CN109655903A - 页岩层横波速度预测方法及系统 - Google Patents
页岩层横波速度预测方法及系统 Download PDFInfo
- Publication number
- CN109655903A CN109655903A CN201710942514.2A CN201710942514A CN109655903A CN 109655903 A CN109655903 A CN 109655903A CN 201710942514 A CN201710942514 A CN 201710942514A CN 109655903 A CN109655903 A CN 109655903A
- Authority
- CN
- China
- Prior art keywords
- velocity
- wave velocity
- shale
- shear wave
- clay
- 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 60
- 239000002734 clay mineral Substances 0.000 claims abstract description 68
- 239000011435 rock Substances 0.000 claims abstract description 56
- 239000004927 clay Substances 0.000 claims description 46
- 239000005416 organic matter Substances 0.000 claims description 45
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 40
- 239000011707 mineral Substances 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 30
- 239000000203 mixture Substances 0.000 claims description 30
- 239000011148 porous material Substances 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 21
- 239000012530 fluid Substances 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 229920006395 saturated elastomer Polymers 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 4
- 239000004575 stone Substances 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 description 6
- 239000000470 constituent Substances 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 235000021185 dessert Nutrition 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002637 fluid replacement therapy Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- -1 kerogen Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000003079 shale oil Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01V1/30—Analysis
- G01V1/303—Analysis for determining velocity profiles or travel times
-
- 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
- G01V2210/62—Physical property of subsurface
- G01V2210/622—Velocity, density or impedance
- G01V2210/6222—Velocity; travel time
-
- 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
- G01V2210/66—Subsurface modeling
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种页岩层横波速度预测方法及系统，该页岩层横波速度预测方法包括：步骤1：对测井数据进行解释获取测井参数；步骤2：基于测井参数，构建页岩各向异性岩石物理模型，给定孔隙度纵横比初始值及黏土矿物定向指数初始值；步骤3：基于孔隙度纵横比初始值、黏土矿物定向指数初始值及页岩各向异性岩石物理模型，获取纵波速度、横波速度及密度；步骤4：基于目标函数，判断纵波速度、横波速度及密度是否满足要求。该页岩层横波速度预测方法能够精确预测页岩气储层横波速度。
Description
技术领域
本发明属于页岩气及页岩油地震勘探与开发技术领域，更具体地，涉及一种页岩层横波速度预测方法及系统。
背景技术
