CN111025384B - 基于波形分类交汇融合的储层预测方法和装置 - Google Patents
基于波形分类交汇融合的储层预测方法和装置 Download PDFInfo
- Publication number
- CN111025384B CN111025384B CN201911174344.3A CN201911174344A CN111025384B CN 111025384 B CN111025384 B CN 111025384B CN 201911174344 A CN201911174344 A CN 201911174344A CN 111025384 B CN111025384 B CN 111025384B
- Authority
- CN
- China
- Prior art keywords
- seismic
- reservoirs
- different types
- waveform
- 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.)
- Active
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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于波形分类交汇融合的储层预测方法和装置,该方法包括:根据地震数据以及测井数据获取不同类型储层所对应的时窗范围内的地震数据;利用预训练的神经网络模型对不同类型储层所对应的时窗范围内的地震数据进行波形分类;对不同类型储层对应的波形分类结果进行交汇融合实现储层预测,其中,通过对不同类型储层对应的波形分类结果进行交汇融合,充分利用不同类型储层的地震波形分类信息,实现了有机的交汇融合,在复杂碳酸盐岩储层的预测中有效提高了预测精度,应用效果显著。
Description
技术领域
本发明涉及地球物理勘探技术领域,尤其涉及一种基于波形分类交汇融合的储层预测方法和装置。
背景技术
随着国内油气勘探程度逐步深入,海相碳酸盐岩储层一直被认为具有巨大的油气勘探潜力。碳酸盐岩储层广泛发育于开阔台地、台地边缘、前缘斜坡等沉积相,岩性则以灰岩、白云岩为主。然而,受裂缝和溶蚀作用,碳酸盐岩储集空间类型多变,储层纵横向展布不均、非均质性较强,导致储层预测困难,这是当前碳酸盐岩油气藏勘探的主要瓶颈所在。
地震储层预测大致可以分类定性和定量两类。储层定量预测通常指反演,利用地震数据包含的阻抗或AVO信息,得到反映地下岩石特征的弹性参数;但碳酸盐岩储层的非均质较强,反演精度难以有效保证。储层定性预测则以储层响应特征差异为基础,根据经验或先验认识,提取地震数据的振幅、频率、相位、波形等属性信息,进行储层的定性描述。这类方法相比于地震反演,方便快捷,对于储层预测也有一定的效果,但通常对地震数据的利用不够充分、反映的信息也不够全面,导致预测精度不高。
发明内容
针对现有技术中的问题,本发明提供一种基于波形分类交汇融合的储层预测方法、装置、电子设备以及计算机可读存储介质,能够至少部分地解决现有技术中存在的问题。
为了实现上述目的,本发明采用如下技术方案:
第一方面,提供一种基于波形分类交汇融合的储层预测方法,包括:
根据地震数据以及测井数据获取不同类型储层所对应的时窗范围内的地震数据;
利用预训练的神经网络模型对不同类型储层所对应的时窗范围内的地震数据进行波形分类;
对不同类型储层对应的波形分类结果进行交汇融合实现储层预测。
进一步地,该根据地震数据以及测井数据获取不同类型储层所对应的时窗范围内的地震数据,包括:
根据该地震数据获取目的层段子波以及目的层段及上覆地层、下伏地层的时间构造解释层位;
根据该测井数据建立不同类型储层的楔状速度模型;
根据该楔状速度模型以及该子波获取地震正演剖面;
根据该时间构造解释层位以及该地震正演剖面获取不同类型储层所对应的时窗范围;
根据该时窗范围在该地震数据中提取得到不同类型储层所对应的时窗范围内的地震数据。
进一步地,该根据测井数据建立不同类型储层的楔状速度模型,包括:
根据该测井数据获取目的层段及上覆地层、下伏地层的测井分层数据以及目的层段、不同类型储层段及上覆地层、下伏地层的平均速度值和地层厚度值;
根据该测井分层数据以及该平均速度值、该地层厚度值建立不同类型储层的楔状速度模型。
进一步地,该根据该时间构造解释层位以及该地震正演剖面获取不同类型储层所对应的时窗范围,包括:
根据该时间构造解释层位以及该地震正演剖面获取不同类型储层的地震响应特性和差异;
确定该地震响应特性和差异在实际地震数据目的层段中对应的不同位置和时窗范围。
进一步地,该波形分类结果为一个数值,该数值代表一组地震波形模型道中的一种,该地震波形模型道用于表征时窗范围内的地震数据的地震波形的主要特征及变化趋势;每种数值对应一种颜色。
进一步地,该对不同类型储层对应的波形分类结果进行交汇融合实现储层预测,包括:
对比不同类型储层的地震响应特性和各地震波形模型道获取各地震波形模型道表征的响应特征,该响应特征包括:有效储层和非储层;
根据地震波形模型道的总数量、表征有效储层的地震波形模型道的数量、一地震道的波形分类结果获取交汇融合结果;
根据各地震道的波形分类交汇融合结果得到用于表征不同类型储层的平面分布规律的地震波形横向变化,实现储层预测。
进一步地,该根据地震波形模型道的总数量、表征有效储层的地震波形模型道的数量、一地震道的波形分类结果获取交汇融合结果,包括:
当a>(m-n)并且b>(m-n)时,d=2n+1,表征a、b均为有效储层;
当a>(m-n)并且b<(m-n)时,d=a+(2n-m),表征a为有效储层、b为非储层;
当a≤(m-n)并且b>(m-n)时,d=b-(m-n),表征a为非储层、b为有效储层;
当a≤(m-n)并且b≤(m-n)时,d=0,表征a、b均为非储层;
除此以外,d=-1,表征无效的情况;
其中,m为地震波形模型道的总数量,n为表征有效储层的地震波形模型道的数量,a和b分别为某一地震道的波形分类结果,d为交汇融合结果。
第二方面,提供一种基于波形分类交汇融合的储层预测装置,包括:
数据获取模块,根据地震数据以及测井数据获取不同类型储层所对应的时窗范围内的地震数据;
波形分类模块,利用预训练的神经网络模型对不同类型储层所对应的时窗范围内的地震数据进行波形分类;
