CN111175818A - Co2气驱前缘位置的判断方法及其模型训练方法、装置 - Google Patents
Co2气驱前缘位置的判断方法及其模型训练方法、装置 Download PDFInfo
- Publication number
- CN111175818A CN111175818A CN202010012707.XA CN202010012707A CN111175818A CN 111175818 A CN111175818 A CN 111175818A CN 202010012707 A CN202010012707 A CN 202010012707A CN 111175818 A CN111175818 A CN 111175818A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- waveform inversion
- front edge
- training
- 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 93
- 238000012549 training Methods 0.000 title claims abstract description 88
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 10
- 230000002238 attenuated effect Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000007789 sealing Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000009919 sequestration Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011278 co-treatment Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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. 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
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- 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. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/303—Analysis for determining velocity profiles or travel times
-
- 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
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- 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
-
- 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
- G01V2210/62—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
本发明提供了一种CO2气驱前缘位置的判断方法及其模型训练方法、装置，涉及CO2封存监测技术领域，该模型训练方法包括：获取样本测井的垂直地震剖面数据；对垂直地震剖面数据进行全波形反演，获得全波形反演结果；将垂直地震剖面数据以及全波形反演结果输入至预设的神经网络模型中进行训练；得到CO2气驱前缘位置判断的模型。通过将多个时期的时移地面地震数据输入至预先完成训练的CO2气驱前缘位置判断模型，输出多个时期的储层参数，通过差异性数据体进行分析，得到CO2气驱前缘位置。该方法充分利用地面地震及VSP数据，在保证了地面地震数据观测范围大的同时不降低分辨率，降低了全波形反演的计算量。
Description
技术领域
本发明涉及CO2封存监测技术领域，尤其是涉及一种CO2气驱前缘位置的判断方法及其模型训练方法、装置。
背景技术
目前的CO2封存监测主要采用时移地震、时移VSP(Vertical Seismic Profiling，垂直地震剖面)、瞬变电磁法等，通过不同时期的地震属性差异来判断CO2的运移规律；基于时移VSP数据的全波形反演方法，计算得到不同时期的储层速度变化情况，进而CO2的气驱前缘位置。
现有技术中常用全波形反演对地震记录中的有效信息进行反演计算，从而判断CO2气驱前缘的位置。全波形反演可以基于VSP地震数据和地面地震数据，VSP数据虽然分辨率高但观测范围小，地面地震数据观测范围大但分辨率低。而且全波形反演的计算量巨大，对计算机的计算速度要求很高，反演耗时较长，是一种低效计算方法。
发明内容
有鉴于此，本发明的目的在于提供一种CO2气驱前缘位置的方法及其模型训练方法、装置，可充分利用地面地震及VSP数据实现了对CO2气驱前缘的位置的判断，在保证了地面地震数据观测范围大的同时确保了分辨率，降低了全波形反演的计算量。
第一方面，本发明实施例提供了一种用于CO2气驱前缘位置判断的模型训练方法，该方法包括：
获取储层纵、横波速度以及密度参数；
储层纵、横波速度以及密度参数通过输入预先构建的初始地质构造模型及垂直地震剖面数据进行全波形反演，实时更新初始地质构造模型，将获得的纵波速度、横波速度以及密度参数记为全波形反演结果；
将垂直地震剖面数据以及全波形反演结果输入至预设的神经网络模型中进行训练；
