CN112213797A - 一种利用测井相联合叠后地震属性预测储层产能的方法 - Google Patents
一种利用测井相联合叠后地震属性预测储层产能的方法 Download PDFInfo
- Publication number
- CN112213797A CN112213797A CN202011168791.0A CN202011168791A CN112213797A CN 112213797 A CN112213797 A CN 112213797A CN 202011168791 A CN202011168791 A CN 202011168791A CN 112213797 A CN112213797 A CN 112213797A
- Authority
- CN
- China
- Prior art keywords
- logging
- well
- principal component
- phase
- logging phase
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000007621 cluster analysis Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000012706 support-vector machine Methods 0.000 claims abstract description 11
- 238000010220 Pearson correlation analysis Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 239000003921 oil Substances 0.000 claims description 41
- 208000035126 Facies Diseases 0.000 claims description 35
- 238000004519 manufacturing process Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000010779 crude oil Substances 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 230000035699 permeability Effects 0.000 claims description 4
- 210000002615 epidermis Anatomy 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 9
- 238000005755 formation reaction Methods 0.000 description 7
- 230000002349 favourable effect Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 241000282376 Panthera tigris Species 0.000 description 1
- 208000012322 Raynaud phenomenon Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 235000021185 dessert Nutrition 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- NMJORVOYSJLJGU-UHFFFAOYSA-N methane clathrate Chemical compound C.C.C.C.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O NMJORVOYSJLJGU-UHFFFAOYSA-N 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000009671 shengli Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种利用测井相联合叠后地震属性预测储层产能的方法,具体涉及地球物理勘探领域。本发明根据工区内所有井的标准化测井曲线划分测井相建模标准井和非标准井,提取测井相建模标准井测井曲线主成分并进行K‑means聚类分析,基于肘部法则确定最佳聚类数划分测井相,再对非标准井测井曲线提取相同主成分并利用K‑means聚类分析划分测井相,建立测井相品质模型,利用测井相品质表征储层产能,提取叠后地震属性并与测井相品质进行Pearson相关性分析,确定敏感地震属性,基于支持向量机回归算法,建立敏感地震属性与测井相品质间的映射关系,绘制测井相品质平面图进行产能预测。本发明利用测井相与地震属性实现了储层产能的准确预测,有利于指导油田勘探开发。
Description
技术领域
本发明涉及地球物理勘探领域,具体涉及一种利用测井相联合叠后地震属性预测储层产能的方法。
背景技术
产能预层作为地球物理勘探领域研究的重点和难点问题之一,是油气田勘探开发过程中的关键环节,与资源评价和开发方案的制定密切相关。
测井数据中含油丰富的地质信息,测井相是指地下具有相似储层性质的一组测井数据集,通过对测井相分类可以将地层划分为多个具有不同地质意义的纵向条带。国内外学者对于利用测井资料进行储层预测进行了大量的研究,1987年Pierre等利用贝叶斯决策等方法利用测井资料实验了地层岩性的自动识别;雍世和和杜启振利用主成分分析与聚类分析相结合的方法划分关键井中标准样本层的测井相类型,再根据数学算法针对各类测井相建立判别模型,通过建立测井相-岩性数据库进行地层的岩性识别;2007年王小军等将测井相分析应用到岩性油气藏的沉积微相解释中;2010年马小刚等利用曲线形态分析和单井相分析研究沉积特征预测储层的有利区带。
