CN111472763A - 地层厚度预测方法及装置 - Google Patents
地层厚度预测方法及装置 Download PDFInfo
- Publication number
- CN111472763A CN111472763A CN201911398920.2A CN201911398920A CN111472763A CN 111472763 A CN111472763 A CN 111472763A CN 201911398920 A CN201911398920 A CN 201911398920A CN 111472763 A CN111472763 A CN 111472763A
- Authority
- CN
- China
- Prior art keywords
- oil
- thickness
- stratum
- gas
- attribute information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 88
- 229930195733 hydrocarbon Natural products 0.000 claims description 23
- 150000002430 hydrocarbons Chemical class 0.000 claims description 22
- 239000004215 Carbon black (E152) Substances 0.000 claims description 21
- 239000000463 material Substances 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 239000003921 oil Substances 0.000 description 107
- 238000005755 formation reaction Methods 0.000 description 77
- 239000011435 rock Substances 0.000 description 26
- 238000010586 diagram Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000005553 drilling Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 208000035126 Facies Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 108700028490 CAP protocol 2 Proteins 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000282327 Felis silvestris Species 0.000 description 1
- 241000124033 Salix Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 125000001183 hydrocarbyl group Chemical group 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种地层厚度预测方法及装置，可以获得需预测地层厚度的目标地理区域的区域信息；根据所述区域信息在预先建立的油气田知识图谱中查找与所述目标地理区域相关的油气井对应的油气井节点；获得查找到的所述油气井节点的属性信息，其中，所述属性信息至少包括：地理位置和地层厚度；根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测。本发明实现了通过油气田知识图谱对地层厚度进行预测，可以在不增加探井数量的前提下获得更多的地层厚度，可以使得后续的勘探和生产更加的科学可靠。
Description
技术领域
本发明涉及地质勘探领域，尤其涉及地层厚度预测方法及装置。
背景技术
在地质勘探过程中，需要钻一些探井或者野猫井，采集各地层的厚度，进而通过各地层的厚度安排后续的勘探和生产。例如：通过采集储油层的厚度，可以预测储油量，进而确定是否值得开采。
由于探井的成本高，因此无法钻太多的井，这就导致通过钻井采集的地层厚度数据较少。
如何获得更多的地层厚度数据仍是本领域亟待解决的技术难题。
发明内容
鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的地层厚度预测方法及装置，技术方案如下：
一种地层厚度预测方法，包括：
获得需预测地层厚度的目标地理区域的区域信息；
根据所述区域信息在预先建立的油气田知识图谱中查找与所述目标地理区域相关的油气井对应的油气井节点；
获得查找到的所述油气井节点的属性信息，其中，所述属性信息至少包括：地理位置和地层厚度；
根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测。
可选的，所述根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测，包括：
将获得的所述属性信息输入预先建立的地层厚度预测模型中，获得所述地层厚度预测模型输出的至少一个位置点的地层厚度的估计值，所述至少一个位置点为油气井之间的井间位置点。
可选的，所述地层厚度预测模型的建立过程包括：
获得至少包含有油气井的地理位置和地层厚度的油气井材料；
控制地层厚度初始预测模型对所述油气井材料进行机器学习，使所述地层厚度初始预测模型转变为地层厚度预测模型。
可选的，所述根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测，包括：
按照预设距离在所述目标地理区域内确定多个位置点，其中，任意两个所述位置点的距离为所述预设距离；
根据获得的所述属性信息对各所述位置点的地层厚度进行预测。
可选的，还包括：
