CN111894563B - 潜山段中裂缝型储层的分类确定方法及系统 - Google Patents
潜山段中裂缝型储层的分类确定方法及系统 Download PDFInfo
- Publication number
- CN111894563B CN111894563B CN201910367837.2A CN201910367837A CN111894563B CN 111894563 B CN111894563 B CN 111894563B CN 201910367837 A CN201910367837 A CN 201910367837A CN 111894563 B CN111894563 B CN 111894563B
- Authority
- CN
- China
- Prior art keywords
- data
- reservoir
- seismic
- target reservoir
- top surface
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 60
- 206010017076 Fracture Diseases 0.000 claims description 84
- 208000010392 Bone Fractures Diseases 0.000 claims description 83
- 239000011435 rock Substances 0.000 claims description 44
- 238000010276 construction Methods 0.000 claims description 38
- 238000011161 development Methods 0.000 claims description 37
- 210000003462 vein Anatomy 0.000 claims description 32
- 238000004088 simulation Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000007621 cluster analysis Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 238000009826 distribution Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000009499 grossing Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005755 formation reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 229910052631 glauconite Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000004058 oil shale Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000012546 transfer Methods 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
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
本申请提供一种潜山段中裂缝型储层的分类确定方法及系统,通过测井数据与地震数据,得到目标储层特征相关的地震属性数据和顶面构造特征,结合分类神经网络准确确定复杂裂缝型储层油藏的分类信息,进而准确知晓全区储层的分类划分情况,方便指导后续的井位部署和油藏的开采,具有推广意义。
Description
技术领域
本申请涉及石油勘探技术领域,更具体的,涉及一种潜山段中裂缝型储层的分类确定方法及系统。
背景技术
对于高成熟度勘探开发阶段的油田,油藏评价的目标也逐步由浅层的碎屑岩油藏转向深层的潜山油藏,潜山油藏勘探开发逐渐成为油田增储上产的重要领域。裂缝是潜山油藏的主要储集空间,潜山勘探以裂缝性油藏为主要目标,但是其油藏的复杂性对油藏评价造成了较大困难。
潜山油藏为裂缝型储层,油藏受控于裂缝发育状况。据统计,在基潜山储层中发现了大量的脉岩伴生,脉岩与围岩在岩性、物性有较大的差别。侵入岩体与构造应力密切相关,虽然岩脉侵入后裂缝被填充,但岩脉发育区的岩层在后期构造应力作用下更易形成裂缝,形成了有利的油气运移通道和储集空间。
由于裂缝型储层的复杂性,目前没有一项技术能有效确定潜山有效储层的分布规律。
发明内容
有鉴于此,为了解决目前尚未出现能够有效确定潜山有效储层的分布规律,本申请提供一种潜山段中裂缝型储层的分类确定方法、系统、电子设备及可读介质,通过测井与地震资料,获取潜山顶面构造特征及地震属性,完成潜山内部岩脉的追踪;根据潜山顶面构造特征进行数值模拟,得到地下裂缝发育参数;按照单井初期产能数据,将潜山储层进行分类,利用神经网络将单井数据与分类结果进行样本学习;将区域地震属性聚类加权结果、岩脉厚度值、裂缝发育特征结果输入神经网络,得到全区储层分类划分。
本申请第一方面实施例提供一种潜山段中裂缝型储层的分类确定方法,包括:
从目标储层的地震数据中提取出与目标储层特征相关的地震属性数据;所述目标储层为潜山段中裂缝型储层;
根据目标储层的测井数据和地震数据,确定所述目标储层的顶面构造特征;
基于所述地震属性数据和所述顶面构造特征,结合预设的分类神经网络得到目标储层的储层分类信息。
在某些实施例中,所述根据目标储层的测井数据和地震数据,确定所述目标储层的顶面构造特征,包括:
从测井数据中获取单井地层及联井地层的层位信息,执行层位对比和井震标定操作,获得目标储层顶面和内部岩脉顶面在地震剖面中对应的地震同相轴;
对所述地震同相轴进行层位追踪,并结合所述测井数据和地震数据建立区域速度场,从所述区域速度场中获取所述目标储层的顶面构造特征。