地震属性是指由叠前或叠后地震数据经数学变换导出的有关地震波几何形态、运动学、动力学和统计学的特征。地震属性作为地震资料中可直接定量化描述的特征,代表了原始地震资料中总信息的子集。目前地震属性技术广泛应用于地震解释性处理、地震地层解释、地震岩性预测和储层含油气性预测等内容的研究中心。1995年Djoko等将地震AVO属性应用于评估碳酸盐岩地层的天然气与孔隙度;2003年王永刚等利用地震属性对广西百色盆地子寅油田的储层物性参数进行了预测;2010年张林科等利用地震叠后的均方根振幅、平均瞬时频率、有效带宽属性识别沉积体、判断物源方向、推测沉积环境及地层的均质性;2018年李占东等应用地震属性融合技术,将振幅、频率、相位三类属性相融合对天然气水合物甜点进行预测。
产能预测作为编制油田开发规划和方案的必需步骤,准确预测产能可以为油田带来巨大的经济效益。1981年阮光辉等以声波视孔隙度、自然伽马比值、井径相对值、射孔厚度和压裂液量等十一个参数作为自变量,将压后产油量作为因变量,采用二次多项式逐步回归的方法预测油田压裂后的产能;1993年顾国兴等在测井解释基础上综合考虑储集层动静态参数对油层产能的影响;1996年雷胜林等从达西二维产量公式出发,通过建立储层电阻率、孔隙度、渗透率与每米产油指数的关系预测油田的产能;进入21世纪以后,一些学者将灰色理论、机器学习、神经网络等新方法应用于产能预测,取得了一定的进展。
目前,已经实现了对利用已钻取的单井测井资料进行单井产能预测,并未实现对于工区内为钻井地区的产能预测,同时,也未见利用测井相与地震属性相结合预测储层产能的方法,因此,亟需提出一种利用测井相联合叠后地震属性预测储层产能的方法。
发明内容
本发明针对现阶段利用测井相品质只能表征单点产能大小、难以预测未钻井区域产能的问题,提出了一种利用测井相联合叠后地震属性预测储层产能的方法,利用叠后地震属性将测井相品质外推至平面区预测储层产能,指导油田的勘探开发。
本发明采用以下的技术方案:
一种利用测井相联合叠后地震属性预测储层产能的方法,具体包括以下步骤:
步骤1,对工区内所有井进行测井资料标准化处理,获得工区内所有井的标准化测井曲线,根据标准化测井曲线质量划分测井相建模标准井和非标准井;
步骤2,对测井相建模标准井的标准化测井曲线进行主成分分析,提取主成分并进行K-means聚类分析,结合肘部法则确定主成分的最佳聚类数,根据主成分的最佳聚类数设置测井相的分类数,划分测井相建模标准井的测井相;
步骤3,提取非标准井标准测井曲线的主成分,获取各深度对应的主成分值并组成非标准井主成分点集,根据测井相分类数,利用K-means聚类分析对非标准井进行测井相分类;
步骤4,基于平面径向流模型,结合工区内井的实际生产资料与测井相厚度,通过最小二乘拟合分析确定各类测井相对于储层产能的贡献率,建立测井相品质模型,利用测井相品质表征储层产能;
步骤5,根据测量得到的工区地震资料,提取叠后地震资料的地震属性,将大地坐标投影至地震平面上确定井点的位置坐标,利用井点处的叠后地震属性值与测井相品质进行Pearson相关性分析,基于与测井相品质间的相关性提取地震属性,再将提取的地震属性两两组合进行相关性分析,确定敏感地震属性;
步骤6,基于支持向量机回归算法,建立敏感地震属性与测井相品质间的映射关系,根据敏感地震属性预测非井点位置的测井相品质,绘制测井相品质平面图,利用测井相品质平面图进行产能预测。
优选地,所述步骤2具体包括以下步骤:
步骤2.1,对测井相建模标准井的L条标准化测井曲线进行主成分分析,确定各成分的特征向量值及贡献率,提取贡献率超过90%的前z个成分作为测井相建模标准井的主成分;
步骤2.2,对测井相建模标准井的主成分进行K-means聚类分析,具体包括以下步骤:
步骤2.2.1,根据测井相建模标准井的标准化测井曲线,计算各深度对应的主成分值组成主成分点集,设置聚类数为K;
步骤2.2.2,在主成分点集中随机选取K个点作为聚类中心,计算主成分点集中各点到K个聚类中心的欧氏距离,欧氏距离计算公式如式(1)所示:
式中,(x1,x2,...,xn)表示主成分点集中点的坐标,(y1,y2,...,yn)表示聚类中心的坐标;
将主成分点集中的点分别划入距离该点最近的聚类中心,形成K个簇,分别计算各簇的质心;
步骤2.2.3,重复步骤2.2.2直至各簇的质心位置不再发生变化,确定各簇的质心位置,此时主成分点集中的点通过K-means聚类分析被划分为K类;
步骤2.3,基于肘部法则确定主成分的最佳聚类数,根据主成分的最佳聚类数确定测井相的分类数,具体包括以下步骤:
步骤2.3.1,根据K类主成分点集的质心位置及各主成分点,计算各类主成分点集的畸变程度以及总畸变程度,各类主成分点集的畸变程度计算公式为:
式中,xi表示第k类主成分点集Ck中第i个主成分点的坐标,uk表示第k类主成分点集Ck的质心位置,Jk表示第k类主成分点集Ck的畸变程度;
总畸变程度计算公式为:
式中,J表示总畸变程度;
步骤2.3.2,依次改变聚类数,重复步骤2.2.1至步骤2.3.1,分别计算各聚类数条件下对应的总畸变程度,绘制K-means聚类数与总畸变程度交会图;
步骤2.3.3,分析K-means聚类数与总畸变程度交会图,基于肘部法则,确定K-means聚类数与总畸变程度交会图中曲线拐点所对应的聚类数为主成分点集的最佳聚类数m;
步骤2.4,将主成分点集的最佳聚类数设置为测井相分类数和测井相建模标准井的聚类数,根据步骤2.2.2利用K-means聚类分析对测井相建模标准井的主成分点集进行分类,完成对测井相建模标准井的测井相分类。
