CN112182966B - 一种基于多源测录井数据的生物扰动储集层识别方法 - Google Patents

一种基于多源测录井数据的生物扰动储集层识别方法 Download PDF

Info

Publication number
CN112182966B
CN112182966B CN202011037612.XA CN202011037612A CN112182966B CN 112182966 B CN112182966 B CN 112182966B CN 202011037612 A CN202011037612 A CN 202011037612A CN 112182966 B CN112182966 B CN 112182966B
Authority
CN
China
Prior art keywords
logging
reservoir
layer
biological disturbance
disturbance
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
CN202011037612.XA
Other languages
English (en)
Other versions
CN112182966A (zh
Inventor
牛永斌
向威
单婷婷
胡舒茵
王培俊
赵佳如
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.)
Henan University of Technology
Original Assignee
Henan University of Technology
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 Henan University of Technology filed Critical Henan University of Technology
Priority to CN202011037612.XA priority Critical patent/CN112182966B/zh
Publication of CN112182966A publication Critical patent/CN112182966A/zh
Application granted granted Critical
Publication of CN112182966B publication Critical patent/CN112182966B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/203—Drawing of straight lines or curves

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Geology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开一种基于多源测录井数据的生物扰动储集层识别方法，包括如下步骤：获取生物扰动储集层，并基于多源测录井方法获取生物扰动储集层的测井曲线及FMI电阻率成像测井图像；对测井曲线进行标准化检测及标准化处理；基于测井曲线及数据获取测井曲线响应特征；基于FMI电阻率成像测井图像获取FMI电阻率成像测井响应特征；基于BP神经网络构建生物扰动储集层识别模型，并通过测井曲线响应特征、FMI电阻率成像测井响应特征对生物扰动储集层识别模型进行训练，通过训练好的生物扰动储集层识别模型对生物扰动储集层的生物扰动指数进行识别。本发明能够准确可靠的对生物扰动作用形成的储集层进行识别。

