CN111175844A - 泥页岩储层裂缝识别与发育程度表征方法及装置 - Google Patents
泥页岩储层裂缝识别与发育程度表征方法及装置 Download PDFInfo
- Publication number
- CN111175844A CN111175844A CN202010010511.7A CN202010010511A CN111175844A CN 111175844 A CN111175844 A CN 111175844A CN 202010010511 A CN202010010511 A CN 202010010511A CN 111175844 A CN111175844 A CN 111175844A
- Authority
- CN
- China
- Prior art keywords
- crack
- identification
- resistivity
- bark
- normalized
- 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
- 238000011161 development Methods 0.000 title claims abstract description 114
- 238000012512 characterization method Methods 0.000 title claims abstract description 42
- 238000000926 separation method Methods 0.000 claims abstract description 44
- 230000004044 response Effects 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 25
- 206010017076 Fracture Diseases 0.000 claims description 82
- 208000010392 Bone Fractures Diseases 0.000 claims description 70
- 241000125175 Angelica Species 0.000 claims description 65
- 235000001287 Guettarda speciosa Nutrition 0.000 claims description 65
- 230000000704 physical effect Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 239000011435 rock Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000003079 shale oil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Geophysics (AREA)
- Geochemistry & Mineralogy (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明实施例提供一种泥页岩储层裂缝识别与发育程度表征方法及装置，所述方法包括：基于声波时差和电阻率分别在裂缝发育段和非裂缝发育段的分布差异交会图，权衡岩性的影响，利用加权算法，将自然伽马测井数据和声波时差测井数据进行融合，得到裂缝识别的岩性‑物性融合参数，并结合归一化后的电阻率，获得初步识别裂缝的响应图版；利用初步识别裂缝的响应图版对数据点进行一次分离，对所述初步识别裂缝的响应图版的重叠部分的数据点进行二次分离，获得最终裂缝识别结果。本发明实施例使用常规测井资料识别和表征裂缝，极大的提高了测井解释的效率、降低了测井解释的成本。
Description
技术领域
本发明涉及油气勘探开发技术领域，更具体地，涉及一种泥页岩储层裂缝识别与发育程度表征方法及装置。
背景技术
对于泥页岩储层来说，裂缝不仅能提高储层的有效孔隙度和渗透率，而且是控制泥页岩油气藏开发效果的关键，泥页岩储层中裂缝的发育程度直接关系着油气产量的高低。
目前，针对裂缝的识别与发育表征方法大致有三类：1)利用常规测井曲线来识别裂缝，并建立裂缝的判别准则，从而表征裂缝的发育程度；2)基于常规测井数据，利用人工神经网络、概率统计及模糊识别方法等来完成裂缝特征参数的判别和裂缝发育程度表征；3)利用成像测井数据资料识别裂缝，裂缝的划分为人工读取，并通过薄片样本分析、薄片法、微CT扫描及图像分析法，得到与储层发育有关的参数，从而建立模型来表征裂缝发育程度。
但是，泥页岩储层中，岩性复杂、骨架多变，单纯采用1)所述的基于常规测井数据来识别与表征裂缝，精度较低，采用2)所述的方法需要利用大量的常规测井数据进行针对不同类型裂缝的模型训练，测井解释的效率较低，而由于大部分研究区域常常缺少成像测井资料，采用如3)所述的方法无法满足实际研究需求。因此，如何使用常规测井资料研究裂缝的识别和表征，提高识别精度，提高测井解释的效率，具有重大意义。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的泥页岩储层裂缝识别与发育程度表征方法及装置。