优选地,所述步骤3具体包括以下步骤:
步骤3.1,在非标准井的标准化测井曲线中提取与测井相建模标准井相同的z个主成分,获取各深度对应的主成分值并组成非标准井主成分点集,将测井相分类数m设置为非标准井主成分点集的聚类数;
步骤3.2,在非标准井主成分点集中随机选取m个点作为聚类中心,分别计算非标准井主成分点集中的点到各聚类中心的欧氏距离,将非标准井主成分点集中的点分别划入距离该点最近的聚类中心,形成m个簇,计算每个簇的质心;
步骤3.3,重复步骤3.2直至各簇的质心位置不再发生变化,确定各簇的质心位置,此时非标准井主成分点集中的点通过K-means聚类分析被划分m类,非标准井的测井相被划分为m类。
优选地,所述步骤4中,平面径向流模型为:
式中,q表示地面原油产量,单位为m3;K表示地层渗透率,单位为mD;h表示地层厚度,单位为m;μ表示原油黏度,单位为cP;B表示原油体积系数,无因次;pe表示油层压力,单位为MPa;pw表示井底留压,单位为MPa;re表示供油半径,单位为m;rw表示井筒半径,单位为m;S表示表皮系数;α表示测井相对于储层产能的贡献率,由储层性质确定;
由于储层产能受各测井相的厚度及产能贡献率的影响,利用最小二乘拟合分析测井相厚度与储层产能间的关系,确定各类测井相对于储层产能的贡献率,建立测井相品质模型,如公式(5)所示:
Q=α1h1+α2h2+...+αnhn (5)
式中,Q表示测井相品质;hn表示第n类测井相的累积厚度,单位为m;αn表示第n类测井相对于储层产能的贡献率;
利用最小二乘法对工区内多组试油层的日均产油量与其对应的测井相厚度进行拟合得到:
式中,hij表示第i个试油层中第j类测井相的厚度,单位为m;βj表示第j类测井相对于储层产能的贡献程度,无因次;yi表示第i个试油层的日均产油量,单位为t;
根据公式(6)确定各类测井相对于储层产能的贡献程度,计算各类测井相的相对产能贡献率,如公式(8)所示:
式中,αj表示第j类测井相的相对产能贡献率。
优选地,所述步骤6中,利用支持向量机回归算法建立敏感地震属性与测井相品质间的映射关系时,将提取的井点处敏感地震属性值作为向量机回归算法的输入参数,将测井相品质值作为支持向量机回归算法的输出参数。
本发明具有如下有益效果:
(1)本发明将主成分分析、K-means聚类分析和肘部法则相结合,提出了合理确定测井相分类数的方法,该方法相比于其他测井相分类方法,理论依据更加扎实,分类数确定方法更加合理。
(2)本发明根据测井相的地质含义,通过简化平面径向流模型,利用测井相品质表征储层产能,不同于原有方法在利用产能公式计算产能时需要确定较多的参数,本发明方法仅需测井曲线信息即可表征储层产能,简单方便,适用性强,降低了计算过程中确定储层参数的工作量。
(3)本发明利用支持向量机回归算法建立叠后地震属性与测井相品质间的关系,将单点的测井相品质通过叠后地震属性拓展到平面上,有效利用了工区的测井信息与地震资料,真正做到了利用井震结合预测储层产能,同时,利用本发明方法进行预测时,预测结果能够准确反映储层的真实产能,本发明有利于指导油田勘探开发,具有良好的实际应用及现场推广前景。
附图说明
图1为一种利用测井相联合地震属性的储层预测方法流程图。
图2为标准化前后的声波曲线;图2中(a)为标准化前的声波曲线,图2中(b)为标准化后的声波曲线。
图3为K-means聚类数与总畸变程度交会图。
图4为敏感地震属性与测井相品质间的映射关系图。
图5为前六个月工区X中井的月产油量折线图;图5中(a)为建模井前六个月的月产油量折线图,图5中(b)为验证井前六个月的月产油量折线图。
具体实施方式
下面结合附图和胜利油田X工区为例,对本发明的具体实施方式做进一步说明:
以胜利油田X工区的储层产能预测为例,利用本发明提出的一种利用测井相联合叠后地震属性预测储层产能的方法进行储层产能预测,如图1所示,具体包括以下步骤:
步骤1,对工区内所有井的测井资料进行标准化处理,通过对测井资料进行标准化处理消除非地层因素的影响,使测井曲线能够反映真实地层的岩性及孔隙流体等性质,图2所示为标准化前后的声波曲线,对比可得,标准化前声波曲线分布频率的特征峰值一致性较差,而经过标准化处理后的声波曲线分布频率的特征峰一致性较好,说明通过对测井曲线进行标准化处理能够有效避免非地层因素引起的误差;
获得工区内所有井的标准化测井曲线,根据标准化测井曲线质量划分测井相建模标准井和非标准井,其中Li57井、Li67井、Li671井、Li672井为测井相建模标准井。
步骤2,提取测井相建模标准井的主成分并进行K-means聚类分析,结合肘部法则确定主成分的最佳聚类数,设置测井相的分类数,划分测井相建模标准井的测井相,具体包括以下步骤:
步骤2.1,对Li57井、Li67井、Li671井、Li672井的标准化测井曲线进行主成分分析,在该工区测井资料中选取自然伽马GR、自然电位SP、补偿中子CNL、补偿密度DEN、声波时差AC、深电阻率RT、浅电阻率RS七条常规测井曲线作为原始数据进行主成分分析,主成分分析结果如表1所示;
表1主成分分析结果
表1中前四个成分的累积贡献率为93.1%,已超过90%,前四个成分能够有效包含七条原始测井曲线中的地层信息,同时,通过提取主成分还能够降低后续K-means聚类分析时的数据维度,因此,提取前四个成分作为主成分,各主成分如下所示:
PC1=-0.055GR+0.450SP+0.434CNL+0.493DEN+0.495AC+0.307RT-0.154RS (9)
PC2=-0.336GR+0.459SP+0.474CNL-0.146DEN-0.320AC-0.282RT+0.498RS (10)
