CN111399042A - 一种储层物性参数的预测方法及电子设备 - Google Patents

一种储层物性参数的预测方法及电子设备 Download PDF

Info

Publication number
CN111399042A
CN111399042A CN202010200744.3A CN202010200744A CN111399042A CN 111399042 A CN111399042 A CN 111399042A CN 202010200744 A CN202010200744 A CN 202010200744A CN 111399042 A CN111399042 A CN 111399042A
Authority
CN
China
Prior art keywords
target
parameter
region
optimization problem
parameters
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
Application number
CN202010200744.3A
Other languages
English (en)
Other versions
CN111399042B (zh
Inventor
温瑨
杨顶辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202010200744.3A priority Critical patent/CN111399042B/zh
Publication of CN111399042A publication Critical patent/CN111399042A/zh
Application granted granted Critical
Publication of CN111399042B publication Critical patent/CN111399042B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/282Application of seismic models, synthetic seismograms
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30Analysis
    • G01V1/306Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00Details of seismic processing or analysis
    • G01V2210/60Analysis
    • G01V2210/62Physical property of subsurface
    • G01V2210/624Reservoir parameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种储层物性参数的预测方法及电子设备,该方法包括:获取目标区域的多个地质物性参数,并基于目标区域中的样本区域的多个地质物性参数,建立目标区域的岩石物理模型;基于目标区域的岩石物理模型和目标区域的多个地质物性参数,构建基于贝叶斯理论的单参数反演最优化问题,并通过求解基于贝叶斯理论的单参数反演最优化问题,得到目标候选区域;基于目标区域的岩石物理模型,构建针对目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,并通过求解针对目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,得到目标候选区域中的多参数的预测值。

