CN112392469A - 储层特征分类确定方法及装置 - Google Patents
储层特征分类确定方法及装置 Download PDFInfo
- Publication number
- CN112392469A CN112392469A CN201910738843.4A CN201910738843A CN112392469A CN 112392469 A CN112392469 A CN 112392469A CN 201910738843 A CN201910738843 A CN 201910738843A CN 112392469 A CN112392469 A CN 112392469A
- Authority
- CN
- China
- Prior art keywords
- determining
- avo
- classification
- data
- reservoir
- 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 23
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 239000012530 fluid Substances 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种储层特征分类确定方法及装置,方法包括:对地震资料进行OVT处理,生成AVOAZ道集数据;根据目的层井旁道的AVO正演模型特征确定优选方位角;根据确定的优选方位角和所述的AVOAZ道集数据确定目的层的AVO振幅属性数据;根据所述AVO振幅属性数据确定储层特征分类。利用全方位观测得到的叠前地震资料,利用确定的优选方位角进行AVO属性波形分类,更有利于储层识别。
Description
技术领域
本发明涉及地质勘探技术,具体的讲是一种储层特征分类确定方法及装置。
背景技术
地质勘探中及油藏开采中,储层的特性对油藏的识别、储层内流体的识别、解释具有重要意义,储层分类、评价是油藏研究的重要内容。
并且,现有技术中,随着全方位角和高密度地震勘探的发展,可以获得大量的全方位叠前地震资料,其中蕴藏着丰富的地质信息。
如何管理、分析和解释海量的多维地震数据,充分利用多维地震资料,解决储层的非均质性问题,是需要不断探索的重要课题。
发明内容
为解决现有技术中存在的问题,对储层流体进行识别,本发明实施例提供了一种储层特征分类确定方法,包括:
根据地震资料获取已知井的AVO正演模型特征;
用预设的角度范围内划分方位角,确定目的层各方位角的井旁道的AVO正演模型特征;
根据各方位角的井旁道的AVO正演模型特征和已知井的AVO正演模型特征确定优选方位角。
本发明实施例中,根据目的层井旁道的AVO正演模型特征确定优选方位角包括;
获取目的层的井旁道的AVO正演模型特征;
用预设的角度范围内划分方位角;
根据划分的各方位角内的道集数据的AVO正演模型特征和井旁道的AVO正演模型特征确定优选方位角。
本发明实施例中,所述的根据确定的优选方位角和所述的AVOAZ道集数据确定目的层的AVO振幅属性数据包括:
根据确定的优选方位角从入射角AVOAZ道集数据中提取目的层反射界面对应的振幅值,确定目的层的AVO振幅属性数据。
本发明实施例中,所述的根据所述AVO振幅属性数据确定储层特征分类包括:
利用自组织神经网络对所述AVO振幅属性数据进行特征曲线分类;
根据特征曲线分类结果确定目的层储层特征分类。
本发明实施例中,所述的储层特征分类包括:岩性特征分类、流体特征分类。
同时,本发明还提供一种储层特征分类确定装置,包括:
OVT处理模块,用于对地震资料进行OVT处理,生成AVOAZ道集数据;
优选方位角确定模块,用户已根据目的层井旁道的AVO正演模型特征确定优选方位角;
属性数据确定模块,用于根据确定的优选方位角和所述的AVOAZ道集数据确定目的层的AVO振幅属性数据;
分类模块,用于根据所述AVO振幅属性数据确定储层特征分类。
本发明实施例中,所述的优选方位角确定模块包括;
井旁道特征获取单元,用于获取目的层的井旁道的AVO正演模型特征;
方位角划分单元,用于用预设的角度范围内划分方位角;
优选单元,用于根据划分的各方位角内的道集数据的AVO正演模型特征和井旁道的AVO正演模型特征确定优选方位角。
本发明实施例中,所述的根据确定的优选方位角和所述的AVOAZ道集数据确定目的层的AVO振幅属性数据包括:
根据确定的优选方位角从入射角AVOAZ道集数据中提取目的层反射界面对应的振幅值,确定目的层的AVO振幅属性数据。