通过图形展示各所述位置点的地层厚度的估计值。
可选的，所述油气田知识图谱的建立过程包括：
获得油气田的探井资料；
获得与所述探井资料匹配的油气田本体库；
从所述探井资料中抽取与所述油气田本体库中各本体匹配的实体知识点；
根据所述实体知识点构建三元组；
根据所述三元组建立包含与所述三元组对应的实体节点以及连线的油气田知识图谱。
可选的，所述根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测，包括：
使用克里金插值法对获得的所述属性信息进行计算，获得所述目标地理区域内的地层厚度的预测值。
一种地层厚度预测装置，包括：信息获得单元、节点查找单元、属性获得单元和厚度预测单元，
所述信息获得单元，用于获得需预测地层厚度的目标地理区域的区域信息；
所述节点查找单元，用于根据所述区域信息在预先建立的油气田知识图谱中查找与所述目标地理区域相关的油气井对应的油气井节点；
所述属性获得单元，用于获得查找到的所述油气井节点的属性信息，其中，所述属性信息至少包括：地理位置和地层厚度；
所述厚度预测单元，用于根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测。
一种设备，包括：至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述的任一种地层厚度预测方法。
一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现上述的任一种地层厚度预测方法。
借由上述技术方案，本发明提供的地层厚度预测方法及装置，可以获得需预测地层厚度的目标地理区域的区域信息；根据所述区域信息在预先建立的油气田知识图谱中查找与所述目标地理区域相关的油气井对应的油气井节点；获得查找到的所述油气井节点的属性信息，其中，所述属性信息至少包括：地理位置和地层厚度；根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测。本发明实现了通过油气田知识图谱对地层厚度进行预测，可以在不增加探井数量的前提下获得更多的地层厚度，可以使得后续的勘探和生产更加的科学可靠。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种地层厚度预测方法的流程图；
图2示出了本发明实施例提供的一种油气田知识图谱的建立过程的流程图；
图3示出了本发明实施例提供的一种油气田本体库的示意图；
图4示出了本发明实施例提供的一种油气田本体库中各本体节点的属性都显示时的示意图；
图5示出了本发明实施例提供的一种油气田知识图谱的示意图；
图6示出了本发明实施例提供的多个位置点的地层厚度的估计值的图形展示示意图；
图7示出了本发明实施例提供的一种地层厚度预测装置的结构示意图；
图8示出了本发明实施例提供的一种设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明实施例提供了一种地层厚度预测方法，可以包括：
S100、获得需预测地层厚度的目标地理区域的区域信息。
其中，目标地理区域可以为一个探区或一个远景区，也可以为包含若干探井的一个区域，还可以为两个探井之间的区域。实际应用中，用户可以对目标地理区域进行设置和调整，本发明对目标地理区域不做限定。
其中，区域信息可以包括：区域名称、区域位置等信息中的至少一个。
无论是区域名称还是区域位置都可以根据区域信息确定相关的油气井。例如：当目标地理区域为一个探区时，根据该区域的区域名称或区域位置可以将该探区内的油气井确定为与目标地理区域相关的油气井。如该探区内没有油气井，可以将相邻的、具有油气井的其他探区的油气井确定为与目标地理区域相关的油气井。
再如：当目标地理区域为一个远景区时，如该远景区内没有油气井，可以将相邻的、具有油气井的探区的油气井确定为与目标地理区域相关的油气井。
再如：当目标地理区域为某省某市某县的全部行政区域，则可以将该目标地理区域内的油气井确定为与目标地理区域相关的油气井。当然，还可以将周边县内的油气井确定为与目标地理区域相关的油气井。
S200、根据所述区域信息在预先建立的油气田知识图谱中查找与所述目标地理区域相关的油气井对应的油气井节点。
其中，预设建立的油气田知识图谱中可以包括多个实体节点以及实体节点间的连线，实体节点还具有属性。实体节点间的连线可以用于标识实体间的关系。知识图谱的建立方式有多种，下面本发明示例性提供其中一种：可选的，如图2所示，油气田知识图谱的建立过程可以包括：
S210、获得油气田的探井资料。
其中，本发明可以通过多种方式获得探井资料，例如：从网络上爬取探井资料，从数据库获取探井资料，获得用户上传的探井资料等。
具体的，探井资料可以包括：结构化数据、半结构化数据和非结构化数据中的至少一种。探井资料可以包括：论文、专利、网页、书籍、百科等多种类型，本发明在此不做限定。
可选的，本发明在获得探井资料后，还可以对探井资料进行消重、消歧、去噪等处理。当然，对于PDF、图片等文档类型的探井资料，本发明还可以首先通过OCR等技术对这些文档类型的探井资料进行识别，获得这些文档类型的探井资料中的相关内容。
S220、获得与所述探井资料匹配的油气田本体库。
其中，所述油气田本体库中的本体包括：探区、远景区、探井、地层、储层、烃源岩中的至少一个。
其中，探区是进行石油地质勘探、并发现油气的区域。
远景区是具有有利的油气地质条件，可能发现油气的地区。
探井是勘探阶段所钻钻井的泛称，一般包括预探井和详探井两大类：
其中预探井是指具有先后形成次序和地质时代含义的各类层状或似层状岩石体。
详探井又称评价井(evaluation well)，是在经过预探井工作证实已有工业油、气流的地区内钻的探井，它的目的是探明油、气藏的边界，确定它的工业储量，查明油气藏地质构造特征和取得油气田开发设计所需要的参数。
地层是具有先后形成次序和地质时代含义的各类层状或似层状岩石体。地层是地球历史研究的客观载体和物质平台。构成地壳的各类层状或似层状的岩石——沉积岩(包括固结的或未固结的沉积物)、岩浆岩或变质岩都可以视为具有地层的属性，从而归入广义的地层研究范围。
