CN110895704A - 微生物丘滩复合体储集层类型识别方法、装置及存储介质 - Google Patents
微生物丘滩复合体储集层类型识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110895704A CN110895704A CN201811063436.XA CN201811063436A CN110895704A CN 110895704 A CN110895704 A CN 110895704A CN 201811063436 A CN201811063436 A CN 201811063436A CN 110895704 A CN110895704 A CN 110895704A
- Authority
- CN
- China
- Prior art keywords
- sample
- porosity
- identified
- type
- reservoir
- 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 56
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 244000005700 microbiome Species 0.000 title claims description 30
- 230000000813 microbial effect Effects 0.000 claims abstract description 61
- 238000003384 imaging method Methods 0.000 claims abstract description 40
- 238000004891 communication Methods 0.000 claims abstract description 37
- 208000035126 Facies Diseases 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims description 23
- 239000011148 porous material Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 102100027611 Rho-related GTP-binding protein RhoB Human genes 0.000 claims description 13
- 101150054980 Rhob gene Proteins 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 230000008021 deposition Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 5
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 11
- 238000001228 spectrum Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000282376 Panthera tigris Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000848645 Banza Species 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 230000001476 alcoholic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本申请实施例公开了一种微生物丘滩复合体储集层类型识别方法、装置及存储介质，属于深层海相碳酸盐测井解释技术领域。所述方法包括：获取微生物丘滩复合体储集层的待识别样本的电成像图像和测井数据；根据待识别样本的电成像图像，计算待识别样本的孔隙度连通系数；根据待识别样本的测井数据，计算待识别样本的孔隙度；根据待识别样本的孔隙度连通系数和待识别样本的孔隙度，确定待识别样本的类型。本申请实施例通过计算孔隙度连通系数和孔隙度，根据其计算结果确定微生物丘滩复合体储集层的类型，定量的计算方式使得计算结果更客观准确，提高了微生物丘滩复合体储集层的类型识别的准确率，相较于利用岩性资料识别更客观。
Description
技术领域
本申请实施例涉及深层海相碳酸盐岩测井解释技术领域，特别涉及一种微生物丘滩复合体储集层类型识别方法、装置及存储介质。
背景技术
微生物丘滩复合体油气藏是深层碳酸盐岩油气资源的重要类型之一，在我国主要分布在四川盆地震旦系灯影组和塔里木盆地中西部上奥陶统，其资源量大，具有很好的应用前景。
通过调研发现，国内外学者关于丘滩复合体储集层的识别研究较少。主要是结合岩性资料和地震属性分析对丘滩复合体进行刻画和预测，在油田现场应用取得了一定的效果。
利用岩性资料识别过多依赖于研究者的经验，属于定性分析，判别结果具有主观性和多解性。
发明内容
本申请实施例提供了一种微生物丘滩复合体储集层类型识别方法、装置及介质，可用于解决现有技术判别结果具有主观性和多解性的问题。技术方案如下：
根据本申请实施例的第一方面，提供了一种微生物丘滩复合体储集层类型识别方法，所述方法包括：
获取微生物丘滩复合体储集层的待识别样本的电成像图像和测井数据；
根据所述待识别样本的电成像图像，计算所述待识别样本的孔隙度连通系数，所述孔隙度连通系数用于指示储集层中孔隙的连通性；
根据所述待识别样本的测井数据，计算所述待识别样本的孔隙度；
根据所述待识别样本的孔隙度连通系数和所述待识别样本的孔隙度，确定所述待识别样本的类型。
可选地，所述根据所述待识别样本的电成像图像，计算所述待识别样本的孔隙度连通系数，包括：
根据所述待识别样本的电成像图像，计算所述待识别样本的井周孔隙度的均值和均方差；
