CN111983702B - 一种基于电成像测井的油砂隔夹层定量识别方法及系统 - Google Patents

一种基于电成像测井的油砂隔夹层定量识别方法及系统 Download PDF

Info

Publication number
CN111983702B
CN111983702B CN202010829818.XA CN202010829818A CN111983702B CN 111983702 B CN111983702 B CN 111983702B CN 202010829818 A CN202010829818 A CN 202010829818A CN 111983702 B CN111983702 B CN 111983702B
Authority
CN
China
Prior art keywords
lithology
longitudinal
logging
difference variance
variance
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
Application number
CN202010829818.XA
Other languages
English (en)
Other versions
CN111983702A (zh
Inventor
黄涛
秦瑞宝
田冀
余杰
魏丹
王晖
李利
李铭宇
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.)
Beijing Research Center of CNOOC China Ltd
CNOOC China Ltd
Original Assignee
Beijing Research Center of CNOOC China Ltd
CNOOC China Ltd
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 Beijing Research Center of CNOOC China Ltd, CNOOC China Ltd filed Critical Beijing Research Center of CNOOC China Ltd
Priority to CN202010829818.XA priority Critical patent/CN111983702B/zh
Publication of CN111983702A publication Critical patent/CN111983702A/zh
Application granted granted Critical
Publication of CN111983702B publication Critical patent/CN111983702B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/18—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
    • 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

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

Abstract

本发明涉及一种基于电成像测井的油砂隔夹层定量识别方法及系统，其包括：对电成像测井资料预处理；基于电成像测井192条曲线，计算其纵向和横向差值方差2个参数；对7种岩性进行测井响应特征分析，选出岩性敏感参数；以岩心岩性为基础，分别读取7种岩性所对应的自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差值，利用支持向量机分类建立岩性识别模型；以自然伽马、岩性密度、光电截面指数、纵向差值方法和横向差值方差值为输入曲线，调用岩性识别模型，利用支持向量机分类识别岩性，通过泥质含量划分泥砾岩类型，以泥质含量大于30％的泥砾岩为隔夹层，实现基于电成像测井的油砂隔夹层定量识别。