储层是具有一定的储集空间(包括孔隙、缝洞)，能够聚集油、气、水等流体的岩层，又称储集层。各种岩石在一定地质和构造条件下，如具有很好生储盖组合时，常有油气聚集，其储集性能的好坏直接影响油气储量和产量。油气储层又据沉积相、岩石类型及储层物性进行分类，如海相储层、陆相储层、砂岩储层、碳酸盐岩储层、高孔高渗储层、低孔低渗储层等。中国含油气盆地储层的岩石类型是丰富的，有陆相碎屑岩储层，包括砂岩、砾岩甚至泥岩，一般以砂质岩为主，如克拉玛依油田及渤海湾盆地有砾岩储层，二连盆地白垩系巴彦花组、松辽盆地青山口组、冀中廊固凹陷中岔口、柳泉地区有泥岩裂缝储油。
烃源岩在地质历史时期中曾经生成过烃类的岩石，又称生油气母岩。由各类烃源岩间夹储集岩组成的一套岩层称为烃源岩层，一般情况下也称烃源岩。根据烃源岩中有机质的性质和母质来源的不同，可将烃源岩进一步划分为不同类型：如在强还原条件下，母源前身物以低等水生生物—藻类为主的烃源岩生烃潜力较大，且以生油为主，一般为腐泥型(Ⅰ型)烃源岩；如母源前身物以高等植物为主，生烃潜力较小，且以生气为主，这类烃源岩一般为腐殖型(Ⅲ型)烃源岩。
所述探区的属性包括：勘探时间、探区面积、探区目标地层中的至少一个；
和/或，所述远景区的属性包括：地理位置、地层、沉积环境、地质构造中的至少一个；
和/或，所述探井的属性包括：井名、井口坐标、主要目的层、是否见油气显示、钻遇地层中的至少一个；
和/或，所述地层的属性包括：地层名称、地层主要岩性、地层厚度、地层孔隙度、地层渗透率、地层小层数、地层表述、取芯情况中的至少一个；
和/或，所述储层的属性包括：饱和度、含油厚度、储层面积、储层深度中的至少一个；
和/或，所述烃源岩的属性包括：岩性、厚度、成熟度、生烃指数中的至少一个。
图3示出了本发明实施例提供的一种油气田本体库的示意图。
图3中的箭头及“包含”代表着各箭头相连接的两个本体节点间的关系。例如：探区包含探井，探井包含地层，地层包含储层。具体的，图3中的各本体节点还可以具有属性，当用户点击图3中的一个本体节点时，该本体节点的属性将显示出来。图4示出了图3中各本体节点的属性都显示时的示意图，需要说明的一点是，各本体节点的属性可以不同时显示出来。
本发明的油气田本体库对油气田本体间的关系以及油气田本体的属性都进行了设置，这样就可以根据该油气田本体库从探井资料中抽取与所述油气田本体库中各本体匹配的实体知识点并依据该油气田本体库构建实体库，该实体库即为油气田知识图谱。
S230、从所述探井资料中抽取与所述油气田本体库中各本体匹配的实体知识点。
具体的，本发明可以通过多种方式从所述探井资料中抽取与所述油气田本体库中各本体匹配的实体知识点，例如：通过与油气田本体库中各本体匹配的正则表达式从探井资料中抽取实体知识点。当然，本发明还可以利用自然语言处理技术和深度学习技术来从探井资料中抽取实体知识点，本发明在此不做限定。例如，对格式相对规整的钻井Word文档，可以利用正则表达式构建实体知识点抽取规则，将探井的井名、井口坐标、主要目的层、是否见油气显示、钻遇地层、钻探目的等参数值抽取出来。再如：利用深度学习技术结合自然语言处理技术，可以抽取探井的地层的属性，如地层厚度、地层孔隙度、地层渗透率、地层小层数、地层表述、取芯情况等信息。
可选的，在抽取实体知识点后，可以对实体知识点进行数据清洗等处理，也可以进行人工审核和校验，以提高实体知识点的质量。
S240、根据所述实体知识点构建三元组。
其中，三元组可以有多种形式，如：实体——关系——实体；实体——属性——属性值。为方便理解，下面对步骤S240构建的部分三元组进行举例说明：设步骤S240构建的三元组包括：探区1——包含——探井1；探区1——包含——探井2；探井1——包含——地层1；地层1——厚度——500；探井1——位置——位置1。
S250、根据所述三元组建立包含与所述三元组对应的实体节点以及连线的油气田知识图谱。
可选的，本发明可以按照油气田本体库将步骤S240构建的三元组转换为油气田知识图谱中的实体节点、连线、属性等，从而建立包含与所述三元组对应的实体节点以及连线的油气田知识图谱。
对于图3所示的油气田本体库，本发明可以获得如图5所示的油气田知识图谱，图5中实体节点的属性未显示，当用户点击一个实体节点时，该实体节点的属性将显示出来。当两个不同的探井都具有某个地层时，可以为每个探井建立该探井的地层节点，同时通过携带有探井信息的节点名称来区分各地层节点。如图5所示，探井2和探井1都包含地层2和地层1，则可以为探井2建立一个名称为“井2地层1”的地层节点以及一个名称为“井2地层2”的地层节点。相应的，为探井1建立一个名称为“井1地层1”的地层节点以及一个名称为“井1地层2”的地层节点。
需要说明的一点是，图3至图5为了方便起见，仅示意出部分本体、实体，在实际应用中，可以建立更多类型和数量的本体和实体，本发明在此不做限定。
S300、获得查找到的所述油气井节点的属性信息，其中，所述属性信息至少包括：地理位置和地层厚度。
其中，地理位置可以为盆地(如塔里木盆地、渤海湾盆地等)、地质构造单元(如塔里木盆地库车坳陷、渤海湾盆地黄骅坳陷等)、油气田(如塔中4油田、濮城油田等)、经纬度、行政区标识等。
S400、根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测。
可以理解的是，在获得相关油气井节点的地理位置和地层厚度后，就可以对油气井节点周围的地层厚度进行预测。可选的，本发明可以对目标地理区域内的一定数量的位置点的地层厚度进行预测。这些位置点至少与目标地理区域内的一个油气井的距离小于预设距离。在实际应用中，这些位置点中的至少部分位置点可以为油气井之间的井间位置点。
其中，步骤S400可以具体包括：
将获得的所述属性信息输入预先建立的地层厚度预测模型中，获得所述地层厚度预测模型输出的至少一个位置点的地层厚度的估计值。
可选的，所述至少一个位置点为油气井之间的井间位置点。
其中，地层厚度预测模型可以为人工神经网络(Artificial Neural Network，ANN)模型，也可以为其他类型的机器学习模型。