根据所述均值和所述均方差，计算所述待识别样本的孔隙度连通系数。
可选地，所述根据所述待识别样本的测井数据，计算所述待识别样本的孔隙度，包括：
调用神经网络模型对所述待识别样本的测井数据进行处理，得到所述待识别样本的孔隙度。
可选地，所述待识别样本的测井数据包括n项，所述n为大于1的整数；
所述调用神经网络模型对所述待识别样本的测井数据进行处理，得到所述待识别样本的孔隙度，包括：
对所述待识别样本的n项测井数据进行归一化处理，得到处理后的n项测井数据；其中，所述归一化处理用于缩小所述待识别样本的n项测井数据之间的差异；
调用所述神经网络模型对所述处理后的n项测井数据进行处理，得到所述待识别样本的归一化后的孔隙度；
根据所述待识别样本的归一化后的孔隙度，确定所述待识别样本的孔隙度。
可选地，所述方法还包括：
根据微生物丘滩复合体沉积规律，选择所述微生物丘滩复合体沉积模式；
建立不同沉积相带的微生物丘滩复合体与所述电成像图像特征之间的对应关系；
根据所述不同沉积相带与油田现场实际产能数据，建立所述不同沉积相带的微生物丘滩复合体与储集层质量的对应关系。
可选地，所述测井数据包括以下至少一项：声波时差DT、补偿中子NPHI、岩性密度RHOB。
可选地，所述根据所述待识别样本的孔隙度连通系数和所述待识别样本的孔隙度，确定所述待识别样本的类型，包括：
从预设对应关系中获取与所述待识别样本的孔隙度连通系数和所述待识别样本的孔隙度相对应的目标类型，并将所述目标类型确定为所述待识别样本的类型；
其中，所述预设对应关系包括至少一组孔隙度连通系数、孔隙度和类型之间的对应关系。
可选地，所述类型包括：
第一类储集层，所述第一类储集层的孔隙度介于7％～13％，所述第一类储集层的孔隙度连通系数介于7～11；
第二类储集层，所述第二类储集层的孔隙度介于5％～9％，所述第二类储集层的孔隙度连通系数介于5～10；
第三类储集层，所述第三类储集层的孔隙度介于2％～5％，所述第三类储集层的孔隙度连通系数介于2～8；
第四类储集层，所述第四类储集层的孔隙度小于2.5％，所述第四类储集层的孔隙度连通系数小于3。
根据本申请实施例的第二方面，提供了一种微生物丘滩复合体储集层的类型识别装置，所述装置包括：
数据获取模块，用于获取微生物丘滩复合体储集层的待识别样本的电成像图像和测井数据；
系数计算模块，用于根据所述待识别样本的电成像图像，计算所述待识别样本的孔隙度连通系数，所述孔隙度连通系数用于指示储集层中孔隙的连通性；
孔隙度计算模块，用于根据所述待识别样本的测井数据，计算所述待识别样本的孔隙度；
类型确定模块，用于根据所述待识别样本的孔隙度连通系数和所述待识别样本的孔隙度，确定所述待识别样本的类型。
根据本申请实施例的第三方面，提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
本申请实施例提供的技术方案带来的有益效果可以包括：
通过计算微生物丘滩复合体储集层的孔隙度连通系数和孔隙度，根据计算结果确定微生物丘滩复合体储集层的类型，定量的计算方式使得计算结果更客观准确，提高了微生物丘滩复合体储集层的类型识别的准确率，相较于利用岩性资料识别更客观。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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是本申请一个实施例提供的微生物丘滩复合体储集层类型识别方法的流程图；
图2是本申请一个实施例提供的岩心孔隙度与不同类型测井数据的相关系数图；
图3是本申请一个实施例提供的海相克拉通台内裂陷微生物丘滩复合体沉积模式的示意图；
图4是本申请一个实施例提供的微生物丘滩复合体标准电成像图像的示意图；
图5是本申请一个实施例提供的典型沉积相带微生物丘滩复合体储集层的层数产能的统计直方图；
图6是本申请一个实施例提供的微生物丘滩复合体储集层类型识别平面图版的示意图；
图7是本申请一个实施例提供的微生物丘滩复合体储集层类型识别装置的示意图；
图8是本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
请参考图1，其示出了本申请一个实施例提供的微生物丘滩复合体储集层类型识别方法的流程图。该方法可应用于诸如PC(Personal Computer，个人计算机)之类的具有数据处理和存储能力的计算机设备中。上述方法可以包括以下几个步骤。
步骤101，获取微生物丘滩复合体储集层的待识别样本的电成像图像和测井数据。
待识别样本是指需要识别类型的微生物丘滩复合体储集层样本。待识别样本可以是微生物丘滩复合体储集层的岩心样本，或者，待识别样本也可以是微生物丘滩复合体储集层的非岩心样本。
电成像图像是指微生物丘滩复合体储集层的待识别样本通过电成像测井技术采集到的图像。
测井数据是指与孔隙度有关的数据，可选地，测井数据可以通过酒精法测试得到。可选地，测井数据包括但不限于以下至少一项：自然伽马GR、补偿中子NPHI、井径CALI、声波时差DT、岩性密度RHOB。
步骤102，根据待识别样本的电成像图像，计算待识别样本的孔隙度连通系数。
在本申请实施例中，孔隙度连通系数用于指示储集层中孔隙的连通性。可选地，孔隙度连通系数与孔隙的连通性之间呈正相关关系。孔隙度连通系数越大，说明孔隙的连通性越好；反之，孔隙度连通系数越小，表明孔隙的连通性越差。
在相关技术中，采用孔隙度谱变异系数来表征孔隙的连通性。孔隙度谱变异系数主要用来对储集层中孔隙的径向非均匀性进行评价。可选地，孔隙度谱变异系数与孔隙的径向非均匀性呈正相关关系，孔隙度谱变异系数与孔隙的连通性呈负相关关系。孔隙度谱变异系数值越大，说明孔隙的径向非均匀性越强，孔隙的连通性越差；反之，孔隙度谱变异系数越小，说明孔隙的径向非均匀性越差，孔隙的连通性越好。基于孔隙度谱变异系数的定义和计算方法，为方便对微生物丘滩复合体储集层的类型进行识别，本申请首次提出了利用孔隙度连通系数对微生物丘滩复合体储集层的连通性进行评估。
可选地，步骤102包括如下几个子步骤：