Description

一种基于多源测录井数据的生物扰动储集层识别方法
技术领域
本发明涉及储集层识别技术领域，特别是涉及一种基于多源测录井数据的生物扰动储集层识别方法。
背景技术
储集层是具有连通孔隙、允许油气在其中储存和渗滤的岩层。储集层的储集能力是由储集层的岩石物理性质决定的，通常包括其孔隙性、渗透性；孔隙性决定了储集层储存能力的大小，渗透性决定了储集物的渗流能力。储集层的岩石物理性质能够反映在地球物理测井参数上，对于储集层识别可以通过常规测井技术并结合测井新技术。储集层类型的划分主要是依据自然电位曲线结合自然伽马曲线，并通过中子、密度、声波、电阻率曲线等特征判别储集层好坏，如结合地质特征、钻井、录井显示、试油资料以及岩心分析等，综合准确分析储层的储集能力。目前对常规岩性油气储层和缝洞型潜山油气储集层的识别，方法比较多，也相对成熟。但是对于生物扰动作用形成的油气储集层还没有很好的方法，储层识别质量也不高。
因此，有必要提出一种能够准确可靠的对生物扰动作用形成的储集层进行识别的方法。
发明内容
本发明的目的是提供一种基于多源测录井数据的生物扰动储集层识别方法，以解决现有技术中存在的技术问题，能够准确可靠的对生物扰动作用形成的储集层进行识别。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于多源测录井数据的生物扰动储集层识别方法，包括如下步骤：
S1、获取生物扰动储集层，并基于多源测录井方法获取生物扰动储集层的测井曲线及FMI电阻率成像测井图像；
S2、对多源测录井方法获取的测井曲线进行标准化检测及标准化处理；
S3、基于标标准化处理后的测井曲线及数据，获取生物扰动储集层的测井曲线响应特征；
S4、基于FMI电阻率成像测井图像，获取生物扰动储集层的FMI电阻率成像测井响应特征；
S5、基于BP神经网络构建生物扰动储集层识别模型，并通过生物扰动储集层的测井曲线响应特征、FMI电阻率成像测井响应特征对所述生物扰动储集层识别模型进行训练，通过训练好的生物扰动储集层识别模型对生物扰动储集层的生物扰动指数进行识别。
优选地，所述步骤S1中，生物扰动储集层的生物扰动强度大于30％。
优选地，所述步骤S1中，多源测录井数据的获取包括：自然电位测井SP、自然伽马测井GR、井径测井CAL、双侧向电阻率测井、声波测井、补偿中子测井CNL、补偿密度测井DEN，其中，所述双侧向电阻率测井包括深侧向RD和浅侧向RS。
优选地，所述步骤S2中，对多源测录井方法获取的测井曲线进行标准化检测及标准化处理的具体方法包括：
S2.1、设置关键井，以及所述关键井、待标准化井的标准层；
S2.2、分别计算关键井与待标准化井的标准层参数的频率分布直方图及特征峰值，频率分布差异小于预设阈值，则无需标准化，否则，执行步骤S2.3对测井曲线进行标准化处理；
S2.3、基于关键井与待标准化井的标准层参数的特征峰值对待标准化井进行标准化处理。
优选地，所述步骤S3中，选取若干个取心井，对于同一口井相同层位以及不同井的不同层位，分别对生物扰动段和非生物扰动段的特征参数进行对比，得到生物扰动储集层的测井曲线响应特征。
优选地，所述步骤S4中，选取若干个取心井，对于同一口井相同层位以及不同井的不同层位，分别对生物扰动段和非生物扰动段的FMI电阻率成像测井图像进行对比，得到生物扰动储集层的FMI电阻率成像测井响应特征。
优选地，所述步骤S5中，所述BP神经网络由输入层、隐含层和输出层组成，所述隐含层有1个或多个。
优选地，所述步骤S5中，所述隐含层的数量为1，所述隐含层的节点数为5。
优选地，所述步骤S5中，所述生物扰动储集层识别模型的训练函数为rprop函数。
优选地，所述隐含层的激活函数为linear piece symmetric函数，所述输出层的激活函数为elltot函数。
本发明公开了以下技术效果：
(1)本发明基于自然电位测井SP、自然伽马测井GR、井径测井CAL、双侧向电阻率测井、声波测井、补偿中子测井CNL、补偿密度测井DEN多源测录井方法获取生物扰动储集层数据，且生物扰动储集层数据包括测井曲线及FMI电阻率成像测井图像，能够融合生物扰动储集层的多源特征，有效实现了对生物扰动储集层的准确识别；
(2)本发明通过设置关键井以及关键井、待标准化井的标准层来对测井曲线进行标准化检测及标准化处理，能够有效避免环境因素和仪器刻度的不确定性对生物扰动储集层识别精度的影响；
(3)本发明依据岩心标定常规测井、成像测井，并对同一口井相同层位及不同井的不同层位的生物扰动段和非生物扰动段进行识别和对比，能够有效提高对生物扰动储集层的识别精度。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于多源测录井数据的生物扰动储集层识别方法流程图；
图2为本发明实施例中生物扰动指数示意图；
图3为本发明实施例中T208井和S77井常规测井参数标准化频率直方图；其中，图3(a)为自然电位标准化频率直方图，图3(b)为自然伽马标准化频率直方图自然电位标准化频率直方图，图3(c)为井径标准化频率直方图自然电位标准化频率直方图，图3(d)为浅侧向电阻率标准化频率直方图自然电位标准化频率直方图，图3(e)为深侧向电阻率标准化频率直方图自然电位标准化频率直方图，图3(f)为声波时差标准化频率直方图自然电位标准化频率直方图，图3(g)为补偿中子标准化频率直方图自然电位标准化频率直方图，图3(h)为密度标准化频率直方图自然电位标准化频率直方图；
图4为本发明实施例中T208井非生物扰动层测井特征图；
图5为本发明实施例中T208井生物扰动层测井特征图；
图6为本发明实施例中S77井井深5572.875-5573.375m的生物扰动层测井特征图；
图7为本发明实施例中S77井井深5543-5543.5m的生物扰动层测井特征图；
图8为本发明实施例中S74井非生物扰动层与T208井生物扰动层成像测井对比图；
图9为本发明实施例中BP神经网络结构示意图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1所示，本实施例提供一种基于多源测录井数据的生物扰动储集层识别方法，以塔河油田奥陶系鹰山组和一间房组的生物扰动型储集层为例对本发明基于多源测录井数据的生物扰动储集层识别方法进行说明，具体包括如下步骤：
S1、选取生物扰动储集层，并基于多源测录井方法获取生物扰动储集层的测井曲线及FMI电阻率成像测井图像；
在地下含水层和油气藏中，生物扰动的存在显著影响流体的流动。特别是对于海相沉积岩，其潜穴周围的基质更具渗透性，更大程度的三维洞穴连通性产生通过岩石的优选流体流动路径，认识到这些流动管道能够使资源开采最优化，且有助于增加对非储集岩的储量估计。本实施例中，奥陶系鹰山组和一间房组生物扰动岩心的研究表明，岩心上主要识别出的生物扰动类型为海生迹类生物潜穴，为三度空间的潜穴系统，在水平方向上呈多枝网络状互相连接，垂直管与沉积表层相通，为甲壳类生物居住和觅食的潜穴，常出现在潮间带滨海环境。通过对三种条件下(产气量分别来自基质、海生迹潜穴网络、海生迹潜穴网络)共15种潜穴强度(范围为2％-70％)的海生迹潜穴网络(Marine Trace BurrowNetwork，TBN)模型的数值流动模拟结果表明，对于不可渗透的基质，天然气的生产将通过TBN进行，在生物扰动强度大于30％的模型中产生了大量的气体，天然气总产量(GPC)均大于11SM3，且其随着TBN生物扰动强度的增大呈线性增加，形成了具有工业价值的产气量。
