CN109839662B - 一种砂岩储层识别方法 - Google Patents

一种砂岩储层识别方法 Download PDF

Info

Publication number
CN109839662B
CN109839662B CN201910067743.3A CN201910067743A CN109839662B CN 109839662 B CN109839662 B CN 109839662B CN 201910067743 A CN201910067743 A CN 201910067743A CN 109839662 B CN109839662 B CN 109839662B
Authority
CN
China
Prior art keywords
reflection coefficient
sensitive
matrix
factor
identification factor
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
Application number
CN201910067743.3A
Other languages
English (en)
Other versions
CN109839662A (zh
Inventor
高刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangtze University
Original Assignee
Yangtze University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yangtze University filed Critical Yangtze University
Priority to CN201910067743.3A priority Critical patent/CN109839662B/zh
Publication of CN109839662A publication Critical patent/CN109839662A/zh
Application granted granted Critical
Publication of CN109839662B publication Critical patent/CN109839662B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开一种砂岩储层识别方法，包括以下步骤：步骤S1、提取敏感识别因子，所述敏感识别因子为纵波速度和横波速度的乘积与密度的比值；步骤S2、利用所述敏感识别因子识别砂岩储层。本发明提供的砂岩储层识别方法可以较大程度拉大砂岩与泥岩敏感识别因子的数值之间的差异，进而更好识别砂岩储层。

