CN111950193B - 基于储层的孔隙网络模型的建模方法及装置 - Google Patents
基于储层的孔隙网络模型的建模方法及装置 Download PDFInfo
- Publication number
- CN111950193B CN111950193B CN202010681232.3A CN202010681232A CN111950193B CN 111950193 B CN111950193 B CN 111950193B CN 202010681232 A CN202010681232 A CN 202010681232A CN 111950193 B CN111950193 B CN 111950193B
- Authority
- CN
- China
- Prior art keywords
- reservoir
- dimensional tensor
- pore
- tensor data
- frequency distribution
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于储层的孔隙网络模型的建模方法及装置,该方法包括:获取通过电成像测井得到的储层图像;根据所述储层图像获取相关长度,根据所述相关长度计算三维张量卷积核;获取核磁共振测井得到的储层的T2谱,根据所述T2谱获取孔喉半径频率分布;根据所述孔喉半径频率分布形成初始三维张量数据体;根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合储层孔喉半径频率分布的三维张量数据体;根据初始三维张量数据体构建孔隙网络模型的无序空间结构;根据所述符合储层孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型。
Description
技术领域
本公开涉及石油测井解释领域,尤其涉及石油测井解释领域中的基于储层的孔隙网络模型的建模方法及装置。
背景技术
随着油气田开发的不断深入,油气流体(尤其是低渗致密油气藏)在地下的分布情况也越来越复杂,油藏地质建模是油藏储层研究中的重要部分。现在主流的建模方法主要分为两个方面,即确定性建模与随机性建模。确定性建模是对井间未知区给出确定性的预测结果,随机性建模是应用随机模拟的方法对未知区给出多种可能的预测结果。但在某些非均质性强、特低渗致密的储层,尤其是在特征复杂,非均质性极强、溶孔发育的碳酸盐岩储层,受插值精度与方法的限制,导致分析研究方面还存在着一定的不足,某些情况下也缺乏一定的物理意义。
发明内容
本公开实施例提供了基于储层的孔隙网络模型的建模方法,包括:
获取通过电成像测井得到的储层图像;
根据所述储层图像获取相关长度,根据所述相关长度计算三维张量卷积核;其中,所述相关长度表示所述储层图像中的预选黑团的半径平均值;
获取核磁共振测井得到的储层的T2谱,根据所述T2谱获取孔喉半径频率分布;根据所述孔喉半径频率分布形成初始三维张量数据体;
根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合储层孔喉半径频率分布的三维张量数据体;
根据初始三维张量数据体构建孔隙网络模型的无序空间结构;
根据所述符合储层孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型。
一种示例性的实施例中,上述方法还具有下面特点:
所述根据所述相关长度计算三维张量卷积核,包括:
按照如下公式计算三维张量卷积核E(h):
E(h)=exp(-2h/Lc)
一种示例性的实施例中,上述方法还具有下面特点:
所述获取核磁共振测井得到的储层的T2谱,根据所述T2谱获取孔喉半径分布,包括:
获取通过核磁共振测井技术得到的所述储层的n个子储层的n个T2谱;其中,n为正整数;
对所述n个T2谱进行求和,通过预设定量关系将求和后得到的T2谱的幅度值转换成孔喉半径频率分布。
一种示例性的实施例中,上述方法还具有下面特点:
所述预设定量关系为rm=cT2m;
其中,rm为第m个孔喉半径,T2m为T2谱的第m个幅度值,c为预设的转换系数,m为正整数。
一种示例性的实施例中,上述方法还具有下面特点:
所述根据所述孔喉半径频率分布形成初始三维张量数据体,包括:
根据所述孔喉半径频率分布,通过随机函数建立三维稳定随机场,形成初始三维张量数据体;
其中,所述随机函数为如下对数正态分布随机函数:
其中,通过拟合所述孔喉半径频率分布得到数学期望μ和标准偏差σ,r表示孔喉半径。
一种示例性的实施例中,上述方法还具有下面特点:
所述根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合储层孔喉半径频率分布的三维张量数据体,包括:
将所述三维张量卷积核与所述初始三维张量数据体依次进行张量点乘,将点乘结果按照所述初始三维张量数据体中的顺序堆叠起来,生成符合储层孔喉半径频率分布的三维张量数据体。
一种示例性的实施例中,上述方法还具有下面特点:
所述根据所述初始三维张量数据体构建孔隙网络模型的无序空间结构,包括:
根据所述初始三维张量数据体的数据数量确定所述无序空间结构的节点数;
根据所述节点数以及各节点间的间隔距离L构建包含X、Y、Z三个方向的三维立方体网络;
计算所述三维立方体网络中各节点的坐标;
