CN111766637B - 一种致密储层岩性识别的岩性定量谱方法 - Google Patents
一种致密储层岩性识别的岩性定量谱方法 Download PDFInfo
- Publication number
- CN111766637B CN111766637B CN202010653543.9A CN202010653543A CN111766637B CN 111766637 B CN111766637 B CN 111766637B CN 202010653543 A CN202010653543 A CN 202010653543A CN 111766637 B CN111766637 B CN 111766637B
- Authority
- CN
- China
- Prior art keywords
- lithology
- different
- value
- lithologies
- logging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 30
- 239000011435 rock Substances 0.000 claims abstract description 21
- 230000000007 visual effect Effects 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 241000125175 Angelica Species 0.000 claims description 27
- 235000001287 Guettarda speciosa Nutrition 0.000 claims description 27
- 230000000694 effects Effects 0.000 claims description 14
- 235000019738 Limestone Nutrition 0.000 claims description 13
- 239000006028 limestone Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 241001637516 Polygonia c-album Species 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 210000004884 grey matter Anatomy 0.000 claims description 2
- 238000010586 diagram Methods 0.000 claims 3
- 238000012512 characterization method Methods 0.000 abstract description 2
- 238000000926 separation method Methods 0.000 abstract description 2
- 230000004069 differentiation Effects 0.000 abstract 1
- 238000003384 imaging method Methods 0.000 description 6
- 229910052500 inorganic mineral Inorganic materials 0.000 description 4
- 239000011707 mineral Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000012360 testing method 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)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Geochemistry & Mineralogy (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种致密储层岩性识别的岩性定量谱方法,包括:基于岩心、岩心分析资料及岩屑录井标定常规测井数据,找出对不同岩性敏感的测井数据,建立不同岩性的常规测井响应关系识别图版;根据不同岩性的测井响应关系与差异,结合数据分离原理,建立不同岩性的识别模型Q,实现岩性的有效区分;根据不同岩性的Q值分布区间不同,通过不同色系代表不同岩性,建立了岩性识别的单边谱和镜像谱,以直观、简洁、智能的方式实现岩性的识别与定量表征。其识别结果与岩心完全吻合,为之后致密储层参数的计算提供了直观、有效的参考依据。使用常规测井资料识别和表征岩性,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,涉及一种致密储层岩性识别的岩性定量谱方法。
