CN110687596A - 基于最小地震波形单元分类的层位自动解释方法 - Google Patents
基于最小地震波形单元分类的层位自动解释方法 Download PDFInfo
- Publication number
- CN110687596A CN110687596A CN201910997692.4A CN201910997692A CN110687596A CN 110687596 A CN110687596 A CN 110687596A CN 201910997692 A CN201910997692 A CN 201910997692A CN 110687596 A CN110687596 A CN 110687596A
- Authority
- CN
- China
- Prior art keywords
- seismic
- horizon
- minimum
- waveform unit
- interpretation
- 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
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
Abstract
本发明提供了一种基于最小地震波形单元分类的层位自动解释方法,包括:步骤1,对目标层段地震数据进行连续性增强预处理;步骤2,对目标层位进行粗网格的层位解释;步骤3,将步骤2得到的初步解释结果作为层位时间控制点,向上、向下平移得到包含多个完整地震波形的顶底时窗;步骤4,对时窗内的地震数据进行最小波形单元划分;步骤5,提取最小地震波形单元特征值;步骤6,构建随机森林最小地震波形单元分类模型;步骤7,进行全区层位自动解释结果的优化。本发明降低了层位自动识别算法优化难度,同时施加了专业约束,有效提高了层位自动解释结果的可靠性,具有很好的应用前景。
Description
技术领域
本发明涉及勘探地球物理领域,特别提供了一种基于最小地震波形单元分类的层位自动解释方法。
背景技术
在勘探和开发中,地震层位解释是油气勘探的基础,其可靠性直接影响后续储层预测、油气藏评价结果的合理性。一般情况,层位解释基本是靠手工或单剖面的自动追踪,受制于局限的视野,往往在短时间内难以获得满意的解释结果,大大制约了油田生产工作的推进。传统的层位插值算法简单,执行效率高,但易出现穿轴现象,在构造复杂工区,仍需引入大量人工干预。为提升层位解释效率及精度,近些年来研究者加大了对层位自动追踪算法的关注,相关研究也得到了快速的发展。
目前层位自动追踪的方法主要有四大类。第一类是基于地震相关性分析的层位自动追踪技术,通过计算相邻道间的相关性进行同相轴追踪,具有较好的抗噪性,但相似波形出现在相邻层位时,容易出现穿轴现象,可靠性降低;第二类是基于图像的自动追踪技术。Hale(2009)等和Naeini(2014)等在层位识别引入了图像领域中的结构张量,提取层位的主要发育方向,进而指导层位的自动追踪。该方法在构造相对简单地区应用效果较好,但当构造形态较复杂时,层位精度和可靠性都难以得到保证;第三类是基于人工神经网络的自动追踪技术,Alberts(1999)等应用该技术在层位追踪中取得了较好的效果,但该技术主要采用浅层神经网络,解释结果的可靠性严重受制于训练样本个数,实际应用中往往难以满足算法要求;第四类是基于地震属性分析的层位自动追踪方法,Emanuele(2015,2016)等利用地震相位属性拾取层位,但当地震资料信噪比较低时,无法保证解释结果稳定性。总的来说,上述技术改进了层位自动追踪算法,在实际应用中取得了一定的应用效果,但在描述地震数据与层位间映射关系方面还有待进一步完善。为此我们发明了一种新的基于最小地震波形单元分类的层位自动解释方法,解决了以上技术问题。
发明内容
本发明的目的是提供一种可以达到提高层位自动解释可靠性和精度的目的基于最小地震波形单元分类的层位自动解释方法。
本发明的目的可通过如下技术措施来实现:基于最小地震波形单元分类的层位自动解释方法,该基于最小地震波形单元分类的层位自动解释方法包括:步骤1,对目标层段地震数据进行连续性增强预处理;步骤2,对目标层位进行粗网格的层位解释;步骤3,将步骤2得到的初步解释结果作为层位时间控制点,向上、向下平移得到包含多个完整地震波形的顶底时窗;步骤4,对时窗内的地震数据进行最小波形单元划分;步骤5,提取最小地震波形单元特征值;步骤6,构建随机森林最小地震波形单元分类模型;步骤7,进行全区层位自动解释结果的优化。
本发明的目的还可通过如下技术措施来实现:
在步骤1中,对地震数据进行连续性增强处理,获取高精度地震数据,突出主要地层格架及精细地层格架特征。
在步骤2中,在精细合成记录标定的基础上,开展对待解释层位进行均匀分布的粗网格解释,在构造复杂区域进行加密层位解释。
在步骤3中,将步骤2得到的初步解释结果为参考,向上、向下平移得到待解释层段的顶底时窗位置;向上、向下平移的初始时间差值依据子波长度给出,并以此为初始位置搜索向上、向下的波谷极值点时间位置。
在步骤4中,逐道进行地震最小波形单元划分,对于波谷—波峰—波谷波形单元组合,根据波谷和波峰将地震波形划分为小的数据单元,具体划分过程是:
①根据地震道零线,搜索波谷和波峰位置;
②波形划分依据以波谷—波谷的极值点为首尾边界,将各道地震数据划分为不同的地震波形单元;
③提取得到单波峰、双波峰、复波多种样式的波形单元,在同一地震道中需保证待解释层位顶底时窗内至少有三个地震波形单元。
在步骤5中,对划分得到的最小地震波形单元进行特征值计算,包括主频、波形样式、最大振幅、波峰个数、波谷个数、波峰长度、平均曲率;其中波形样式、波峰个数、波谷个数、波峰长度、波谷长度按照局部极值点算法进行判别和计算,平均曲率可由结构张量等方法进行计算。
在步骤6中,将步骤2获得的层位解释结果作为样本标签,将步骤5获得的最小地震波形单元特征值组成样本数据,利用Bootstrap(自助法)方法抽取训练样本,构建随机森林最小地震波形单元分类模型,其主要步骤如下:
①设训练样本为T={x,y},其中x为多个最小地震波形单元特征值组成的训练数据集合,y为最小波形单元对应的层位解释结果,根据粗网格解释结果,同一地震道内,已解释点为1,未解释点为-1;
②从训练样本T中进行Bootstrap(自助法)采样,生成多个训练集Ti,构建多个决策树Tri;
③从特征值中随机选取部分特征Fj,完成随机森林的构建;
④根据训练样本集和对应的标签数据,优化步骤②、③随机森林中的关键参数,获得层位自动解释随机森林预测模型。
在步骤7中,对未解释的地震道,利用周边已解释的层位时间进行插值,并重复步骤3生成未解释道的顶底时窗,并按步骤4在时窗内提取未解释地震道的最小地震波形单元,之后按照步骤5提取未解释道的最小地震波形单元特征值,至此生成未解释道层位预测数据;接下来,利用步骤7构建的层位自动解释随机森林预测模型对未解释道进行最小地震波形单元分类,给出全区的层位自动解释结果。
在步骤7中,以随机森林自动解释结果为初始值,根据用户设置的层位空间趋势分析参数,进一步优化层位自动解释成果,消除穿轴点数据。
该基于最小地震波形单元分类的层位自动解释方法还包括,在步骤7之后,将优化后的自动解释成果输出至地震解释平台。
本发明的基于最小地震波形单元分类的层位自动解释方法,将地震数据进行最小波形单元划分,并对其进行反射特征值的提取,在此基础上构建适用于层位解释的随机森林自动解释模型,最后结合专业约束优化自动解释结果,从而达到提高层位自动解释可靠性和精度的目的。本发明将地震数据划分为最小波形单元,并提取多个特征值,之后以此为基础进行层位解释样本库的构建,降低了层位自动识别算法优化难度,同时施加了专业约束,有效提高了层位自动解释结果的可靠性,具有很好的应用前景。
附图说明
图1为本发明的一种基于最小地震波形单元分类的层位自动解释方法一实施例流程图;
图2为本发明的一具体实施例中设计的层位B(从新到老共A、B、C、D四个地层)粗网格层位解释样本点平面图;
图3为本发明的一具体实施例中设计的Line1170线粗网格解释层位样本点剖面图;
图4为本发明的一具体实施例中设计的Cdp640线粗网格解释层位样本点剖面图;
图5为本发明的一具体实施例中设计的层位B(从新到老共A、B、C、D四个地层)全网格层位自动解释结果平面图;
图6为本发明的一具体实施例中设计的Line1170线全网格层位自动解释剖面图;
图7为本发明的一具体实施例中设计的Cdp640线全网格层位自动解释剖面图。
具体实施方式
下面将结合具体的实施方案对本发明进行进一步的解释,有关本发明的详细说明及技术内容,配合附图说明如下,然而附图仅提供参考与说明之用,并非用来对本发明加以限制。
如图1所示,本发明一种基于最小地震波形单元分类的层位自动解释方法一实施例流程图,该实施例具体步骤如下:
(1)对目标层段地震数据进行连续性增强预处理;对地震数据进行连续性增强处理,获取高精度地震数据,突出主要地层格架及精细地层格架特征。
(2)对目标层位进行粗网格的层位解释;在精细合成记录标定的基础上,开展对待解释层位进行均匀分布的粗网格解释,在构造复杂区域可适当加密层位解释。
(3)将步骤(2)得到的初步解释结果作为层位时间控制点,向上、向下平移得到包含多个完整地震波形的顶底时窗;
