CN112444857B - 一种基于叠后地震资料的膏盐地球物理预测方法 - Google Patents
一种基于叠后地震资料的膏盐地球物理预测方法 Download PDFInfo
- Publication number
- CN112444857B CN112444857B CN201910822304.9A CN201910822304A CN112444857B CN 112444857 B CN112444857 B CN 112444857B CN 201910822304 A CN201910822304 A CN 201910822304A CN 112444857 B CN112444857 B CN 112444857B
- Authority
- CN
- China
- Prior art keywords
- characteristic curve
- paste salt
- actual
- intelligent learning
- paste
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/30—Analysis
- G01V1/301—Analysis for determining seismic cross-sections or geostructures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
Abstract
本发明公开了一种基于叠后地震资料的膏盐地球物理预测方法。该膏盐地球物理预测方法包括如下步骤:S1、根据测井曲线,确定实际膏盐敏感特征曲线;S2、根据多次迭代智能学习,确定智能学习膏盐敏感特征曲线;S3、根据实际膏盐敏感特征曲线和智能学习膏盐敏感特征曲线,结合叠后地震资料,通过地震波形差异反演确定碳酸盐岩中膏盐的分布特征和发育程度。本发明的方法解决了海相碳酸盐岩中膏盐与碳酸盐中其它岩性因波阻抗差异小在地震剖面上难以识别的难点;通过将智能学习与地震反演有机结合,准确预测了碳酸盐岩中膏盐的分布范围和发育特征;有效预测了碳酸盐岩中膏盐的分布范围和发育程度。
Description
技术领域
本发明涉及石油勘探技术领域。更具体地,涉及一种基于叠后地震资料的膏盐地球物理预测方法。
背景技术
碳酸盐岩中膏盐一直作为良好的盖层,而被勘探家重视。近年来,中国在多个碳酸盐岩大型天然气田中发现了一定规模的膏盐分布。勘探实践证实,膏盐不仅能作为良好的盖层阻止天然气或原油散失,也能作为催化剂对致密的碳酸盐储层进行改造而形成有效的储集空间。但由于膏盐纵、横向变化相变快,与碳酸盐岩中其它岩性波阻抗差异小,故在地震剖面上难于识别。
前人关于碳酸盐岩中膏盐的球物理预测技术较少涉及,而且多从叠前反演入手进行预测,虽然取得了一定的进展,但受限于叠前弹性参数,所以如何有效利用叠后地震资料预测碳酸盐岩中膏盐的分布特征直接关系到下一步对海相碳酸盐岩的勘探部署工作,而对于钻井较少的研究区,进行膏盐预测显得更加困难。
因此,本发明提供了一种基于叠后地震资料的膏盐地球物理预测方法,以解决上述问题。
发明内容
本发明的一个目的在于提供一种基于叠后地震资料的膏盐地球物理预测方法;该方法将智能学习与地震反演相结合,有效预测了碳酸盐岩中膏盐的分布范围和发育程度,推动了碳酸盐岩中膏盐预测技术的发展。
为达到上述目的,本发明采用下述技术方案:
一种基于叠后地震资料的膏盐地球物理预测方法,包括如下步骤:
S1、根据测井曲线,确定实际膏盐敏感特征曲线;
S2、根据多次迭代智能学习,确定智能学习膏盐敏感特征曲线;
S3、根据实际膏盐敏感特征曲线和智能学习膏盐敏感特征曲线,结合叠后地震资料,通过地震波形差异反演确定碳酸盐岩中膏盐的分布特征和发育程度。
优选地,所述步骤S1具体包括:根据研究区中实际钻井的测井曲线,结合岩性分析,确定实际钻井的实际膏盐敏感特征曲线。
优选地,所述步骤S2具体包括:在研究区实际钻井周围虚拟多个虚拟钻井,根据多次迭代智能学习,确定实际钻井和多个虚拟钻井的智能学习膏盐敏感特征曲线。