Description

一种砂岩储层识别方法
技术领域
本发明涉及砂岩储层识别因子技术领域，具体涉及一种砂岩储层识别方法。
背景技术
大量文献已经证明各种敏感识别因子已成功用于储层的岩性、流体、岩石脆性等参数的预测，现有的敏感识别因子在进行识别时，通常存在砂泥岩数值重叠性较大的问题。
发明内容
本发明的目的在于克服上述技术不足，提供一种砂岩储层识别方法，解决现有技术中敏感识别因子在进行识别时砂泥岩数值重叠性较大的技术问题。
为达到上述技术目的，本发明的技术方案提供一种砂岩储层识别方法，包括以下步骤：
步骤S1、提取敏感识别因子，所述敏感识别因子为纵波速度和横波速度的乘积与密度的比值；
步骤S2、利用所述敏感识别因子识别砂岩储层。
与现有技术相比，本发明的有益效果包括：本发明提供的敏感识别因子，采用纵波速度和横波速度的乘积与密度的比值的形式，可以较大程度拉大砂岩与泥岩敏感识别因子的数值之间的差异，进而更好识别砂岩储层，减小砂泥岩数值重叠性。
附图说明
图1是本发明提供的砂岩储层识别方法的流程图；
图2a为现有的多个不同识别因子与密度的交会图；
图2b为本发明提供的多个不同敏感识别因子与密度的交会图；
图3不同识别因子识别能力S值的对比图；
图4a为纵波速度与密度的拟合关系图；
图4b为横波速度与密度的拟合关系图；
图5a为不同近似式计算的反射系数图；
图5b为不同近似式计算的反射系数相对误差比较图；
图6为直接反演与间接反演的反演剖面对比图；
图7a为在不同信噪比下AVO近似式的正演记录小角度道集叠加图；
图7b为在不同信噪比下AVO近似式的正演记录中角度道集叠加图；
图7c为在不同信噪比下AVO近似式的正演记录大角度道集叠加图；
图8a为信噪比为10时直接反演敏感识别因子SF与间接反演敏感识别因子SF的对比图；
图8b为信噪比为10时直接反演剪切模量与间接反演剪切模量的对比图
图8c为信噪比为10时直接反演密度与间接反演密度的对比图；
图8d为信噪比为5时直接反演敏感识别因子SF与间接反演敏感识别因子SF的对比图；
图8e为信噪比为5时直接反演剪切模量与间接反演剪切模量的对比图；
图8f为信噪比为5时直接反演密度与间接反演密度的对比图；
图8g为信噪比为2时直接反演敏感识别因子SF与间接反演敏感识别因子SF的对比图；
图8h为信噪比为2时直接反演剪切模量与间接反演剪切模量的对比图；
图8i为信噪比为2时直接反演密度与间接反演密度的对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1：
如图1所示，本发明的实施例1提供了一种砂岩储层识别方法，包括以下步骤：
步骤S1、提取敏感识别因子，所述敏感识别因子为纵波速度和横波速度的乘积与密度的比值；
步骤S2、利用所述敏感识别因子识别砂岩储层。
现有敏感识别因子很多，并随研究区位置与岩性类型等条件变化而变化，本发明首先根据原始测井数据通过交会图技术分析出储层特征，然后再根据储层特征设计敏感识别因子，图2a中a-c分别某砂岩储层的纵波速度、横波速度、纵横波速度比与密度的交会图，分析得出该砂岩储层的储层特征为纵波速度、横波速度相对较高，密度相对较低，而纵横波速度比基本对砂岩储层没有识别能力。为更好识别这种类型的砂岩储层，本发明提供了一种敏感识别因子，所述敏感识别因子为纵波速度和横波速度的乘积与密度的比值，该敏感识别因子充分利用了密度低，纵波速度、横波速度高的特点，将密度置于分母，将纵波速度和横波速度置于分子，可以较大程度拉大砂岩与泥岩敏感识别因子的数值之间的差异，进而更好识别砂岩储层。
为验证这种敏感识别因子的优越性，下面进行弹性参数对比来进行说明，图2a中d-g分别为纵波阻抗、横波阻抗、λρ、μρ与密度交会图。图2b中h-j分别为本发明提供的三种不同敏感识别因子与密度的交会图。从图2a和图2b中可看出，砂岩储层与泥岩围岩区分最大的是本发明提出的敏感识别因子，产生这样结果的原因主要是纵波阻抗、横波阻抗、λρ、μρ这些识别因子都是速度与密度的乘积组合形式，即储层的高速度乘上低密度与围岩的低速度乘上高密度，在数值上加大了重叠性，因而识别效果不佳。
另外,通过统计砂岩与泥岩的纵波速度、横波速度与密度，计算了图2a和图2b中的14种不同识别因子识别能力S值，S值由下式进行计算，
Figure GDA0002473646580000031
其中，Attribute1、Attribute2分别表示两种不同岩性的弹性参数数值。