Description

一种基于电成像测井的油砂隔夹层定量识别方法及系统
技术领域
本发明涉及一种油砂隔夹层识别领域，特别是关于一种基于电成像测井的油砂隔夹层定量识别方法及系统。
背景技术
油砂属于非常规油气，是全球油气资源的重要组成部分，资源量大，随着世界能源需求日益增长，油砂在能源结构中的位置越来越重要。油砂又称沥青砂、焦油砂或天然沥青，通常指砂、沥青、矿物质、粘土和水的混合物，油砂油比一般原油的粘度高，流动性差，在油层温度下，粘度大于10000mpa.s，相对密度大于0.95g/cm3。蒸汽辅助重力泄油技术(SAGD)被广泛用于油砂开采，通过向油藏注入高温蒸汽，使固体沥青油加热变为可流动的原油，流入采油井筒而被采出。隔夹层能够阻挡热蒸汽向上扩展，从而影响开发效果，故隔夹层的识别对油砂开发十分重要。
受沉积环境影响，油砂储层岩性(相)复杂，从岩心上可以描述为7种岩性(相)：砂岩、泥质砂岩、砂泥互层、砂质泥岩、泥岩、泥砾岩和石灰岩，其中，砂岩和泥质砂岩为储层，砂泥互层、砂质泥岩和泥岩为隔夹层，泥砾岩既可作为储层，又可作为隔夹层，取决于泥砾大小、含量和磨圆度。与常规油气藏不同，油砂隔夹层很难通过泥质含量或者孔隙度设定特定截至值来准确识别。因此，油砂隔夹层的识别主要表现为岩性(相)的识别，尤其是对泥砾岩这种特殊岩性的识别，但是基于常规测井很难准确识别泥砾岩。
通过对现有文献调研发现，目前国内外利用测井资料进行油砂隔夹层识别的研究较少，有学者利用岩心、自然伽马和密度曲线特征值建立识别图版来识别油砂隔夹层，但是受制于常规测井分辨率，很难识别薄的隔夹层，而油砂中薄隔夹层普遍存在，对SAGD开发具有重要影响，同时，该方法无法判别泥砾岩这种特殊岩性，往往造成错判或漏判这种隔夹层类型；也有学者基于电成像测井资料，计算孔隙度谱分布均值来识别储层有效性，但对油砂隔夹层识别并不适用。因此，各油砂企业主要采用大量的全井段取心来刻画隔夹层，但较高的取心率势必造成高额的开发成本，而国际油价持续低迷，这必然给油砂的开发带来巨大挑战。近年来，随着电成像测井在油砂储层中的采集及应用，基于电成像和常规测井相结合能有效识别油砂隔夹层，尤其是薄隔夹层，为减少钻井取心，降低开发成本奠定基础。
发明内容
针对上述问题，本发明的目的是提供一种基于电成像测井的油砂隔夹层定量识别方法及系统，其能有效解决油砂隔夹层测井识别问题。
为实现上述目的，本发明采取以下技术方案：一种基于电成像测井的油砂隔夹层定量识别方法，其包括以下步骤：步骤1：对电成像测井资料预处理；步骤2：基于电成像测井192条曲线，分别计算其纵向和横向差值方差2个参数，用于区分泥砾岩和砂泥互层两种岩性，泥砾岩的纵向和横向差值方差大于砂泥互层；步骤3：对7种岩性进行测井响应特征分析，利用交会图技术，选出自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差为岩性敏感参数；步骤4：以岩心岩性为基础，分别读取7种岩性所对应的自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差值，利用支持向量机分类建立岩性识别模型；步骤5：以自然伽马、岩性密度、光电截面指数、纵向差值方法和横向差值方差值为输入曲线，调用岩性识别模型，利用支持向量机分类识别岩性，通过泥质含量划分泥砾岩类型，以泥质含量大于30％的泥砾岩为隔夹层，实现基于电成像测井的油砂隔夹层定量识别。
进一步，所述步骤2中，横向差值方差由以下公式计算：
Figure BDA0002637530420000021