优选地,所述步骤S3具体包括:根据S1中确定的实际膏盐敏感特征曲线和S2确定的智能学习膏盐敏感特征曲线,结合研究区的叠后地震资料,采用地震波形差异反演方法,确定碳酸盐岩中膏盐的分布特征和发育程度。
优选地,步骤S1中所述实际膏盐敏感特征曲线为测井曲线中的实际密度特征曲线。
优选地,所述步骤S2具体包括:
S201、在研究区实际钻井周围虚拟多个虚拟钻井,提取地震井旁道,结合测井曲线分析,确定与井旁道具有线性相关性的第一特征曲线;
S202、通过一次智能学习,确定与第一特征曲线具有线性相关性的第二特征曲线;
S203、通过二次智能学习,确定与第二特征曲线具有线性相关性的智能学习膏盐敏感特征曲线。
优选地,所述步骤S201具体包括:
在研究区实际钻井周围虚拟多个虚拟钻井,提取地震井旁道,结合测井曲线分析,确定与井旁道具有线性相关性的实际钻井的第一特征曲线;根据实际钻井的第一特征曲线和井旁道的线性关系,确定多个虚拟钻井的第一特征曲线。
优选地,所述步骤S202具体包括:
通过一次智能学习,确定与实际钻井的第一特征曲线具有线性相关性的实际钻井的第二特征曲线;
根据该实际钻井的第二特征曲线,结合智能学习,确定多个虚拟钻井的第二特征曲线。
优选地,所述步骤S203具体包括:
通过二次智能学习,确定与实际钻井的第二特征曲线具有线性相关性的实际钻井的智能学习膏盐敏感特征曲线;
根据该实际钻井的智能学习膏盐敏感特征曲线,结合智能学习,确定多个虚拟钻井的智能学习膏盐敏感特征曲线。
优选地,S201中所述第一特征曲线为光电截面指数曲线。
优选地,S202中所述第二特征曲线为(den*CNL)/Vp特征曲线。
优选地,S203中所述智能学习膏盐敏感特征曲线为智能学习密度曲线。
优选地,所述步骤S3具体包括:
以S1确定的实际膏盐敏感特征曲线和S2确定的智能学习膏盐敏感特征曲线为约束条件,以解释的地震层位为控制,设定样本数和高频成分,建立初始模型,根据地震波形差异反演预测实际钻井地震剖面上膏盐的分布特征及发育程度;
判断地震波形差异反演预测结果与实际结果是否一致,判断为否则重新建立初始模型,直到二者一致,完成碳酸盐岩中膏盐的分布特征和发育程度的预测。
本发明的有益效果如下:
本发明的方法解决了海相碳酸盐岩中膏盐与碳酸盐中其它岩性因波阻抗差异小在地震剖面上难以识别的难点;通过将智能学习与地震反演有机结合,准确预测了碳酸盐岩中膏盐的分布范围和发育特征;突破性的运用智能学习的方式得到了钻井较少研究区中虚拟钻井的能反映膏盐特征的敏感测井参数曲线,最后通过将反映膏盐的敏感测井参数曲线与地震波形反演相结合有效预测了碳酸盐岩中膏盐的分布范围和发育程度;
该预测技术得到了良好的应用效果,起到了很好的生产实效;目前在该技术指导下预测的膏盐,与实际钻探的结果吻合率较高。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明提供的基于叠后地震资料的膏盐地球物理预测方法流程图。
图2示出本发明实施例1提供的W1井的测井曲线图。
图3示出本发明实施例1提供的W1井对膏盐敏感测井特征曲线的概率统计柱状图。
图4示出本发明实施例1提供的W1井光电截面指数曲线与地震井旁道交汇分析图。
图5示出本发明实施例1提供的W1井地震波形差异反演剖面图。
图6示出本发明实施例1提供的膏盐平面发育程度预测图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例对本发明做进一步的说明。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
为解决有效利用三维叠后地震资料预测碳酸盐岩中膏盐的分布范围和发育程度的问题,本发明提供了一种基于叠后地震资料的膏盐地球物理预测方法,具体地,结合图1,包括如下步骤:
S1、根据测井曲线,确定实际膏盐敏感特征曲线;
S2、根据多次迭代智能学习,确定智能学习膏盐敏感特征曲线;