本发明实施例中,所述的分类模块包括:
神经网络处理单元,用于利用自组织神经网络对所述AVO振幅属性数据进行特征曲线分类;
分类单元,用于根据特征曲线分类结果确定目的层储层特征分类。
本发明实施例中,所述的储层特征分类包括:岩性特征分类、流体特征分类。
同时,本发明还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法。
同时,本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有执行上述方法的计算机程序。
本发明利用全方位观测得到的叠前地震资料,利用确定的优选方位角进行AVO属性波形分类,更有利于储层识别。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明公开的储层特征分类确定方法的流程图;
图2为本发明实施例中已知井A目的层段AVO特征曲线;
图3为本发明实施例中已知井A点处不同方位角的AVO地震道集;
图4a为为本发明实施例中优选的方位角的AVO道集;
图4b为为本发明实施例中优选的方位角的AVO道集提取的反射振幅属性;
图5为本发明实施例中自组织神经网络的AVO属性模型道;
图6a为本发明实施例中优选方位角的AVO属性波形分类图;
图6b为本发明实施例中全部方位角叠加的AVO属性波形分类图。
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。
为更便于理解本发明的技术方案,在此,对本发明中的名词作简单解释。
AVO(Amplitude versus Offset,振幅随偏移距变化的特征),AVO道集数据,即为一个观测点上不同的入射角(如入射角0°~40°)的AVO数据集合;
AVOAZ道集数据,振幅随方位角和入射角变化的特征,Amplitude Versus Offsetand Azimuth,一个方位角(如方位角10°),可以得到一组入射角的AVO道集数据,多个方位角(如方位角0°~360°),可以有多组入射角域的AVO道集数据集合。
AVO振幅属性数据,从AVO道集数据上计算得到某一时刻的振幅值,每一个入射角得到一个振幅值,多个入射角对应的振幅数据集为AVO振幅属性数据,图形为曲线。这次修改将波形分类统一命名为特征曲线形状分类。
如图1所示为本发明提供的一种储层特征分类确定方法的流程图,该方法包括:
步骤S101,对地震资料进行OVT处理,生成AVOAZ道集数据;
步骤S102,根据目的层井旁道的AVO正演模型特征确定优选方位角;
步骤S103,根据确定的优选方位角和所述的AVOAZ道集数据确定目的层的AVO振幅属性数据;
步骤S104,根据所述AVO振幅属性数据确定储层特征分类。
随着全方位角和高密度地震勘探的发展,现有技术中,可以获得大量的全方位叠前地震资料,其中蕴藏着丰富的地质信息,并且现有技术中,通过对地震资料的处理处理形成包含了三维坐标、偏移距(入射角)和方位角等多维数据,本发明充分利用地震资料及行程的多维数据,对地震资料进行OVT处理,生成AVOAZ道集数据,利用选取的优选方位角和AVOAZ道集数据确定目的层的AVO振幅属性数据,确定储层特征分类。
下面结合对本发明的具体步骤实现作如下详细伸缩门:
1.在探区采集地震资料;该步骤对本领域技术人员而言,可清楚获知采集的地震资料具体包括哪些数据,在此不作赘述。
2.根据采集的地震资料通过OVT处理数据得到方位角-入射角域AVOAZ数据;
3.根据已知井的AVO正演模型特征优选方位角:即选择某一方位角,本实施例中利用测井资料中已知井的AVO特征确定优选方位角,即井旁道的AVO特征与已知井AVO正演模型特征相同,则这一方位角为优选方位角;
本发明实施例中,井旁道指完钻井点的地震观测点,井旁道的AVO特征,完钻井点的观测点上正演模型振幅随入射角(或者偏移距offset,二者有公式互换)变化的特征,用井旁道的AVO特征与井的AVO正演模型特征对比,如果某个方位角的井旁道的AVO特征与井的AVO正演模型特征相同,则选择这个方位角。
本发明一实施方式中,优选方位角的选取如下:
根据已知井AVO特征优选方位角,即选择某一方位角,如果井旁道的AVO特征与已知井AVO特征相同,则选择这一方位角为优选方位角。实验例中已知井A目的层段AVO特征曲线表现为振幅随入射角增大而增大,如图2所示,选择了1个过井点进行方位角的优选,在0-360°方位角范围内每45°为一组,共分为8组数据,因为0°和180°、45°和225°、90°和270°、135°和315°为同一方位角,因此得到4组方位角的数据,如图3所示,方位角90°和270°AVO道集数据上目的层段AVO表现为振幅随入射角增大而增大,因此选择90°和270°为优选方位角。
