CN110687599B - 一种火成岩发育区井控自编码岩性识别方法 - Google Patents

一种火成岩发育区井控自编码岩性识别方法 Download PDF

Info

Publication number
CN110687599B
CN110687599B CN201810724558.2A CN201810724558A CN110687599B CN 110687599 B CN110687599 B CN 110687599B CN 201810724558 A CN201810724558 A CN 201810724558A CN 110687599 B CN110687599 B CN 110687599B
Authority
CN
China
Prior art keywords
lithology
seismic
well
data
sensitive
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
CN201810724558.2A
Other languages
English (en)
Other versions
CN110687599A (zh
Inventor
赵宝银
高斌
王志坤
霍丽丽
张敬艺
余成林
谢伟彪
葛许芳
李玉存
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.)
Petrochina Co Ltd
Original Assignee
Petrochina Co Ltd
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 Petrochina Co Ltd filed Critical Petrochina Co Ltd
Priority to CN201810724558.2A priority Critical patent/CN110687599B/zh
Publication of CN110687599A publication Critical patent/CN110687599A/zh
Application granted granted Critical
Publication of CN110687599B publication Critical patent/CN110687599B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01V1/30—Analysis
    • G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity

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)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种火成岩发育区井控自编码岩性识别方法，属于石油勘探开发地震资料处理解释领域。所述火成岩发育区井控自编码岩性识别方法利用选定区域多口井的岩性资料、地震资料和测井资料，得到多个岩性敏感的地震属性数据体和多个岩性敏感的叠前叠后的岩石物理参数数据体，对两种数据体进行井控去噪自编码属性降维运算，得到岩性识别属性，根据岩性识别属性，识别火成岩发育区的岩性，确定火成岩发育区的岩性空间分布，解决了火成岩发育区复杂岩性识别的问题，为火成岩发育区油气田钻井设计等工作提供依据，减少了勘探开发的风险和成本。