在某些实施例中,基于所述地震属性数据和所述顶面构造特征,结合预设的分类神经网络得到待确定储层的储层分类信息,包括:
对所述地震属性数据进行聚类分析,得到地震属性加权叠加数据;
对所述地震属性进行反演解释操作,得到潜山段中侵入岩的岩脉顶面位置、底面位置以及时间厚度,并结合所述区域速度场,获得目标储层内部岩脉的厚度数据;
对所述目标储层构造特征进行数值模拟,得到地下裂缝发育参数;
将所述地震属性加权叠加数据、所述厚度数据以及所述地下裂缝发育参数输入所述分类神经网络,输出所述储层分类信息。
在某些实施例中,所述地下裂缝发育参数包括:工区裂缝孔隙度和裂缝方向值;所述对所述目标储层构造特征进行数值模拟,得到地下裂缝发育参数,包括:
对测井数据中的单井成像进行岩性解释,得到目标储层的裂缝孔隙度和裂缝方向值;
对所述目标储层的顶面构造特征进行构造解释,根据所述构造解释的结果,以潜山油层段时长为时间窗口,计算整个工区的目标储层顶面的单井地震属性数据;
将单井地震属性数据分别与目标储层的裂缝孔隙度和裂缝方向值进行交会分析,得到裂缝孔隙度和裂缝方向值的交会图;
根据所述交会图计算每种属性数据在裂缝孔隙度和裂缝方向值上的相关度,并筛选出相关度高于设定阈值的属性数据;
利用所述交会图拟合筛选的所述属性数据与裂缝孔隙度以及裂缝方向的相关关系,生成相关关系模型;
获取潜山段内所有与筛选的属性数据类型相同的工区属性数据,并输入至所述相关关系模型,输出得到整个工区的裂缝孔隙度和裂缝方向值。
在某些实施例中,所述方法还包括:
建立所述分类神经网络;
将已投产的多个单井的所述地震属性加权叠加数据、所述厚度数据、所述地下裂缝发育参数、以及储层分类信息作为训练样本,训练所述分类神经网络。
在某些实施例中,所述地震属性数据包括:
地震反射振幅数据、地震频率数据、地震相位数据、地震能量数据。
在某些实施例中,所述单井地震属性数据包括:目标储层的顶面相干体、曲率数据、倾角数据、频率衰减数据和频散数据。
本申请第二方面实施例提供一种潜山段中裂缝型储层的分类确定系统,包括:
地震属性数据提取模块,从目标储层的地震数据中提取出与目标储层特征相关的地震属性数据;所述目标储层为潜山段中裂缝型储层;
顶面构造特征确定模块,根据目标储层的测井数据和地震数据,确定所述目标储层的顶面构造特征;
储层分类模块,基于所述地震属性数据和所述顶面构造特征,结合预设的分类神经网络得到目标储层的储层分类信息。
在某些实施例中,所述顶面构造特征确定模块,包括:
地震同相轴获取单元,从测井数据中获取单井地层及联井地层的层位信息,执行层位对比和井震标定操作,获得目标储层顶面和内部岩脉顶面在地震剖面中对应的地震同相轴;
地震同相轴追踪单元,对所述地震同相轴进行层位追踪,并结合所述测井数据和地震数据建立区域速度场,从所述区域速度场中获取所述目标储层的顶面构造特征。
在某些实施例中,所述储层分类模块,包括:
聚类分析单元,对所述地震属性数据进行聚类分析,得到地震属性加权叠加数据;
反演解释单元,对所述地震属性进行反演解释操作,得到潜山段中侵入岩的岩脉顶面位置、底面位置以及时间厚度,并结合所述区域速度场,获得目标储层内部岩脉的厚度数据;
数值模拟单元,对所述目标储层构造特征进行数值模拟,得到地下裂缝发育参数;
储层分类信息输出单元,将所述地震属性加权叠加数据、所述厚度数据以及所述地下裂缝发育参数输入所述分类神经网络,输出所述储层分类信息。
在某些实施例中,所述地下裂缝发育参数包括:工区裂缝孔隙度和裂缝方向数据;所述数值模拟单元,包括:
岩性解释单元,对测井数据中的单井成像进行岩性解释,得到目标储层的裂缝孔隙度和裂缝方向值;
构造解释单元,对所述目标储层的顶面构造特征进行构造解释,根据所述构造解释的结果,以潜山油层段时长为时间窗口,计算整个工区的目标储层顶面的单井地震属性数据;
交会分析单元,将单井地震属性数据分别与目标储层的裂缝孔隙度和裂缝方向值进行交会分析,得到裂缝孔隙度和裂缝方向值的交会图;
属性数据筛选单元,根据所述交会图计算每种属性数据在裂缝孔隙度和裂缝方向值上的相关度,并筛选出相关度高于设定阈值的属性数据;
相关关系模型生成单元,利用所述交会图拟合筛选的所述属性数据与裂缝孔隙度以及裂缝方向的相关关系,生成相关关系模型;
工区计算单元,获取潜山段内所有与筛选的属性数据类型相同的工区属性数据,并输入至所述相关关系模型,输出得到整个工区的裂缝孔隙度和裂缝方向值。
在某些实施例中,所述系统还包括:
分类神经网络建立模块,建立所述分类神经网络;
分类神经网络训练模块,将已投产的多个单井的所述地震属性加权叠加数据、所述厚度数据、所述地下裂缝发育参数、以及储层分类信息作为训练样本,训练所述分类神经网络。
在某些实施例中,所述地震属性数据包括:
地震反射振幅数据、地震频率数据、地震相位数据、地震能量数据。
在某些实施例中,所述单井地震属性数据包括:目标储层的顶面相干体、曲率数据、倾角数据、频率衰减数据和频散数据。
本申请第三方面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上述潜山段中裂缝型储层的分类确定方法的步骤。
本申请第四方面实施例提供一种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潜山段中裂缝型储层的分类确定方法的步骤。
本申请有益效果如下:
本申请提供一种潜山段中裂缝型储层的分类确定方法、系统、电子设备及可读介质,通过测井数据与地震数据,得到目标储层特征相关的地震属性数据和顶面构造特征,结合分类神经网络能够准确确定油藏复杂的裂缝型储层的分类信息,进而准确知晓全区储层的分类划分情况,方便指导后续的井位部署和储层油藏的开采,具有推广意义。
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的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请实施例中一种潜山段中裂缝型储层的分类确定方法的流程示意图。
图2示出了本申请实施例中图1的步骤S200的具体流程示意图。