叠前地震资料反演可以提供与地层岩性、物性以及含油气性有关的预测信息，横波速度在叠前地震资料反演以及AVO属性分析中具有非常重要的作用，联合纵波和横波信息有助于降低储层预测的不确定性，提高页岩气甜点识别的精度。但是实际中，横波测井因其成本高，一个工区只有少数井有横波测井资料，甚至没有横波测井资料。因此由测井数据预测横波速度对储层预测就显得非常重要了。
基于岩石物理理论的横波速度预测方法是预测横波速度的主要手段，很多学者通过岩石物理测量，试图建立纵、横波速度间的经验关系，或者借助岩石物理模型由已知纵波速度和其它储层参数，如泥质含量、孔隙度等来估算横波速度。针对常规碎屑岩和碳酸盐岩地层建立的经验公式和理论模型对页岩气储层并不适用，而针对页岩气储层岩石物理建模及其横波速度预测的研究较少。另外，在横波速度预测方面，也需要建立精确的岩石物理模型，而目前的页岩岩石物理模型尚未充分考虑页岩复杂的矿物组分和微观结构，且多忽略了其强各向异性特征及其影响因素等，使得方法的适用性和横波速度预测精度难以满足实际需求。如何进行页岩气储层的横波速度预测已经成为本领域的一个技术难题。
因此有必要研发一种能够对页岩气储层横波速度精确预测的页岩层横波速度预测方法及系统。
发明内容
本发明提出了一种页岩层横波速度预测方法及系统，该页岩层横波速度预测方法能够精确预测页岩气储层横波速度。
为了实现上述目的，根据本发明的一方面提供了一种页岩层横波速度预测方法，该方法包括：
步骤1：对测井数据进行解释获取测井参数；
步骤2：基于所述测井参数，构建页岩各向异性岩石物理模型，给定孔隙度纵横比初始值及黏土矿物定向指数初始值；
步骤3：基于所述孔隙度纵横比初始值、所述黏土矿物定向指数初始值及所述页岩各向异性岩石物理模型，获取纵波速度、横波速度及密度；
步骤4：基于目标函数，判断所述纵波速度、所述横波速度及所述密度是否满足要求；
不满足要求的情况下，通过蒙特卡洛优化算法更新孔隙纵横比及黏土矿物定向指数，重复步骤3重新计算纵波速度、横波速度及密度；
满足要求的情况下，基于所述纵波速度、所述横波速度及所述密度，反演获取孔隙度纵横比及黏土矿物定向指数，基于孔隙度纵横比及黏土矿物定向指数通过页岩各向异性岩石物理模型，获取预测横波速度值。
优选地，所述步骤4包括：通过目标函数计算平方误差，对所述平方误差设定阈值，当平方误差大于所述阈值时判定为不满足要求，当所述平方误差小于或等于所述阈值时判定为满足要求；
所述目标函数为：
其中，Vp0i为测井数据实测的纵波速度，V’p0i为本方法计算的纵波速度数据；Deni为测井数据实测的密度，Den’ i为本方法计算的密度数据；N为测井数据的总样点数，i为样点序号。
优选地，还包括步骤5：对判定次数设定次数阈值，当判定次数超过次数阈值，且平方误差大于阈值时，基于测井数据进行优化解释，获取新的测井参数，重复步骤2至步骤4。
优选地，其特征在于，还包括步骤6：对所有测井点执行步骤1至步骤5，获取页岩层段横波速度预测曲线。
优选地，构建页岩各向异性岩石物理模型包括：将页岩基质视为脆性矿物、有机质和粘土组成的混合物；将粘土颗粒视为具有固定不变弹性刚度矩阵的各向异性元，引入粘土矿物定向指数表征粘土矿物定向排列程度；将总孔隙划分为脆性孔、粘土孔和有机质孔，脆性矿物孔和有机质孔的添加采用DEM模型，粘土矿物孔隙的添加采用各向异性DEM模型；脆性矿物和有机质的混合采用各向同性SCA-DEM模型，粘土与混合物1(脆性矿物和有机质的混合物)的混合采用各向异性SCA-DEM模型；采用Brown-Korringa各向异性流体替换理论，由干岩石等效弹性张量得到流体饱和页岩等效弹性张量，从而建立起页岩各向异性岩石物理模型。
根据本发明的另一方面提供了一种页岩层横波速度预测系统，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：
步骤1：对测井数据进行解释获取测井参数；
步骤2：基于所述测井参数，构建页岩各向异性岩石物理模型，给定孔隙度纵横比初始值及黏土矿物定向指数初始值；
步骤3：基于所述孔隙度纵横比初始值、所述黏土矿物定向指数初始值及所述页岩各向异性岩石物理模型，获取纵波速度、横波速度及密度；
步骤4：基于目标函数，判断所述纵波速度、所述横波速度及所述密度是否满足要求；
不满足要求的情况下，通过蒙特卡洛优化算法更新孔隙纵横比及黏土矿物定向指数，重复步骤3重新计算纵波速度、横波速度及密度；
满足要求的情况下，基于所述纵波速度、所述横波速度及所述密度，反演获取孔隙度纵横比及黏土矿物定向指数，基于孔隙度纵横比及黏土矿物定向指数通过页岩各向异性岩石物理模型，获取预测横波速度值。
优选地，所述步骤4包括：通过目标函数计算平方误差，对所述平方误差设定阈值，当平方误差大于所述阈值时判定为不满足要求，当所述平方误差小于或等于所述阈值时判定为满足要求；
所述目标函数为：
其中，Vp0i为测井数据实测的纵波速度，V’p0i为本方法计算的纵波速度数据；Deni为测井数据实测的密度，Den’i为本方法计算的密度数据；N为测井数据的总样点数，i为样点序号。
优选地，还包括步骤5：对判定次数设定次数阈值，当判定次数超过次数阈值，且平方误差大于阈值时，基于测井数据进行优化解释，获取新的测井参数，重复步骤2至步骤4。
优选地，还包括步骤6：对所有测井点执行步骤1至步骤5，获取页岩层段横波速度预测曲线。
优选地，构建页岩各向异性岩石物理模型包括：将页岩基质视为脆性矿物、有机质和粘土组成的混合物；将粘土颗粒视为具有固定不变弹性刚度矩阵的各向异性元，引入粘土矿物定向指数表征粘土矿物定向排列程度；将总孔隙划分为脆性孔、粘土孔和有机质孔，脆性矿物孔和有机质孔的添加采用DEM模型，粘土矿物孔隙的添加采用各向异性DEM模型；脆性矿物和有机质的混合采用各向同性SCA-DEM模型，粘土与混合物1(脆性矿物和有机质的混合物)的混合采用各向异性SCA-DEM模型；采用Brown-Korringa各向异性流体替换理论，由干岩石等效弹性张量得到流体饱和页岩等效弹性张量，从而建立起页岩各向异性岩石物理模型。