当预设的神经网络模型中的输出结果满足预设的期望阈值时停止模型的训练，得到CO2气驱前缘位置判断的模型。
在一些实施方式中，上述预先构建的初始地质构造模型的构建过程，包括：
获得地震层位、断层和地质异常体的构造解释结果；
获得纵、横波速度、密度的测井曲线数据；
将测井曲线数据在构造解释结果的约束下进行插值，得到低频的初始地质构造模型。
在一些实施方式中，上述将更新后的纵波速度、横波速度以及密度参数记为全波形反演结果的步骤，包括：
对垂直地震剖面数据进行上下行波分离，得到垂直地震剖面数据的上行波和下行波；
选取垂直地震剖面数据的下行波，利用预先构建的初始地质构造模型的输出结果进行全波形反演，得到全波形反演结果。
在一些实施方式中，上述选取垂直地震剖面数据的下行波，利用预先构建的地质构造模型的输出结果进行全波形反演，得到全波形反演结果的步骤，包括：
选取垂直地震剖面数据的下行波；
根据垂直地震剖面数据中的地层衰减因子，将下行波进行单程衰减，得到衰减后的下行波；
将衰减后的下行波及预先构建的初始地质构造模型的输出结果进行全波形反演，得到全波形反演结果。
在一些实施方式中，上述当预设的神经网络模型中的输出结果满足预设的期望阈值时停止模型的训练，得到CO2气驱前缘位置判断的模型的步骤，包括：
获取预设的神经网络模型的输出结果；
计算预设的神经网络模型的输出结果与全波形反演结果的差异程度；
当差异程度达到预设的期望阈值时，停止模型的训练，得到CO2气驱前缘位置判断的模型。
在一些实施方式中，上述神经网络模型为CNN、AlexNet、ZFNet、VGGNet、GoogLeNet、ResNet、UNet以及SRCNN中的任意一种。
第二方面，本发明实施例提供了一种CO2气驱前缘位置的判断方法，该方法包括：
获取多个时期的时移地面地震数据；
将多个时期的时移地面地震数据输入至预先完成训练的CO2气驱前缘位置判断模型中，输出多个时期的储层参数；储层参数包括纵波速度、横波速度以及密度参数；CO2气驱前缘位置判断模型通过上述用于CO2气驱前缘位置判断的模型训练方法训练得到；
根据多个时期的储层参数进行做差，得到纵波速度、横波速度以及密度参数对应的差异性数据体，通过差异性数据体进行分析，得到CO2气驱前缘位置。
第三方面，本发明实施例提供了一种用于CO2气驱前缘位置判断的模型训练装置，该装置包括：
数据采集模块，用于获取储层纵、横波速度以及密度参数；
全波形反演模块，用于储层纵、横波速度以及密度参数通过输入预先构建的初始地质构造模型及垂直地震剖面数据进行全波形反演，实时更新初始地质构造模型，将获得的纵波速度、横波速度以及密度参数记为全波形反演结果；
模型训练模块，用于将垂直地震剖面数据以及全波形反演结果输入至预设的神经网络模型中进行训练；
模型获取模块，用于当预设的神经网络模型中的输出结果满足预设的期望阈值时停止模型的训练，得到CO2气驱前缘位置判断的模型。
第四方面，本发明实施例提供了一种CO2气驱前缘位置的判断装置，该装置包括：
数据获取模块，用于获取多个时期的时移地面地震数据；
识别模块，用于将多个时期的时移地面地震数据输入至预先完成训练的CO2气驱前缘位置判断模型中，输出多个时期的储层参数；储层参数包括纵波速度、横波速度以及密度参数；CO2气驱前缘位置判断模型通过上述用于CO2气驱前缘位置判断的模型训练方法训练得到；
判断模块，用于根据多个时期的储层参数进行做差，得到纵波速度、横波速度以及密度参数对应的差异性数据体，通过差异性数据体进行分析，得到CO2气驱前缘位置。
第五方面，本发明实施例提供了一种电子设备，该电子设备包括：处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被处理器运行时执行如第一方面和第二方面提供的方法。
本发明实施例带来了以下有益效果：本发明实施例提供了一种CO2气驱前缘位置的方法及其模型训练方法、装置，该CO2气驱前缘位置判断的模型训练方法首先获取储层纵、横波速度以及密度参数，然后将储层纵、横波速度以及密度参数通过输入预先构建的初始地质构造模型及垂直地震剖面数据进行全波形反演，并实时更新初始地质构造模型，将获得的纵波速度、横波速度以及密度参数记为全波形反演结果。再将垂直地震剖面数据以及全波形反演结果输入至预设的神经网络模型中进行训练，当预设的神经网络模型中的输出结果满足预设的期望阈值时停止模型的训练，得到CO2气驱前缘位置判断的模型。当使用训练完成的CO2气驱前缘位置判断模型进行CO2气驱前缘位置判断的过程中，首先获取多个时期的时移地面地震数据，然后将多个时期的时移地面地震数据输入至预先完成训练的CO2气驱前缘位置判断模型中，输出多个时期的储层参数，根据多个时期的储层参数进行做差，得到纵波速度、横波速度以及密度参数对应的差异性数据体，通过差异性数据体进行分析，得到CO2气驱前缘位置。在CO2气驱前缘位置的判断过程中，可充分利用地面地震及VSP数据实现了对CO2气驱前缘的位置的判断，在保证了地面地震数据观测范围大的同时确保了分辨率，降低了全波形反演的计算量。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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发明的一些实施方式，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用于CO2气驱前缘位置判断的模型训练方法的流程图；
图2为本发明实施例提供的用于CO2气驱前缘位置判断的模型训练方法中的初始地质构造模型构建过程的流程图；
图3为本发明实施例提供的用于CO2气驱前缘位置判断的模型训练方法中，将更新后的纵波速度、横波速度以及密度参数记为全波形反演结果的流程图；
图4为本发明实施例提供的用于CO2气驱前缘位置判断的模型训练方法中步骤S302的流程图；
图5为本发明实施例提供的用于CO2气驱前缘位置判断的模型训练方法中步骤S104的流程图；