4.在优选的方位角,从入射角AVO数据中提取目的层反射界面对应的振幅值,形成AVO振幅属性数据;
一实施例中,确定AVO振幅属性数据具体包括:在优选的方位角,从目的层段AVO道集数据中提取目的层反射界面对应的振幅值,形成AVO属性数据,如已知井A处方位角90°和270°目的层的AVO道集数据的提取AVO属性数据,如图4a、图4b所示,图4a为优选的方位角的AVO道集,图4b为优选的方位角的AVO道集提取的反射振幅属性。
5.用自组织神经网络对特征曲线形状进行分类,预测储层岩性或流体。
用自组织神经网络对所述提取的AVO振幅属性数据进行特征曲线形状分类确定储层预测数据。本实施例中利用的自组织神经网络为人工神经网络的一种,不需要提供训练样本,通过自动寻找样本的内在规律和本质特征,自动组织、自适应地改变人工神经网络的参数和结构,是一种具有自学习能力的人工神经网络。
用自组织神经网络对特征曲线形状进行分类时,首先人工给出样板数,如7个或者11个;自组织神经网络对全部观测点上的特征曲线集,自动分析特征曲线集的本质特征和不同的特征曲线的差异,根据差异自动每个得到每个样板特征曲线,再用某个观测点的特征曲线与每个样板特征曲线进行对比,得到某个观测点的样板曲线编号,即分类值,储层的岩性或者流体不同,AVO特征不同。
具体实施例中,已知井A、B,在目的层段均获得工业气流;A、B井在优选方位角的AVO特征曲线形状分类图上表现为较暗色,而在全部方位角叠加的AVO振幅属性特征曲线形状分类图上,A表现为较暗色,B井表现为较白的颜色,因此优选方位角的AVO属性波形分类更有利于流体识别。
用自神经网络对AVO属性特征进行波形分类,一般选择择模型道数为5-15。通过试验选择模型道数为7,得到AVO属性的模型道(见图5);并对全探区的AVO属性进行波形分类(如图6a,图6b所示),图6a是优选方位角的AVO属性波形分类结果,图6b是全部方位角叠加的AVO属性波形分类结果,图中已知井A、B,在目的层段均获得工业气流;A、B井在优选方位角的AVO属性波形分类图上表现为较暗色,而在全部方位角叠加的AVO属性波形分类图上,A表现为较暗色,B井表现为较白的颜色,因此优选方位角的AVO属性波形分类更有利于流体识别。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种储层特征分类确定方法,其特征在于,所述的方法包括:
对地震资料进行OVT处理,生成AVOAZ道集数据;
根据目的层井旁道的AVO正演模型特征确定优选方位角;
根据确定的优选方位角和所述的AVOAZ道集数据确定目的层的AVO振幅属性数据;
根据所述AVO振幅属性数据确定储层特征分类。
2.如权利要求1所述的储层特征分类确定方法,其特征在于,所述的根据目的层井旁道的AVO正演模型特征确定优选方位角包括;
根据地震资料获取已知井的AVO正演模型特征;
用预设的角度范围内划分方位角,确定目的层各方位角的井旁道的AVO正演模型特征;
根据各方位角的井旁道的AVO正演模型特征和已知井的AVO正演模型特征确定优选方位角。
3.如权利要求1所述的储层特征分类确定方法,其特征在于,所述的根据确定的优选方位角和所述的AVOAZ道集数据确定目的层的AVO振幅属性数据包括:
根据确定的优选方位角从入射角AVOAZ道集数据中提取目的层反射界面对应的振幅值,确定目的层的AVO振幅属性数据。
4.如权利要求1所述的储层特征分类确定方法,其特征在于,所述的根据所述AVO振幅属性数据确定储层特征分类包括:
利用自组织神经网络对所述AVO振幅属性数据进行特征曲线分类;
根据特征曲线分类结果确定目的层储层特征分类。
5.如权利要求1或4中任一项所述的储层特征分类确定方法,其特征在于,所述的储层特征分类包括:岩性特征分类、流体特征分类。
6.一种储层特征分类确定装置,其特征在于,所述的装置包括:
OVT处理模块,用于对地震资料进行OVT处理,生成AVOAZ道集数据;
优选方位角确定模块,用户已根据目的层井旁道的AVO正演模型特征确定优选方位角;
属性数据确定模块,用于根据确定的优选方位角和所述的AVOAZ道集数据确定目的层的AVO振幅属性数据;
分类模块,用于根据所述AVO振幅属性数据确定储层特征分类。
7.如权利要求6所述的储层特征分类确定装置,其特征在于,所述的优选方位角确定模块包括;
已知井特征确定单元,用于根据地震资料获取已知井的AVO正演模型特征;
井旁道特征获取单元,用预设的角度范围内划分方位角,确定目的层各方位角的井旁道的AVO正演模型特征;