储层预测模块,对不同类型储层对应的波形分类结果进行交汇融合实现储层预测。
第三方面,提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行该程序时实现上述的基于波形分类交汇融合的储层预测方法的步骤。
第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的基于波形分类交汇融合的储层预测方法的步骤。
本发明提供的基于波形分类交汇融合的储层预测方法、装置、电子设备以及计算机可读存储介质,该方法包括:根据地震数据以及测井数据获取不同类型储层所对应的时窗范围内的地震数据;利用预训练的神经网络模型对不同类型储层所对应的时窗范围内的地震数据进行波形分类;对不同类型储层对应的波形分类结果进行交汇融合实现储层预测,其中,通过对不同类型储层对应的波形分类结果进行交汇融合,充分利用不同类型储层的地震波形分类信息,实现了有机的交汇融合,在复杂碳酸盐岩储层的预测中有效提高了预测精度,应用效果显著。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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。在附图中:
图1为本发明实施例中的服务器S1与客户端设备B1之间的架构示意图;
图2为本发明实施例中的服务器S1、客户端设备B1及数据库服务器S2之间的架构示意图;
图3是本发明实施例中的基于波形分类交汇融合的储层预测方法的流程示意图;
图4示出了图3中步骤S100的具体步骤;
图5示出了图4中步骤S120的具体步骤;
图6示出了图3中步骤S300的具体步骤;
图7示出了本发明实施例中的二维地质模型;
图8示出了本发明实施例中的地震正演剖面;
图9为一类储层的波形分类模型道特征;
图10为二类储层的波形分类模型道特征;
图11为两类储层的波形分类结果交汇融合示意图;
图12示出了两类储层的波形分类结果交汇融合的平面分布;
图13是本发明实施例中的基于波形分类交汇融合的储层预测装置的结构框图;
图14为本发明实施例电子设备的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
现有地震储层预测技术对地震数据的利用不够充分、反映的信息也不够全面,导致预测精度不高。
为至少部分解决现有技术中存在的上述技术问题,本发明实施例提供了一种基于波形分类交汇融合的储层预测方法,通过对不同类型储层对应的波形分类结果进行交汇融合,充分利用不同类型储层的地震波形分类信息,实现了有机的交汇融合,在复杂碳酸盐岩储层的预测中有效提高了预测精度,应用效果显著。
有鉴于此,本申请提供了一种基于波形分类交汇融合的储层预测装置,该装置可以为一种服务器S1,参见图1,该服务器S1可以与至少一个客户端设备B1通信连接,所述客户端设备B1可以将地震数据以及测井数据发送至所述服务器S1,所述服务器S1可以在线接收所述地震数据以及测井数据。所述服务器S1可以在线或者离线对获取的地震数据以及测井数据进行预处理,根据预处理后的地震数据以及测井数据获取不同类型储层所对应的时窗范围内的地震数据;利用预训练的神经网络模型对不同类型储层所对应的时窗范围内的地震数据进行波形分类;对不同类型储层对应的波形分类结果进行交汇融合实现储层预测。而后,所述服务器S1可以将储层预测结果在线发送至所述客户端设备B1。所述客户端设备B1可以在线接收所述储层预测结果。
另外,参见图2,所述服务器S1还可以与至少一个数据库服务器S2通信连接,所述数据库服务器S2用于存储预训练的神经网络模型。所述数据库服务器S2在线将所述预训练的神经网络模型发送至所述服务器S1,所述服务器S1可以在线接收所述预训练的神经网络模型,而后利用预训练的神经网络模型对不同类型储层所对应的时窗范围内的地震数据进行波形分类。
基于上述内容,所述数据库服务器S2还可以用于存储训练样本数据以及测试数据。所述数据库服务器S2在线将所述训练样本数据以及测试数据发送至所述服务器S1,所述服务器S1可以在线接收所述训练样本数据以及测试数据,而后利用训练样本数据以及测试数据对建立的神经网络模型进行模型训练和测试。
基于上述内容,所述客户端设备B1可以具有显示界面,使得用户能够根据界面查看所述服务器S1发送的所述储层预测结果。
可以理解的是,所述客户端设备B1可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,进行基于波形分类交汇融合的储层预测方法的部分可以在如上述内容所述的服务器S1侧执行,即,如图1所示的架构,也可以所有的操作都在所述客户端设备B1中完成,且该所述客户端设备B1可以直接与数据库服务器S2进行通信连接。具体可以根据所述客户端设备B1的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备B1中完成,所述客户端设备B1还可以包括处理器,用于进行基于波形分类交汇融合的储层预测的具体处理。
所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、REST协议(Representational State Transfer,表述性状态转移协议)等。
图3是本发明实施例中的基于波形分类交汇融合的储层预测方法的流程示意图;如图3所示,该基于波形分类交汇融合的储层预测方法可以包括以下内容:
步骤S100:根据地震数据以及测井数据获取不同类型储层所对应的时窗范围内的地震数据。
具体地,首先根据地震数据以及测井数据确定不同类型储层所对应的时窗,然后提取不同类型储层所对应的时窗范围内的地震数据。
其中,时窗可以是沿目的层段某一界面上延或下延形成的等厚时窗,也可以是选取主要目的层段或某一地层顶、底界面建立的非等厚时窗。
步骤S200:利用预训练的神经网络模型对不同类型储层所对应的时窗范围内的地震数据进行波形分类;