本实施例中，对于研究区奥陶系生物扰动储集层的研究，均基于生物扰动强度为30％以上的岩心，因为只有生物扰动强度高于30％的储集层的研究对于实际的储量估计、工业生产才具有研究和经济价值。按照Taylor和Goldring对生物扰动等级的划分标准去评估生物扰动强度，如表1所示，30％以上的生物扰动强度对应的生物扰动指数为3-6。图2为生物扰动指数的示意图，其中碳酸盐岩相生物扰动指数0-6所对应的图片为研究区奥陶系鹰山组和一间房组典型的生物扰动岩心照片。
表1
Figure BDA0002705542510000051
在实际测井中由于测井曲线众多，其所反映的储层岩性、物性及流体的性质也有所不同。本实施例中，多源测录井数据的获取包括：自然电位测井(Spontaneous-Potentiallog，SP)、自然伽马测井(natural Gamma-Ray logging,GR)、井径测井(Caliper log,CAL)、双侧向电阻率测井、声波测井(Acoustic logging，AC)、补偿中子测井(CompensatedNeutron Logging，CNL)、补偿密度测井(compensated Densilog，DEN)，其中，双侧向电阻率测井包括深侧向RD和浅侧向RS。
测井曲线是在测井时形成的确定且连续的特殊物理曲线，用于反映不同的地层和岩性特征，目前已广泛应用于岩石学、地层学、沉积学等地质学领域；由于测井曲线是在地下自然条件利用设备直接测得的，故其更接近储层的实际情况，较能客观和全面的反映储层的性质与特征，因此在实际的储层研究中利用相关的测井曲线及数据进行储集层的识别和储层参数的计算。
SP是在裸眼井中测量井轴上自然产生的电位变化以研究井剖面地层性质的一种测井方法。SP曲线记录了随深度变化的井中移动电极和地面固定电极之间的电位差，SP曲线的偏转由流过井内泥浆中的电流造成，而电流又由地层中电化学和动电学起因的电动势造成。在泥岩层，SP曲线通常接近一条直线即所谓的泥岩基线；在渗透性地层，SP曲线偏离泥岩基线，地层相当厚时曲线达到一个基本的偏转(向左或向右)幅度，当地层水矿化度大于泥浆滤液矿化度，曲线向左偏转；地层水矿化度小于泥浆滤液矿化度时曲线向右偏转。SP曲线在地质上主要用于估计泥质含量、划分储集层、判断岩性、地层对比和沉积相研究、计算地层水电阻率。在SP曲线上一切偏离泥岩基线的明显异常均能够作为孔隙性和渗透性较好的储集层的标志；由于SP曲线分层简单，单层的SP曲线形态能够反映粒度分布和沉积能量变化的速率，多层曲线形态能够反映一个沉积单位的纵向沉积序列进而能够作为划分沉积相的标志，故其常被作为单层划相、井间对比的手段。
GR是用伽马射线探测器测量地层总的自然伽马放射性的强度以研究地层性质和寻找放射性矿床的测井方法。地层的放射性主要由铀、钍、钾等放射性元素(主要是K40、U238和TH232)以及后两者的衰变产物所放射的伽马射线决定的，这些放射性元素在衰变时会释放出具有特定能量的伽马光子，测井仪器主要探测到的是能量大于100KeV的光子，能量小于100keV的光子由于在穿透地层和仪器外壳时被大量吸收导致其对测井读数的影响忽略不计。GR在地质上主要用于划分岩性、进行地层对比以及计算地层泥质含量。在沉积地层中，由于不同的岩石含有不同的自然放射性物质含量，能够依据GR值的高低来定性区分岩性；随着泥质含量的增加，GR的测井响应值随之增高，一般来说较纯的灰岩和白云岩的GR值较低(15-30API)；GR的幅度主要与地层中放射性物质含量有关，在一定的地区，同一时段正常沉积的地层由于岩性通常基本一致且放射性物质含量较为稳定，区域地层对比时能够依据GR幅度的高低和形态选定标准层；GR曲线反映了地层的自然放射性，主要与沉积环境相关，故能够计算泥质含量，在测井曲线上泥质一般表现为高GR。
CAL是一种利用井径仪测量井眼变化的测井方法，井径仪主要由反映井径变化的机械结构和把机械位移转变成电信号的机电转换装置组成，将井径仪下到预计测量深度打开井径腿，随着仪器的向上提升，井径腿因井径的变化发生张缩并带动连杆上下运动，此时与连杆相连的电位器的滑动端将井径的变化转变为电阻的变化，当一定的电流通过滑动电阻时，测量其某一固定端与滑动端的电位差能够间接反映井径的大小。CAL在地质上的应用主要是识别岩性、校正环境。对于致密岩层，由于实际井径接近钻头直径故井径一般变化不大；而渗透性岩层，由于泥浆滤液常向岩层渗透并在井壁上形成泥饼，实际井径小于钻头直径从而出现井径缩小的现象。
双侧向测井是在三侧向测井和七侧向测井的基础上发展起来的一种深、浅侧向的组合电阻率测井方法，双侧向测井以七侧向电极系结构为基础、两侧增设柱状电极做辅助屏蔽电极(深侧向RD)或供电电流回流电极(浅侧向RS)，使得深侧向探测深度增加、浅侧向探测深度适中，深、浅侧向的纵向分辨率相同且受围岩及层厚的影响基本一致。由于探测深度不同，深侧向测井测出的视电阻率主要反映原状地层的电阻率，浅侧向测井主要反映侵入带的电阻率。双侧向测井在地质上的应用主要是确定地层的真电阻率、划分岩性剖面、判断油水层。深、浅侧向测得的视电阻率经过校正一系列影响因素(井眼、围岩和层厚、侵入)之后，能够确定岩层的真电阻率；由于井眼分流小，岩层电阻率不同在曲线上产生明显变化，深、浅测井可分辨0.6m以上的地层，若目的层与邻层电阻率差异较大，则厚度在0.4m即可分辨；重叠绘制深浅侧向曲线，在渗透层井段出现幅度差，深侧向大于浅侧向意味着泥浆低侵称之为正幅度差，为含油气井段，反之则意味着泥浆高侵称之为负幅度差，为含水井段。
AC是通过测量井壁介质的声学性质来判断井壁地层的地质特性以及井眼工程状况的测井方法。井中的声源发出声波引起周围质点的振动从而在地层中产生体波(纵波和横波)、在井壁-钻井液界面上产生诱导的界面波(瑞利波和斯通利波)，这些波作为地层信息的载体被井下声波接收器接受并返送回地面记录下来，故AC曲线记录了声波通过1ft地层所需传播时间随深度的变化。AC在地质上主要用于划分岩性、作地层对比、确定地层孔隙度。在碳酸岩剖面，一般来说灰岩和白云岩的时差低，当其为孔隙性或裂溶性时，声波时差明显增大；声波时差与孔隙度关系密切，通过实验或统计的方法建立声波时差与孔隙度的关系式，在计算地层孔隙度时常用的声波测井响应方程为Wyllie时间平均公式和Raymer时间平均非线性公式，其中，声波时差确定的是岩石的总孔隙度。
