震道。以测井、岩性资料为基础,对目的层段的岩性特征进行分析,并结合典型井的地震相确定分类数。这一步分类是粗化式的,能够将不同地震相划分出来为标准。
其中,典型井是指井资料齐全,特征明显,划分沉积相的井。
作为优选方案,地质模型为通过所述井资料分析获得的沉积相图。
综合地质分析是利用神经网络算法进行地震相识别的最终目的。井分析资料得到沉积相图,用于对地震相分析的结果进行验证;对于少井和无井的区域,在沉积相模式的指导之下,根据地震相分析的结果,提取地震相的模型道进行分析,对有利地震(砂体发育,如主河道等)相再进行细化分类,这样比常规的提取得到的结果更准确细致。
作为优选方案,基于神经网络算法对其中的地震子相进行识别,获取地质综合分析的结果。
本方法提高地震相平面成图的精度,更准确的与单井相结合,确定有利油气发育的沉积相类型,提高储层预测精度。
本发明还提出了一种嵌套式地震相的提取系统,该提取系统包括:
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:
基于地震资料和井资料,确定目的层段和分类数;
对地震波形进行分类,获取粗化式地震相;
将粗化式地震相与地质模型对比,对比结果不同则重复上述步骤,对比结果相同则确定所述分类数,并继续下述步骤;
根据粗化式地震相,对其中的地震子相进行沉积亚相或微相的分类;
基于沉积亚相或微相的分类的结果,进行地质综合分析。
作为优选方案,地质模型为通过井资料分析获得的沉积相图,对其中的地震子相进行沉积亚相或微相的分类包括:
基于沉积相图,根据粗化式地震相的分析结果,提取粗化式地震相的模型道进行分析,获取地震子相,并对地震子相进行沉积亚相或微相的分类。
作为优选方案,基于神经网络算法对其中的地震相进行识别,获取地质综合分析的结果。
实施例
图1示出了根据本发明的一个示例性实施例的一种嵌套式地震相的提取方法的步骤的流程图。
如图1所示,本实施例的一种嵌套式地震相的提取方法包括:
基于地震资料和井资料,确定目的层段和分类数;
对地震波形进行分类,获取粗化式地震相;
将粗化式地震相与地质模型进行匹配,如果不匹配则重复上述步骤,如果匹配则确定分类数,并继续下述步骤;
根据粗化式地震相,对其中的地震子相进行沉积亚相或微相的分类;
基于沉积亚相或微相的分类的结果,进行地质综合分析。
常规的计算机提取都是根据初步估测预估分类数,提取结果后不合适再回到上一部,修改分类数。这样可能出现提取已经接近预估结果,但是想对部分进行细化,如果重新修改分类数,受影响的区域不只是甘心去的相区,其它地区也会随着模型的改变而改变。得出的是另一种不同类型,而不是在原有基础上的细化。
我们采取的是先粗化地震相类型,选择几种大的类型确定分类数,对结果进行迭代,确认最接近地质模式的结果,在此基础上,对感兴趣的相单独进行有针对性的进行亚相或者微相的分类,这样避免了其它区域模型对它的影响,重新选择分类数导致全区分布重新改变,与想要的结果不符这种情况,最大限度的准确并细化了地质模式。
本实施例应用前提条件是适用于碎屑岩地区,有井对分析过程更加有助;对于火成岩发育的区域,由于地层太碎,取得效果并不明显。
该方法已经在北部湾盆地涠西勘探区得到应用,该区满盘皆砂,很难将内部区别细分出来,该发明通过嵌套式的地震相提取,提高了地震相预测的精度,将主河道清晰的刻画出来,提高了储层预测的精度。
图2示出了根据本发明的一个示例性实施例的一种粗化地震相的示意图。图3示出了根据本发明的一个示例性实施例的一种嵌套式细化地震相图的示意图。
如图2和图3所示,本实施例是依据钻井、测井及地震资料,结合不整合面的发育情况,自下而上可划分为古近系构造层和新近系构造层。盆地的充填序列由下至上依次可分为三个部分:第一部分为古近系陆相沉积,第二部分为新近系海相沉积,第三部分为第四系灰黄色砂层及灰色粘土。由于受古近纪幕式断陷活动在盆地内空间和时间上的差异性影响,断层活动时期,地层分布及沉积类型在各凹陷之间有很大差异。
主要目的层段为三角洲平原分流河道夹河道间沉积,该套地层岩性为大套浅灰色中砂岩、细砂岩与褐色、灰色泥岩呈不等厚互层,夹泥质细砂岩、粉砂质泥岩,另一目的层为三角洲平原河道间的褐色泥岩与河道的细砂岩等厚—略等厚互层,顶部为泛滥平原的棕色泥岩沉积。河道较发育,分析工区特点后,选择用神经网络得到5分的地震相,结合井资料,将砂体发育区域对应的地震相再进行三分。将主河道清晰的刻画出来。为储层预测提供了可靠的依据。
图2是传统地震相分类中1号区域验收代表的是砂体比较发育的地方,图3是在传统地震相分类基础上再对图2中1号区域进行细分,得出图3中砂体较发育的7号区域,以及砂体发育最好的6号的区域,划分更加细致。
以上已经描述了本发明的实施例,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实施例。在不偏离所说明的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实施例。
Claims (7)
1.一种嵌套式地震相的提取方法,其特征在于,所述提取方法包括:
基于地震资料和井资料,确定目的层段和分类数;