具体地,通过预训练的神经网络模型在时窗范围内对实际地震道进行分类,波形分类结果为一个数值,所述数值代表一组地震波形模型道中的一种,所述地震波形模型道用于表征时窗范围内的地震数据的地震波形的主要特征及变化趋势;每种数值对应一种颜色。颜色用于波形分类平面展示,数值用于计算。在分类过程中,需要基于工区大小以及地震数据波形特征的复杂程度确定分类波形模型道个数,一般情况下分类个数在5-15之间,分类数小结果过于粗糙,分类数大结果过于详细,都难以进行储层解释。分类过程可以理解为将实际地震道与模型道逐道进行相似性对比,赋予每一地震道和它相似度最高的模型道所代表的颜色和数值,最终完成波形分类。
步骤S300:对不同类型储层对应的波形分类结果进行交汇融合实现储层预测。
其中,通过对不同类型储层对应的波形分类结果进行交汇融合,综合刻画了地震波形横向变化,充分反映了不同类型储层的平面分布规律。
综上所述,本发明实施例提供的基于波形分类交汇融合的储层预测方法,通过对不同类型储层对应的波形分类结果进行交汇融合,充分利用不同类型储层的地震波形分类信息,实现了有机的交汇融合,在复杂碳酸盐岩储层的预测中有效提高了预测精度,应用效果显著。
在一个可选的实施例中,参见图4,该基于波形分类交汇融合的储层预测方法还可以包括:
步骤S110:根据所述地震数据获取目的层段子波以及目的层段及上覆地层、下伏地层的时间构造解释层位。
值得说明的是,地震数据可为经过保幅处理的偏移后地震数据。
其中,目的层段包括多个类型的储层和非储层。
步骤S120:根据所述测井数据建立不同类型储层的楔状速度模型;
步骤S130:根据所述楔状速度模型以及所述子波获取地震正演剖面;
具体地,将楔状速度模型和地震子波进行褶积运算,合成得到地震正演剖面。
步骤S140:根据所述时间构造解释层位以及所述地震正演剖面获取不同类型储层所对应的时窗范围;
步骤S150:根据所述时窗范围在所述地震数据中提取得到不同类型储层所对应的时窗范围内的地震数据。
其中,通过采用上述技术方案,能够获得准确的不同类型储层所对应的时窗范围内的地震数据,利于进一步提高预测精度。
在一个可选的实施例中,参见图5,该步骤S120可以包括以下内容:
步骤S121:根据所述测井数据获取目的层段及上覆地层、下伏地层的测井分层数据以及目的层段、不同类型储层段及上覆地层、下伏地层的平均速度值和地层厚度值;
具体地,首先,根据测井数据获取地震工区内相应测井目的层段及上覆地层、下伏地层的声波速度曲线和测井分层数据,并统计目的层段、不同类型储层段及上覆地层、下伏地层的平均速度值和地层厚度值。
其中,统计平均速度值时,首先,选取工区内一口测井,在目的层段、不同类型储层段及上覆地层、下伏地层中,选取多个取样深度(如每间隔预设深度选取一个取样点,该预设深度可为0.1~0.5米,优选0.125米或0.25米)对声波速度曲线进行取值,得到多个速度数据,并分别求取各段平均速度值;其次,对于地震工区内其它所有测井按照上述步骤分别求取各段平均速度值;最后,求取工区内所有参与测井的目的层段、不同类型储层段及上覆、下伏地层的平均速度值。
统计平均地层厚度值时,首先,统计工区内所有测井分层数据中目的层段、不同类型储层段及上覆地层、下伏地层的厚度值,其次,求取工区内所有测井目的层段、不同类型储层段及上覆地层、下伏地层的平均厚度值。
值得说明的是,该声波速度曲线可由声波时差曲线求导数得到。
步骤S122:根据所述测井分层数据以及所述平均速度值、所述地层厚度值建立不同类型储层的楔状速度模型。
具体地,基于工区实际测井分层结果(测井分层数据、平均速度值、地层厚度值等),建立不同类型储层的二维地质模型,其中,储层为厚度从大变小顶平底斜的楔状体,储层之上、之下均为厚度稳定、均匀的地层,将平均速度值和地层厚度值赋值到地质模型中即可得到二维楔状储层的速度模型。
其中,通过采用上述技术方案,能够获得准确的速度模型,利于进一步提高预测精度。
在一个可选的实施例中,该步骤S140可以包括以下内容:
根据所述时间构造解释层位以及所述地震正演剖面获取不同类型储层的地震响应特性和差异;确定所述地震响应特性和差异在实际地震数据目的层段中对应的不同位置和时窗范围。
值得说明的是,储层地震响应特征,具体指楔状地质模型所对应的地震正演剖面中,储层段所对应的地震波形特征以及储层段厚度变化所引起的地震波形特征的变化;不同类型储层的响应特征差异,具体指不同类型的储层所引起的地震波形特征的不同。
具体地,通过对比合成的地震正演剖面和实际地震数据目的层段,确定不同类型的储层在实际地震数据中所对应的地震波形特征,以及地震波形特征的顶、底时间长度;基于地层时间构造解释层位,确定整个地震工区中不同类型储层的响应特征所对应的时窗范围;
其中,通过采用上述技术方案,能够提高时窗的精确度,利于进一步提高预测精度。
在一个可选的实施例中,参见图6,该步骤S300可以包括以下内容:
步骤S310:对比不同类型储层的地震响应特性和各地震波形模型道获取各地震波形模型道表征的响应特征,所述响应特征包括:有效储层和非储层;
步骤S320:根据地震波形模型道的总数量、表征有效储层的地震波形模型道的数量、一地震道的波形分类结果获取交汇融合结果;
具体地:
当a>(m-n)并且b>(m-n)时,d=2n+1,表征a、b均为有效储层;
当a>(m-n)并且b<(m-n)时,d=a+(2n-m),表征a为有效储层、b为非储层;
当a≤(m-n)并且b>(m-n)时,d=b-(m-n),表征a为非储层、b为有效储层;
当a≤(m-n)并且b≤(m-n)时,d=0,表征a、b均为非储层;
除此以外,d=-1,表征预测结果无效的情况;
其中,m为地震波形模型道的总数量,n为表征有效储层的地震波形模型道的数量,m为正整数,n为正整数且n<m,两种不同类型储层的波形分类结果中从非储层到储层赋值顺序从小到大,某一地震道的波形分类赋值(即波形分类结果)分别为a和b(a、b均为正整数且均≤m),其交汇融合后的赋值为d(d为整数),d为交汇融合结果。
值得说明的是,波形分类交汇融合过程中,需要确定不同类型的模型道数以及相同的模型道赋值顺序,比如从非储层到储层赋值顺序从小到大。
步骤S330:根据各地震道的波形分类交汇融合结果得到用于表征不同类型储层的平面分布规律的地震波形横向变化,实现储层预测。
具体地,根据波形分类交汇融合结果,给每一个数值d设定一种颜色以便于交汇融合结果的平面展示,每一种颜色代表了交汇融合结果中相同的一类,综合起来刻画了地震波形横向变化,充分反映了不同类型储层的平面分布规律。