根据预设第一概率函数确定X方向各相邻节点之间是否有管束连通,并分配管束半径;
根据预设第二概率函数确定Y方向各相邻节点之间是否有管束连通,并分配管束半径;
通过预设规则移动各节点坐标;
根据所述三维立方体网络、确定是否有管束连通的结果、分配的管束半径和移动后的节点坐标生成无序空间结构。
一种示例性的实施例中,上述方法还具有下面特点:
所述通过预设规则移动各节点坐标包括:
按照如下公式移动各节点坐标(x,y,z):
(x,y,z)=[(i-1)L±rand()%(0.5L),(j-1)L±rand()%(0.5L),(k-1)L±rand()%(0.5L)]
其中,i为x方向的节点序号,j为y方向的节点序号,k为z方向的节点序号,i、j和k为大于0的整数,rand()%(0.5L)表示随机生成0.5L范围内的任意整数。
一种示例性的实施例中,上述方法还具有下面特点:
根据所述符合储层孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型,包括:
将所述符合储层孔喉半径频率分布的三维张量数据体依次赋值到所述无序空间结构的节点上来建立孔隙网络模型。
本公开还提供了一种基于储层的孔隙网络模型的建模装置,包括:存储器和处理器;
所述存储器,用于保存用于储层的孔隙网络模型的建模的程序;
所述处理器,用于读取执行所述用于储层的孔隙网络模型的建模的程序,执行如下的建模方法:
获取通过电成像测井得到的储层图像;
根据所述储层图像获取相关长度,根据所述相关长度计算三维张量卷积核;其中,所述相关长度表示所述储层图像中的预选黑团的半径平均值;
获取核磁共振测井得到的储层的T2谱,根据所述T2谱获取孔喉半径频率分布;根据所述孔喉半径频率分布形成初始三维张量数据体;
根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合储层孔喉半径频率分布的三维张量数据体;
根据初始三维张量数据体构建孔隙网络模型的无序空间结构;
根据所述符合储层孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型。
一种示例性的实施例中,上述装置还具有下面特点:
所述根据所述相关长度计算三维张量卷积核,包括:
按照如下公式计算三维张量卷积核E(h):
E(h)=exp(-2h/Lc)
一种示例性的实施例中,上述装置还具有下面特点:
所述获取核磁共振测井得到的储层的T2谱,根据所述T2谱获取孔喉半径分布,包括:
获取通过核磁共振测井技术得到的所述储层的n个子储层的n个T2谱;其中,n为正整数;
对所述n个T2谱进行求和,通过预设定量关系将求和后得到的T2谱的幅度值转换成孔喉半径频率分布。
一种示例性的实施例中,上述装置还具有下面特点:
所述预设定量关系为rm=cT2m;
其中,rm为第m个孔喉半径,T2m为T2谱的第m个幅度值,c为预设的转换系数,m为正整数。
一种示例性的实施例中,上述装置还具有下面特点:
所述根据所述孔喉半径频率分布形成初始三维张量数据体,包括:
根据所述孔喉半径频率分布,通过随机函数建立三维稳定随机场,形成初始三维张量数据体;
其中,所述随机函数为如下对数正态分布随机函数:
其中,通过拟合所述孔喉半径频率分布得到数学期望μ和标准偏差σ,r表示孔喉半径。
一种示例性的实施例中,上述装置还具有下面特点:
所述根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合储层孔喉半径频率分布的三维张量数据体,包括:
将所述三维张量卷积核与所述初始三维张量数据体依次进行张量点乘,将点乘结果按照所述初始三维张量数据体中的顺序堆叠起来,生成符合储层孔喉半径频率分布的三维张量数据体。
一种示例性的实施例中,上述装置还具有下面特点:
所述根据所述初始三维张量数据体构建孔隙网络模型的无序空间结构,包括:
根据所述初始三维张量数据体的数据数量确定所述无序空间结构的节点数;
根据所述节点数以及各节点间的间隔距离L构建包含X、Y、Z三个方向的三维立方体网络;
计算所述三维立方体网络中各节点的坐标;
根据预设第一概率函数确定X方向各相邻节点之间是否有管束连通,并分配管束半径;
根据预设第二概率函数确定Y方向各相邻节点之间是否有管束连通,并分配管束半径;
通过预设规则移动各节点坐标;
根据所述三维立方体网络、确定是否有管束连通的结果、分配的管束半径和移动后的节点坐标生成无序空间结构。
一种示例性的实施例中,上述装置还具有下面特点:
所述通过预设规则移动各节点坐标包括:
按照如下公式移动各节点坐标(x,y,z):
(x,y,z)=[(i-1)L±rand()%(0.5L),(j-1)L±rand()%(0.5L),(k-1)L±rand()%(0.5L)]
其中,i为x方向的节点序号,j为y方向的节点序号,k为z方向的节点序号,i、j和k为大于0的整数,rand()%(0.5L)表示随机生成0.5L范围内的任意整数。
一种示例性的实施例中,上述装置还具有下面特点:
根据所述符合储层孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型,包括:
将所述符合储层孔喉半径频率分布的三维张量数据体依次赋值到所述无序空间结构的节点上来建立孔隙网络模型。
附图说明
图1为本公开实施例的基于储层的孔隙网络模型的建模方法的示意图。