对地震波形进行分类,获取粗化式地震相;
将所述粗化式地震相与地质模型进行匹配,如果不匹配则重复上述步骤,如果匹配则确定所述分类数,并继续下述步骤;
根据所述粗化式地震相,对其中的地震子相进行沉积亚相或微相的分类;
基于所述沉积亚相或微相的分类的结果,进行地质综合分析;
其中,所述地质模型为通过所述井资料分析获得的沉积相图;
对其中的地震子相进行沉积亚相或微相的分类包括:
基于所述沉积相图,根据所述粗化式地震相的分析结果,提取所述粗化式地震相的模型道进行分析,获取所述地震子相,并对所述地震子相进行沉积亚相或微相的分类。
2.根据权利要求1所述的嵌套式地震相的提取方法,其中,所述目的层段是通过以研究层为中心,上下开时窗,并包括2-3根同相轴确定的。
3.根据权利要求1所述的嵌套式地震相的提取方法,其中,所述分类数是通过对单井相及其波形的类别数确定的。
4.根据权利要求1所述的嵌套式地震相的提取方法,其中,根据神经网络算法对地震波形进行分类。
5.根据权利要求1所述的嵌套式地震相的提取方法,其中,基于神经网络算法对所述其中的地震子相进行识别,获取所述地质综合分析的结果。
6.一种嵌套式地震相的提取系统,其特征在于,所述提取系统包括:
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:
基于地震资料和井资料,确定目的层段和分类数;
对地震波形进行分类,获取粗化式地震相;
将所述粗化式地震相与地质模型对比,对比结果不同则重复上述步骤,所述对比结果相同则确定所述分类数,并继续下述步骤;
根据所述粗化式地震相,对其中的地震子相进行沉积亚相或微相的分类;
基于所述沉积亚相或微相的分类的结果,进行地质综合分析;其中,所述地质模型为通过所述井资料分析获得的沉积相图;
所述地质模型为通过所述井资料分析获得的沉积相图,对其中的地震子相进行沉积亚相或微相的分类包括:
基于所述沉积相图,根据所述粗化式地震相的分析结果,提取所述粗化式地震相的模型道进行分析,获取所述地震子相,并对所述地震子相进行沉积亚相或微相的分类。
7.根据权利要求6所述的嵌套式地震相的提取系统,其中,基于神经网络算法对所述其中的地震子相进行识别,获取所述地质综合分析的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710898142.8A CN109581489B (zh) | 2017-09-28 | 2017-09-28 | 嵌套式地震相的提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710898142.8A CN109581489B (zh) | 2017-09-28 | 2017-09-28 | 嵌套式地震相的提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109581489A CN109581489A (zh) | 2019-04-05 |
CN109581489B true CN109581489B (zh) | 2020-12-01 |
Family
ID=65913072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710898142.8A Active CN109581489B (zh) | 2017-09-28 | 2017-09-28 | 嵌套式地震相的提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109581489B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111596365B (zh) * | 2020-06-18 | 2023-11-21 | 中国海洋石油集团有限公司 | 针对盐下湖相碳酸盐岩储层段的火山喷发岩地震解释方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6845325B2 (en) * | 2001-11-08 | 2005-01-18 | Schlumberger Technology Corporation | Global classification of sonic logs |
CN102650702A (zh) * | 2012-05-03 | 2012-08-29 | 中国石油天然气股份有限公司 | 一种地震波形分析及储层预测方法和装置 |
AU2013337322B2 (en) * | 2012-11-03 | 2017-03-16 | Enverus, Inc. | Seismic waveform classification system and method |
CN106842307B (zh) * | 2015-12-04 | 2020-10-13 | 中国石油化工股份有限公司 | 一种基于正演约束下波形分类再检索的储层精细预测方法 |
CN106844993A (zh) * | 2017-02-09 | 2017-06-13 | 朱亚婷 | 一种基于spss的油井分类和油藏分区的方法 |