S3、根据实际膏盐敏感特征曲线和智能学习膏盐敏感特征曲线,结合叠后地震资料,通过地震波形差异反演确定碳酸盐岩中膏盐的分布特征和发育程度。
本发明的方法将智能学习与地震反演相结合,有效预测了碳酸盐岩中膏盐的分布范围和发育程度,推动了碳酸盐岩中膏盐预测技术的发展。此外,应当理解的是,所述迭代智能学习可通过软件模块实现,例如SMI,该软件模块为商业化软件,具体本申请不再赘述。
作为本发明一个优选的实施方式,所述方法具体包括:
S11、根据研究区中实际钻井的测井曲线,结合岩性分析,确定实际钻井的实际膏盐敏感特征曲线;进一步地,所述实际钻井的实际膏盐敏感特征曲线为测井曲线中的实际密度特征曲线;该步骤通过对实际钻井的测井曲线和岩性分析可以确定膏盐在纵向上发育的位置,结合岩性与测井曲线分析膏盐的测井响应特征;通过测井分析发现仅密度(DEN)曲线对膏盐有很好的测井响应特征,通常膏盐具有较高的密度值;
S21、在研究区实际钻井周围虚拟多个虚拟钻井,根据多次迭代智能学习,确定实际钻井和多个虚拟钻井的智能学习膏盐敏感特征曲线;进一步地,所述智能学习膏盐敏感特征曲线为智能学习密度特征曲线;
S31、根据S1确定的实际膏盐敏感特征曲线和S2确定的智能学习膏盐敏感特征曲线,结合研究区的叠后地震资料,采用地震波形差异反演方法,确定碳酸盐岩中膏盐的分布特征和发育程度;
该步骤利用实际测得的密度特征曲线和智能学习得到的密度特征曲线为约束条件,通过地震波形反演技术,选择合适的模型对膏盐进行反演,而后将得到的反演数据体求取层段均方根属性,即可得到膏盐的平面分布和发育特征;该反演方法与常规用波阻抗或地震属性间接反演膏盐不同的是,这里主要用地震波形反演直接预测膏盐的分布特征及发育程度;
其原理为:尽管井与井之间及无井区膏盐的空间分布特征不清楚,但是无井区和井与井之间的地震波形变化却是已知的,通过寻找叠后三维地震资料波形变化与反映膏盐敏感参数曲线(den)的关系,能较为准确的预测出膏盐的平面分布特征及发育程度。
作为本发明一个优选的实施方式,所述步骤S2具体包括:
S201、在研究区实际钻井周围虚拟多个虚拟钻井,优选为三个虚拟钻井,提取地震井旁道,结合测井曲线分析,确定与井旁道具有线性相关性的实际钻井的第一特征曲线;
根据实际钻井的第一特征曲线和井旁道的线性关系,确定多个虚拟钻井的第一特征曲线;
进一步地,所述第一特征曲线为光电截面指数曲线;
S202、通过一次智能学习,确定与实际钻井的第一特征曲线具有线性相关性的实际钻井的第二特征曲线;
根据该实际钻井的第二特征曲线,结合智能学习,确定多个虚拟钻井的第二特征曲线;
进一步地,所述第二特征曲线为(den*CNL)/Vp特征曲线;
S203、通过二次智能学习,确定与实际钻井的第二特征曲线具有线性相关性的实际钻井的智能学习膏盐敏感特征曲线;
进一步地,所述智能学习膏盐敏感特征曲线为智能学习密度曲线。
作为本发明一个优选的实施方式,所述步骤S3具体包括:
以S1中确定的实际膏盐敏感特征曲线和S2中确定的智能学习膏盐敏感特征曲线为约束条件,以解释的地震层位为控制,设定样本数和高频成分,建立初始模型,根据地震波形差异反演预测实际钻井地震剖面上膏盐的分布特征及发育程度;
判断地震波形差异反演预测结果与实际结果是否一致,判断为否则重新建立初始模型,直到二者一致,完成碳酸盐岩中膏盐的分布特征和发育程度的预测。
步骤S3中用到的地震波形差异反演原理如下:
地震波形差异反演:以特征测井参数曲线为约束条件,以解释的地震层位为控制,从井点出发,优选出合理的样本数及合适的高频成分,建立合理的初始模型,然后采用全局优化算法不断修改和更新这个模型,直到用它正演的合成地震记录与实际的地震记录达到最佳吻合,最终的模型便是反演的结果。
下面,通过实施例对本发明的内容做进一步的说明。
实施例1
本实施例提供了一种基于叠后地震资料的膏盐地球物理预测方法,具体包括如下步骤:
步骤一、根据测井曲线,确定实际膏盐敏感特征曲线:
图2为研究区实际钻井W1井的测井曲线,从该图中很难发现膏盐的测井响应特征;通过分岩性对W1井的测井曲线进行分析,发现膏盐对密度曲线具有较好的相应,一般膏盐具有较高的密度值,如图3;