图2为本公开实施例的通过电成像测井得到的砂岩地层储层图像。
图3为本公开实施例的通过电成像测井得到的砾岩地层储层图像。
图4为本公开实施例的通过电成像测井得到的碳酸盐岩地层储层图像。
图5为卷积核示例。
图6为本公开实施例的通过核磁共振测井得到的T2谱示例。
图7为本公开实施例的孔喉半径频率分布曲线示例。
图8为公开实施例的初始三维张量数据体示例。
图9为本公开实施例的生成符合孔喉半径频率分布的三维张量数据体的示意图。
图10a为本公开实施例的有序空间结构图示例。
图10b为本公开实施例的无序空间结构图示例。
图11为本公开实施例的孔隙网络模型示例。
图12为本公开实施例的基于储层的孔隙网络模型的建模装置的示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,下文中将结合附图对本公开的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
图1为本公开实施例的基于储层的孔隙网络模型的建模方法的示意图,如图1所示,本实施例的建模方法包括:
S11、获取通过电成像测井得到的储层图像。
S12、根据储层图像获取相关长度,根据相关长度计算三维张量卷积核。
S13、获取核磁共振测井得到的储层的T2谱,根据T2谱获取孔喉半径频率分布,根据孔喉半径频率分布形成初始三维张量数据体。
S14、根据三维张量卷积核和初始三维张量数据体采用卷积神经网络正向传播算法生成符合储层孔喉半径频率分布的三维张量数据体。
S15、根据初始三维张量数据体构建孔隙网络模型的无序空间结构。
S16、根据符合储层孔喉半径频率分布的三维张量数据体和无序空间结构建立孔隙网络模型。
上述步骤中,S13可以在S11、S12之前或之后执行,可以和S11、S12并行执行;S14和S15的先后顺序不限,也可以并行执行。
一种示例性的实施例中,可以按照如下公式计算三维张量卷积核E(h):
E(h)=exp(-2h/Lc)
一种示例性的实施例中,可以获取通过核磁共振测井技术得到的所述储层的n个子储层的n个T2谱;其中,n为正整数;对所述n个T2谱进行求和,通过预设定量关系将求和后得到的T2谱的幅度值转换成孔喉半径频率分布。
一种示例性的实施例中,所述预设定量关系可以为rm=cT2m;
其中,rm为第m个孔喉半径,T2m为T2谱的第m个幅度值,c为预设的转换系数,m为正整数。
一种示例性的实施例中,可以根据所述孔喉半径频率分布,通过随机函数建立三维稳定随机场,形成初始三维张量数据体;
其中,所述随机函数为如下对数正态分布随机函数:
其中,通过拟合所述孔喉半径频率分布得到数学期望μ和标准偏差σ,r表示孔喉半径。
一种示例性的实施例中,可以将所述三维张量卷积核与所述初始三维张量数据体依次进行张量点乘,将点乘结果按照所述初始三维张量数据体中的顺序堆叠起来,生成符合储层孔喉半径频率分布的三维张量数据体。
一种示例性的实施例中,可以根据所述初始三维张量数据体的数据数量确定所述无序空间结构的节点数;
根据所述节点数以及各节点间的间隔距离L构建包含X、Y、Z三个方向的三维立方体网络;
计算所述三维立方体网络中各节点的坐标;
根据预设第一概率函数确定X方向各相邻节点之间是否有管束连通,并分配管束半径;
根据预设第二概率函数确定Y方向各相邻节点之间是否有管束连通,并分配管束半径;
通过预设规则移动各节点坐标;
根据所述三维立方体网络、确定是否有管束连通的结果、分配的管束半径和移动后的节点坐标生成无序空间结构。
一种示例性的实施例中,可以按照如下公式移动各节点坐标(x,y,z):
(x,y,z)=[(i-1)L±rand()%(0.5L),(j-1)L±rand()%(0.5L),(k-1)L±rand()%(0.5L)]
其中,i为x方向的节点序号,j为y方向的节点序号,k为z方向的节点序号,i、j和k为大于0的整数,rand()%(0.5L)表示随机生成0.5L范围内的任意整数。
一种示例性的实施例中,可以将所述符合储层孔喉半径频率分布的三维张量数据体依次赋值到所述无序空间结构的节点上来建立孔隙网络模型。
图2为本公开实施例的通过电成像测井得到的砂岩地层储层图像。图3为本公开实施例的通过电成像测井得到的砾岩地层储层图像,图4为本公开实施例的通过电成像测井得到的碳酸盐岩地层储层图像。上述三例地层(即储层)的厚度均为0.5m。图中的某些黑团用圆圈圈出。若干个黑团的半径的平均值为相关长度Lc。Lc的值可通过ImageJ进行识别并测量,不需要识别每个黑团,只需要抽样识别若干个取平均值。由图2到图4可看出,不同储层相关长度不同,一般砂岩<砾岩<碳酸盐岩。三维张量卷积核可通过相关长度根据地质统计学中的协方差模型计算得到。
其中,三维张量卷积核E(h)=exp(-2h/Lc),Lc为相关长度,与岩性有关;是根据电成像分析得到;h表示三维坐标系中以(Lx,Ly,Lz)为球心,半径小于等于Lc的球面到所述球心的距离,比如,三维卷积核(如图5所示)可以通过如下程序实现。
图6为本公开实施例的通过核磁共振测井得到的T2谱示例。图中共有n个T2谱。这n个T2谱是按照如下方法获取的:将厚度为0.5m地层(即储层)分成n个子地层(即子储层),每个子地层通过核磁共振测井得到1个T2谱。其中,n由用户根据需要设定。