1、根据待识别样本的电成像图像，计算待识别样本的井周孔隙度的均值和均方差；
2、根据均值和均方差，计算待识别样本的孔隙度连通系数。
可选地，使用下述公式计算待识别样本的孔隙度连通系数：
其中，K表示待识别样本的孔隙度连通系数；
表示利用电极电导率计算的电成像像素的孔隙度；
表示相应孔隙度的频数；n表示孔隙度的份额，可以采用千分孔隙度，取值范围为0～1000；上述公式中的分子代表待识别样本的井周孔隙度的均值；上述公式中的分母代表待识别样本的井周孔隙度的均方差。
步骤103，根据待识别样本的测井数据，计算待识别样本的孔隙度。
待识别样本的测井数据包括n项，n为大于1的整数。待识别样本的测井数据可以有1个，也可以有多个。可选地，待识别样本的测井数据包括以下至少一项：声波时差DT、补偿中子NPHI、岩性密度RHOB。
可选地，步骤103由如下步骤替换实现：调用神经网络模型对待识别样本的测井数据进行处理，得到待识别样本的孔隙度。
上述神经网络模型可以包括：输入层、隐含层和输出层。输入层可以用来输入待处理数据信息；隐含层可以用来提取输入层与输出层之间的对应特征关系；输出层可以用来输出最终处理结果。可选地，输入层包含声波时差DT、补偿中子NPHI和岩性密度RHOB三个神经元。隐含层状态的改变能影响输入层和输出层之间的关系，可选地，隐含层包含15个神经元。输出层包含孔隙度一个神经元。
可选地，当n大于1时，上述调用神经网络模型对待识别样本的测井数据进行处理，得到待识别样本的孔隙度，包括：
1、对待识别样本的n项测井数据进行归一化处理，得到处理后的n项测井数据；
在本申请实施例中，归一化处理用于缩小待识别样本的n项测井数据之间的差异。可选地，归一化处理可以克服不同测井数据与非测井数据由于量纲不同而造成的差异。
可选地，使用下述公式对待识别样本的测井数据进行归一化处理：
其中，X表示归一化处理后的测井数据；Y表示原始输入的测井数据；Ymin表示原始输入的测井数据的最小值；Ymax表示原始输入的测井数据的最大值。例如，参考下述表-1，其示出了声波时差DT、补偿中子NPHI和岩性密度RHOB的最大值、最小值和平均值。
表-1
2、调用神经网络模型对处理后的n项测井数据进行处理，得到待识别样本的归一化后的孔隙度；
可选地，使用下述公式计算待识别样本的归一化后的孔隙度：
其中，Z表示待识别样本的归一化后的孔隙度；J表示输入参数的数目，包括声波时差DT、补偿中子NPHI和岩性密度RHOB数据；W1表示输入层和隐含层之间的权重；W2表示隐含层和输出层之间的权重；b1表示隐含层的阈值；b2表示输出层的阈值；N代表隐含层的神经元数；X代表归一化处理后得到的数据。
3、根据待识别样本的归一化后的孔隙度，确定待识别样本的孔隙度。
可选地，使用下述经验公式根据待识别样本的归一化后的孔隙度计算待识别样本的孔隙度：
其中，
表示待识别样本的孔隙度；Z表示待识别样本的归一化后的孔隙度。
可选地，上述经验公式是从神经网络模型得到的权重和阈值中提取得到了经验值。
经实验发现，利用上述经验公式对另外300个微生物丘滩复合体储集层的样本孔隙度进行计算，与样本实测孔隙度做相关性和误差分析，上述两者的相关系数的值为0.95，平均绝对误差百分比为5.3％。因此，上述经验公式是可靠的。
步骤104，根据待识别样本的孔隙度连通系数和待识别样本的孔隙度，确定待识别样本的类型。
可选地，从预设对应关系中获取与待识别样本的孔隙度连通系数和待识别样本的孔隙度相对应的目标类型，并将目标类型确定为待识别样本的类型；
其中，预设对应关系包括至少一组孔隙度连通系数、孔隙度和类型之间的对应关系。
可选地，上述类型包括：
第一类储集层，第一类储集层的孔隙度介于7％～13％，第一类储集层的孔隙度连通系数介于7～11；
第二类储集层，第二类储集层的孔隙度介于5％～9％，第二类储集层的孔隙度连通系数介于5～10；
第三类储集层，第三类储集层的孔隙度介于2％～5％，第三类储集层的孔隙度连通系数介于2～8；
第四类储集层，第四类储集层的孔隙度小于2.5％，第四类储集层的孔隙度连通系数小于3。
例如，待识别样本1的孔隙度为8％，孔隙度连通系数为8，则该待识别样本1的类型为第一类储集层；待识别样本2的孔隙度为7％，孔隙度连通系数为7，则该待识别样本2的类型为第二类储集层；待识别样本3的孔隙度为3％，孔隙度连通系数为3，则该待识别样本3的类型为第三类储集层；待识别样本4的孔隙度为2％，孔隙度连通系数为2，则该待识别样本4的类型为第四类储集层。
综上所述，本申请实施例提供的技术方案中，通过计算微生物丘滩复合体储集层的孔隙度连通系数和孔隙度，根据计算结果确定微生物丘滩复合体储集层的类型，定量的计算方式使得计算结果更客观准确，提高了微生物丘滩复合体储集层的类型识别的准确率，相较于利用岩性资料识别更客观。
利用声波时差DT、补偿中子NPHI和岩性密度RHOB作为神经网络模型的输入层，来拟合微生物丘滩复合体储集层孔隙度计算公式，孔隙度预测精度高，不需要利用神经网络模型对数据进行反复的训练和预测，工作效率高。
请参考图2，其示出了本申请一个实施例提供的岩心孔隙度与不同类型测井数据的相关系数图。选取四川盆地多口井震旦系丘滩复合体岩心样本300个，利用酒精法测试样本的孔隙度。收集与孔隙度有关的测井数据，如自然伽马GR、补偿中子NPHI、井径CALI、声波时差DT、岩性密度RHOB等，分析不同类型的测井数据与实测孔隙度之间的相关性，相关系数用R表示。经实验发现，岩心孔隙度与声波时差DT、补偿中子NPHI和岩性密度RHOB具有很高的相关性，其对应的相关系数的值为0.95、0.93和-0.96，而自然伽马GR和井径CALI的相关性较差，其对应的相关系数R的值为-0.5和0.2。虽然岩心孔隙度与声波时差DT、补偿中子NPHI和岩性密度RHOB具有很高的相关性，可能存在某种线性关系，但是利用这种线性关系计算孔隙度会出现平均化现象，孔隙度的计算结果不准确。本申请利用神经网络模型计算孔隙度，提高了孔隙度计算结果的准确性。基于相关性分析结果，将声波时差DT、补偿中子NPHI和岩性密度RHOB作为神经网络模型的输入单元。