可选的，在本发明其他实施例中，所述地层厚度预测模型的建立过程可以包括：
获得至少包含有油气井的地理位置和地层厚度的油气井材料；
控制地层厚度初始预测模型对所述油气井材料进行机器学习，使所述地层厚度初始预测模型转变为地层厚度预测模型。
其中，所述地层厚度初始预测模型和所述地层厚度预测模型的输入均至少包括油气井的地理位置，所述地层厚度初始预测模型和所述地层厚度预测模型的输出均至少包括位置点的地层厚度。
可选的，本发明在获得地层厚度预测模型后，可以使用用于衡量模型的油气井材料来确定地层厚度预测模型的误差是否满足预设的误差要求。
上述用于衡量模型的油气井材料未被所述地层厚度预测模型学习过，且少包含有油气井的地理位置和地层厚度。上述误差可以包括：平均绝对值误差(MAE，Mean AbsoluteError)、平均平方和误差(MSE，Mean Square Error)、中位数绝对值误差(MedAE，MedianAbsolute Error)中的至少一种。上述预设的误差要求可以为地层厚度预测模型的误差小于对应的误差阈值。具体的，各种误差对应的误差阈值可以相同，也可以不同。
当地层厚度预测模型的误差不满足预设的误差要求时，可以控制地层厚度预测模型对未学习过的油气井材料进行机器学习，然后再次进行误差是否满足预设的误差要求的判断。
当地层厚度预测模型的误差满足预设的误差要求时，再根据地层厚度预测模型进行地层厚度预测。
其中，地层厚度可以作为油气井材料的标注。
在本发明其他实施例中，步骤S400可以包括：
按照预设距离在所述目标地理区域内确定多个位置点，其中，任意两个所述位置点的距离为所述预设距离；
根据获得的所述属性信息对各所述位置点的地层厚度进行预测。
理论上，本发明可以预测目标地理区域内的所有位置点的地层厚度。但在实际应用中，本发明可以仅预测目标地理区域内的部分位置点的地层厚度。通过上述预设距离的限制，本发明按照该预设距离来间隔各位置点，从而预测得到分布均匀的多个位置点的地层厚度。
进一步，本发明还可以通过图形展示各所述位置点的地层厚度的估计值。
通过图形展示，可以形象的体现各位置点的地层厚度。具体的图形展示方式(2维、3维等)和效果有多种，本发明在此不做限定。图6示出了本发明实施例提供的一种通过2维展示方式进行的图形展示的效果示意图。图6中根据油气井001和油气井002的位置和A层至D层的地层厚度，可以预测位置点1至位置点6中各位置点的地层厚度。当然，图6中各位置点的地层厚度仅为示意，并不代表实际的预测值和油气井的地层厚度的大小、比例关系等。
在实际应用中，本发明还可以根据获得的各地层厚度的估计值，绘制各位置点的等厚线图，这样，可以通过等厚线图来图形展示各位置点的地层厚度的估计值。等厚线图(isopach map)又称等厚图，它可以将地层的厚度变化，用等厚线表现在地图上。
当然，本发明还可以通过连井剖面图、构造剖面图等图形来展示各所述位置点的地层厚度的估计值。
可选的，在本发明其他实施例中，步骤S400可以包括：
使用克里金插值法对获得的所述属性信息进行计算，获得所述目标地理区域内的地层厚度的预测值。
其中，克里金插值法是一种对空间场进行预测的模型，它将空间场视为随机过程(stochastic process)的推广，即随机场(random field)。具体而言，若对指数集有随机过程且为一拓扑空间(topological space)，则被称为随机场。克里金插值法中随机场所对应的指数集通常为地理坐标，而随机场内每一个点的测度都是一个随机变量，服从特定的概率分布。根据地理学第一定律，地理空间上的所有值都是互相联系的，且距离近的值具有更强的联系。
本发明提供的地层厚度预测方法，可以获得需预测地层厚度的目标地理区域的区域信息；根据所述区域信息在预先建立的油气田知识图谱中查找与所述目标地理区域相关的油气井对应的油气井节点；获得查找到的所述油气井节点的属性信息，其中，所述属性信息至少包括：地理位置和地层厚度；根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测。本发明实现了通过油气田知识图谱对地层厚度进行预测，可以在不增加探井数量的前提下获得更多的地层厚度，可以使得后续的勘探和生产更加的科学可靠。
与上述方法实施例相对应，如图7所示，本发明实施例还提供了一种地层厚度预测装置，可以包括：信息获得单元100、节点查找单元200、属性获得单元300和厚度预测单元400，
所述信息获得单元100，用于获得需预测地层厚度的目标地理区域的区域信息；
所述节点查找单元200，用于根据所述区域信息在预先建立的油气田知识图谱中查找与所述目标地理区域相关的油气井对应的油气井节点；
所述属性获得单元300，用于获得查找到的所述油气井节点的属性信息，其中，所述属性信息至少包括：地理位置和地层厚度；
所述厚度预测单元400，用于根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测。
可选的，所述厚度预测单元400具体用于：
将获得的所述属性信息输入预先建立的地层厚度预测模型中，获得所述地层厚度预测模型输出的至少一个位置点的地层厚度的估计值，所述至少一个位置点为油气井之间的井间位置点。
可选的，图7所示装置还可以包括：用于建立所述地层厚度预测模型的模型建立单元，所述模型建立单元包括：材料获得单元和机器学习单元，
所述材料获得单元，用于获得至少包含有油气井的地理位置和地层厚度的油气井材料；
所述机器学习单元，用于控制地层厚度初始预测模型对所述油气井材料进行机器学习，使所述地层厚度初始预测模型转变为地层厚度预测模型。
可选的，所述厚度预测单元400具体用于：
按照预设距离在所述目标地理区域内确定多个位置点，其中，任意两个所述位置点的距离为所述预设距离；根据获得的所述属性信息对各所述位置点的地层厚度进行预测。
可选的，图7所示装置还可以包括：图形展示单元，用于通过图形展示各所述位置点的地层厚度的估计值。
可选的，图7所示装置还可以包括：用于建立所述油气田知识图谱的图谱建立单元，所述图谱建立单元包括：探井获得单元、本体获得单元、知识抽取单元、三元组构建单元和图谱绘制单元，