Description

一种火成岩发育区井控自编码岩性识别方法
技术领域
本发明涉及石油勘探开发地震资料处理解释领域，特别涉及一种火成岩发育区井控自编码岩性识别方法。
背景技术
火成岩作为三大岩石之一，在国内外含油气盆地广泛发育。火成岩岩性岩相复杂、期次多、平面非均质性大、纵横向岩性变化快、岩石物理特征复杂，而火成岩发育与储层关系复杂，火成岩发育区砂岩储层准确预测成为制约油气开发的一个重要瓶颈，严重影响了火成岩发育区油气田勘探和开发，亟需开展火成岩研究，落实火成岩下砂岩储层的分布，进一步提高钻井成功率。
目前对于火成岩发育区的识别主要是利用地震属性进行岩性预测，通过从地震资料中提取多种地震属性参数，采用地震属性优选方法,如专家知识的选择、属性贡献量方法和搜索算法、地震特征参数与储层参数的相关分析、关联度分析方法、遗传算法优化方法等，优选出对岩性最敏感、个数最少的地震属性或属性组合，以识别火成岩岩性。
然而，现有识别火成岩岩性的多数算法采用线性方法，而地下地层构造复杂、岩性庞杂、地层接触关系多样，线性方法不符合客观实际，预测结果与地下真实情况相差较大，火成岩岩性的识别率低；有些算法尽管采用非线性方法进行地震属性优化，但优化过程中需要监督，优化过程需要过多的人员干预，计算效率低，且不能充分利用已钻井岩性信息，增加了勘探开发的风险和成本。
发明内容
鉴于此，本发明提供一种采用降维算法的火成岩发育区井控自编码岩性识别方法，以提高火成岩岩性识别率，降低勘探开发的风险和成本。
具体而言，包括以下的技术方案：
一种火成岩发育区井控自编码岩性识别方法，所述方法包括：
获取选定区域多口井的岩性资料、地震资料和测井资料；
根据所述选定区域内预选井的地震资料和测井资料，计算得到多个井旁地震道属性；
根据所述预选井的岩性资料和所述多个井旁地震道属性，建立预选井井旁地震道属性与火成岩发育区岩性的映射关系；
根据预选井井旁地震道属性与火成岩发育区岩性的映射关系，得到多个岩性敏感的井旁地震道属性；
根据所述选定区域多口井的地震资料和所述多个岩性敏感的井旁地震道属性，建立多条联井敏感属性剖面；
根据所述选定区域多口井的岩性资料和所述多条联井属性剖面，得到多个岩性敏感的地震属性数据体；
根据所述选定区域多口井的测井资料，得到多个火成岩发育区岩性敏感的岩石物理参数；
根据所述选定区域多口井的地震资料和多个所述火成岩发育区岩性敏感的岩石物理参数，得到多个岩性敏感的叠前叠后的岩石物理参数数据体；
对所述多个岩性敏感的地震属性数据体和所述多个岩性敏感的叠前叠后的岩石物理参数数据体进行井控去噪自编码属性降维运算，得到岩性识别属性；
根据所述岩性识别属性，识别所述火成岩发育区的岩性。
可选择地，所述根据所述选定区域内预选井的地震资料和测井资料，计算得到多个井旁地震道属性包括：对所述预选井的测井资料中的声波和密度曲线进行合成记录精细标定，得到合适的子波；根据所述子波，得到合成地震道；将所述合成地震道与所述选定区域多口井的地震资料中的井旁地震道作比较，当所述合成地震道与所述井旁地震道吻合度高时，确定对应的所述井旁地震道的地震资料为符合要求的地震资料；根据所述符合要求的地震资料，计算得到多个井旁地震道属性。
可选择地，所述根据所述选定区域多口井的岩性资料和所述多条联井敏感属性剖面，得到多个岩性敏感的地震属性数据体包括：将所述多条联井敏感属性剖面与每口井实际钻遇的岩性作比较，剔除与井岩性吻合度低的地震属性，得到多个岩性敏感的地震属性数据体。
可选择地，所述根据所述选定区域多口井的测井资料，得到多个火成岩发育区岩性敏感的岩石物理参数包括：根据所述选定区域多口井的测井资料中的测井曲线、衍生测井曲线和测井岩性解释结果对火成岩发育区所在层段进行测井曲线交会分析；根据所述测井曲线交会分析，得到多个火成岩发育区岩性敏感的岩石物理参数。
可选择地，根据所述选定区域多口井的地震资料和所述多个火成岩发育区岩性敏感的岩石物理参数，得到多个岩性敏感的叠前叠后的岩石物理参数数据体包括：利用所述选定区域多口井的地震资料和所述多个火成岩发育区岩性敏感的岩石物理参数，以已知地质规律和测井资料为约束，进行地震反演，计算得到多个岩性敏感的叠前叠后的岩石物理参数数据体。