将步骤(2)得到的初步解释结果为参考,向上、向下平移得到待解释层段的顶底时窗位置。向上、向下平移的初始时间差值依据子波长度给出,并以此为初始位置搜索向上、向下的波谷极值点时间位置。
(4)对时窗内的地震数据进行最小波形单元划分;
逐道进行地震最小波形单元划分,以波谷—波峰—波谷波形单元组合为例,根据波谷和波峰将地震波形划分为小的数据单元,具体划分过程是:
①根据地震道零线,搜索波谷和波峰位置;
②波形划分依据以波谷—波谷的极值点为首尾边界,将各道地震数据划分为不同的地震波形单元;
③可提取得到单波峰、双波峰、复波等多种样式的波形单元,在同一地震道中需保证待解释层位顶底时窗内至少有三个地震波形单元。
(5)提取最小地震波形单元特征值。对划分得到的最小地震波形单元进行特征值计算,包括主频、波形样式、最大振幅、波峰个数、波谷个数、波峰长度、平均曲率等。其中波形样式、波峰个数、波谷个数、波峰长度、波谷长度按照局部极值点算法进行判别和计算,平均曲率可由结构张量等方法进行计算。
(6)将步骤(2)获得的层位解释结果作为样本标签,将步骤(5)获得的最小地震波形单元特征值组成样本数据,利用Bootstrap(自助法)方法抽取训练样本,构建随机森林最小地震波形单元分类模型,其主要步骤如下:
①设训练样本为T={x,y},其中x为多个最小地震波形单元特征值组成的训练数据集合,y为最小波形单元对应的层位解释结果,根据粗网格解释结果,同一地震道内,已解释点为1,未解释点为-1;
②从训练样本T中进行Bootstrap(自助法)采样,生成多个训练集Ti,构建多个决策树Tri;
③从特征值中随机选取部分特征Fj,完成随机森林的构建;
④根据训练样本集和对应的标签数据,优化步骤②、③随机森林中的关键参数,获得层位自动解释随机森林预测模型。
(7)对未解释的地震道,利用周边已解释的层位时间进行插值,并重复步骤(3)~(5)生成最小地震波形单元层位预测数据,然后利用构建的随机森林最小地震波形单元分类模型,实现全区的层位自动解释结果,并结合地层趋势等专业约束信息进行全区层位自动解释结果的优化;
对未解释的地震道,利用周边已解释的层位时间进行插值,并重复步骤(3)生成未解释道的顶底时窗,并按步骤(4)在时窗内提取未解释地震道的最小地震波形单元,之后按照步骤(5)提取未解释道的最小地震波形单元特征值,至此生成未解释道层位预测数据。接下来,利用步骤(7)构建的层位自动解释随机森林预测模型对未解释道进行最小地震波形单元分类,给出全区的层位自动解释结果。
以随机森林自动解释结果为初始值,根据用户设置的层位空间趋势分析参数,进一步优化层位自动解释成果,消除“穿轴”点数据。具体参数根据地震资料品质和构造复杂程度由用户实验优化设定。
(8)输出全区层位解释结果。将优化后的自动解释成果输出至地震解释平台。
本发明将地震数据划分为最小波形单元,并提取多个特征值,之后以此为基础进行层位解释样本库的构建,降低了层位自动识别算法优化难度,同时施加了专业约束,可有效提高层位自动解释结果的可靠性。
以下结合具体的实施例对本发明做进一步说明。
本次对研究区多个层位地层(从新到老A、B、C、D)进行了网格选区,根据层位的分布特点,选定了20×20的网格点作为样本点。
从样本点(图2所示散点)平面分布来看,样本没有分布在研究区全部,分析原因是由于所选择的层位为砂砾岩体的顶面,其分布受限于沉积条件,其在平面特征具有扇形的特征。从Line1170剖面(图3)、Cdp640剖面(图4)的样本分析(散点为样本点)可看出所选择的层位在剖面上具有较强振幅、连续性较好的特征,横向变化不是太大。但和上下层位的接触关系相对比较复杂,上面的层位超覆在该层位上面,这是该层位进行解释的难度。该特点是由于其层位为砂砾岩的平面分布造成的,选择这样的层位具有一定的预测难度,但更具有挑战性。
根据粗网格的解释层位点,按照实施例1所述步骤,提取最小地震波形单元,并提取其特征值,组成训练数据和校验数据。将样本数据中的20%作为验证数据集,80%作为模型训练数据集。
本次实例中随机森林的层位模型参数为:模型最大特征数10;模型最大深度无限制;最小的样本个数为100;叶子节点最小样本数为1;叶子节点最小的样本权重为0;决策树棵树为50。
根据上述参数设置,获取基于最小地震最小单元的随机森林层位分类模型,并结合工区地层趋势专业约束,获得最终的全区层位解释结果。从层位B的自动解释结果平面图(图5)和研究区Line1170剖面(图6)和Cdp640(图7)剖面自动解释结果分析(图6与图7中实线为预测结果,散点为样本点)分析可知,预测的结果基本是预测了层位的分布,该层位是沿着中强振幅的地震轴分布,在上下轴交汇的地方,基本是体现出了上面地层轴和预测层超覆的接触关系。在波峰的位置上,基本走的是最大值,这表明该方法可以进行一定难度的层位的自动追踪。