计算结果如表1和图3所示。
表1：
Figure GDA0002473646580000041
从表1和图3可以直观看出，本发明提供的敏感识别因子，识别效果最佳。另外，利用整段测井曲线，分岩性拟合密度与纵波速度、横波速度与密度的关系式，如表2、图4a、图4b所示，说明本发明提供的敏感识别因子的优势。
表2：
Figure GDA0002473646580000042
利用以上拟合关系分别得出纵波速度、横波速度不同岩性拟合曲线的交点。
Figure GDA0002473646580000043
求解上面两个式子，得到交点位置VP＝4408m/s，VS＝2657m/s，当VP＜4408m/s，VS＜2657m/s时，ρ砂/ρ泥＜1，由此可得出浅层砂岩密度小于泥岩的，又由于上述拟合关系式浅层的砂岩速度大于泥岩的，因此通过密度与速度定量拟合关系更进一步说明了本发明提出的敏感识别因子具有更高的岩性识别能力。
本发明提供的敏感识别因子避免了常规识别因子大部分是速度与密度乘积的形式造成砂泥岩数值重叠性区域增大的问题，提高了储层砂岩的识别精度。特别是对于纵横波速度相对较高、密度相对较低的砂岩储层，识别效果最佳。
优选的，所述敏感识别因子为：SF＝vpvs/ρ4，其中，SF为所述敏感识别因子，vp为所述纵波速度，vs为所述横波速度，ρ为所述密度。
苏北盆地前期研究成果在新生界和古生界均已很好天然气来源，尤其在黄珏地区的新生界三垛组见到良好的试气显示，展示该层段具有很好的增产上储前景，但到目前为止针对该地区尚未形成有效砂岩储层地球物理识别方法。本发明提供的敏感识别因子，就是基于对苏北盆地黄珏地区的研究而提出的，但是其应用并不仅仅局限于苏北盆地黄珏地区。对针对苏北盆地黄珏地区浅层叠前地震资料信噪比不高，砂岩速度略大于泥岩速度，而砂岩密度略低于泥岩密度岩石物理特征情况，敏感识别因子SF＝vpvs/ρ4，适合应用于该地区。这一点通过图2b中h-j的对比也可以直观显示，图2b中三种不同识别因子识别能力的测试对比，就是基于苏北盆地黄珏地区进行的。
优选的，提取敏感识别因子，具体为：获取包含所述敏感识别因子的AVO近似式，以所述AVO近似式为核函数直接反演得到所述敏感识别因子。
据表1参数建立模型，采用精确Zeoppritz方程、Aki-Richards近似式、AVO近似式计算了模型界面的反射系数，如图5a所示，并进行相对误差分析，如图5b所示。从图中可看出，在θ≤45°范围内，本发明提供的AVO近似式与Aki-Richards近似式的计算结果非常接近，都能逼近Zeoppritz方程，因此利用本发明提供的包含敏感识别因子的AVO近似式从叠前角度道集资料中反演出敏感识别因子进行储层识别是可行的。
图6中a-c为以Fatti]近似式为核函数从叠前道集中直接反演的纵波速度、密度、纵波阻抗反演剖面，图6中d为以AVO近似式为核函数从叠前道集中直接反演的敏感识别因子，图6中测井曲线为岩性曲线，即自然电位曲线，剖面中的井柱子为相应的弹性参数测井曲线，根据SP异常反映砂岩该井段大致划分三个砂层组，即黑框指向位置1、2、3，三段砂岩特征分析如下：
1、1砂层组，纵横波速度最高，密度相对较低，常规的纵横波速度剖面能够很好识别出该类砂岩，计算的敏感砂岩识别因子异常也很明显；
2、2砂层组，纵横波速度相对较高，密度相对较低，常规的纵横波速度剖面不能很好识别出该类砂岩，砂岩与泥岩速度重叠较为严重，而敏感砂岩识别因子剖面异常明显，该因子利用了该类砂岩弹性参数特点，即该因子等于速度除以密度，增大该类砂岩弹性参数异常；
3、3砂层组，纵横波速度相对较低，密度最低，常规的纵横波速度剖面不能识别该类砂岩，砂岩与泥岩速度基本一样，而敏感砂岩识别因子剖面异常明显，原因也在于该因子纵横波速度与密度参数增大了异常；
综上所述，在叠前地震资料信噪比不高，砂岩速度略大于泥岩速度，而砂岩密度略低于泥岩密度岩石物理特征情况，以所述AVO近似式为核函数直接反演得到所述敏感识别因子能够减少了间接计算的误差累积过程，相对常规弹性参数具有更高识别砂岩能力，达到提高预测应用效果的目的。地震资料信噪比较高时，直接与间接计算敏感识别因子效果差别不大，但是对于叠前地震资料一般信噪比较低情况下，直接反演得到敏感识别因子的效果优于间接计算的结果。
