CN109993219B - 基于支持向量机的辫状河致密砂岩储渗单元划分方法 - Google Patents
基于支持向量机的辫状河致密砂岩储渗单元划分方法 Download PDFInfo
- Publication number
- CN109993219B CN109993219B CN201910218557.5A CN201910218557A CN109993219B CN 109993219 B CN109993219 B CN 109993219B CN 201910218557 A CN201910218557 A CN 201910218557A CN 109993219 B CN109993219 B CN 109993219B
- Authority
- CN
- China
- Prior art keywords
- reservoir
- seepage
- gas
- storage
- support vector
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于支持向量机的辫状河致密砂岩储渗单元划分方法,该方法包括以下步骤:(1)统计研究区各层段的储层产气量归一化比值;(2)获取每口井中各层段的储层泄气面积;(3)获取每口井中各层段中单砂体泄气面积和单砂体泄气半径;(4)获取研究区储渗单元类别,并获取各储渗单元的物性参数,组成训练数据集;(5)以训练数据集为学习对象。本发明所述方法将定性分类问题转为定量分类问题,且结合支持向量机机器学习算法,适用于解决非均质性强的储渗单元分类问题,为油气勘探开发中的储层质量评估提供了新的有效方法。
Description
技术领域
本发明涉及油气勘探开发技术领域,具体地说涉及基于支持向量机的辫状河致密砂岩储渗单元划分方法。
背景技术
油气勘探开发中,前人对河流相沉积体系的研究表明(Martin,1993;Collinson,1996;Miall,1996),辫状河砂体具有较好的渗透率、孔隙度和较高的净毛比,是品质较好的油气藏储集体。针对辫状河体系内部的渗透性差异,Hearn等(1984)提出了流动单元的概念,流动单元研究以一致的岩石学和水动力学特征为基础,将具有不同特征的沉积微相划分为不同级别的流动单元,预测剩余油分布规律。在前人对河流相沉积体系流动单元划分和储层构型研究的基础上,结合多年的研究与实践,郭建林等提出了储渗单元研究思路,以河流相沉积边界和储层非均质性差异为标志,针对河流相沉积体系中高渗、低渗储层单元开展识别和分析,建立不同渗透性特征的储集体空间分布模式,指导河流相致密砂岩气藏开发实践。
与流动单元不同,储渗单元研究以阻流边界(通常为岩性或物性边界)识别为基础,将阻流边界控制范围以内,分布连续、具有相似物性特征的沉积微相和微相组合进行不同品质的划分。从本质上,流动单元研究是对沉积微相按流动特征的分级分类,而储渗单元研究是将不同类型的沉积微相按渗透性聚类,通过不同沉积微相的叠置关系建立储渗单元内部结构模式。由于天然气的流动性远高于原油,通常气藏开发中压降波及范围内的天然气可采储量均可实现商业开发,因此储集体内部储集和渗流特征评价是气藏开发评价的研究重点,储渗单元正是具有相似储集性能和渗流特征的沉积亚(微)相或亚(微)相组合,因此对天然气开发具有重要的知道意义。
但是,目前关于储渗单元的划分还缺乏定量分类标准,庞大的研究区块面积造成的井间构型解剖不确定性对分类结果有极强的干扰,因此确定定量的参数和精确的方法对储渗单元分类是当下的研究重点及难点。油田作业中常规划分方法有通过聚类方法对储层物性数据进行流动单元划分,聚类分析指的是将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程,目的是将性质相近的事物归于一类,聚类方法对于线性关系好的储层物性数据分类能够得到较好的结果。但是在致密砂岩储层中,储层具有低孔隙度低渗透率的特点,物性数据的线性关系不好,在利用聚类分析方法时,可能造成优质储层与劣质储层分类混淆。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种基于支持向量机(SVM)的储渗单元划分方法,该方法将定性分类问题转为定量分类问题,且结合支持向量机机器学习算法,适用于解决非均质性强的储渗单元分类问题,为油气勘探开发中的储层质量评估提供了新的有效方法。
