CN110333551A - 基于井震结合的白云岩储层预测方法、系统及存储介质 - Google Patents
基于井震结合的白云岩储层预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN110333551A CN110333551A CN201910680744.5A CN201910680744A CN110333551A CN 110333551 A CN110333551 A CN 110333551A CN 201910680744 A CN201910680744 A CN 201910680744A CN 110333551 A CN110333551 A CN 110333551A
- Authority
- CN
- China
- Prior art keywords
- dolomite
- well
- drilling
- drilling area
- characteristic curve
- 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 50
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000005553 drilling Methods 0.000 claims abstract description 129
- 239000010459 dolomite Substances 0.000 claims abstract description 127
- 229910000514 dolomite Inorganic materials 0.000 claims abstract description 127
- 238000011161 development Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 32
- 235000019738 Limestone Nutrition 0.000 claims abstract description 26
- 239000006028 limestone Substances 0.000 claims abstract description 26
- 230000004044 response Effects 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 230000003287 optical effect Effects 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 239000011435 rock Substances 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010206 sensitivity analysis Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000011835 investigation Methods 0.000 abstract description 3
- 238000013211 curve analysis Methods 0.000 abstract 1
- 230000035945 sensitivity Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 241001074085 Scophthalmus aquosus Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/12—Means for transmitting measuring-signals or control signals from the well to the surface, or from the surface to the well, e.g. for logging while drilling
- E21B47/14—Means for transmitting measuring-signals or control signals from the well to the surface, or from the surface to the well, e.g. for logging while drilling using acoustic waves
-
- 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
- G01V1/301—Analysis for determining seismic cross-sections or geostructures
-
- 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
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/50—Corrections or adjustments related to wave propagation
- G01V2210/51—Migration
- G01V2210/514—Post-stack
-
- 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
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
-
- 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