步骤二、根据多次迭代智能学习,确定智能学习膏盐敏感特征曲线:
首先,因研究区仅有一口钻井(W1),为了保证膏盐预测精度,在研究区虚拟3口钻井(M、N和L);对W1、M、N和L提取地震井旁道(JPD),结合测井曲线分析,发现W1井的Pe(光电截面指数)曲线与井旁道具有很好的线性相关,如图4,通过线性关系即可得到3口虚拟钻井M、N和L的Pe特征曲线;
其次,通过第1次智能学习,发现W1井重构的(den*CNL)/Vp(其中Vp为声波时差AC的倒数,在乘以106)特征曲线与Pe曲线有较好的相关性,结合智能学习可以得到M、N和L的(den*CNL)/Vp特征曲线;通过第2次智能学习,发现W1井密度(den)曲线对(den*CNL)/Vp特征曲线有较好的相关性,同样结合智能学习容易得到M、N和L的密度曲线;
步骤三、根据实际膏盐敏感特征曲线和智能学习膏盐敏感特征曲线,结合叠后地震资料,通过地震波形差异反演确定碳酸盐岩中膏盐的分布特征和发育程度:
以步骤一中得到的实际钻井W1井的实际密度曲线和步骤二中得到W1、M、N和L井的智能学习密度特征曲线为约束条件,优选出合理的样本数及合适的高频成分,建立合理的初始模型(即寻找膏盐特征曲线与地震波形的关系),运用地震波形反演预测过W1井地震剖面上膏盐的分布特征及发育程度。
而后将反演结果与W1井做对比,如果地震波形反演结果与W1井上膏盐的分布特征不吻合,则重新选择样品数及高频成分,重新建立初始模型,直到反演效果较好为止。
此外,通过建立的合适的初始模型,利用地震波形反演即可求得反映膏盐分布特征的反演数据体。
图5为利用地震波形反演求得的过W1井的膏盐的反演剖面,图中曲线为对膏盐敏感的密度特征参数曲线。从过W1井的膏盐反演剖面可以发现反演得的膏盐分布特征与W1井上的结果基本一致,说明结合密度特征曲线,通过地震波形反演,可以较为准确的预测出碳酸盐岩中膏盐的分布特征及发育程度。最后,通过求取目的层系的层段属性(主要是均方根振幅属性),即可得到目的层系膏盐的平面分布特征及发育程度,如图6。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (3)
1.一种基于叠后地震资料的膏盐地球物理预测方法,其特征在于,包括如下步骤:
S1、根据测井曲线,确定实际膏盐敏感特征曲线;
S2、根据多次迭代智能学习,确定智能学习膏盐敏感特征曲线;
S3、根据实际膏盐敏感特征曲线和智能学习膏盐敏感特征曲线,结合叠后地震资料,通过地震波形差异反演确定碳酸盐岩中膏盐的分布特征和发育程度;
步骤S2具体包括:
S201、在研究区实际钻井周围虚拟多个虚拟钻井,提取地震井旁道,结合测井曲线分析,确定与井旁道具有线性相关性的实际钻井的第一特征曲线;根据实际钻井的第一特征曲线和井旁道的线性关系,确定多个虚拟钻井的第一特征曲线;所述第一特征曲线为光电截面指数曲线;
S202、 通过一次智能学习,确定与实际钻井的第一特征曲线具有线性相关性的实际钻井的第二特征曲线;根据该实际钻井的第二特征曲线,结合智能学习,确定多个虚拟钻井的第二特征曲线;所述第二特征曲线为(den*CNL)/Vp特征曲线,其中,den代表密度,Vp为声波时差AC的倒数再乘以106;
S203、通过二次智能学习,确定与实际钻井的第二特征曲线具有线性相关性的实际钻井的智能学习膏盐敏感特征曲线;根据该实际钻井的智能学习膏盐敏感特征曲线,结合智能学习,确定多个虚拟钻井的智能学习膏盐敏感特征曲线;
步骤S3具体包括:
以S1确定的实际膏盐敏感特征曲线和S2确定的智能学习膏盐敏感特征曲线为约束条件,以解释的地震层位为控制,设定样本数和高频成分,建立初始模型,根据地震波形差异反演预测实际钻井地震剖面上膏盐的分布特征及发育程度;
判断地震波形差异反演预测结果与实际结果是否一致,判断为否则重新建立初始模型,直到二者一致,完成碳酸盐岩中膏盐的分布特征和发育程度的预测。