背景技术
岩性决定了致密储层的好坏与开发方案差异,岩性是致密储层评价和油气藏开发的基础,岩性识别至关重要。致密储层不同于常规储层,致密储层岩性多样矿物成分复杂,包括:细砂岩、粉砂岩、泥质砂岩、砂质泥岩、泥岩、灰质泥岩、泥灰岩、泥页岩等各种岩性,矿物成分更复杂,如何有效的识别致密储层岩性是目前亟待解决的关键问题。
目前,针对致密储层岩性识别的方法大致有三类:1)通过钻井取心,进行岩心观察与岩心分析化验确定岩性和矿物组分,该方法识别岩性最为直接有效,但是钻井取心毕竟价格昂贵,取心有限,所以该方法受到很大限制。2)通过岩屑录井可以识别岩性,但岩屑录井一般每1米或2米描述一下岩性,且描述很粗、存在偏差。3)利用电成像测井资料识别岩性,电成像测井可以对井下地层进行成像,实现对岩性的识别,但是成像测井价格昂贵、资料有限,且需要岩心标定成像测井图后进行人工识别岩性,即成像测井识别岩性费钱、费时、费力且不智能。
致密储层岩性多样、矿物成分复杂,单纯采用1)所述的岩心与岩心分析资料识别岩性,虽然准确,但取心资料毕竟有效,不能全面的进行岩性识别,方法不可取,采用2)所述的岩屑录井进行岩性识别,1米识别一种岩性,识别太粗、不精细且存在深度误差,采用3)所述的成像测井资料识别岩性,效率低、费用高、代价大,资料也有限。因此,如何利用常规测井资料进行岩性的快速、有效识别,提高识别精度,进而提高测井解释的效率,具有重大意义。
发明内容
本发明针对现有技术的缺陷,提供了一种致密储层岩性识别的岩性定量谱方法,解决了现有技术中存在的缺陷。
为了实现以上发明目的,本发明采取的技术方案如下:
一种致密储层岩性识别的岩性定量谱方法,包括以下步骤:
步骤1,首先由岩心、岩心分析数据及岩屑录井数据确定的岩性,标定到对应的常规测井剖面中,统计出不同岩性的常规测井响应数据,找出不同岩性的敏感测井数据,常规测井响应数据包括:自然伽马(GR)、声波时差(AC)、密度(DEN)、补偿中子(CNL)和电阻率(RT),建立不同岩性的测井响应关系识别图版,根据不同岩性的测井响应关系识别图版,优选出对不同岩性敏感的常规测井数据,包括:自然伽马、声波时差和电阻率。
步骤2,对不同岩性敏感的测井数据自然伽马(GR)、电阻率(RT)和声波时差(AC)进行归一化:
AC归=AC/ACmax (1)
GR归=GR/GRmax (2)
logRT归=logRT/logRTmax (3)
其中,AC归为声波时差测井数据的归一化值,AC为声波时差(单位:μs/m);ACmax为处理井段声波时差的最大值(单位:μs/m);GR归为自然伽马测井数据的归一化值,GR为自然伽马(单位:API),GRmax为处理井段自然伽马的最大值(单位:API);logRT归为电阻率测井数据取对数后的归一化值,RT为电阻率(单位:Ω·m),RTmax为处理井段电阻率的最大值(单位:Ω·m)。
步骤3,发现并找出不同岩性的测井响应特征与响应差异,根据不同岩性的测井响应关系识别交会图得知:(1)不同岩性的测井响应有各自的响应区间,虽有重叠,但响应区间有明显的区分;(2)不同岩性的测井响应关系明显,即不同岩性的自然伽马与电阻率呈反相关,不同岩性的电阻率随着自然伽马的增大而降低,而不同岩性的自然伽马与声波时差呈正相关,不同岩性的声波时差随着自然伽马的增大而增大,不同岩性的声波时差与电阻率呈反相关。
步骤4,根据不同岩性的测井响应特征与响应差异,特别是不同岩性的自然伽马、电阻率和声波时差的响应关系与差异,即不同岩性的自然伽马与电阻率呈反相关、不同岩性的自然伽马与声波时差呈正相关和不同岩性的声波时差与电阻率呈反相关,建立致密储层不同岩性的识别模型来进一步区分岩性。根据响应关系与差异,结合数学数据差异的原理,建立多个岩性识别的模型Q1、Q2、Q3和Q4。
其中,Q1为岩性识别模型1,Q2为岩性识别模型2,Q3为岩性识别模型3,Q4为岩性识别模型4,AC归为声波时差测井数据的归一化值,AC为声波时差(单位:μs/m);ACmax为处理井段声波时差的最大值(单位:μs/m);GR归为自然伽马测井数据的归一化值,GR为自然伽马(单位:API),GRmax为处理井段自然伽马的最大值(单位:API);logRT归为电阻率测井数据取对数后的归一化值,RT为电阻率(单位:Ω·m),RTmax为处理井段电阻率的最大值(单位:Ω·m)。