另外，上述神经网络模型的训练过程可以如下：获取训练样本；通过神经网络模型对训练样本进行处理，得到训练样本的预测孔隙度；根据训练样本的预测孔隙度和训练样本的实测孔隙度，对神经网络模型的参数进行修正，直至神经网络模型满足停止训练条件时，结束对神经网络模型的训练。
经试验发现，上述训练样本的预测孔隙度和训练样本的实测孔隙度的相关系数的值高达0.97，平均绝对误差百分比为3.5％。因此，建立的神经网络模型是可靠的。
在基于上述任一实施例提供的另一个可选实施例中，上述方法还包括：
1、根据微生物丘滩复合体沉积规律，选择微生物丘滩复合体沉积模式。
对于丘滩复合体沉积相研究，不同学者建立了多种沉积相模式，结合油田的勘探实践，需要考虑的是不同的微生物丘滩复合体沉积模式是否能够与现有的电成像测井信息对应起来。研究发现，利用电成像测井反映的沉积相类型与杜金虎2016年提出的微生物丘滩复合体沉积模式有很好的对应关系。因此，选取了杜金虎提出的微生物丘滩复合体沉积模式作为储集层类型识别的基础。
如图3所示，其示出了海相克拉通台内裂陷微生物丘滩复合体沉积模式的示意图，图中包含5相区7种相带，即内克拉通局限-开阔台地、内克拉通台地边缘、内克拉通盆槽、克拉通边缘台地边缘和克拉通边缘斜坡。其中，内克拉通局限-开阔台地相区包含潟湖周缘相带、潟湖相带、台内洼地和斜坡；内克拉通台地边缘相区包括台内裂陷周缘靠裂陷一侧、台内裂陷周缘靠台地一侧和斜坡；内克拉通盆槽相区包括盆地；克拉通边缘台地边缘相区包括台内洼地和斜坡；克拉通边缘斜坡相区包括斜坡。
2、建立不同沉积相带的微生物丘滩复合体与电成像图像特征之间的对应关系。
从微生物丘滩复合体沉积分布模式中得出：微生物丘滩复合体主要分布在台内裂陷周缘靠裂陷一侧、台内裂陷周缘靠台地一侧、台内洼地和潟湖周缘的古地貌高地。系统地建立台内裂陷周缘靠裂陷一侧、台内裂陷周缘靠台地一侧、台内洼地和潟湖周缘古地貌高地丘滩复合体电成像图片库，从几千幅图片中归纳出不同沉积相带典型微生物丘滩复合体储集层的标准电成像图像。台内裂陷周缘靠裂陷一侧的微生物丘滩复合体电成像图像背景以橙色和黑色为主，形态为班杂、条纹状杂带；台内裂陷周缘靠台地一侧的微生物丘滩复合体电成像图像背景以橙黄色为主，形态为块状；台内洼地的微生物丘滩复合体电成像图像背景以橙黄色为主，形态为浅色块状和班杂块状；潟湖周缘的微生物丘滩复合体电成像图像背景以棕橙色为主，形态为块状和班杂暗带。如图4所示(图中仅以黑白图像表现出来)，图4中(a)部分表示台内裂陷周缘靠裂陷一侧的微生物丘滩复合体电成像图像；图4中(b)部分表示台内裂陷周缘靠台地一侧的微生物丘滩复合体电成像图像；图4中(c)部分表示台内洼地的微生物丘滩复合体电成像图像；图4中(d)部分表示潟湖周缘的微生物丘滩复合体电成像图像。
3、根据不同沉积相带与油田现场实际产能数据，建立不同沉积相带的微生物丘滩复合体与储集层质量的对应关系。
根据上述步骤建立的不同沉积相带丘滩复合体所对应的标准电成像图像，结合油田现场的实际产能数据，如图5所示，台内裂陷周缘靠裂陷一侧发育质量好的微生物丘滩复合体储集层，单井产量大于80*104m3/d；台内裂陷周缘靠台地一侧发育质量较好的微生物丘滩复合体储集层，单井产量为(15～80)*104m3/d；台内洼地发育质量中等的微生物丘滩复合体储集层，单井产量为(2～15)*104m3/d；潟湖周缘发育质量较差的微生物丘滩复合体储集层，单井产量为(0.1～2)*104m3/d。
根据上述沉积相带与储集层质量的对应关系，如图6所示，可以将第一个实施例中的类型具体划分为:
第一类储集层，第一类储集层的孔隙度介于7％～13％，第一类储集层的孔隙度连通系数介于7～11；此类储集层多为台内裂陷周缘靠裂陷一侧的微生物丘滩复合体储集层，此类储集层的单井产量大于80*104m3/d；
第二类储集层，第二类储集层的孔隙度介于5％～9％，第二类储集层的孔隙度连通系数介于5～10；此类储集层多为台内裂陷周缘靠台地一侧的微生物丘滩复合体储集层，此类储集层的单井产量为(15～80)*104m3/d；
第三类储集层，第三类储集层的孔隙度介于2％～5％，第三类储集层的孔隙度连通系数介于2～8；此类储集层多为台内洼地的微生物丘滩复合体储集层，此类储集层的单井产量为(2～15)*104m3/d；
第四类储集层，第四类储集层的孔隙度小于2.5％，第四类储集层的孔隙度连通系数小于3；此类储集层多为潟湖周缘的微生物丘滩复合体储集层，此类储集层的单井产量为(0.1～2)*104m3/d。
例如，待识别样本1的孔隙度为8％，孔隙度连通系数为8，则待识别样本的类型为第一类储集层，此类储集层多为台内裂陷周缘靠裂陷一侧的微生物丘滩复合体储集层，此类储集层的单井产量大于80*104m3/d；待识别样本2的孔隙度为7％，孔隙度连通系数为7，则待识别样本2的类型为第二类储集层，此类储集层多为台内裂陷周缘靠台地一侧的微生物丘滩复合体储集层，此类储集层的单井产量为(15～80)*104m3/d；待识别样本3的孔隙度为3％，孔隙度连通系数为3，则待识别样本3的类型为第三类储集层，此类储集层多为台内洼地的微生物丘滩复合体储集层，此类储集层的单井产量为(2～15)*104m3/d；待识别样本4的孔隙度为2％，孔隙度连通系数为2，则待识别样本的类型为第四类储集层，此类储集层多为潟湖周缘的微生物丘滩复合体储集层，此类储集层的单井产量为(0.1～2)*104m3/d。
综上所述，通过系统性地建立电成像图片库，归纳出不同沉积相带典型微生物丘滩复合体储集层的标准图像，针对性强，避免了一定的主观性。储集层类型识别还结合了不同沉积相带与储集层质量的对应关系，区分性更强。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参考图7，其示出了本申请一个实施例提供的一种微生物丘滩复合体储集层类型识别装置的框图。该装置具有实现上述方法示例的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以包括：数据获取模块710、系数计算模块720、孔隙度计算模块730和类型确定模块740。