可选择地，所述井控去噪自编码属性降维运算根据以下计算公式获取：
Figure BDA0001719405210000031
Figure BDA0001719405210000032
为相对熵。
可选择地，所述井旁地震道属性包括单属性和复合属性。
可选择地，所述岩石物理参数包括纵波速度、横波速度、密度、纵波阻抗、横波阻抗、纵横波速度比、泊松比、拉梅系数和剪切模量。
本发明实施例提供的技术方案的有益效果至少包括：
本发明实施例提供的火成岩发育区井控自编码岩性识别方法，利用选定区域多口井的岩性资料、地震资料和测井资料，得到多个岩性敏感的地震属性数据体和多个岩性敏感的叠前叠后的岩石物理参数数据体，对两种数据体进行井控去噪自编码属性降维运算，得到岩性识别属性，根据岩性识别属性，识别火成岩发育区的岩性，确定火成岩发育区的岩性空间分布，解决了火成岩发育区复杂岩性识别的问题，为火成岩发育区油气田钻井设计等工作提供依据，减少了勘探开发的风险和成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种火成岩发育区井控自编码岩性识别方法的方法流程图；
图2为本发明实施例提供的一种火成岩发育区井控自编码岩性识别方法的自编码算法属性降维原理示意图；
图3为本发明实施例提供的一种火成岩发育区井控自编码岩性识别方法的去噪自编码算法原理示意图；
图4为本发明实施例提供的一种火成岩发育区井控自编码岩性识别方法中属性优选与自编码降维流程示意图；
图5为本发明实施例提供的一种火成岩发育区井控自编码岩性识别方法中优选属性与不同岩性对应关系示意图；
图6为本发明实施例提供的利用一种火成岩发育区井控自编码岩性识别方法得到的单属性区分岩性剖面图；
图7为本发明实施例提供的利用一种火成岩发育区井控自编码岩性识别方法得到的识别结果的剖面图。
具体实施方式
为使本发明的技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明提供了一种火成岩发育区井控自编码岩性识别方法，其方法流程图如图1所示，该方法包括：
步骤101：获取选定区域多口井的岩性资料、地震资料和测井资料；
步骤102：根据选定区域内预选井的地震资料和测井资料，计算得到多个井旁地震道属性；
具体地，对预选井的测井资料中的声波和密度曲线进行合成记录精细标定，得到合适的子波；根据子波，通过褶积，得到合成地震道；将合成地震道与选定区域多口井的地震资料中的井旁地震道作比较，当合成地震道与井旁地震道吻合度高时，确定此时的地震资料为符合要求的地震资料；根据符合要求的地震资料，计算得到预选井的多个井旁地震道属性。
需要说明的是，子波可以是理论雷克子波，也可以是从井点附近地震数据中提取的子波，判断合适子波的标准主要是参考合成记录精细标定的结果。
其中，井旁地震道属性包括单属性和复合属性。具体而言，单属性是指应用地震数据，通过公式计算得到的另外一种数据，该数据对应着某类地震的属性，例如是能量、频率、振幅、相位等；复合属性是指多种单一的地震属性再进行数学计算得到的一种地震复合数据，复合属性往往较单属性更能指示地下岩石的分布。
步骤103：根据预选井的岩性资料和多个井旁地震道属性，建立预选井井旁地震道属性与火成岩发育区岩性的映射关系；
具体地，在预选井的岩性资料中提取岩性数据，将岩性数据与多个井旁地震道属性建立映射关系，而井旁道地震属性与火成岩发育区岩性的映射关系指的就是已钻井的岩性与井旁地震道地震属性之间的匹配关系。
步骤104：根据预选井井旁地震道属性与火成岩发育区岩性的映射关系，得到多个岩性敏感的井旁地震道属性；
具体地，通过预选井井旁地震道属性与火成岩发育区岩性的映射关系，可以反应出井点处某个深度段岩性和井旁地震道属性之间的吻合情况，若岩性与井旁地震道属性的吻合度高，则说明该井旁地震道属性为岩性敏感的井旁地震道属性。
例如，砂岩对应着某一种属性的最大值，泥岩对应着某一种属性的最小值，可以通过井旁地震道属性的最大值或最小值来指示岩性。