本发明的有益效果在于：本发明的页岩层横波速度预测方法，在建模过程中将储层孔隙划分为脆性矿物孔隙、黏土矿物孔隙和有机质孔隙三部分，充分考虑了孔隙形态和黏土矿物的定向性影响，是真正意义上的各向异性岩石物理模型，使得建模结果更加真实可靠；本发明利用蒙特卡洛优化算法反演孔隙纵横比和黏土定向指数，进而预测横波速度，其有益效果是对于国内强各向异性页岩地层适用性更好，横波速度预测结果更为合理和准确。本发明能够解决现有技术中缺乏对页岩气层横波速度的精确预测的问题。
本发明的其它特征和优点将在随后具体实施方式部分予以详细说明。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述，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方式中，相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的页岩层横波速度预测方法的流程图。
图2a-图2f示出了根据本发明的一个实施例中某地区页岩气井目的层段的测井曲线示意图。
图3a-图3f示出了根据本发明的一个实施例的页岩层横波速度预测方法估算得到某地区页岩气井的横波速度曲线与实际测得的横波速度曲线的对比图。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，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方式所限制。相反，提供这些实施方式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。
实施方式1
根据本发明的一方面提供了一种页岩层横波速度预测方法，该方法包括：
步骤1：对测井数据进行解释获取测井参数。
步骤2：基于所述测井参数，构建页岩各向异性岩石物理模型，给定孔隙度纵横比初始值及黏土矿物定向指数初始值；
步骤3：基于所述孔隙度纵横比初始值、所述黏土矿物定向指数初始值及所述页岩各向异性岩石物理模型，获取纵波速度、横波速度及密度；
步骤4：基于目标函数，判断所述纵波速度、所述横波速度及所述密度是否满足要求；
不满足要求的情况下，通过蒙特卡洛优化算法更新孔隙纵横比及黏土矿物定向指数，重复步骤3重新计算纵波速度、横波速度及密度；
满足要求的情况下，基于所述纵波速度、所述横波速度及所述密度，反演获取孔隙度纵横比及黏土矿物定向指数，基于孔隙度纵横比及黏土矿物定向指数通过页岩各向异性岩石物理模型，获取预测横波速度值。
该实施方式页岩层横波速度预测方法能够对页岩气储层横波速度精确预测。
下面详细说明根据本发明的页岩层横波速度预测方法的具体步骤。
步骤1：对测井数据进行解释获取测井参数。
具体地，获取测井数据，包括井深、纵波速度、密度、伽马等测井数据；获取测井解释结果，包括孔隙度、有机质含量、矿物组分含量和流体饱和度；获取矿物组分、干酪根、孔隙流体的弹性参数和密度。
步骤2：基于所述测井参数，构建页岩各向异性岩石物理模型，给定孔隙度纵横比初始值及黏土矿物定向指数初始值。
在一个示例中，构建页岩各向异性岩石物理模型包括：将页岩基质等视为脆性矿物、有机质和粘土组成的混合物；将粘土颗粒等视为具有固定不变弹性刚度矩阵的各向异性元，引入粘土矿物定向指数表征粘土矿物定向排列程度；将总孔隙划分为脆性孔、粘土孔和有机质孔，脆性矿物孔和有机质孔的添加采用DEM模型，粘土矿物孔隙的添加采用各向异性DEM模型；脆性矿物和有机质的混合采用各向同性SCA-DEM模型，粘土与混合物1(脆性矿物和有机质的混合物)的混合采用各向异性SCA-DEM模型；采用Brown-Korringa各向异性流体替换理论，由干岩石等效弹性张量得到流体饱和页岩等效弹性张量，从而建立起页岩各向异性岩石物理模型。
具体地，页岩各向异性岩石物理模型建模方法具体包括页岩岩石基质模量计算、页岩干岩石骨架模量计算和页岩饱和岩石模量计算三大步骤，将页岩基质看作为脆性矿物、有机质和粘土组成的混合物；将粘土颗粒视为具有固定不变弹性刚度矩阵的各向异性元，引入粘土矿物定向指数表征粘土矿物定向排列程度；将总孔隙划分为脆性孔、粘土孔和有机质孔，脆性矿物孔和有机质孔的添加采用DEM模型，粘土矿物孔隙的添加采用各向异性DEM模型；脆性矿物和有机质的混合采用各向同性SCA-DEM模型，粘土与混合物1(脆性矿物和有机质的混合物)的混合采用各向异性SCA-DEM模型；采用Brown-Korringa各向异性流体替换理论，由干岩石等效弹性张量得到流体饱和页岩等效弹性张量，从而建立起页岩各向异性岩石物理模型。
步骤3：基于所述孔隙度纵横比初始值、所述黏土矿物定向指数初始值及所述页岩各向异性岩石物理模型，获取纵波速度、横波速度及密度。
步骤4：基于目标函数，判断所述纵波速度、所述横波速度及所述密度是否满足要求。
不满足要求的情况下，通过蒙特卡洛优化算法更新孔隙纵横比及黏土矿物定向指数，重复步骤3重新计算纵波速度、横波速度及密度；
满足要求的情况下，基于所述纵波速度、所述横波速度及所述密度，反演获取孔隙度纵横比及黏土矿物定向指数，基于孔隙度纵横比及黏土矿物定向指数通过页岩各向异性岩石物理模型，获取预测横波速度值。
具体地，利用蒙特卡洛优化算法反演孔隙纵横比和黏土定向指数得，具体方法如下，对于每个测井点，设定黏土矿物的孔隙纵横比取值区间为0.001-1.000，步长为0.001；设定黏土矿物的定向指数的取值区间为0-1，步长为0.001；利用岩石物理模型遍历计算每一组参数情况下的纵波速度和密度参数。求取并存储使得目标函数达到极小值时的黏土孔隙纵横比和黏土矿物的定向指数，即为最终反演的该点结果。
在一个示例中，所述步骤4包括：通过目标函数计算平方误差，对所述平方误差设定阈值，当平方误差大于所述阈值时判定为不满足要求，当所述平方误差小于或等于所述阈值时判定为满足要求；