图3示出了本申请实施例中图1的步骤S300的具体流程示意图。
图4示出了本申请实施例中图3的步骤S303的具体流程示意图。
图5示出了本申请实施例中潜山段中裂缝型储层的分类确定方法进一步包括的步骤流程示意图。
图6示出了本申请实施例中井震标定识别目标储层顶面与层位解释的示意图。
图7示出了本申请实施例中属性聚类分析示意图。
图8示出了本申请实施例中岩脉厚度与产量统计平面图。
图9示出了本申请实施例中裂缝孔隙度与裂缝方向属性图。
图10a示出了本申请实施例中单井A岩性识别与产量关系示意图。
图10b示出了本申请实施例中单井B岩性识别与产量关系示意图。
图10c示出了本申请实施例中单井C岩性识别与产量关系示意图。
图10d示出了本申请实施例中单井D岩性识别与产量关系示意图。
图11示出了本申请实施例中油藏分类平面示意图。
图12示出了本申请实施例中一种潜山段中裂缝型储层的分类确定方法的流程示意图之一。
图13示出了本申请实施例中图12中顶面构造特征确定模块200的具体结构示意图。
图14示出了本申请实施例中图12中储层分类模块300的具体结构示意图。
图15示出了本申请实施例中图14中数值模拟单元303的具体结构示意图。
图16示出了本申请实施例中一种潜山段中裂缝型储层的分类确定方法的流程示意图之二。
图17示出了PNN神经网络结构原理示意图。
图18示出适于用来实现本申请实施例的电子设备的结构示意图。
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,所描述的实施例仅仅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。
由于裂缝型储层的复杂性,目前没有一项技术能有效确定潜山有效储层的分布规律。
有鉴于此,本申请综合运用测井岩性划分、地震属性分析、岩脉厚度识别等技术手段,结合神经网络,对裂缝型油气藏进行有效分类。具体通过测井与地震资料,获取潜山顶面构造特征及地震属性,完成潜山内部岩脉的追踪;根据潜山顶面构造特征进行数值模拟,得到地下裂缝发育参数;按照单井初期产能数据,将潜山储层进行分类,利用神经网络将单井数据与分类结果进行样本学习;将区域地震属性聚类加权结果、岩脉厚度值、裂缝发育特征结果输入神经网络,得到全区储层分类划分,能够准确知晓全区储层的分类划分情况,方便指导后续的井位部署和储层油藏的开采,具有推广意义。
下面请结合附图对本申请的实施例进行详细说明。
如图1所示,本申请第一方面实施例提供一种潜山段中裂缝型储层的分类确定方法,包括:
S100:从目标储层的地震数据中提取出与目标储层特征相关的地震属性数据;所述目标储层为潜山段中裂缝型储层;
S200:根据目标储层的测井数据和地震数据,确定所述目标储层的顶面构造特征;
S300:基于所述地震属性数据和所述顶面构造特征,结合预设的分类神经网络得到目标储层的储层分类信息。
本方面提供的潜山段中裂缝型储层的分类确定方法,通过测井数据与地震数据,得到目标储层特征相关的地震属性数据和顶面构造特征,结合分类神经网络能够准确确定油藏复杂的裂缝型储层的分类信息,进而准确知晓全区储层的分类划分情况,方便指导后续的井位部署和储层油藏的开采,具有推广意义。
本实施例中,与目标储层特征相关的地震属性数据是指能够表征目标储层的属性数据,例如地震反射振幅、地震频率、地震相位、地震能量等地震属性数据。
在一些具体实施例中,如图2所示,步骤S200具体包括:
S201:从测井数据中获取单井地层及联井地层的层位信息,执行层位对比和井震标定操作,获得目标储层顶面和内部岩脉顶面在地震剖面中对应的地震同相轴;
S202:对所述地震同相轴进行层位追踪,并结合所述测井数据和地震数据建立区域速度场,从所述区域速度场中获取所述目标储层的顶面构造特征。
具体的,在步骤S201中,如图6所示,图6为获得的地震同相轴,但地震同相轴无法直接使用,利用研究区17口井的取心资料,结合录井资料和测井曲线,观察和识别潜山段的岩性成分,统计潜山各井钻遇各种岩性的厚度,在井震联合标定的基础上完成全区潜山顶面的层位追踪,如图中通过上述层位追踪,识别出S3底、油页岩以及太古界潜山顶的三个岩层的层位信息。
进一步的,步骤S202中,如图6所示,根据单井与地震的在时间域的标定成果,得到单井的时深关系。将共区内所有井时深关系进行插值,得到工区的区域速度场。地震同相轴解释得出的高低关系可以转化为深度上的构造形态。
此外,在一些实施例中,如图3所示,步骤S300具体包括:
S301:对所述地震属性数据进行聚类分析,得到地震属性加权叠加数据;
S302:对所述地震属性进行反演解释操作,得到潜山段中侵入岩的岩脉顶面位置、底面位置以及时间厚度,并结合所述区域速度场,获得目标储层内部岩脉的厚度数据;
S303:对所述目标储层构造特征进行数值模拟,得到地下裂缝发育参数;
S304:将所述地震属性加权叠加数据、所述厚度数据以及所述地下裂缝发育参数输入所述分类神经网络,输出所述储层分类信息。
图7示出了属性聚类分析的示意图,如图7所示,本实施例中,步骤S301对提取的与储层特征相关的地震反射振幅、频率、相位、能量等地震属性进行聚类分析,得到属性加权叠加数据。其中,深色区域代表储层物性较差区域,浅色区域代表储层物性较好区域。
然后利用反演资料,拾取侵入岩岩脉顶底并计算时间厚度,根据建立区域速度场,获得潜山内部岩脉厚度数据。图8示出了岩脉厚度与产量统计平面示意图,反演数据可以得到岩脉时间域的分布情况,包括厚度和范围,通过对岩脉顶、底界面的追踪,获取岩脉在的时间厚度。利用区域速度场,得到岩脉在空间上的厚度。图8中颜色代表反演得到的岩脉厚度值,颜色范围代表岩脉的分布范围,颜色越浅岩脉厚度越薄,颜色越深代表岩脉厚度越厚。从图8中可以发现,高产井(扇形浅色面积大的井)位于岩脉中等厚度的位置。
数值模拟即将储层的构造特征数值化处理,所述地下裂缝发育参数包括:工区裂缝孔隙度和裂缝方向值,在一实施例中,如图4所示,步骤S303具体包括:
S331:对测井数据中的单井成像进行岩性解释,得到目标储层的裂缝孔隙度和裂缝方向值;