PC3=-0.689GR+0.245SP+0.266CNL-0.273DEN-0.161AC-0.363RT-0.403RS (11)
PC4=0.356GR+0.130SP+0.159CNL-0.443DEN-0.275AC+0.548RT-0.508RS (12)
式中,PC1、PC2、PC3、PC4分别对应表示主成分1、主成分2、主成分3、主成分4;GR表示自然伽马曲线值;SP表示自然电位曲线值;CNL表示补偿中子曲线值;DEN表示补偿密度曲线值;AC表示声波时差曲线值;RT表示深电阻率曲线值;RS表示浅电阻率曲线值。
步骤2.2,对测井相建模标准井的主成分进行K-means聚类分析,具体包括以下步骤:
步骤2.2.1,根据测井相建模标准井的标准化测井曲线,计算各深度对应的主成分值组成主成分点集,设置聚类数为K。
步骤2.2.2,在主成分点集中随机选取K个点作为聚类中心,计算主成分点集中各点到K个聚类中心的欧氏距离,欧氏距离计算公式如式(1)所示:
式中,(x1,x2,...,xn)表示主成分点集中点的坐标,(y1,y2,...,yn)表示聚类中心的坐标;
将主成分点集中的点分别划入距离该点最近的聚类中心,形成K个簇,分别计算各簇的质心。
步骤2.2.3,重复步骤2.2.2直至各簇的质心位置不再发生变化,确定各簇的质心位置,此时主成分点集中的点通过K-means聚类分析被划分为K类。
步骤2.3,基于肘部法则确定主成分的最佳聚类数,根据主成分的最佳聚类数确定测井相的分类数,具体包括以下步骤:
步骤2.3.1,根据K类主成分点集的质心位置及各主成分点,计算各类主成分点集的畸变程度以及总畸变程度,各类主成分点集的畸变程度计算公式为:
式中,xi表示第k类主成分点集Ck中第i个主成分点的坐标,uk表示第k类主成分点集Ck的质心位置,Jk表示第k类主成分点集Ck的畸变程度;
总畸变程度计算公式为:
式中,J表示总畸变程度。
步骤2.3.2,依次改变聚类数为1到19,取值间隔为1,重复步骤2.2.1至步骤2.3.1,分别计算各聚类数条件下对应的总畸变程度,绘制K-means聚类数与总畸变程度交会图,如图3所示。
步骤2.3.3,分析图3中曲线得到,当聚类数取值为1至4时畸变程度最大,当聚类数取值超过4之后总畸变程度变化显著降低,基于肘部法则,确定K-means聚类数与总畸变程度交会图中曲线肘部位置处聚类数的取值为4,因此根据肘部位置对应的聚类数取值,确定本实施例中主成分点集的最佳聚类数为4。
步骤2.3.4,将测井相分类数和测井相建模标准井的聚类数均设置为4,根据步骤2.2.2利用K-means聚类分析将测井相建模标准井的测井相分为4类。
步骤3,提取非标准井标准测井曲线的主成分,获取各深度对应的主成分值并组成非标准井主成分点集,根据测井相分类数,利用K-means聚类分析对非标准井进行测井相分类,具体包括以下步骤:
步骤3.1,在非标准井的标准化测井曲线中提取与测井相建模标准井相同的4个主成分,获取各深度对应的主成分值并组成非标准井主成分点集,设置非标准井主成分点集的聚类数为4。
步骤3.2,在非标准井主成分点集中随机选取4个点作为聚类中心,分别计算非标准井主成分点集中的点到各聚类中心的欧氏距离,将非标准井主成分点集中的点分别划入距离该点最近的聚类中心,形成4个簇,计算每个簇的质心。
步骤3.3,重复步骤3.2直至各簇的质心位置不再发生变化,确定各簇的质心位置,通过K-means聚类分析将非标准井的测井相划分为4类。
步骤4,基于平面径向流模型,结合工区内井的实际生产资料与测井相厚度,通过最小二乘拟合分析确定各类测井相对于储层产能的贡献率,建立测井相品质模型,利用测井相品质表征储层产能;
其中,平面径向流模型为:
式中,q表示地面原油产量,单位为m3;K表示地层渗透率,单位为mD;h表示地层厚度,单位为m;μ表示原油黏度,单位为cP;B表示原油体积系数,无因次;pe表示油层压力,单位为MPa;pw表示井底留压,单位为MPa;re表示供油半径,单位为m;rw表示井筒半径,单位为m;S表示表皮系数;α表示测井相对于储层产能的贡献率,由储层性质确定;
由于储层产能受各测井相的厚度及产能贡献率的影响,利用最小二乘拟合分析测井相厚度与储层产能间的关系,确定各类测井相对于储层产能的贡献率,建立测井相品质模型,如公式(13)所示:
Q=α1h1+α2h2+α3h3+α4h4 (13)
式中,Q表示测井相品质;αn表示第n类测井相对于储层产能的贡献率;hn表示第n类测井相的累积厚度,通过将试油层测井相剖面转化为等测井相相厚度剖面确定,单位为m。
表2所示为胜利油田X工区内八个试油层的日均产油量与测井相厚度数据,分析确定测井相4的岩性主要为砂岩,通常储层段中间为薄夹层对储层产能无贡献,即β4=0。
表2胜利油田X工区内八个试油层的日均产油量与测井相厚度数据表
因此,通过将前三类测井相对于储层产能贡献率的问题转化为对如公式(14)所示的超定方程组的最优解求解问题;
将表2中X工区的实际产能数据代入到测井相品质模型中,求解得到方程组(14)的解为β1=5.211,β2=1.5856,β3=0.6959,根据公式(8)将方程组(14)的解转化为各测井相的相对产能贡献率,计算得到α1=0.6955,α2=0.2116,α3=0.0929,由此可得胜利油田X工区的测井相品质模型为:
Q=0.6955h1+0.2116h2+0.0929h3 (15)。
步骤5,提取胜利油田X工区叠后地震资料中的20种地震属性,将大地坐标投影至地震平面上确定井点的位置坐标,利用井点处的叠后地震属性值与测井相品质进行Pearson相关性分析,Pearson相关性分析结果如表3所示;
表3 Pearson相关性分析结果
表3中*在0.05级别(双尾),相关性显著;**在0.01级别(双尾),相关性显著。