所述探井获得单元，用于获得油气田的探井资料；
所述本体获得单元，用于获得与所述探井资料匹配的油气田本体库；
所述知识抽取单元，用于从所述探井资料中抽取与所述油气田本体库中各本体匹配的实体知识点；
所述三元组构建单元，用于根据所述实体知识点构建三元组；
所述图谱绘制单元，用于根据所述三元组建立包含与所述三元组对应的实体节点以及连线的油气田知识图谱。
可选的，所述油气田本体库中的本体包括：探区、远景区、探井、地层、储层、烃源岩中的至少一个；
所述探区的属性包括：勘探时间、探区面积、探区目标地层中的至少一个；
和/或，所述远景区的属性包括：地理位置、地层、沉积环境、地质构造中的至少一个；
和/或，所述探井的属性包括：井名、井口坐标、主要目的层、是否见油气显示、钻遇地层中的至少一个；
和/或，所述地层的属性包括：地层名称、地层主要岩性、地层厚度、地层孔隙度、地层渗透率、地层小层数、地层表述、取芯情况中的至少一个；
和/或，所述储层的属性包括：饱和度、含油厚度、储层面积、储层深度中的至少一个；
和/或，所述烃源岩的属性包括：岩性、厚度、成熟度、生烃指数中的至少一个。
可选的，所述厚度预测单元400具体用于：
使用克里金插值法对获得的所述属性信息进行计算，获得所述目标地理区域内的地层厚度的预测值。
本发明提供的地层厚度预测装置，可以获得需预测地层厚度的目标地理区域的区域信息；根据所述区域信息在预先建立的油气田知识图谱中查找与所述目标地理区域相关的油气井对应的油气井节点；获得查找到的所述油气井节点的属性信息，其中，所述属性信息至少包括：地理位置和地层厚度；根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测。本发明实现了通过油气田知识图谱对地层厚度进行预测，可以在不增加探井数量的前提下获得更多的地层厚度，可以使得后续的勘探和生产更加的科学可靠。
所述地层厚度预测装置包括处理器和存储器，上述信息获得单元、节点查找单元、属性获得单元和厚度预测单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来进行地层厚度预测。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述地层厚度预测方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述地层厚度预测方法。
如图8所示，本发明实施例提供了一种设备70，设备70包括至少一个处理器701、以及与处理器701连接的至少一个存储器702、总线703；其中，处理器701、存储器702通过总线703完成相互间的通信；处理器701用于调用存储器702中的程序指令，以执行上述的地层厚度预测方法。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
获得需预测地层厚度的目标地理区域的区域信息；
根据所述区域信息在预先建立的油气田知识图谱中查找与所述目标地理区域相关的油气井对应的油气井节点；
获得查找到的所述油气井节点的属性信息，其中，所述属性信息至少包括：地理位置和地层厚度；
根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测。
可选的，所述根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测，包括：
将获得的所述属性信息输入预先建立的地层厚度预测模型中，获得所述地层厚度预测模型输出的至少一个位置点的地层厚度的估计值，所述至少一个位置点为油气井之间的井间位置点。
可选的，所述地层厚度预测模型的建立过程包括：
获得至少包含有油气井的地理位置和地层厚度的油气井材料；
控制地层厚度初始预测模型对所述油气井材料进行机器学习，使所述地层厚度初始预测模型转变为地层厚度预测模型。
可选的，所述根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测，包括：
按照预设距离在所述目标地理区域内确定多个位置点，其中，任意两个所述位置点的距离为所述预设距离；
根据获得的所述属性信息对各所述位置点的地层厚度进行预测。
可选的，还包括：
通过图形展示各所述位置点的地层厚度的估计值。
可选的，所述油气田知识图谱的建立过程包括：
获得油气田的探井资料；
获得与所述探井资料匹配的油气田本体库；
从所述探井资料中抽取与所述油气田本体库中各本体匹配的实体知识点；
根据所述实体知识点构建三元组；
根据所述三元组建立包含与所述三元组对应的实体节点以及连线的油气田知识图谱。
可选的，所述根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测，包括：
使用克里金插值法对获得的所述属性信息进行计算，获得所述目标地理区域内的地层厚度的预测值。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
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。
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。
以上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 (10)
1.一种地层厚度预测方法，其特征在于，包括：
获得需预测地层厚度的目标地理区域的区域信息；
根据所述区域信息在预先建立的油气田知识图谱中查找与所述目标地理区域相关的油气井对应的油气井节点；
获得查找到的所述油气井节点的属性信息，其中，所述属性信息至少包括：地理位置和地层厚度；
根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测。
2.根据权利要求1所述的方法，其特征在于，所述根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测，包括：