Figure BDA0002637530420000022
D_H(r)＝log10(Dh[r])  (3)
其中，n为电成像仪器极板个数；m每个极板的电扣数量；i为列数；r为行数；Ah为横向差值的均值；Dh为横向差值方差；D_H为Dh的对数值；V为电扣的数值；Abs表示取绝对值。
进一步，所述步骤2中，纵向差值方差由以下公式计算：
Figure BDA0002637530420000023
Figure BDA0002637530420000024
D_V(r)＝log1o(Dv[r])  (6)
其中，n为电成像仪器极板个数；m每个极板的电扣数量；i为列数；r为行数；Av为纵向差值的均值；Dv为纵向差值方差；D_V为Dv的对数值；V为电扣的数值；Abs表示取绝对值。
进一步，所述步骤3中，对测井曲线两两分别作交会图，寻找对岩性敏感的测井参数，选出自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差对岩性为岩性敏感参数。
进一步，所述步骤4中，以7种岩性和自然伽马、岩性密度、光电截面指数作为输入，利用支持向量机分类，建立常规测井岩性识别模型；以泥砾岩、砂泥互层两种岩性和纵向差值方差、横向差值方差作为输入，利用支持向量机分类，建立电成像测井岩性识别模型。
进一步，所述步骤5中，以自然伽马、岩性密度、光电截面指数为输入曲线，调用常规测井岩性识别模型，利用支持向量机分类识别除泥砾岩和砂泥互层以外的5种岩性；以基于电成像数据构建的纵向差值方差和横向差值方差为输入曲线，调用电成像测井岩性识别模型。
一种基于电成像测井的油砂隔夹层定量识别系统，其包括：预处理模块、差值方差计算模块、岩性敏感参数选取模块、岩性识别模型建立模块和识别模块；
所述预处理模块对电成像测井资料预处理；
所述差值方差计算模块基于电成像测井192条曲线，分别计算其纵向和横向差值方差2个参数，用于区分泥砾岩和砂泥互层两种岩性，泥砾岩的纵向和横向差值方差大于砂泥互层；
所述岩性敏感参数选取模块对7种岩性进行测井响应特征分析，利用交会图技术，选出自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差为岩性敏感参数；
所述岩性识别模型建立模块以岩心岩性为基础，分别读取7种岩性所对应的自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差值，利用支持向量机分类建立岩性识别模型；
所述识别模块以自然伽马、岩性密度、光电截面指数、纵向差值方法和横向差值方差值为输入曲线，调用岩性识别模型，利用支持向量机分类识别岩性，通过泥质含量划分泥砾岩类型，以泥质含量大于30％的泥砾岩为隔夹层，实现基于电成像测井的油砂隔夹层定量识别。
进一步，所述差值方差计算模块中，横向差值方差由公式(1)至(3)计算；纵向差值方差由公式(4)至(6)计算。
进一步，所述岩性识别模型建立模块中，以7种岩性和自然伽马、岩性密度、光电截面指数作为输入，利用支持向量机分类，建立常规测井岩性识别模型；以泥砾岩、砂泥互层两种岩性和纵向差值方差、横向差值方差作为输入，利用支持向量机分类，建立电成像测井岩性识别模型。
进一步，所述识别模块中，以自然伽马、岩性密度、光电截面指数为输入曲线，调用常规测井岩性识别模型，利用支持向量机分类识别除泥砾岩和砂泥互层以外的5种岩性；以基于电成像数据构建的纵向差值方差和横向差值方差为输入曲线，调用电成像测井岩性识别模型。