数据获取模块710，用于获取微生物丘滩复合体储集层的待识别样本的电成像图像和测井数据。
系数计算模块720，用于根据所述待识别样本的电成像图像，计算所述待识别样本的孔隙度连通系数，所述孔隙度连通系数用于指示储集层中孔隙的连通性。
孔隙度计算模块730，用于根据所述待识别样本的测井数据，计算所述待识别样本的孔隙度。
类型确定模块740，用于根据所述待识别样本的孔隙度连通系数和所述待识别样本的孔隙度，确定所述待识别样本的类型。
综上所述，本申请实施例提供的技术方案中，通过计算微生物丘滩复合体储集层的孔隙度连通系数和孔隙度，根据计算结果确定微生物丘滩复合体储集层的类型，通过定量的计算方式，计算结果更客观准确，提高了微生物丘滩复合体储集层的类型识别的准确率，相较于利用岩性资料识别更客观。
在基于图7实施例提供的一个可选实施例中，上述系数计算模块720，具体用于：根据所述待识别样本的电成像图像，计算所述待识别样本的井周孔隙度的均值和均方差；根据所述均值和所述均方差，计算所述待识别样本的孔隙度连通系数。
在基于图7实施例或者上述任一可选实施例提供的另一个可选实施例中，上述孔隙度计算模块730，具体用于：调用神经网络模型对所述待识别样本的测井数据进行处理，得到所述待识别样本的孔隙度。
可选地，待识别样本的测井数据包括n项，所述n为大于1的整数；
相应地，上述孔隙度计算模块730，具体用于：
对所述待识别样本的n项测井数据进行归一化处理，得到处理后的n项测井数据；其中，所述归一化处理用于缩小所述待识别样本的n项测井数据之间的差异；
调用所述神经网络模型对所述处理后的n项测井数据进行处理，得到所述待识别样本的归一化后的孔隙度；
根据所述待识别样本的归一化后的孔隙度，确定所述待识别样本的孔隙度。
在基于图7实施例或者上述任一可选实施例提供的另一个可选实施例中，上述装置还包括：模式选择模块、第一建立模块和第二建立模块(图中未示出)。
模式选择模块，用于根据微生物丘滩复合体沉积规律，选择所述微生物丘滩复合体沉积模式。
第一建立模块，用于建立不同沉积相带的微生物丘滩复合体与所述电成像图像特征之间的对应关系。
第二建立模块，用于根据所述不同沉积相带与油田现场实际产能数据，建立所述不同沉积相带的微生物丘滩复合体与储集层质量的对应关系。
在基于图7实施例或者上述任一可选实施例提供的另一个可选实施例中，所述测井数据包括以下至少一项：声波时差DT、补偿中子NPHI、岩性密度RHOB。
在基于图7实施例或者上述任一可选实施例提供的另一个可选实施例中，上述类型确定模块740，用于从预设对应关系中获取与所述待识别样本的孔隙度连通系数和所述待识别样本的孔隙度相对应的目标类型，并将所述目标类型确定为所述待识别样本的类型；其中，所述预设对应关系包括至少一组孔隙度连通系数、孔隙度和类型之间的对应关系。
在基于图7实施例或者上述任一可选实施例提供的另一个可选实施例中，上述类型包括：
第一类储集层，所述第一类储集层的孔隙度介于7％～13％，所述第一类储集层的孔隙度连通系数介于7～11；
第二类储集层，所述第二类储集层的孔隙度介于5％～9％，所述第二类储集层的孔隙度连通系数介于5～10；
第三类储集层，所述第三类储集层的孔隙度介于2％～5％，所述第三类储集层的孔隙度连通系数介于2～8；
第四类储集层，所述第四类储集层的孔隙度小于2.5％，所述第四类储集层的孔隙度连通系数小于3。
需要说明的一点是，上述实施例提供的装置在实现其功能时，仅以上述各个功能模块的划分进行举例说明，实际应用中，可以根据实际需要而将上述功能分配由不同的功能模块完成，即将设备的内容结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
请参考图8，其示出了本申请一个实施例提供的计算机设备的结构示意图。该计算机设备用于实施上述实施例中提供的微生物丘滩复合体储集层类型识别方法。具体来讲：
所述计算机设备800包括中央处理单元(CPU)801、包括随机存取存储器(RAM)802和只读存储器(ROM)803的系统存储器807，以及连接系统存储器807和中央处理单元801的系统总线805。所述计算机设备800还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)806，和用于存储操作系统813、应用程序818和其他程序模块815的大容量存储设备807。
所述基本输入/输出系统806包括有用于显示信息的显示器808和用于用户输入信息的诸如鼠标、键盘之类的输入设备809。其中所述显示器808和输入设备809都通过连接到系统总线805的输入输出控制器810连接到中央处理单元801。所述基本输入/输出系统806还可以包括输入输出控制器810以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器810还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备807通过连接到系统总线805的大容量存储控制器(未示出)连接到中央处理单元801。所述大容量存储设备807及其相关联的计算机可读介质为计算机设备800提供非易失性存储。也就是说，所述大容量存储设备807可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器807和大容量存储设备807可以统称为存储器。
根据本申请的各种实施例，所述计算机设备800还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备800可以通过连接在所述系统总线805上的网络接口单元811连接到网络812，或者说，也可以使用网络接口单元811来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括一个或者一个以上的计算机程序，所述一个或者一个以上计算机程序存储于存储器中，且经配置以由一个或者一个以上处理器执行。上述一个或者一个以上计算机程序包含用于实现上述微生物丘滩复合体储集层类型识别方法的指令。