Description

一种储层物性参数的预测方法及电子设备
技术领域
本发明涉及地质勘探技术领域,尤其涉及一种储层物性参数的预测方法及电子设备。
背景技术
自20世纪中叶以来,研究人员对储层物性参数和弹性参数之间的关系做了大量研究。
一方面,Doyen和Fournier等研究人员基于多元统计学建立了数据驱动的经验模型。这类多元统计学模型的构建流程简单且能够很好地拟合实际数据,但是这类模型往往强烈依赖于测井资料且缺少可靠的物理解释。另一方面,Gassmann和Biot等学者基于孔隙介质的力学理论建立了岩石物理学模型。这类模型能够精细刻画不同参数之间的物理规律,但在储层物性参数反演中,这类模型需要经过复杂的人为调整,导致反演方法受主观因素影响较多。
近年来,研究人员结合上述两方面的研究发展了一系列的储层参数反演方法。2006年,Bachrach在Gassmann模型的基础上通过引入正态型随机误差和均匀分布的先验信息,建立了一种统计岩石物理模型,给出了孔隙度和含气饱和度的最大后验估计及其不确定性分析。2010年,Grana在贝叶斯反演方法的基础上,通过引入孔隙介质模型提出了一类储层物性参数联合反演方法。2017年,Figueired基于Kuster-Toksoz公式提出了一种储层物性参数的贝叶斯反演方法。
然而,现有的结合孔隙介质力学理论和统计学的储层物性参数反演技术通常都采用比较简化的孔隙介质模型。事实上,地震波在储层介质中的传播会受到多种物理因素和多种物理机制的影响,所以基于过于简化的孔隙介质模型的反演方法并不能准确地反映地下储层和油水分布的真实情况。
发明内容
本发明实施例提供一种储层物性参数的预测方法及电子设备,以解决现有技术中基于岩石物理模型的地震反演方法并不能准确地反映地下储层和油水分布的真实情况的问题。
为了解决上述技术问题,本发明是这样实现的:第一方面,本发明实施例提供了一种储层物性参数的预测方法,包括:
获取目标区域的多个地质物性参数,并基于所述目标区域中的样本区域的多个地质物性参数,建立所述目标区域的岩石物理模型;
基于所述目标区域的岩石物理模型和所述目标区域的多个地质物性参数,构建基于贝叶斯理论的单参数反演最优化问题,并通过求解所述基于贝叶斯理论的单参数反演最优化问题,得到目标候选区域,所述单参数为所述目标区域的孔隙度的估值;
基于所述目标区域的岩石物理模型,构建针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,并通过求解针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,得到所述目标候选区域中的所述多参数的预测值;其中,所述多参数包括所述目标候选区域的孔隙度、含水饱和度和渗透率。
第二方面,本发明实施例还提供一种电子设备,包括:
获取单元,用于获取目标区域的多个地质物性参数,并基于所述目标区域中的样本区域的多个地质物性参数,建立所述目标区域的岩石物理模型;
第一构建单元,用于基于所述目标区域的岩石物理模型和所述目标区域的多个地质物性参数,构建基于贝叶斯理论的单参数反演最优化问题,并通过求解所述基于贝叶斯理论的单参数反演最优化问题,得到目标候选区域,所述单参数为所述目标区域的孔隙度的估值;
第二构建单元,用于基于所述目标区域的岩石物理模型,构建针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,并通过求解针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,得到所述目标候选区域中的所述多参数的预测值;其中,所述多参数包括所述目标候选区域的孔隙度、含水饱和度和渗透率。
第三方面,本发明实施例还提供一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
获取目标区域的多个地质物性参数,并基于所述目标区域中的样本区域的多个地质物性参数,建立所述目标区域的岩石物理模型;
基于所述目标区域的岩石物理模型和所述目标区域的多个地质物性参数,构建基于贝叶斯理论的单参数反演最优化问题,并通过求解所述基于贝叶斯理论的单参数反演最优化问题,得到目标候选区域,所述单参数为所述目标区域的孔隙度的估值;
基于所述目标区域的岩石物理模型,构建针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,并通过求解针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,得到所述目标候选区域中的所述多参数的预测值;其中,所述多参数包括所述目标候选区域的孔隙度、含水饱和度和渗透率。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
获取目标区域的多个地质物性参数,并基于所述目标区域中的样本区域的多个地质物性参数,建立所述目标区域的岩石物理模型;
基于所述目标区域的岩石物理模型和所述目标区域的多个地质物性参数,构建基于贝叶斯理论的单参数反演最优化问题,并通过求解所述基于贝叶斯理论的单参数反演最优化问题,得到目标候选区域,所述单参数为所述目标区域的孔隙度的估值;
基于所述目标区域的岩石物理模型,构建针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,并通过求解针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,得到所述目标候选区域中的所述多参数的预测值;其中,所述多参数包括所述目标候选区域的孔隙度、含水饱和度和渗透率。
一方面,能够基于目标区域中的样本区域的多个地质物性参数,建立目标区域的岩石物理模型,并基于该目标区域的岩石物理模型和目标区域的多个地质物性参数,构建得到基于贝叶斯理论的单参数反演最优化问题,并求解该最优化问题确定出储油储气量较好的目标候选区域,再基于目标区域的岩石物理模型和贝叶斯理论对目标候选区域中的物性参数进行预测,减少了预测的计算量;另一方面,在确定目标候选区域时通过贝叶斯理论克服了反演的多解性和非线性问题,以及通过构建和求解针对目标候选区域的多参数联合反演最优化问题,提高了对目标候选区域的储层物性参数的预测准确度,并提高了对目标候选区域的识别能力和流体的辨别能力。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种储层物性参数的预测方法的实现流程示意图;
图2为本发明实施例提供的普通反演方法得到的物性参数的示意图;
图3为本发明实施例提供的储层物性参数的预测方法中用于测试的孔隙度和汗水饱和度的示意图;
图4为本发明实施例提供的储层物性参数的预测方法中各参数的分位数-分位数示意图;
图5为本发明实施例提供的储层物性参数的预测方法中杂交遗传算法的流程示意图;
图6为本发明实施例提供的储层物性参数的预测方法的预测结果示意图;
图7为本发明实施例提供的储层物性参数的预测方法中用于测试的参数示意图;
图8为本发明实施例提供的一种电子设备的结构示意图;
图9为本发明实施例提供的一种储层物性参数的预测装置的结构示意图。
具体实施方式
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。
以下结合附图,详细说明本发明各实施例提供的技术方案。
为解决现有技术中基于岩石物理模型的地震反演方法并不能准确地反映地下储层和油水分布的真实情况的问题,本发明提供一种储层物性参数的预测方法,该方法的执行主体,可以但不限于能够被配置为执行本发明实施例提供的该方法用户终端中的至少一种,或者,该方法的执行主体,还可以是能够执行该方法的客户端或服务器本身。
为便于描述,下文以该方法的执行主体为能够执行该方法的电子设备为例,对该方法的实施方式进行介绍。可以理解,该方法的执行主体为电子设备只是一种示例性的说明,并不应理解为对该方法的限定。