为了验证AVO近似式直接反演敏感识别因子优越性，根据实际测得的纵波速度、横波速度和密度曲线，利用褶积模型计算得到AVO合成记录，在小角度、中角度和大角度三种不同情况下分别加入噪音，再进行部分叠加得到小、中、大三个不同角度在不同信噪比下的部分叠加道集，如图7a-7c所示，记录小角度、中角度和大角度分别为在信噪比为2、5、10和无噪音的道集振幅。应该注意的是,所述小角度、中角度以及大角度是相对概念。
为分析对比直接反演与间接反演弹性参数效果，在不同噪音情况下分别采用间接与直接反演两种方法得到敏感识别因子SF、剪切模量以及密度。所谓间接反演方法，即利用Fatti AVO近似式为核函数从叠前道集中反演出纵横波阻抗，然后再间接计算所需弹性参数；直接反演方法，即利用AVO近似式为核函数从叠前道集中直接反演得到所需弹性参数，结果见于图8a-图8i。图8a-图8i中还示出测井数据计算结果曲线、测井数据平滑得到低频趋势曲线。通过分析图8a-图8i可得出：
不同信噪比情况下，直接反演的敏感识别因子效果明显优于间接计算的，地震资料信噪比为10以上时，直接与间接计算结果效果差别不大，信噪比为5甚至为2时，间接计算结果虽然大体趋势与测井数据基本吻合，但是细节上差别较大，而直接计算结果总体趋势与细节上都和测井数据吻合较好，其原因主要在于信噪比较低的地震记录间接反演时引入了累计误差。
下面将详细给出了推导包含该敏感识别因子的AVO近似式的步骤以及利用叠前参数反演方法直接提取该敏感识别因子的方法。
优选的，获取包含所述敏感识别因子的AVO近似式，具体为：
获取Aki-Richards近似式；建立不同的地球物理量与Aki-Richards参数之间的关系，得到AVO近似矩阵；对所述敏感识别因子进行微分计算得到纵波速度反射系数、横波速度反射系数以及密度反射系数与敏感识别因子反射系数之间的反射系数关系式；结合所述AVO近似矩阵以及所述反射系数关系式，得到关于所述敏感识别因子、剪切模量以及密度的AVO近似系数矩阵；对所述AVO近似系数矩阵求逆，并代入所述Aki-Richards近似式，得到所述AVO近似式。
具体的，获取Aki-Richards近似式：
Figure GDA0002473646580000071
其中，R(θ)为Aki-Richards参数，γsat为饱和岩石的横波速度与纵波速度的速度比，θ为波入射界面与反射界面之间的夹角，即入射角，Δvp为所述反射界面的两侧介质的纵波速度变化量，Δvs为所述反射界面两侧介质的横波速度变化量，Δρ为所述反射界面两侧介质的密度变化量。
Aki-Richards近似式由三项简化的反射系数构成，三项简化的反射系数分别定义为：
Figure GDA0002473646580000072
其中，
Figure GDA0002473646580000073
为纵波速度反射系数，
Figure GDA0002473646580000074
为横波速度反射系数，Rρ为密度反射系数，vp2、vp1分别为所述反射界面两侧介质的纵波速度，
Figure GDA0002473646580000075
为所述反射界面两侧介质的纵波速度平均值，vs2、vs1分别为所述反射界面两侧介质的横波速度，
Figure GDA0002473646580000076
为所述反射界面两侧介质的横波速度平均值，ρ2、ρ1分别为所述反射界面两侧介质的密度，
Figure GDA0002473646580000081
为所述反射界面两侧介质的密度平均值。
建立不同的地球物理量与所述Aki-Richards参数之间的关系，得到AVO近似矩阵：
Figure GDA0002473646580000082
其中，RIP为纵波阻抗反射系数，RIS为横波阻抗反射系数，Rγ为纵波速度与横波速度比值的速度比反射系数，Rv为泊松比反射系数，RK为体变模量反射系数，Rλ和Rμ为拉梅常数反射系数，Rf为流体因子反射系数，Rρf为以纵波阻抗和横波阻抗加权形式表示的加权流体因子反射系数。
且，上式中各不同的地球物理量分别为：
Figure GDA0002473646580000083
Figure GDA0002473646580000084
其中，ΔIp为所述反射界面的两侧介质的纵波阻抗变化量，
Figure GDA0002473646580000085
为所述反射界面两侧介质的纵波阻抗平均值，ΔIs为所述反射界面的两侧介质的横波阻抗变化量，
Figure GDA0002473646580000086
为所述反射界面两侧介质的横波阻抗平均值，Δγ为所述反射界面的两侧介质的纵波速度与横波速度比值的变化量，
Figure GDA0002473646580000087