Claims (10)
1.基于最小地震波形单元分类的层位自动解释方法,其特征在于,该基于最小地震波形单元分类的层位自动解释方法包括:
步骤1,对目标层段地震数据进行连续性增强预处理;
步骤2,对目标层位进行粗网格的层位解释;
步骤3,将步骤2得到的初步解释结果作为层位时间控制点,向上、向下平移得到包含多个完整地震波形的顶底时窗;
步骤4,对时窗内的地震数据进行最小波形单元划分;
步骤5,提取最小地震波形单元特征值;
步骤6,构建随机森林最小地震波形单元分类模型;
步骤7,进行全区层位自动解释结果的优化。
2.根据权利要求1所述的基于最小地震波形单元分类的层位自动解释方法,其特征在于,在步骤1中,对地震数据进行连续性增强处理,获取高精度地震数据,突出主要地层格架及精细地层格架特征。
3.根据权利要求1所述的基于最小地震波形单元分类的层位自动解释方法,其特征在于,在步骤2中,在精细合成记录标定的基础上,开展对待解释层位进行均匀分布的粗网格解释,在构造复杂区域进行加密层位解释。
4.根据权利要求1所述的基于最小地震波形单元分类的层位自动解释方法,其特征在于,在步骤3中,将步骤2得到的初步解释结果为参考,向上、向下平移得到待解释层段的顶底时窗位置;向上、向下平移的初始时间差值依据子波长度给出,并以此为初始位置搜索向上、向下的波谷极值点时间位置。
5.根据权利要求1所述的基于最小地震波形单元分类的层位自动解释方法,其特征在于,在步骤4中,逐道进行地震最小波形单元划分,在步骤4中,逐道进行地震最小波形单元划分,对于波谷—波峰—波谷波形单元组合,根据波谷和波峰将地震波形划分为小的数据单元,具体划分过程是:
①根据地震道零线,搜索波谷和波峰位置;
②波形划分依据以波谷—波谷的极值点为首尾边界,将各道地震数据划分为不同的地震波形单元;
③提取得到单波峰、双波峰、复波多种样式的波形单元,在同一地震道中需保证待解释层位顶底时窗内至少有三个地震波形单元。
6.根据权利要求1所述的基于最小地震波形单元分类的层位自动解释方法,其特征在于,在步骤5中,对划分得到的最小地震波形单元进行特征值计算,包括主频、波形样式、最大振幅、波峰个数、波谷个数、波峰长度、平均曲率;其中波形样式、波峰个数、波谷个数、波峰长度、波谷长度按照局部极值点算法进行判别和计算,平均曲率由结构张量等方法进行计算。
7.根据权利要求1所述的基于最小地震波形单元分类的层位自动解释方法,其特征在于,在步骤6中,将步骤2获得的层位解释结果作为样本标签,将步骤5获得的最小地震波形单元特征值组成样本数据,利用Bootstrap方法抽取训练样本,构建随机森林最小地震波形单元分类模型,其主要步骤如下:
①设训练样本为T={x,y},其中x为多个最小地震波形单元特征值组成的训练数据集合,y为最小波形单元对应的层位解释结果,根据粗网格解释结果,同一地震道内,已解释点为1,未解释点为-1;
②从训练样本T中进行Bootstrap采样,生成多个训练集Ti,构建多个决策树Tri;
③从特征值中随机选取部分特征Fj,完成随机森林的构建;
④根据训练样本集和对应的标签数据,优化步骤②、③随机森林中的关键参数,获得层位自动解释随机森林预测模型。
8.根据权利要求1所述的基于最小地震波形单元分类的层位自动解释方法,其特征在于,在步骤7中,对未解释的地震道,利用周边已解释的层位时间进行插值,并重复步骤3生成未解释道的顶底时窗,并按步骤4在时窗内提取未解释地震道的最小地震波形单元,之后按照步骤5提取未解释道的最小地震波形单元特征值,至此生成未解释道层位预测数据;接下来,利用步骤7构建的层位自动解释随机森林预测模型对未解释道进行最小地震波形单元分类,给出全区的层位自动解释结果。
9.根据权利要求8所述的基于最小地震波形单元分类的层位自动解释方法,其特征在于,在步骤7中,以随机森林自动解释结果为初始值,根据用户设置的层位空间趋势分析参数,进一步优化层位自动解释成果,消除穿轴点数据。