将获得的所述属性信息输入预先建立的地层厚度预测模型中，获得所述地层厚度预测模型输出的至少一个位置点的地层厚度的估计值。
3.根据权利要求2所述的方法，其特征在于，所述地层厚度预测模型的建立过程包括：
获得至少包含有油气井的地理位置和地层厚度的油气井材料；
控制地层厚度初始预测模型对所述油气井材料进行机器学习，使所述地层厚度初始预测模型转变为地层厚度预测模型。
4.根据权利要求1所述的方法，其特征在于，所述根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测，包括：
按照预设距离在所述目标地理区域内确定多个位置点，其中，任意两个所述位置点的距离为所述预设距离；
根据获得的所述属性信息对各所述位置点的地层厚度进行预测。
5.根据权利要求2至4中任一项所述的方法，其特征在于，还包括：
通过图形展示各所述位置点的地层厚度的估计值。
6.根据权利要求1所述的方法，其特征在于，所述油气田知识图谱的建立过程包括：
获得油气田的探井资料；
获得与所述探井资料匹配的油气田本体库；
从所述探井资料中抽取与所述油气田本体库中各本体匹配的实体知识点；
根据所述实体知识点构建三元组；
根据所述三元组建立包含与所述三元组对应的实体节点以及连线的油气田知识图谱。
7.根据权利要求1所述的方法，其特征在于，所述根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测，包括：
使用克里金插值法对获得的所述属性信息进行计算，获得所述目标地理区域内的地层厚度的预测值。
8.一种地层厚度预测装置，其特征在于，包括：信息获得单元、节点查找单元、属性获得单元和厚度预测单元，
所述信息获得单元，用于获得需预测地层厚度的目标地理区域的区域信息；
所述节点查找单元，用于根据所述区域信息在预先建立的油气田知识图谱中查找与所述目标地理区域相关的油气井对应的油气井节点；
所述属性获得单元，用于获得查找到的所述油气井节点的属性信息，其中，所述属性信息至少包括：地理位置和地层厚度；
所述厚度预测单元，用于根据获得的所述属性信息对所述目标地理区域内的地层厚度进行预测。
9.一种设备，其特征在于，包括：至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1至7任一项所述的地层厚度预测方法。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1至7任一项所述的地层厚度预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911398920.2A CN111472763B (zh) | 2019-12-30 | 2019-12-30 | 地层厚度预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911398920.2A CN111472763B (zh) | 2019-12-30 | 2019-12-30 | 地层厚度预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111472763A true CN111472763A (zh) | 2020-07-31 |
| CN111472763B CN111472763B (zh) | 2020-11-06 |
Family
ID=71746293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911398920.2A Active CN111472763B (zh) | 2019-12-30 | 2019-12-30 | 地层厚度预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111472763B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240771A (zh) * | 2021-05-27 | 2021-08-10 | 广东省地震局 | 一种地层等厚线图的自动生成方法及装置 |
| CN113297803A (zh) * | 2021-06-17 | 2021-08-24 | 东北石油大学 | 一种油气产量智能模拟预估方法和系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080091634A1 (en) * | 2006-10-15 | 2008-04-17 | Lisa Seeman | Content enhancement system and method and applications thereof |
| CN102222277A (zh) * | 2011-05-19 | 2011-10-19 | 中国地质大学（武汉） | 一种基于油气成藏过程模拟的圈闭自动评价系统和方法 |
| CN102721979A (zh) * | 2012-06-27 | 2012-10-10 | 中国石油天然气股份有限公司 | 一种基于地震资料的薄层自动解释及厚度预测方法和装置 |
| RU2573264C1 (ru) * | 2014-05-13 | 2016-01-20 | Открытое акционерное общество "Нефтяная компания "Роснефть" | Аппаратно-программный комплекс для управления инновационным развитием предприятия в сфере добычи и переработки нефти |
| CN106353820A (zh) * | 2015-07-17 | 2017-01-25 | 中国石油化工股份有限公司 | 一种基于知识模型的测井解释方法 |
| CN106483562A (zh) * | 2016-09-28 | 2017-03-08 | 中国海洋石油总公司 | 一种基于地震振幅预测地层厚度变化的方法 |