为所述反射界面两侧介质的纵波速度与横波速度比值的平均值，Δv为所述反射界面两侧介质的泊松比变化量，
Figure GDA0002473646580000088
为所述反射界面两侧介质的泊松比平均值，ΔK为所述反射界面两侧介质的体变模量变化量，
Figure GDA0002473646580000089
为所述反射界面两侧介质的体变模量平均值，Δλ和Δμ为所述反射界面两侧介质的拉梅常数变化量，
Figure GDA0002473646580000091
和
Figure GDA0002473646580000092
为所述反射界面两侧介质的拉梅常数平均值，Δf为所述反射界面两侧介质的流体因子变化量，
Figure GDA0002473646580000093
为所述反射界面两侧介质的流体因子平均值，Δρf为所述反射界面两侧介质的加权流体因子变化量，
Figure GDA0002473646580000094
为所述反射界面两侧介质的加权流体因子平均值；
可以看出三项简化的反射系数与所述地球物理量具有相同的数学形式，但是从三项简化的反射系数的定义式可以看出，他们的物理意义不同。
对所述敏感识别因子进行微分计算得到纵波速度反射系数、横波速度反射系数以及密度反射系数与敏感识别因子反射系数之间的反射系数关系式。本实施例以敏感识别因子SF＝vpvs/ρ4为例进行计算，首先对敏感识别因子进行微分计算得到：ΔSF＝vs/ρ2Δvp+vp/ρ2Δvs-4vpvs/ρ5Δρ；
上式两边同时除以敏感识别因子，得到：
Figure GDA0002473646580000095
由上式即可得到所述反射系数关系式：
Figure GDA0002473646580000096
结合所述AVO近似矩阵以及所述反射系数关系式，得到所述敏感识别因子、剪切模量以及密度的AVO近似系数矩阵：
Figure GDA0002473646580000097
对上式的AVO近似系数矩阵求逆，并代入所述Aki-Richards近似式，整理得到包含敏感识别因子、剪切模量以及密度形式的所述AVO近似式：
Figure GDA0002473646580000098
优选的，以所述AVO近似式为核函数直接反演得到所述敏感识别因子，具体为：
计算不同的多个入射角度下各层界面的反射系数矩阵；对所述反射系数矩阵中的参数进行去相关处理；结合所述反射系数矩阵，通过反演获取反射系数目标函数；对所述反射系数目标函数进行求解得到所述敏感识别因子。
优选的，计算不同的多个入射角度下各层界面的反射系数矩阵，具体为：
计算不同的多个入射角度下各层界面的初始反射系数矩阵；将所述初始反射系数矩阵简化为分块矩阵，得到所述反射系数矩阵。
具体的，计算不同的多个入射角度下各层界面的初始反射系数矩阵：
Figure GDA0002473646580000101
其中，
Figure GDA0002473646580000102
为入射角为θi时第k界面的反射系数，θi＝θ1,θ2,θ3，k＝1,…,n，
Figure GDA0002473646580000103
为第k界面的敏感识别因子反射系数，
Figure GDA0002473646580000104
为第k界面的剪切模量反射系数，
Figure GDA0002473646580000105
为第k界面的密度反射系数，
Figure GDA0002473646580000106
为入射角为θi时第k界面的敏感识别因子反射相关系数，
Figure GDA0002473646580000107
为入射角为θi时第k界面的剪切模量反射相关系数，
Figure GDA0002473646580000108
为入射角为θi时第k界面的密度反射相关系数。
将上式简化为分块矩阵，得到：
Figure GDA0002473646580000109
其中，dθi为入射角为θi时的叠前角度道集向量，W为子波矩阵，Aθi、Bθi、Cθi为斜对角矩阵，RSF为敏感识别因子反射系数向量，Rμ为剪切模量反射系数向量，Rρ为密度反射系数向量；
将上式简写为：d＝GR,即得到所述反射系数矩阵。
优选的，对所述反射系数矩阵中的参数进行去相关处理，具体为：
获取所述敏感识别因子、剪切模量以及密度之间的协方差矩阵；对所述协方差矩阵进行奇异值分解，进而对所述协方差矩阵的特征向量进行逆扩展；结合逆扩展后的矩阵对所述反射系数矩阵进行变换，得到去相关处理后的反射系数矩阵。
获取所述敏感识别因子、剪切模量以及密度之间的协方差矩阵：