具体地,本发明提供的储层物性参数的预测方法包括:获取目标区域的多个地质物性参数,并基于目标区域中的样本区域的多个地质物性参数,建立目标区域的岩石物理模型;基于目标区域的岩石物理模型和目标区域的多个地质物性参数,构建基于贝叶斯理论的单参数反演最优化问题,并通过求解基于贝叶斯理论的单参数反演最优化问题,得到目标候选区域,单参数为目标区域的孔隙度的估值;基于目标区域的岩石物理模型,构建针对目标候选区域的多参数联合反演最优化问题,并通过求解针对目标候选区域的多参数联合反演最优化问题,得到目标候选区域中的多参数的预测值;其中,多参数包括目标候选区域的孔隙度、含水饱和度和渗透率。
一方面,能够基于目标区域中的样本区域的多个地质物性参数,建立目标区域的岩石物理模型,并基于该目标区域的岩石物理模型和目标区域的多个地质物性参数,构建得到基于贝叶斯理论的单参数反演最优化问题,并求解该最优化问题确定出储油储气量较好的目标候选区域,再基于目标区域的岩石物理模型和贝叶斯理论对目标候选区域中的物性参数进行预测,减少了预测的计算量;另一方面,在确定目标候选区域时通过贝叶斯理论克服了反演的多解性和非线性问题,以及通过构建和求解针对目标候选区域的多参数联合反演最优化问题,提高了对目标候选区域的储层物性参数的预测准确度,并提高了对目标候选区域的识别能力和流体的辨别能力。
下面结合图1所示的储层物性参数的预测方法的实现流程示意图,对该方法的实施过程进行详细介绍,包括:
步骤101,获取目标区域的多个地质物性参数,并基于目标区域中的样本区域的多个地质物性参数,建立目标区域的岩石物理模型;
应理解,在对石油或天然气等进行开采工作之前,往往需要先对目标区域可能存储的石油量或天然气量等进行预测,从而避免无效开采增加的工作量。而候选区域的孔隙度、含水饱和度和渗透率等储层物性参数通常能够很好地反映目标区域内的含油性和油气储量,并且这些储层物性参数与储层密度、地震波阻抗等弹性参数有这个密切联系,而这些联系往往还会受到Biot流和喷射流等多种物理机制的影响。因此,需要一种能够准确地获取目标区域的储层物性参数的方法,从而反映地下储层和油水分布的真实情况。
然而,现有的Gassmann模型等孔隙介质理论和基于测井数据的统计学模型并不能精确地刻画储层物性参数与弹性参数之间复杂而又密切的关系。所以,为了能够更好地刻画出这两者之间的关系,以便于提高反演结果的可靠性和安全性,从而提高预测出的储层物性参数的准确性,本发明实施例可以结合更为复杂、准确的孔隙介质结合Biot流和喷射流(Biot-Squirt,BISQ)理论和统计学方法,建立更合适的岩石物理模型。
如图2所示,为本发明实施例提供的普通反演方法得到的物性参数的示意图。如图2(a)所示,为本发明实施例提供的普通反演方法得到的地震纵波波速的示意图,如图2(b)所示,为本发明实施例提供的部分地质物性参数中地震横波波速的示意图,如图2(c)所示,为本发明实施例提供的普通反演方法得到的密度的示意图。
图2中,曲线为各测井的自然电位曲线,实线圈内的曲线部分表示候选区域中的储油层,虚线圈内的曲线部分表示候选区域中的储水层。应理解,普通的反演方法对流体的识别能力较差,反演得到的结果没法明显区分储油层和储水层。因此,需要更为准确、真实的反演方法,才能更好地预测储层的孔隙度、含水饱和度和渗透率等。
此外,复杂的岩石物理模型的储层物性反演问题具有较强的非线性和多解性,因此,为了克服反演问题的非线性和多解性,还可以通过贝叶斯理论引入先验信息,并采用具有较强全局搜索能力的优化算法,使得无论在构建反演问题,还是在求解反演问题时,都能够保证反演问题和解的准确性。
可选地,为了建立目标区域的岩石物理模型,可以对目标区域进行采样,获取多个地质物性参数,然后基于这些地质物性参数建立目标区域的岩石物理模型。具体地,基于目标区域中的样本区域的多个地质物性参数,建立目标区域的岩石物理模型,包括:
对目标区域进行采样处理,得到多个样本区域;
基于目标样本区域的多个地质物性参数,建立目标区域的初始岩石物理模型,其中,目标样本区域为多个样本区域中的任意一个样本区域;
基于多个样本区域的地质物性参数,对初始岩石物理模型进行测试,得到指定的地质物性参数的指标;
基于指定的地质物性参数的指标,调整初始岩石物理模型,得到目标区域的岩石物理模型。
具体地,目标区域的储层一般是由含多相流孔隙介质构成的,而这类介质主要包括孔隙中的混合流体和多孔性固体骨架。在油气开采的过程中,孔隙中的混合流体通常是石油与地层水的混合物、或天然气与地层水的混合物。因此,通过等效流体理论可以得到储层流体的等效模量Kf和等效密度ρf分别为:
Kf=swKw+(1-sw)Koil (1)
ρf=swρw+(1-swoil (2)
其中,Kw为地层水体积模量,Koil为油体积模量,ρw为地层水密度,ρoil为油密度,sw为含水饱和度。
进一步地,可以得到含多相流孔隙介质的密度为:
ρ=φρs+(1-φ)ρf (3)
其中,ρs为固体颗粒密度,φ为孔隙度。
进一步地,本发明实施例提供的方法能够研究多孔性固体骨架的弹性性质。具体地,可以通过弹性力学理论得到固体骨架的泊松比、固体骨架的单轴应变模量M、以及有效应力的孔隙弹性系数α的计算公式依次为:
Figure BDA0002419282880000091
Figure BDA0002419282880000092
Figure BDA0002419282880000093
其中,K为固体骨架的体积模量,G为固体骨架的剪切模量,Ks为固体颗粒的体积模量。
可选地,在对岩石物理模型进行测试调整之前,可以先基于多个地质物性参数,获取目标区域的多孔性岩石骨架模量,从而建立初始岩石物理模型。具体地,基于目标样本区域的多个地质物性参数,建立目标区域的初始岩石物理模型,包括:
基于目标样本区域的多个地质物性参数,获取目标样本区域的多孔性岩石骨架模量;
基于目标样本区域的多孔性岩石骨架模量、毕奥流和喷射流BISQ理论、以及孔隙流体性质,获取目标样本区域的毕奥流和喷射流BISQ模型特征参数;
基于目标样本区域的多孔性岩石骨架模量和毕奥流和喷射流BISQ模型特征参数,建立目标区域的初始岩石物理模型;
其中,多孔性岩石骨架模量包括目标样本区域的固体骨架的体积模量和固体骨架的剪切模量。
具体地,通常情况下,实际通过测井勘探采集得到的地震波频率ω会远小于Biot流的特征频率
Figure BDA0002419282880000094
其中μ为流体粘滞系数,φ为孔隙度,k为渗透率。因此,本发明实施例提供的方法能够利用低频情况的BISQ理论,这样就可以通过计算获得地震纵波的波速为:
Figure BDA0002419282880000101
其中,
Figure BDA0002419282880000102
在上述公式中,J0和J1分别为0阶Bessel函数和1阶Bessel函数,R为特征喷射流长度。
与此同时,本发明实施例提供的方法还能够获取地震横波的波速为:
Figure BDA0002419282880000103
其中,ρx=(1-φ)ρs+(1-θ)φρf
Figure BDA0002419282880000104
ρa为固-流耦合附加密度,ω为地震横波等效密度的修正量。
可选地,基于目标样本区域的多孔性岩石骨架模量和毕奥流和喷射流BISQ模型特征参数,建立目标区域的初始岩石物理模型,包括:
基于目标样本区域的多个地质物性参数、地震纵波波速和地震横波波速,按照下述公式(9)建立所述目标区域的初始岩石物理模型:
Figure BDA0002419282880000105
其中,ρ为密度,Ip为地震纵波阻抗,Is为地震横波阻抗,Vp为地震纵波波速,Vs为地震横波波速,φ为孔隙度,sw为含水饱和度,ρs为固体颗粒密度,ρw为等效流体密度,ρoil为油密度,ρa为固-流耦合附加密度,k为渗透率,μ为流体粘滞系数,ω为地震波频率,R为特征喷射流长度,Ks为固体颗粒的体积模量,Kw为等效流体的体积模量,Koil为油的体积模量,K为固体骨架的体积模量,G为固体骨架的剪切模量。
并且,在统计学的意义下,本发明实施例提供的方法能够得到密度
Figure BDA0002419282880000111
地震纵波阻抗
Figure BDA0002419282880000112