- G01V2210/624—Reservoir parameters
-
- 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
- G01V2210/64—Geostructures, e.g. in 3D data cubes
- G01V2210/641—Continuity of geobodies
-
- 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
- G01V2210/64—Geostructures, e.g. in 3D data cubes
- G01V2210/644—Connectivity, e.g. for fluid movement
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Theoretical Computer Science (AREA)
- Geology (AREA)
- Acoustics & Sound (AREA)
- Evolutionary Computation (AREA)
- Environmental & Geological Engineering (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mining & Mineral Resources (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Fluid Mechanics (AREA)
- Geochemistry & Mineralogy (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于井震结合的白云岩储层预测方法、系统及存储介质，该方法步骤包括：获取测试区的测井数据；将钻井区的测井数据进行敏感曲线分析，求取白云岩指数特征曲线并根据其响应范围差异区分白云岩和灰岩；将所述钻井区的白云岩指数特征曲线经人工智能深度学习后，得到虚拟钻井区的白云岩指数特征曲线；以所述钻井区和虚拟钻井区的白云岩指数特征曲线为约束条件，采用叠后地震资料进行反演，得到所述测试区的白云岩储层的分布和发育状况。本发明通过白云岩指数特征曲线有效地将白云岩与灰岩区分开来，通过人工智能深度学习并结合叠后地震数据，准确预测测试区的白云岩储层的分布和发育状况，为少井区勘探工作提供有效预测方法。
Description
技术领域
本发明涉及油气勘探领域，特别是一种基于井震结合的白云岩储层预测方法、系统及存储介质。
背景技术
白云岩作为最重要的碳酸盐岩储层之一，多年来一直受到勘探家们的青睐。近年来，中国多个大型油气田的发现均与白云岩储层状况息息相关，故通过白云岩储层分布状况来对油气田的分布进行预测这种勘探手段越来越受到重视。由于白云岩储层纵、横向变化相变快，非均质性强，尤其在横波阻抗上与灰岩差异较小，致使在地震剖面上白云岩层与灰岩层之间难于识别。目前，关于白云岩储层的地球物理预测多基于正演模型下的叠前反演技术，尽管已经取得了较好的预测效果，但是均需要结合叠前地震资料来进行预测演算，而中国大多数地区缺乏叠前地震资料，进而在国内采用现有叠前反演技术对白云岩储层进行预测具有较大的局限性，所以如何有效利用叠后地震资料预测白云岩储层分布特征直接关系到下一步的勘探部署工作；特别是由于白云岩与灰岩在测井资料上较难区分开，而对于少井区的白云岩预测就更加困难，故很大程度上限制了白云岩叠后反演技术的发展。
针对这一问题，需要提出一种新的白云岩储层预测手段用于解决上述问题。
发明内容
本发明的目的在于，提供一种基于井震结合的白云岩储层预测方法、系统及存储介质，用于解决现有技术中白云岩与灰岩在横波阻抗图上难以区分，且于少井区采用叠后反演技术进行白云岩储层预测时具有较大局限性的问题。
为解决上述技术问题，本发明提供的第一解决方案是：提供一种基于井震结合的白云岩储层预测方法，步骤包括：获取测试区的测井数据，且测试区包括钻井区和虚拟钻井区；将钻井区中已知钻井的测井数据进行测井敏感性分析，求取钻井区的白云岩指数特征曲线，根据钻井区的白云岩指数特征曲线的响应范围差异区分白云岩和灰岩；将钻井区的白云岩指数特征曲线经人工智能深度学习后，得到虚拟钻井区的白云岩指数特征曲线；以钻井区和虚拟钻井区的白云岩指数特征曲线为约束条件，采用叠后地震资料进行反演，得到测试区的白云岩储层的分布和发育状况。
其中，钻井区中已知钻井的测井数据包括声波时差AC、密度DEN和中子CNL。
其中，钻井区中已知钻井的白云岩指数特征曲线Idolo为：Idolo＝DEN*CNL*AC*10-6，其中，AC为声波时差，DEN为密度，CNL为中子。
其中，白云岩指数特征曲线的响应范围差异具体为：白云岩对钻井区的白云岩指数特征曲线的特征响应范围为31.5～49，灰岩对钻井区的白云岩指数特征曲线的特征响应范围为0～14。
其中，将钻井区的白云岩指数特征曲线经人工智能深度学习后，得到虚拟钻井区的白云岩指数特征曲线的具体步骤为：在测试区中设置虚拟钻井区，且虚拟钻井区包括若干虚拟钻井，根据三维叠后地震数据体得到各虚拟钻井的地震井旁道曲线；基于钻井区处的光截面指数与地震井旁道曲线线性相关的特性，建立虚拟钻井的光截面指数与地震井旁道曲线线性关系，并求出虚拟钻井的光截面指数；基于钻井区的白云岩指数特征曲线与光截面指数具有相关性，通过人工智能深度学习，根据虚拟钻井的光截面指数求出虚拟钻井的白云岩指数特征曲线。
其中，虚拟钻井的白云岩指数特征曲线用于区分虚拟钻井的白云岩与灰岩分布状况。