所述目标函数为：
其中，Vp0i为测井数据实测的纵波速度，V’p0i为本方法计算的纵波速度数据；Deni为测井数据实测的密度，Den’ i为本方法计算的密度数据；N为测井数据的总样点数，i为样点序号。
在一个示例中，还包括步骤5：对判定次数设定次数阈值，当判定次数超过次数阈值，且平方误差大于阈值时，基于测井数据进行优化解释，获取新的测井参数，重复步骤2至步骤4。
在一个示例中，还包括步骤6：对所有测井点执行步骤1至步骤5，获取页岩层段横波速度预测曲线。
实施方式2
在本发明的另一方面提供了一种页岩层横波速度预测系统，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：
步骤1：对测井数据进行解释获取测井参数；
步骤2：基于所述测井参数，构建页岩各向异性岩石物理模型，给定孔隙度纵横比初始值及黏土矿物定向指数初始值；
步骤3：基于所述孔隙度纵横比初始值、所述黏土矿物定向指数初始值及所述页岩各向异性岩石物理模型，获取纵波速度、横波速度及密度；
步骤4：基于目标函数，判断所述纵波速度、所述横波速度及所述密度是否满足要求；
不满足要求的情况下，通过蒙特卡洛优化算法更新孔隙纵横比及黏土矿物定向指数，重复步骤3重新计算纵波速度、横波速度及密度；
满足要求的情况下，基于所述纵波速度、所述横波速度及所述密度，反演获取孔隙度纵横比及黏土矿物定向指数，基于孔隙度纵横比及黏土矿物定向指数通过页岩各向异性岩石物理模型，获取预测横波速度值。
在一个示例中，所述步骤4包括：通过目标函数计算平方误差，对所述平方误差设定阈值，当平方误差大于所述阈值时判定为不满足要求，当所述平方误差小于或等于所述阈值时判定为满足要求；
所述目标函数为：
其中，Vp0i为测井数据实测的纵波速度，V’p0i为本方法计算的纵波速度数据；Deni为测井数据实测的密度，Den’i为本方法计算的密度数据；N为测井数据的总样点数，i为样点序号。
具体地，阈值设定为纵波速度和密度平方和的0.5％(该阈值可根据工区数据的实际情况做调整，通常阈值设置应小于1％)。利用实测数据和本方法计算的结果，计算目标函数值即平方误差的和，如果目标函数值小于或等于阈值即为满足要求，如果目标函数值大于阈值即为不满足要求。
在一个示例中，还包括步骤5：对判定次数设定次数阈值，当判定次数超过次数阈值，且平方误差大于阈值时，基于测井数据进行优化解释，获取新的测井参数，重复步骤2至步骤4。
具体地，本方法中的第一步输入的是测井数据和测井解释结果(解释参数)，本方法中不包含具体的测井和测井解释技术，当利用本方法无论如何优化参数都无法达到设定阈值时，通常认为测井数据或测井解释结果可能存在问题，此时需要测井解释人员去核实测井数据和测井解释结果，多数情况下需要对测井数据进行重新解释。至于如何对测井数据进行优化解释，那是一个非常大的学科和技术领域，不在本发明之列。
在一个示例中，还包括步骤6：对所有测井点执行步骤1至步骤5，获取页岩层段横波速度预测曲线。
在一个示例中，构建页岩各向异性岩石物理模型包括：将页岩基质等视为脆性矿物、有机质和粘土组成的混合物；将粘土颗粒等视为具有固定不变弹性刚度矩阵的各向异性元，引入粘土矿物定向指数表征粘土矿物定向排列程度；将总孔隙划分为脆性孔、粘土孔和有机质孔，脆性矿物孔和有机质孔的添加采用DEM模型，粘土矿物孔隙的添加采用各向异性DEM模型；脆性矿物和有机质的混合采用各向同性SCA-DEM模型，粘土与混合物1(脆性矿物和有机质的混合物)的混合采用各向异性SCA-DEM模型；采用Brown-Korringa各向异性流体替换理论，由干岩石等效弹性张量得到流体饱和页岩等效弹性张量，从而建立起页岩各向异性岩石物理模型。
实施例
图1示出了根据本发明的一个实施例的页岩层横波速度预测方法的流程图。图2a-图2f示出了根据本发明的一个实施例中某地区页岩气井目的层段的测井曲线示意图。图3a-图3f示出了根据本发明的一个实施例的页岩层横波速度预测方法估算得到某地区页岩气井的横波速度曲线与实际测得的横波速度曲线的对比图。
如图1、图2a-图2f及图3a-图3f所示，该页岩层横波速度预测方法包括：获取测井数据，包括井深、纵波速度、密度、伽马等测井数据；对测井数据进行解释获取测井参数，包括孔隙度、有机质含量、矿物组分含量和流体饱和度；获取矿物组分、干酪根、孔隙流体的弹性参数和密度参数；构建页岩各向异性岩石物理模型，将总孔隙划分为脆性矿物孔隙、黏土矿物孔隙和有机质孔隙三部分；构建用于约束优化横波预测的目标函数；给定孔隙纵横比和黏土矿物定向指数的初始值，由页岩各向异性岩石物理模型计算得到纵波速度、横波速度和密度的初始预测结果和目标函数值；利用蒙特卡洛优化算法反演孔隙纵横比和黏土定向指数，使得目标函数所定义的均方根误差最小，并由岩石物理模型计算横波速度的预测结果；对所有测井点循环执行上述步骤，即可得到页岩层段横波速度预测曲线。
图1示出了根据本发明的一个实施例的页岩层横波速度预测方法的流程图。如图1所示，该方法包括如下步骤：
1)输入测井数据(井深、纵波速度、密度、伽马等)、测井解释结果(孔隙度、有机质含量、矿物组分含量和流体饱和度等)、矿物的弹性参数(速度、密度、模量或刚度矩阵)；
2)由总孔隙度计算得到脆性矿物孔、黏土孔和有机质孔含量，并给定黏土孔隙纵横比和黏土矿物定向指数两个参数的初始值；
3)构建页岩各向异性岩石物理模型，建模方法具体包括页岩岩石基质模量计算、页岩干岩石骨架模量计算和页岩饱和岩石模量计算三大步骤，具体方法为：将页岩基质看作为脆性矿物、有机质和粘土组成的混合物；将粘土颗粒视为具有固定不变弹性刚度矩阵的各向异性元，引入粘土矿物定向指数表征粘土矿物定向排列程度；将总孔隙划分为脆性孔、粘土孔和有机质孔，脆性矿物孔和有机质孔的添加采用DEM模型，粘土矿物孔隙的添加采用各向异性DEM模型；脆性矿物和有机质的混合采用各向同性SCA-DEM模型，粘土与混合物1(脆性矿物和有机质的混合物)的混合采用各向异性SCA-DEM模型；采用Brown-Korringa各向异性流体替换理论，由干岩石等效弹性张量得到流体饱和页岩等效弹性张量，从而建立起页岩各向异性岩石物理模型；