综上所述,碳酸盐岩储集空间类型多变,首先基于区域地质认识及实际测井结果,建立不同类型储层的地质模型,并进行储层地震响应特征分析,然后结合响应分析结果,在实际地震数据中选取不同类型储层响应对应的层段进行波形分类(与实际地震数据对比分析),再将分类波形的结果进行综合交汇融合,为波形分类结果中的模型道赋予了明确的储层响应特征信息,充分的利用不同类型储层的地震波形分类信息,实现了有机的交汇融合,在复杂碳酸盐岩储层的预测中有效提高了预测精度,应用效果显著。
为了验证本发明提供的方法,选取四川盆地双鱼石地区栖霞组碳酸盐岩储层采用本发明实施例提供的储层预测方法进行预测。
(1)根据所述地震数据获取目的层段子波以及目的层段及上覆地层、下伏地层的时间构造解释层位。
栖霞组储层为碳酸盐岩台地边缘相沉积、岩性为白云岩,由于双鱼石地区位于龙门山前冲断带,构造复杂多变、目的层埋藏深,受多期构造运动及溶蚀作用的影响,栖霞组储层的储集空间以孔隙、裂缝和孔洞为主,储层表现出较强的非均质性,利用现有方法难以有效识别。
从测井曲线上分析,工区内测井储层段和非储层段测井响应差异非常明显,部分井储层段高于非储层段,部分井储层段低于非储层段,这在一定程度上反映次生孔隙的发育程度,以及储集空间类型的差异。综合测井分析和相关区域地质认识,栖霞组储层类型大致可以划分为两类:裂缝-孔隙-孔洞型(一类储层)和孔隙型(二类储层)。
(2)根据所述测井数据获取目的层段及上覆地层、下伏地层的测井分层数据以及目的层段、不同类型储层段及上覆地层、下伏地层的平均速度值和地层厚度值。
四川盆地双鱼石地区栖霞组上覆地层为茅口组,其底部茅一段以泥质灰岩为主;目的层栖霞组分为两段,上部栖二段为褐灰色生物灰岩夹白云岩储层,下部栖一段以泥质灰岩为主;栖霞组下伏梁山组为一套薄层页岩夹粉砂岩,梁山组下伏石炭系由灰岩、白云岩组成。
选择工区内3口已知井,各井在目的层段、不同类型储层段及上覆、下伏地层中分别选取50个速度数据求取各层段平均速度值,再求取3口已知井目的层段、不同类型储层段及上覆、下伏地层的平均速度值;其次,基于测井分层数据统计3口已知井中目的层段、不同类型储层段及上覆、下伏地层的厚度值,再求取平均地层厚度值。最终,上覆茅口组泥质灰岩速度为5800m/s、厚度为35m;目的层栖霞组栖二段灰岩速度为6250m/s、厚度为80m,距离其顶部35m处夹一套30m厚白云岩储层,一类储层速度为6050m/s、二类储层速度为6500m/s;栖霞组栖一段泥质灰岩速度为6100m/s、厚度为50m;下伏梁山组薄层页岩夹粉砂岩速度为5000m/s、厚度为5m,石炭系灰岩/白云岩速度为6400m/s、厚度为30m。
(3)根据所述测井分层数据以及所述平均速度值、所述地层厚度值建立不同类型储层的楔状速度模型。
具体地,基于工区实际测井分层结果建立四川盆地双鱼石地区栖霞组两种类型储层的楔状地质模型,参见图7,整个模型宽度为240m、楔状储层的宽度为180m;将平均速度值和地层厚度值赋值到地质模型中,得到二维楔状储层的速度模型。
(4)根据所述楔状速度模型以及所述子波获取地震正演剖面。
四川盆地双鱼石地区栖霞组两种类型储层的地震正演剖面参见图8,其背景为地质模型,二者对应起来可以清晰反映地层界面对应的地震反射特征。
(5)根据所述时间构造解释层位以及所述地震正演剖面获取不同类型储层的地震响应特性和差异;
图8中的a和图8中的b对比可见,栖霞组两种类型储层的地震响应特征差异明显,当储层厚度变化时,1类储层响应特征为宽缓波谷中的弱波峰反射,响应特征明显,随着储层厚度变薄弱波峰逐渐减弱消失;2类储层响应特征为宽缓波谷反射,响应特征不明显,因为储层响应和茅口组底界响应调谐导致茅口组底界强波峰拉长,且随着储层厚度变薄波峰长度逐渐恢复。
(6)确定所述地震响应特性和差异在实际地震数据目的层段中对应的不同位置和时窗范围。
在图8的a中,一类储层的宽缓波谷中的弱波峰反射特征主要体现在栖霞组内部,对比模型响应特征和目的层段实际地震数据,弱波峰响应特征在实际数据中反映明显,结合各地层时间构造解释层位,确定整个工区中一类储层响应特征所对应的时窗以茅口组底界(P1m)和栖霞组底界上延10毫秒(P1q-10ms)为顶、底范围;图8的b中,二类储层的响应特征变化主要体现在茅口组底界强波峰拉长,对比模型响应特征和目的层段实际地震数据,茅口组底界的强波峰特征在实际数据中有强弱变化,结合各地层时间构造解释层位,确定整个工区中二类储层响应特征所对应的时窗以茅口组底界上延10毫秒(P1m-10ms)和茅口组底界下延18毫秒(P1q+18ms)为顶、底范围。
(7)根据所述时窗范围在所述地震数据中提取得到不同类型储层所对应的时窗范围内的地震数据。
(8)利用预训练的神经网络模型对不同类型储层所对应的时窗范围内的地震数据进行波形分类。
具体地,综合考虑工区大小、地震数据波形特征的复杂程度以及分类训练实验结果,确定分类波形模型道个数为7,进行分类训练以及波形分类。图9和图10分别为四川盆地双鱼石地区栖霞组两种类型储层的波形分类结果及分类波形模型道特征,如图中所见,两类储层的分类波形均有7个模型道,赋值从7到1,设定颜色从黑色至浅灰;两类储层的波形分类平面展布差异明显、基本呈互为反向关系,但是刻画的边界、趋势基本一致,这说明波形分类结果的可靠性。
(9)对不同类型储层对应的波形分类结果进行交汇融合实现储层预测。
通过分别对比两类储层在图9、图10中波形分类模型道特征和在图8中对应的储层地震响应特征,可以看出,一类储层模型道中部的波峰特征逐渐消失变为波谷,二类储层模型道拉长的波峰特征逐渐变短,这和它们对应的地震响应特征都有很好的匹配,模型道的波形变化有效反映了储层厚度的变化;综合对比分析结果,模型道颜色从黑色至浅灰(赋值从7到1)代表从储层到非储层的变化,并确定颜色从黑色至中灰(赋值从7到4)对应的模型道表征有效储层,而颜色从中灰至浅灰(赋值从3到1)对应的模型道表征非储层。
对图9和图10中的两种波形分类结果进行交汇分析并融合,图11为两种类型储层的波形分类结果交汇融合示意图,如图所见,设定横轴代表一类储层波形分类结果、纵轴代表二类储层波形分类结果,横、纵轴数值均从1至7(代表从非储层到储层);交汇融合过程中,如果某一地震道在一类储层波形分类结果和二类储层波形分类结果中均为有效储层,则代表非常优质的储层;如果某一地震道在一类储层波形分类结果中为有效储层、在二类储层波形分类结果中为非储层,则代表一类储层;如果某一地震道在一类储层波形分类结果中为非储层、在二类储层波形分类结果中为有效储层,则代表二类储层;如果某一地震道在一类储层波形分类结果和二类储层波形分类结果中均为非储层,则代表致密的非储层。