第一方面，本发明实施例提供一种泥页岩储层裂缝识别与发育程度表征方法，包括：
基于声波时差和电阻率分别在裂缝发育段和非裂缝发育段的分布差异交会图，权衡岩性的影响，利用加权算法，将代表岩性特征的自然伽马测井数据和物性特征的声波时差测井数据进行融合，得到裂缝识别的岩性-物性融合参数，并结合归一化后的处理井段电阻率，获得初步识别裂缝的响应图版；
利用所述初步识别裂缝的响应图版对数据点进行一次分离，判断数据点是否在划定的总边界之上，若是，则判定所述数据点为裂缝，否则，对所述初步识别裂缝的响应图版的重叠部分的数据点进行二次分离，获得最终裂缝识别结果。
其中，所述将代表岩性特征的自然伽马测井数据和物性特征的声波时差测井数据进行融合，具体为：
利用如下公式将代表岩性特征的自然伽马测井数据GR和物性特征的声波时差测井数据AC进行融合,得到裂缝识别的岩性-物性融合参数GA:
GA＝GR归*AC归 4
GR归＝GR/GRmax
AC归＝AC/ACmax
其中，GRmax为处理井段自然伽马的最大值，ACmax为处理井段声波时差的最大值，GR归为自然伽马测井数据的归一化值，AC归为声波时差测井数据的归一化值。
其中，所述结合归一化后的处理井段电阻率，获得初步识别裂缝的响应图版，具体为：
采用如下公式对处理井段的电阻率进行归一化：
RT归＝(logRT)/(logRTmax)
其中，RTmax为处理井段电阻率的最大值，RT归为电阻率测井数据的归一化值；
基于归一化后的电阻率和所述裂缝识别的岩性-物性融合参数，做出所述裂缝识别的岩性-物性融合参数和所述归一化的电阻率的交会图版，获得初步识别裂缝的响应图版。
其中，对所述初步识别裂缝的响应图版的重叠部分的数据点进行二次分离，获得最终裂缝识别结果，具体包括：
判断重叠部分对应的归一化后的电阻率是否大于第一预设阈值；
针对归一化后的电阻率大于第一预设阈值的重叠部分的数据点，采用相关系数分离法进行分离，针对归一化后的电阻率小于等于第一预设阈值且大于第二预设阈值的重叠部分的数据点，采用物性相比分离法进行分离。
其中，所述针对归一化后的电阻率大于第一预设阈值的重叠部分的数据点，采用相关系数分离法进行分离，具体为：
将所述归一化后的电阻率大于第一预设阈值的重叠部分的数据点投到相关系数R与所述裂缝识别的岩性-物性融合参数的交会图版上，其中，相关系数R采用如下公式计算：
其中，xi为不同深度点的自然伽马GR值，yi为不同深度点的声波时差AC值，
为处理井段GR的均值，
为处理井段AC的均值。
其中，所述针对归一化后的电阻率小于等于第一预设阈值且大于第二预设阈值的重叠部分的数据点，采用物性相比分离法进行分离，具体为：
将所述归一化后的电阻率小于等于第一预设阈值且大于第二预设阈值的重叠部分的数据点投到物性比值参数DA和所述归一化的电阻率的交会图版上，其中，物性比值参数DA采用如下公式计算：
DA＝DEN归/AC归
其中，DEN归＝DEN/DENmax,DEN为反映岩石物性的密度测井数据，DENmax为处理井段密度的最大值，DEN归为密度测井数据的归一化值，AC归为声波时差测井数据的归一化值。
其中，在获得最终裂缝识别结果之后，还包括：
建立表征裂缝发育程度的多属性非线性模型参数F；
利用所述表征裂缝发育程度的多属性非线性模型参数F，对整个井段数据进行处理，获得各个深度对应的裂缝发育程度参数值；
基于各个深度对应的裂缝发育程度参数值进行曲线绘制及曲线填充，获得裂缝发育程度曲线；
其中，F具体为：
其中，GR归为自然伽马测井数据的归一化值、AC归为声波时差测井数据的归一化值，RT归为电阻率测井数据的归一化值，DEN归为密度测井数据的归一化值。
第二方面，本发明实施例提供一种泥页岩储层裂缝识别与发育程度表征装置，包括：
初步识别模块，用于基于声波时差和电阻率分别在裂缝发育段和非裂缝发育段的分布差异交会图，权衡岩性的影响，利用加权算法，将代表岩性特征的自然伽马测井数据和物性特征的声波时差测井数据进行融合，得到裂缝识别的岩性-物性融合参数，并结合归一化后的处理井段电阻率，获得初步识别裂缝的响应图版；
二次分离模块，用于利用所述初步识别裂缝的响应图版对数据点进行一次分离，判断数据点是否在划定的总边界之上，若是，则判定所述数据点为裂缝，否则，对所述初步识别裂缝的响应图版的重叠部分的数据点进行二次分离，获得最终裂缝识别结果。
第三方面，本发明实施例提供一种电子设备，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，所述处理器执行所述程序时实现如第一方面所提供的泥页岩储层裂缝识别与发育程度表征方法的步骤。
第四方面，本发明实施例提供一种非暂态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如第一方面所提供的泥页岩储层裂缝识别与发育程度表征方法的步骤。