表3中数据显示平均峰值振幅、最小振幅、零相位个数、振幅求和四个叠后地震属性与测井相品质显著性相关,提取平均峰值振幅、最小振幅、零相位个数和振幅求和这四个叠后地震属性,对这四个地震属性两两组合进行相关性分析,如表4所示,根据表4中相关性分析结果得到振幅求和属性与其他三个属性之间具有显著的相关性,振幅求和不具有独立性,需要剔除该属性,因此,确定平均峰值振幅、最小振幅、零相位个数即为敏感地震属性。
表4测井相品质显著相关属性间的Pearson相关性分析结果
表4中*在0.05级别(双尾),相关性显著;**在0.01级别(双尾),相关性显著。
步骤6,将平均峰值振幅、最小振幅、零相位个数三个敏感地震属性在井点处的属性值作为支持向量机回归算法的输入参数,测井相品质值作为支持向量机回归的输出参数,基于支持向量机回归算法,建立敏感地震属性与测井相品质间的映射关系,如图4所示,根据敏感地震属性预测非井点位置的测井相品质,结合敏感地震属性的叠后地震属性平面图,绘制测井相品质平面图。
在胜利油田X区块中选择未参与建模的井作为验证井,验证本发明方法的准确性,图5(a)所示为本实例中建立测井相品质模型所用井的前六个月的月产油量折线图,图5(b)为区块中验证井前六个月的月产油量折线图,对于处于测井相品质平面图预测的有利产能区中央的建模井Li67井和Li673井,其产量明显高于处于有利产能区边缘的Li671井和Li675井,利用三口验证井进行验证,处于有利产区边缘的liang76井,其产量明显高于处于非有利产能区的liang756井和liang751井,因此得到,实际产能数据与采用本发明方法建立的测井相品质平面图的吻合性较好,利用测井相联合叠后地震属性建立的测井相品质平面图能够准确预测储层产能,有利于指导油田勘探开发。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (5)
1.一种利用测井相联合叠后地震属性预测储层产能的方法,其特征在于,具体包括以下步骤:
步骤1,对工区内所有井进行测井资料标准化处理,获得工区内所有井的标准化测井曲线,根据标准化测井曲线质量划分测井相建模标准井和非标准井;
步骤2,对测井相建模标准井的标准化测井曲线进行主成分分析,提取主成分并进行K-means聚类分析,结合肘部法则确定主成分的最佳聚类数,根据主成分的最佳聚类数设置测井相的分类数,划分测井相建模标准井的测井相;
步骤3,提取非标准井标准测井曲线的主成分,获取各深度对应的主成分值并组成非标准井主成分点集,根据测井相分类数,利用K-means聚类分析对非标准井进行测井相分类;
步骤4,基于平面径向流模型,结合工区内井的实际生产资料与测井相厚度,通过最小二乘拟合分析确定各类测井相对于储层产能的贡献率,建立测井相品质模型,利用测井相品质表征储层产能;
步骤5,根据测量得到的工区地震资料,提取叠后地震资料的地震属性,将大地坐标投影至地震平面上确定井点的位置坐标,利用井点处的叠后地震属性值与测井相品质进行Pearson相关性分析,基于与测井相品质间的相关性提取地震属性,再将提取的地震属性两两组合进行相关性分析,确定敏感地震属性;
步骤6,基于支持向量机回归算法,建立敏感地震属性与测井相品质间的映射关系,根据敏感地震属性预测非井点位置的测井相品质,绘制测井相品质平面图,利用测井相品质平面图进行产能预测。
2.根据权利要求1所述的一种利用测井相联合叠后地震属性预测储层产能的方法,其特征在于,所述步骤2具体包括以下步骤:
步骤2.1,对测井相建模标准井的L条标准化测井曲线进行主成分分析,确定各成分的特征向量值及贡献率,提取贡献率超过90%的前z个成分作为测井相建模标准井的主成分;
步骤2.2,对测井相建模标准井的主成分进行K-means聚类分析,具体包括以下步骤:
步骤2.2.1,根据测井相建模标准井的标准化测井曲线,计算各深度对应的主成分值组成主成分点集,设置聚类数为K;
步骤2.2.2,在主成分点集中随机选取K个点作为聚类中心,计算主成分点集中各点到K个聚类中心的欧氏距离,欧氏距离计算公式如式(1)所示:
式中,(x1,x2,...,xn)表示主成分点集中点的坐标,(y1,y2,...,yn)表示聚类中心的坐标;
将主成分点集中的点分别划入距离该点最近的聚类中心,形成K个簇,分别计算各簇的质心;
步骤2.2.3,重复步骤2.2.2直至各簇的质心位置不再发生变化,确定各簇的质心位置,此时主成分点集中的点通过K-means聚类分析被划分为K类;
步骤2.3,基于肘部法则确定主成分的最佳聚类数,根据主成分的最佳聚类数确定测井相的分类数,具体包括以下步骤:
步骤2.3.1,根据K类主成分点集的质心位置及各主成分点,计算各类主成分点集的畸变程度以及总畸变程度,各类主成分点集的畸变程度计算公式为:
式中,xi表示第k类主成分点集Ck中第i个主成分点的坐标,uk表示第k类主成分点集Ck的质心位置,Jk表示第k类主成分点集Ck的畸变程度;
总畸变程度计算公式为:
式中,J表示总畸变程度;
步骤2.3.2,依次改变聚类数,重复步骤2.2.1至步骤2.3.1,分别计算各聚类数条件下对应的总畸变程度,绘制K-means聚类数与总畸变程度交会图;
步骤2.3.3,分析K-means聚类数与总畸变程度交会图,基于肘部法则,确定K-means聚类数与总畸变程度交会图中曲线拐点所对应的聚类数为主成分点集的最佳聚类数m;
步骤2.4,将主成分点集的最佳聚类数设置为测井相分类数和测井相建模标准井的聚类数,根据步骤2.2.2利用K-means聚类分析对测井相建模标准井的主成分点集进行分类,完成对测井相建模标准井的测井相分类。
3.根据权利要求1所述的一种利用测井相联合叠后地震属性预测储层产能的方法,其特征在于,所述步骤3具体包括以下步骤:
步骤3.1,在非标准井的标准化测井曲线中提取与测井相建模标准井相同的z个主成分,获取各深度对应的主成分值并组成非标准井主成分点集,将测井相分类数m设置为非标准井主成分点集的聚类数;
步骤3.2,在非标准井主成分点集中随机选取m个点作为聚类中心,分别计算非标准井主成分点集中的点到各聚类中心的欧氏距离,将非标准井主成分点集中的点分别划入距离该点最近的聚类中心,形成m个簇,计算每个簇的质心;
步骤3.3,重复步骤3.2直至各簇的质心位置不再发生变化,确定各簇的质心位置,此时非标准井主成分点集中的点通过K-means聚类分析被划分m类,非标准井的测井相被划分为m类。
4.根据权利要求1所述的一种利用测井相联合叠后地震属性预测储层产能的方法,其特征在于,所述步骤4中,平面径向流模型为:
式中,q表示地面原油产量,单位为m3;K表示地层渗透率,单位为mD;h表示地层厚度,单位为m;μ表示原油黏度,单位为cP;B表示原油体积系数,无因次;pe表示油层压力,单位为MPa;pw表示井底留压,单位为MPa;re表示供油半径,单位为m;rw表示井筒半径,单位为m;S表示表皮系数;α表示测井相对于储层产能的贡献率,由储层性质确定;
由于储层产能受各测井相的厚度及产能贡献率的影响,利用最小二乘拟合分析测井相厚度与储层产能间的关系,确定各类测井相对于储层产能的贡献率,建立测井相品质模型,如公式(5)所示:
Q=α1h1+α2h2+...+αnhn (5)
式中,Q表示测井相品质;hn表示第n类测井相的累积厚度,单位为m;αn表示第n类测井相对于储层产能的贡献率;
利用最小二乘法对工区内多组试油层的日均产油量与其对应的测井相厚度进行拟合得到:
式中,hij表示第i个试油层中第j类测井相的厚度,单位为m;βj表示第j类测井相对于储层产能的贡献程度,无因次;yi表示第i个试油层的日均产油量,单位为t;
根据公式(6)确定各类测井相对于储层产能的贡献程度,计算各类测井相的相对产能贡献率,如公式(8)所示:
式中,αj表示第j类测井相的相对产能贡献率。
5.根据权利要求1所述的一种利用测井相联合叠后地震属性预测储层产能的方法,其特征在于,所述步骤6中,利用支持向量机回归算法建立敏感地震属性与测井相品质间的映射关系时,将提取的井点处敏感地震属性值作为向量机回归算法的输入参数,将测井相品质值作为支持向量机回归算法的输出参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011168791.0A CN112213797A (zh) | 2020-10-28 | 2020-10-28 | 一种利用测井相联合叠后地震属性预测储层产能的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011168791.0A CN112213797A (zh) | 2020-10-28 | 2020-10-28 | 一种利用测井相联合叠后地震属性预测储层产能的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112213797A true CN112213797A (zh) | 2021-01-12 |
Family
ID=74057225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011168791.0A Pending CN112213797A (zh) | 2020-10-28 | 2020-10-28 | 一种利用测井相联合叠后地震属性预测储层产能的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112213797A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065286A (zh) * | 2021-04-12 | 2021-07-02 | 西南石油大学 | 一种基于常规测井的致密砂砾岩储层孔隙结构评价方法 |
CN113503156A (zh) * | 2021-07-12 | 2021-10-15 | 山东科技大学 | 储层垂向非均质性定量测定方法、系统、介质、设备及终端 |
CN113759425A (zh) * | 2021-09-13 | 2021-12-07 | 中国科学院地质与地球物理研究所 | 井震联合评价深层古岩溶储层充填特征的方法与系统 |
CN114109352A (zh) * | 2021-06-17 | 2022-03-01 | 中国海洋石油集团有限公司 | 一种基于曲线相似度预测孔隙度的方法 |
CN114167498A (zh) * | 2021-11-30 | 2022-03-11 | 中海石油(中国)有限公司 | 一种测井和地震属性联合的分步聚类分析方法 |
CN117150929A (zh) * | 2023-10-19 | 2023-12-01 | 中国科学院地质与地球物理研究所 | 深地油气精准导航井震结合更新碎屑岩岩性模型系统 |
CN117763466A (zh) * | 2024-02-22 | 2024-03-26 | 中石化经纬有限公司 | 一种基于聚类算法的地层可钻性评价方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5444619A (en) * | 1993-09-27 | 1995-08-22 | Schlumberger Technology Corporation | System and method of predicting reservoir properties |