-
2017
- 2017-09-28 CN CN201710898142.8A patent/CN109581489B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109581489A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106842307B (zh) | 一种基于正演约束下波形分类再检索的储层精细预测方法 | |
West et al. | Interactive seismic facies classification using textural attributes and neural networks | |
CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
Zheng et al. | Multi-attributes and neural network-based fault detection in 3D seismic interpretation | |
CA2823710C (en) | Methods and systems regarding models of underground formations | |
CN101158724A (zh) | 基于偶极小波的储层厚度预测方法 | |
CN110412662A (zh) | 基于地震多属性深度学习的薄互层储层预测方法 | |
Schneider et al. | Interpretation of fractured zones using seismic attributes—Case study from Teapot Dome, Wyoming, USA | |
CN108490491A (zh) | 一种基于波形指示反演的滩体预测方法 | |
CN108226997A (zh) | 一种基于叠前地震数据的地震相划分方法 | |
CN109655900A (zh) | 岩溶古河道识别方法及系统 | |
CN112505754B (zh) | 基于高精度层序格架模型的井震协同划分沉积微相的方法 | |
Laudon et al. | An enhanced fault detection workflow combining machine learning and seismic attributes yields an improved fault model for Caspian Sea asset | |
CN109581489B (zh) | 嵌套式地震相的提取方法及系统 | |
CN113393335A (zh) | 基于多地震属性优化的储层油气预测方法及装置 | |
Wang et al. | Seismic attributes for characterization and prediction of carbonate faulted karst reservoirs in the Tarim Basin, China | |
Iltaf et al. | Facies and petrophysical modeling of Triassic Chang 6 tight sandstone reservoir, Heshui oil field, Ordos basin, China | |
CN115327627A (zh) | 多信息融合的致密砂岩气分流河道表征方法及装置 | |
CN110389381B (zh) | 一种基于地震属性的砂体储层预测方法及装置 | |
Zhang et al. | Architecture characteristics and characterization methods of fault-controlled karst reservoirs: A case study of the Shunbei 5 fault zone in the Tarim Basin, China | |
CN112379435A (zh) | 相控岩溶型缝洞集合体刻画方法及装置 | |
CN109490952B (zh) | 地震相干体分析方法及系统 | |
CN111239823A (zh) | 一种侵入岩分布的识别方法 | |
Xu et al. | Frequency trend attribute analysis for stratigraphic division and correlation | |
Michelena et al. | Integrated facies modeling in unconventional reservoirs using a frequentist approach: Example from a South Texas field |
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 |