在示例性实施例中，一种非临时性计算机可读存储介质，当所述存储介质中的指令(或计算机程序)由计算机设备800的处理器执行时，使得计算机设备800能够执行上述微生物丘滩复合体储集层类型识别方法。
可选地，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种微生物丘滩复合体储集层类型识别方法，其特征在于，所述方法包括：
获取微生物丘滩复合体储集层的待识别样本的电成像图像和测井数据；
根据所述待识别样本的电成像图像，计算所述待识别样本的孔隙度连通系数，所述孔隙度连通系数用于指示储集层中孔隙的连通性；
根据所述待识别样本的测井数据，计算所述待识别样本的孔隙度；
根据所述待识别样本的孔隙度连通系数和所述待识别样本的孔隙度，确定所述待识别样本的类型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待识别样本的电成像图像，计算所述待识别样本的孔隙度连通系数，包括：
根据所述待识别样本的电成像图像，计算所述待识别样本的井周孔隙度的均值和均方差；
根据所述均值和所述均方差，计算所述待识别样本的孔隙度连通系数。
3.根据权利要求1所述的方法，其特征在于，所述根据所述待识别样本的测井数据，计算所述待识别样本的孔隙度，包括：
调用神经网络模型对所述待识别样本的测井数据进行处理，得到所述待识别样本的孔隙度。
4.根据权利要求3所述的方法，其特征在于，所述待识别样本的测井数据包括n项，所述n为大于1的整数；
所述调用神经网络模型对所述待识别样本的测井数据进行处理，得到所述待识别样本的孔隙度，包括：
对所述待识别样本的n项测井数据进行归一化处理，得到处理后的n项测井数据；其中，所述归一化处理用于缩小所述待识别样本的n项测井数据之间的差异；
调用所述神经网络模型对所述处理后的n项测井数据进行处理，得到所述待识别样本的归一化后的孔隙度；
根据所述待识别样本的归一化后的孔隙度，确定所述待识别样本的孔隙度。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据微生物丘滩复合体沉积规律，选择所述微生物丘滩复合体沉积模式；
建立不同沉积相带的微生物丘滩复合体与所述电成像图像特征之间的对应关系；
根据所述不同沉积相带与油田现场实际产能数据，建立所述不同沉积相带的微生物丘滩复合体与储集层质量的对应关系。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述测井数据包括以下至少一项：声波时差DT、补偿中子NPHI、岩性密度RHOB。
7.根据权利要求1至5任一项所述的方法，其特征在于，所述根据所述待识别样本的孔隙度连通系数和所述待识别样本的孔隙度，确定所述待识别样本的类型，包括：
从预设对应关系中获取与所述待识别样本的孔隙度连通系数和所述待识别样本的孔隙度相对应的目标类型，并将所述目标类型确定为所述待识别样本的类型；
其中，所述预设对应关系包括至少一组孔隙度连通系数、孔隙度和类型之间的对应关系。
8.根据权利要求1至5任一项所述的方法，其特征在于，所述类型包括：
第一类储集层，所述第一类储集层的孔隙度介于7％～13％，所述第一类储集层的孔隙度连通系数介于7～11；
第二类储集层，所述第二类储集层的孔隙度介于5％～9％，所述第二类储集层的孔隙度连通系数介于5～10；
第三类储集层，所述第三类储集层的孔隙度介于2％～5％，所述第三类储集层的孔隙度连通系数介于2～8；
第四类储集层，所述第四类储集层的孔隙度小于2.5％，所述第四类储集层的孔隙度连通系数小于3。
9.一种微生物丘滩复合体储集层类型识别装置，其特征在于，所述装置包括：
数据获取模块，用于获取微生物丘滩复合体储集层的待识别样本的电成像图像和测井数据；
系数计算模块，用于根据所述待识别样本的电成像图像，计算所述待识别样本的孔隙度连通系数，所述孔隙度连通系数用于指示储集层中孔隙的连通性；
孔隙度计算模块，用于根据所述待识别样本的测井数据，计算所述待识别样本的孔隙度；
类型确定模块，用于根据所述待识别样本的孔隙度连通系数和所述待识别样本的孔隙度，确定所述待识别样本的类型。
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811063436.XA CN110895704B (zh) | 2018-09-12 | 2018-09-12 | 微生物丘滩复合体储集层类型识别方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811063436.XA CN110895704B (zh) | 2018-09-12 | 2018-09-12 | 微生物丘滩复合体储集层类型识别方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110895704A true CN110895704A (zh) | 2020-03-20 |
| CN110895704B CN110895704B (zh) | 2023-04-18 |
Family
ID=69785354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811063436.XA Active CN110895704B (zh) | 2018-09-12 | 2018-09-12 | 微生物丘滩复合体储集层类型识别方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110895704B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112253087A (zh) * | 2020-10-20 | 2021-01-22 | 河南理工大学 | 一种基于多源测井资料的生物扰动储集层物性计算方法 |