地震横波阻抗
Figure BDA0002419282880000113
满足如下公式:
Figure BDA0002419282880000114
其中,目标参数m为本发明实施例所要预测的储层物性参数,非目标参数mc为岩石物理模型中除目标参数m外的参数,即可用于建立岩石物理模型的地质物性参数。例如:
m=(φ,sw,k)T (11)
mc=(ρswoila,μ,ω,R,Ks,Kw,Koil,K,G)T (12)
也就是说,目标参数m可以包括孔隙度φ、含水饱和度sw和渗透率k,而非目标参数mc可以包括固体颗粒密度ρs、地层水密度ρw、油密度ρoil、固-流耦合附加密度ρa、流体粘滞系数μ、地震波频率ω、特征喷射流长度R、固体颗粒的体积模量Ks、地层水体积模量Kw、油体积模量Koil、固体骨架的铁剂模量K、以及固体骨架的剪切模量G等。
可选地,若设
Figure BDA0002419282880000115
为单参数反演最优化问题和多参数联合反演最优化问题的输入数据,则公式(10)可以被简化,即本发明实施例提供的方法中的岩石物理模型的公式可以被整理为:
d=g(φ,sw,k)+ε (13)
其中,g(φ,sw,k)为关于孔隙度、含水饱和度和渗透率的函数,ε为余项。
具体地,=(1,2,3)T,且通常情况下假设1,2,3与非目标参数mc相关,且服从正态分布,即
Figure BDA0002419282880000116
可选地,为了能够获取指定的地质物性参数的指标,可对初始岩石物理模型中的余项进行正态检验并比较多个检验结果。具体地,基于多个样本区域的地质物性参数,对初始岩石物理模型进行测试,得到指定的地质物性参数的指标,包括:
基于多个样本区域的地质物性参数,对初始岩石物理模型的公式中的余项进行正态检验,得到多个正态检验结果,一个正态检验结果对应于一组指定的地质物性参数的指标;
基于多个正态检验结果,得到指定的地质物性参数的指标;
其中,指定的地质物性参数包括多个样本区域的孔隙度、含水饱和度和渗透率中的至少一种。
具体地,可以基于不同的非目标参数mc,并利用测井获取到的其地质物性参数和井旁道地震反演的弹性参数数据,对余项1,2,3做多次正态性检验,例如基于分位数-分位数图的Kolmogorov Smirnov检验等。然后,通过对比检验得到的多个检验结果,可以获得一组比较符合目标区域实际情况的地质物性参数数据,作为指定的地质物性参数的指标,以此调整初始岩石物理模型中的参数,以得到目标岩石物理模型。
例如,通过测井获得的固体骨架的体积模量K和固体骨架的剪切模量G分别为:
K=233.3φ2-53.06φ+16.54, (15)
G=84.45φ2-9.558φ+5.315 (16)
如图3所示,为本发明实施例提供的储层物性参数的预测方法中用于测试的孔隙度和汗水饱和度的示意图。可将图中用于测试的数据代入已建立的初始的岩石物理模型中,计算出初始的岩石物理模型与实际数据之间的误差。并通过反复的正态检验和修正初始的岩石物理模型中的参数,得到一组较好的参数。
步骤102,基于目标区域的岩石物理模型和目标区域的多个地质物性参数,构建基于贝叶斯理论的单参数反演最优化问题,并通过求解基于贝叶斯理论的单参数反演最优化问题,得到目标候选区域;
应理解,基于贝叶斯理论的单参数反演最优化问题中的单参数可以是目标区域的孔隙度的估值。
可选地,目标区域中储存油气量比较大的良好候选区域往往由砂岩构成,这与其他由泥岩构成的候选区域的岩石物理性质有很大区别,因此,本发明实施例提供的方法可以先基于孔隙度构建单参数反演最优化问题,以求解该单参数反演最优化问题,确定可开采的目标候选区域。
具体地,通过求解基于贝叶斯理论的单参数反演最优化问题,得到目标候选区域,包括:
通过杂交遗传算法,求解基于贝叶斯理论的单参数反演最优化问题,得到目标区域中的多个候选区域的孔隙度的估值;
从多个候选区域中,确定孔隙度的估值大于预设孔隙度阈值的候选区域;
基于孔隙度的估值大于预设孔隙度阈值的候选区域,得到目标候选区域。
具体地,可以设岩石物理模型中除孔隙度以外的参数为:
φc=(swswoil,k,μ,ω,R,Kf,Ks,K,G) (17)
将公式(17)与公式(13)相结合,可以得到关于孔隙度的岩石物理模型为:
d=g0(φ)+ε (18)
其中,g0(φ)=(f1(φ,φc),f2(φ,φc),f3(φ,φc))T
进一步地,由公式(14)和公式(18)可知,密度、地震纵波波阻抗和地震横波阻抗分别服从的条件概率分布如下:
Figure BDA0002419282880000131
其中,
Figure BDA0002419282880000141
进一步地,由公式(19)可得,单参数反演最优化问题的输入数据d在孔隙度φ下的条件概率密度为:
Figure BDA0002419282880000142
其中,
Figure BDA0002419282880000143
进一步地,根据贝叶斯理论可知:
Figure BDA0002419282880000144
其中,P(d|m)可由公式(13)给出,P(m)为目标参数m的先验概率密度函数。
进一步地,目标参数m的最大后验概率估计为:
Figure BDA0002419282880000145
即孔隙度
Figure BDA0002419282880000146
的贝叶斯反演最优化问题可表示为:
Figure BDA0002419282880000147
其中,P(φ)为φ的先验分布,且通常是均匀分布或者截断的正态分布;[lφ,uφ]为φ的先验上界和先验下界。
例如,如图4所示为本发明实施例提供的储层物性参数的预测方法中各参数的分位数-分位数示意图,如图4(a)所示,为地震纵波阻抗误差关于正态分布的分位数-分位数示意图;如图4(b)所示,为地震横波阻抗误差关于正态分布的分位数-分位数示意图;如图4(c)所示,为密度误差关于正态分布的分位数-分位数示意图;如图4(d)所示,为计算出的误差关于正态分布的分位数-分位数示意图。
由图4可知,地震纵波阻抗和地震横波阻抗可被认为服从正态分布,但密度误差不服从正态分布。所以,对密度误差进行进一步地研究,密度误差可表示为:
Figure BDA0002419282880000151
将公式(24)代入关于孔隙度的岩石物理模型(18)中,则密度的期望为:
Figure BDA0002419282880000152
关于孔隙度的岩石物理模型(18)中的其他内容保持不变。
可利用图2中测井测得数据计算各类统计学参数的估计值:
a1=-0.8392,a0=1960,σ1=29.6436;
μ2=-5.0616e5,σ2=3.8044e5;
μ3=-1.9139e5,σ3=2.7820e5。
进一步地,计算出的地质物性参数如表1所示,为计算得出的各地质性参数的值。
表1各地质性参数的值
参数名称 单位 参数值 参数名称 单位 参数值
ρ<sub>s</sub> kg/m<sup>3</sup> 2950 R mm 2
ρ<sub>w</sub> kg/m<sup>3</sup> 1145 K<sub>s</sub> GPa 39
ρ<sub>oil</sub> kg/m<sup>3</sup> 945 K<sub>w</sub> GPa 2.6
ρ<sub>a</sub> kg/m<sup>3</sup> 400 K<sub>oil</sub> GPa 1.65
ω Hz 30 μ pa·s 0.17
进一步地,可采用杂交遗传算法求解单参数反演最优化问题(22)或(23),并引入模拟退火算法思想和自适应参数选择思想,从而建立一套杂交遗传算法来对反演最优化问题进行求解。
具体地,假设f(m)=ln P(d|m)+ln P(d),则可以将公式(22)整理成标准形式:
max f(x) (26)
如图5所示,为本发明实施例提供的储层物性参数的预测方法中杂交遗传算法的流程示意图,包括:
步骤501,随机生成个体数为N的第一代种群
Figure BDA0002419282880000161
步骤502,计算第一代种群中各个体的适应值fi=f(xi)以及选择概率Pi·,并选取出适应值最高的个体xm,计算该个体的修正适应值