步骤5,根据建立的岩性识别模型Q,对数据进行处理与计算,即可计算出不同岩性的Q值,按照不同岩性:灰岩、砂岩、粉砂、灰质泥岩、砂质泥岩和泥岩的Q值绘制出各岩性的Q值分布及识别效果图,得到不同岩性识别模型Q1的分布图,不同岩性识别模型Q2的分布图,不同岩性识别模型Q3的分布图,不同岩性识别模型Q4的分布图。
步骤6,对比不同岩性的Q值分布及识别效果图,找出不同岩性的Q值分布各自独立、区分最好的图,把对不同岩性最为敏感、区分度最好的识别模型Q4作为最终岩性识别的模型参数。
步骤7,分析岩性识别模型参数Q4得到每种岩性的Q值区间:灰岩Q值>1.2,泥灰岩Q值为1.2-1.1,砂岩为Q值为1.1-1,粉砂岩Q值为1-0.9,灰质泥岩为0.9-0.8,泥质粉砂岩Q值为0.8-0.6,砂质泥岩Q值为0.6-0.5,泥岩Q值<0.5,不同岩性的Q值区间不同、大小不同,泥岩的Q值最小、灰岩的Q值最大,即岩性相对好的储层Q值大,同时弱化了泥岩,也增强了视觉效果,从而对岩性进行有效识别与划分。
步骤8,为了在井中能够直观有效的区分岩性,根据不同岩性识别模型参数Q值的大小区间和分布,对不同岩性的Q值区间按颜色色系变化,实现对不同岩性的Q值区间充填不同的颜色,分别建立了岩性识别的岩性单边色系谱和岩性识别的定量镜像谱;两个谱图对应完好,实现了对致密储层不同岩性的直观、定量识别与区分。
与现有技术相比,本发明的优点在于:
1.本发明使用常规测井资料识别致密储层的岩性,大大提高了测井解释效率与精度、降低了测井解释的费用。
2.本发明使用常规测井资料建立了不同岩性的测井响应关系识别图版,不仅优先出不同岩性的敏感测井数据,而且发现不同岩性的测井响应有各自的响应区间,且测井响应关系明显,即不同岩性(灰岩、砂岩、粉砂、灰质泥岩、砂质泥岩、泥岩)的自然伽马与电阻率呈反相关,不同岩性的自然伽马与声波时差呈正相关的规律,不同岩性的声波时差与电阻率呈反相关,为岩性的定量识别奠定了基础。
3.本发明使用不同岩性的声波时差、自然伽马与电阻率之间的敏感响应关系与差异,建立了岩性识别模型Q,为致密储层岩性定量识别与其它参数的计算提供了指导性依据。
4.本发明建立了可直观识别岩性的岩性谱,应用前景十分广阔,为之后致密储层的参数计算和储层评价提供了基础、有效的评价标准。
附图说明
图1为本发明岩性定量谱方法的流程图;
图2不同岩性的测井响应剖面图;
图3不同岩性的自然伽马(GR)和电阻率(RT)测井响应关系交会图;
图4不同岩性的自然伽马(GR)和声波时差(AC)测井响应关系交会图;
图5不同岩性的声波时差(AC)和电阻率(RT)测井响应关系交会图;
图6不同岩性识别模型Q1值的分布及识别效果图;
图7不同岩性识别模型Q2值的分布及识别效果图;
图8不同岩性识别模型Q3值的分布及识别效果图;
图9不同岩性识别模型Q4值的分布及识别效果图;
图10致密储层岩性识别定量谱剖面图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下根据附图并列举实施例,对本发明做进一步详细说明。
本发明是基于岩心、岩心分析资料及岩屑录井标定常规测井数据,如图2所示,岩心、岩心分析及岩屑录井确定的岩性标定到常规测井曲线上,统计不同岩性的常规测井响应数据,找出对不同岩性敏感的测井数据,首先建立不同岩性的常规测井响应关系识别图版,如图3、图4、图5所示,反映了不同岩性的测井响应关系识别图。根据不同岩性的测井响应关系与差异,即不同岩性的自然伽马与电阻率呈反相关、自然伽马与声波时差呈正相关、声波时差与电阻率呈反相关,结合数据分离原理,其次建立不同岩性的识别模型Q,实现岩性的有效区分,如图6、图7、图8、图9所示,反映了不同岩性识别模型的效果,对比发现Q4模型识别岩性效果最好,选用Q4模型作为最终的岩性识别模型。最后根据不同岩性的Q值分布区间不同,通过不同色系代表不同岩性,建立了岩性识别的单边谱和镜像谱,图10所示,反映了不同岩性的实际识别应用效果,以直观、简洁、智能的方式实现了岩性的识别与定量表征。
如图1所示,本发明步骤如下:
步骤1,首先由岩心、岩心分析数据及岩屑录井数据确定的岩性,标定到对应的常规测井剖面中(图2),统计出不同岩性的常规测井响应数据,找出不同岩性的敏感测井数据,如自然伽马(GR)、声波时差(AC)、密度(DEN)、补偿中子(CNL)、电阻率(RT)等数据,建立不同岩性的测井响应关系识别图版(图3、图4、图5),根据不同岩性的测井响应关系识别图版,优选出对不同岩性敏感的常规测井数据,如自然伽马、声波时差和电阻率。