图12所示为四川盆地双鱼石地区栖霞组两种类型储层的波形分类结果交汇融合的平面分布,不同颜色代表不同类型的区域。从交汇融合结果可以看出,双鱼石地区栖霞组储层普遍发育、只是储集空间类型有差异,这一结论完全符合区域地质和已知测井的认识,也表明波形分类交汇融合方法能够综合、有效利用地震信息,精细刻画不同类型储层的分布规律,有效提高储层预测精度。
基于同一发明构思,本申请实施例还提供了一种基于波形分类交汇融合的储层预测装置,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于基于波形分类交汇融合的储层预测装置解决问题的原理与上述方法相似,因此基于波形分类交汇融合的储层预测装置的实施可以参见上述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图13是本发明实施例中的基于波形分类交汇融合的储层预测装置的结构框图一。如图13所示,该基于波形分类交汇融合的储层预测装置具体包括:数据获取模块10、波形分类模块20以及储层预测模块30。
数据获取模块10根据地震数据以及测井数据获取不同类型储层所对应的时窗范围内的地震数据;
具体地,首先根据地震数据以及测井数据确定不同类型储层所对应的时窗,然后提取不同类型储层所对应的时窗范围内的地震数据。
其中,时窗可以是沿目的层段某一界面上延或下延形成的等厚时窗,也可以是选取主要目的层段或某一地层顶、底界面建立的非等厚时窗。
波形分类模块20利用预训练的神经网络模型对不同类型储层所对应的时窗范围内的地震数据进行波形分类;
具体地,通过预训练的神经网络模型在时窗范围内对实际地震道进行分类,波形分类结果为一个数值,所述数值代表一组地震波形模型道中的一种,所述地震波形模型道用于表征时窗范围内的地震数据的地震波形的主要特征及变化趋势;每种数值对应一种颜色。颜色用于波形分类平面展示,数值用于计算。在分类过程中,需要基于工区大小以及地震数据波形特征的复杂程度确定分类波形模型道个数,一般情况下分类个数在5-15之间,分类数小结果过于粗糙,分类数大结果过于详细,都难以进行储层解释。分类过程可以理解为将实际地震道与模型道逐道进行相似性对比,赋予每一地震道和它相似度最高的模型道所代表的颜色和数值,最终完成波形分类。
储层预测模块30对不同类型储层对应的波形分类结果进行交汇融合实现储层预测。
其中,通过对不同类型储层对应的波形分类结果进行交汇融合,综合刻画了地震波形横向变化,充分反映了不同类型储层的平面分布规律。
综上所述,本发明实施例提供的基于波形分类交汇融合的储层预测装置,通过对不同类型储层对应的波形分类结果进行交汇融合,充分利用不同类型储层的地震波形分类信息,实现了有机的交汇融合,在复杂碳酸盐岩储层的预测中有效提高了预测精度,应用效果显著。
在一个可选的实施例中,该数据获取模块10可以包括:子波层位获取单元、速度模型获取单元、正演剖面获取单元、时窗获取单元以及数据获取单元。
子波层位获取单元,根据所述地震数据获取目的层段子波以及目的层段及上覆地层、下伏地层的时间构造解释层位;
值得说明的是,地震数据可为经过保幅处理的偏移后地震数据。
其中,目的层段包括多个类型的储层和非储层。
速度模型获取单元,根据所述测井数据建立不同类型储层的楔状速度模型;
正演剖面获取单元,根据所述楔状速度模型以及所述子波获取地震正演剖面;
具体地,将楔状速度模型和地震子波进行褶积运算,合成得到地震正演剖面。
时窗获取单元,根据所述时间构造解释层位以及所述地震正演剖面获取不同类型储层所对应的时窗范围;
数据获取单元,根据所述时窗范围在所述地震数据中提取得到不同类型储层所对应的时窗范围内的地震数据。
其中,通过采用上述技术方案,能够获得准确的不同类型储层所对应的时窗范围内的地震数据,利于进一步提高预测精度。
在一个可选的实施例中,速度模型获取单元包括:速度厚度获取子单元以及模型获取子单元。
速度厚度获取子单元,根据所述测井数据获取目的层段及上覆地层、下伏地层的测井分层数据以及目的层段、不同类型储层段及上覆地层、下伏地层的平均速度值和地层厚度值;
具体地,首先,根据测井数据获取地震工区内相应测井目的层段及上覆地层、下伏地层的声波速度曲线和测井分层数据,并统计目的层段、不同类型储层段及上覆地层、下伏地层的平均速度值和地层厚度值。
其中,统计平均速度值时,首先,选取工区内一口测井,在目的层段、不同类型储层段及上覆地层、下伏地层中,选取多个取样深度(如每间隔预设深度选取一个取样点,该预设深度可为0.1~0.5米,优选0.125米或0.25米)对声波速度曲线进行取值,得到多个速度数据,并分别求取各段平均速度值;其次,对于地震工区内其它所有测井按照上述步骤分别求取各段平均速度值;最后,求取工区内所有参与测井的目的层段、不同类型储层段及上覆、下伏地层的平均速度值。
统计平均地层厚度值时,首先,统计工区内所有测井分层数据中目的层段、不同类型储层段及上覆地层、下伏地层的厚度值,其次,求取工区内所有测井目的层段、不同类型储层段及上覆地层、下伏地层的平均厚度值。
值得说明的是,该声波速度曲线可由声波时差曲线求导数得到。
模型获取子单元,根据所述测井分层数据以及所述平均速度值、所述地层厚度值建立不同类型储层的楔状速度模型。
具体地,基于工区实际测井分层结果(测井分层数据、平均速度值、地层厚度值等),建立不同类型储层的二维地质模型,其中,储层为厚度从大变小顶平底斜的楔状体,储层之上、之下均为厚度稳定、均匀的地层,将平均速度值和地层厚度值赋值到地质模型中即可得到二维楔状储层的速度模型。
其中,通过采用上述技术方案,能够获得准确的速度模型,利于进一步提高预测精度。
在一个可选的实施例中,时窗获取单元包括:
响应特性获取子单元,根据所述时间构造解释层位以及所述地震正演剖面获取不同类型储层的地震响应特性和差异;
时窗获取子单元,确定所述地震响应特性和差异在实际地震数据目的层段中对应的不同位置和时窗范围。