图7为本公开实施例的孔喉半径频率分布曲线示例。通过将n个T2谱累加,得到总的T2谱。通过定量关系将T2谱幅度值转换成孔喉半径频率分布。其中,定量关系可以为rm=cT2m,rm为第m个孔喉半径,T2m为T2谱的第m个幅度值,c为预设的转换系数,m为正整数。国内外大量统计表明,孔喉长度分布一般在50-200微米,且渗透率越低,孔喉长度越长。
图8为公开实施例的初始三维张量数据体示例。该初始三维张量数据体可以根据孔喉半径频率分布曲线通过(对数均匀或对数正态等)随机函数建立三维稳定随机场,形成初始三维张量数据体。
可以通过Matlab拟合孔喉半径频率分布曲线得到孔喉半径频率分布的平均值(即数学期望)μ和标准偏差σ,从而得到如下对数正态分布随机函数:
式中,r表示孔喉半径。
图9为本公开实施例的生成符合孔喉半径频率分布的三维张量数据体的示意图。利用构造的三维张量卷积核滑过该三维张量数据体依次进行张量点乘计算,每次计算得到一个点。最后将所有通道的结果值按原来顺序堆叠起来形成一个新的三维张量,形成符合储层孔喉半径频率分布特征的三维张量数据体,这些数据输入python后通过vtk可观察生成的微孔隙-溶孔碳酸盐岩模型图像。
图10a为本公开实施例的有序空间结构图示例。图10b为本公开实施例的无序空间结构图示例。无序空间结构的构建过程如下:
(1)指定模型的节点数(根据模型大小和精细化程度确定节点数,其值与张量数据体对应),构建一个X×Y×Z的三维简单立方体网格。每个节点代表一个孔隙,节点与节点之间由喉道相连。由此建立起来的网络中每个代表孔隙的节点周围都有六个喉道相连;同理,每个喉道的周围也有六个孔隙相连。其各方向(即x方向、y方向和z方向)各节点之间的间隔距离设置为l,节点数设置为d,模型的边长为(d-1)×l。
(2)计算出网络模型中各节点的坐标。计算式为:(x,y,z)=[(i-1)l,(j-1)l,(k-1)l],式中i、j、k分别为x方向、y方向和z方向的节点序号,取值分别为1,2,3…。
(3)在程序中设定概率为p的概率函数,通过(伪)随机数发生器确定x、y及z方向各相邻节点之间是否有管束连通。采用函数产生随机数,从而产生随机概率。例如,在C/C++程序语言中,可采用rand()函数产生随机数,从而产生随机概率。具体的C/C++代码为:
if(rand()%100<p×100)
式中,rand()%100—计算机随机生成0-99范围内的任意整数。
当连通概率p为50%时,rand()函数随机生成的整数中有50%的可能性(概率)小于50,有另外50%的可能性(概率)大于50。因此,该表达式可实现概率p=50%的管束连接,即当产生了一个小于50的数时,表达式为真,执行管束半径的分配任务(分配管束半径为r);否则为假,不执行任何操作。然后,根据三维立方体网络、各节点、确认管束连通结果以及管束半径生成有序空间结构(如图10a所示)。
网络模型的连通性还可以采用配位数进行定量描述。常规砂岩储层岩石的配位数取值范围为4-6,低渗砂岩储层岩石的配位数为3-4。配位数为6就是指一个节点与其他6个节点管束连通。
(4)通过移动节点坐标(在中心点左边后加上一个不超过喉道长度的随机数)生成随机网络(即无序空间结构)(如图10b所示),移动后的节点坐标为(x,y,z)=[(i-1)l+(rand()%(0.5l),(j-1)l+(rand()%(0.5l),(k-1)l+(rand()%(0.5l)]。
图11为本公开实施例的孔隙网络模型示例。将符合储层孔喉半径频率分布特征的三维张量数据体中的数据依次赋值到无序空间结构的节点上,即可构造出符合储层真实地质特征的孔隙网络模型。
以上建模过程可借助配有8张显卡,内存为512GB的工作站运用多GPU计算,从而扩大了模型尺度(100米左右范围、10米左右厚度,总计超过10亿孔隙节点数),建立起符合储层图像和孔喉特征的单井油气藏储层孔隙网络模型。
本公开实施例建立的孔隙网络模型主要借助于电成像测井与核磁共振测井方法,考虑了储层物性参数,在一定程度上解决了现有建模技术建立的地质模型缺乏一定的物理意义的难题。并在一定程度上解决了非均质性强的地层建模难的瓶颈问题,也适用于碳酸盐岩地层,为低渗致密油气藏建模也提供了一定的参考依据。
图12为本公开实施例的基于储层的孔隙网络模型的建模装置的示意图。该基于储层的孔隙网络模型的建模装置,包括:存储器和处理器;
所述存储器,用于保存用于储层的孔隙网络模型的建模的程序;
所述处理器,用于读取执行所述用于储层的孔隙网络模型的建模的程序,执行如下的建模方法:
获取通过电成像测井得到的储层图像;
根据所述储层图像获取相关长度,根据所述相关长度计算三维张量卷积核;其中,所述相关长度表示所述储层图像中的预选黑团的半径平均值;
获取核磁共振测井得到的储层的T2谱,根据所述T2谱获取孔喉半径频率分布;根据所述孔喉半径频率分布形成初始三维张量数据体;
根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合储层孔喉半径频率分布的三维张量数据体;
根据初始三维张量数据体构建孔隙网络模型的无序空间结构;
根据所述符合储层孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型。
一种示例性的实施例中,所述根据所述相关长度计算三维张量卷积核,包括:
按照如下公式计算三维张量卷积核E(h):
E(h)=exp(-2h/Lc),