其中，以钻井区和虚拟钻井区的白云岩指数特征曲线为约束条件，采用叠后地震资料进行反演，得到测试区的白云岩储层的分布和发育状况的具体步骤为：以钻井区中已知钻井以及虚拟钻井区中虚拟钻井的白云岩指数特征曲线为约束条件，选取样本数据，并建立相应的初始模型，其中，样本数据取自于虚拟钻井的数目，初始模型为地震反演参与模型；将样本数据代入初始模型中，运用地震波形差异反演预测过井地震剖面上白云岩储层的分布和发育状况，得到反演结果；将反演结果与钻井区的白云岩储层的分布和发育状况作对比，对反演结果进行修正，直至与钻井区的白云岩储层的分布和发育状况基本一致，得到测试区的白云岩储层的分布和发育状况。
其中，对反演结果进行修正的具体步骤包括：当反演结果与钻井区的白云岩储层的分布和发育状况吻合率低时，重新选择修正样本数据，并重新建立相应的修正模型；将修正样本数据代入修正模型中，运用地震波形差异反演预测过井地震剖面上白云岩储层的分布和发育状况，得到反演修正结果；将反演修正结果与钻井区的白云岩储层的分布和发育状况作对比，当反演修正结果与钻井区的白云岩储层的分布和发育状况吻合率低时则重复上述修正步骤，反之则终止上述修正步骤。
为解决上述技术问题，本发明提供的第二解决方案是：提供一种基于井震结合的白云岩储层预测系统，包括探测模块、特征曲线演算模块、人工智能学习模块和叠后反演模块，且探测模块、特征曲线演算模块、人工智能学习模块和叠后反演模块依次电连接，其中：探测模块用于获取测试区中钻井区的测井数据，并传递给特征曲线演算模块，测试区包括钻井区和虚拟钻井区；特征曲线演算模块用于将钻井区中已知钻井的测井数据进行测井敏感性分析，求取钻井区的白云岩指数特征曲线，根据钻井区的白云岩指数特征曲线的响应范围差异区分白云岩和灰岩，并将区分出的钻井区的白云岩测井数据以及白云岩指数特征曲线传递给人工智能学习模块；人工智能学习模块用于将钻井区的白云岩指数特征曲线经人工智能深度学习后，得到虚拟钻井区中虚拟钻井的白云岩指数特征曲线，并将已知钻井和虚拟钻井的白云岩指数特征曲线传递给叠后反演模块；叠后反演模块用于以钻井区和虚拟钻井区的白云岩指数特征曲线为约束条件，采用叠后地震资料进行反演，得到测试区的白云岩储层的分布和发育状况；基于井震结合的白云岩储层预测系统执行前述第一解决方案中的任一基于井震结合的白云岩储层预测方法。
为解决上述技术问题，本发明提供的第三解决方案是：提供一种存储介质，存储介质中存储有程序数据，程序数据能够被执行以实现前述第一解决方案中任一基于井震结合的白云岩储层预测方法。
本发明的有益效果是：区别于现有技术的情况，本发明通过白云岩指数特征曲线有效地将白云岩与灰岩区分开来，同时，以白云岩指数特征曲线为桥梁，通过人工智能深度学习并结合叠后地震数据，准确预测少井区的白云岩储层的分布和发育状况，为少井区的勘探工作提供了有效的预测方法。
附图说明
图1是本发明中基于井震结合的白云岩储层预测方法一实施方式的流程图；
图2是本发明中基于井震结合的白云岩储层预测方法一实施方式中已知钻井的综合柱状图；
图3是本发明中基于井震结合的白云岩储层预测方法一实施方式中基于白云岩指数特征曲线的概率统计柱状图；
图4是本发明中基于井震结合的白云岩储层预测方法一实施方式中光截面指数与地震井旁道曲线的交汇分析图；
图5是本发明中基于井震结合的白云岩储层预测方法一实施方式中人工智能深度学习图；
图6是本发明中基于井震结合的白云岩储层预测方法一实施方式中钻井区的地震波形反演剖面图。
图7是本发明中基于井震结合的白云岩储层预测方法一实施方式中虚拟钻井区的白云岩发育预测图；
图8是本发明中基于井震结合的白云岩储层预测系统一实施方式的结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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前提下所获得的所有其他实施例，均属于本发明保护的范围。
对本发明中的第一解决方案，请参阅图1，图1是本发明中基于井震结合的白云岩储层预测方法一实施方式的流程图，本发明中基于井震结合的白云岩储层预测方法，步骤包括：
S1：获取测试区的测井数据，且测试区包括钻井区和虚拟钻井区。本步骤中，测试区中钻井区的已知钻井的测井数据包括声波时差AC、密度DEN和中子CNL等等，如图2所示，而这些测井数据中的声波时差AC、密度DEN和中子CNL将会应用于下面的白云岩指数特征曲线表达式中，对区分白云岩和灰岩起到作用。
S2：将钻井区中已知钻井的测井数据进行测井敏感性分析，求取钻井区的白云岩指数特征曲线，根据钻井区的白云岩指数特征曲线的响应范围差异区分白云岩和灰岩。本步骤中，钻井区中已知钻井的白云岩指数特征曲线Idolo为：Idolo＝DEN*CNL*AC*10-6，该表达式中，AC为声波时差，DEN为密度，CNL为中子；由图2中已知钻井的综合柱状图可以看出，在横波阻抗图上，白云岩和灰岩的波形是较难区分开的，而将S1步骤中钻井区中已知钻井的测井数据带入上述白云岩指数特征曲线中进行概率统计，即可针对白云岩与灰岩两者间不同的特征响应范围，非常容易便能将两者区分开来；如图3所示，图3是本发明中基于井震结合的白云岩储层预测方法一实施方式中基于白云岩指数特征曲线的概率统计柱状图，深色柱状线对应灰岩数据，浅色柱状线对应白云岩数据，以含量3％以上为该岩层特征响应状态，白云岩与灰岩两者的响应范围差异具体为：白云岩对钻井区的白云岩指数特征曲线的特征响应范围为31.5～49，灰岩对钻井区的白云岩指数特征曲线的特征响应范围为0～14，两者具有明显的响应范围差异，即证明上述白云岩指数特征曲线Idolo有利于对白云岩和灰岩的直观区分，从而解决了横波阻抗图上白云岩与灰岩难以区分的问题。