本发明具有如下有效效果：
(1)本发明使用常规测井资料识别和表征裂缝，并进行程序的编译和表征参数的量化，极大的提高了测井解释的效率、降低了测井解释的成本。
(2)本发明使用自然伽马、声波时差、密度和电阻率对裂缝不同的敏感性和差异性，建立了识别裂缝发育段的图版，并进行了程序编译，为进一步的勘探和开发提供了指导和依据。
(3)本发明的识别和表征两模型识别出的裂缝发育层段都与测井解释结论以及岩性物性吻合程度高，识别和表征两模型相互对比验证，可快速方便、清晰直观的看到研究区域的裂缝发育段及其发育程度。为解释结论的划分和实际的开发与测试提供了可靠的理论依据。
(4)本发明的应用前景广阔，裂缝的识别和表征方法可很好的应用在泥页岩、致密砂岩等致密储层的裂缝评价中。
附图说明
为了更清楚地说明本发明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一简单地介绍，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泥页岩储层裂缝识别与发育程度表征方法的流程示意图；
图2为声波时差和电阻率分别在裂缝发育段和非裂缝发育段的分布差异交会图；
图3为本发明实施例提供的泥页岩储层裂缝发育段与非裂缝发育段在初步裂缝识别图版中的分布图；
图4为本发明实施例提供的相关系数R与岩性-物性融合参数GA的交会图版；
图5为物性比值参数DA和电阻率RT归的交会图版；
图6为裂缝识别流程程序编译的流程图；
图7为泥页岩储层裂缝发育程度定量表征模型图版
图8为采用本发明实施例提供的泥页岩储层裂缝发育程度表征方法获得的泥页岩储层裂缝识别及定量表征裂缝发育程度实例图；
图9为本发明实施例提供的泥页岩储层裂缝识别与发育程度表征装置的结构示意图；
图10为本发明实施例提供的电子设备的实体结构示意图。
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，下面将结合本发明实施例中的附图，对本发明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作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。
如图1所示，为本发明实施例提供的泥页岩储层裂缝识别与发育程度表征方法的流程示意图，包括：
步骤100、基于声波时差和电阻率分别在裂缝发育段和非裂缝发育段的分布差异交会图，权衡岩性的影响，利用加权算法，将代表岩性特征的自然伽马测井数据和物性特征的声波时差测井数据进行融合，得到裂缝识别的岩性-物性融合参数，并结合归一化后的处理井段电阻率，获得初步识别裂缝的响应图版；
值得说明的是，本发明是在声波时差和电阻率分别在裂缝发育段和非裂缝发育段的分布差异交会图的基础上进行研究的。图2为声波时差和电阻率分别在裂缝发育段和非裂缝发育段的分布差异交会图。裂缝发育段的整体倾角小，非裂缝发育段的整体倾角大，两者有较为明显区分。
为了放大裂缝与非裂缝在声波时差与电阻率交会图中的响应差异，权衡岩性的影响，利用加权算法，将代表岩性特征的自然伽马测井数据GR和物性特征的声波时差测井数据AC进行融合，得到裂缝识别的岩性-物性融合参数GA:
GA＝GR归*AC归 4
其中，GRmax为处理井段自然伽马的最大值，GR归＝GR/GRmax,AC归＝AC/ACmax,ACmax为处理井段声波时差的最大值，GR归为自然伽马测井数据的归一化值，AC归为声波时差测井数据的归一化值。
然后，对处理井段的电阻率进行归一化，并结合所述裂缝识别的岩性-物性融合参数，获得初步识别裂缝的响应图版；
具体地，采用如下公式对处理井段的电阻率进行归一化：
RT归＝(logRT)/(logRTmax)
其中，RTmax为处理井段电阻率的最大值，RT归为电阻率测井数据的归一化值；
然后，基于归一化后的电阻率RT归和所述裂缝识别的岩性-物性融合参数GA，做出所述裂缝识别的岩性-物性融合参数GA和所述归一化的电阻率RT归的交会图版，获得初步识别裂缝的响应图版，也即泥页岩储层裂缝发育段与非裂缝发育段的分布图，可将大部分裂缝和非裂缝进行区分，但仍有少量重叠。如图3所示，为本发明实施例提供的泥页岩储层裂缝发育段与非裂缝发育段的分布图。其中，曲线为初步分界线，针对重叠部分，需要进行二次分离，方框区域附近为需要二次分离的部分。
步骤200、利用所述初步识别裂缝的响应图版对数据点进行一次分离，判断数据点是否在划定的总边界之上，若是，则判定所述数据点为裂缝，否则，对所述初步识别裂缝的响应图版的重叠部分的数据点进行二次分离，获得最终裂缝识别结果
具体地，基于所述初步识别裂缝的响应图版对数据点进行一次分离，判断数据点是否在划定的总边界之上，若判断获知数据点在划定的总边界之上，则判定所述数据点为裂缝，否则，对所述初步识别裂缝的响应图版的重叠部分的数据点进行二次分离。由于重叠区域对应的岩性和物性都不相同，经过大量的设计和试验，最终确定针对两类重叠区域采用不同的分离手段。
首先，判断重叠部分对应的归一化后的电阻率是否大于第一预设阈值；