值得说明的是,储层地震响应特征,具体指楔状地质模型所对应的地震正演剖面中,储层段所对应的地震波形特征以及储层段厚度变化所引起的地震波形特征的变化;不同类型储层的响应特征差异,具体指不同类型的储层所引起的地震波形特征的不同。
具体地,通过对比合成的地震正演剖面和实际地震数据目的层段,确定不同类型的储层在实际地震数据中所对应的地震波形特征,以及地震波形特征的顶、底时间长度;基于地层时间构造解释层位,确定整个地震工区中不同类型储层的响应特征所对应的时窗范围;
其中,通过采用上述技术方案,能够提高时窗的精确度,利于进一步提高预测精度。
在一个可选的实施例中,储层预测模块30包括:波形模型道特征获取单元、交汇融合单元以及储层预测单元。
波形模型道特征获取单元,对比不同类型储层的地震响应特性和各地震波形模型道获取各地震波形模型道表征的响应特征,所述响应特征包括:有效储层和非储层;
交汇融合单元,根据地震波形模型道的总数量、表征有效储层的地震波形模型道的数量、一地震道的波形分类结果获取交汇融合结果;
具体地:
当a>(m-n)并且b>(m-n)时,d=2n+1,表征a、b均为有效储层;
当a>(m-n)并且b<(m-n)时,d=a+(2n-m),表征a为有效储层、b为非储层;
当a≤(m-n)并且b>(m-n)时,d=b-(m-n),表征a为非储层、b为有效储层;
当a≤(m-n)并且b≤(m-n)时,d=0,表征a、b均为非储层;
除此以外,d=-1,表征无效的情况;
其中,m为地震波形模型道的总数量,n为表征有效储层的地震波形模型道的数量,m为正整数,n为正整数且n<m,两种不同类型储层的波形分类结果中从非储层到储层赋值顺序从小到大,某一地震道的波形分类赋值(即波形分类结果)分别为a和b(a、b均为正整数且均≤m),其交汇融合后的赋值为d(d为整数),d为交汇融合结果。
值得说明的是,波形分类交汇融合过程中,需要确定不同类型的模型道数以及相同的模型道赋值顺序,比如从非储层到储层赋值顺序从小到大。
储层预测单元,根据各地震道的波形分类交汇融合结果得到用于表征不同类型储层的平面分布规律的地震波形横向变化,实现储层预测。
具体地,根据波形分类交汇融合结果,给每一个数值d设定一种颜色以便于交汇融合结果的平面展示,每一种颜色代表了交汇融合结果中相同的一类,综合起来刻画了地震波形横向变化,充分反映了不同类型储层的平面分布规律。
综上所述,碳酸盐岩储集空间类型多变,首先基于区域地质认识及实际测井结果,建立不同类型储层的地质模型,并进行储层地震响应特征分析,然后结合响应分析结果,在实际地震数据中选取不同类型储层响应对应的层段进行波形分类(与实际地震数据对比分析),再将分类波形的结果进行综合交汇融合,为波形分类结果中的模型道赋予了明确的储层响应特征信息,充分的利用不同类型储层的地震波形分类信息,实现了有机的交汇融合,在复杂碳酸盐岩储层的预测中有效提高了预测精度,应用效果显著。
上述实施例阐明的装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为电子设备,具体的,电子设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个典型的实例中电子设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现下述步骤:
根据地震数据以及测井数据获取不同类型储层所对应的时窗范围内的地震数据;
利用预训练的神经网络模型对不同类型储层所对应的时窗范围内的地震数据进行波形分类;
对不同类型储层对应的波形分类结果进行交汇融合实现储层预测。
从上述描述可知,本发明实施例提供的电子设备,可用于储层预测,通过对不同类型储层对应的波形分类结果进行交汇融合,充分利用不同类型储层的地震波形分类信息,实现了有机的交汇融合,在复杂碳酸盐岩储层的预测中有效提高了预测精度,应用效果显著。
下面参考图14,其示出了适于用来实现本申请实施例的电子设备600的结构示意图。
如图14所示,电子设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中,还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡,调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现下述步骤:
根据地震数据以及测井数据获取不同类型储层所对应的时窗范围内的地震数据;
利用预训练的神经网络模型对不同类型储层所对应的时窗范围内的地震数据进行波形分类;
对不同类型储层对应的波形分类结果进行交汇融合实现储层预测。
从上述描述可知,本发明实施例提供的计算机可读存储介质,可用于储层预测,通过对不同类型储层对应的波形分类结果进行交汇融合,充分利用不同类型储层的地震波形分类信息,实现了有机的交汇融合,在复杂碳酸盐岩储层的预测中有效提高了预测精度,应用效果显著。
在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (7)
1.一种基于波形分类交汇融合的储层预测方法,其特征在于,包括:
根据地震数据以及测井数据获取不同类型储层所对应的时窗范围内的地震数据,所述不同类型储层所对应的时窗范围是根据所述地震数据以及测井数据确定出来的;
利用预训练的神经网络模型对不同类型储层所对应的时窗范围内的地震数据进行波形分类,所述波形分类结果为一个数值,所述数值代表一组地震波形模型道中的一种;
对不同类型储层对应的波形分类结果进行交汇融合实现储层预测;
所述根据地震数据以及测井数据获取不同类型储层所对应的时窗范围内的地震数据,包括:
根据所述地震数据获取目的层段子波以及目的层段及上覆地层、下伏地层的时间构造解释层位;
根据所述测井数据建立不同类型储层的楔状速度模型;
根据所述楔状速度模型以及所述子波获取地震正演剖面;
根据所述时间构造解释层位以及所述地震正演剖面获取不同类型储层所对应的时窗范围;
根据所述时窗范围在所述地震数据中提取得到不同类型储层所对应的时窗范围内的地震数据;
所述根据所述时间构造解释层位以及所述地震正演剖面获取不同类型储层所对应的时窗范围,包括:
根据所述时间构造解释层位以及所述地震正演剖面获取不同类型储层的地震响应特性和差异;
确定所述地震响应特性和差异在实际地震数据目的层段中对应的不同位置和时窗范围;