S3：将钻井区的白云岩指数特征曲线经人工智能深度学习后，得到虚拟钻井区的白云岩指数特征曲线。本步骤中，由于研究工区仅有一口钻井，即为钻井区的已知钻井L1，而仅仅由一口已知钻井进行白云岩储层预测会大大降低储层预测精度，故需要在测试区再设置虚拟钻井区，且虚拟钻井区中包含若干口虚拟钻井，优选设置2～3口虚拟钻井，本实施方式中选取了3口虚拟钻井并分别命名为A、B、C，根据三维叠后地震数据体即可得到虚拟钻井A、B、C三处的地震井旁道曲线JPD；如图4所示，图4是本发明中基于井震结合的白云岩储层预测方法一实施方式中光截面指数与地震井旁道曲线的交汇分析图，该图是基于钻井区的已知钻井L1处的光截面指数pe与地震井旁道曲线JPD的数据进行分析的，可看出钻井区的已知钻井L1处的光截面指数pe与地震井旁道曲线JPD之间具有线性相关的特性，利用这一特性建立虚拟钻井A、B、C三处的光截面指数pe与地震井旁道曲线JDP之间的线性关系，并求出虚拟钻井的光截面指数pe；如图5所示，图5是本发明中基于井震结合的白云岩储层预测方法一实施方式中人工智能深度学习图，基于钻井区中已知钻井L1处的白云岩指数特征曲线与光截面指数pe具有相关性，通过人工智能深度学习，根据上述虚拟钻井的光截面指数pe求出虚拟钻井区的白云岩指数特征曲线，具体如图5中所示，通过输出设定钻井区中已知钻井L1处的白云岩指数特征曲线，并对其约束条件进行相应的合理设置后，该人工智能深度学习软件将自动生成虚拟钻井A、B、C三处的白云岩指数特征曲线，在人工智能深度学习过程中还会自动生成相应的中间参数以及这些参数的最大值、最小值和相关系数，这些中间参数有利于测试人员准确掌握每次人工智能深度学习的演算趋势，也对后续S4步骤中叠后反演过程的模型建立和修正过程的模型修正有指导性作用。
关于本步骤中的各曲线意义进行说明，白云岩指数特征曲线Idolo其主要作用在于，利用白云岩与灰岩之间特征响应范围的显著差异性，有效地区分白云岩与灰岩；地震井旁道曲线JPD是通过三维叠后地震资料中所提取的井旁道曲线，其作用在于反映岩性的变化；而光电截面指数Pe主要反映岩石的平均原子序数Z，从而更好的反映岩性而定义一个与电子光电吸收截面r/Z成正比的参数，且此处光电截面指数Pe与地震井旁道曲线JPD之间呈线性相关关系，并借以光电截面指数Pe的桥梁作用，求出虚拟钻井A、B、C三处的白云岩指数特征曲线，而虚拟钻井的白云岩指数特征曲线的作用在于区分虚拟钻井的白云岩与灰岩分布状况，以便应用于后续虚拟钻井区的反演预测。
S4：以钻井区和虚拟钻井区的白云岩指数特征曲线为约束条件，采用叠后地震资料进行反演，得到测试区的白云岩储层的分布和发育状况。本步骤中，以S3步骤中所得到的虚拟钻井A、B、C三处的白云岩指数特征曲线和已知钻井L1的白云岩指数特征曲线为约束条件，选取合适的样本数据包括样本参数和高频成分，并建立相应的初始模型，其中，样本数据取自于钻井数，具体包括虚拟钻井数，初始模型为地震反演参与模型；将所选择的样本数据代入初始模型中，运用地震波形差异反演预测过井地震剖面上白云岩储层的分布和发育状况，得到反演结果；请参阅图6和图7，图6是本发明中基于井震结合的白云岩储层预测方法一实施方式中钻井区的地震波形反演剖面图，图7是本发明中基于井震结合的白云岩储层预测方法一实施方式中虚拟钻井区的白云岩发育预测图，将反演结果与钻井区的白云岩储层的分布和发育状况作对比，对反演结果进行修正，直至与钻井区的白云岩储层的分布和发育状况基本一致，得到测试区的白云岩储层的分布和发育状况。具体地，对反演结果进行修正的具体步骤包括：当反演结果与钻井区的白云岩储层的分布和发育状况吻合率低时，重新选择修正样本数据，并重新建立相应的修正模型；将修正样本数据代入修正模型中，运用地震波形差异反演预测过井地震剖面上白云岩储层的分布和发育状况，得到反演修正结果；将反演修正结果与钻井区的白云岩储层的分布和发育状况作对比，当反演修正结果与钻井区的白云岩储层的分布和发育状况吻合率低时则重复上述修正步骤直至与钻井区的白云岩储层的分布和发育状况基本一致，反之则终止上述修正步骤并得到测试区的白云岩储层的分布和发育状况。
本实施方式中，上述初始模型和修正模型的建立以及运算过程均是通过公用的地震反演软件来进行运算的，即该地震反演软件的运算方式与程式设计因为公知的内容，在此不做详述；图6为南北向的过钻井区中已知钻井L1的白云岩储层反演剖面图，对比图6和图7的白云岩储层的分布和发育状况可以看出反演所得测试区的白云岩发育程度分布含量与已知钻井L1井上的结果基本保持一致，说明结合上述白云岩指数特征曲线，通过地震波形差异反演，可以较为准确预测出测试区的白云岩储层空间分布及发育程度，即通过求取目标层系层段属性，可得到目标层系白云岩厚度在平面上的分布特征及发育程度；进一步地，还可以利用地震波形差异反演技术基于上述方法得到的白云岩储层发育程度的地震反演数据体，以进一步提高数据反演精度以及校准精度，以便更加精确地对测试区的白云岩储层的分布和发育状况进行预测，这一方法为钻井较少的研究区提供了更有效、更精确的白云岩储层预测方法。
对于本发明提供的第二解决方案，请参阅图8，图8是本发明中基于井震结合的白云岩储层预测系统一实施方式的结构示意图，该基于井震结合的白云岩储层预测系统包括探测模块801、特征曲线演算模块802、人工智能学习模块803和叠后反演模块804，且探测模块801、特征曲线演算模块802、人工智能学习模块803和叠后反演模块依次电连接804，其中各个模块的功能如下：探测模块801用于获取测试区中钻井区已知钻井的测井数据，并传递给特征曲线演算模块802，其中测试区包括钻井区和虚拟钻井区；特征曲线演算模块802用于将钻井区已知钻井的测井敏感参数进行分析，求取钻井区的白云岩指数特征曲线，根据钻井区的白云岩指数特征曲线响应范围差异区分白云岩和灰岩，并将区分出的钻井区已知钻井的白云岩测井数据以及白云岩指数特征曲线传递给人工智能学习模块803；人工智能学习模块803用于将钻井区的白云岩指数特征曲线经人工智能深度学习后，得到虚拟钻井区中虚拟钻井的白云岩指数特征曲线，并将已知钻井和虚拟钻井的白云岩指数特征曲线传递给叠后反演模块804；叠后反演模块804用于以已知钻井和虚拟钻井的白云岩指数特征曲线为约束条件，采用叠后地震资料进行反演，得到测试区的白云岩储层的分布和发育状况；本实施方式中，基于井震结合的白云岩储层预测系统用于执行前述第一解决方案中的任一基于井震结合的白云岩储层预测方法，其预测方法前述已有详细描述，在此不做赘述。