图6为本发明实施例提供的CO2气驱前缘位置的判断方法的流程图；
图7为本发明实施例提供的另一种CO2气驱前缘位置的判断方法流程图；
图8A为本发明实施例提供的采用CNN网络模型预测的纵波速度剖面图；
图8B为本发明实施例提供的采用CNN网络模型预测的横波速度剖面图；
图8C为本发明实施例提供的采用CNN网络模型预测的密度剖面图；
图9为本发明实施例提供的用于CO2气驱前缘位置判断的模型训练装置的结构示意图；
图10为本发明实施例提供的CO2气驱前缘位置的判断装置的结构示意图；
图11为本发明实施例提供的一种电子设备的结构示意图。
图标：
901-数据采集模块；902-全波形反演模块；903-模型训练模块；904-模型获取模块；1001-数据获取模块；1002-识别模块；1003-判断模块；101-处理器；102-存储器；103-总线；104-通信接口。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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，都属于本发明保护的范围。
化石能源的大量消耗，导致了大气中CO2的浓度不断增加，而目前CO2捕获、利用与封存是减少CO2浓度的最有效手段。考虑其经济可行性，目前人们主要实行CO2驱油与封存工程，所面临的一个问题是如何监测CO2的气驱前缘位置，确保CO2安全封存不会发生泄漏；最大限度提高油气采收率，监测到CO2未波及区域时，及时调整CO2的注气方案。
目前的CO2封存监测主要采用时移地震、时移VSP(Vertical Seismic Profiling，垂直地震剖面)、瞬变电磁法等，通过不同时期的地震属性差异来判断CO2的运移规律；基于时移VSP数据的全波形反演方法，计算得到不同时期的储层速度变化情况，进而CO2的气驱前缘位置。
现有技术中常用全波形反演(Full Waveform Inversion，FWI)来判断CO2气驱前缘的位置。FWI可以充分利用地震记录中的有效信息来得到储层的高精度物性参数。它是利用CO2注入前、中、后不同时期的地震数据，通过迭代反演计算得到储层纵、横波速度、密度的参数变化情况，进而判断CO2气驱前缘的位置。
全波形反演可以基于VSP地震数据和地面地震数据，VSP数据具有分辨率高的优点，但存在观测范围小的缺点；地面地震数据具有观测范围大的优点，但存在分辨率低的缺点。而且全波形反演的计算量巨大，对计算机的计算速度要求很高，反演耗时较长，是一种低效计算方法。
可见，在当前的CO2气驱前缘位置的判断过程中所用到的全波形反演方法效果还有提升空间。
考虑到现有CO2气驱前缘位置的判断中存在的上述问题，本发明的目的在于提供一种CO2气驱前缘位置的方法及其模型训练方法、装置，该技术可以应用于CO2气驱前缘位置的判断的过程中，可以采用相关的软件或硬件实现，下面通过实施例进行描述。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种用于CO2气驱前缘位置判断的模型训练方法进行详细介绍，该方法的流程图如图1所示，包括：
步骤S101，获取储层纵、横波速度以及密度参数。
在VSP地震勘探中，通常是往地下打一个钻孔，该钻孔一般为几百米。然后将地震检波器置于该钻孔中，在地表用炸药激发，然后检波器接收信号，完成数据的采集。在本领域中的钻孔就是测井，该测井中的垂直地震剖面数据即VSP数据，包括纵波速度、横波速度、密度参数以及其它各类相关数据。
样本测井优先选择特征明显的区域，即VSP数据(包括纵波速度、横波速度以及密度参数)特征比较明显的区域。
步骤S102，储层纵、横波速度以及密度参数通过输入预先构建的初始地质构造模型及垂直地震剖面数据进行全波形反演，实时更新初始地质构造模型，将获得的纵波速度、横波速度以及密度参数记为全波形反演结果。
预先构建的地质构造模型是通过现有地质构造建模方法获得，地质构造建模是利用地震层位、断层和地质异常体的构造解释结果、测井数据进行约束获得所需的纵、横波速度、密度数据体。
全波形反演即FWI技术，利用CO2注入前、中、后不同时期的地震数据，通过迭代反演计算得到储层纵、横波速度、密度的参数变化情况，可以充分利用地震记录中的有效信息来得到储层的高精度物性参数，所得到的全波形反演结果作为输入数据用于CO2气驱前缘位置判断的模型的训练。
步骤S103，将垂直地震剖面数据以及全波形反演结果输入至预设的神经网络模型中进行训练。
该神经网络模型在样本图像输入之前已完成初始化，此时的神经网络模型状态可以是刚刚完成初始化过程，并未开始训练；也可以是已经训练中的状态。
将垂直地震剖面数据以及全波形反演结果输入至该神经网络模型后，通过相关运算改变模型的相关参数，以此提升模型的识别精度。例如，垂直地震剖面数据以及全波形反演结果训练过程中对神经网络模型的惩罚因子进行优化，惩罚因子是表征误差的宽容度的参数，惩罚因子的数值越大，表明越不能容忍误差的出现，相对而言更容易出现过拟合的现象；反之，惩罚因子的数值越小，相对而言更容易出现欠拟合的现象。
还有一个参数对于神经网络模型中的训练至关重要，那就是径向基核函数参数，该参数决定了数据映射到新的特征空间后的分布，该数值越大，表明支持向量越少，更容易出现过拟合；该数值越小，表明支持向量越多，更容易出现欠拟合。
将垂直地震剖面数据以及全波形反演结果输入至预设的神经网络模型中进行训练的过程中还包括模型其它参数的优化，在此不再赘述。
步骤S104，当预设的神经网络模型中的输出结果满足预设的期望阈值时停止模型的训练，得到CO2气驱前缘位置判断的模型。
模型在训练中是对相关参数进行优化，在优化过程中可采用粒子群优化算法进一步对神经网络模型中的相关参数进行优化计算。粒子群优化算法也称为粒子群算法，可完成人工神经网络中的连接权值的训练、结构设计、学习规则调整、特征选择、连接权值的初始化和规则提取等。