4)利用测井解释结果和页岩各向异性岩石物理模型，由给定的孔隙纵横比和黏土矿物定向指数两个参数的初始值，计算得到纵波速度、横波速度和密度的初始模型预测结果；
5)构建用于优化横波预测的目标函数如公式1所示，
其中，Vp0i为测井数据实测的纵波速度，V’p0i为本方法计算的纵波速度数据；Deni为测井数据实测的密度，Den’i为本方法计算的密度数据；N为测井数据的总样点数，i为样点序号。
计算测井数据纵波速度、密度与模型计算结果的平方误差，即目标函数值；
6)当目标函数不满足要求时，利用蒙特卡洛优化算法更新孔隙纵横比和黏土定向指数，回到步骤4)重复以上步骤；
7)当无论怎样优化孔隙纵横比和黏土定向指数都无法得到一个好的预测结果，目标函数都不能满足要求时，回到步骤1)对测井数据进行优化解释，然后重复以上步骤。
8)当目标函数满足要求或达到最大迭代次数时，终止程序运行，由反演得到的孔隙纵横比和黏土定向指数，利用各向异性岩石物理模型，就可以计算得到预测的横波速度。
9)对所有测井点循环执行上述步骤，即可得到页岩层段横波速度预测曲线。
根据本实施例的页岩层横波速度预测方法进行仿真试验验证。图2a-图2f为焦石坝探区的一口页岩气井的测井数据和测井解释结果，利用图2b中的实测纵波速度和图2e中的实测密度曲线作为约束，基于岩石物理模型，利用蒙特卡洛优化算法反演，图3e和图3f所示为反演优化得到的黏土孔隙纵横比和黏土定向指数，图3a-图3f是用通过页岩层横波速度预测方法预测得到的该井的纵波速度(图3b)、横波速度(图3c)和密度曲线(图3d)由灰色曲线表示，可以看到横波速度的预测值与实测值有很好的吻合程度，从而验证了该方法的应用效果。
在当前通常横波速度资料比较缺乏，因此对没有横波速度曲线的井，通过该实施例所研发的基于页岩各向异性岩石物理模型的页岩横波预测方法，在建模过程中将储层孔隙划分为脆性矿物孔隙、黏土矿物孔隙和有机质孔隙三部分，充分考虑了孔隙形态和黏土矿物的定向性影响，是真正意义上的各向异性岩石物理模型，使得建模结果更加真实可靠；本发明利用蒙特卡洛优化算法反演孔隙纵横比和黏土定向指数，进而预测横波速度，该方法对于国内强各向异性页岩地层适用性更好，横波速度预测结果更为合理和准确，且所预测的横波速度与纵波速度相关性较好，能够达到预测所需效果。从而为页岩气甜点预测、储层改造和监测等勘探开发技术研究和生产应用研究提供必须的横波速度参数。
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)
1.一种页岩层横波速度预测方法，其特征在于，该方法包括：
步骤1：对测井数据进行解释获取测井参数；
步骤2：基于所述测井参数，构建页岩各向异性岩石物理模型，给定孔隙度纵横比初始值及黏土矿物定向指数初始值；
步骤3：基于所述孔隙度纵横比初始值、所述黏土矿物定向指数初始值及所述页岩各向异性岩石物理模型，获取纵波速度、横波速度及密度；
步骤4：基于目标函数，判断所述纵波速度、所述横波速度及所述密度是否满足要求；
不满足要求的情况下，通过蒙特卡洛优化算法更新孔隙纵横比及黏土矿物定向指数，重复步骤3重新计算纵波速度、横波速度及密度；
满足要求的情况下，基于所述纵波速度、所述横波速度及所述密度，反演获取孔隙度纵横比及黏土矿物定向指数，基于孔隙度纵横比及黏土矿物定向指数通过页岩各向异性岩石物理模型，获取预测横波速度值。
2.根据权利要求1所述的页岩层横波速度预测方法，其特征在于，所述步骤4包括：
通过目标函数计算平方误差，对所述平方误差设定阈值，当平方误差大于所述阈值时判定为不满足要求，当所述平方误差小于或等于所述阈值时判定为满足要求；
所述目标函数为：
其中，Vp0i为测井数据实测的纵波速度，V’p0i为本方法计算的纵波速度数据；Deni为测井数据实测的密度，Den’i为本方法计算的密度数据；N为测井数据的总样点数，i为样点序号。
3.根据权利要求2所述的页岩层横波速度预测方法，其特征在于，还包括步骤5：
对判定次数设定次数阈值，当判定次数超过次数阈值，且平方误差大于阈值时，基于测井数据进行优化解释，获取新的测井参数，重复步骤2至步骤4。
4.根据权利要求3所述的页岩层横波速度预测方法，其特征在于，还包括步骤6：
对所有测井点执行步骤1至步骤5，获取页岩层段横波速度预测曲线。
5.根据权利要求1所述的页岩层横波速度预测方法，其特征在于，构建页岩各向异性岩石物理模型包括：
将页岩基质视为脆性矿物、有机质和粘土组成的混合物；
将粘土颗粒视为具有固定不变弹性刚度矩阵的各向异性元，引入粘土矿物定向指数表征粘土矿物定向排列程度；
将总孔隙划分为脆性孔、粘土孔和有机质孔，脆性矿物孔和有机质孔的添加采用DEM模型，粘土矿物孔隙的添加采用各向异性DEM模型；
脆性矿物和有机质的混合采用各向同性SCA-DEM模型，粘土与混合物1的混合采用各向异性SCA-DEM模型；
采用Brown-Korringa各向异性流体替换理论，由干岩石等效弹性张量得到流体饱和页岩等效弹性张量，从而建立起页岩各向异性岩石物理模型。
6.一种页岩层横波速度预测系统，其特征在于，所述页岩层横波速度预测系统包括：
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：
步骤1：对测井数据进行解释获取测井参数；
步骤2：基于所述测井参数，构建页岩各向异性岩石物理模型，给定孔隙度纵横比初始值及黏土矿物定向指数初始值；
步骤3：基于所述孔隙度纵横比初始值、所述黏土矿物定向指数初始值及所述页岩各向异性岩石物理模型，获取纵波速度、横波速度及密度；
步骤4：基于目标函数，判断所述纵波速度、所述横波速度及所述密度是否满足要求；