针对归一化后的电阻率RT归大于第一预设阈值的重叠部分的数据点，采用相关系数分离法进行分离。具体地，将所述归一化后的电阻率大于第一预设阈值的重叠部分的数据点投到相关系数R与所述裂缝识别的岩性-物性融合参数GA的交会图版上，如图4所示，为本发明实施例提供的相关系数R与岩性-物性融合参数GA的交会图版，可观察到裂缝点的相关系数值分布的区域集中在0.5～0.95之间，而非裂缝则分布在剩余的区间，使得在GA和RT归的交会图版中RT归值较大且无法分离的重叠部分，得到了有效的分离。
其中，相关系数R采用如下公式计算：
其中，xi为不同深度点的自然伽马GR值，yi为不同深度点的声波时差AC值，
为处理井段GR的均值，
为处理井段AC的均值。
针对归一化后的电阻率小于等于第一预设阈值且大于第二预设阈值的重叠部分的数据点，采用物性相比分离法进行分离。具体地，将所述归一化后的电阻率小于等于第一预设阈值且大于第二预设阈值的重叠部分的数据点投到物性比值参数DA和所述归一化的电阻率RT归的交会图版上，其中，物性比值参数DA采用如下公式计算：
DA＝DEN归/AC归
其中，DEN归＝DEN/DENmax,DEN为反映岩石物性的密度测井数据，DENmax为处理井段密度的最大值，DEN归为密度测井数据的归一化值，AC归为声波时差测井数据的归一化值。
图5为物性比值参数DA和电阻率RT归的交会图版。物性比值参数DA的整体数值随电阻率RT归的增加而增加，裂缝与非缝在图中有着明显的分界线，使得GA和RT归的交会图版中RT归值较小且无法分离的重叠部分，得到了有效的分离。
在一个实施例中，第一预设阈值为0.56，第二预设阈值为0.24。本发明实施例提供的泥页岩储层裂缝识别与发育程度表征方法通过对上述步骤200进行程序编译实现。编译具体流程如下：
在对所有参数进行计算之后，利用初步识别裂缝的响应图版(即GA和RT归的交会图版)对数据点进行一次分离，判断数据点是否在划定的总边界之上。若是，则判定为裂缝；若不是，则进行二次分离。进入二次分离后首先判定是否在重叠区域内，若不在则直接判定该点为非缝，若在，则判定其RT归值的大小，若大于0.56，则在RT归值较大重叠区域内，用相关系数分离法进行分离与识别，若小于等于0.56且大于0.24，则在RT归值较小重叠区域内，用物性相比分离法进行分离与识别，实现裂缝与非缝的最终识别。最终识别出来的裂缝发育段被标识为数值1，非裂缝发育段被标识为数值0，从而可以使裂缝发育段可视化。图6为裂缝识别流程程序编译的流程图。
本发明实施例提供的泥页岩储层裂缝识别与发育程度表征方法，使用常规测井资料识别裂缝，极大的提高了测井解释的效率、降低了测井解释的成本，使用自然伽马、声波时差、密度和电阻率对裂缝不同的敏感性和差异性，建立了识别裂缝发育段的图版，并进行了程序编译，为进一步的勘探和开发提供了指导和依据。
在上述实施例的基础上，在获得最终裂缝识别结果之后，还包括：
建立表征裂缝发育程度的多属性非线性模型参数F；
利用所述表征裂缝发育程度的多属性非线性模型参数F，对整个井段数据进行处理，获得各个深度对应的裂缝发育程度参数值；
基于各个深度对应的裂缝发育程度参数值进行曲线绘制及曲线填充，获得裂缝发育程度曲线；
其中，F具体为：
其中，GR归为自然伽马测井数据的归一化值、AC归为声波时差测井数据的归一化值，RT归为电阻率测井数据的归一化值，DEN归为密度测井数据的归一化值。
具体地，基于裂缝识别所采用的自然伽马测井数据GR、声波时差测井数据AC、电阻率RT和反映岩石物性的密度测井值DEN，综合裂缝识别的岩性-物性融合参数GA、物性比值参数DA以及相关系数R的表示形式，通过综合为两个部分的乘积，并进行多元非线性组合，调整不同参数的系数和权重，建立表征裂缝发育程度的多属性非线性模型参数F。
参数F数值的大小，代表了裂缝发育程度的高低，F值越小，其倒数值越大，代表裂缝越发育，F值越大，其倒数值越小，代表裂缝不发育或无裂缝，从而实现了裂缝发育程度的定量表征。图7为泥页岩储层裂缝发育程度定量表征模型图版。
然后，基于所述表征裂缝发育程度的多属性非线性模型参数F，对整个井段数据进行处理，获得各个深度对应的裂缝发育程度参数值，并基于各个深度对应的裂缝发育程度参数值进行曲线绘制及曲线填充，获得裂缝发育程度曲线。
图8为采用本发明实施例提供的泥页岩储层裂缝发育程度表征方法获得的泥页岩储层裂缝识别及定量表征裂缝发育程度实例图。
本发明实施例提供的泥页岩储层裂缝发育程度表征方法，识别出的裂缝发育层段与测井解释结论以及岩性物性吻合程度高，识别结果与裂缝发育表征结果相互对比验证，可快速方便、清晰直观的看到研究区域的裂缝发育段及其发育程度，为解释结论的划分和实际的开发与测试提供了可靠的理论依据，可很好地应用在泥页岩、致密砂岩等致密储层的裂缝评价中。
如图9所示，为本发明实施例提供的泥页岩储层裂缝识别与发育程度表征装置的结构示意图，包括：初步识别模块910和二次分离模块920，其中，
初步识别模块910，用于基于声波时差和电阻率分别在裂缝发育段和非裂缝发育段的分布差异交会图，权衡岩性的影响，利用加权算法，将代表岩性特征的自然伽马测井数据和物性特征的声波时差测井数据进行融合，得到裂缝识别的岩性-物性融合参数，并结合归一化后的处理井段电阻率，获得初步识别裂缝的响应图版；