Figure BDA0002419282880000162
以及修正选择概率
Figure BDA0002419282880000163
具体计算公式可如下:
Figure BDA0002419282880000164
Figure BDA0002419282880000165
Figure BDA0002419282880000166
其中,dij表示个体xi和个体xj之间的相对距离;
步骤503,交替利用{Pi}和
Figure BDA0002419282880000167
选择亲代个体xp1和xp2,并计算它们之间的修正交叉概率
Figure BDA0002419282880000168
步骤504,产生一个[0,1]上的均匀随机数r,如果
Figure BDA0002419282880000169
则发生交叉;否则,不发生交叉,返回执行步骤X03。
步骤505,计算亲代个体xp1和xp2的扩展搜索方向
Figure BDA00024192828800001610
具体公式如下:
Figure BDA00024192828800001611
其中,
Figure BDA00024192828800001612
Figure BDA00024192828800001613
步骤506,缩短搜索步长系数
Figure BDA00024192828800001614
构造子代个体
Figure BDA00024192828800001615
r~U(0,1),并计算该子代个体的保留概率:
Figure BDA00024192828800001616
步骤507,产生一个[0,1]上的均匀随机数r,如果r<Py成立,则保留子代个体y;否则,返回执行步骤506;
步骤508,采用均匀变异算子对子代个体y执行变异运算,即以概率Pm构造新个体
Figure BDA0002419282880000171
其中am为子代个体变异发生的幅度,r为[-1,1]上的均匀随机数;
步骤509,监测子代个体数量是否达到N,若达到,则继续;否则,返回执行步骤503;
步骤510,更新种群信息,由子代个体构成新的种群;
步骤511,如果达到终止条件,则迭代结束,输出xm为最优解;否则,返回执行步骤502;其中,终止条件可为种群代数超过终止进化代数T或当代最高个体适应值f(xm)大于终止适应值F;
步骤512,输出适应值最高的个体,作为最终的计算结果。
进一步地,为了能够确定储存油气量良好的目标候选区域,本发明实施例提供的方法可结合已知地质情况和基于孔隙度的单参数反演结果,设置预设的孔隙度阈值,例如1%~10%,作为确定目标候选区域的标准,即当某候选区域的孔隙度的估值大于预设的孔隙度阈值时,认为该区域是目标候选区域。
步骤103,基于目标区域的岩石物理模型,构建针对目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,并通过求解针对目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,得到目标候选区域中的多参数的预测值;
其中,多参数至少包括目标候选区域的孔隙度、含水饱和度和渗透率中的一种。
应理解,已确定的目标候选区域可以理解为储存油气量良好的候选区域,因此,可只对目标候选区域进行进一步地预测,这样能够减少预测的计算量。
与上述构建单参数反演最优化问题的方法类似,针对孔隙度、含水饱和度和渗透率构建多参数联合反演方法最优化问题,输入数据d在目标参数m=(φ,sw,k)T下的条件概率密度函数为:
Figure BDA0002419282880000181
其中,μ(m)=(g1(m)+μ1,g2(m)+μ2,g3(m)+μ3)T
Figure BDA0002419282880000182
g(m)=(f1(m,mc),f2(m,mc),f3(m,mc))T
进一步地,假设φ的先验服从截断的正态分布
Figure BDA0002419282880000183
sw和k的先验服从均匀分布。由公式(20)和公式(28)可知,m的多参数联合反演最优化问题的公式可以具体表示为:
Figure BDA0002419282880000184
其中,
Figure BDA0002419282880000185
可选地,为了能够更准确地求解多参数联合反演最优化问题,本发明实施例可通过优化过的杂交遗传算法求解通过求解基于贝叶斯理论的多参数联合反演最优化问题。具体地,针对目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,得到目标候选区域中的多参数的预测值,包括:
通过杂交遗传算法,求解针对目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,得到目标候选区域中的多参数的预测值。
具体地,与上述对单参数反演最优化问题的求解方法类似,采用杂交遗传算法求解基于贝叶斯理论的多参数联合反演最优化问题(29),可预测得到孔隙度、含水饱和度和渗透率的预测值,从而基于预测得到的孔隙度、含水饱和度和渗透率的预测值,确定目标候选区域中的储层,并确定储层的油水分布情况。
如图6所示,为本发明实施例提供的储层物性参数的预测方法的预测结果示意图。如图6(a)所示,为本发明实施例提供的储层物性参数的预测方法得到的孔隙度的示意图,如图6(b)所示,为本发明实施例提供的储层物性参数的预测方法得到的含水饱和度的示意图,如图6(c)所示,为本发明实施例提供的储层物性参数的预测方法得到的渗透率的示意图。图6中,三条曲线分别为三个测井的自然电位曲线,实线圈内表示储油层,虚线圈内表示储水层。
如图6(a)和图6(b)所示,孔隙度和渗透率的反演结果可以明显反映储层的位置及油气的可开采性,即高孔隙高渗透率的区域表示可能存在可开采的储层。此外,结合孔隙度和含水饱和度可以直接确定储层流体类别,储油层可表现为高孔隙度低含水饱和度,储水层可表现为高孔隙度高含水饱和度。
如图7所示,为本发明实施例提供的储层物性参数的预测方法中用于测试的参数示意图。图7中用于测试本发明实施例提供的储层物性参数的预测方法的参数数据、与图6中所示数据高度吻合,显然,与传统方法相比,本发明实施例提供的储层物性参数的预测方法具有更高的储层识别能力和流体辨识能力,从而反映储层和油水分布的真实情况。
一方面,能够基于目标区域中的样本区域的多个地质物性参数,建立目标区域的岩石物理模型,并基于该目标区域的岩石物理模型和目标区域的多个地质物性参数,构建得到基于贝叶斯理论的单参数反演最优化问题,并求解该最优化问题确定出储油储气量较好的目标候选区域,再基于目标区域的岩石物理模型对目标候选区域中的物性参数进行预测,减少了预测的计算量;另一方面,在确定目标候选区域时通过贝叶斯理论克服了反演的多解性和非线性问题,以及通过构建和求解针对目标候选区域的多参数联合反演最优化问题,提高了对目标候选区域的储层物性参数的预测准确度,并提高了对目标候选区域的识别能力和流体的辨别能力。
本发明实施例还提供一种电子设备800,如图8所示,包括:
获取单元801,用于获取目标区域的多个地质物性参数,并基于所述目标区域中的样本区域的多个地质物性参数,建立所述目标区域的岩石物理模型;
第一构建单元802,用于基于所述目标区域的岩石物理模型和所述目标区域的多个地质物性参数,构建基于贝叶斯理论的单参数反演最优化问题,并通过求解所述基于贝叶斯理论的单参数反演最优化问题,得到目标候选区域,所述单参数为所述目标区域的孔隙度的估值;
第二构建单元803,用于基于所述目标区域的岩石物理模型,构建针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,并通过求解针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,得到所述目标候选区域中的所述多参数的预测值;其中,所述多参数包括所述目标候选区域的孔隙度、含水饱和度和渗透率。
可选地,在一种实施方式中,所述获取单元801,用于:
对所述目标区域进行采样处理,得到多个样本区域;
基于目标样本区域的多个地质物性参数,建立所述目标区域的初始岩石物理模型,其中,所述目标样本区域为所述多个样本区域中的任意一个样本区域;
基于所述多个样本区域的地质物性参数,对所述初始岩石物理模型进行测试,得到指定的地质物性参数的指标;
基于所述指定的地质物性参数的指标,调整所述初始岩石物理模型,得到所述目标区域的岩石物理模型。
可选地,在一种实施方式中,所述获取单元801,用于:
基于所述目标样本区域的多个地质物性参数,获取所述目标样本区域的多孔性岩石骨架模量;
基于所述目标样本区域的多孔性岩石骨架模量、毕奥流和喷射流BISQ理论、以及孔隙流体性质,获取所述目标样本区域的毕奥流和喷射流BISQ模型特征参数;
基于所述目标样本区域的多孔性岩石骨架模量、毕奥流和喷射流BISQ模型特征参数,建立所述目标区域的初始岩石物理模型;
其中,所述多孔性岩石骨架模量包括所述目标样本区域的固体骨架的体积模量和固体骨架的剪切模量。
可选地,在一种实施方式中,所述第一获取单元801,用于:
基于所述目标样本区域的多个地质物性参数、地震纵波波速和地震横波波速,按照公式
Figure BDA0002419282880000211
建立所述目标区域的初始岩石物理模型;
其中,ρ为密度,Ip为地震纵波阻抗,Is为地震横波阻抗,Vp为地震纵波波速,Vs为地震横波波速,φ为孔隙度,sw为含水饱和度,ρs为固体颗粒密度,ρw为等效流体密度,ρoil为油密度,ρa为固-流耦合附加密度,k为渗透率,μ为流体粘滞系数,ω为地震波频率,R为特征喷射流长度,Ks为固体颗粒的体积模量,Kw为等效流体的体积模量,Koil为油的体积模量,K为固体骨架的体积模量,G为固体骨架的剪切模量。
可选地,在一种实施方式中,所述获取单元801,用于:
基于所述多个样本区域的地质物性参数,对所述初始岩石物理模型的公式中的余项进行正态检验,得到多个正态检验结果,一个正态检验结果对应于一组指定的地质物性参数的指标;
基于所述多个正态检验结果,得到所述指定的地质物性参数的指标;
其中,所述指定的地质物性参数包括所述多个样本区域的孔隙度、含水饱和度和渗透率中的至少一种。
可选地,在一种实施方式中,所述第一构建单元802,用于:
通过杂交遗传算法,求解所述基于贝叶斯理论的单参数反演最优化问题,得到所述目标区域中的多个候选区域的孔隙度的估值;
从所述多个候选区域中,确定孔隙度的估值大于预设孔隙度阈值的候选区域;
基于所述孔隙度的估值大于预设孔隙度阈值的候选区域,得到所述目标候选区域。
可选地,在一种实施方式中,所述第二构建单元803,用于:
通过所述杂交遗传算法,求解针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,得到所述目标候选区域中的所述多参数的预测值。
电子设备800能够实现图1~图7的方法实施例的方法,具体可参考图1~图7所示实施例的储层物性参数的预测方法,不再赘述。
图9是本申请的一个实施例电子设备的结构示意图。请参考图9,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述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9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。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成生物特征认证识别检测装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获取目标区域的多个地质物性参数,并基于目标区域中的样本区域的多个地质物性参数,建立目标区域的岩石物理模型;
基于目标区域的岩石物理模型和目标区域的多个地质物性参数,构建基于贝叶斯理论的单参数反演最优化问题,并通过求解基于贝叶斯理论的单参数反演最优化问题,得到目标候选区域,单参数为目标区域的孔隙度的估值;
基于目标区域的岩石物理模型,构建针对目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,并通过求解针对目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,得到目标候选区域中的多参数的预测值;其中,多参数包括目标候选区域的孔隙度、含水饱和度和渗透率。
一方面,能够基于目标区域中的样本区域的多个地质物性参数,建立目标区域的岩石物理模型,并基于该目标区域的岩石物理模型和目标区域的多个地质物性参数,构建得到基于贝叶斯理论的单参数反演最优化问题,并求解该最优化问题确定出储油储气量较好的目标候选区域,再基于目标区域的岩石物理模型对目标候选区域中的物性参数进行预测,减少了预测的计算量;另一方面,在确定目标候选区域时通过贝叶斯理论克服了反演的多解性和非线性问题,以及通过构建和求解针对目标候选区域的多参数联合反演最优化问题,提高了对目标候选区域的储层物性参数的预测准确度,并提高了对目标候选区域的识别能力和流体的辨别能力。
上述如本申请图1所示实施例揭示的储层物性采纳数的预测装置执行的方法可以应用于处理器中,或者由处理器实现。处理器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。上述的处理器可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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申请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。结合本申请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,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1的方法,并实现生物特征认证识别检测装置在图1所示实施例的功能,或者实现图3~图7所示实施例训练阶段和/或预测阶段的功能,本申请实施例在此不再赘述。
当然,除了软件实现方式之外,本申请的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1所示实施例的方法,并具体用于执行以下操作:
获取目标区域的多个地质物性参数,并基于目标区域中的样本区域的多个地质物性参数,建立目标区域的岩石物理模型;
基于目标区域的岩石物理模型和目标区域的多个地质物性参数,构建基于贝叶斯理论的单参数反演最优化问题,并通过求解基于贝叶斯理论的单参数反演最优化问题,得到目标候选区域,单参数为目标区域的孔隙度的估值;
基于目标区域的岩石物理模型,构建针对目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,并通过求解针对目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,得到目标候选区域中的多参数的预测值;其中,多参数包括目标候选区域的孔隙度、含水饱和度和渗透率。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
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上述实施例方法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,但很多情况下前者是更佳的实施方式。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可以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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。