步骤105：根据选定区域多口井的地震资料和多个岩性敏感的井旁地震道属性，建立多条联井敏感属性剖面；
具体而言，确立多口关键井，并划分为纵横几条联井线，通过步骤104确定的多个岩性敏感井旁道地震属性和地震资料，计算多条联井敏感属性剖面。
需要说明的是，联井敏感属性剖面的个数至少为两个。
步骤106：根据选定区域多口井的岩性资料和多条联井敏感属性剖面，得到多个岩性敏感的地震属性数据体；
具体而言，将多条联井敏感属性剖面与每口井实际钻遇的岩性作比较，剔除与井岩性吻合度低的地震属性，得到多个岩性敏感的地震属性数据体。
如图4所示，在本发明实施例中，根据步骤101-步骤106得到的地震属性数据体为甜点组合属性数据体。
步骤107：根据选定区域多口井的测井资料，得到多个火成岩发育区岩性敏感的岩石物理参数；
具体地，根据选定区域多口井的测井资料中的测井曲线、衍生测井曲线和测井岩性解释结果对火成岩发育区所在层段进行测井曲线交会分析；根据测井曲线交会分析，得到多个火成岩发育区岩性敏感的岩石物理参数。
其中，岩石物理参数包括纵波速度、横波速度、密度、纵波阻抗、横波阻抗、纵横波速度比、泊松比、拉梅系数和剪切模量。
步骤108：根据选定区域多口井的地震资料和多个火成岩发育区岩性敏感的岩石物理参数，得到多个岩性敏感的叠前叠后的岩石物理参数数据体；
具体地，利用选定区域多口井的地震资料和多个火成岩发育区岩性敏感的岩石物理参数，以已知地质规律和测井资料为约束，进行地震反演，计算得到多个岩性敏感的叠前叠后的岩石物理参数数据体。
如图4所示，在本发明实施例中，根据步骤107-108得到的岩石物理参数为波阻抗、伽马和泊松比。
步骤109：对多个岩性敏感的地震属性数据体和多个岩性敏感的叠前叠后的岩石物理参数数据体进行井控去噪自编码属性降维运算，得到岩性识别属性；
井控去噪自编码属性降维运算利用的是一种多属性间非线性相关、不需要监督学习、自适应程度高的属性降维算法。
图2为本发明实施例提供的自编码算法属性降维原理示意图，如图2所示，本发明自编码属性降维方法的具体步骤包括：
自编码算法输入数据的假设维数是n＝6，从输入层L1到隐藏层L2被视为编码阶段，a(2)＝f(W(1)+b(1))，将原始输入数据由6维映射为3维编码。从隐藏层L2到输出层L3是解码阶段，hW,b(x)＝a(3)＝f(W(2)a(2)+b(2))，试图将隐藏层的3维编码还原到原始的6维空间。如果输入数据的确有较强的相关性，且算法通过一定次数的学习学到了合适的权重(W，b)，那么解码得到的输出层的hW,b(x)就会和输入层的很接近。
从图中可以看出，自编码神经网络算法是一个不断尝试学习的函数，即尝试学习趋近于一个恒等函数，使得输出
Figure BDA0001719405210000071
接近于输入χ。利用自编码算法可以实现限制隐藏神经元的数量，假设输入10类地震属性，其隐藏层L2中有5类隐藏神经元，此自编码神经网络算法输出也是10类地震属性，我们强迫自编码神经网络去学习压缩后的5类地震属性数据，最终重构出10类地震属性输入数据χ，如果输入的10类地震属性数据互不相关，互相独立，那么这种压缩输入将十分难以学习。
图3为本发明实施例提供的去噪自编码算法原理示意图，如图3所示，去噪自编码的具体实施步骤如下：
由于自编码属性降维算法具有较好的延伸性，为了训练自编码属性降维算法使得该算法的稳定性更好，输入受损的数据来训练自编码器，去噪自编码器以一定概率去剔除原始的输入数据，将剔除的每个输入数据用零值取代，这样输入数据的部分特征是丢失的，然后用这组部分数据被剔除的输入数据去编码解码，但是在计算目标函数时使用原始的没有被部分剔除数据的输入数据χ，这样自编码器就学习了这个破损的数据。
在学习的过程中，可以加入先验信息更好的训练去噪自编码器，而在地震属性预测岩性的研究中，认为已钻井的信息和地震数据相比是最可靠的，因此去噪自编码输入数据样本过程中，加入井的控制信息，并且赋予其较高的权重，更好的训练去噪自编码器，使得去噪自编码器更稳定，我们称之为井控去噪自编码算法。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过软件实现，基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