S332:对所述目标储层的顶面构造特征进行构造解释,根据所述构造解释的结果,以潜山油层段时长为时间窗口,计算整个工区的目标储层顶面的单井地震属性数据;
S333:将单井地震属性数据分别与目标储层的裂缝孔隙度和裂缝方向值进行交会分析,得到裂缝孔隙度和裂缝方向值的交会图;
S334:根据所述交会图计算每种属性数据在裂缝孔隙度和裂缝方向值上的相关度,并筛选出相关度高于设定阈值的属性数据;
S335:利用所述交会图拟合筛选的所述属性数据与裂缝孔隙度以及裂缝方向的相关关系,生成相关关系模型;
S336:获取潜山段内所有与筛选的属性数据类型相同的工区属性数据,并输入至所述相关关系模型,输出得到整个工区的裂缝孔隙度和裂缝方向值。
具体的,岩性解释包括两部分内容,一是地震地层学解释,即根据地震剖面特征、结构来划分沉积层序,分析沉积岩相和沉积环境;二是地震岩性学解释,提取一系列地震属性参数,并综合利用地质、钻井、测井资料,研究特定地层的岩性、厚度分布、孔隙度、流体性质等。
本申请属于地震岩性学解释,充分利用地震数据、测井数据和岩心分析化验数据。利用属性分析手段得到目的层的属性,将属性与单井裂缝孔隙度和裂缝方向值进行拟合,计算目标储层的裂缝孔隙度和裂缝方向值。
构造解释即利用反射波旅行时、速度等信息,查明地下地层的构造形态、埋藏深度、接触关系等。构造解释中主要运用地震数据、单井坐标及井轨迹数据、测井数据。1是利用单井及联井剖面确定潜山面的位置。2是进行井震标定,将井的时深关系与地震相匹配,并得到区域速度场。3是对单井潜山面在地震轴上对应的位置进行层位解释。4是利用区域速度场进行时深转换,得到构造解释成果。
步骤S333中,利用成像测井等资料得到单井潜山储层段的裂缝孔隙度和裂缝方向,根据潜山顶界面构造解释结果,以潜山油层段时间长度为时窗,计算全区的相干、曲率、方位角、倾角、频散和衰减等属性。提取井旁道的相干、曲率、方位角、倾角、频散和衰减等属性,将其分别与裂缝孔隙度和裂缝方向进行二维交会,得到裂缝孔隙度和裂缝方向值的交会图。图9示出了裂缝孔隙度和裂缝方向值的交会图,结合图9可以知晓,图9中短虚线代表裂缝的密度和方向,短虚线越密集裂缝越发育,断续线的防线为裂缝方向。
在步骤S334中,根据图10a至图10d所示的单井A、B、C以及D岩性与产量的关系示意图。图10a至图10d中A、B、C、D井投产时间均大于3年。其中B、C井高产(累产油大于1万吨),灰绿岩岩脉在顶部发育;A、D井低产(累产油小于5000万吨),说明灰绿岩对于单井产量及储层分类具有一定指示作用。图10a至图10d中,RS为浅侧向电阻率,RT为深侧向电阻率(侧向测井),RL3D为深三侧向电阻率(侧向测井),RL3S为浅三侧向电阻率(侧向测井),AC为声波时差(声波测井),DEN为沿层密度(密度测井),CN为中子密度(中子测井)。
经过步骤S334后,利用交会图拟合属性与裂缝孔隙度、裂缝方向之间的相关关系模型,确定关系式参数,进而得到拟合关系式,即生成了相关关系模块。然后将工区计算的属性值带入到拟合关系式中,得到全区的裂缝孔隙度值和裂缝方向值。
最后将所述地震属性加权叠加数据、所述厚度数据、所述地下裂缝发育参数输入分类神经网络中,分类神经网络模型可以是预先建立神经网络,例如该分类神经网络可以是PNN神经网络,下面以PNN神经网络为例进行说明。
PNN神经网络(Probabilistic Neural Networks)是结构简单,应用广泛的神经网络,可以利用Matalab提供的newpnn函数进行相关的网络设计。
在一实施例中,如图5所示,本申请的上述方法还包括:
S001:建立所述分类神经网络;
S002:将已投产的多个单井的所述地震属性加权叠加数据、所述厚度数据、所述地下裂缝发育参数、以及储层分类信息作为训练样本,训练所述分类神经网络。
下面对本申请的上述建立步骤和训练步骤进行详细说明。
概率神经网络(Probabilistic Neural Networks,PNN)是由D.F.Specht在1990年提出的。主要思想是用贝叶斯决策规则,即错误分类的期望风险最小,在多维输入空间内分离决策空间。它是一种基于统计原理的人工神经网络,它是以Parzen窗口函数为激活函数的一种前馈网络模型。
概率神经网络PNN是径向基网络的一个分支,是前馈网络的一种。它是一种有监督的网络的分类器,基于概率统计思想,由Bayes分类规则构成,采用Parzen窗函数密度估计方法估算条件概率,进行分类模式识别。
PNN的结构模型如图17,共分四层:输入层、样本层(又称模式层)、求和层和决策层(又称竞争层输出层)。对应网络输入X=[x1,x2,…xm]T,其输出为Y=[y1,y2,…,yL]T,输入向量为m,待匹配的类别数为L。
在PNN的神经网络模型中,输入层中的神经元数目等于学习样本中输入向量的m,各神经元是简单的分布单元,直接将输入变量传递给样本层。
样本层的节点数由输入样本和待匹配类别的乘积决定,为m×L。样本层是将输入节点传来的输入进行加权求和,然后经过一个激活函数运算后,再传给求和层。这里激活函数采用高斯函数,则输出为:
θi=exp(-∑(||x-ci||2/2σi 2))
式中ci为径向基函数的中心,σi表示特性函数第i个分量对弈的开关参数。些层中每个节点均为RBF的中心,采用的特性函数为径向基函数—高斯函数,计算未知模式与标准模式间相似度。
求和层各单元只与相应类别的模式单元相连,各单元只依据Parzen方法求和估计各类的概率,即其条件概率为:
式中Ci为类别,X为识别样本,Xi为类别i的模式样本(在概率神经网络中做为权值),m为向量维数,σ为平滑参数,n为类i的模式样本数量。先验概率记为P(X)。
决策层节点数等于待匹配类别数,为L。根据各类对输入向量概率的估计,采用Bayes分类规则,选择出具有最小“风险”的类别,即具有最大后验概率的类别,可用下式来表达其决策方法对所有i≠j,
P(X|Ci)P(Ci)>P(X/CjP(Cj))
则输出y(X)=Ci。