本发明所述基于支持向量机的储渗单元划分方法包括以下步骤:
(1)统计研究区各层段的储层产气量归一化比值;
(2)获取每口井中各层段的储层泄气面积;
(3)获取每口井中各层段中单砂体泄气面积和单砂体泄气半径;
(4)获取研究区储渗单元类别,并获取各储渗单元的物性参数,组成训练数据集;
(5)以训练数据集为学习对象,采用支持向量机方法对未划分的储渗单元进行类别划分。
进一步地,所述物性参数包括孔隙度、渗透率、含气饱和度、泥质含量和泄气半径。
进一步地,所述单砂体泄气半径根据公式(5)得到
其中,A为储层泄气面积,Ci为单砂体权值,Ci根据公式(3)计算得到
其中,Ki为储层中第i个单砂体的渗透率、Hi为储层中第i个单砂体的厚度,n为储层中单砂体的总数量,1≤i≤n。
进一步地,所述储层泄气面积通过公式(2)获取
进一步地,步骤(5)中,于Matlab编程软件中使用SVM工具箱,将SVM分类类型设置为C-SVC,选取核函数类型为径向基函数,将核函数中gamma函数设置为g,损失函数默认值为1,利用步骤(4)所得训练数据集,导入工具箱,获得测试数据集分类结果。
有益效果:
本发明所述基于支持向量机的储渗单元划分方法充分考虑储渗单元的划分定义,采取能够反映储渗单元渗流性质的参数,通过对井点测井资料的提取和生产资料的换算,对含油井段物性进行计算,结合储渗单元的定性划分的结果相关定量参数,以井上相关定量参数来划分储渗单元。支持向量机通过输入已有数据和数据分类结果,选取不同的核函数,使原始空间中的任意两点映射为这两点在目标表示空间中的距离,使机器学习最佳的分类的规则,能够综合多参数进行非线性划分,即可在属于两个不同类别的两组数据点之间找到良好的决策边界。储渗单元在地质学分类上没有定量的标准,本发明创造性地引入泄气波及范围,将定性分类问题转为定量分类问题,且结合支持向量机机器学习算法,适用于非均质性强的储渗单元分类问题。为油气勘探开发中的储层质量评估提供了新的有效方法。
本发明通过引入单个砂体的泄气半径这一新参数,通过油气藏储量评价计算方法逆推得到量化关系,创造性地将从单井解释和构型解剖的定性分类问题,转为能够体现定性分类结果的定量分类问题,利用详尽的井上定量物性数据结合储渗单元的表征,得到一套训练数据集。
本发明通过支持向量机(SVM)机器学习算法,选取合适的核函数,导入训练数据集,将数据映射到高维表示从而使分类问题简化,计算出良好决策边界,使测试数据分类最优,得到分类结果后与井上数据进行匹配,通过抽取顺物源方向与垂直物源方向的数条剖面进行新一次定性划分,检验该方法在分类问题上有极好的效果,测试数据集与实际分类结果一符合度很高。并与传统聚类分析方法进行对比,分析出SVM方法在分类上的准确率较聚类方法结果相对要高。
附图说明
图1为本发明所述基于支持向量机的储渗单元划分方法的流程图;
图2为本发明实施例1中部分井的各各层段产气量直方图;
图3为本发明实施例1中各层段的相对产气产能;
图4为本发明实施例1中研究区单砂体空间叠置样式,其中(a)为心滩与河道底部充填叠置样式、(b)为河道底部充填叠置样式、(c)心滩叠置样式、(d)心滩、河道底部充填孤立样式;
图5为本发明实施例1中井间储渗单元分析实例图;
图6为本发明实施例1中所述训练数据集的分布图;
图7为本发明实施例1中所述测试数据集的分布图;
图8为本发明实施例1人为划分储渗单元类别匹配到井上的示意图;
图9为本发明实施例1测试数据集分类结果匹配到井上的示意图;
图10为本发明实施例1中人为划分结果;
图11为本发明实施例1中SVM方法分类结果;
图12为本发明实施例1中聚类分析方法结果。
具体实施方式
以下结合附图详细说明本发明的实施情况,但它们不构成对本发明的限定,仅作举例而已。同时通过和具体实施对本发明作进一步的详细描述。
除非另外说明,本发明所使用的所有科技术语具有与本发明所属领域技术人员的通常理解相同的含义。本发明涉及的所有专利和公开出版物通过引用方式整体并入本发明。术语“包含”或“包括”为开放式表达,即包括本发明所指明的内容,但并不排除其他方面的内容。在本发明中,无论是否使用“大约”或“约”等字眼,所有在此公开了的数字均为近似值。每一个数字的数值有可能会出现10%以下的差异或者本领域人员认为的合理的差异,如1%、2%、3%、4%或5%的差异。
本发明是通过如图1所示的实施步骤来建立叠覆式朵体三角洲训练图像的:
步骤(1):统计研究区各层段的储层产气量归一化比值。
选取资料齐备(化验资料、生产资料等)的几口井为分析化验井(具有完备数据的井),得到每口分析化验井(具有完备数据的井)中各层段的产气量。将相同层段的产气量分别相加,得到不同层段的产气量加和值。以其中某一产气层段(通常为产气量加和值最大的层段)为标准,将各层段产能归一化,获得各层段在此研究区内的储层产气量归一化比值(相对产气能力)。
步骤(2):以容积法获得每口井中各层段的储层泄气面积。
根据生产资料获取每口井的动储量以及上一步获得的相对产能,得到每口井中各层段的储层产气量Q。对于条件井,各层段产气量Q可以直接从资料中获得。
根据公式(1)所示的溶剂法
其中,V为储层气体积、ρ1为气密度,
推导得到计算储层泄气面积的公式(2)
步骤(3):获取每口井中各层段单砂体泄气面积和单砂体泄气半径。
对每口井中各层段的单砂体进行劈分,通过公式(3)计算得到不同单砂体的权值Ci。
其中,Ki为储层中第i个单砂体的渗透率、Hi为储层中第i个单砂体的厚度,均可以通过地质资料获得,n为储层中单砂体的总数量,1≤i≤n。
在储层泄气面积Ai和单砂体权值Ci的基础上,根据公式(4)计算得到单砂体泄气面积Ai
Ai=Ci×A 公式(4),
然后,再进一步根据公式(5)得到单砂体泄气半径Ri
步骤(4):获取研究区储渗单元类别,并获取各储渗单元的物性参数,组成训练数
据集。
通过地质资料与连井分析,得到研究区的井间储渗单元分布实例,根据储渗单元的种类,匹配到井上对单砂体进行划分。获取各单砂体对应的物性数据,包括孔隙度、渗透率、含气饱和度、泥质含量和泄气半径,即获取得到了不同储渗单元类别对应的物性数据。需要注意的是,孔隙度、渗透率、含气饱和度、泥质含量均属于静态物性数据,只有泄气半径属于动态物性数据。众所周知,静态物性数据会随着开采工艺不断变化,能难对实际储层物性作实时反映,并且在致密砂岩储层中,优质储层和劣质储层的静态数据不能够线性划分储层质量,增加动态物性数据,结合生产资料对储层的渗流特性进行定量表征,能够直观地表现一个储层的渗流能力。将以上获得的物性数据作为支持向量机方法的训练数据集。
将那些没有进行单砂体储渗单元分类的物性数据作为测试数据集。
步骤(5):以训练数据集为学习对象,采用支持向量机方法对未划分的储渗单元进
行类别划分。
在Matlab编程软件中,使用支持向量机(SVM)工具箱,将SVM分类类型设置为C-SVC(默认SVM类型),主要选取核函数类型为径向基(RBF)函数,此函数能够逼近任意的非线性函数,具有良好的泛化能力;核函数中gamma(松弛变量)函数设置为g,损失函数默认值为1。利用步骤(4)所得训练数据集,导入工具箱,获得测试数据集分类结果。
为了验证本发明所述储渗单元划分方法的准确性,可以抽取研究区内未进行定性划分的井点,对其进行井间实例分析分析,人工划分储渗单元类别;并抽取测试数据集中的此类井分类结果,匹配到井点上,对测试数据集分类结果进行检验。结果显示:人工划分结果与测试数据集分类结果差别较小,匹配率高于85%。
为了验证本发明所述储渗单元划分方法的优越性,可以将其与聚类分析进行对比。具体地,将第四步获取的测试数据集进行聚类(运用SPSS软件,通过K均值聚类方法,对测试集样本进行储渗单元划分),获取聚类分析结果。通过对比发现:基于支持向量机的测试数据分类结果明显优于聚类分析,准确率可提高20%左右。
实施例1
本实施例针对鄂尔多斯盆地神木储层物性及相组合进行分类划分,该研究区包括石盒子、盒6、盒8、山1、山2和太原6个层段,考虑到分类的可视化,可建立多个密度为60×60×60的网络模型,平均每个网格长为50m、宽为50m、高为0.5m。
(1)选择研究区资料齐备的七口井,此类井具有岩心化验资料,具有各层的准确的产气量,分别为双5-18井、双6-31井、双6-36井、双10-11井、双10-13井、双8-34井和双2-26井,它们包含的各层段和各层段产气量如图2所示,例如,双10-11井的产气层段包括盒8段、山2段、太原段,该井中各层段对应的产气量分别为18万方、52万方、30万方。
将相同层段的产气量分别相加,得到6个层段的产气量加和值,并除以各层段产气层厚度,得到单位厚度的每日产气量,分别如表1所示。
表1:
层段 | 产气量(万方) |
石盒子 | 0.07 |
盒6 | 0.04 |
盒8 | 0.10 |
山1 | 0.13 |