CNL是一种在贴井壁的滑板上安装同位素中子源和远、近两个中子探测器，且用两个探测器所探测的热中子的计数率比值来测量地层含氢指数的测井方法。中子源向地层发射中子，在源的周围形成超热中子，与地层物质的原子核碰撞减速进而能量减小形成热中子，热中子进行无规则的扩散直至被原子核俘获。其中热中子的扩散主要受地层的含氢指数的影响，源周围含氢指数越高(地层孔隙度大)，大量的热中子直接被减速和俘获，热中子的密度小导致中子探测器的计数率低；当含氢指数低(地层孔隙度小)时，热中子在被俘获之前传播到离中子源较远的地方，热中子的密度大导致中子探测器的计数率高。CNL在地质上主要用于确定地层的孔隙度、判断岩性和识别气层。由于仪器在饱含淡水的纯石灰岩刻度井中进行刻度，对于灰岩地层其测得的孔隙度为地层的真孔隙度，对于其他地层则其测得的是地层的视孔隙度，需进行岩性校正。
DEN是一种用伽马源发射的伽马射线照射地层根据康普顿效应测量地层体积密度的测井方法。当装在贴井壁滑板中屏蔽体内的放射源向地层发射中等能量的伽马射线(能量大于0.15MeV，小于1.02MeV)时，在地层中与原子中的电子发生碰撞，一部分能量传递给电子使其沿着某一方向射出，而损失了这部分能量的伽马射线会沿着另一方向继续运动，这就是康普顿效应。DEN在地质上主要用于确定岩层的孔隙度、判断岩性及识别气层。在通常情况下，能够根据已知的典型岩石密度判断岩性，如石灰岩2.71g/cm3和白云岩2.87g/cm3；天然气相对于地层水和石油密度低，气层在中子测井上常表现为低孔隙度，密度曲线与中子曲线重叠可识别气层。
本实施例中，研究区奥陶系鹰山组和一间房组的测井数据显示，岩性主要为黄灰色泥(微)晶灰岩、砂屑灰岩，岩性较致密纯净。从测井曲线上看，对于致密碳酸盐岩基质，测井曲线主要表现为低自然伽马、高电阻率以及高密度；对于研究区生物扰动储集层，生物扰动岩心上的砂屑团块大多被油迹浸染、地质录井评价为油迹或油斑，当地层为油层时，侵入带孔隙空间中的油会被钻井液滤液取代导致地层电阻率降低，从而在双侧向测井曲线上表现为“正异常”；砂屑团块充填的白云石晶体间形成了许多的晶间孔，在砂屑团块边界及周围发育的微裂隙和缝合线能够沟通这些孔隙形成网状通道进而利于油气的保存及运移，由于声波、中子、和密度测井可以反映地层的孔隙度，地层孔隙性较好时三条孔隙型曲线一般表现为声波时差增大、中子和密度值减小。
S2、对多源测录井方法获取的测井曲线进行标准化检测及标准化处理；
测井数据的误差主要来源于环境因素的影响和仪器刻度的不确定性，在油田勘探和开发过程中很难保证所有井的测井数据均采用同类型的仪器、统一的标准刻度装置以及相同的操作方式，引起刻度误差，故在校正环境对测井数据的影响之后，有必要对数据进行标准化处理以减小或消除因仪器刻度不准确所产生的影响。标准化的依据是同一地区同一层系的岩层具有相同的沉积环境和相似的参数分布特征，故不同井中同一标准层的测井数据具有相同的频率分布，进行标准化时需分别分析关键井的标准层及待标准化井的标准层的测井曲线的频率分布及该分布的特征参数，如平均数，进而求出校正系数。选择的关键井需从整体上反映该地区地质特征的变化趋势，井眼条件好，测井系列完善且测井质量好，目的层段取心及录井资料齐全；标准层需要在研究区每口井中都存在，发育良好，测井数据包括尽可能少的异常测井值，例如井壁垮塌引起的误差，测井资料不受烃类的影响。
本实施例中，选取了研究区T208井奥陶系5625-5630m的生物扰动井段作为标准层段，S77井奥陶系5587-5592m的生物扰动井段作为待标准化的标准层段，并对两井的常规测井参数分别作其频率直方图以寻其特征峰值。两井的常规测井参数的频率直方图如图3所示，由图3可知，两口井标准层的自然电位峰值分别为41.5mV和70.2mV，则S77井的自然电位的校正量为-28.7mV；自然伽马的峰值分别为9.3API和8.5API，则S77井的自然伽马的校正量为+0.8API；井径的峰值分别为6.32cm和6.09cm，则S77井的井径的校正量为+0.23cm；浅侧向电阻率的峰值分别为165Ω·m和150Ω·m，则S77井的浅侧向电阻率的校正量为+15Ω·m；深侧向电阻率的峰值分别为205Ω·m和177Ω·m，则S77井的浅侧向电阻率的校正量为+28Ω·m；声波时差的峰值分别为51.1μs·ft-1和49.7μs·ft-1，则S77井的声波时差的校正量为+1.4μs·ft-1；补偿中子的峰值分别为1.275％和0.4％，则S77井的补偿中子的校正量为+0.875％；密度的峰值分别为2.683g·cm-3和2.695g·cm-3，则S77井的密度的校正量为-0.012g·cm-3。
研究区奥陶系鹰山组和一间房组的岩性较纯且变化不大，由图3可知两井对应的常规测井参数的频率分布差异小于预设阈值，这表明仪器的数据刻度准确，在研究区生物扰动储集层的实际应用中无需再对其进行测井数据的标准化处理，仅对相应的常规测井数据进行标准化的检验；本实施例中，SP、CNL与标准井之间的差异小于70％则无需进行测井数据的标准化处理；GR、CAL、RS、RD、AC、DEN与标准井之间的差异小于15％则无需进行测井数据的标准化处理。当两口井的直方图频率分布不一致时可能是由岩石物理特性的变化或这测量值的误差引起的，岩石物理性质的变化会对所有的测井值产生影响，而仪器方面的测量误差仅对该仪器的测量产生影响。
S3、基于标标准化处理后的测井曲线及数据，获取生物扰动储集层的测井曲线响应特征；
本实施例在对研究区奥陶系鹰山组和一间房组生物扰动岩心观察的基础上，对研究区3口取心井(T208、S74、S77)对应的常规测井曲线进行分析，分析结果如表2所示，由表2可知，非生物扰动层具有高的自然电位、低自然伽马、高的电阻率、低声波时差和补偿中子以及十分接近纯灰岩的密度；生物扰动指数为3-4的储集层与非生物扰动层相比，自然电位和自然伽马值均降低、电阻率值明显降低且显示正异常(深侧向大于浅侧向)、声波时差和补偿中子值增大、密度值减小；生物扰动指数为5-6的储集层与非生物扰动层相比，自然电位值明显增大、声波时差增大、补偿中子和密度值降低。其中，T208井和S77井生物扰动发育段与非生物扰动段测井参数统计结果如表3所示。
表2
Figure BDA0002705542510000111
表3
Figure BDA0002705542510000112
T208井井深5577-5578m的测井特征如图4所示，取心资料显示其岩性为泥微晶灰岩。由图4和表2可知，其测井特征为自然电位呈较高值，为55-58mV；自然伽马呈较低值，为14.5-17.6API；井径为6.76-6.84cm；双侧向电阻率曲线呈负幅度差，电阻率值较高，浅侧向电阻率为1105-1764Ω·m，深侧向电阻率为924-1503Ω·m；声波时差和补偿中子值低，分别为48.5-49.0μs·ft-1和0.70-0.76％；密度值接近纯灰岩，为2.717-2.714g·cm-3。
T208井井深5627.875-5628.375m、5629.5-5630m(生物扰动指数为3)和5628.5-5628.375m(生物扰动指数为4)的测井特征如图5所示，取心资料显示其岩性为油斑砂屑灰岩。生物扰动指数为3时，自然电位为39-43mV、自然伽马为9.1-9.7、井径为6.24-6.31cm、浅侧向电阻率为157-201Ω·m和浅侧向电阻率为189-246Ω·m、声波时差为50.8-51.5μs·ft-1、补偿中子为1.19-1.31％、密度值为2.679-2.682；生物扰动指数为4时，自然电位为41-43mV、自然伽马为9.7-10.7、井径为6.29-6.33cm、浅侧向电阻率为170-215Ω·m和浅侧向电阻率为203-274Ω·m、声波时差为50.5-51.4μs·ft-1、补偿中子为1.12-1.31％、密度值为2.676-2.678。与图4所反映的非生物扰动层位相比可知其测井特征为自然电位、自然伽马、电阻率明显降低，声波时差和补偿中子明显增大、井径和密度值减小。