一种示例性的实施例中,所述获取核磁共振测井得到的储层的T2谱,根据所述T2谱获取孔喉半径分布,包括:
获取通过核磁共振测井技术得到的所述储层的n个子储层的n个T2谱;其中,n为正整数;
对所述n个T2谱进行求和,通过预设定量关系将求和后得到的T2谱的幅度值转换成孔喉半径频率分布。
一种示例性的实施例中,所述预设定量关系为rm=cT2m;
其中,rm为第m个孔喉半径,T2m为T2谱的第m个幅度值,c为预设的转换系数,m为正整数。
一种示例性的实施例中,所述根据所述孔喉半径频率分布形成初始三维张量数据体,包括:
根据所述孔喉半径频率分布,通过随机函数建立三维稳定随机场,形成初始三维张量数据体;
其中,所述随机函数为如下对数正态分布随机函数:
其中,通过拟合所述孔喉半径频率分布得到数学期望μ和标准偏差σ,r表示孔喉半径。
一种示例性的实施例中,所述根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合储层孔喉半径频率分布的三维张量数据体,包括:
将所述三维张量卷积核与所述初始三维张量数据体依次进行张量点乘,将点乘结果按照所述初始三维张量数据体中的顺序堆叠起来,生成符合储层孔喉半径频率分布的三维张量数据体。
一种示例性的实施例中,所述根据所述初始三维张量数据体构建孔隙网络模型的无序空间结构,包括:
根据所述初始三维张量数据体的数据数量确定所述无序空间结构的节点数;
根据所述节点数以及各节点间的间隔距离L构建包含X、Y、Z三个方向的三维立方体网络;
计算所述三维立方体网络中各节点的坐标;
根据预设第一概率函数确定X方向各相邻节点之间是否有管束连通,并分配管束半径;
根据预设第二概率函数确定Y方向各相邻节点之间是否有管束连通,并分配管束半径;
通过预设规则移动各节点坐标;
根据所述三维立方体网络、确定是否有管束连通的结果、分配的管束半径和移动后的节点坐标生成无序空间结构。
一种示例性的实施例中,所述通过预设规则移动各节点坐标包括:
按照如下公式移动各节点坐标(x,y,z):
(x,y,z)=[(i-1)L±rand()%(0.5L),(j-1)L±rand()%(0.5L),(k-1)L±rand()%(0.5L)]
其中,i为x方向的节点序号,j为y方向的节点序号,k为z方向的节点序号,i、j和k为大于0的整数,rand()%(0.5L)表示随机生成0.5L范围内的任意整数。
一种示例性的实施例中,根据所述符合储层孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型,包括:
将所述符合储层孔喉半径频率分布的三维张量数据体依次赋值到所述无序空间结构的节点上来建立孔隙网络模型。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成,所述程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地,上述实施例中的各模块/单元可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。本公开不限制于任何特定形式的硬件和软件的结合。
以上仅为本公开的优选实施例,当然,本公开还可有其他多种实施例,在不背离本公开精神及其实质的情况下,熟悉本领域的技术人员当可根据本公开作出各种相应的改变和变形,但这些相应的改变和变形都应属于本公开所附的权利要求的保护范围。
Claims (9)
1.一种基于储层的孔隙网络模型的建模方法,包括:
获取通过电成像测井得到的储层图像;
根据所述储层图像获取相关长度及储层厚度,根据所述相关长度及储层厚度计算三维张量卷积核;其中,所述相关长度表示所述储层图像中的预选黑团的半径平均值;
获取核磁共振测井得到的储层的T2谱,根据所述T2谱获取孔喉半径频率分布;根据所述孔喉半径频率分布形成初始三维张量数据体;
根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合储层孔喉半径频率分布的三维张量数据体;
根据初始三维张量数据体构建孔隙网络模型的无序空间结构;
根据所述符合储层孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型。
3.如权利要求1所述的方法,所述获取核磁共振测井得到的储层的T2谱,根据所述T2谱获取孔喉半径分布,包括:
获取通过核磁共振测井技术得到的所述储层的n个子储层的n个T2谱;其中,n为正整数;
对所述n个T2谱进行求和,通过预设定量关系将求和后得到的T2谱的幅度值转换成孔喉半径频率分布;
所述预设定量关系为rm=cT2m;
其中,rm为第m个孔喉半径,T2m为T2谱的第m个幅度值,c为预设的转换系数,m为正整数。
5.如权利要求3所述的方法,所述根据所述三维张量卷积核和所述初始三维张量数据体采用卷积神经网络正向传播算法生成符合储层孔喉半径频率分布的三维张量数据体,包括:
将所述三维张量卷积核与所述初始三维张量数据体依次进行张量点乘,将点乘结果按照所述初始三维张量数据体中的顺序堆叠起来,生成符合储层孔喉半径频率分布的三维张量数据体。
6.如权利要求1所述的方法,所述根据所述初始三维张量数据体构建孔隙网络模型的无序空间结构,包括:
根据所述初始三维张量数据体的数据数量确定所述无序空间结构的节点数;