山2 | 0.21 |
太原 | 0.18 |
以山2段为标准,将各层段产能归一化,获得如图3所示的、各层段在此研究区内的储层产气量归一化比值(相对产气能力)。
(2)根据生产资料获取每口井的动储量以及上一步获得的相对产能,得到每口井中各层段的储层产气量Q。对于条件井,各层段产气量Q可以直接从资料中获得。
以双10-10井为例,其包含盒8段、山1段、太原段,动储量为1658.68万方。通过地质资料,获取气体积系数B、气地面密度ρ2,以及各层段的储层平均厚度H、储层平均有效孔隙度、平均含气饱和度Sg,分别如表2所示。又根据步骤(1)得到的盒8段、山1段、太原段的相对产气能力,计算得到它们的储层产气量Q,然后根据公式(2)
计算得到各层段的储层泄气面积A。储层产气量Q和储层泄气面积A亦列于表2中。
表2:
(3)对每口井中各层段的单砂体进行劈分,仍以双10-10井为例,其可劈分为6个单砂体。通过地质资料,获取各单砂体的渗透率和厚度,然后通过公式(3)计算得到各单砂体权值Ci
其中,Ki为储层中第i个单砂体的渗透率、Ti为储层中第i个单砂体的厚度,均可以通过地质资料获得,n为储层中单砂体的总数量,1≤i≤n。
在储层泄气面积A和单砂体权值Ci的基础上,根据公式(4)计算得到单砂体泄气面积Ai,并进一步据公式(5)得到单砂体泄气半径Ri
Ai=Ci×A 公式(4),
所述渗透率Ki、厚度Ti、单砂体权值Ci、单砂体泄气面积Ai和单砂体泄气半径Ri如表3所示:
表3:
(4)如图4所示,研究区单砂体叠置样式包括(a)为心滩与河道底部充填叠置样式、(b)为河道底部充填叠置样式、(c)心滩叠置样式和(d)心滩、河道底部充填孤立样式。其中,心滩叠置样式的储集能力和渗流能力较好,属于流通性好的储渗单元,可定义为I型储渗单元;心滩与河道底部充填叠置样式和河道底部充填叠置样式的储集能力和渗流能力一般,流通性处于弱连通~不连通之间,可定义为II储渗单元;而心滩、河道底部充填孤立样式的储集能力和渗流能力都不好,几乎不流通,可定义为III型储渗单元。
通过地质资料与连井分析,得到如图5所示的井间储渗单元分布实例,该实例包括苏6-9-13、苏6-J13、苏638-16-5、苏6-J21共4口井,根据储渗单元的种类,匹配到井上对单砂体进行划分,获取各单砂体对应的储渗单元类型,并通过地质资料获取它们的物性数据,包括孔隙度、渗透率、含气饱和度、泥质含量和泄气半径,将这些物性数据作为支持向量机方法的训练数据集即已完成分类,得到如图6所示的具有分类结果信息的数据集。
对于那些未进行分析的井,可以将各单砂体对应的物性数据摘出作为测试数据集。
(5)在Matlab编程软件中,使用支持向量机(SVM)工具箱,将SVM分类类型设置为C-SVC(默认SVM类型),主要选取核函数类型为径向基(RBF)函数,此函数能够逼近任意的非线性函数,具有良好的泛化能力;核函数中gamma(松弛变量)函数设置为g,损失函数默认值为1。将所得训练数据集,导入工具箱,运行SVM判别算法,学习训练数据集分类特征,对测试数据集进行分类,获得如图7所示的测试数据集分类结果。
(6)抽取研究区内部分未进行定性划分的井点(例如:井编号双10-10、双10-10C3),对其进行井间实例分析,人为划分储渗单元类别,匹配到井上见图8;并抽取测试数据集中的此两口井分类结果,匹配到井上,如图9,将测试数据集分类结果与人为划分结果对比检验,匹配率达到86%(11/13)。
(7)将聚类分析方法(SPSS自动生成)分类结果与支持向量机方法所得分类结果进行验证:抽取相同编号的单砂体的不同方法的分类结果进行对比,图10为人为划分结果、图11为SVM方法分类结果、图12为聚类分析方法结果,则获得不同方法下储渗单元划分的准确度对比,聚类分析结果较差,匹配率仅73.39%,远低于SVM方法的86%,可见聚类分析并不适合此致密砂岩储层储渗单元的分类,SVM划分方法更适用于具有此类特点的储层见图9。
Claims (4)
1.基于支持向量机的辫状河致密砂岩储渗单元划分方法,其特征在于:包括以下步骤:
(1)统计研究区各层段的储层产气量归一化比值;
(2)根据每口井的动储量以及储层产气量归一化比值,利用容积法获取每口井中各层段的储层泄气面积;
(3)获取每口井中各层段单砂体泄气面积和单砂体泄气半径;
(4)获取研究区储渗单元类别,并获取各储渗单元的物性参数,组成训练数据集;