所述对不同类型储层对应的波形分类结果进行交汇融合实现储层预测,包括:
对比不同类型储层的地震响应特性和各地震波形模型道获取各地震波形模型道表征的响应特征,所述响应特征包括:有效储层和非储层;
根据地震波形模型道的总数量、表征有效储层的地震波形模型道的数量、一地震道的波形分类结果获取交汇融合结果;
根据各地震道的波形分类交汇融合结果得到用于表征不同类型储层的平面分布规律的地震波形横向变化,实现储层预测。
2.根据权利要求1所述的基于波形分类交汇融合的储层预测方法,其特征在于,所述根据测井数据建立不同类型储层的楔状速度模型,包括:
根据所述测井数据获取目的层段及上覆地层、下伏地层的测井分层数据以及目的层段、不同类型储层段及上覆地层、下伏地层的平均速度值和地层厚度值;
根据所述测井分层数据以及所述平均速度值、所述地层厚度值建立不同类型储层的楔状速度模型。
3.根据权利要求1所述的基于波形分类交汇融合的储层预测方法,其特征在于,所述地震波形模型道用于表征时窗范围内的地震数据的地震波形的主要特征及变化趋势;每种数值对应一种颜色。
5.一种基于波形分类交汇融合的储层预测装置,其特征在于,包括:
数据获取模块,根据地震数据以及测井数据获取不同类型储层所对应的时窗范围内的地震数据,所述不同类型储层所对应的时窗范围是根据所述地震数据以及测井数据确定出来的;
波形分类模块,利用预训练的神经网络模型对不同类型储层所对应的时窗范围内的地震数据进行波形分类,所述波形分类结果为一个数值,所述数值代表一组地震波形模型道中的一种;
储层预测模块,对不同类型储层对应的波形分类结果进行交汇融合实现储层预测;
所述数据获取模块,根据所述地震数据获取目的层段子波以及目的层段及上覆地层、下伏地层的时间构造解释层位;根据所述测井数据建立不同类型储层的楔状速度模型;根据所述楔状速度模型以及所述子波获取地震正演剖面;根据所述时间构造解释层位以及所述地震正演剖面获取不同类型储层所对应的时窗范围;根据所述时窗范围在所述地震数据中提取得到不同类型储层所对应的时窗范围内的地震数据;
所述数据获取模块,根据所述时间构造解释层位以及所述地震正演剖面获取不同类型储层的地震响应特性和差异;确定所述地震响应特性和差异在实际地震数据目的层段中对应的不同位置和时窗范围;
所述储层预测模块,对比不同类型储层的地震响应特性和各地震波形模型道获取各地震波形模型道表征的响应特征,所述响应特征包括:有效储层和非储层;根据地震波形模型道的总数量、表征有效储层的地震波形模型道的数量、一地震道的波形分类结果获取交汇融合结果;根据各地震道的波形分类交汇融合结果得到用于表征不同类型储层的平面分布规律的地震波形横向变化,实现储层预测。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述的基于波形分类交汇融合的储层预测方法的步骤。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至4任一项所述的基于波形分类交汇融合的储层预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911174344.3A CN111025384B (zh) | 2019-11-26 | 2019-11-26 | 基于波形分类交汇融合的储层预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911174344.3A CN111025384B (zh) | 2019-11-26 | 2019-11-26 | 基于波形分类交汇融合的储层预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111025384A CN111025384A (zh) | 2020-04-17 |
CN111025384B true CN111025384B (zh) | 2022-08-30 |
Family
ID=70206760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911174344.3A Active CN111025384B (zh) | 2019-11-26 | 2019-11-26 | 基于波形分类交汇融合的储层预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111025384B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111983691B (zh) * | 2020-08-18 | 2023-10-13 | 郑州市混沌信息技术有限公司 | 一种多模型融合的储层预测方法及软件系统 |
CN114152977B (zh) * | 2020-09-07 | 2023-01-10 | 中国石油化工股份有限公司 | 基于地质特征约束的储层参数预测方法、装置和存储介质 |
US20230314649A1 (en) * | 2020-09-07 | 2023-10-05 | China Petroleum & Chemical Corporation | Reservoir parameter prediction method and apparatus based on geological characteristic constraint, and storage medium |
CN112379442A (zh) * | 2020-11-02 | 2021-02-19 | 中国石油天然气集团有限公司 | 地震波形分类方法及装置 |
CN113484907B (zh) * | 2021-08-16 | 2023-07-25 | 西南石油大学 | 一种预测不同类型储层平面上分布的方法 |
CN113671567B (zh) * | 2021-08-16 | 2022-09-02 | 西南石油大学 | 一种基于波形分类及颜色融合预测不同类型储层的方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7248539B2 (en) * | 2003-04-10 | 2007-07-24 | Schlumberger Technology Corporation | Extrema classification |