基于上述，利用井控去噪自编码属性降维算法，对上述步骤优选的多个岩性敏感的地震属性数据体和多个岩性敏感的叠前叠后的岩石物理参数数据体开展属性降维计算，最终获取对火成岩发育区多种岩性区分效果最好的复合属性，开展岩性识别，降低单一属性岩性识别的多解性。
相对于地震数据，已钻井的岩性信息具有更可靠、分辨率高的特点，为了充分利用已钻井岩性资料，本发明在去噪自编码输入数据样本中，加入已钻井的约束数据，并可由用户定义其权重，形成井控去噪自编码算法。
其中，DS为优选的地震属性数据集，DW为对应的插值后的井属性数据集，其权重为q，可由用户根据地区实际情况自定义。经过加权平均形成训练数据集D：
D＝(1-q)DS+qDW
Figure BDA0001719405210000081
通过对D随机映射或添加噪声而获得，即
Figure BDA0001719405210000082
进一步地，
Figure BDA0001719405210000083
为编码过程，而P＝gθ'(y)为解码过程，通过将输入属性数据集D和解码数据集P差异最小化进行去噪自编码学习过程并进行降维，y为输出属性数据集。去噪自编码学习最小化LH(D,P)，其中：
Figure BDA0001719405210000084
式中：
Figure BDA0001719405210000085
为信息熵，是信息不确定性的描述，其值越大，不确定性越高；
Figure BDA0001719405210000086
项为相对熵，又称KL散度(Kullback Leibler divergence)，可以用来衡量两个分布的距离，具体来说是实测数据集D和处理后数据集两个分布。
在本发明实施例中，通过优选出波阻抗属性、伽马属性、甜点属性及泊松比属性共四类地震属性数据体，利用井控去噪自编码算法开展属性降维运算，最终计算获取一类自编码降维属性。
步骤110：根据岩性识别属性，识别火成岩发育区的岩性。
在本发明实施例中，通过获取一类自编码降维属性，可以对火成岩发育区火成岩和碎屑岩具有较好的区分效果。
具体而言，如图5所示，由于玄武岩阻抗较高，蚀变火成岩、砂岩和泥岩阻抗较低，利用波阻抗属性能较好区分玄武岩；泥岩的放射性较强，因此伽马值较高，而砂岩、蚀变火成岩和玄武岩伽马值较低，因此利用伽马属性能有效识别泥岩；碎屑岩泊松比和甜点属性值较高而蚀变火成岩和玄武岩泊松比和甜点属性值较低，泊松比属性和甜点属性能较好区分火成岩与碎屑岩，泊松比属性由于有已钻井参与约束，因此有较高的纵向分辨率，而甜点属性完全忠实于地震数据的空间变化，因此具有较高的横向分辨率，如图6所示，利用岩性逐步剔除的方法，最终刻画出砂岩的空间展布范围。
图7为井控去噪自编码算法多属性降维剖面，从图中可以看出，玄武岩、蚀变火成岩、砂岩和泥岩分别位于不同的属性值范围，剖面整体纵、横向分辨率高，能解决火成岩发育区多种岩性难以准确区分的难题，具有很好的应用效果及推广前景。
因此，本发明实施例的火成岩发育区井控自编码岩性识别方法，利用选定区域多口井的岩性资料、地震资料和测井资料，得到多个岩性敏感的地震属性数据体和多个岩性敏感的叠前叠后的岩石物理参数数据体，对两种数据体进行井控去噪自编码属性降维运算，得到岩性识别属性，根据岩性识别属性，识别火成岩发育区的岩性，确定火成岩发育区的岩性空间分布，解决了火成岩发育区复杂岩性识别的问题，为火成岩发育区油气田钻井设计等工作提供依据，减少了勘探开发的风险和成本。
以上所述仅是为了便于本领域的技术人员理解本发明的技术方案，并不用以限制本发明。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种火成岩发育区井控自编码岩性识别方法，其特征在于，所述方法包括：
获取选定区域多口井的岩性资料、地震资料和测井资料；
根据所述选定区域内预选井的地震资料和测井资料，计算得到多个井旁地震道属性；
根据所述预选井的岩性资料和所述多个井旁地震道属性，建立预选井井旁地震道属性与火成岩发育区岩性的映射关系；