二次分离模块920，用于利用所述初步识别裂缝的响应图版对数据点进行一次分离，判断数据点是否在划定的总边界之上，若是，则判定所述数据点为裂缝，否则，对所述初步识别裂缝的响应图版的重叠部分的数据点进行二次分离，获得最终裂缝识别结果。
本发明实施例提供的泥页岩储层裂缝识别与发育程度表征装置用于实现上述泥页岩储层裂缝识别与发育程度表征方法，因此，对所述泥页岩储层裂缝识别与发育程度表征装置中各个功能模块的理解可参照上述方法实施例中的描述，在此不再赘述。
图10为本发明实施例提供的电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)1010、通信接口(Communications Interface)1020、存储器(memory)1030和通信总线1040，其中，处理器1010，通信接口1020，存储器1030通过通信总线1040完成相互间的通信。处理器1010可以调用存储在存储器1030上并可在处理器1010上运行的计算机程序，以执行上述各方法实施例所提供的泥页岩储层裂缝识别与发育程度表征方法，例如包括：基于声波时差和电阻率分别在裂缝发育段和非裂缝发育段的分布差异交会图，权衡岩性的影响，利用加权算法，将代表岩性特征的自然伽马测井数据和物性特征的声波时差测井数据进行融合，得到裂缝识别的岩性-物性融合参数，并结合归一化后的处理井段电阻率，获得初步识别裂缝的响应图版；利用所述初步识别裂缝的响应图版对数据点进行一次分离，判断数据点是否在划定的总边界之上，若是，则判定所述数据点为裂缝，否则，对所述初步识别裂缝的响应图版的重叠部分的数据点进行二次分离，获得最终裂缝识别结果。
此外，上述的存储器1030中的逻辑指令可以通过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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例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所述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-Only Memory)、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。
本发明实施例还提供一种非暂态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各方法实施例提供的泥页岩储层裂缝识别与发育程度表征方法，例如包括：基于声波时差和电阻率分别在裂缝发育段和非裂缝发育段的分布差异交会图，权衡岩性的影响，利用加权算法，将代表岩性特征的自然伽马测井数据和物性特征的声波时差测井数据进行融合，得到裂缝识别的岩性-物性融合参数，并结合归一化后的处理井段电阻率，获得初步识别裂缝的响应图版；利用所述初步识别裂缝的响应图版对数据点进行一次分离，判断数据点是否在划定的总边界之上，若是，则判定所述数据点为裂缝，否则，对所述初步识别裂缝的响应图版的重叠部分的数据点进行二次分离，获得最终裂缝识别结果。
以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种泥页岩储层裂缝识别与发育程度表征方法，其特征在于，包括：
基于声波时差和电阻率分别在裂缝发育段和非裂缝发育段的分布差异交会图，权衡岩性的影响，利用加权算法，将代表岩性特征的自然伽马测井数据和物性特征的声波时差测井数据进行融合，得到裂缝识别的岩性-物性融合参数，并结合归一化后的处理井段电阻率，获得初步识别裂缝的响应图版；
利用所述初步识别裂缝的响应图版对数据点进行一次分离，判断数据点是否在划定的总边界之上，若是，则判定所述数据点为裂缝，否则，对所述初步识别裂缝的响应图版的重叠部分的数据点进行二次分离，获得最终裂缝识别结果。
2.根据权利要求1所述的泥页岩储层裂缝识别与发育程度表征方法，其特征在于，所述将代表岩性特征的自然伽马测井数据和物性特征的声波时差测井数据进行融合，具体为：
利用如下公式将代表岩性特征的自然伽马测井数据GR和物性特征的声波时差测井数据AC进行融合,得到裂缝识别的岩性-物性融合参数GA:
GA＝GR归*AC归 4
GR归＝GR/GRmax
AC归＝AC/ACmax
其中，GRmax为处理井段自然伽马的最大值，ACmax为处理井段声波时差的最大值,GR归为自然伽马测井数据的归一化值，AC归为声波时差测井数据的归一化值。
3.根据权利要求1所述的泥页岩储层裂缝识别与发育程度表征方法，其特征在于，所述结合归一化后的处理井段电阻率，获得初步识别裂缝的响应图版，具体为：
采用如下公式对处理井段的电阻率进行归一化：
RT归＝(logRT)/(logRTmax)
其中，RTmax为处理井段电阻率的最大值，RT归为电阻率测井数据的归一化值；