根据所述节点数以及各节点间的间隔距离L构建包含X、Y、Z三个方向的三维立方体网络;
计算所述三维立方体网络中各节点的坐标;
根据预设第一概率函数确定X方向各相邻节点之间是否有管束连通,并分配管束半径;
根据预设第二概率函数确定Y方向各相邻节点之间是否有管束连通,并分配管束半径;
通过预设规则移动各节点坐标;
根据所述三维立方体网络、确定是否有管束连通的结果、分配的管束半径和移动后的节点坐标生成无序空间结构。
7.如权利要求6所述的方法,所述通过预设规则移动各节点坐标包括:
按照如下公式移动各节点坐标(x,y,z):
(x,y,z)=[(i-1)L±rand()%(0.5L),(j-1)L±rand()%(0.5L),(k-1)L±rand()%(0.5L)]
其中,i为x方向的节点序号,j为y方向的节点序号,k为z方向的节点序号,i、j和k为大于0的整数,rand()%(0.5L)表示随机生成0.5L范围内的任意整数。
8.如权利要求1所述的方法,根据所述符合储层孔喉半径频率分布的三维张量数据体和所述无序空间结构建立孔隙网络模型,包括:
将所述符合储层孔喉半径频率分布的三维张量数据体依次赋值到所述无序空间结构的节点上来建立孔隙网络模型。
9.一种基于储层的孔隙网络模型的建模装置,包括:存储器和处理器;其特征在于:
所述存储器,用于保存用于储层的孔隙网络模型的建模的程序;
所述处理器,用于读取执行所述用于储层的孔隙网络模型的建模的程序,执行如权利要求1-8中任一项的建模方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010681232.3A CN111950193B (zh) | 2020-07-15 | 2020-07-15 | 基于储层的孔隙网络模型的建模方法及装置 |
CA3152669A CA3152669A1 (en) | 2020-07-15 | 2020-11-03 | Reservoir-based modeling method and device for pore network model |
PCT/CN2020/126212 WO2022011893A1 (zh) | 2020-07-15 | 2020-11-03 | 基于储层的孔隙网络模型的建模方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010681232.3A CN111950193B (zh) | 2020-07-15 | 2020-07-15 | 基于储层的孔隙网络模型的建模方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950193A CN111950193A (zh) | 2020-11-17 |
CN111950193B true CN111950193B (zh) | 2023-03-14 |
Family
ID=73340601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010681232.3A Active CN111950193B (zh) | 2020-07-15 | 2020-07-15 | 基于储层的孔隙网络模型的建模方法及装置 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN111950193B (zh) |
CA (1) | CA3152669A1 (zh) |
WO (1) | WO2022011893A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114283254B (zh) * | 2021-12-31 | 2022-09-16 | 西南石油大学 | 基于核磁共振数据的岩心数字化孔隙网络模型构建方法 |
CN115290930B (zh) * | 2022-08-12 | 2023-03-14 | 西南石油大学 | 一种考虑非常规储层多组分特征的数字岩心随机构建方法 |
CN115755610B (zh) * | 2022-11-21 | 2023-09-01 | 西安石油大学 | 注水吞吐开发数值模拟系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104375204A (zh) * | 2014-11-21 | 2015-02-25 | 中国海洋石油总公司 | 一种分析储层非均质性的方法和装置 |
FR3034894A1 (zh) * | 2015-04-09 | 2016-10-14 | Services Petroliers Schlumberger | |
FR3038408A1 (zh) * | 2015-06-30 | 2017-01-06 | Services Petroliers Schlumrberger | |
CN107728231A (zh) * | 2017-10-18 | 2018-02-23 | 科为联合(青岛)能源技术研究院有限公司 | 一种预测核磁共振测井横向弛豫时间t2分布的方法 |
CN108629072A (zh) * | 2018-03-12 | 2018-10-09 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