不满足要求的情况下，通过蒙特卡洛优化算法更新孔隙纵横比及黏土矿物定向指数，重复步骤3重新计算纵波速度、横波速度及密度；
满足要求的情况下，基于所述纵波速度、所述横波速度及所述密度，反演获取孔隙度纵横比及黏土矿物定向指数，基于孔隙度纵横比及黏土矿物定向指数通过页岩各向异性岩石物理模型，获取预测横波速度值。
7.根据权利要求6所述的页岩层横波速度预测系统，其特征在于，所述步骤4包括：
通过目标函数计算平方误差，对所述平方误差设定阈值，当平方误差大于所述阈值时判定为不满足要求，当所述平方误差小于或等于所述阈值时判定为满足要求；
所述目标函数为：
其中，Vp0i为测井数据实测的纵波速度，V’p0i为本方法计算的纵波速度数据；Deni为测井数据实测的密度，Den’i为本方法计算的密度数据；N为测井数据的总样点数，i为样点序号。
8.根据权利要求7所述的页岩层横波速度预测系统，其特征在于，还包括步骤5：
对判定次数设定次数阈值，当判定次数超过次数阈值，且平方误差大于阈值时，基于测井数据进行优化解释，获取新的测井参数，重复步骤2至步骤4。
9.根据权利要求8所述的页岩层横波速度预测系统，其特征在于，还包括步骤6：
对所有测井点执行步骤1至步骤5，获取页岩层段横波速度预测曲线。
10.根据权利要求9所述的页岩层横波速度预测系统，其特征在于，构建页岩各向异性岩石物理模型包括：
将页岩基质视为脆性矿物、有机质和粘土组成的混合物；
将粘土颗粒视为具有固定不变弹性刚度矩阵的各向异性元，引入粘土矿物定向指数表征粘土矿物定向排列程度；
将总孔隙划分为脆性孔、粘土孔和有机质孔，脆性矿物孔和有机质孔的添加采用DEM模型，粘土矿物孔隙的添加采用各向异性DEM模型；
脆性矿物和有机质的混合采用各向同性SCA-DEM模型，粘土与混合物1的混合采用各向异性SCA-DEM模型；
采用Brown-Korringa各向异性流体替换理论，由干岩石等效弹性张量得到流体饱和页岩等效弹性张量，从而建立起页岩各向异性岩石物理模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710942514.2A CN109655903B (zh) | 2017-10-11 | 2017-10-11 | 页岩层横波速度预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710942514.2A CN109655903B (zh) | 2017-10-11 | 2017-10-11 | 页岩层横波速度预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109655903A true CN109655903A (zh) | 2019-04-19 |
| CN109655903B CN109655903B (zh) | 2020-09-15 |
Family
ID=66108381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710942514.2A Active CN109655903B (zh) | 2017-10-11 | 2017-10-11 | 页岩层横波速度预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109655903B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110133725A (zh) * | 2019-05-08 | 2019-08-16 | 中国石油大学(华东) | 地震岩石横波速度预测方法及装置 |
| CN110426752A (zh) * | 2019-08-20 | 2019-11-08 | 赛哲尔能源科技(北京)有限公司 | 一种基于岩石物理模型的储层参数反演方法与系统 |
| CN111353237A (zh) * | 2020-03-23 | 2020-06-30 | 河海大学 | 一种基于矿物晶粒定向发育的各向异性岩石建模方法 |
| CN112082918A (zh) * | 2020-08-04 | 2020-12-15 | 中国石油大学(北京) | 孔隙度的确定方法、装置及设备 |
| CN112649858A (zh) * | 2019-10-11 | 2021-04-13 | 中国石油化工股份有限公司 | 一种基于岩心测试的页岩脆性预测方法及系统 |
| CN113050169A (zh) * | 2021-03-18 | 2021-06-29 | 长安大学 | 一种基于蒙特卡罗抽样的岩体各向异性系数概率分析方法 |
| CN113945971A (zh) * | 2020-07-16 | 2022-01-18 | 中国石油天然气股份有限公司 | 基于孔隙结构分类的横波速度预测方法和装置 |
| CN114428372A (zh) * | 2020-09-09 | 2022-05-03 | 中国石油化工股份有限公司 | 一种自适应的岩石物理建模方法 |
| CN113945971B (zh) * | 2020-07-16 | 2024-05-28 | 中国石油天然气股份有限公司 | 基于孔隙结构分类的横波速度预测方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104007485A (zh) * | 2014-04-16 | 2014-08-27 | 孙赞东 | 一种建立复杂孔隙泥页岩岩石物理模型方法 |
| CN105095631A (zh) * | 2014-05-21 | 2015-11-25 | 中国石油化工股份有限公司 | 一种页岩各向异性岩石物理建模方法 |