模型在训练的过程中，垂直地震剖面数据以及全波形反演结果输入至预设的神经网络模型中得到输出结果，对输出的结果进行判断从而确定该模型的性能是否达到要求。例如可根据损失函数的数值，来对模型的训练过程进行判定，当损失函数的数值达到预设的阈值时，则认为该模型的性能满足要求，即可停止模型的训练，得到用于CO2气驱前缘位置判断的模型。
在本发明实施例提到的用于CO2气驱前缘位置判断的模型训练方法中，首先获取样本测井的垂直地震剖面数据，然后将垂直地震剖面数据通过预先构建的地质构造模型进行全波形反演，将实时更新的纵波速度、横波速度以及密度参数记为全波形反演结果，再将垂直地震剖面数据以及全波形反演结果输入至预设的神经网络模型中进行训练，当预设的神经网络模型中的输出结果满足预设的期望阈值时停止模型的训练，得到CO2气驱前缘位置判断的模型。可见，该模型的训练过程中采用垂直地震剖面数据以及全波形反演结果作为样本数据，最终完成神经网络模型的训练，所得到的模型将垂直地震剖面数据以及全波形反演结果进行了结合，保留了VSP地震数据和地面地震数据的共同优点。
在一些实施方式中，上述预先构建的初始地质构造模型的构建过程，如图2所示，包括：
步骤S201，获得地震层位、断层和地质异常体的构造解释结果。
初始模型数据是通过现有地质构造建模方法获得，地质构造建模是利用地震层位、断层和地质异常体的构造解释结果、测井数据进行约束获得所需的纵、横波速度、密度数据体。
步骤S202，获得纵、横波速度、密度的测井曲线数据。
上述地震层位、断层和地质异常体的构造解释结果包含在样本测井的数据集中，该数据是测井的属性数据，可直接获取，属于样本测井的初始化阶段。
步骤S203，将测井曲线数据在构造解释结果的约束下进行插值，得到低频的初始地质构造模型。
在一些实施方式中，上述将更新后的纵波速度、横波速度以及密度参数记为全波形反演结果的步骤，如图3所示，包括：
步骤S301，对垂直地震剖面数据进行上下行波分离，得到垂直地震剖面数据的上行波和下行波。
本步骤对垂直地震剖面数据进行上下波分离，分离的手段采用现有的VSP上下波分离技术，得到了上行波和下行波的数据体。
步骤S302，选取垂直地震剖面数据的下行波，利用预先构建的初始地质构造模型的输出结果进行全波形反演，得到全波形反演结果。
为保证VSP数据与地面数据具有相同的反射特性，因此需要对下行波进行衰减过程，具体的，在一些实施方式中，如图4所示，包括：
步骤S401，选取垂直地震剖面数据的下行波。
步骤S402，根据垂直地震剖面数据中的地层衰减因子，将下行波进行单程衰减，得到衰减后的下行波。
该衰减因子为本领域中的地层衰减因子，通常用Q来表示，该步骤中根据地层衰减因子Q，将下行波数据做一个单程旅行时的衰减，得到衰减后的下行波数据体。
步骤S403，将衰减后的下行波及预先构建的初始地质构造模型的输出结果进行全波形反演，得到全波形反演结果。
在一些实施方式中，上述当预设的神经网络模型中的输出结果满足预设的期望阈值时停止模型的训练，得到CO2气驱前缘位置判断的模型的步骤S104，如图5所示，包括：
步骤S501，获取预设的神经网络模型的输出结果。
步骤S502，计算预设的神经网络模型的输出结果与全波形反演结果的差异程度。
该差异程度，可通过神经网络模型中的相关损失函数来获取，也可以直接通过人工判断其差异程度。差异程度表示模型输出的正确性，可表征模型的最终性能。具体的，可将神经网络模型的输出结果与全波形反演的结果进行做差，所得的结果根据实现设置的阈值判断，从而得到差异程度。
步骤S503，当差异程度达到预设的期望阈值时，停止模型的训练，得到CO2气驱前缘位置判断的模型。
在一些实施方式中，上述神经网络模型为CNN、AlexNet、ZFNet、VGGNet、GoogLeNet、ResNet、UNet以及SRCNN中的任意一种。
本发明实施例提供了一种CO2气驱前缘位置的判断方法，如图6所示，该方法包括：
步骤S601，获取多个时期的时移地面地震数据。
该步骤中时移地面地震数据需要对多个时期内的数据进行采集，不同数据采集的时间节点根据具体场景进行选择，可选取某一时期内那些特征明显的时移地面地震数据。
步骤S602，将多个时期的时移地面地震数据输入至预先完成训练的CO2气驱前缘位置判断模型中，输出多个时期的储层参数。
该步骤中的CO2气驱前缘位置判断模型通过上述提到的用于CO2气驱前缘位置判断的模型训练方法训练得到，通过模型的识别运算，最终得到输出多个时期的储层参数结果，储层参数包括纵波速度、横波速度以及密度参数。
步骤S603，根据多个时期的储层参数进行做差，得到纵波速度、横波速度以及密度参数对应的差异性数据体，通过差异性数据体进行分析，得到CO2气驱前缘位置。
该步骤最终的计算步骤，是根据不同时期的模型预测结果进行差值计算，得到纵、横波速度、密度的差异性数据体，最终得到CO2的气驱前缘位置。
具体的，上述方案的实现过程如图7所示，VSP数据与初始模型数据作为输入数据，通过基于VSP的全波形反演步骤S701后得到全波形反演结果，将全波形反演结果与VSP数据输入至CNN网络模型中进行CNN网络模型训练步骤S702，完成训练后得到CNN网络模型用于后续的预测。预测的过程中首先根据是时移地面地震数据步骤S703获得时移地面地震数据，然后输入至已完成训练的CNN网络模型中，进行CNN网络预测步骤S704，所得结果进行分析步骤S705进行判断，如果不满足模型的识别要求则重新对模型新型训练，执行步骤S702；如果满足模型的识别要求则根据时移结果差异性确定CO2气驱前缘位置。该结果可通过图片的方式进行展示，如图8A所示的是采用CNN网络模型预测的纵波速度剖面图；如图8B所示的是采用CNN网络模型预测的横波速度剖面图；如图8C所示的是采用CNN网络模型预测的密度剖面图。
对应于上述用于CO2气驱前缘位置判断的模型训练方法的实施例，本实施例还提供一种用于CO2气驱前缘位置判断的模型训练装置，如图9所示，该装置包括：