AU2011258764B2 (en) * | 2010-05-28 | 2014-10-23 | Exxonmobil Upstream Research Company | Method for seismic hydrocarbon system analysis |
CN102650702A (zh) * | 2012-05-03 | 2012-08-29 | 中国石油天然气股份有限公司 | 一种地震波形分析及储层预测方法和装置 |
CN103487832B (zh) * | 2013-09-12 | 2016-04-06 | 电子科技大学 | 一种三维地震信号中的有监督波形分类方法 |
CN103527184B (zh) * | 2013-10-28 | 2016-04-20 | 北京大学 | 一种白云岩储层的预测方法和系统 |
US10317549B2 (en) * | 2014-10-29 | 2019-06-11 | Wisconsin Alumni Research Foundation | Systems and methods for non-parametric autopicking of seismic wave features from seismic data |
CN106842307B (zh) * | 2015-12-04 | 2020-10-13 | 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 |
CN108931814B (zh) * | 2017-05-26 | 2020-10-20 | 中国石油化工股份有限公司 | 一种基于多属性融合的基岩裂缝预测的方法 |
-
2019
- 2019-11-26 CN CN201911174344.3A patent/CN111025384B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111025384A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111025384B (zh) | 基于波形分类交汇融合的储层预测方法和装置 | |
US11313993B2 (en) | Systems and methods for estimating a likelihood of reservoir productivity as a function of position in a subsurface volume of interest | |
WO2019062655A1 (zh) | 薄夹层的确定方法和装置 | |
CN106154323B (zh) | 基于地震拓频处理的相控随机反演薄储层预测方法 | |
CN109709607B (zh) | 一种预测薄层砂岩储层厚度方法及装置 | |
CN109115987B (zh) | 一种基于岩石物理模型的流体因子的评价方法及装置 | |
Tyler et al. | Modeling heterogeneities in fluvial domains: a review of the influence on production profiles | |
CN113050157A (zh) | 一种基于露头资料的碳酸盐岩地震储层反演方法及系统 | |
CN103869362A (zh) | 体曲率获取方法和设备 | |
CN117546051A (zh) | 使用s波速度模型和机器学习进行地震成像的方法和系统 | |
CN112505754B (zh) | 基于高精度层序格架模型的井震协同划分沉积微相的方法 | |
CN111983679B (zh) | 基于沉积参数的相控型白云岩储层地震预测方法和装置 | |
CN107991716B (zh) | 薄层的沉积相图和沉积体厚度的确定方法和装置 | |
CN108073744B (zh) | 基于地质统计学的浊积扇推进距离预测方法 | |
Rubio et al. | How the use of stratigraphic coordinates improves grade estimation | |
Iltaf et al. | Facies and petrophysical modeling of Triassic Chang 6 tight sandstone reservoir, Heshui oil field, Ordos basin, China | |
CN111983671A (zh) | 基于微古地貌恢复的浅水湖盆储层预测方法和装置 | |
Pyrcz et al. | Representative input parameters for geostatistical simulation | |
CN105158803A (zh) | 一种选取优势储层的方法 | |
CN112505761B (zh) | 一种储层含气性检测方法和装置 | |
CN115728818A (zh) | 花岗岩潜山储层垂向分带地震识别方法及装置 | |
CN115880455A (zh) | 基于深度学习的三维智能插值方法 | |
Makarian et al. | A novel directional-oriented method for predicting shear wave velocity through empirical rock physics relationship using geostatistics analysis | |
EP4202180A1 (en) | Systems and methods for identifying type curve regions as a function of position in a region of interest | |
CN112835098B (zh) | 风化壳岩溶储层的储能系数预测方法及装置 |
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 |