与其它方法相比较,PNN不需进行多次充分的计算,就能稳定收敛于Bayes优化解。在训练模式样本一定的情况下,只需进行平滑因子的调节,网络收敛快。平滑因子值的大小决定了模式样本点之间的影响程度,关系到概率密度分布函数的变化。通常,网络只要求经验地给定一个平滑因子。
基于PNN网络,首先获取已投产的其中一个单井的所述地震属性加权叠加数据、所述厚度数据、所述地下裂缝发育参数、以及储层分类信息作为一个样本数据,用于PNN网络的训练和测试,例如选取30个样本数据作为训练和测试,其中20个样本数据用于训练,10个样本数据用于测试。如图11所示,以储层的分类类型作为期望输出矢量,数据结果分为一、二两类,一类区代表高产区(累产油大于>1万吨),二类区代表低产区(累产油<1万吨)。
将各层神经元间的连接权值代回网络中,对训练样本进行回归模拟;当训练样本的期望值输出与PNN网络的仿真输出完全重合时,这说明网络已训练成功,可用来预测未知样本的类别。输出网络训练结束后,输出层各节点和输入模式类的特定关系已确定,因此可用作分类器,当输入一个未知的储层的地震属性加权叠加数据、所述厚度数据以及所述地下裂缝发育参数后,训练完成的PNN网络将对输入自动进行分类。
当然,本申请虽然仅仅详细列举出PNN神经网络,但是可以知晓,其他神经网络也同样可以实现本申请,例如RBF、卷积神经网络等等均可以用于本申请中,在此不予赘述。
通过上述实施例的描述可以知晓,本申请提供的潜山段中裂缝型储层的分类确定方法,通过测井数据与地震数据,得到目标储层特征相关的地震属性数据和顶面构造特征,结合分类神经网络能够准确确定油藏复杂的裂缝型储层的分类信息,进而准确知晓全区储层的分类划分情况,方便指导后续的井位部署和储层油藏的开采,具有推广意义。
基于与上述方法相同的发明构思,本申请第二方面提供一种潜山段中裂缝型储层的分类确定系统,如图12所示,包括:
地震属性数据提取模块100,从目标储层的地震数据中提取出与目标储层特征相关的地震属性数据;所述目标储层为潜山段中裂缝型储层;
顶面构造特征确定模块200,根据目标储层的测井数据和地震数据,确定所述目标储层的顶面构造特征;
储层分类模块300,基于所述地震属性数据和所述顶面构造特征,结合预设的分类神经网络得到目标储层的储层分类信息。
基于与上述方法相同的发明构思,一实施例中,如图13所示,所述顶面构造特征确定模块200,包括:
地震同相轴获取单元201,从测井数据中获取单井地层及联井地层的层位信息,执行层位对比和井震标定操作,获得目标储层顶面和内部岩脉顶面在地震剖面中对应的地震同相轴;
地震同相轴追踪单元202,对所述地震同相轴进行层位追踪,并结合所述测井数据和地震数据建立区域速度场,从所述区域速度场中获取所述目标储层的顶面构造特征。
基于与上述方法相同的发明构思,一实施例中,如图14所示,所述储层分类模块300,包括:
聚类分析单元301,对所述地震属性数据进行聚类分析,得到地震属性加权叠加数据;
反演解释单元302,对所述地震属性进行反演解释操作,得到潜山段中侵入岩的岩脉顶面位置、底面位置以及时间厚度,并结合所述区域速度场,获得目标储层内部岩脉的厚度数据;
数值模拟单元303,对所述目标储层构造特征进行数值模拟,得到地下裂缝发育参数;
储层分类信息输出单元304,将所述地震属性加权叠加数据、所述厚度数据以及所述地下裂缝发育参数输入所述分类神经网络,输出所述储层分类信息。
一实施例中,所述地下裂缝发育参数包括:工区裂缝孔隙度和裂缝方向数据;如图15所示,所述数值模拟单元,,包括:
岩性解释单元331,对测井数据中的单井成像进行岩性解释,得到目标储层的裂缝孔隙度和裂缝方向值;
构造解释单元332,对所述目标储层的顶面构造特征进行构造解释,根据所述构造解释的结果,以潜山油层段时长为时间窗口,计算整个工区的目标储层顶面的单井地震属性数据;
交会分析单元333,将单井地震属性数据分别与目标储层的裂缝孔隙度和裂缝方向值进行交会分析,得到裂缝孔隙度和裂缝方向值的交会图;
属性数据筛选单元334,根据所述交会图计算每种属性数据在裂缝孔隙度和裂缝方向值上的相关度,并筛选出相关度高于设定阈值的属性数据;
相关关系模型生成单元335,利用所述交会图拟合筛选的所述属性数据与裂缝孔隙度以及裂缝方向的相关关系,生成相关关系模型;
工区计算单元336,获取潜山段内所有与筛选的属性数据类型相同的工区属性数据,并输入至所述相关关系模型,输出得到整个工区的裂缝孔隙度和裂缝方向值。
进一步的,如图16所示,所述系统还包括:
分类神经网络建立模块001,建立所述分类神经网络;
分类神经网络训练模块002,将已投产的多个单井的所述地震属性加权叠加数据、所述厚度数据、所述地下裂缝发育参数、以及储层分类信息作为训练样本,训练所述分类神经网络。
可以理解,本申请提供的潜山段中裂缝型储层的分类确定系统,通过测井数据与地震数据,得到目标储层特征相关的地震属性数据和顶面构造特征,结合分类神经网络能够准确确定油藏复杂的裂缝型储层的分类信息,进而准确知晓全区储层的分类划分情况,方便指导后续的井位部署和储层油藏的开采,具有推广意义。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式,参见图18,所述电子设备具体包括如下内容:
处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604;
其中,所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信;
所述处理器601用于调用所述存储器602中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
S100:从目标储层的地震数据中提取出与目标储层特征相关的地震属性数据;所述目标储层为潜山段中裂缝型储层;
S200:根据目标储层的测井数据和地震数据,确定所述目标储层的顶面构造特征;
S300:基于所述地震属性数据和所述顶面构造特征,结合预设的分类神经网络得到目标储层的储层分类信息。
基于与上述方法实施例相同的技术构思,本申请提供的电子设备,也应当具有相对于的技术效果,在此不予赘述。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