Claims (10)

1.一种储层物性参数的预测方法,其特征在于,包括:
获取目标区域的多个地质物性参数,并基于所述目标区域中的样本区域的多个地质物性参数,建立所述目标区域的岩石物理模型;
基于所述目标区域的岩石物理模型和所述目标区域的多个地质物性参数,构建基于贝叶斯理论的单参数反演最优化问题,并通过求解所述基于贝叶斯理论的单参数反演最优化问题,得到目标候选区域,所述单参数为所述目标区域的孔隙度的估值;
基于所述目标区域的岩石物理模型,构建针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,并通过求解针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,得到所述目标候选区域中的所述多参数的预测值;其中,所述多参数包括所述目标候选区域的孔隙度、含水饱和度和渗透率。
2.如权利要求1所述的方法,其特征在于,所述基于所述目标区域中的样本区域的多个地质物性参数,建立所述目标区域的岩石物理模型,包括:
对所述目标区域进行采样处理,得到多个样本区域;
基于目标样本区域的多个地质物性参数,建立所述目标区域的初始岩石物理模型,其中,所述目标样本区域为所述多个样本区域中的任意一个样本区域;
基于所述多个样本区域的地质物性参数,对所述初始岩石物理模型进行测试,得到指定的地质物性参数的指标;
基于所述指定的地质物性参数的指标,调整所述初始岩石物理模型,得到所述目标区域的岩石物理模型。
3.如权利要求2所述的方法,其特征在于,所述基于目标样本区域的多个地质物性参数,建立所述目标区域的初始岩石物理模型,包括:
基于所述目标样本区域的多个地质物性参数,获取所述目标样本区域的多孔性岩石骨架模量;
基于所述目标样本区域的多孔性岩石骨架模量、毕奥流和喷射流BISQ理论、以及孔隙流体性质,获取所述目标样本区域的毕奥流和喷射流BISQ模型特征参数;
基于所述目标样本区域的多孔性岩石骨架模量和毕奥流和喷射流BISQ模型特征参数,建立所述目标区域的初始岩石物理模型;
其中,所述多孔性岩石骨架模量包括所述目标样本区域的固体骨架的体积模量和固体骨架的剪切模量。
4.如权利要求3所述的方法,其特征在于,基于所述目标样本区域的多孔性岩石骨架模量和毕奥流和喷射流BISQ模型特征参数,建立所述目标区域的初始岩石物理模型,包括:
基于所述目标样本区域的多个地质物性参数、地震纵波波速和地震横波波速,按照公式
Figure FDA0002419282870000021
建立所述目标区域的初始岩石物理模型;
其中,ρ为密度,Ip为地震纵波阻抗,Is为地震横波阻抗,Vp为地震纵波波速,Vs为地震横波波速,φ为孔隙度,sw为含水饱和度,ρs为固体颗粒密度,ρw为等效流体密度,ρoil为油密度,ρa为固-流耦合附加密度,k为渗透率,μ为流体粘滞系数,ω为地震波频率,R为特征喷射流长度,Ks为固体颗粒的体积模量,Kw为等效流体的体积模量,Koil为油的体积模量,K为固体骨架的体积模量,G为固体骨架的剪切模量。
5.如权利要求2所述的方法,其特征在于,基于所述多个样本区域的地质物性参数,对所述初始岩石物理模型进行测试,得到指定的地质物性参数的指标,包括:
基于所述多个样本区域的地质物性参数,对所述初始岩石物理模型的公式中的余项进行正态检验,得到多个正态检验结果,一个正态检验结果对应于一组指定的地质物性参数的指标;
基于所述多个正态检验结果,得到所述指定的地质物性参数的指标;
其中,所述指定的地质物性参数包括所述多个样本区域的孔隙度、含水饱和度和渗透率中的至少一种。
6.如权利要求1所述的方法,其特征在于,所述通过求解所述基于贝叶斯理论的单参数反演最优化问题,得到目标候选区域,包括:
通过杂交遗传算法,求解所述基于贝叶斯理论的单参数反演最优化问题,得到所述目标区域中的多个候选区域的孔隙度的估值;
从所述多个候选区域中,确定孔隙度的估值大于预设孔隙度阈值的候选区域;
基于所述孔隙度的估值大于预设孔隙度阈值的候选区域,得到所述目标候选区域。
7.如权利要求1所述的方法,其特征在于,所述通过求解针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,得到所述目标候选区域中的所述多参数的预测值,包括:
通过所述杂交遗传算法,求解针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,得到所述目标候选区域中的所述多参数的预测值。
8.一种电子设备,其特征在于,包括:
获取单元,用于获取目标区域的多个地质物性参数,并基于所述目标区域中的样本区域的多个地质物性参数,建立所述目标区域的岩石物理模型;
第一构建单元,用于基于所述目标区域的岩石物理模型和所述目标区域的多个地质物性参数,构建基于贝叶斯理论的单参数反演最优化问题,并通过求解所述基于贝叶斯理论的单参数反演最优化问题,得到目标候选区域,所述单参数为所述目标区域的孔隙度的估值;
第二构建单元,用于基于所述目标区域的岩石物理模型,构建针对所述目标候选区域的多参数联合反演最优化问题,并通过求解针对所述目标候选区域的多参数联合反演最优化问题,得到所述目标候选区域中的所述多参数的预测值;其中,所述多参数包括所述目标候选区域的孔隙度、含水饱和度和渗透率。
9.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
获取目标区域的多个地质物性参数,并基于所述目标区域中的样本区域的多个地质物性参数,建立所述目标区域的岩石物理模型;
基于所述目标区域的岩石物理模型和所述目标区域的多个地质物性参数,构建基于贝叶斯理论的单参数反演最优化问题,并通过求解所述基于贝叶斯理论的单参数反演最优化问题,得到目标候选区域,所述单参数为所述目标区域的孔隙度的估值;
基于所述目标区域的岩石物理模型,构建针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,并通过求解针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,得到所述目标候选区域中的所述多参数的预测值;其中,所述多参数包括所述目标候选区域的孔隙度、含水饱和度和渗透率。
10.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
获取目标区域的多个地质物性参数,并基于所述目标区域中的样本区域的多个地质物性参数,建立所述目标区域的岩石物理模型;
基于所述目标区域的岩石物理模型和所述目标区域的多个地质物性参数,构建基于贝叶斯理论的单参数反演最优化问题,并通过求解所述基于贝叶斯理论的单参数反演最优化问题,得到目标候选区域,所述单参数为所述目标区域的孔隙度的估值;
基于所述目标区域的岩石物理模型,构建针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,并通过求解针对所述目标候选区域的基于贝叶斯理论的多参数联合反演最优化问题,得到所述目标候选区域中的所述多参数的预测值;其中,所述多参数包括所述目标候选区域的孔隙度、含水饱和度和渗透率。
CN202010200744.3A 2020-03-20 2020-03-20 一种储层物性参数的预测方法及电子设备 Active CN111399042B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010200744.3A CN111399042B (zh) 2020-03-20 2020-03-20 一种储层物性参数的预测方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010200744.3A CN111399042B (zh) 2020-03-20 2020-03-20 一种储层物性参数的预测方法及电子设备