本发明由于采取以上技术方案，其具有以下优点：1、本发明充分挖掘电成像测井的有用信息，基于电成像测井192条曲线(FMI仪器)构建纵向和横向差值方差来区分泥砾岩和砂泥互层，是油砂隔夹层定量识别的关键，能有效解决油砂隔夹层测井识别问题。2、本发明可以突破基于测井资料定量划分油砂隔夹层的难题，实现测井部分替代钻井取心，有益于油砂行业整体上减少钻井取心，降低勘探开发成本。
附图说明
图1是油砂中泥砾岩和砂泥互层两种岩性的岩心照片及电成像测井响应对比图。
图2是基于电成像测井构建的纵向和横向差值方差，泥砾岩和砂泥互层的纵向和横向差值方差存在明显差异。
图3是不同岩性自然伽马与岩性密度、自然伽马与光电截面指数、纵向差值方差与横向差值方差的交会图。
图4是本发明岩性识别效果对比图，倒数第3道为基于本发明方法识别的岩性，倒数第6道岩心描述的岩性。
图5是本发明油砂隔夹层定量识别成果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
本发明的第一实施方式中提供一种基于电成像测井的油砂隔夹层定量识别方法，其利用电成像测井构建纵向、横向差值方差来定量识别隔夹层的方法。本发明包括以下步骤：
步骤1：对电成像测井资料预处理，包括：极板对齐、电扣对齐、坏电扣剔除及图像增强等；
步骤2：基于电成像测井192条曲线(以FMI为例)，分别计算其纵向和横向差值方差2个参数，用于区分泥砾岩和砂泥互层两种岩性，泥砾岩的纵向和横向差值方差大于砂泥互层；
步骤3：对7种岩性进行测井响应特征分析，利用交会图技术，优选出自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差为岩性敏感参数；
步骤4：以岩心岩性为基础，分别读取7种岩性所对应的自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差值，利用支持向量机(SVM)分类建立岩性识别模型；
步骤5：以自然伽马、岩性密度、光电截面指数、纵向差值方法和横向差值方差值为输入曲线，调用岩性识别模型，利用支持向量机分类识别岩性，通过泥质含量划分泥砾岩类型，以泥质含量大于30％的泥砾岩为隔夹层，从而实现基于电成像测井的油砂隔夹层定量识别。
上述步骤1中，电成像测井仪一般由极板及电扣组成，如斯伦贝谢FMI仪器有8个极板，每个极板有24个微电极，共有192个微电极。测量时极板被推靠在井壁岩石上，由地面仪器车控制其向地层中发射电流。每个电极所发射的电流强度随其贴靠的井壁岩石及井壁条件的不同而变化，因此记录到的每个电极的电流强度及所施加的电压能反应井壁四周的微电阻率变化。由于电扣之间具有深度差且井下存在电扣损坏的可能，利用市面上主流测井处理软件对电成像测井数据进行预处理，涉及极板对齐、电扣对齐、坏电扣剔除及图像增强等。
上述步骤2中，油砂中泥砾岩和砂泥互层的常规测井响应特征极为接近，通过常规测井无法区分，由于泥砾岩即可作为储层又可作为隔夹层，对油砂开发尤为重要，本发明首次提出基于电成像测井构建纵向和横向差值方差来识别泥砾岩和砂泥互层，识别准确率高。具体的，横向差值方差由公式(1)、(2)、(3)计算，纵向差值方差由公式(4)、(5)、(6)计算。
Figure BDA0002637530420000051
Figure BDA0002637530420000052
D_H(r)＝log10(Dh[r])  (3)
Figure BDA0002637530420000053
Figure BDA0002637530420000054