Figure GDA0002473646580000111
其中，
Figure GDA0002473646580000112
为敏感识别因子反射系数的方差，
Figure GDA0002473646580000113
为剪切模量反射系数的方差，
Figure GDA0002473646580000114
为密度反射系数的方差，
Figure GDA0002473646580000115
为敏感识别因子反射系数与剪切模量反射系数之间的协方差，
Figure GDA0002473646580000116
为敏感识别因子反射系数与密度反射系数之间的协方差，
Figure GDA0002473646580000117
为剪切模量反射系数与密度反射系数之间的协方差；
对所述协方差矩阵进行奇异值分解：
Figure GDA0002473646580000118
其中，
Figure GDA0002473646580000119
对所述协方差矩阵的特征向量进行逆扩展，得到n个界面的情况：
Figure GDA00024736465800001110
根据逆扩展后的特征向量，对所述反射系数矩阵进行变换：
d＝G'R',其中，
Figure GDA00024736465800001111
变换后的反射系数矩阵的协方差矩阵为：
Figure GDA00024736465800001112
变换后的反射系数矩阵的协方差矩阵，非对角线上的元素都为零，因此经变换后的反射系数矩阵中，各参数之间是相互独立的。
优选的，通过反演获取反射系数目标函数，具体为：
利用贝叶斯公式反演获取初步目标函数，对所述反射系数目标函数进行去相关处理，在所述初步目标函数中加入约束条件得到所述反射系数目标函数。
贝叶斯公式反演的基本原理为：
Figure GDA0002473646580000121
其中，m为待反演的模型参数，d为叠前角度道集数据，p(m|d)为在观测叠前角度道集数据d下模型参数m的后验概率密度函数，p(d|m)为似然函数，p(m)为模型参数m的先验概率密度函数，p(d)为模型参数m的全模型空间概率，其数值一般取常数。
叠前角度道集数据中噪音信息服从Gauss分布，待反演的模型参数m服从Cauchy分布，可得反射系数的后验概率密度函数为：
Figure GDA0002473646580000122
其中，
Figure GDA0002473646580000123
为叠前角度道集数据与正演记录的噪音方差，
Figure GDA0002473646580000124
为模型反射系数的方差。
以敏感识别因子、剪切模量以及密度作为模型参数，利用贝叶斯公式反演获取后验概率密度函数，对后验概率密度函数取对数，并求取最大后验概率，得到初步目标函数：(G'TG'+εQ)R'＝G'Td
其中，
Figure GDA0002473646580000125
由于地震数据确实低频成分，因此需要用一些约束条件才能获取阻抗的唯一稳定解，以敏感识别因子反射系数为例说明约束条件的增加，在反射界面两侧介质物理性质差别不大时：
Figure GDA0002473646580000126
对上式进行时间积分，得到相对敏感识别因子：
Figure GDA0002473646580000127
其中，SF(t0)为初始敏感识别因子，上式即将敏感识别因子与敏感识别因子反射系数联系起来的基本公式，其他两个参数的基本公式同理可得；根据基本公式，定义反射系数目标函数：
Figure GDA0002473646580000131
对所述反射系数目标函数进行去相关性，得到
C'X＝CXV,R'X＝V-1RX；
其中，
Figure GDA0002473646580000132
λX为反射系数的约束系数，X分别取敏感识别因子、剪切模量以及密度；
取上式的反射系数目标函数极小值得到：
Figure GDA0002473646580000133
其中，G'TG'用来约束模型数据合成记录与实测数据的相似程度，εQ用来约束模型数据的稀疏程度，
Figure GDA0002473646580000134
用来约束反演结果的趋势。
优选的，对所述反射系数目标函数进行求解得到所述敏感识别因子，具体为：
采用迭代重加权最小二乘法对所述反射系数目标函数进行求解，得到所述敏感识别因子。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (9)