基于归一化后的电阻率和所述裂缝识别的岩性-物性融合参数，做出所述裂缝识别的岩性-物性融合参数和所述归一化的电阻率的交会图版，获得初步识别裂缝的响应图版。
4.根据权利要求1所述的泥页岩储层裂缝识别与发育程度表征方法，其特征在于，对所述初步识别裂缝的响应图版的重叠部分的数据点进行二次分离，获得最终裂缝识别结果，具体包括：
判断重叠部分对应的归一化后的电阻率是否大于第一预设阈值；
针对归一化后的电阻率大于第一预设阈值的重叠部分的数据点，采用相关系数分离法进行分离，针对归一化后的电阻率小于等于第一预设阈值且大于第二预设阈值的重叠部分的数据点，采用物性相比分离法进行分离。
5.根据权利要求4所述的泥页岩储层裂缝识别与发育程度表征方法，其特征在于，所述针对归一化后的电阻率大于第一预设阈值的重叠部分的数据点，采用相关系数分离法进行分离，具体为：
将所述归一化后的电阻率大于第一预设阈值的重叠部分的数据点投到相关系数R与所述裂缝识别的岩性-物性融合参数的交会图版上，其中，相关系数R采用如下公式计算：
其中，xi为不同深度点的自然伽马GR值，yi为不同深度点的声波时差AC值，
为处理井段GR的均值，
为处理井段AC的均值。
6.根据权利要求4所述的泥页岩储层裂缝识别与发育程度表征方法，其特征在于，所述针对归一化后的电阻率小于等于第一预设阈值且大于第二预设阈值的重叠部分的数据点，采用物性相比分离法进行分离，具体为：
将所述归一化后的电阻率小于等于第一预设阈值且大于第二预设阈值的重叠部分的数据点投到物性比值参数DA和所述归一化的电阻率的交会图版上，其中，物性比值参数DA采用如下公式计算：
DA＝DEN归/AC归
其中，DEN归＝DEN/DENmax,DEN为反映岩石物性的密度测井数据，DENmax为处理井段密度的最大值，DEN归为密度测井数据的归一化值，AC归为声波时差测井数据的归一化值。
7.根据权利要求1所述的泥页岩储层裂缝识别与发育程度表征方法，其特征在于，在获得最终裂缝识别结果之后，还包括：
建立表征裂缝发育程度的多属性非线性模型参数F；
利用所述表征裂缝发育程度的多属性非线性模型参数F，对整个井段数据进行处理，获得各个深度对应的裂缝发育程度参数值；
基于各个深度对应的裂缝发育程度参数值进行曲线绘制及曲线填充，获得裂缝发育程度曲线；
其中，F具体为：
其中，GR归为自然伽马测井数据的归一化值、AC归为声波时差测井数据的归一化值，RT归为电阻率测井数据的归一化值，DEN归为密度测井数据的归一化值。
8.一种泥页岩储层裂缝识别与发育程度表征装置，其特征在于，包括：
初步识别模块，用于基于声波时差和电阻率分别在裂缝发育段和非裂缝发育段的分布差异交会图，权衡岩性的影响，利用加权算法，将代表岩性特征的自然伽马测井数据和物性特征的声波时差测井数据进行融合，得到裂缝识别的岩性-物性融合参数，并结合归一化后的处理井段电阻率，获得初步识别裂缝的响应图版；
二次分离模块，用于利用所述初步识别裂缝的响应图版对数据点进行一次分离，判断数据点是否在划定的总边界之上，若是，则判定所述数据点为裂缝，否则，对所述初步识别裂缝的响应图版的重叠部分的数据点进行二次分离，获得最终裂缝识别结果。
9.一种电子设备，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如权利要求1至7任一项所述泥页岩储层裂缝识别与发育程度表征方法的步骤。
10.一种非暂态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如权利要求1至7任一项所述泥页岩储层裂缝识别与发育程度表征方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010010511.7A CN111175844B (zh) | 2020-01-06 | 2020-01-06 | 泥页岩储层裂缝识别与发育程度表征方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010010511.7A CN111175844B (zh) | 2020-01-06 | 2020-01-06 | 泥页岩储层裂缝识别与发育程度表征方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111175844A true CN111175844A (zh) | 2020-05-19 |
| CN111175844B CN111175844B (zh) | 2020-08-11 |
Family
ID=70650793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010010511.7A Active CN111175844B (zh) | 2020-01-06 | 2020-01-06 | 泥页岩储层裂缝识别与发育程度表征方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111175844B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112282717A (zh) * | 2020-10-28 | 2021-01-29 | 中国石油天然气集团有限公司 | 适用于页岩气储层水力压裂的压裂缝检测与评价方法 |