| CN106761718A (zh) * | 2015-11-24 | 2017-05-31 | 中国石油化工股份有限公司 | 确定中深层油藏动用厚度界限的新方法 |
| CN107450100A (zh) * | 2016-06-01 | 2017-12-08 | 中国石油化工股份有限公司 | 薄储层厚度预测方法及装置 |
| CN108519998A (zh) * | 2018-03-07 | 2018-09-11 | 北京云知声信息技术有限公司 | 基于知识图谱的问题引导方法及装置 |
| CN110264014A (zh) * | 2019-06-27 | 2019-09-20 | 北京中油瑞飞信息技术有限责任公司 | 一种预测老井产油量的方法及装置 |
| CN110412662A (zh) * | 2019-06-27 | 2019-11-05 | 中国石油化工股份有限公司 | 基于地震多属性深度学习的薄互层储层预测方法 |
-
2019
- 2019-12-30 CN CN201911398920.2A patent/CN111472763B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080091634A1 (en) * | 2006-10-15 | 2008-04-17 | Lisa Seeman | Content enhancement system and method and applications thereof |
| CN102222277A (zh) * | 2011-05-19 | 2011-10-19 | 中国地质大学（武汉） | 一种基于油气成藏过程模拟的圈闭自动评价系统和方法 |
| CN102721979A (zh) * | 2012-06-27 | 2012-10-10 | 中国石油天然气股份有限公司 | 一种基于地震资料的薄层自动解释及厚度预测方法和装置 |
| RU2573264C1 (ru) * | 2014-05-13 | 2016-01-20 | Открытое акционерное общество "Нефтяная компания "Роснефть" | Аппаратно-программный комплекс для управления инновационным развитием предприятия в сфере добычи и переработки нефти |
| CN106353820A (zh) * | 2015-07-17 | 2017-01-25 | 中国石油化工股份有限公司 | 一种基于知识模型的测井解释方法 |
| CN106761718A (zh) * | 2015-11-24 | 2017-05-31 | 中国石油化工股份有限公司 | 确定中深层油藏动用厚度界限的新方法 |
| CN107450100A (zh) * | 2016-06-01 | 2017-12-08 | 中国石油化工股份有限公司 | 薄储层厚度预测方法及装置 |
| CN106483562A (zh) * | 2016-09-28 | 2017-03-08 | 中国海洋石油总公司 | 一种基于地震振幅预测地层厚度变化的方法 |
| CN108519998A (zh) * | 2018-03-07 | 2018-09-11 | 北京云知声信息技术有限公司 | 基于知识图谱的问题引导方法及装置 |
| CN110264014A (zh) * | 2019-06-27 | 2019-09-20 | 北京中油瑞飞信息技术有限责任公司 | 一种预测老井产油量的方法及装置 |
| CN110412662A (zh) * | 2019-06-27 | 2019-11-05 | 中国石油化工股份有限公司 | 基于地震多属性深度学习的薄互层储层预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 穆龙新等: "中国石油海外油气田开发技术进展与发展方向", 《石油勘探与开发》 * |
| 高建祎等: "海上油气业务智能化发展趋势分析", 《海洋工程装备与技术》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240771A (zh) * | 2021-05-27 | 2021-08-10 | 广东省地震局 | 一种地层等厚线图的自动生成方法及装置 |
| CN113240771B (zh) * | 2021-05-27 | 2021-12-07 | 广东省地震局 | 一种地层等厚线图的自动生成方法及装置 |
| CN113297803A (zh) * | 2021-06-17 | 2021-08-24 | 东北石油大学 | 一种油气产量智能模拟预估方法和系统 |
| CN113297803B (zh) * | 2021-06-17 | 2022-12-06 | 东北石油大学 | 一种油气产量智能模拟预估方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111472763B (zh) | 2020-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Al-qaness et al. | Modified aquila optimizer for forecasting oil production | |
| Pyrcz et al. | Geostatistical reservoir modeling | |
| Bruna et al. | A new methodology to train fracture network simulation using multiple-point statistics | |
| Soleimani et al. | Integrated petrophysical modeling for a strongly heterogeneous and fractured reservoir, Sarvak Formation, SW Iran | |