数据采集模块901，用于获取储层纵、横波速度以及密度参数；
全波形反演模块902，用于储层纵、横波速度以及密度参数通过输入预先构建的初始地质构造模型及垂直地震剖面数据进行全波形反演，实时更新初始地质构造模型，将获得的纵波速度、横波速度以及密度参数记为全波形反演结果；
模型训练模块903，用于将垂直地震剖面数据以及全波形反演结果输入至预设的神经网络模型中进行训练；
模型获取模块904，用于当预设的神经网络模型中的输出结果满足预设的期望阈值时停止模型的训练，得到CO2气驱前缘位置判断的模型。
本发明实施例所提供的用于CO2气驱前缘位置判断的模型训练装置，其实现原理及产生的技术效果和前述用于CO2气驱前缘位置判断的模型训练方法的实施例相同，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。
对应于上述CO2气驱前缘位置的判断方法的实施例，本实施例还提供一种CO2气驱前缘位置的判断装置，如图10所示，该装置包括：
数据获取模块1001，用于获取多个时期的时移地面地震数据。
识别模块1002，用于将多个时期的时移地面地震数据输入至预先完成训练的CO2气驱前缘位置判断模型中，输出多个时期的储层参数；储层参数包括纵波速度、横波速度以及密度参数。CO2气驱前缘位置判断模型通过上述用于CO2气驱前缘位置判断的模型训练方法训练得到。
判断模块1003，用于根据多个时期的储层参数进行做差，得到纵波速度、横波速度以及密度参数对应的差异性数据体，通过差异性数据体进行分析，得到CO2气驱前缘位置。
本发明实施例所提供的CO2气驱前缘位置的判断装置，其实现原理及产生的技术效果和前述CO2气驱前缘位置的判断方法的实施例相同，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。
本实施例还提供一种电子设备，为该电子设备的结构示意图如图11所示，该设备包括处理器101和存储器102；其中，存储器102用于存储一条或多条计算机指令，一条或多条计算机指令被处理器执行，以实现上述用于CO2气驱前缘位置判断的模型训练方法以及CO2气驱前缘位置的判断方法。
图11所示的服务器还包括总线103和通信接口104，处理器101、通信接口104和存储器102通过总线103连接。
其中，存储器102可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。总线103可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
通信接口104用于通过网络接口与至少一个用户终端及其它网络单元连接，将封装好的IPv4报文或IPv4报文通过网络接口发送至用户终端。
处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器102，处理器101读取存储器102中的信息，结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行前述实施例的方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以用软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种用于CO2气驱前缘位置判断的模型训练方法，其特征在于，所述方法包括：
获取储层纵、横波速度以及密度参数；
所述储层纵、横波速度及密度参数通过输入预先构建的初始地质构造模型及垂直地震剖面数据进行全波形反演，实时更新初始地质构造模型，将获得的纵波速度、横波速度以及密度参数记为全波形反演结果；
将所述垂直地震剖面数据以及全波形反演结果输入至预设的神经网络模型中进行训练；
当所述预设的神经网络模型中的输出结果满足预设的期望阈值时停止所述模型的训练，得到所述CO2气驱前缘位置判断的模型。
2.根据权利要求1所述的模型训练方法，其特征在于，所述预先构建的初始地质构造模型的构建过程，包括：
获得地震层位、断层和地质异常体的构造解释结果；
获得纵、横波速度、密度的测井曲线数据；
将所述测井曲线数据在所述构造解释结果的约束下进行插值，得到低频的初始地质构造模型。
3.根据权利要求1所述的模型训练方法，其特征在于，将更新后的纵波速度、横波速度以及密度参数记为全波形反演结果的步骤，包括：
对所述垂直地震剖面数据进行上下行波分离，得到所述垂直地震剖面数据的上行波和下行波；
选取所述垂直地震剖面数据的下行波，利用所述预先构建的初始地质构造模型进行全波形反演，得到全波形反演结果。
4.根据权利要求1所述的模型训练方法，其特征在于，选取所述垂直地震剖面数据的下行波，利用所述预先构建的地质构造模型的输出结果进行全波形反演，得到全波形反演结果的步骤，包括：
选取所述垂直地震剖面数据的下行波；
根据所述垂直地震剖面数据中的地层衰减因子，将所述下行波进行单程衰减，得到衰减后的所述下行波；
将衰减后的所述下行波及所述预先构建的初始地质构造模型进行全波形反演，得到全波形反演结果。
5.根据权利要求1所述的模型训练方法，其特征在于，当所述预设的神经网络模型中的输出结果满足预设的期望阈值时停止所述模型的训练，得到所述CO2气驱前缘位置判断的模型的步骤，包括：
获取所述预设的神经网络模型的输出结果；
计算所述预设的神经网络模型的输出结果与所述全波形反演结果的差异程度；
当所述差异程度达到预设的期望阈值时，停止所述模型的训练，得到所述CO2气驱前缘位置判断的模型。
6.根据权利要求1所述的模型训练方法，其特征在于，所述神经网络模型，可采用CNN、AlexNet、ZFNet、VGGNet、GoogLeNet、ResNet、UNet以及SRCNN上述神经网络模型中的任意一种。
7.一种CO2气驱前缘位置的判断方法，其特征在于，所述方法包括：
获取多个时期的时移地面地震数据；