步骤2,对不同岩性敏感的测井数据自然伽马(GR)、电阻率(RT)和声波时差(AC)进行归一化:
AC归=AC/ACmax (1)
GR归=GR/GRmax (2)
logRT归=logRT/logRTmax (3)
其中,AC归为声波时差测井数据的归一化值,AC为声波时差(单位:μs/m);ACmax为处理井段声波时差的最大值(单位:μs/m);GR归为自然伽马测井数据的归一化值,GR为自然伽马(单位:API),GRmax为处理井段自然伽马的最大值(单位:API);logRT归为电阻率测井数据取对数后的归一化值,RT为电阻率(单位:Ω·m),RTmax为处理井段电阻率的最大值(单位:Ω·m)。
步骤3,发现并找出不同岩性的测井响应特征与响应差异,根据不同岩性的测井响应关系识别交会图得知:(1)不同岩性的测井响应有各自的响应区间,虽有重叠,但响应区间有明显的区分;(2)不同岩性的测井响应关系明显,即不同岩性(灰岩、砂岩、粉砂、灰质泥岩、砂质泥岩、泥岩)的自然伽马与电阻率呈反相关,不同岩性的电阻率随着自然伽马的增大而降低(图3),而不同岩性(灰岩、砂岩、粉砂、灰质泥岩、砂质泥岩、泥岩)的自然伽马与声波时差呈正相关,不同岩性的声波时差随着自然伽马的增大而增大(图4),不同岩性(灰岩、砂岩、粉砂、灰质泥岩、砂质泥岩、泥岩)的声波时差与电阻率呈反相关(图5)。
步骤4,根据不同岩性的测井响应特征与响应差异,特别是不同岩性的自然伽马与电阻率、自然伽马与声波时差、声波时差与电阻率三者之间的响应关系与差异,建立致密储层不同岩性的识别模型来进一步区分岩性。根据响应关系与差异,结合数学数据差异的原理,建立多个岩性识别的模型Q1、Q2、Q3和Q4。
其中,Q1为岩性识别模型1,Q2为岩性识别模型2,Q3为岩性识别模型3,Q4为岩性识别模型4,AC归为声波时差测井数据的归一化值,AC为声波时差(单位:μs/m);ACmax为处理井段声波时差的最大值(单位:μs/m);GR归为自然伽马测井数据的归一化值,GR为自然伽马(单位:API),GRmax为处理井段自然伽马的最大值(单位:API);logRT归为电阻率测井数据取对数后的归一化值,RT为电阻率(单位:Ω·m),RTmax为处理井段电阻率的最大值(单位:Ω·m)。
步骤5,根据建立的岩性识别模型Q,对数据进行处理与计算,即可计算出不同岩性的Q值,按照不同岩性(灰岩、砂岩、粉砂、灰质泥岩、砂质泥岩、泥岩)的Q值绘制出各岩性的Q值分布及识别效果图,即不同岩性识别模型Q1的分布为图6,不同岩性识别模型Q2的分布为图7,不同岩性识别模型Q3的分布为图8,不同岩性识别模型Q4的分布为图9。
步骤6,对比不同岩性的Q值分布及识别效果图(图6、7、8、9),找出对不同岩性识别效果最好的为图9,即图9中不同岩性的Q值分布各自独立、区分最好,把对不同岩性最为敏感、区分度最好的识别模型Q4作为最终岩性识别的模型参数。
步骤7,分析岩性识别模型参数Q4发现:每种岩性都有自己的Q值区间(灰岩Q值>1.2,泥灰岩Q值为1.2-1.1,砂岩为Q值为1.1-1,粉砂岩Q值为1-0.9,灰质泥岩为0.9-0.8,泥质粉砂岩Q值为0.8-0.6,砂质泥岩Q值为0.6-0.5,泥岩Q值<0.5),不同岩性(灰岩、砂岩、粉砂、灰质泥岩、砂质泥岩、泥岩)的Q值区间不同、大小不同,泥岩的Q值最小、灰岩的Q值最大,即岩性相对好的储层Q值大,同时弱化了泥岩,也增强了视觉效果,从而对岩性进行有效识别与划分。
步骤8,为了在井中能够直观有效的区分岩性,根据不同岩性识别模型参数Q值的大小区间和分布,对不同岩性的Q值区间按颜色色系变化,实现对不同岩性的Q值区间充填不同的颜色,分别建立了岩性识别的岩性单边色系谱(图10第一列)和岩性识别的定量镜像谱(图10第二列)。两个谱图对应完好,实现了对致密储层不同岩性的直观、定量识别。
实施例1
对致密储层AC、GR、RT测井数据进行归一化处理,然后将其代入Q4(式7)中,得到每个深度点的岩性参数值,根据岩性识别标准图版(图9),对不同岩性的Q值区间按颜色色系变化,实现对不同岩性的Q值区间充填不同的颜色,分别建立了岩性识别的岩性单边色系谱(图10第一列)和岩性识别的定量镜像谱(图10第二列)。