US20080162093A1 (en) * | 2006-11-12 | 2008-07-03 | Philippe Nivlet | Method of constructing a geological model of a subsoil formation constrained by seismic data |
US20130080066A1 (en) * | 2011-09-28 | 2013-03-28 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
CN103454686A (zh) * | 2013-08-12 | 2013-12-18 | 中国石油天然气股份有限公司 | 基于地层切片的小尺度沉积相进行储层预测的方法及系统 |
CN105022098A (zh) * | 2015-07-10 | 2015-11-04 | 中国石油大学(华东) | 一种基于切片层间信息的陆相沉积体识别与预测方法 |
CN106597543A (zh) * | 2016-11-21 | 2017-04-26 | 中国石油天然气股份有限公司 | 一种地层沉积相划分方法 |
CN109633750A (zh) * | 2019-01-18 | 2019-04-16 | 中国地质大学(北京) | 基于测井相波阻抗与地震波形的非线性映像关系反演方法 |
CN111781661A (zh) * | 2019-04-04 | 2020-10-16 | 中国石油天然气股份有限公司 | 少井地区沉积微相平面展布预测方法及装置 |
-
2020
- 2020-10-28 CN CN202011168791.0A patent/CN112213797A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5444619A (en) * | 1993-09-27 | 1995-08-22 | Schlumberger Technology Corporation | System and method of predicting reservoir properties |
US20080162093A1 (en) * | 2006-11-12 | 2008-07-03 | Philippe Nivlet | Method of constructing a geological model of a subsoil formation constrained by seismic data |
US20130080066A1 (en) * | 2011-09-28 | 2013-03-28 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
CN103454686A (zh) * | 2013-08-12 | 2013-12-18 | 中国石油天然气股份有限公司 | 基于地层切片的小尺度沉积相进行储层预测的方法及系统 |
CN105022098A (zh) * | 2015-07-10 | 2015-11-04 | 中国石油大学(华东) | 一种基于切片层间信息的陆相沉积体识别与预测方法 |
CN106597543A (zh) * | 2016-11-21 | 2017-04-26 | 中国石油天然气股份有限公司 | 一种地层沉积相划分方法 |
CN109633750A (zh) * | 2019-01-18 | 2019-04-16 | 中国地质大学(北京) | 基于测井相波阻抗与地震波形的非线性映像关系反演方法 |
CN111781661A (zh) * | 2019-04-04 | 2020-10-16 | 中国石油天然气股份有限公司 | 少井地区沉积微相平面展布预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
孙建孟: "测井产能预测方法与实例", 《测井技术》 * |
林磊 孙建孟: "基于K-均值聚类与肘部法则的测井相建立方法研究", 《2020年中国地球科学联合学术年会论文集(二十六)—专题七十六:深部矿产资源探测技术与应用、专题七十七:岩石物理与井中探测前沿、专题七十八:井孔地球物理及深部钻测.》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065286B (zh) * | 2021-04-12 | 2022-03-18 | 西南石油大学 | 一种基于常规测井的致密砂砾岩储层孔隙结构评价方法 |
CN113065286A (zh) * | 2021-04-12 | 2021-07-02 | 西南石油大学 | 一种基于常规测井的致密砂砾岩储层孔隙结构评价方法 |
CN114109352B (zh) * | 2021-06-17 | 2023-11-10 | 中国海洋石油集团有限公司 | 一种基于曲线相似度预测孔隙度的方法 |
CN114109352A (zh) * | 2021-06-17 | 2022-03-01 | 中国海洋石油集团有限公司 | 一种基于曲线相似度预测孔隙度的方法 |
CN113503156B (zh) * | 2021-07-12 | 2023-08-22 | 山东科技大学 | 储层垂向非均质性定量测定方法、系统、介质、设备及终端 |
CN113503156A (zh) * | 2021-07-12 | 2021-10-15 | 山东科技大学 | 储层垂向非均质性定量测定方法、系统、介质、设备及终端 |
CN113759425A (zh) * | 2021-09-13 | 2021-12-07 | 中国科学院地质与地球物理研究所 | 井震联合评价深层古岩溶储层充填特征的方法与系统 |