S77井井深5572.875-5573.375m(生物扰动指数为5)和5543-5543.5m(生物扰动指数为6)的测井特征分别如图6、图7所示，取心资料显示其岩性为油斑砂屑灰岩。生物扰动指数为5时，自然电位为71-72mV、自然伽马为9.0-9.7、井径为6.06-6.11cm、浅侧向电阻率为83-107Ω·m和浅侧向电阻率为145-189Ω·m、声波时差为51.6-53μs·ft-1、补偿中子为0.56-0.65％、密度值为2.67-2.686；生物扰动指数为6时，自然电位为71-75mV、自然伽马为10.7-12.7、井径为6.13-6.19cm、浅侧向电阻率为361-435Ω·m和浅侧向电阻率为477-581Ω·m、声波时差为49.3-49.7μs·ft-1、补偿中子为0.33-0.45％、密度值为2.676-2.685。与图4所揭示的非生物扰动层段相比可知，其测井特征为自然电位、自然伽马、电阻率明显降低，声波时差和补偿中子明显增大、井径和密度值减小。自然电位值明显增大、井径、电阻率、补偿中子明显降低、声波时差增大、密度值降低。
S4、基于FMI电阻率成像测井图像，获取生物扰动储集层的FMI电阻率成像测井响应特征；
通过FMI电阻率成像测井图像，能够识别非生物扰动层段岩层的层状结构，但其没有岩心上的现象明显；在生物扰动发育段的岩心上发现了大量的深灰色或灰黑色斑块状或顺层状分布的团块，这些团块在成像测井图像上主要表现为深灰色或黑色的斑状点，形状上呈小型不规则状，颜色整体较未扰动层段深，呈高电导异常。
本实施例研究区S74井非生物扰动层段与T208井生物扰动层段的成像测井对比如图8所示，在图8中，左边为S74井奥陶系鹰山组5725-5725.5m非生物扰动层的成像测井图像；右边为T208井奥陶系一间房组5630-5632.5m生物扰动层的成像测井图像。由图8可知，非扰动层段的层状结构在成像上不太明显，但仍能够识别；扰动层段在成像上表现为黑色不规则的小型斑点，与岩心上的分布较为符合。
S5、基于BP神经网络构建生物扰动储集层识别模型，并通过生物扰动储集层的测井曲线响应特征、FMI电阻率成像测井响应特征对所述生物扰动储集层识别模型进行训练；
S5.1、学习样本选取：
学习样本主要由岩心分析数据或地层测试结果和与之相对应的一组测井响应值构成，为有导师学习的BP神经网络提供示范的模式。学习样本的好坏直接影响到神经网络的收敛速度、能力和预测模式的可靠性，而错误或非代表性的样本在影响神经网络学习精度的同时会将网络引入“歧途”。学习样本含有3个基本要素，即相容性、遍力性、致密性，是决定神经网络预测效果的关键。所谓相容性指样本不能相互矛盾，也指某一模式对的可靠程度，常受多种因素的影响，如测井环境、样品深度与分析误差、某些测井数据的随机干扰等，因此，本实施例对测井数据进行环境影响校正、岩心深度归位和某些测井数据的平滑滤波处理；遍力性指学习样本需包括整个样本空间所有的类，针对整个预测范围而言。取样分析的随机性、测井曲线分辨率与岩心实测点之间的匹配程度、样品数量的多少等因素均会对其产生影响，故在组成样本集之前需要有一个人工筛选、组建及增补学习样本的过程；致密性指同类样本间的距离需达到一定的密集程度，当样本集中某种模式或与之相近的某些模式数量过多或过少会造成样本间分布不合理，使得神经网络过学习或者学习不足，不利于神经网络的推广应用。
本实施例在样本进入学习之前，对学习样本进行处理，具体包括：
1)剔除个别明显异常的点，进而消除其对BP神经网络学习及识别结果的影响；
2)减少相同特征点数以及增加特征明显的典型样本；
3)控制训练样本的总量，避免在薄层及岩层界面处选择对应的岩心数据作为学习样本；
4)对学习样本进行归一化处理，避免因样本各参数项的绝对值差异过大而影响神经网络的学习效果。
本实施例选取了T208井和S77井具有代表性的20个样本点，组成了20×9的样本集，如表4所示，共设计了以下6种包含不同常规测井曲线参数的BP神经网络生物扰动识别的模型：
模型1：SP、GR、CAL、RS、RD、AC、CNL、DEN
模型2：SP、GR、RS、RD、AC、CNL、DEN
模型3：SP、GR、CAL、RS、RD、AC、CNL
模型4：SP、GR、CAL、RS、RD、CNL
模型5：SP、GR、RS、RD、AC、CNL
模型6：SP、GR、RS、RD、CNL；
表4
Figure BDA0002705542510000141
在确定每个模型包含的常规测井曲线参数后，分别将表4中对应的每个模型的测井数据输入生物扰动储集层识别模型，把常规测井曲线参数设为输入列、岩心生物扰动指数设为输出列，对每个模型进行训练。在模型的训练过程中，遵循在满足神经网络模型精度要求的前提下取尽可能紧凑的结构，即以取尽可能少的隐含层节点数为原则，适当调节模型中隐含层的节点数，进而得到每个模型最为合适的隐含层的节点数、均方差及最大迭代次数，如表5所示。以均方差最小为原则、隐含层的节点数和迭代次数为参考。由表5可知，隐含层节点数均为8时，模型5的均方差小；隐含层节点数均为5时，模型2的均方差小；隐含层节点数不同时，模型2与模型4、模型5相比，它们的最大迭代次数均为500000，模型4的隐含层节点数和均方差最大，模型网络结构最复杂，训练效果也不好；虽然模型5的均方差最小、模型2次之，但是模型5的隐含层节点数为8较模型2的隐含层节点数5大，其网络结构较复杂，在同样能够满足模型精度的要求下模型2的网络结构较简单。综合考虑模型2的训练效果最好，即BP神经网络生物扰动识别模型的最终学习样本输入层为自然伽马SP、自然伽马GR、浅侧向电阻率RS、深侧向电阻率RD、声波时差AC、补偿中子CNL、补偿密度DEN，共7个节点；输出层为岩心生物扰动指数，共1个节点。
表5
Figure BDA0002705542510000151
S5.2、基于BP神经网络构建生物扰动储集层识别模型：
BP算法是误差逆向传播算法(Error Back Propagation)的简称，是一种多层前馈网络所使用的监督型学习算法，属于有导师的学习算法，由正向传播和反向传播组成。在正向传播阶段，每一层神经元的状态只会影响下一层神经元的状态；当输出层得不到期望的输出值时则会进入误差的反向传播阶段，此时网络会依据反向传播的误差信号修改各层的连结权(从输出层开始，逐步向后递推直至隐含层)，寻找出最佳权集在小于给定误差时结束网络的学习，进而实现网络的正确输出。BP算法的基本思想是LMS(Least Mean Square，最小二乘均方)学习算法，使用梯度搜索技术以期最小化网络的实际输出与期望输出间的均方差。这种网络又可称为BP网络，由神经元与神经元间的连接权组成,分为输入层、隐含层(可有多个)和输出层。BP神经网络是一种多层前馈神经网络，由于其神经元的变换函数是S型函数，故其输出量均为0-1之间的连续量，能够实现从输入到输出的任意非线形映射。