| CN112682034A (zh) * | 2020-12-04 | 2021-04-20 | 中国地质大学（北京） | 基于致密砂岩储层的裂缝识别、倾角表征的方法及装置 |
| CN114135264A (zh) * | 2020-08-14 | 2022-03-04 | 中国石油化工股份有限公司 | 确定致密砂岩微裂缝发育程度的方法、装置和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030004648A1 (en) * | 2001-03-13 | 2003-01-02 | Conoco Inc. | Method and process for prediction of subsurface fluid and rock pressures in the earth |
| US8214151B2 (en) * | 2008-02-20 | 2012-07-03 | Carbo Ceramics Inc. | Methods of identifying high neutron capture cross section doped proppant in induced subterranean formation fractures |
| CN104360415A (zh) * | 2014-10-31 | 2015-02-18 | 中国石油化工股份有限公司 | 一种致密砂岩储层裂缝识别的方法 |
| CN106094052A (zh) * | 2016-06-01 | 2016-11-09 | 中国地质大学（武汉） | 一种致密白云岩储层的裂缝发育程度识别方法 |
| CN109100793A (zh) * | 2017-06-20 | 2018-12-28 | 中国石油化工股份有限公司 | 一种定量分析裂缝因素对储层影响的方法 |
| CN110320569A (zh) * | 2018-03-30 | 2019-10-11 | 中国石油化工股份有限公司 | 一种致密砂岩储层单井裂缝发育强度定量评价方法 |
-
2020
- 2020-01-06 CN CN202010010511.7A patent/CN111175844B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030004648A1 (en) * | 2001-03-13 | 2003-01-02 | Conoco Inc. | Method and process for prediction of subsurface fluid and rock pressures in the earth |
| US8214151B2 (en) * | 2008-02-20 | 2012-07-03 | Carbo Ceramics Inc. | Methods of identifying high neutron capture cross section doped proppant in induced subterranean formation fractures |
| CN104360415A (zh) * | 2014-10-31 | 2015-02-18 | 中国石油化工股份有限公司 | 一种致密砂岩储层裂缝识别的方法 |
| CN106094052A (zh) * | 2016-06-01 | 2016-11-09 | 中国地质大学（武汉） | 一种致密白云岩储层的裂缝发育程度识别方法 |
| CN109100793A (zh) * | 2017-06-20 | 2018-12-28 | 中国石油化工股份有限公司 | 一种定量分析裂缝因素对储层影响的方法 |
| CN110320569A (zh) * | 2018-03-30 | 2019-10-11 | 中国石油化工股份有限公司 | 一种致密砂岩储层单井裂缝发育强度定量评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王晓 等: ""新场深层致密碎屑岩储层裂缝常规测井识别"", 《石油物探》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114135264A (zh) * | 2020-08-14 | 2022-03-04 | 中国石油化工股份有限公司 | 确定致密砂岩微裂缝发育程度的方法、装置和存储介质 |
| CN114135264B (zh) * | 2020-08-14 | 2024-04-02 | 中国石油化工股份有限公司 | 确定致密砂岩微裂缝发育程度的方法、装置和存储介质 |