图10中左侧第一列为岩性识别参数Q4的单边色系谱,左侧第二列为岩性识别参数Q4的定量镜像谱,这两个谱完全对应,不同的谱图颜色代表了不同的岩性,即谱图的颜色和岩性一一对应,直观的谱图颜色变化代表了岩性的变化,岩性参数值Q越大、颜色越浅、谱越宽、能量越强则为较好的砂岩层,岩性参数值Q越小、颜色越深、谱越窄、能量越弱则为较差的泥岩层。其岩性识别结果与岩心完全吻合,且与常规测井数据有着高度的一致性,与原测井解释结论有着较好的对应,更为之后致密储层参数的计算提供了直观、有效的参考依据。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (1)
1.一种致密储层岩性识别的岩性定量谱方法,其特征在于,包括以下步骤:
步骤1,首先由岩心、岩心分析数据及岩屑录井数据确定的岩性,标定到对应的常规测井剖面中,统计出不同岩性的常规测井响应数据,找出不同岩性的敏感测井数据,常规测井响应数据包括:自然伽马(GR)、声波时差(AC)、密度(DEN)、补偿中子(CNL)和电阻率(RT),建立不同岩性的测井响应关系识别图版,根据不同岩性的测井响应关系识别图版,优选出对不同岩性敏感的常规测井数据,包括:自然伽马、声波时差和电阻率;根据不同岩性的敏感测井数据,发现并找出致密储层不同岩性的测井响应特征与响应差异,根据不同岩性的测井响应关系识别交会图得知:(1)不同岩性的测井响应有各自的响应区间,虽有重叠,但响应区间有明显的区分;(2)不同岩性的测井响应关系明显,即不同岩性的自然伽马与电阻率呈反相关,不同岩性的电阻率随着自然伽马的增大而降低,而不同岩性的自然伽马与声波时差呈正相关,不同岩性的声波时差随着自然伽马的增大而增大,不同岩性的声波时差与电阻率呈反相关;
步骤2,对不同岩性敏感的测井数据自然伽马(GR)、电阻率(RT)和声波时差(AC)进行归一化:
AC归=AC/ACmax (1)
GR归=GR/GRmax (2)
logRT归=logRT/logRTmax (3)
其中,AC归为声波时差测井数据的归一化值,AC为声波时差,单位:μs/m;ACmax为处理井段声波时差的最大值,单位:μs/m;GR归为自然伽马测井数据的归一化值,GR为自然伽马,单位:API,GRmax为处理井段自然伽马的最大值,单位:API;logRT归为电阻率测井数据取对数后的归一化值,RT为电阻率,单位:Ω·m,RTmax为处理井段电阻率的最大值,单位:Ω·m;
步骤3,根据不同岩性的测井响应特征与响应差异,包括不同岩性的自然伽马、电阻率和声波时差的响应关系与差异,即不同岩性的自然伽马与电阻率呈反相关、不同岩性的自然伽马与声波时差呈正相关和不同岩性的声波时差与电阻率呈反相关,建立致密储层不同岩性的识别模型来进一步区分岩性;根据响应关系与差异,结合数学数据差异的原理,建立多个岩性识别的模型Q1、Q2、Q3和Q4;
其中,Q1为岩性识别模型1,Q2为岩性识别模型2,Q3为岩性识别模型3,Q4为岩性识别模型4,AC归为声波时差测井数据的归一化值,AC为声波时差,单位:μs/m;GR归为自然伽马测井数据的归一化值,GR为自然伽马,单位:API;logRT归为电阻率测井数据取对数后的归一化值,RT为电阻率,单位:Ω·m;
步骤4,根据建立的岩性识别模型Q,对数据进行处理与计算,即可计算出不同岩性的Q值,按照不同岩性:灰岩、砂岩、粉砂、灰质泥岩、砂质泥岩和泥岩的Q值绘制出各岩性的Q值分布及识别效果图,得到不同岩性识别模型Q1的分布图,不同岩性识别模型Q2的分布图,不同岩性识别模型Q3的分布图,不同岩性识别模型Q4的分布图;
步骤5,对比不同岩性的Q值分布及识别效果图,找出不同岩性的Q值分布各自独立、区分最好的图,把对不同岩性最为敏感、区分度最好的识别模型Q4作为最终岩性识别的模型参数;
步骤6,分析岩性识别模型参数Q4得到每种岩性的Q值区间:灰岩Q值>1.2,泥灰岩Q值为1.2-1.1,砂岩为Q值为1.1-1,粉砂岩Q值为1-0.9,灰质泥岩为0.9-0.8,泥质粉砂岩Q值为0.8-0.6,砂质泥岩Q值为0.6-0.5,泥岩Q值<0.5,不同岩性的Q值区间不同、大小不同,泥岩的Q值最小、灰岩的Q值最大,即岩性相对好的储层Q值大,同时弱化了泥岩,也增强了视觉效果,从而对岩性进行有效识别与划分;