BP神经网络由输入层、隐含层和输出层组成，其中隐含层有1个或多个。当含有1个隐含层时，将其称为3层BP神经网络，随着隐含层的层数的增加以此类推。通过增加隐含层的层数能够提高模型精度、降低网络误差，但同时也会使网络变得复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。此外通过增加隐含层的节点数也能获得较低的误差，且其训练效果要比增加隐含层的层数更容易实现。本实施例在研究区选择3层BP神经网络(只有1个隐含层)进行模型的训练，BP神经网络生物扰动识别模型的隐含层节点数为5。本实施例基于BP神经网络的生物扰动储集层识别模型如图9所示。其中，图9由左至右依次为输入层、隐含层和输出层，椭圆代表各个层的节点，数字0-14为线号，方框代表隐含层和输出层的激活函数。
BP神经网络的训练函数包括Batch、Incremental、Rprop、Quickprop、Sarprop算法；其中Incremental是一种标准反向传播算法，其权重在每个训练模式后更新，意味着权重在单个时期内会多次更新，使用该算法能够很快地解决一些问题，而其他更高级的问题则不能很好地解决；Batch也是一种标准反向传播算法，其权重在计算整个训练集的均方误差后更新，意味着权重在一个时期仅更新一次，导致训练较慢，但是由于均方误差的计算比增量训练中的计算更为正确，故使用该算法能够解决一些问题；Rprop是一种更高级的批处理训练算法，是自适应的，因此不使用学习速率，但能够通过设置一些其他参数来更改该算法的工作方式，在实际训练过程中使用的学习算法是iRprop训练算法，为标准Rprop训练算法的一个变种；Quickprop是一个更高级的批训练算法，使用学习速率参数和其他更高级的参数，当用户真正明白该算法的工作原理时才建议修改这些高级参数。本实施例对5种训练函数分别进行模型训练，训练结果如表6所示。以均方差最小为原则、迭代次数和训练误差为参考，由表6可知，rprop作为训练函数时模型的均方差为1.148×10-4、训练误差为6.152×10-7。与其它几个训练函数相比，在神经网络识别模型的最大迭代次数均为500000时，rprop训练函数的均方差和训练误差均为最小，在满足模型训练精度的情况下，综合考虑，本实施例选取rprop函数作为BP神经网络生物扰动识别模型的训练函数。
表6
Figure BDA0002705542510000171
BP神经网络的激活函数包括18种，分别为：linear、linear piece、linear piecesymmetric、threshold、threshold symmetric、sigmoid、sigmoid stepwise、sigmoidsymmetric、sigmoid symmetric stepwise、gaussian、gaussian symmetric、gaussianstepwise、elltot、elltot symmetric、sin、sin symmetric、cos、cos symmetric。本实施例在固定了BP神经网络的主体结构及学习样本之后，对隐含层和输出层分别设置不同的激活函数对模型进行训练，由于隐含层和输出层的激活函数种类相同，理论上共有324(18×18)种设置方案；训练过程中，把threshold、threshold symmetric和gaussian stepwise分别作为隐含层的激活函数、除此3种函数之外的任一函数作为输出层的激活函数时，神经网络模型的均方差均为1.25、迭代次数均为500000、训练误差均为0.028；除sigmoid symmetricstepwise、sin、cos、cos symmetric 4种函数外的任意一种函数为隐含层的输入函数、把linear、linear piece和linear piece symmetric分别作为输出层的激活函数时，三个模型训练所得的均方差及迭代次数一样，其中linear和linear piece的训练误差相同，linear piece symmetric的训练误差虽与它们的不同，但比它们的小；当隐含层的激活函数为以上任意一种、threshold和threshold symmetric分别作为输出层的激活函数时，神经网络模型的均方差均为5.944、迭代次数均为500000、训练误差分别为0.134和0.033；当隐含层的激活函数为以上任意一种、gaussian stepwise作为输出层的激活函数时，神经网络模型的均方差均为21.5、迭代次数均为500000、训练误差均为0.484。
综上所述，使用threshold、threshold symmetric和gaussian stepwise作为隐含层或输入层的激活函数时，神经网络模型均达到最大迭代次数、均方差和训练误差比较大，模型的训练效果不好；使用linear、linear piece和linear piece symmetric作为输出层的激活函数时，除sigmoid symmetric stepwise、sin、cos、cos symmetric作为隐含层的激活函数时模型训练结果(均方差、迭代次数)一样，所以只保留三者中的一个作为输出层的激活函数，linear piece symmetric的训练误差最小，故本实施例选择保留linear piecesymmetric函数。此时，对于不同的隐含层和输出层的激活函数组合共有203(15×15-11×2)种设计方案，本实施例给出了部分训练效果较好(固定以上任意一种函数为隐含层的激活函数、输出层的激活函数不固定，从中分别选出训练效果最好的一个模型再进行比较)的激活函数组合的训练结果，训练结果如表7所示。由表7可知，对于隐含层为linear piecesymmetric、输出层为elltot的激活函数组合，神经网络模型的均方差为0.453×10-5，迭代次数为288733、训练误差为0.988×10-7，与其它激活函数组合的训练结果相比，均方差最小，迭代次数和训练误差也相对较小。综合考虑，本实施例选取linear piece symmetric作为BP神经网络生物扰动识别模型隐含层的激活函数，elltot作为输出层的激活函数。
表7
Figure BDA0002705542510000181
S5.3、通过学习样本对生物扰动储集层识别模型进行训练，并通过训练完成的生物扰动储集层识别模型完成生物扰动储集层的生物扰动指数识别；
本实施例通过20个学习样本对生物扰动储集层识别模型的识别精度进行验证，生物扰动指数识别结果的均方差为0.453×10-5，且每个样本在相同生物扰动等级下的方差极小，误差分别为6.400×10-7、1.764×10-7、2.500×10-9和1.731×10-9，总的来说误差均在10-5以下，符合生物扰动储集层识别精度的要求。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (8)