| CN113805246A (zh) * | 2020-06-15 | 2021-12-17 | 中国石油天然气股份有限公司 | 一种碳酸盐岩储层连通性评价图版及其生成方法和应用 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102011583A (zh) * | 2010-11-30 | 2011-04-13 | 中国石油天然气股份有限公司 | 一种电成像结合礁滩地质模型识别储层的方法 |
| CN102200008A (zh) * | 2010-03-26 | 2011-09-28 | 中国石油天然气股份有限公司 | 一种基于电成像测井的储层有效性识别方法 |
| CN102373923A (zh) * | 2010-08-20 | 2012-03-14 | 中国石油天然气股份有限公司 | 一种储层识别方法 |
| CN103306671A (zh) * | 2013-05-17 | 2013-09-18 | 中国石油天然气股份有限公司 | 一种四象限储层类型识别方法及系统 |
| CN104977617A (zh) * | 2014-04-02 | 2015-10-14 | 中国石油化工股份有限公司 | 储层裂缝识别方法和成像测井储层裂缝识别方法 |
| RU2014142851A (ru) * | 2014-10-23 | 2016-05-20 | Открытое акционерное общество "Сургутнефтегаз" | Способ построения геолого-гидродинамических моделей двойной среды залежей баженовской свиты |
| EP3032026A1 (en) * | 2014-12-11 | 2016-06-15 | Services Pétroliers Schlumberger | Analyzing reservoir using fluid analysis |
| WO2016161914A1 (zh) * | 2015-04-07 | 2016-10-13 | 四川行之智汇知识产权运营有限公司 | 一种利用地质和测井信息预测储层成岩相的方法 |
| WO2017192926A1 (en) * | 2016-05-06 | 2017-11-09 | Baker Hughes Incorporated | Improved post-well reservoir characterization using imageconstrained inversion |
-
2018
- 2018-09-12 CN CN201811063436.XA patent/CN110895704B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102200008A (zh) * | 2010-03-26 | 2011-09-28 | 中国石油天然气股份有限公司 | 一种基于电成像测井的储层有效性识别方法 |
| CN102373923A (zh) * | 2010-08-20 | 2012-03-14 | 中国石油天然气股份有限公司 | 一种储层识别方法 |
| CN102011583A (zh) * | 2010-11-30 | 2011-04-13 | 中国石油天然气股份有限公司 | 一种电成像结合礁滩地质模型识别储层的方法 |
| CN103306671A (zh) * | 2013-05-17 | 2013-09-18 | 中国石油天然气股份有限公司 | 一种四象限储层类型识别方法及系统 |
| CN104977617A (zh) * | 2014-04-02 | 2015-10-14 | 中国石油化工股份有限公司 | 储层裂缝识别方法和成像测井储层裂缝识别方法 |
| RU2014142851A (ru) * | 2014-10-23 | 2016-05-20 | Открытое акционерное общество "Сургутнефтегаз" | Способ построения геолого-гидродинамических моделей двойной среды залежей баженовской свиты |
| EP3032026A1 (en) * | 2014-12-11 | 2016-06-15 | Services Pétroliers Schlumberger | Analyzing reservoir using fluid analysis |
| WO2016161914A1 (zh) * | 2015-04-07 | 2016-10-13 | 四川行之智汇知识产权运营有限公司 | 一种利用地质和测井信息预测储层成岩相的方法 |
| WO2017192926A1 (en) * | 2016-05-06 | 2017-11-09 | Baker Hughes Incorporated | Improved post-well reservoir characterization using imageconstrained inversion |
Non-Patent Citations (17)
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113805246A (zh) * | 2020-06-15 | 2021-12-17 | 中国石油天然气股份有限公司 | 一种碳酸盐岩储层连通性评价图版及其生成方法和应用 |
| CN113805246B (zh) * | 2020-06-15 | 2023-09-26 | 中国石油天然气股份有限公司 | 一种碳酸盐岩储层连通性评价图版及其生成方法和应用 |