将所述多个时期的时移地面地震数据输入至预先完成训练的CO2气驱前缘位置判断模型中，输出所述多个时期的储层参数；所述储层参数包括纵波速度、横波速度以及密度参数；所述CO2气驱前缘位置判断模型通过权利要求1-6任一项所述的用于CO2气驱前缘位置判断的模型训练方法训练得到；
根据所述多个时期的储层参数进行做差，得到所述纵波速度、横波速度以及密度参数对应的差异性数据体，通过所述差异性数据体进行分析，得到所述CO2气驱前缘位置。
8.一种用于CO2气驱前缘位置判断的模型训练装置，其特征在于，所述装置包括：
数据采集模块，用于获取储层纵、横波速度以及密度参数；
全波形反演模块，用所述储层纵、横波速度及密度参数通过输入预先构建的初始地质构造模型及垂直地震剖面数据进行全波形反演，实时更新初始地质构造模型，将获得的纵波速度、横波速度以及密度参数记为全波形反演结果；
模型训练模块，用于将所述垂直地震剖面数据以及全波形反演结果输入至预设的神经网络模型中进行训练；
模型获取模块，用于当所述预设的神经网络模型中的输出结果满足预设的期望阈值时停止所述模型的训练，得到所述CO2气驱前缘位置判断的模型。
9.一种CO2气驱前缘位置的判断装置，其特征在于，所述装置包括：
数据获取模块，用于获取多个时期的时移地面地震数据；
识别模块，用于将所述多个时期的时移地面地震数据输入至预先完成训练的CO2气驱前缘位置判断模型中，输出所述多个时期的储层参数；所述储层参数包括纵波速度、横波速度以及密度参数；所述CO2气驱前缘位置判断模型通过权利要求1-6任一项所述的用于CO2气驱前缘位置判断的模型训练方法训练得到；
判断模块，用于根据所述多个时期的储层参数进行做差，得到所述纵波速度、横波速度以及密度参数对应的差异性数据体，通过所述差异性数据体进行分析，得到所述CO2气驱前缘位置。
10.一种电子设备，其特征在于，包括：处理器和存储装置；所述存储装置上存储有计算机程序，所述计算机程序在被所述处理器运行时执行如权利要求1至7任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010012707.XA CN111175818B (zh) | 2020-01-07 | 2020-01-07 | Co2气驱前缘位置的判断方法及其模型训练方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010012707.XA CN111175818B (zh) | 2020-01-07 | 2020-01-07 | Co2气驱前缘位置的判断方法及其模型训练方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111175818A true CN111175818A (zh) | 2020-05-19 |
| CN111175818B CN111175818B (zh) | 2020-11-27 |
Family
ID=70649194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010012707.XA Active CN111175818B (zh) | 2020-01-07 | 2020-01-07 | Co2气驱前缘位置的判断方法及其模型训练方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111175818B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112396161A (zh) * | 2020-11-11 | 2021-02-23 | 中国科学技术大学 | 基于卷积神经网络的岩性剖面图构建方法、系统及设备 |
| CN112578457A (zh) * | 2020-11-24 | 2021-03-30 | 中油奥博(成都)科技有限公司 | 一种二氧化碳驱动煤层气的光纤井中地震监测方法 |
| CN112925012A (zh) * | 2021-01-26 | 2021-06-08 | 中国矿业大学(北京) | 地震全波形反演方法及装置 |
| CN113640879A (zh) * | 2021-08-16 | 2021-11-12 | 中国矿业大学(北京) | 基于双网络的储层时移参数预测方法和系统 |
| WO2022245555A1 (en) * | 2021-05-21 | 2022-11-24 | Exxonmobil Upstream Research Company | Method and system for rock physics constrained data integration of elastic fwi properties and seismic stacks |
| CN117250667A (zh) * | 2023-11-08 | 2023-12-19 | 经纬地信(成都)科技有限公司 | 基于U-Net增强网络对地下密度快速成像方法及系统 |
| CN117521530A (zh) * | 2024-01-04 | 2024-02-06 | 中国石油大学(华东) | 基于混合神经网络的二氧化碳驱油和埋存动态预测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002023224A2 (en) * | 2000-09-11 | 2002-03-21 | Westerngeco, L.L.C. | Neural net prediction of seismic streamer shape |
| CN105182414A (zh) * | 2015-10-16 | 2015-12-23 | 成都理工大学 | 一种基于波动方程正演去除直达波的方法 |