| CN106443780A (zh) * | 2016-08-31 | 2017-02-22 | 中国石油集团川庆钻探工程有限公司 | 一种页岩气地层的横波速度估算方法 |
-
2017
- 2017-10-11 CN CN201710942514.2A patent/CN109655903B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104007485A (zh) * | 2014-04-16 | 2014-08-27 | 孙赞东 | 一种建立复杂孔隙泥页岩岩石物理模型方法 |
| CN105095631A (zh) * | 2014-05-21 | 2015-11-25 | 中国石油化工股份有限公司 | 一种页岩各向异性岩石物理建模方法 |
| CN106443780A (zh) * | 2016-08-31 | 2017-02-22 | 中国石油集团川庆钻探工程有限公司 | 一种页岩气地层的横波速度估算方法 |
Non-Patent Citations (6)
| Title |
|---|
| KERAN QIAN ET AL.: "A rock physics model for analysis of anisotropic parameters in a shale reservoir in Southwest China", 《JOURNAL OF GEOPHYSICS AND ENGINEERING》 * |
| YUCHONG PEI ET AL.: "Influence of water saturation on acoustic properties of two-phase medium based artificial cores", 《2016 SEG INTERNATIONAL EXPOSITION AND 86TH ANNUAL MEETING》 * |
| ZHIQI GUO ET AL.: "Rock physics modeling and anisotropy parameters inversion for shale reservoirs", 《2017 CGS/SEG INTERNATIONAL GEOPHYSICAL CONFERENCE》 * |
| 周枫等: "四川盆地龙马溪组页岩各向异性影响因素", 《地质学刊》 * |
| 胡起等: "基于单孔隙纵横比模型的有机页岩横波速度预测方法", 《地球物理学进展》 * |
| 逄硕等: "基于岩石物理模型的页岩孔隙结构反演及横波速度预测", 《吉林大学学报（地球科学版）》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110133725A (zh) * | 2019-05-08 | 2019-08-16 | 中国石油大学(华东) | 地震岩石横波速度预测方法及装置 |
| CN110133725B (zh) * | 2019-05-08 | 2021-05-14 | 中国石油大学(华东) | 地震岩石横波速度预测方法及装置 |
| CN110426752A (zh) * | 2019-08-20 | 2019-11-08 | 赛哲尔能源科技(北京)有限公司 | 一种基于岩石物理模型的储层参数反演方法与系统 |
| CN112649858A (zh) * | 2019-10-11 | 2021-04-13 | 中国石油化工股份有限公司 | 一种基于岩心测试的页岩脆性预测方法及系统 |
| CN111353237A (zh) * | 2020-03-23 | 2020-06-30 | 河海大学 | 一种基于矿物晶粒定向发育的各向异性岩石建模方法 |
| CN113945971A (zh) * | 2020-07-16 | 2022-01-18 | 中国石油天然气股份有限公司 | 基于孔隙结构分类的横波速度预测方法和装置 |
| CN113945971B (zh) * | 2020-07-16 | 2024-05-28 | 中国石油天然气股份有限公司 | 基于孔隙结构分类的横波速度预测方法和装置 |
| CN112082918A (zh) * | 2020-08-04 | 2020-12-15 | 中国石油大学(北京) | 孔隙度的确定方法、装置及设备 |
| CN112082918B (zh) * | 2020-08-04 | 2021-11-09 | 中国石油大学(北京) | 孔隙度的确定方法、装置及设备 |
| CN114428372A (zh) * | 2020-09-09 | 2022-05-03 | 中国石油化工股份有限公司 | 一种自适应的岩石物理建模方法 |
| CN113050169A (zh) * | 2021-03-18 | 2021-06-29 | 长安大学 | 一种基于蒙特卡罗抽样的岩体各向异性系数概率分析方法 |
| CN113050169B (zh) * | 2021-03-18 | 2021-11-05 | 长安大学 | 一种基于蒙特卡罗抽样的岩体各向异性系数概率分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109655903B (zh) | 2020-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109655903A (zh) | 页岩层横波速度预测方法及系统 | |
| US10712472B2 (en) | Method and system for forming and using a subsurface model in hydrocarbon operations | |