D_V(r)＝logio(Dv[r])  (6)
其中，n为电成像仪器极板个数；m每个极板的电扣数量；i为列数；r为行数；Ah为横向差值的均值；Av为纵向差值的均值；Dh为横向差值方差；Dv为纵向差值方差；D_H为Dh的对数值；D_V为Dv的对数值；V为电扣的数值；Abs表示取绝对值。
上述步骤3中，分析油砂7种岩性的测井响应特征，对测井曲线两两分别作交会图，寻找对岩性敏感的测井参数，最终优选出自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差对岩性最为敏感，其中纵向差值方差和横向差值方差主要用于识别泥砾岩和砂泥互层两种岩性。
上述步骤4中，以岩心岩性为基础，分别读取7种岩性所对应的自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差平均值(或特征值)，以7种岩性和自然伽马、岩性密度、光电截面指数作为输入，利用支持向量机(SVM)分类，建立常规测井岩性识别模型；以泥砾岩、砂泥互层两种岩性和纵向差值方差、横向差值方差作为输入，利用支持向量机(SVM)分类，建立电成像测井岩性识别模型。
上述步骤5中，以自然伽马、岩性密度、光电截面指数为输入曲线，调用常规测井岩性识别模型，利用支持向量机分类可有效识别除泥砾岩和砂泥互层以外的5种岩性；以基于电成像数据构建的纵向差值方差和横向差值方差为输入曲线，调用电成像测井岩性识别模型，利用支持向量机分类可解决泥砾岩和砂泥互层两种岩性的识别问题，通过泥质含量划分泥砾岩类型，以泥质含量大于30％的泥砾岩为隔夹层，最终实现基于电成像测井的油砂隔夹层定量识别。
本发明的第二实施方式中提供一种基于电成像测井的油砂隔夹层定量识别系统，其包括预处理模块、差值方差计算模块、岩性敏感参数选取模块、岩性识别模型建立模块和识别模块；
预处理模块对电成像测井资料预处理；
差值方差计算模块基于电成像测井192条曲线，分别计算其纵向和横向差值方差2个参数，用于区分泥砾岩和砂泥互层两种岩性，泥砾岩的纵向和横向差值方差大于砂泥互层；
岩性敏感参数选取模块对7种岩性进行测井响应特征分析，利用交会图技术，选出自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差为岩性敏感参数；
岩性识别模型建立模块以岩心岩性为基础，分别读取7种岩性所对应的自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差值，利用支持向量机分类建立岩性识别模型；
识别模块以自然伽马、岩性密度、光电截面指数、纵向差值方法和横向差值方差值为输入曲线，调用岩性识别模型，利用支持向量机分类识别岩性，通过泥质含量划分泥砾岩类型，以泥质含量大于30％的泥砾岩为隔夹层，实现基于电成像测井的油砂隔夹层定量识别。
上述实施例中，差值方差计算模块中，横向差值方差由公式(1)、(2)、(3)计算，纵向差值方差由公式(4)、(5)、(6)计算。
上述实施例中，岩性识别模型建立模块中，以7种岩性和自然伽马、岩性密度、光电截面指数作为输入，利用支持向量机分类，建立常规测井岩性识别模型；以泥砾岩、砂泥互层两种岩性和纵向差值方差、横向差值方差作为输入，利用支持向量机分类，建立电成像测井岩性识别模型。
上述实施例中，识别模块中，以自然伽马、岩性密度、光电截面指数为输入曲线，调用常规测井岩性识别模型，利用支持向量机分类识别除泥砾岩和砂泥互层以外的5种岩性；以基于电成像数据构建的纵向差值方差和横向差值方差为输入曲线，调用电成像测井岩性识别模型。