步骤7,为了在井中能够直观有效的区分岩性,根据不同岩性识别模型参数Q值的大小区间和分布,对不同岩性的Q值区间按颜色色系变化,实现对不同岩性的Q值区间充填不同的颜色,分别建立了岩性识别的岩性单边色系谱和岩性识别的定量镜像谱;两个谱图对应完好,实现了对致密储层不同岩性的直观、定量识别与区分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010653543.9A CN111766637B (zh) | 2020-07-09 | 2020-07-09 | 一种致密储层岩性识别的岩性定量谱方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010653543.9A CN111766637B (zh) | 2020-07-09 | 2020-07-09 | 一种致密储层岩性识别的岩性定量谱方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111766637A CN111766637A (zh) | 2020-10-13 |
CN111766637B true CN111766637B (zh) | 2021-10-01 |
Family
ID=72724897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010653543.9A Active CN111766637B (zh) | 2020-07-09 | 2020-07-09 | 一种致密储层岩性识别的岩性定量谱方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111766637B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112505154B (zh) * | 2020-11-11 | 2021-06-29 | 中国地质大学(北京) | 泥页岩储层矿物成分含量解析与岩相识别表征方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104914482A (zh) * | 2014-03-13 | 2015-09-16 | 中国石油化工股份有限公司 | 一种复杂砂砾岩岩相组合类型定量识别方法 |
CN106908856A (zh) * | 2017-01-19 | 2017-06-30 | 中国石油天然气股份有限公司 | 一种湖相薄层白云岩储层的地震预测方法 |
CN108303752A (zh) * | 2018-02-11 | 2018-07-20 | 中国石油化工股份有限公司 | 砂砾岩有效储层常规测井定量识别方法 |
CN110208874A (zh) * | 2018-02-28 | 2019-09-06 | 中国石油化工股份有限公司 | 一种致密砂岩油藏有效储层识别方法 |
CN111323844A (zh) * | 2020-03-14 | 2020-06-23 | 长江大学 | 一种基于曲线重构的复杂砂砾岩体的岩性识别方法及系统 |
-
2020
- 2020-07-09 CN CN202010653543.9A patent/CN111766637B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104914482A (zh) * | 2014-03-13 | 2015-09-16 | 中国石油化工股份有限公司 | 一种复杂砂砾岩岩相组合类型定量识别方法 |
CN106908856A (zh) * | 2017-01-19 | 2017-06-30 | 中国石油天然气股份有限公司 | 一种湖相薄层白云岩储层的地震预测方法 |
CN108303752A (zh) * | 2018-02-11 | 2018-07-20 | 中国石油化工股份有限公司 | 砂砾岩有效储层常规测井定量识别方法 |
CN110208874A (zh) * | 2018-02-28 | 2019-09-06 | 中国石油化工股份有限公司 | 一种致密砂岩油藏有效储层识别方法 |
CN111323844A (zh) * | 2020-03-14 | 2020-06-23 | 长江大学 | 一种基于曲线重构的复杂砂砾岩体的岩性识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
梨树断陷东南斜坡带砂砾岩岩性识别方法研究;张丽华 等;《测井技术》;20120831;第36卷(第4期);第370-372页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111766637A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9939548B2 (en) | Systems, methods, and computer medium to produce efficient, consistent, and high-confidence image-based electrofacies analysis in stratigraphic interpretations across multiple wells | |