1.一种砂岩储层识别方法，其特征在于，包括以下步骤：
步骤S1、提取敏感识别因子，所述敏感识别因子为纵波速度和横波速度的乘积与密度的n次方的比值，其中，n＝1、2或4；
步骤S2、利用所述敏感识别因子识别砂岩储层。
2.根据权利要求1所述的砂岩储层识别方法，其特征在于，所述敏感识别因子为：SF＝vpvs/ρ4，其中，SF为所述敏感识别因子，vp为所述纵波速度，vs为所述横波速度，ρ为所述密度。
3.根据权利要求1所述的砂岩储层识别方法，其特征在于，提取敏感识别因子，具体为：
获取包含所述敏感识别因子的AVO近似式，以所述AVO近似式为核函数直接反演得到所述敏感识别因子。
4.根据权利要求3所述的砂岩储层识别方法，其特征在于，获取包含所述敏感识别因子的AVO近似式，具体为：
获取Aki-Richards近似式；建立不同的地球物理量与Aki-Richards参数之间的关系，得到AVO近似矩阵；对所述敏感识别因子进行微分计算得到纵波速度反射系数、横波速度反射系数以及密度反射系数与敏感识别因子反射系数之间的反射系数关系式；结合所述AVO近似矩阵以及所述反射系数关系式，得到关于所述敏感识别因子、剪切模量以及密度的AVO近似系数矩阵；对所述AVO近似系数矩阵求逆，并代入所述Aki-Richards近似式，得到所述AVO近似式。
5.根据权利要求3所述的砂岩储层识别方法，其特征在于，以所述AVO近似式为核函数直接反演得到所述敏感识别因子，具体为：
计算不同的多个入射角度下各层界面的反射系数矩阵；对所述反射系数矩阵中的参数进行去相关处理；结合所述反射系数矩阵，通过反演获取反射系数目标函数；对所述反射系数目标函数进行求解得到所述敏感识别因子。
6.根据权利要求5所述的砂岩储层识别方法，其特征在于，计算不同的多个入射角度下各层界面的反射系数矩阵，具体为：
计算不同的多个入射角度下各层界面的初始反射系数矩阵；将所述初始反射系数矩阵简化为分块矩阵，得到所述反射系数矩阵。
7.根据权利要求5所述的砂岩储层识别方法，其特征在于，对所述反射系数矩阵中的参数进行去相关处理，具体为：
获取所述敏感识别因子、剪切模量以及密度之间的协方差矩阵；对所述协方差矩阵进行奇异值分解，进而对所述协方差矩阵的特征向量进行逆扩展；结合逆扩展后的矩阵对所述反射系数矩阵进行变换，得到去相关处理后的反射系数矩阵。
8.根据权利要求5所述的砂岩储层识别方法，其特征在于，通过反演获取反射系数目标函数，具体为：
利用贝叶斯公式反演获取初步目标函数，对所述反射系数目标函数进行去相关处理，在所述初步目标函数中加入约束条件得到所述反射系数目标函数。
9.根据权利要求5-8任一所述的砂岩储层识别方法，其特征在于，对所述反射系数目标函数进行求解得到所述敏感识别因子，具体为：
采用迭代重加权最小二乘法对所述反射系数目标函数进行求解，得到所述敏感识别因子。
CN201910067743.3A 2019-01-24 2019-01-24 一种砂岩储层识别方法 Active CN109839662B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910067743.3A CN109839662B (zh) 2019-01-24 2019-01-24 一种砂岩储层识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910067743.3A CN109839662B (zh) 2019-01-24 2019-01-24 一种砂岩储层识别方法