实施例：
步骤1、电成像测井资料预处理
利用测井资料处理软件的电成像测井处理模块对电成像测井资料进行预处理，包括：极板对齐、电扣对齐、坏电扣剔除及图像增强等，以获得准确的电成像测井192条曲线(FMI仪器)。
步骤2、基于电成像测井资料计算纵向和横向差值方差
由于油砂中泥砾岩和砂泥互层的常规测井响应特征极为接近，通过常规测井无法区分，但岩心和电成像测井图像显示两者差异明显，如图1所示。为了定量识别这两种重要的岩性，基于电成像测井192条曲线(FMI仪器)，首次构建纵向和横向差值方差两个特征参数。如公式(1)、(2)、(3)所示，计算得到横向差值方差，如公式(4)、(5)、(6)所示，计算得到纵向差值方差，能够有效区分泥砾岩和砂泥互层两种岩性，如图2所示，倒数第2道粗虚线为计算的纵向差值方差，细实线为计算的横向差值方差，可以看出，泥砾岩的纵向和横向差值方差明显大于砂泥互层。
步骤3、利用交会图技术优选岩性敏感曲线
分析油砂7种岩性的测井响应特征，分别做7种岩性的自然伽马与岩性密度交会图(图3a)、7种岩性的自然伽马与光电截面指数交会图(图3b)、泥砾岩和砂泥互层的纵向差值方差与横向差值方差交会图(图3c)。可优选出自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差为岩性最敏感曲线，其中纵向差值方差和横向差值方差对泥砾岩和砂泥互层两种岩性区分明显。
步骤4、建立岩性识别模型
以岩心岩性为基础，分别读取7种岩性所对应的自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差平均值(或特征值)，以7种岩性和自然伽马、岩性密度、光电截面指数作为输入，利用支持向量机(SVM)分类技术，建立常规测井岩性识别模型；以泥砾岩、砂泥互层两种岩性和纵向差值方差、横向差值方差作为输入，利用支持向量机(SVM)分类技术，建立电成像测井岩性识别模型。
步骤5、油砂隔夹层定量识别
以自然伽马、岩性密度、光电截面指数为输入曲线，调用常规测井岩性识别模型，利用支持向量机分类技术可有效识别除泥砾岩和砂泥互层以外的5种岩性；以基于电成像数据构建的纵向差值方差和横向差值方差为输入曲线，调用电成像测井岩性识别模型，利用支持向量机分类技术可解决泥砾岩和砂泥互层两种岩性的识别问题，如图4所示，倒数第3道为基于本发明识别的岩性，与倒数第6道岩心描述岩性符合非常好，经过12口盲井检验，岩性识别符合率达到91％以上。通过泥质含量划分泥砾岩类型，以泥质含量大于30％的泥砾岩为隔夹层，最终实现基于电成像测井的油砂隔夹层定量识别，如图5所示。
综上，鉴于目前油砂行业普遍采用大量的全井段取心来刻画隔夹层，利用测井资料进行油砂隔夹层识别的研究极少且精度不高，本发明以岩心岩性为基础，通过分析油砂7种岩性的测井响应特征，基于交会图技术优选出自然伽马、岩性密度和光电截面指数为岩性敏感的常规测井曲线，针对泥砾岩和砂泥互层两种重要岩性常规测井无法区分的难题，首次提出基于电成像测井资料构建横向和纵向差值方差两个特征参数，能够有效识别泥砾岩和砂泥互层，最终采用支持向量机分类建立岩性识别模型，并开展岩性识别，总体符合率达到91％以上，从而实现基于测井资料准确识别油砂隔夹层，为减少钻井取心，降低开发成本奠定基础。
上述各实施例仅用于说明本发明，各个步骤都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别步骤进行的改进和等同变换，均不应排除在本发明的保护范围之外。