优选单元,根据各方位角的井旁道的AVO正演模型特征和已知井的AVO正演模型特征确定优选方位角。
8.如权利要求6所述的储层特征分类确定装置,其特征在于,所述的根据确定的优选方位角和所述的AVOAZ道集数据确定目的层的AVO振幅属性数据包括:
根据确定的优选方位角从入射角AVOAZ道集数据中提取目的层反射界面对应的振幅值,确定目的层的AVO振幅属性数据。
9.如权利要求6所述的储层特征分类确定装置,其特征在于,所述的分类模块包括:
神经网络处理单元,用于利用自组织神经网络对所述AVO振幅属性数据进行特征曲线分类;
分类单元,用于根据特征曲线分类结果确定目的层储层特征分类。
10.如权利要求6或9中任一项所述的储层特征分类确定装置,其特征在于,所述的储层特征分类包括:岩性特征分类、流体特征分类。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一项所述方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至5任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910738843.4A CN112392469A (zh) | 2019-08-12 | 2019-08-12 | 储层特征分类确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910738843.4A CN112392469A (zh) | 2019-08-12 | 2019-08-12 | 储层特征分类确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112392469A true CN112392469A (zh) | 2021-02-23 |
Family
ID=74602196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910738843.4A Pending CN112392469A (zh) | 2019-08-12 | 2019-08-12 | 储层特征分类确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112392469A (zh) |
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 |
CN103643949A (zh) * | 2013-12-20 | 2014-03-19 | 中国石油天然气集团公司 | 一种储层含油气的定量预测方法及装置 |
CN105425292A (zh) * | 2015-11-20 | 2016-03-23 | 中国石油天然气集团公司 | 一种油气预测方法及装置 |
US20160334528A1 (en) * | 2013-12-31 | 2016-11-17 | Cgg Services Sa | Systems and methods for characterizing subterranean formations utilizing azimuthal data |
CN106371139A (zh) * | 2016-08-16 | 2017-02-01 | 中国石油化工股份有限公司 | 一种应用层段振幅属性识别岩性油藏的方法及装置 |
CN106842307A (zh) * | 2015-12-04 | 2017-06-13 | 中国石油化工股份有限公司 | 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 |
CN108562936A (zh) * | 2018-03-28 | 2018-09-21 | 北京博达瑞恒科技有限公司 | 一种裂缝预测方法、系统、存储介质及终端 |
CN109425896A (zh) * | 2017-08-25 | 2019-03-05 | 中国石油天然气股份有限公司 | 白云岩油气储层分布预测方法及装置 |
-
2019
- 2019-08-12 CN CN201910738843.4A patent/CN112392469A/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 |
CN103643949A (zh) * | 2013-12-20 | 2014-03-19 | 中国石油天然气集团公司 | 一种储层含油气的定量预测方法及装置 |