Publications (2)

Publication Number Publication Date
CN109839662A CN109839662A (zh) 2019-06-04
CN109839662B true CN109839662B (zh) 2020-08-25

Family

ID=66884093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910067743.3A Active CN109839662B (zh) 2019-01-24 2019-01-24 一种砂岩储层识别方法

Country Status (1)

Country Link
CN (1) CN109839662B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110333534B (zh) * 2019-06-19 2020-10-30 中国地质大学（武汉） 一种基于Biot理论的贝叶斯时移AVO反演方法及系统
CN111077571B (zh) * 2019-12-12 2020-11-06 成都理工大学 一种提高分辨率的孔隙度反演方法
CN112147688B (zh) * 2020-08-11 2023-09-26 中国石油天然气股份有限公司 一种储层油气识别方法和装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103257361B (zh) * 2013-05-24 2015-07-29 中国石油天然气集团公司 基于Zoeppritz方程近似式的油气预测方法及系统
CN104714249A (zh) * 2014-11-07 2015-06-17 中国石油化工股份有限公司 直接提取流体因子的新方法
CN105301644B (zh) * 2015-11-18 2017-09-01 中国石油大学(北京) 基于多参数梯度向量和海色矩阵的油气检测方法及装置

Also Published As

Publication number Publication date
CN109839662A (zh) 2019-06-04

Similar Documents

Publication Publication Date Title
Zhang et al. Seismic sparse-layer reflectivity inversion using basis pursuit decomposition
CN109839662B (zh) 一种砂岩储层识别方法
Liu et al. Stacking seismic data using local correlation
CN111208561A (zh) 基于时变子波与曲波变换约束的地震声波阻抗反演方法
Downton et al. Linearized amplitude variation with offset (AVO) inversion with supercritical angles
Luo et al. Joint PP and PS pre-stack seismic inversion for stratified models based on the propagator matrix forward engine
CN110780351B (zh) 纵波和转换波叠前联合反演方法及系统
EP3273274A1 (en) Device and method for estimating pre-stack wavelet model from seismic gathers
CN105044777A (zh) 基于经验模态分解检测地震标志层强反射振幅消除的方法
CN111025387A (zh) 一种页岩储层的叠前地震多参数反演方法
Ma et al. Multichannel block sparse Bayesian learning reflectivity inversion with lp-norm criterion-based Q estimation
Sun et al. Intelligent AVA inversion using a convolution neural network trained with pseudo-well datasets
Luo et al. Registration-free multicomponent joint AVA inversion using optimal transport
Larsen et al. AVO analysis by simultaneous PP and PS weighted stacking applied to 3C-3D seismic data
Zhang et al. Multimodal inversion of Rayleigh wave dispersion curves based on a generalized misfit function
Chopra et al. Introduction to this special section—AVO
CN111474576A (zh) 一种保持地层结构的叠前地震道集反演初始模型构建方法
CN113552624A (zh) 孔隙度预测方法及装置
CN111239805B (zh) 基于反射率法的块约束时移地震差异反演方法及系统
CN114325832A (zh) 一种裂缝参数和弹性参数同步反演方法及系统
Chen et al. Separating seismic diffractions by an improved Cook-distance singular value decomposition method
Yang et al. A Linearized Alternating Direction Method of Multipliers Algorithm for Prestack Seismic Inversion in VTI Media Using the Quadratic PP-Reflectivity Approximation
CN106249293B (zh) 一种各向异性流体识别因子反演方法及系统
CN115453620B (zh) 一种基于非稳态反演的avo校正方法
Pendrel et al. Simultaneous AVO Inversion to P-Impedance and Vp/Vs

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