10.据权利要求1所述的基于最小地震波形单元分类的层位自动解释方法,其特征在于,该基于最小地震波形单元分类的层位自动解释方法还包括,在步骤7之后,将优化后的自动解释成果输出至地震解释平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910997692.4A CN110687596B (zh) | 2019-10-17 | 2019-10-17 | 基于最小地震波形单元分类的层位自动解释方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910997692.4A CN110687596B (zh) | 2019-10-17 | 2019-10-17 | 基于最小地震波形单元分类的层位自动解释方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110687596A true CN110687596A (zh) | 2020-01-14 |
CN110687596B CN110687596B (zh) | 2021-07-06 |
Family
ID=69113919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910997692.4A Active CN110687596B (zh) | 2019-10-17 | 2019-10-17 | 基于最小地震波形单元分类的层位自动解释方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110687596B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113589373A (zh) * | 2020-04-30 | 2021-11-02 | 中国石油化工股份有限公司 | 井震联合自适应多参数智能岩相识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6278949B1 (en) * | 1998-11-25 | 2001-08-21 | M. Aftab Alam | Method for multi-attribute identification of structure and stratigraphy in a volume of seismic data |
CN105008963A (zh) * | 2012-11-03 | 2015-10-28 | 钻井信息公司 | 地震波形分类系统和方法 |
CN106842307A (zh) * | 2015-12-04 | 2017-06-13 | 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 |
US20170248715A1 (en) * | 2014-09-22 | 2017-08-31 | Cgg Services Sas | Simultaneous multi-vintage time-lapse full waveform inversion |
CN108680954A (zh) * | 2018-08-01 | 2018-10-19 | 中国石油天然气股份有限公司 | 一种频率域多数据体变时窗波形聚类方法及其装置 |
CN109669210A (zh) * | 2018-11-29 | 2019-04-23 | 中国石油大学(华东) | 基于多种地震属性评价准则的有利区预测方法 |
CN109725348A (zh) * | 2017-10-30 | 2019-05-07 | 中国石油化工股份有限公司 | 一种基于地震资料识别沉积相的方法 |
-
2019
- 2019-10-17 CN CN201910997692.4A patent/CN110687596B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6278949B1 (en) * | 1998-11-25 | 2001-08-21 | M. Aftab Alam | Method for multi-attribute identification of structure and stratigraphy in a volume of seismic data |
CN105008963A (zh) * | 2012-11-03 | 2015-10-28 | 钻井信息公司 | 地震波形分类系统和方法 |
US20170248715A1 (en) * | 2014-09-22 | 2017-08-31 | Cgg Services Sas | Simultaneous multi-vintage time-lapse full waveform inversion |
CN106842307A (zh) * | 2015-12-04 | 2017-06-13 | 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 |