Claims (10)

1.一种基于电成像测井的油砂隔夹层定量识别方法，其特征在于，包括以下步骤：
步骤1：对电成像测井资料预处理；
步骤2：基于电成像测井192条曲线，分别计算其纵向和横向差值方差2个参数，用于区分泥砾岩和砂泥互层两种岩性，泥砾岩的纵向和横向差值方差大于砂泥互层；
步骤3：对7种岩性进行测井响应特征分析，利用交会图技术，选出自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差为岩性敏感参数；
步骤4：以岩心岩性为基础，分别读取7种岩性所对应的自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差值，利用支持向量机分类建立岩性识别模型；
步骤5：以自然伽马、岩性密度、光电截面指数、纵向差值方法和横向差值方差值为输入曲线，调用岩性识别模型，利用支持向量机分类识别岩性，通过泥质含量划分泥砾岩类型，以泥质含量大于30％的泥砾岩为隔夹层，实现基于电成像测井的油砂隔夹层定量识别；
7种岩性为：砂岩、泥质砂岩、砂泥互层、砂质泥岩、泥岩、泥砾岩和石灰岩。
2.如权利要求1所述识别方法，其特征在于，所述步骤2中，横向差值方差由以下公式计算：
Figure FDA0004040405590000011
Figure FDA0004040405590000012
D_H(r)＝log10(Dh[r])    (3)
其中，n为电成像仪器极板个数；m每个极板的电扣数量；i为列数；r为行数；Ah为横向差值的均值；Dh为横向差值方差；D_H为Dh的对数值；V为电扣的数值；Abs表示取绝对值。
3.如权利要求1或2所述识别方法，其特征在于，所述步骤2中，纵向差值方差由以下公式计算：
Figure FDA0004040405590000013
Figure FDA0004040405590000014
D_V(r)＝log10(Dv[r])    (6)
其中，n为电成像仪器极板个数；m每个极板的电扣数量；i为列数；r为行数；Av为纵向差值的均值；Dv为纵向差值方差；D_V为Dv的对数值；V为电扣的数值；Abs表示取绝对值。
4.如权利要求1所述识别方法，其特征在于，所述步骤3中，对测井曲线两两分别作交会图，寻找对岩性敏感的测井参数，选出自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差对岩性为岩性敏感参数。
5.如权利要求1所述识别方法，其特征在于，所述步骤4中，以7种岩性和自然伽马、岩性密度、光电截面指数作为输入，利用支持向量机分类，建立常规测井岩性识别模型；以泥砾岩、砂泥互层两种岩性和纵向差值方差、横向差值方差作为输入，利用支持向量机分类，建立电成像测井岩性识别模型。
6.如权利要求5所述识别方法，其特征在于，所述步骤5中，以自然伽马、岩性密度、光电截面指数为输入曲线，调用常规测井岩性识别模型，利用支持向量机分类识别除泥砾岩和砂泥互层以外的5种岩性；以基于电成像数据构建的纵向差值方差和横向差值方差为输入曲线，调用电成像测井岩性识别模型；
5种岩性为砂岩、泥质砂岩、砂质泥岩、泥岩和石灰岩。
7.一种基于电成像测井的油砂隔夹层定量识别系统，其特征在于，包括：预处理模块、差值方差计算模块、岩性敏感参数选取模块、岩性识别模型建立模块和识别模块；
所述预处理模块对电成像测井资料预处理；
所述差值方差计算模块基于电成像测井192条曲线，分别计算其纵向和横向差值方差2个参数，用于区分泥砾岩和砂泥互层两种岩性，泥砾岩的纵向和横向差值方差大于砂泥互层；
所述岩性敏感参数选取模块对7种岩性进行测井响应特征分析，利用交会图技术，选出自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差为岩性敏感参数；
所述岩性识别模型建立模块以岩心岩性为基础，分别读取7种岩性所对应的自然伽马、岩性密度、光电截面指数、纵向差值方差和横向差值方差值，利用支持向量机分类建立岩性识别模型；
所述识别模块以自然伽马、岩性密度、光电截面指数、纵向差值方法和横向差值方差值为输入曲线，调用岩性识别模型，利用支持向量机分类识别岩性，通过泥质含量划分泥砾岩类型，以泥质含量大于30％的泥砾岩为隔夹层，实现基于电成像测井的油砂隔夹层定量识别；
7种岩性为：砂岩、泥质砂岩、砂泥互层、砂质泥岩、泥岩、泥砾岩和石灰岩。
8.如权利要求7所述识别系统，其特征在于，所述差值方差计算模块中，横向差值方差由以下公式计算：
Figure FDA0004040405590000031
Figure FDA0004040405590000032
D_H(r)＝log10(Dh[r])    (3)
纵向差值方差由以下公式计算：
Figure FDA0004040405590000033
Figure FDA0004040405590000034
D_V(r)＝log10(Dv[r])    (6)
其中，n为电成像仪器极板个数；m每个极板的电扣数量；i为列数；r为行数；Av为纵向差值的均值；Dv为纵向差值方差；D_V为Dv的对数值；Ah为横向差值的均值；Dh为横向差值方差；D_H为Dh的对数值；V为电扣的数值；Abs表示取绝对值。
9.如权利要求7所述识别系统，其特征在于，所述岩性识别模型建立模块中，以7种岩性和自然伽马、岩性密度、光电截面指数作为输入，利用支持向量机分类，建立常规测井岩性识别模型；以泥砾岩、砂泥互层两种岩性和纵向差值方差、横向差值方差作为输入，利用支持向量机分类，建立电成像测井岩性识别模型。
10.如权利要求9所述识别系统，其特征在于，所述识别模块中，以自然伽马、岩性密度、光电截面指数为输入曲线，调用常规测井岩性识别模型，利用支持向量机分类识别除泥砾岩和砂泥互层以外的5种岩性；以基于电成像数据构建的纵向差值方差和横向差值方差为输入曲线，调用电成像测井岩性识别模型；
5种岩性为砂岩、泥质砂岩、砂质泥岩、泥岩和石灰岩。
CN202010829818.XA 2020-08-18 2020-08-18 一种基于电成像测井的油砂隔夹层定量识别方法及系统 Active CN111983702B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010829818.XA CN111983702B (zh) 2020-08-18 2020-08-18 一种基于电成像测井的油砂隔夹层定量识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010829818.XA CN111983702B (zh) 2020-08-18 2020-08-18 一种基于电成像测井的油砂隔夹层定量识别方法及系统