(5)以训练数据集为学习对象,采用支持向量机方法对未划分的储渗单元进行类别划分;
所述单砂体泄气半径根据公式(5)得到:
其中,A为储层泄气面积,Ci为单砂体权值,Ci根据公式(3)计算得到
其中,Ki为储层中第i个单砂体的渗透率、Ti为储层中第i个单砂体的厚度,n为储层中单砂体的总数量,1≤i≤n。
2.根据权利要求1所述的基于支持向量机的辫状河致密砂岩储渗单元划分方法,其特征在于:所述物性参数包括孔隙度、渗透率、含气饱和度、泥质含量和泄气半径。
4.根据权利要求1-3中任一项所述的基于支持向量机的辫状河致密砂岩储渗单元划分方法,其特征在于:步骤(5)中,于Matlab编程软件中使用SVM工具箱,将SVM分类类型设置为C-SVC,选取核函数类型为径向基函数,将核函数中gamma函数设置为g,损失函数默认值为1,利用步骤(4)所得训练数据集,导入工具箱,获得测试数据集分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910218557.5A CN109993219B (zh) | 2019-03-21 | 2019-03-21 | 基于支持向量机的辫状河致密砂岩储渗单元划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910218557.5A CN109993219B (zh) | 2019-03-21 | 2019-03-21 | 基于支持向量机的辫状河致密砂岩储渗单元划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993219A CN109993219A (zh) | 2019-07-09 |
CN109993219B true CN109993219B (zh) | 2021-07-16 |
Family
ID=67130683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910218557.5A Active CN109993219B (zh) | 2019-03-21 | 2019-03-21 | 基于支持向量机的辫状河致密砂岩储渗单元划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993219B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965979A (zh) * | 2015-06-16 | 2015-10-07 | 中国石油化工股份有限公司 | 一种致密砂岩有效储层识别方法 |
CN106285659A (zh) * | 2016-08-17 | 2017-01-04 | 中国石油天然气股份有限公司 | 一种低渗岩性非均质气藏开发单元划分方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5663499A (en) * | 1995-10-20 | 1997-09-02 | Semmelbeck; Mark E. | Method for estimating permeability from multi-array induction logs |
CN101937108B (zh) * | 2009-07-03 | 2013-02-13 | 中国石油天然气股份有限公司 | 低渗碎屑岩油气藏储量确定方法 |
US9946986B1 (en) * | 2011-10-26 | 2018-04-17 | QRI Group, LLC | Petroleum reservoir operation using geotechnical analysis |
CN103590827B (zh) * | 2013-11-22 | 2016-03-02 | 中国石油化工集团公司 | 基于储层分类的致密碎屑岩天然气井产能预测方法 |
CN104992178A (zh) * | 2015-06-16 | 2015-10-21 | 中国石油化工股份有限公司 | 基于支持向量机模拟交会图的致密砂岩流体类型识别方法 |
CN107831540A (zh) * | 2017-08-28 | 2018-03-23 | 中国石油化工股份有限公司 | 储层物性参数直接提取新方法 |