CN109655394A (zh) * | 2018-12-21 | 2019-04-19 | 中国海洋石油集团有限公司 | 一种孔喉结构参数约束下的核磁共振t2谱渗透率计算方法 |
CN110009150A (zh) * | 2019-04-02 | 2019-07-12 | 中国石油大学(华东) | 数据驱动的致密储层物性参数智能预测方法 |
CN110362842A (zh) * | 2018-04-09 | 2019-10-22 | 长江大学 | 基于多种形状孔喉的随机孔隙网络模型建模方法 |
CN110866912A (zh) * | 2019-11-15 | 2020-03-06 | 成都理工大学 | 基于成像测井图像纹理的页岩纹层非均质性数据处理方法 |
CN110988998A (zh) * | 2019-12-24 | 2020-04-10 | 王颜 | 基于希尔伯特谱和bp神经网络的储层孔隙度预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2591381A4 (en) * | 2010-07-08 | 2015-12-02 | Geco Technology Bv | METHODS AND DEVICES FOR TRANSFORMING COLLECTED DATA TO IMPROVE VISUALIZATION CAPACITY |
CN103822865B (zh) * | 2014-03-20 | 2016-05-04 | 中国石油大学(华东) | 一种高分辨率三维数字岩心建模方法 |
CN111189862B (zh) * | 2020-01-09 | 2021-06-11 | 中国石油大学(北京) | 一种构建数字岩心的方法、装置及系统 |
-
2020
- 2020-07-15 CN CN202010681232.3A patent/CN111950193B/zh active Active
- 2020-11-03 CA CA3152669A patent/CA3152669A1/en active Pending
- 2020-11-03 WO PCT/CN2020/126212 patent/WO2022011893A1/zh active Application Filing
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104375204A (zh) * | 2014-11-21 | 2015-02-25 | 中国海洋石油总公司 | 一种分析储层非均质性的方法和装置 |
FR3034894A1 (zh) * | 2015-04-09 | 2016-10-14 | Services Petroliers Schlumberger | |
FR3038408A1 (zh) * | 2015-06-30 | 2017-01-06 | Services Petroliers Schlumrberger | |
CN107728231A (zh) * | 2017-10-18 | 2018-02-23 | 科为联合(青岛)能源技术研究院有限公司 | 一种预测核磁共振测井横向弛豫时间t2分布的方法 |
CN108629072A (zh) * | 2018-03-12 | 2018-10-09 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
CN110362842A (zh) * | 2018-04-09 | 2019-10-22 | 长江大学 | 基于多种形状孔喉的随机孔隙网络模型建模方法 |
CN109655394A (zh) * | 2018-12-21 | 2019-04-19 | 中国海洋石油集团有限公司 | 一种孔喉结构参数约束下的核磁共振t2谱渗透率计算方法 |
CN110009150A (zh) * | 2019-04-02 | 2019-07-12 | 中国石油大学(华东) | 数据驱动的致密储层物性参数智能预测方法 |
CN110866912A (zh) * | 2019-11-15 | 2020-03-06 | 成都理工大学 | 基于成像测井图像纹理的页岩纹层非均质性数据处理方法 |
CN110988998A (zh) * | 2019-12-24 | 2020-04-10 | 王颜 | 基于希尔伯特谱和bp神经网络的储层孔隙度预测方法 |
Non-Patent Citations (3)
Title |
---|
利用卷积神经网络模型预测致密储层微观孔隙结构;廖广志等;《石油科学通报》;20200315(第01期);全文 * |
孔隙型碳酸盐岩储层地质建模探讨;李峰峰等;《科学技术与工程》;20200228;第20卷(第06期);全文 * |
微观剩余油仿真研究综述;张留美等;《技术与创新管理》;20101120(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111950193A (zh) | 2020-11-17 |
WO2022011893A1 (zh) | 2022-01-20 |