US11500117B1 (en) | 2021-09-13 | 2022-11-15 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | Method and system for evaluating filling characteristics of deep paleokarst reservoir through well-to-seismic integration |
CN114167498A (zh) * | 2021-11-30 | 2022-03-11 | 中海石油(中国)有限公司 | 一种测井和地震属性联合的分步聚类分析方法 |
CN114167498B (zh) * | 2021-11-30 | 2023-09-15 | 中海石油(中国)有限公司 | 一种测井和地震属性联合的分步聚类分析方法 |
CN117150929A (zh) * | 2023-10-19 | 2023-12-01 | 中国科学院地质与地球物理研究所 | 深地油气精准导航井震结合更新碎屑岩岩性模型系统 |
CN117150929B (zh) * | 2023-10-19 | 2023-12-26 | 中国科学院地质与地球物理研究所 | 深地油气精准导航井震结合更新碎屑岩岩性模型系统 |
CN117763466A (zh) * | 2024-02-22 | 2024-03-26 | 中石化经纬有限公司 | 一种基于聚类算法的地层可钻性评价方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112213797A (zh) | 一种利用测井相联合叠后地震属性预测储层产能的方法 | |
CN112505778B (zh) | 一种页岩生储性能非均质性的三维原位表征方法 | |
Verma et al. | Estimation of total organic carbon and brittleness volume | |
CN107356958A (zh) | 一种基于地质信息约束的河流相储层分步地震相预测方法 | |
CN101738639A (zh) | 提高岩石裂缝参数计算精度的方法 | |
CN103675907A (zh) | 一种基于岩相约束的avo反演油气检测方法 | |
CN103775075A (zh) | 一种全井段岩性识别方法 | |
Kianoush et al. | Compressional and shear interval velocity modeling to determine formation pressures in an oilfield of SW Iran | |
CN109800954A (zh) | 基于测井数据的储层评价新方法 | |
CN104834003B (zh) | 一种非常规致密储层的相控压缩系数地震预测方法 | |
Alzate et al. | Integration of surface seismic, microseismic, and production logs for shale gas characterization: Methodology and field application | |
CN112177605B (zh) | 一种海域天然气水合物有利聚集区主控因素的确定方法 | |
CN111444621A (zh) | 基于动静态渗流界面的高含水油藏流动单元划分方法 | |
CN112185469B (zh) | 一种预测海域天然气水合物有利聚集区的方法 | |
CN115877447A (zh) | 一种直平联合井网条件下地震约束三维地质建模的储层预测方法 | |
Ali et al. | Integration of cluster analysis and rock physics for the identification of potential hydrocarbon reservoir | |
Gupta | Rock Typing in Organic Shales: Eagle Ford, Woodford, Barnett and Wolfcamp Formations | |
CN113361111B (zh) | 一种低渗透油藏储层特征模型的划分方法 | |
CN112228050B (zh) | 一种定量评价致密油储层宏观非均质性的方法及其应用 | |
CN111155980A (zh) | 一种水流优势通道识别方法及装置 | |
Rotimi et al. | Reservoir characterization and modeling of lateral heterogeneity using multivariate analysis | |
FANG et al. | Quantitative Method of Classification and Discrimination of a Porous Carbonate Reservoir Integrating K‐means Clustering and Bayesian Theory | |
Adabnezhad et al. | Three-dimensional modeling of geomechanical units using acoustic impedance in one of the gas fields in South of Iran | |
CN105259576A (zh) | 一种利用地震统计特征的油气藏识别方法 | |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210112 |