需要指出的是，本领域的技术人员应知晓，第二解决方案中的各个模块及执行步骤可以通过计算机等逻辑运算装置来实现，这些模块和执行步骤可以集中设置于单个运算装置上，亦可分散设置于多个计算装置所组成的共用网络上，可选择地，将它们制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现，即本发明中第二解决方案不限于任何特定的硬件和软件相适应性结合。
对于本发明提供的第三解决方案，提供一种存储介质，存储介质中存储有程序数据，程序数据能够被执行以实现前述第一解决方案中任一基于井震结合的白云岩储层预测方法。本发明中该存储介质用于存储与前述基于井震结合的白云岩储层预测方法相关的程序数据，用于执行前述基于井震结合的白云岩储层预测方法，该存储介质可包括：U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质，在此不作限定。
区别于现有技术的情况，本发明方案通过白云岩指数特征曲线有效地将白云岩与灰岩区分开来，同时，以白云岩指数特征曲线为桥梁，通过人工智能深度学习并结合叠后地震数据，准确预测测试区的白云岩储层的分布和发育状况，为少井区的勘探工作提供了有效的预测方法。
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于井震结合的白云岩储层预测方法，其特征在于，步骤包括：
获取测试区的测井数据，且所述测试区包括钻井区和虚拟钻井区；
将所述钻井区中已知钻井的测井数据进行测井敏感性分析，求取所述钻井区的白云岩指数特征曲线，根据所述钻井区的白云岩指数特征曲线的响应范围差异区分白云岩和灰岩；
将所述钻井区的白云岩指数特征曲线经人工智能深度学习后，得到所述虚拟钻井区的白云岩指数特征曲线；
以所述钻井区和虚拟钻井区的白云岩指数特征曲线为约束条件，采用叠后地震资料进行反演，得到所述测试区的白云岩储层的分布和发育状况。
2.根据权利要求1所述的基于井震结合的白云岩储层预测方法，其特征在于，所述钻井区中所述已知钻井的测井数据包括声波时差AC、密度DEN和中子CNL。
3.根据权利要求2所述的基于井震结合的白云岩储层预测方法，其特征在于，所述钻井区中所述已知钻井的白云岩指数特征曲线Idolo为：Idolo＝DEN*CNL*AC*10-6，其中，AC为声波时差，DEN为密度，CNL为中子。
4.根据权利要求3所述的基于井震结合的白云岩储层预测方法，其特征在于，所述白云岩指数特征曲线的响应范围差异具体为：
白云岩对所述钻井区的白云岩指数特征曲线的特征响应范围为31.5～49，灰岩对所述钻井区的白云岩指数特征曲线的特征响应范围为0～14。
5.根据权利要求1所述的基于井震结合的白云岩储层预测方法，其特征在于，所述将所述钻井区的白云岩指数特征曲线经人工智能深度学习后，得到所述虚拟钻井区的白云岩指数特征曲线的具体步骤为：
在所述测试区中设置所述虚拟钻井区，且所述虚拟钻井区包括若干虚拟钻井，根据三维叠后地震数据体得到各所述虚拟钻井的地震井旁道曲线；
基于所述钻井区处的光截面指数与地震井旁道曲线线性相关的特性，建立所述虚拟钻井的光截面指数与地震井旁道曲线线性关系，并求出所述虚拟钻井的光截面指数；
基于所述钻井区的白云岩指数特征曲线与光截面指数具有相关性，通过人工智能深度学习，根据所述虚拟钻井的光截面指数求出所述虚拟钻井的白云岩指数特征曲线。
6.根据权利要求5所述的基于井震结合的白云岩储层预测方法，其特征在于，所述虚拟钻井的白云岩指数特征曲线用于区分所述虚拟钻井的白云岩与灰岩分布状况。
7.根据权利要求1所述的基于井震结合的白云岩储层预测方法，其特征在于，所述以所述钻井区和虚拟钻井区的白云岩指数特征曲线为约束条件，采用叠后地震资料进行反演，得到所述测试区的白云岩储层的分布和发育状况的具体步骤为：
以所述钻井区中所述已知钻井以及所述虚拟钻井区中所述虚拟钻井的白云岩指数特征曲线为约束条件，选取样本数据，并建立相应的初始模型，其中，所述样本数据取自于所述虚拟钻井的数目，所述初始模型为地震反演参与模型；
将所述样本数据代入所述初始模型中，运用地震波形差异反演预测过井地震剖面上白云岩储层的分布和发育状况，得到反演结果；
将所述反演结果与所述钻井区的白云岩储层的分布和发育状况作对比，对所述反演结果进行修正，直至与所述钻井区的白云岩储层的分布和发育状况基本一致，得到所述测试区的白云岩储层的分布和发育状况。
8.根据权利要求7所述的基于井震结合的白云岩储层预测方法，其特征在于，所述对所述反演结果进行修正的具体步骤包括：
当所述反演结果与所述钻井区的白云岩储层的分布和发育状况吻合率低时，重新选择修正样本数据，并重新建立相应的修正模型；
将所述修正样本数据代入所述修正模型中，运用地震波形差异反演预测过井地震剖面上白云岩储层的分布和发育状况，得到反演修正结果；
将所述反演修正结果与所述钻井区的白云岩储层的分布和发育状况作对比，当所述反演修正结果与所述钻井区的白云岩储层的分布和发育状况吻合率低时则重复上述修正步骤，反之则终止上述修正步骤。
9.一种基于井震结合的白云岩储层预测系统，其特征在于，包括探测模块、特征曲线演算模块、人工智能学习模块和叠后反演模块，且所述探测模块、所述特征曲线演算模块、所述人工智能学习模块和所述叠后反演模块依次电连接，其中：
所述探测模块用于获取测试区中钻井区的测井数据，并传递给所述特征曲线演算模块，所述测试区包括所述钻井区和虚拟钻井区；
所述特征曲线演算模块用于将所述钻井区中已知钻井的测井数据进行测井敏感性分析，求取所述钻井区的白云岩指数特征曲线，根据所述钻井区的白云岩指数特征曲线的响应范围差异区分白云岩和灰岩，并将区分出的所述钻井区的白云岩测井数据以及白云岩指数特征曲线传递给所述人工智能学习模块；