1.一种基于多源测录井数据的生物扰动储集层识别方法，其特征在于，包括如下步骤：
S1、获取生物扰动储集层，并基于多源测录井方法获取生物扰动储集层的测井曲线及FMI电阻率成像测井图像；
S2、对多源测录井方法获取的测井曲线进行标准化检测及标准化处理；
S3、基于标准化处理后的测井曲线及数据，获取生物扰动储集层的测井曲线响应特征；
S4、基于FMI电阻率成像测井图像，获取生物扰动储集层的FMI电阻率成像测井响应特征；
S5、基于BP神经网络构建生物扰动储集层识别模型，并通过生物扰动储集层的测井曲线响应特征、FMI电阻率成像测井响应特征对所述生物扰动储集层识别模型进行训练，通过训练好的生物扰动储集层识别模型对生物扰动储集层的生物扰动指数进行识别；
所述步骤S2中，对多源测录井方法获取的测井曲线进行标准化检测及标准化处理的具体方法包括：
S2.1、设置关键井，以及所述关键井、待标准化井的标准层；
S2.2、分别计算关键井与待标准化井的标准层参数的频率分布直方图及特征峰值，频率分布差异小于预设阈值，则无需标准化，否则，执行步骤S2.3对测井曲线进行标准化处理；
S2.3、基于关键井与待标准化井的标准层参数的特征峰值对待标准化井进行标准化处理；
所述步骤S3中，选取若干个取心井，对于同一口井相同层位以及不同井的不同层位，分别对生物扰动段和非生物扰动段的特征参数进行对比，得到生物扰动储集层的测井曲线响应特征。
2.根据权利要求1所述的基于多源测录井数据的生物扰动储集层识别方法，其特征在于，所述步骤S1中，生物扰动储集层的生物扰动强度大于30％。
3.根据权利要求1所述的基于多源测录井数据的生物扰动储集层识别方法，其特征在于，所述步骤S1中，多源测录井数据的获取包括：自然电位测井SP、自然伽马测井GR、井径测井CAL、双侧向电阻率测井、声波测井、补偿中子测井CNL、补偿密度测井DEN，其中，所述双侧向电阻率测井包括深侧向RD和浅侧向RS。
4.根据权利要求1所述的基于多源测录井数据的生物扰动储集层识别方法，其特征在于，所述步骤S4中，选取若干个取心井，对于同一口井相同层位以及不同井的不同层位，分别对生物扰动段和非生物扰动段的FMI电阻率成像测井图像进行对比，得到生物扰动储集层的FMI电阻率成像测井响应特征。
5.根据权利要求1所述的基于多源测录井数据的生物扰动储集层识别方法，其特征在于，所述步骤S5中，所述BP神经网络由输入层、隐含层和输出层组成，所述隐含层有1个或多个。
6.根据权利要求5所述的基于多源测录井数据的生物扰动储集层识别方法，其特征在于，所述步骤S5中，所述隐含层的数量为1，所述隐含层的节点数为5。
7.根据权利要求5所述的基于多源测录井数据的生物扰动储集层识别方法，其特征在于，所述步骤S5中，所述生物扰动储集层识别模型的训练函数为rprop函数。
8.根据权利要求5所述的基于多源测录井数据的生物扰动储集层识别方法，其特征在于，所述隐含层的激活函数为linear piece symmetric函数，所述输出层的激活函数为elltot函数。
CN202011037612.XA 2020-09-28 2020-09-28 一种基于多源测录井数据的生物扰动储集层识别方法 Active CN112182966B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011037612.XA CN112182966B (zh) 2020-09-28 2020-09-28 一种基于多源测录井数据的生物扰动储集层识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011037612.XA CN112182966B (zh) 2020-09-28 2020-09-28 一种基于多源测录井数据的生物扰动储集层识别方法