CA3152669A1 (en) | 2022-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950193B (zh) | 基于储层的孔隙网络模型的建模方法及装置 | |
WO2022011894A1 (zh) | 基于卷积神经网络的孔隙网络模型的建模方法及装置 | |
Wang et al. | Optimal well placement under uncertainty using a retrospective optimization framework | |
Chan et al. | Parametrization of stochastic inputs using generative adversarial networks with application in geology | |
US9146903B2 (en) | Method of using spatially independent subsets of data to calculate vertical trend curve uncertainty of spatially correlated reservoir data | |
EP2223167A1 (en) | Multipoint geostatistics method using branch runlength compression and local grid transformation | |
CN105593703A (zh) | 根据基于核心的岩石定型构建并通过岩石置换建模增强的模拟到地震工作流程 | |
US11768982B1 (en) | Density abrupt interface inversion method and system based on machine learning constraints | |
Fadakar Alghalandis et al. | The RANSAC method for generating fracture networks from micro-seismic event data | |
CN109272029A (zh) | 井控稀疏表征大规模谱聚类地震相划分方法 | |
US20160168959A1 (en) | Gridless simulation of a fluvio-deltaic environment | |
CN105205239A (zh) | 一种储层物性参数建模方法和装置 | |
CN116245013A (zh) | 一种地质预测模型构建方法、建模方法、设备及存储介质 | |
CN110927793B (zh) | 一种基于序贯随机模糊模拟的储层预测方法及系统 | |
Krotz et al. | Variable resolution Poisson-disk sampling for meshing discrete fracture networks | |
Liang et al. | Uncertainty quantification of geologic model parameters in 3D gravity inversion by Hessian-informed Markov chain Monte Carlo | |
US8510049B2 (en) | Maximum entropy application methods and systems | |
US20110019908A1 (en) | Multi-Class Poisson Disk Sampling | |
Li et al. | Multilevel fine-tuning: Closing generalization gaps in approximation of solution maps under a limited budget for training data | |
GB2584447A (en) | Apparatus method and computer-program product for processing geological data | |
Barros et al. | Automated clustering based scenario reduction to accelerate robust life-cycle optimization | |
Liu | Multilevel strategy for O-PCA-based history matching using mesh adaptive direct search | |
Franc et al. | Image-based effective medium approximation for fast permeability evaluation of porous media core samples | |
CN115685314A (zh) | 一种地震储层物性参数预测方法及装置 | |
Jo et al. | Generative geomodeling based on flow responses in latent space |
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 |