| CN109507726A (zh) * | 2017-09-15 | 2019-03-22 | 中国石油化工股份有限公司 | 时间域弹性波多参数全波形的反演方法及系统 |
| US20190113638A1 (en) * | 2015-04-24 | 2019-04-18 | Leslie A. Wahrmund | Seismic Stratigraphic Surface Classification |
| CN110297273A (zh) * | 2019-08-06 | 2019-10-01 | 中国矿业大学(北京) | 储层的叠前反演方法及装置 |
| WO2019200242A1 (en) * | 2018-04-12 | 2019-10-17 | Schlumberger Technology Corporation | Evaluating casing cement using automated detection of clinging compression wave (p) arrivals |
| CN110389382A (zh) * | 2019-08-02 | 2019-10-29 | 中国石油大学(北京) | 一种基于卷积神经网络的油气藏储层表征方法 |
| CN110515117A (zh) * | 2019-07-19 | 2019-11-29 | 广州市高速公路有限公司 | 一种基于桩锤激震和决策树模型的地下溶洞探测方法 |
-
2020
- 2020-01-07 CN CN202010012707.XA patent/CN111175818B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002023224A2 (en) * | 2000-09-11 | 2002-03-21 | Westerngeco, L.L.C. | Neural net prediction of seismic streamer shape |
| US20190113638A1 (en) * | 2015-04-24 | 2019-04-18 | Leslie A. Wahrmund | Seismic Stratigraphic Surface Classification |
| CN105182414A (zh) * | 2015-10-16 | 2015-12-23 | 成都理工大学 | 一种基于波动方程正演去除直达波的方法 |
| CN109507726A (zh) * | 2017-09-15 | 2019-03-22 | 中国石油化工股份有限公司 | 时间域弹性波多参数全波形的反演方法及系统 |
| WO2019200242A1 (en) * | 2018-04-12 | 2019-10-17 | Schlumberger Technology Corporation | Evaluating casing cement using automated detection of clinging compression wave (p) arrivals |
| CN110515117A (zh) * | 2019-07-19 | 2019-11-29 | 广州市高速公路有限公司 | 一种基于桩锤激震和决策树模型的地下溶洞探测方法 |
| CN110389382A (zh) * | 2019-08-02 | 2019-10-29 | 中国石油大学(北京) | 一种基于卷积神经网络的油气藏储层表征方法 |
| CN110297273A (zh) * | 2019-08-06 | 2019-10-01 | 中国矿业大学(北京) | 储层的叠前反演方法及装置 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112396161A (zh) * | 2020-11-11 | 2021-02-23 | 中国科学技术大学 | 基于卷积神经网络的岩性剖面图构建方法、系统及设备 |
| CN112396161B (zh) * | 2020-11-11 | 2022-09-06 | 中国科学技术大学 | 基于卷积神经网络的岩性剖面图构建方法、系统及设备 |
| CN112578457A (zh) * | 2020-11-24 | 2021-03-30 | 中油奥博(成都)科技有限公司 | 一种二氧化碳驱动煤层气的光纤井中地震监测方法 |
| CN112578457B (zh) * | 2020-11-24 | 2022-05-03 | 中油奥博(成都)科技有限公司 | 一种二氧化碳驱动煤层气的光纤井中地震监测方法 |
| CN112925012A (zh) * | 2021-01-26 | 2021-06-08 | 中国矿业大学(北京) | 地震全波形反演方法及装置 |
| WO2022245555A1 (en) * | 2021-05-21 | 2022-11-24 | Exxonmobil Upstream Research Company | Method and system for rock physics constrained data integration of elastic fwi properties and seismic stacks |
| CN113640879A (zh) * | 2021-08-16 | 2021-11-12 | 中国矿业大学(北京) | 基于双网络的储层时移参数预测方法和系统 |
| CN113640879B (zh) * | 2021-08-16 | 2022-02-15 | 中国矿业大学(北京) | 基于双网络的储层时移参数预测方法和系统 |
| CN117250667A (zh) * | 2023-11-08 | 2023-12-19 | 经纬地信(成都)科技有限公司 | 基于U-Net增强网络对地下密度快速成像方法及系统 |