| CN112282717A (zh) * | 2020-10-28 | 2021-01-29 | 中国石油天然气集团有限公司 | 适用于页岩气储层水力压裂的压裂缝检测与评价方法 |
| CN112282717B (zh) * | 2020-10-28 | 2023-02-28 | 中国石油天然气集团有限公司 | 适用于页岩气储层水力压裂的压裂缝检测与评价方法 |
| CN112682034A (zh) * | 2020-12-04 | 2021-04-20 | 中国地质大学（北京） | 基于致密砂岩储层的裂缝识别、倾角表征的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111175844B (zh) | 2020-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111175844B (zh) | 泥页岩储层裂缝识别与发育程度表征方法及装置 | |
| Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
| US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
| US20140114892A1 (en) | Apparatus and methods of analysis of pipe and annulus in a wellbore | |
| US9146903B2 (en) | Method of using spatially independent subsets of data to calculate vertical trend curve uncertainty of spatially correlated reservoir data | |
| US9274249B2 (en) | System and method for facies classification | |
| CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
| CN106443774A (zh) | 一种提高起伏地表叠前深度偏移成像精度的方法 | |
| NO20190214A1 (en) | Classifying well data using a support vector machine | |
| Cruz et al. | Improving accuracy of automatic fracture detection in borehole images with deep learning and GPUs | |
| CN105277979B (zh) | 一种地震属性的优化方法和装置 | |
| CN115390155A (zh) | 针对非均质储层的测井解释方法、装置、电子设备及介质 | |
| CN111626377A (zh) | 一种岩相识别方法、装置、设备及存储介质 | |
| Udegbe et al. | Big Data Analytics for Seismic Fracture Identification, Using Amplitude-Based Statistics | |
| CN111273352A (zh) | 地质构造智能检测方法、装置与电子设备 | |
| CN115639605B (zh) | 基于深度学习的高分辨率断层的自动识别方法和装置 | |
| CN113627607A (zh) | 碳酸盐岩储层沉积相识别方法、装置、电子设备及介质 | |
| Li et al. | Fracture extraction from FMI based on multiscale mathematical morphology | |
| CN110805434B (zh) | 复杂地层岩性识别方法及系统 | |
| CN113050191A (zh) | 基于双参数的页岩油toc预测方法及装置 | |
| CN114154283A (zh) | 储层大孔径孔隙度计算方法、装置、电子设备及介质 | |
| Wang et al. | Auto recognition of carbonate microfacies based on an improved back propagation neural network | |
| CN112302620B (zh) | 联合多源信息的缝洞储集体有效性分级方法与装置 | |
| de Oliveira et al. | Ensemble of heterogeneous classifiers applied to lithofacies classification using logs from different wells | |
| CN117407841B (zh) | 一种基于优化集成算法的页岩层理缝预测方法 |
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 |