| CN112253087A (zh) * | 2020-10-20 | 2021-01-22 | 河南理工大学 | 一种基于多源测井资料的生物扰动储集层物性计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110895704B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2391686C2 (ru) | Основанные на применении компьютера формирование и проверка тренировочных образов, предназначенных для многоточечного геостатистического анализа | |
| Saggaf et al. | Seismic facies classification and identification by competitive neural networks | |
| US10223782B2 (en) | Digital rock physics-based trend determination and usage for upscaling | |
| US8234073B2 (en) | System and method for estimating geological architecture of a geologic volume | |
| CN106355571B (zh) | 一种白云岩储层质量的确定方法及装置 | |
| Mathisen et al. | Improved permeability estimates in carbonate reservoirs using electrofacies characterization: a case study of the North Robertson Unit, West Texas | |
| Wang et al. | Improving the robustness of scagnostics | |
| Priezzhev et al. | Direct prediction of petrophysical and petroelastic reservoir properties from seismic and well-log data using nonlinear machine learning algorithms | |
| CN110895704B (zh) | 微生物丘滩复合体储集层类型识别方法、装置及存储介质 | |
| CN111472765A (zh) | 目标井的地层划分方法和装置 | |
| Wu et al. | Incremental correlation of multiple well logs following geologically optimal neighbors | |
| US10605940B2 (en) | Method for selecting horizon surfaces | |
| US20220253577A1 (en) | System and method for implementing machine learning for 3d geo-modeling of petroleum reservoirs | |
| CN116201535B (zh) | 油气藏目标井标志地层自动划分方法、装置及设备 | |
| US20230184087A1 (en) | Multi-modal and Multi-dimensional Geological Core Property Prediction using Unified Machine Learning Modeling | |
| Schlegel et al. | Towards visual debugging for multi-target time series classification | |
| Fournier et al. | Integrated rock-typing with capillary pressure curve clustering | |
| Ye et al. | Rapid and Consistent Identification of Stratigraphic Boundaries and Stacking Patterns in Well Logs-An Automated Process Utilizing Wavelet Transforms and Beta Distributions | |
| Galli et al. | Smart Processing and Analysis of Image Log Data: A Digital Approach for A Robust Facies Modelling in Heterogeneous Carbonate Reservoirs | |
| CN116108368B (zh) | 一种基于深度学习混合模型的沉积微相识别方法和装置 | |
| US20210374465A1 (en) | Methodology for learning a similarity measure between geophysical objects | |
| CN116226623B (zh) | 基于SegNet分段模型的标志层划分方法、装置和计算机设备 | |
| CN113378999B (zh) | 一种基于云模型的致密砂岩储层分类定级方法 | |
| US12124949B2 (en) | Methodology for learning a similarity measure between geophysical objects | |
| Holdaway | Exploratory data analysis in reservoir characterization projects |
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 |