CN109725348A (zh) * | 2017-10-30 | 2019-05-07 | 中国石油化工股份有限公司 | 一种基于地震资料识别沉积相的方法 |
CN108680954A (zh) * | 2018-08-01 | 2018-10-19 | 中国石油天然气股份有限公司 | 一种频率域多数据体变时窗波形聚类方法及其装置 |
CN109669210A (zh) * | 2018-11-29 | 2019-04-23 | 中国石油大学(华东) | 基于多种地震属性评价准则的有利区预测方法 |
Non-Patent Citations (2)
Title |
---|
Z.F.LI 等: "机器学习应用于地震预警中的地震波判别研究", 《世界地震译丛》 * |
谷明峰 等: "川中雷口坡组四3亚段地震相分析——应用波形分类技术研究沉积相的实例", 《海相油气地质》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113589373A (zh) * | 2020-04-30 | 2021-11-02 | 中国石油化工股份有限公司 | 井震联合自适应多参数智能岩相识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110687596B (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108931814B (zh) | 一种基于多属性融合的基岩裂缝预测的方法 | |
AU2009249473B2 (en) | Seismic horizon skeletonization | |
CN103901478B (zh) | 一种井震信息联合确定储层沉积特征和分布的方法 | |
CN105445800B (zh) | 一种厚层砂体顶部分异岩性油藏的识别方法 | |
AU2013337322B2 (en) | Seismic waveform classification system and method | |
CN105093277B (zh) | 地震建模中的浅中深层速度融合方法 | |
CN105652323B (zh) | 一种储层预测方法 | |
CN109425900B (zh) | 一种地震储层预测方法 | |
CN105005079B (zh) | 一种井曲线反演方法 | |
CN107741602B (zh) | 一种基于地震波形特征的储层自动追踪方法 | |
CN105863628B (zh) | 一种油田开发阶段储层精细预测方法 | |
CN105319585A (zh) | 一种利用薄层干涉振幅恢复识别油气藏的方法 | |
CN114114459A (zh) | 一种相控约束下的深层-超深层碳酸盐岩薄储层预测方法 | |
CN108663714A (zh) | 一种沉积微相刻画方法 | |
CN110687596B (zh) | 基于最小地震波形单元分类的层位自动解释方法 | |
CN112180468B (zh) | 一种等时地层模型控制下的砂砾岩体岩相预测方法 | |
CN112711068B (zh) | 一种砂岩中油气有效储层预测方法及装置 | |
CN115629417B (zh) | 基于地震沉积学的多尺度融合及相控颗粒滩刻画方法 | |
Wang et al. | Intelligent velocity picking and uncertainty analysis based on the Gaussian mixture model | |
Iltaf et al. | Facies and petrophysical modeling of Triassic Chang 6 tight sandstone reservoir, Heshui oil field, Ordos basin, China | |
CN105989541B (zh) | 一种基于大数据的测井资料的处理方法 | |
CN112379435A (zh) | 相控岩溶型缝洞集合体刻画方法及装置 | |
CN110389381B (zh) | 一种基于地震属性的砂体储层预测方法及装置 | |
CN110443801A (zh) | 一种基于改进AlexNet的盐丘识别方法 | |
CN113093275B (zh) | 曲流河及曲流河三角洲油田钻井成功率提高方法及装置 |
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 |