根据预选井井旁地震道属性与火成岩发育区岩性的映射关系，得到多个岩性敏感的井旁地震道属性；
根据所述选定区域多口井的地震资料和所述多个岩性敏感的井旁地震道属性，建立多条联井敏感属性剖面；
根据所述选定区域多口井的岩性资料和所述多条联井敏感属性剖面，得到多个岩性敏感的地震属性数据体；
根据所述选定区域多口井的测井资料，得到多个火成岩发育区岩性敏感的岩石物理参数；
根据所述选定区域多口井的地震资料和所述多个火成岩发育区岩性敏感的岩石物理参数，得到多个岩性敏感的叠前叠后的岩石物理参数数据体；
对所述多个岩性敏感的地震属性数据体和所述多个岩性敏感的叠前叠后的岩石物理参数数据体进行井控去噪自编码属性降维运算，得到岩性识别属性；
根据所述岩性识别属性，识别所述火成岩发育区的岩性；
其中，所述井控去噪自编码属性降维运算根据以下计算公式获取：
Figure FDA0002990829910000011
式中：LH(D,P)为井控去噪自编码学习最小化；
Figure FDA0002990829910000012
为信息熵；
Figure FDA0002990829910000013
为相对熵。
2.根据权利要求1所述的火成岩发育区井控自编码岩性识别方法，其特征在于，所述根据所述选定区域内预选井的地震资料和测井资料，计算得到多个井旁地震道属性包括：对所述预选井的测井资料中的声波和密度曲线进行合成记录精细标定，得到合适的子波；根据所述子波，得到合成地震道；将所述合成地震道与所述选定区域多口井的地震资料中的井旁地震道作比较，当所述合成地震道与所述井旁地震道吻合度高时，确定对应的所述井旁地震道的地震资料为符合要求的地震资料；根据所述符合要求的地震资料，计算得到多个井旁地震道属性。
3.根据权利要求1所述的火成岩发育区井控自编码岩性识别方法，其特征在于，所述根据所述选定区域多口井的岩性资料和所述多条联井敏感属性剖面，得到多个岩性敏感的地震属性数据体包括：将所述多条联井敏感属性剖面与每口井实际钻遇的岩性作比较，剔除与井岩性吻合度低的地震属性，得到多个岩性敏感的地震属性数据体。
4.根据权利要求1所述的火成岩发育区井控自编码岩性识别方法，其特征在于，所述根据所述选定区域多口井的测井资料，得到多个火成岩发育区岩性敏感的岩石物理参数包括：根据所述选定区域多口井的测井资料中的测井曲线、衍生测井曲线和测井岩性解释结果对火成岩发育区所在层段进行测井曲线交会分析；根据所述测井曲线交会分析，得到多个火成岩发育区岩性敏感的岩石物理参数。
5.根据权利要求1所述的火成岩发育区井控自编码岩性识别方法，其特征在于，根据所述选定区域多口井的地震资料和所述多个火成岩发育区岩性敏感的岩石物理参数，得到多个岩性敏感的叠前叠后的岩石物理参数数据体包括：利用所述选定区域多口井的地震资料和所述多个火成岩发育区岩性敏感的岩石物理参数，以已知地质规律和测井资料为约束，进行地震反演，计算得到多个岩性敏感的叠前叠后的岩石物理参数数据体。
6.根据权利要求1所述的火成岩发育区井控自编码岩性识别方法，其特征在于，所述井旁地震道属性包括单属性和复合属性。
7.根据权利要求1所述的火成岩发育区井控自编码岩性识别方法，其特征在于，所述岩石物理参数包括纵波速度、横波速度、密度、纵波阻抗、横波阻抗、纵横波速度比、泊松比、拉梅系数和剪切模量。
CN201810724558.2A 2018-07-04 2018-07-04 一种火成岩发育区井控自编码岩性识别方法 Active CN110687599B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810724558.2A CN110687599B (zh) 2018-07-04 2018-07-04 一种火成岩发育区井控自编码岩性识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810724558.2A CN110687599B (zh) 2018-07-04 2018-07-04 一种火成岩发育区井控自编码岩性识别方法