US20160334528A1 (en) * | 2013-12-31 | 2016-11-17 | Cgg Services Sa | Systems and methods for characterizing subterranean formations utilizing azimuthal data |
CN105425292A (zh) * | 2015-11-20 | 2016-03-23 | 中国石油天然气集团公司 | 一种油气预测方法及装置 |
CN106842307A (zh) * | 2015-12-04 | 2017-06-13 | 中国石油化工股份有限公司 | 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 |
CN106371139A (zh) * | 2016-08-16 | 2017-02-01 | 中国石油化工股份有限公司 | 一种应用层段振幅属性识别岩性油藏的方法及装置 |
CN109425896A (zh) * | 2017-08-25 | 2019-03-05 | 中国石油天然气股份有限公司 | 白云岩油气储层分布预测方法及装置 |
CN108562936A (zh) * | 2018-03-28 | 2018-09-21 | 北京博达瑞恒科技有限公司 | 一种裂缝预测方法、系统、存储介质及终端 |
Non-Patent Citations (1)
Title |
---|
王孟华;崔永谦;张锐峰;卢永合;王四成;芦丽菲;: "泥灰岩裂缝储层预测方法研究――以束鹿凹陷为例", 岩性油气藏, no. 03, 15 September 2007 (2007-09-15), pages 115 - 116 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104950334B (zh) | 一种预测储层分布的方法及装置 | |
CN104101902B (zh) | 地震属性聚类方法及装置 | |
CN110837115B (zh) | 陆相混积岩致密储层岩性的地震识别方法及装置 | |
CN110414723A (zh) | 基于微震事件的裂缝油气藏历史拟合的方法、装置及系统 | |
CN109115987A (zh) | 一种基于岩石物理模型的流体因子的评价方法及装置 | |
CN111025384A (zh) | 基于波形分类交汇融合的储层预测方法和装置 | |
CN105205239A (zh) | 一种储层物性参数建模方法和装置 | |
CN114529110A (zh) | 一种基于深度神经网络模型的岩相反演方法及系统 | |
CN109425900A (zh) | 一种地震储层预测方法 | |
CN110927793B (zh) | 一种基于序贯随机模糊模拟的储层预测方法及系统 | |
CN105277979B (zh) | 一种地震属性的优化方法和装置 | |
CN112505754B (zh) | 基于高精度层序格架模型的井震协同划分沉积微相的方法 | |
CN111239809B (zh) | 一种基于属性融合原理的优势储层确定方法及系统 | |
CN105589096B (zh) | 一种基于d-s证据理论的沉积相带划分方法 | |
CN113219531A (zh) | 致密砂岩气水分布的识别方法及装置 | |
CN116027454A (zh) | 一种砂岩厚度等值线图的成图方法及智能绘制装置 | |
CN112392469A (zh) | 储层特征分类确定方法及装置 | |
CN111736217B (zh) | 地震属性融合方法及装置 | |
CN111751882B (zh) | 生成敏感岩石物理参数的方法和装置 | |
CN103901475A (zh) | 一种属性等值线图绘制方法及装置 | |
RU2119583C1 (ru) | Способ контроля за разработкой нефтяных залежей | |
CN114114421A (zh) | 基于深度学习的导向自学习地震数据去噪方法及装置 | |
CN111781661A (zh) | 少井地区沉积微相平面展布预测方法及装置 | |
CN115128671A (zh) | 一种基于深度学习技术的三维地震相自动识别方法 | |
CN114594513A (zh) | 岩石物理模板建立方法、含气饱和度定量预测方法及装置 |
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 |