Publications (2)

Publication Number Publication Date
CN111983702A CN111983702A (zh) 2020-11-24
CN111983702B true CN111983702B (zh) 2023-05-05

Family

ID=73434659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010829818.XA Active CN111983702B (zh) 2020-08-18 2020-08-18 一种基于电成像测井的油砂隔夹层定量识别方法及系统

Country Status (1)

Country Link
CN (1) CN111983702B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4617825A (en) * 1985-09-12 1986-10-21 Halliburton Company Well logging analysis methods for use in complex lithology reservoirs
CN102071928B (zh) * 2009-11-25 2013-05-29 中国石油天然气股份有限公司 一种三维空间火山岩岩性识别方法
KR101148835B1 (ko) * 2010-11-29 2012-05-29 한국지질자원연구원 물리검층 자료의 통계분석을 이용한 오일샌드 저류층 암상 예측방법 및 이를 구현하는 시스템
CN103529475B (zh) * 2013-04-19 2016-08-03 中国石油大学(华东) 一种识别和解释碳酸盐岩古岩溶储层三维结构的方法
CN104698500A (zh) * 2015-04-07 2015-06-10 成都乔依赛斯石油科技有限公司 一种利用地质和测井信息预测储层成岩相的方法
CN111487691B (zh) * 2020-01-19 2022-06-24 西北大学 一种致密砂岩储层岩性及砂体结构定量识别方法
CN111323844B (zh) * 2020-03-14 2023-04-21 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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN111983702A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN103993871B (zh) 针对薄互层地层的测井资料标准化处理方法及装置
CN102508317B (zh) 一种识别缝洞型碳酸盐岩储层流体性质的方法
KR101148835B1 (ko) 물리검층 자료의 통계분석을 이용한 오일샌드 저류층 암상 예측방법 및 이를 구현하는 시스템
CN103529475A (zh) 一种识别和解释碳酸盐岩古岩溶储层三维结构的方法
CN106842307A (zh) 一种基于正演约束下波形分类再检索的储层精细预测方法
CN104698506B (zh) 一种适合非均质盐湖盆地油气来源识别方法
Torghabeh et al. Electrofacies in gas shale from well log data via cluster analysis: a case study of the Perth Basin, Western Australia
CN110717301A (zh) 一种基于支持向量机算法的流动单元信息分类识别方法
CN110727034A (zh) 一种砂岩型铀矿编图方法
CN105093304A (zh) 一种地球物理勘探利用测井曲线自动求取岩性曲线的方法
CN111257968A (zh) 古河谷型铀矿找矿空间定位方法
CN111487691B (zh) 一种致密砂岩储层岩性及砂体结构定量识别方法
CN109324171A (zh) 一种基于岩性统计的沉积相定量识别方法
CN117365458A (zh) 一种混积型页岩储层岩性测井识别方法
Wei et al. Characterization of saturation and pressure distribution based on deep learning for a typical carbonate reservoir in the Middle East
CN106372751A (zh) 一种相对古水深指标参数的测井预测方法
Taheri et al. Quantifying fracture density within the Asmari reservoir: an integrated analysis of borehole images, cores, and mud loss data to assess fracture-induced effects on oil production in the Southwestern Iranian Region
CN111983702B (zh) 一种基于电成像测井的油砂隔夹层定量识别方法及系统
Osmond Greater Natural Buttes gas field, Uintah County, Utah
Bi et al. Water abundance comprehensive evaluation of coal mine aquifer based on projection pursuit model
CN1040245A (zh) 一种测井信息的解释处理方法
CN115204563A (zh) 一种适用于砂岩型铀矿找矿目标层的评价方法
CN111335870B (zh) 一种确定油气潜力的方法、装置
CN110795513B (zh) 河流相源储异位型致密油气甜点区分布的预测方法
CN109598049B (zh) 钻孔岩石裂隙发育程度及区域岩石裂隙发育规律的方法

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