所述人工智能学习模块用于将所述钻井区的白云岩指数特征曲线经人工智能深度学习后，得到所述虚拟钻井区中虚拟钻井的白云岩指数特征曲线，并将所述已知钻井和虚拟钻井的白云岩指数特征曲线传递给所述叠后反演模块；
所述叠后反演模块用于以所述钻井区和虚拟钻井区的白云岩指数特征曲线为约束条件，采用叠后地震资料进行反演，得到所述测试区的白云岩储层的分布和发育状况；
所述基于井震结合的白云岩储层预测系统执行权利要求1～8中的任一所述基于井震结合的白云岩储层预测方法。
10.一种存储介质，其特征在于，所述存储介质中存储有程序数据，所述程序数据能够被执行以实现权利要求1～8中任一所述基于井震结合的白云岩储层预测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910680744.5A CN110333551B (zh) | 2019-07-26 | 2019-07-26 | 基于井震结合的白云岩储层预测方法、系统及存储介质 |
| US16/925,507 US11016214B2 (en) | 2019-07-26 | 2020-07-10 | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910680744.5A CN110333551B (zh) | 2019-07-26 | 2019-07-26 | 基于井震结合的白云岩储层预测方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110333551A true CN110333551A (zh) | 2019-10-15 |
| CN110333551B CN110333551B (zh) | 2020-09-25 |
Family
ID=68147702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910680744.5A Active CN110333551B (zh) | 2019-07-26 | 2019-07-26 | 基于井震结合的白云岩储层预测方法、系统及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11016214B2 (zh) |
| CN (1) | CN110333551B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110955985A (zh) * | 2019-12-19 | 2020-04-03 | 长江大学 | 一种压裂施工参数优化的方法、设备及可读存储介质 |
| CN111366987A (zh) * | 2020-04-21 | 2020-07-03 | 中油奥博(成都)科技有限公司 | 地面地震微重力联合测量系统及数据采集处理方法 |
| CN112415596A (zh) * | 2020-12-09 | 2021-02-26 | 大庆油田有限责任公司 | 一种基于测井资料的白云岩结构类型识别方法 |
| US11016214B2 (en) * | 2019-07-26 | 2021-05-25 | Yangtze University | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium |
| CN113267809A (zh) * | 2020-02-17 | 2021-08-17 | 中国石油天然气集团有限公司 | I类页岩储层预测方法及装置 |
| CN113669055A (zh) * | 2021-08-27 | 2021-11-19 | 长江大学 | 一种碎屑岩储层分级评价方法 |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113126155B (zh) * | 2021-04-01 | 2024-03-01 | 中国石油化工股份有限公司 | 一种针对分布于煤岩间受强反射影响的砂岩储层预测方法 |
| CN113406702B (zh) * | 2021-05-10 | 2023-04-07 | 中国石油天然气集团有限公司 | 基于相约束可变网格的地质统计学反演方法及装置 |
| CN113406703B (zh) * | 2021-05-31 | 2024-07-26 | 中国石油天然气集团有限公司 | 预测石炭系工区地层厚度的方法及装置 |
| CN113514884A (zh) * | 2021-06-18 | 2021-10-19 | 中国石油化工股份有限公司 | 一种致密砂岩储层预测方法 |
| CN113643145B (zh) * | 2021-08-17 | 2024-06-25 | 中国石油化工股份有限公司 | 一种页岩气储层水平井多层级控制构造建模 |
| CN114624773A (zh) * | 2022-04-29 | 2022-06-14 | 成都理工大学 | 一种确定致密储层含气性的方法及装置 |
| CN115857047B (zh) * | 2022-09-28 | 2023-07-21 | 北京中恒利华石油技术研究所 | 一种地震储层综合预测方法 |
| CN115857015B (zh) * | 2022-12-15 | 2023-10-20 | 吉林大学 | 一种火山地层中定量预测沉凝灰岩分布的方法 |