Publications (2)

Publication Number Publication Date
CN110687599A CN110687599A (zh) 2020-01-14
CN110687599B true CN110687599B (zh) 2021-07-02

Family

ID=69106497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810724558.2A Active CN110687599B (zh) 2018-07-04 2018-07-04 一种火成岩发育区井控自编码岩性识别方法

Country Status (1)

Country Link
CN (1) CN110687599B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103149589A (zh) * 2013-02-22 2013-06-12 中国石油天然气股份有限公司 火成岩油气勘探方法及装置
CN106842317A (zh) * 2016-12-22 2017-06-13 中国石油天然气集团公司 一种预测油砂体分布的方法及装置
CN108802812A (zh) * 2017-04-28 2018-11-13 中国石油天然气股份有限公司 一种井震融合的地层岩性反演方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8964503B2 (en) * 2009-04-28 2015-02-24 Baker Hughes Incorporated Petrophysics-guided processing of LWD acoustic data
CN105005097B (zh) * 2015-07-17 2017-07-07 中国石油化工股份有限公司 利用重力、磁力、电磁、地震资料综合识别火成岩方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103149589A (zh) * 2013-02-22 2013-06-12 中国石油天然气股份有限公司 火成岩油气勘探方法及装置
CN106842317A (zh) * 2016-12-22 2017-06-13 中国石油天然气集团公司 一种预测油砂体分布的方法及装置
CN108802812A (zh) * 2017-04-28 2018-11-13 中国石油天然气股份有限公司 一种井震融合的地层岩性反演方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
塔里木盆地顺托果勒隆起奥陶系碳酸盐岩超深层油气突破及其意义;漆立新;《中国石油勘探》;20160531;第21卷(第3期);38-51 *

Also Published As

Publication number Publication date
CN110687599A (zh) 2020-01-14

Similar Documents

Publication Publication Date Title
US4646240A (en) Method and apparatus for determining geological facies
US6654692B1 (en) Method of predicting rock properties from seismic data
CN112505778B (zh) 一种页岩生储性能非均质性的三维原位表征方法
Wang et al. Marcellus shale lithofacies prediction by multiclass neural network classification in the Appalachian Basin
US4937747A (en) Iterative disjoint cluster and discriminant function processing of formation log responses and other data
CN108802812A (zh) 一种井震融合的地层岩性反演方法
Gupta et al. Rock typing in Wolfcamp formation
US11630228B1 (en) Physical embedded deep learning formation pressure prediction method, device, medium and equipment
US11313219B2 (en) Real-time monopole sonic logging using physics-based artificial intelligence
CN111460739A (zh) 一种不同类型储层预测的方法
CN103176211A (zh) 基于多敏感弹性参数的含气储层预测方法及装置
Ali et al. A novel machine learning approach for detecting outliers, rebuilding well logs, and enhancing reservoir characterization
Alameedy et al. Evaluating machine learning techniques for carbonate formation permeability prediction using well log data
CN110687599B (zh) 一种火成岩发育区井控自编码岩性识别方法
CN112065361B (zh) 一种基于声波衰减的致密储层含气饱和度确定方法
Ali et al. Integration of cluster analysis and rock physics for the identification of potential hydrocarbon reservoir
CN110847887B (zh) 一种细粒沉积陆相页岩裂缝识别评价方法
CN113514884A (zh) 一种致密砂岩储层预测方法
Roy et al. Augmenting and eliminating the use of sonic logs using artificial intelligence: A comparative evaluation
RU22830U1 (ru) Автоматизированная система поиска, разведки и оценки эксплуатационных свойств залежей и месторождений полезных ископаемых и прогноза тектонических и литофизических свойств геологических сред
CN112987091A (zh) 储层检测方法、装置、电子设备和存储介质
Wang et al. Auto recognition of carbonate microfacies based on an improved back propagation neural network
CN113640873B (zh) 砂岩型铀矿叠前地震预测方法及装置
Filband et al. Integrating the pre-stack seismic data inversion and seismic attributes to estimate the porosity of Asmari Formation.
An-Nan et al. Studying the lithology identification method from well logs based on de-svm

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