| Colombera et al. | The Shallow-Marine Architecture Knowledge Store: a database for the characterization of shallow-marine and paralic depositional systems | |
| Trabelsi et al. | GIS-based subsurface databases and 3-D geological modeling as a tool for the set up of hydrogeological framework: Nabeul–Hammamet coastal aquifer case study (Northeast Tunisia) | |
| CN111472763B (zh) | 地层厚度预测方法及装置 | |
| Abbas et al. | Clustering analysis and flow zone indicator for electrofacies characterization in the upper shale member in Luhais Oil Field, Southern Iraq | |
| CN109613623B (zh) | 一种基于残差网络的岩性预测方法 | |
| Obidegwu et al. | Seismic assisted history matching using binary image matching | |
| CN113033648A (zh) | 一种使用机器学习算法实现测井解释的方法 | |
| CN113608265A (zh) | 一种基于深度混合神经网络的储层预测方法 | |
| Lipinski et al. | Reservoir analog model for oolite-microbialite sequences, Miocene terminal carbonate complex, Spain | |
| Zakirov et al. | Optimal control of field development in a closed loop | |
| Liu et al. | Identification of tight sandstone reservoir lithofacies based on CNN image recognition technology: A case study of Fuyu reservoir of Sanzhao Sag in Songliao Basin | |
| Ferrer et al. | Modeling the uncertainty in the layout of geological units by implicit boundary simulation accounting for a preexisting interpretive geological model | |
| Dubois et al. | Multiscale geologic and petrophysical modeling of the giant Hugoton gas field (Permian), Kansas and Oklahoma, USA | |
| Jiang et al. | Effects of fault activities on hydrocarbon migration and accumulation in the Zhu I Depression, Pearl River Mouth Basin, South China Sea | |
| Iltaf et al. | Facies and petrophysical modeling of Triassic Chang 6 tight sandstone reservoir, Heshui oil field, Ordos basin, China | |
| Massonnat | Can we sample the complete geological uncertainty space in reservoir-modeling uncertainty estimates? | |
| Huang et al. | A comprehensive machine learning approach for quantitatively analyzing development performance and optimization for a heterogeneous carbonate reservoir in Middle East | |
| Wong | A novel technique for modeling fracture intensity: A case study from the Pinedale anticline in Wyoming | |
| Llamas et al. | Pre-injection phase: Site selection and characterization | |
| CN106504107A (zh) | 一种确定油层射孔层位的方法及装置 | |
| Ottesen et al. | Investigating the effect of varying fault geometry and transmissibility on recovery: Using a new workflow for structural uncertainty modeling in a clastic reservoir |
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 |