US11385374B2 (en) | Borehole dispersive wave processing with automatic dispersion matching for compressional and shear slowness | |
AU2008288952B2 (en) | Automated borehole image interpretation | |
US11550073B2 (en) | Enhanced-resolution rock formation body wave slowness determination from borehole guided waves | |
CN111323844A (zh) | 一种基于曲线重构的复杂砂砾岩体的岩性识别方法及系统 | |
US10087723B2 (en) | Methodology for building realistic numerical forward stratigraphic models in data sparse environment | |
CN107728230B (zh) | 一种基于地球物理三联技术的岩性油藏预测方法 | |
US20220237891A1 (en) | Method and system for image-based reservoir property estimation using machine learning | |
CN107942378A (zh) | 一种河流相低含砂率储层预测方法 | |
CN108717211A (zh) | 一种少井地区的有效烃源岩丰度的预测方法 | |
US20130292111A1 (en) | Method of constructing a well log of a quantitative property from sample measurements and log data | |
CN111766637B (zh) | 一种致密储层岩性识别的岩性定量谱方法 | |
CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
WO2022159698A1 (en) | Method and system for image-based reservoir property estimation using machine learning | |
US10775525B2 (en) | Identifying and visually presenting formation slowness based on low-frequency dispersion asymptotes | |
CN115857047B (zh) | 一种地震储层综合预测方法 | |
CN113484907B (zh) | 一种预测不同类型储层平面上分布的方法 | |
CN115749755A (zh) | 岩屑地层流体性质评价方法、装置、设备及存储介质 | |
CN113514884A (zh) | 一种致密砂岩储层预测方法 | |
CN108898286B (zh) | 储层裂缝发育程度的评价方法及装置 | |
CN113204056A (zh) | 一种用于确定煤岩界面剖面分布位置的反演方法 | |
Gong et al. | Estimating net sand from borehole images in laminated deepwater reservoirs with a neural network | |
CN112505154A (zh) | 泥页岩储层矿物成分含量解析与岩相识别表征方法 | |
CN114755740A (zh) | 岩石分布确定方法、装置、设备及介质 | |
RU2183335C1 (ru) | Способ геофизической разведки для определения нефтепродуктивных типов геологического разреза |
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 |