CN109057785B (zh) * | 2018-07-27 | 2022-06-03 | 中国石油天然气股份有限公司 | 一种致密非均质储层剩余地质储量评价方法 |
-
2019
- 2019-03-21 CN CN201910218557.5A patent/CN109993219B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965979A (zh) * | 2015-06-16 | 2015-10-07 | 中国石油化工股份有限公司 | 一种致密砂岩有效储层识别方法 |
CN106285659A (zh) * | 2016-08-17 | 2017-01-04 | 中国石油天然气股份有限公司 | 一种低渗岩性非均质气藏开发单元划分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109993219A (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109613612A (zh) | 一种碳酸盐岩颗粒滩精细刻画与预测方法 | |
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 | |
CN109388817A (zh) | 一种储层裂缝三维建模方法 | |
CN108846540B (zh) | 致密砂岩气田的采收率标定方法及装置 | |
CN110717301B (zh) | 一种基于支持向量机算法的流动单元信息分类识别方法 | |
CN110056346B (zh) | 一种基于趋势变化函数的油藏三维原始含水饱和度模拟方法 | |
CN105447762B (zh) | 一种流体替换的低渗透油藏水淹信息的计算方法 | |
CN109541685B (zh) | 一种河道砂体识别方法 | |
CN109184677A (zh) | 用于非均质互层砂体的储层评价方法 | |
CN103775075A (zh) | 一种全井段岩性识别方法 | |
CN106021793A (zh) | 基于存储系数和渗流系数的低渗储层甜点评价方法 | |
CN107165621B (zh) | 一种利用聚类方法识别多井沉积微相的方法 | |
US9652565B2 (en) | System and method for producing display of petrophysical property height profile for both vertical and horizontal wellbores | |
CN110412662A (zh) | 基于地震多属性深度学习的薄互层储层预测方法 | |
CN110554432A (zh) | 一种曲流河沉积微相智能预测方法 | |
Wimmers et al. | Integration of sedimentology, petrophysics and rock typing as key to understanding a tight gas reservoir | |
CN105700016A (zh) | 生物滩储层地震预测的方法 | |
CN109993219B (zh) | 基于支持向量机的辫状河致密砂岩储渗单元划分方法 | |
CN109403960B (zh) | 利用录井气测峰形态判断储层流体性质的方法 | |
CN113484907B (zh) | 一种预测不同类型储层平面上分布的方法 | |
NO343550B1 (no) | Fremgangsmåte for konstruksjon av en 3D geologisk modell ved stokastisk simulering av facies | |
CN114482995A (zh) | 一种细粒沉积物泥质含量精细确定方法 | |
CN113361111A (zh) | 一种低渗透油藏储层特征模型的划分方法 | |
CN107369101A (zh) | 滚评目标快速经济可动评价方法 | |
CN114966863A (zh) | 基于井震结合的辫状河薄互层储层评价方法、装置及设备 |
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 |