| CN117521530A (zh) * | 2024-01-04 | 2024-02-06 | 中国石油大学(华东) | 基于混合神经网络的二氧化碳驱油和埋存动态预测方法 |
| CN117521530B (zh) * | 2024-01-04 | 2024-04-19 | 中国石油大学(华东) | 基于混合神经网络的二氧化碳驱油和埋存动态预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111175818B (zh) | 2020-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111175818B (zh) | Co2气驱前缘位置的判断方法及其模型训练方法、装置 | |
| EP2539844B1 (en) | Method and system for using multiple-point statistics simulation to model reservoir property trends | |
| George | Adaptive finite volume methods with well‐balanced Riemann solvers for modeling floods in rugged terrain: Application to the Malpasset dam‐break flood (France, 1959) | |
| BR112021011250A2 (pt) | Modelagem automatizada de reservatório usando redes generativas profundas | |
| US8868390B2 (en) | Method of developing a petroleum reservoir from a flow model calibrated through pressure and saturation map scaling | |
| Arroyo-Negrete et al. | Streamline-assisted ensemble Kalman filter for rapid and continuous reservoir model updating | |
| US10909281B2 (en) | History matching of hydrocarbon production from heterogenous reservoirs | |
| US9589081B2 (en) | Karstification simulation | |
| EP3096252A2 (en) | Adaptive multiscale multi-fidelity reservoir simulation | |
| CN111986041B (zh) | 油藏开发方法及装置 | |
| CN114723155A (zh) | 横波曲线预测方法、装置、计算设备及存储介质 | |
| CN103543478A (zh) | 地质形态插值的km方法 | |
| CN111239809B (zh) | 一种基于属性融合原理的优势储层确定方法及系统 | |
| CN116821786A (zh) | 一种低渗储层分类方法、装置及介质 | |
| RU2619803C2 (ru) | Определение пути движения флюида | |
| Baroni et al. | Forecasting production in shale and tight reservoirs: a practical simulation method capturing the complex hydraulic fracturing physics | |
| EP3186665B1 (en) | Method of characterising a subsurface volume | |
| CN111025393B (zh) | 针对含薄煤层地层的储层预测方法、装置、设备及介质 | |
| CN112347707B (zh) | 油藏流动非均质性的表征方法及装置 | |
| CN112990320A (zh) | 一种岩性的分类方法、装置、电子设备及存储介质 | |
| Khazaeni et al. | Intelligent time successive production modeling | |
| Vogt | Optimization of geothermal energy reservoir modeling using advanced numerical tools for stochastic parameter estimation and quantifying uncertainties | |
| Degterev | Multivariate Spatial Temporal Model of Gas Dynamic in Underground Gas Storage Based on Saturation Parameter from Well Logging Data | |
| CN111502647A (zh) | 一种钻井地质环境因素确定方法、装置及存储介质 | |
| Hui et al. | An Integrated EDFM+ DPDK Hybrid Workflow for Hierarchical Treatment of Fractures in Practical Field Studies |
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 |