Publications (2)

Publication Number Publication Date
CN111399042A true CN111399042A (zh) 2020-07-10
CN111399042B CN111399042B (zh) 2021-02-02

Family

ID=71434405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010200744.3A Active CN111399042B (zh) 2020-03-20 2020-03-20 一种储层物性参数的预测方法及电子设备

Country Status (1)

Country Link
CN (1) CN111399042B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749835A (zh) * 2020-12-22 2021-05-04 中国石油大学(北京) 一种储层产能预测方法、装置及设备
CN113312583A (zh) * 2021-05-26 2021-08-27 中南大学 裂缝性页岩气储层性能参数预测方法及系统
WO2024012222A1 (zh) * 2022-07-11 2024-01-18 中国地质大学(北京) 待勘测区块关键地质参数的选取方法、装置、及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140136170A1 (en) * 2011-07-21 2014-05-15 Exxonmobile Upstream Research Company Adaptive Weighting of Geophysical Data Types in Joint Inversion
CN107290782A (zh) * 2016-03-30 2017-10-24 中国石油化工股份有限公司 储层孔隙度、含水饱和度和泥质含量参数同时反演新方法
US20180156932A1 (en) * 2016-12-02 2018-06-07 Ratnanabha Sain Method for Estimating Petrophysical Properties for Single or Multiple Scenarios from Several Spectrally Variable Seismic and Full Wavefield Inversion Products
CN110306978A (zh) * 2018-03-27 2019-10-08 中国石油化工股份有限公司 一种非均质油藏储层物性参数预测方法
CN110426752A (zh) * 2019-08-20 2019-11-08 赛哲尔能源科技(北京)有限公司 一种基于岩石物理模型的储层参数反演方法与系统
CN110579802A (zh) * 2019-10-09 2019-12-17 中国科学院海洋研究所 一种天然气水合物储层物性参数的高精度反演方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140136170A1 (en) * 2011-07-21 2014-05-15 Exxonmobile Upstream Research Company Adaptive Weighting of Geophysical Data Types in Joint Inversion
CN107290782A (zh) * 2016-03-30 2017-10-24 中国石油化工股份有限公司 储层孔隙度、含水饱和度和泥质含量参数同时反演新方法
US20180156932A1 (en) * 2016-12-02 2018-06-07 Ratnanabha Sain Method for Estimating Petrophysical Properties for Single or Multiple Scenarios from Several Spectrally Variable Seismic and Full Wavefield Inversion Products
CN110306978A (zh) * 2018-03-27 2019-10-08 中国石油化工股份有限公司 一种非均质油藏储层物性参数预测方法
CN110426752A (zh) * 2019-08-20 2019-11-08 赛哲尔能源科技(北京)有限公司 一种基于岩石物理模型的储层参数反演方法与系统
CN110579802A (zh) * 2019-10-09 2019-12-17 中国科学院海洋研究所 一种天然气水合物储层物性参数的高精度反演方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LOUIS DE BARROS 等: "Full waveform inversion of seismic waves reflected in a stratified porous medium", 《GEOPHYSICAL JOURNAL INTERNATIONAL》 *
杨培杰: "砂泥岩储层孔隙度和含水饱和度同步反演", 《地球物理学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749835A (zh) * 2020-12-22 2021-05-04 中国石油大学(北京) 一种储层产能预测方法、装置及设备
CN112749835B (zh) * 2020-12-22 2023-10-24 中国石油大学(北京) 一种储层产能预测方法、装置及设备
CN113312583A (zh) * 2021-05-26 2021-08-27 中南大学 裂缝性页岩气储层性能参数预测方法及系统
WO2024012222A1 (zh) * 2022-07-11 2024-01-18 中国地质大学(北京) 待勘测区块关键地质参数的选取方法、装置、及设备

Also Published As

Publication number Publication date
CN111399042B (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN111399042B (zh) 一种储层物性参数的预测方法及电子设备
Manzocchi The connectivity of two‐dimensional networks of spatially correlated fractures
US8700370B2 (en) Method, system and program storage device for history matching and forecasting of hydrocarbon-bearing reservoirs utilizing proxies for likelihood functions
Huang et al. Full Gibbs sampling procedure for Bayesian system identification incorporating sparse Bayesian learning with automatic relevance determination
Ahmadi et al. Reservoir permeability prediction by neural networks combined with hybrid genetic algorithm and particle swarm optimization
US9355070B2 (en) System and method of using spatially independent subsets of data to determine the uncertainty of soft-data debiasing of property distributions for spatially correlated reservoir data
US10788598B2 (en) Method of predicting parameters of a geological formation
Lu et al. Effects of error covariance structure on estimation of model averaging weights and predictive performance
US20020133323A1 (en) Volumetric laminated sand analysis
Cancelliere et al. Benefits and limitations of assisted history matching
Gaganis et al. A Bayesian approach to the quantification of the effect of model error on the predictions of groundwater models
US20120290277A1 (en) System and method for characterizing reservoir formation evaluation uncertainty
Alfonzo et al. Seismic data assimilation with an imperfect model
CN112882100B (zh) 一种储层参数确定方法、装置、电子设备和存储介质
Hsein Juang et al. Random field-based regional liquefaction hazard mapping—data inference and model verification using a synthetic digital soil field
US10309812B1 (en) System and method of using the same
CN105158796A (zh) 确定toc含量的方法和装置
CN107462927A (zh) 基于朴素贝叶斯分类的地震岩相预测方法和装置
Omre et al. Improved production forecasts and history matching using approximate fluid-flow simulators
Lima et al. Assisted history-matching for the characterization and recovery optimization of fractured reservoirs using connectivity analysis
Zeng et al. Bayesian model updating for structural dynamic applications combing differential evolution adaptive metropolis and kriging model
CN107102379A (zh) 一种基于多属性反演进行煤层底板富水性预测的方法
Kim et al. Jointly calibrating hydrologic model parameters and state adjustments
Helin et al. Introduction To Gaussian Process Regression In Bayesian Inverse Problems, With New ResultsOn Experimental Design For Weighted Error Measures
CN110927787A (zh) 基于虚拟岩性的横波速度计算方法及系统

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