Publications (2)

Publication Number Publication Date
CN112182966A CN112182966A (zh) 2021-01-05
CN112182966B true CN112182966B (zh) 2021-08-20

Family

ID=73944417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011037612.XA Active CN112182966B (zh) 2020-09-28 2020-09-28 一种基于多源测录井数据的生物扰动储集层识别方法

Country Status (1)

Country Link
CN (1) CN112182966B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113190784B (zh) * 2021-06-01 2023-10-24 中国石油大学(北京) 一种识别原生白云岩的方法
CN116303626B (zh) * 2023-05-18 2023-08-04 西南石油大学 一种基于特征优化和在线学习的固井泵压预测方法
CN117951476A (zh) * 2024-01-15 2024-04-30 长江大学 页岩油储层的岩性识别模型的构建方法及岩性识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102011583A (zh) * 2010-11-30 2011-04-13 中国石油天然气股份有限公司 一种电成像结合礁滩地质模型识别储层的方法
CN103033820A (zh) * 2013-01-10 2013-04-10 苏州恒知传感科技有限公司 光缆识别方法和设备
CN107238692A (zh) * 2017-05-24 2017-10-10 中国石油天然气股份有限公司 页岩油有利岩石类型的确定方法和装置
CN108956941A (zh) * 2018-06-12 2018-12-07 中国石油天然气股份有限公司 页岩层理识别方法
JP2019211935A (ja) * 2018-06-01 2019-12-12 日本電信電話株式会社 分析装置、分析方法および分析プログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106842301B (zh) * 2016-12-22 2018-09-04 中国石油天然气股份有限公司 一种凝灰质砂岩有利储层的定量识别与预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102011583A (zh) * 2010-11-30 2011-04-13 中国石油天然气股份有限公司 一种电成像结合礁滩地质模型识别储层的方法
CN103033820A (zh) * 2013-01-10 2013-04-10 苏州恒知传感科技有限公司 光缆识别方法和设备
CN107238692A (zh) * 2017-05-24 2017-10-10 中国石油天然气股份有限公司 页岩油有利岩石类型的确定方法和装置
JP2019211935A (ja) * 2018-06-01 2019-12-12 日本電信電話株式会社 分析装置、分析方法および分析プログラム
CN108956941A (zh) * 2018-06-12 2018-12-07 中国石油天然气股份有限公司 页岩层理识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
塔里木盆地塔河油田奥陶系数字岩心图像中生物扰动的定量表征;牛永斌 等;《古地理学报》;20170430;第353-363页 *

Also Published As

Publication number Publication date
CN112182966A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN112182966B (zh) 一种基于多源测录井数据的生物扰动储集层识别方法
Rolon et al. Using artificial neural networks to generate synthetic well logs
Mondol Well logging: Principles, applications and uncertainties
Butsch et al. Integration of well-based subsurface monitoring technologies: Lessons learned at SECARB study, Cranfield, MS
Jorden et al. Well logging: rock properties, borehole environment, mud and temperature logging
Lai et al. Application of geophysical well logs in solving geologic issues: Past, present and future prospect
Baouche et al. Intelligent methods for predicting nuclear magnetic resonance of porosity and permeability by conventional well-logs: a case study of Saharan field
Timur et al. Downhole geophysical logging
Tebo et al. Use of volume-based 3-D seismic attribute analysis to characterize physical-property distribution: a case study to delineate sedimentologic heterogeneity at the Appleton field, southwestern Alabama, USA
Garcia et al. Enhanced formation evaluation in the Permian basin using a novel field-scale workflow including wells with missing data
Hurley et al. Multiscale workflow for reservoir simulation
CN112862169B (zh) 预测陆相泥页岩游离油含量的方法及装置
Allen Identification of Sediments-Their Depositional Environment and Degree of Compaction—From Well Logs
Szabó et al. Hydrogeophysical characterization of groundwater formations based on well logs: case study on cenozoic clastic aquifers in East Hungary
Opuwari Petrophysical evaluation of the Albian age gas bearing sandstone reservoirs of the OM field, Orange basin, South Africa
Mezzatesta et al. OPTIMA: a statistical approach to well log analysis
Parchekhari et al. A new model for permeability estimation in carbonate reservoirs by using nmr t2 distribution and lsboost ensemble technique
Mohammed et al. Prediction of Well Logs Data and Estimation of Petrophysical Parameters of Mishrif Formation, Nasiriya Field, South of Iraq Using Artificial Neural Network (ANN)
Acho Assessing hydrocarbon potential in cretaceous sediments in the Western Bredasdorp Sub-basin in the Outeniqua Basin South Africa
Milad et al. Machine learning to predict large pores and permeability in carbonate reservoirs using standard logs
Ayodele An integrated study of the early cretaceous (Valanginian) reservoir from the Gamtoos Basin, offshore South Africa with special reference to seismic cacies, formation evaluation and static reservoir modeling
Kristensson Formation evaluation of the Jurassic Stø and Nordmela formations in exploration well 7220/8-1, Barents Sea, Norway
Arizabalo et al. Lacunarity of geophysical well logs in the Cantarell oil field, Gulf of Mexico
CN113409460B (zh) 一种碎屑岩储层夹层机器学习型三维定量表征方法
Carrizo et al. An Integrated Petrophysical Characterization of a Siliciclastic Tight Gas Reservoirs in Neuquén Basin, Western Argentina

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