S100:从目标储层的地震数据中提取出与目标储层特征相关的地震属性数据;所述目标储层为潜山段中裂缝型储层;
S200:根据目标储层的测井数据和地震数据,确定所述目标储层的顶面构造特征;
S300:基于所述地震属性数据和所述顶面构造特征,结合预设的分类神经网络得到目标储层的储层分类信息。
基于与上述方法实施例相同的技术构思,本申请提供的计算机可读存储介质,也应当具有相对于的技术效果,在此不予赘述。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。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、产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、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。本发明是参照根据本发明实施例的方法、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。本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例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,本说明书实施例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。本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已,并不用于限制本说明书实施例。对于本领域技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的权利要求范围之内。
Claims (10)
1.一种潜山段中裂缝型储层的分类确定方法,其特征在于,包括:
从目标储层的地震数据中提取出与目标储层特征相关的地震属性数据;所述目标储层为潜山段中裂缝型储层;
根据目标储层的测井数据和地震数据,确定所述目标储层的顶面构造特征;
基于所述地震属性数据和所述顶面构造特征,结合预设的分类神经网络得到目标储层的储层分类信息;
所述根据目标储层的测井数据和地震数据,确定所述目标储层的顶面构造特征,包括:
从测井数据中获取单井地层及联井地层的层位信息,执行层位对比和井震标定操作,获得目标储层顶面和内部岩脉顶面在地震剖面中对应的地震同相轴;
对所述地震同相轴进行层位追踪,并结合所述测井数据和地震数据建立区域速度场,从所述区域速度场中获取所述目标储层的顶面构造特征;
基于所述地震属性数据和所述顶面构造特征,结合预设的分类神经网络得到待确定储层的储层分类信息,包括:
对所述地震属性数据进行聚类分析,得到地震属性加权叠加数据;
对所述地震属性进行反演解释操作,得到潜山段中侵入岩的岩脉顶面位置、底面位置以及时间厚度,并结合所述区域速度场,获得目标储层内部岩脉的厚度数据;
对所述目标储层构造特征进行数值模拟,得到地下裂缝发育参数;
将所述地震属性加权叠加数据、所述厚度数据以及所述地下裂缝发育参数输入所述分类神经网络,输出所述储层分类信息;
所述地下裂缝发育参数包括:工区裂缝孔隙度和裂缝方向值;所述对所述目标储层构造特征进行数值模拟,得到地下裂缝发育参数,包括:
对测井数据中的单井成像进行岩性解释,得到目标储层的裂缝孔隙度和裂缝方向值;
对所述目标储层的顶面构造特征进行构造解释,根据所述构造解释的结果,以潜山油层段时长为时间窗口,计算整个工区的目标储层顶面的单井地震属性数据;
将单井地震属性数据分别与目标储层的裂缝孔隙度和裂缝方向值进行交会分析,得到裂缝孔隙度和裂缝方向值的交会图;
根据所述交会图计算每种属性数据在裂缝孔隙度和裂缝方向值上的相关度,并筛选出相关度高于设定阈值的属性数据;
利用所述交会图拟合筛选的所述属性数据与裂缝孔隙度以及裂缝方向的相关关系,生成相关关系模型;
获取潜山段内所有与筛选的属性数据类型相同的工区属性数据,并输入至所述相关关系模型,输出得到整个工区的裂缝孔隙度和裂缝方向值。
2.根据权利要求1所述的分类确定方法,其特征在于,所述方法还包括:
建立所述分类神经网络;
将已投产的多个单井的所述地震属性加权叠加数据、所述厚度数据、所述地下裂缝发育参数、以及储层分类信息作为训练样本,训练所述分类神经网络。
3.根据权利要求1所述的分类确定方法,其特征在于,所述地震属性数据包括:
地震反射振幅数据、地震频率数据、地震相位数据、地震能量数据。
4.根据权利要求1所述的分类确定方法,其特征在于,所述单井地震属性数据包括:目标储层的顶面相干体、曲率数据、倾角数据、频率衰减数据和频散数据。
5.一种潜山段中裂缝型储层的分类确定系统,其特征在于,包括:
地震属性数据提取模块,从目标储层的地震数据中提取出与目标储层特征相关的地震属性数据;所述目标储层为潜山段中裂缝型储层;
顶面构造特征确定模块,根据目标储层的测井数据和地震数据,确定所述目标储层的顶面构造特征;
储层分类模块,基于所述地震属性数据和所述顶面构造特征,结合预设的分类神经网络得到目标储层的储层分类信息;
所述顶面构造特征确定模块,包括:
地震同相轴获取单元,从测井数据中获取单井地层及联井地层的层位信息,执行层位对比和井震标定操作,获得目标储层顶面和内部岩脉顶面在地震剖面中对应的地震同相轴;
地震同相轴追踪单元,对所述地震同相轴进行层位追踪,并结合所述测井数据和地震数据建立区域速度场,从所述区域速度场中获取所述目标储层的顶面构造特征;
所述储层分类模块,包括:
聚类分析单元,对所述地震属性数据进行聚类分析,得到地震属性加权叠加数据;
反演解释单元,对所述地震属性进行反演解释操作,得到潜山段中侵入岩的岩脉顶面位置、底面位置以及时间厚度,并结合所述区域速度场,获得目标储层内部岩脉的厚度数据;
数值模拟单元,对所述目标储层构造特征进行数值模拟,得到地下裂缝发育参数;