| RU2669948C2 (ru) | Оптимизация многоступенчатого проекта нефтяного месторождения в условиях неопределенности | |
| Lei et al. | A new approach to upscaling fracture network models while preserving geostatistical and geomechanical characteristics | |
| CN104297785B (zh) | 岩相约束储层物性参数反演方法及装置 | |
| CN103258091B (zh) | 非常规油气藏水平井段三维岩体力学模型建立的方法及装置 | |
| AU2017382546B2 (en) | Subsurface modeler workflow and tool | |
| Schepers et al. | Reservoir modeling in support of shale gas exploration | |
| Yu et al. | Hydraulic fracturing and enhanced recovery in shale reservoirs: theoretical analysis to engineering applications | |
| Tran et al. | Coupling between transport and geomechanics affects spreading and mixing during viscous fingering in deformable aquifers | |
| CN103760600A (zh) | 一种含气饱和度反演方法 | |
| Gu et al. | Shale fracturing characterization and optimization by using anisotropic acoustic interpretation, 3D fracture modeling, and supervised machine learning | |
| CN104316962A (zh) | 岩石孔隙结构参数反演方法及其系统 | |
| Aljuboori et al. | The impact of diagenesis precipitation on fracture permeability in naturally fractured carbonate reservoirs | |
| WO2019118715A1 (en) | Method and system for modeling a subsurface region | |
| Suppachoknirun | Evaluation of multi-stage hydraulic fracturing techniques to optimize production in naturally fractured reservoirs using a DFN-based numerical technique | |
| Ramos et al. | Advanced hydraulic fracture characterization using pulse testing analysis | |
| Farah et al. | Unified fracture network model (UFNM) for unconventional reservoirs simulation | |
| Puyang et al. | An integrated modeling approach for natural fractures and posttreatment fracturing analysis: A case study | |
| Wood et al. | Advanced numerical simulation technology enabling the analytical and semi-analytical modeling of natural gas reservoirs (2009–2015) | |
| Jennings | Computer Modeling of Normal Fault-Related Damage Zones: Implications for Estimating Geothermal Energy Potential | |
| Alizadeh et al. | Fracture modeling in oil and gas reservoirs using image logs data and Petrel software | |
| Cheremisin et al. | Geomechanical Modeling Under Industry Standards | |
| Patino et al. | Use of a neural network to build a 3D rock property model for a geomechanical model to optimize multi-stage fracture design in Chicontepec Basin, Mexico | |
| Ehlig-Economides | Quantitative Evaluation of Key Geological Controls on Regional Eagle Ford Shale Production Using Spatial Statistics |
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 |