| CN116757096B (zh) * | 2023-08-16 | 2024-04-05 | 中国石油天然气集团有限公司 | 深薄致密砂岩气藏开发井型确定方法、装置、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040040711A1 (en) * | 2000-06-06 | 2004-03-04 | Tomlinson Brian Henry | Composition for controlling wellbore fluid and gas invasion and method for using same |
| CN103527184A (zh) * | 2013-10-28 | 2014-01-22 | 北京大学 | 一种白云岩储层的预测方法和系统 |
| US20150260034A1 (en) * | 2014-03-14 | 2015-09-17 | Schlumberger Technology Corporation | Determining mineralogy of an earth formation using linear regressions |
| CN105005077A (zh) * | 2015-07-06 | 2015-10-28 | 成都理工大学 | 稀井条件下实钻井与虚拟井联合的薄层厚度预测方法 |
| CN107402411A (zh) * | 2017-08-17 | 2017-11-28 | 中国石油天然气股份有限公司 | 一种微生物碳酸盐岩地层藻白云岩的定量识别方法 |
| CN109425896A (zh) * | 2017-08-25 | 2019-03-05 | 中国石油天然气股份有限公司 | 白云岩油气储层分布预测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110333551B (zh) * | 2019-07-26 | 2020-09-25 | 长江大学 | 基于井震结合的白云岩储层预测方法、系统及存储介质 |
-
2019
- 2019-07-26 CN CN201910680744.5A patent/CN110333551B/zh active Active
-
2020
- 2020-07-10 US US16/925,507 patent/US11016214B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040040711A1 (en) * | 2000-06-06 | 2004-03-04 | Tomlinson Brian Henry | Composition for controlling wellbore fluid and gas invasion and method for using same |
| CN103527184A (zh) * | 2013-10-28 | 2014-01-22 | 北京大学 | 一种白云岩储层的预测方法和系统 |
| US20150260034A1 (en) * | 2014-03-14 | 2015-09-17 | Schlumberger Technology Corporation | Determining mineralogy of an earth formation using linear regressions |
| CN105005077A (zh) * | 2015-07-06 | 2015-10-28 | 成都理工大学 | 稀井条件下实钻井与虚拟井联合的薄层厚度预测方法 |
| CN107402411A (zh) * | 2017-08-17 | 2017-11-28 | 中国石油天然气股份有限公司 | 一种微生物碳酸盐岩地层藻白云岩的定量识别方法 |
| CN109425896A (zh) * | 2017-08-25 | 2019-03-05 | 中国石油天然气股份有限公司 | 白云岩油气储层分布预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 高勇 等: "测井约束反演预测白云岩储层实践", 《广东石油化工学院学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11016214B2 (en) * | 2019-07-26 | 2021-05-25 | Yangtze University | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium |
| CN110955985A (zh) * | 2019-12-19 | 2020-04-03 | 长江大学 | 一种压裂施工参数优化的方法、设备及可读存储介质 |
| CN113267809A (zh) * | 2020-02-17 | 2021-08-17 | 中国石油天然气集团有限公司 | I类页岩储层预测方法及装置 |
| CN113267809B (zh) * | 2020-02-17 | 2024-05-28 | 中国石油天然气集团有限公司 | I类页岩储层预测方法及装置 |
| CN111366987A (zh) * | 2020-04-21 | 2020-07-03 | 中油奥博(成都)科技有限公司 | 地面地震微重力联合测量系统及数据采集处理方法 |
| CN112415596A (zh) * | 2020-12-09 | 2021-02-26 | 大庆油田有限责任公司 | 一种基于测井资料的白云岩结构类型识别方法 |
| CN113669055A (zh) * | 2021-08-27 | 2021-11-19 | 长江大学 | 一种碎屑岩储层分级评价方法 |
| CN113669055B (zh) * | 2021-08-27 | 2023-03-03 | 长江大学 | 一种碎屑岩储层分级评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11016214B2 (en) | 2021-05-25 |