储层分类信息输出单元,将所述地震属性加权叠加数据、所述厚度数据以及所述地下裂缝发育参数输入所述分类神经网络,输出所述储层分类信息;
所述地下裂缝发育参数包括:工区裂缝孔隙度和裂缝方向数据;所述数值模拟单元,包括:
岩性解释单元,对测井数据中的单井成像进行岩性解释,得到目标储层的裂缝孔隙度和裂缝方向值;
构造解释单元,对所述目标储层的顶面构造特征进行构造解释,根据所述构造解释的结果,以潜山油层段时长为时间窗口,计算整个工区的目标储层顶面的单井地震属性数据;
交会分析单元,将单井地震属性数据分别与目标储层的裂缝孔隙度和裂缝方向值进行交会分析,得到裂缝孔隙度和裂缝方向值的交会图;
属性数据筛选单元,根据所述交会图计算每种属性数据在裂缝孔隙度和裂缝方向值上的相关度,并筛选出相关度高于设定阈值的属性数据;
相关关系模型生成单元,利用所述交会图拟合筛选的所述属性数据与裂缝孔隙度以及裂缝方向的相关关系,生成相关关系模型;
工区计算单元,获取潜山段内所有与筛选的属性数据类型相同的工区属性数据,并输入至所述相关关系模型,输出得到整个工区的裂缝孔隙度和裂缝方向值。
6.根据权利要求5所述的分类确定系统,其特征在于,所述系统还包括:
分类神经网络建立模块,建立所述分类神经网络;
分类神经网络训练模块,将已投产的多个单井的所述地震属性加权叠加数据、所述厚度数据、所述地下裂缝发育参数、以及储层分类信息作为训练样本,训练所述分类神经网络。
7.根据权利要求5所述的分类确定系统,其特征在于,所述地震属性数据包括:
地震反射振幅数据、地震频率数据、地震相位数据、地震能量数据。
8.根据权利要求5所述的分类确定系统,其特征在于,所述单井地震属性数据包括:目标储层的顶面相干体、曲率数据、倾角数据、频率衰减数据和频散数据。
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权利要求1至4任一项所述的潜山段中裂缝型储层的分类确定方法的步骤。
10.一种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权利要求1至4任一项所述的潜山段中裂缝型储层的分类确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910367837.2A CN111894563B (zh) | 2019-05-05 | 2019-05-05 | 潜山段中裂缝型储层的分类确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910367837.2A CN111894563B (zh) | 2019-05-05 | 2019-05-05 | 潜山段中裂缝型储层的分类确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111894563A CN111894563A (zh) | 2020-11-06 |
CN111894563B true CN111894563B (zh) | 2023-04-25 |
Family
ID=73169181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910367837.2A Active CN111894563B (zh) | 2019-05-05 | 2019-05-05 | 潜山段中裂缝型储层的分类确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111894563B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110596166A (zh) * | 2019-09-11 | 2019-12-20 | 西京学院 | 一种油气储集空间类型及其含量的识别方法 |
CN112502701B (zh) * | 2020-12-14 | 2022-03-29 | 西南石油大学 | 一种低渗透储层综合地质-工程的分类评价方法 |
CN115680593A (zh) * | 2021-07-30 | 2023-02-03 | 中国石油天然气股份有限公司 | 火山油藏裂缝集中发育区的预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033242A (zh) * | 2010-10-22 | 2011-04-27 | 中国石油化工股份有限公司 | 一种深层倾斜裂缝储层地震振幅预测方法 |
CN103472484A (zh) * | 2013-09-18 | 2013-12-25 | 西南石油大学 | 基于rs三维敏感地震属性分析的水平井轨迹优化方法 |
CN104992468A (zh) * | 2015-07-30 | 2015-10-21 | 中国石油集团川庆钻探工程有限公司 | 缝洞型碳酸盐岩油气藏三维地质建模方法 |
WO2016041189A1 (zh) * | 2014-09-19 | 2016-03-24 | 杨顺伟 | 一种评价页岩气储层及寻找甜点区的方法 |
CN106291755A (zh) * | 2016-10-05 | 2017-01-04 | 中国地质大学(北京) | 一种隆升区低级序断层发育规律定量预测方法 |
-
2019
- 2019-05-05 CN CN201910367837.2A patent/CN111894563B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033242A (zh) * | 2010-10-22 | 2011-04-27 | 中国石油化工股份有限公司 | 一种深层倾斜裂缝储层地震振幅预测方法 |
CN103472484A (zh) * | 2013-09-18 | 2013-12-25 | 西南石油大学 | 基于rs三维敏感地震属性分析的水平井轨迹优化方法 |
WO2016041189A1 (zh) * | 2014-09-19 | 2016-03-24 | 杨顺伟 | 一种评价页岩气储层及寻找甜点区的方法 |