| CN110333551B (zh) | 2020-09-25 |
| US20210026031A1 (en) | 2021-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110333551A (zh) | 基于井震结合的白云岩储层预测方法、系统及存储介质 | |
| CN106873033B (zh) | 一种基于神经网络的多属性地震信息融合裂缝预测的方法 | |
| CN104793247B (zh) | 近地表速度建模方法及建模装置 | |
| CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
| AU2018340369A1 (en) | Method and device for determining thin interlayer | |
| CN105182424B (zh) | 一种基于斑块饱和模型定量预测储层孔隙度的方法和装置 | |
| WO2021130512A1 (en) | Device and method for predicting values of porosity lithofacies and permeability in a studied carbonate reservoir based on seismic data | |
| CN107290782A (zh) | 储层孔隙度、含水饱和度和泥质含量参数同时反演新方法 | |
| CN109085663A (zh) | 一种致密砂岩储层层理缝识别方法 | |
| Xueqing et al. | Bi-LSTM deep neural network reservoir classification model based on the innovative input of logging curve response sequences | |
| CN111507048A (zh) | 一种致密砂岩储层含气性的预测方法、装置、设备及系统 | |
| Graves et al. | Observed and simulated ground motions in the San Bernardino basin region for the Hector Mine, California, earthquake | |
| Changzi et al. | Seismic prediction of sweet spots in the Da'anzhai shale play, Yuanba area, the Sichuan Basin | |
| Chen et al. | Prediction of Shear Wave Velocity Based on a Hybrid Network of Two‐Dimensional Convolutional Neural Network and Gated Recurrent Unit | |
| Lee et al. | Interpreting the effects of shale rock properties on seismic anisotropy by statistical and machine learning methods | |
| Li et al. | Pertinent multigate mixture-of-experts-based prestack three-parameter seismic inversion | |
| CN103543478A (zh) | 地质形态插值的km方法 | |
| CN112444857B (zh) | 一种基于叠后地震资料的膏盐地球物理预测方法 | |
| CN112862169B (zh) | 预测陆相泥页岩游离油含量的方法及装置 | |
| Wang et al. | Characterization of natural fracture development in coal reservoirs using logging machine learning inversion, well test data and simulated geostress analyses | |
| Liu et al. | Formation Grain Size Profile Prediction Model Considering the Longitudinal Continuity of Reservoir Using Artificial Intelligence Tools | |
| Lee et al. | Basin‐scale prediction of S‐wave Sonic Logs using Machine Learning techniques from conventional logs | |
| Li et al. | Time-Lapse Seismic Inversion for Predicting Reservoir Parameters Based on a Two-Stage Dual Network | |
| CN111119841A (zh) | 一种盐岩组分精细处理与岩性自动识别的评价方法 | |
| Ouenes et al. | Improved reservoir simulation with seismically derived fracture models |
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 |