CN104992468A (zh) * | 2015-07-30 | 2015-10-21 | 中国石油集团川庆钻探工程有限公司 | 缝洞型碳酸盐岩油气藏三维地质建模方法 |
CN106291755A (zh) * | 2016-10-05 | 2017-01-04 | 中国地质大学(北京) | 一种隆升区低级序断层发育规律定量预测方法 |
Non-Patent Citations (1)
Title |
---|
王军等."裂缝性潜山储层地震描述技术".《石油物探》.2003,第42卷(第2期),第179-185页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111894563A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109709603B (zh) | 地震层位识别与追踪方法、系统 | |
US11520077B2 (en) | Automated reservoir modeling using deep generative networks | |
Raeesi et al. | Classification and identification of hydrocarbon reservoir lithofacies and their heterogeneity using seismic attributes, logs data and artificial neural networks | |
CN110609320B (zh) | 一种基于多尺度特征融合的叠前地震反射模式识别方法 | |
CN111894563B (zh) | 潜山段中裂缝型储层的分类确定方法及系统 | |
Brazell et al. | A machine-learning-based approach to assistive well-log correlation | |
US20060074825A1 (en) | System and method for inferring geological classes | |
CN106886043B (zh) | 基于地震数据深度学习的储层检测方法 | |
CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
CN110609327B (zh) | 基于叠前地震属性的碳酸盐岩储集相预测方法及装置 | |
Ouadfeul et al. | Lithofacies classification using the multilayer perceptron and the self-organizing neural networks | |
CN110412662A (zh) | 基于地震多属性深度学习的薄互层储层预测方法 | |
CN115220101A (zh) | 一种深层碎屑岩砂体沉积结构的建模方法 | |
Sfidari et al. | Electrofacies clustering and a hybrid intelligent based method for porosity and permeability prediction in the South Pars Gas Field, Persian Gulf | |
Hosseini et al. | A Meta attribute for reservoir permeability classification using well logs and 3D seismic data with probabilistic neural network. | |
Roberts et al. | Joint stochastic constraint of a large data set from a salt dome | |
Kuroda et al. | Analysis of porosity, stratigraphy, and structural delineation of a Brazilian carbonate field by machine learning techniques: A case study | |
CN113514884A (zh) | 一种致密砂岩储层预测方法 | |
CN114462703A (zh) | 声波参数曲线预测、测井曲线预测方法及电子设备 | |
Elons et al. | A proposed model for predicting the drilling path based on hybrid Pso-Bp neural network | |
Hou et al. | Estimation of reservoir porosity using probabilistic neural network and seismic attributes | |
Konaté et al. | Machine learning interpretation of conventional well logs in crystalline rocks | |
Nkurlu et al. | Prediction of permeability using group method of data handling (GMDH) neural network from well log data | |
CN112147679A (zh) | 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置 | |
CN117345208B (zh) | 一种压裂优势区定量表征方法、装置、电子设备及介质 |
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 |