2.根据权利要求1所述的基于叠后地震资料的膏盐地球物理预测方法,其特征在于,步骤S1具体包括:根据研究区中实际钻井的测井曲线,结合岩性分析,确定实际钻井的实际膏盐敏感特征曲线。
3.根据权利要求1所述的基于叠后地震资料的膏盐地球物理预测方法,其特征在于,所述智能学习膏盐敏感特征曲线为智能学习密度曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910822304.9A CN112444857B (zh) | 2019-09-02 | 2019-09-02 | 一种基于叠后地震资料的膏盐地球物理预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910822304.9A CN112444857B (zh) | 2019-09-02 | 2019-09-02 | 一种基于叠后地震资料的膏盐地球物理预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112444857A CN112444857A (zh) | 2021-03-05 |
CN112444857B true CN112444857B (zh) | 2023-10-27 |
Family
ID=74734983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910822304.9A Active CN112444857B (zh) | 2019-09-02 | 2019-09-02 | 一种基于叠后地震资料的膏盐地球物理预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112444857B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102759757A (zh) * | 2012-07-06 | 2012-10-31 | 中国石油天然气股份有限公司 | 一种基于井震结合的辉绿岩蚀变带储层预测方法 |
CN105510993A (zh) * | 2015-12-23 | 2016-04-20 | 中国石油大学(北京) | 前陆盆地深埋挤压型复杂膏盐岩层识别和分布预测方法 |
CN106772680A (zh) * | 2016-12-30 | 2017-05-31 | 中国石油天然气股份有限公司 | 基于二维叠后地震资料微观裂缝表征确定方法和装置 |
CN107436452A (zh) * | 2016-05-27 | 2017-12-05 | 中国石油化工股份有限公司 | 基于概率神经网络算法的烃源岩预测方法及装置 |
CN108490491A (zh) * | 2018-03-06 | 2018-09-04 | 中国石油集团东方地球物理勘探有限责任公司 | 一种基于波形指示反演的滩体预测方法 |
-
2019
- 2019-09-02 CN CN201910822304.9A patent/CN112444857B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102759757A (zh) * | 2012-07-06 | 2012-10-31 | 中国石油天然气股份有限公司 | 一种基于井震结合的辉绿岩蚀变带储层预测方法 |
CN105510993A (zh) * | 2015-12-23 | 2016-04-20 | 中国石油大学(北京) | 前陆盆地深埋挤压型复杂膏盐岩层识别和分布预测方法 |
CN107436452A (zh) * | 2016-05-27 | 2017-12-05 | 中国石油化工股份有限公司 | 基于概率神经网络算法的烃源岩预测方法及装置 |
CN106772680A (zh) * | 2016-12-30 | 2017-05-31 | 中国石油天然气股份有限公司 | 基于二维叠后地震资料微观裂缝表征确定方法和装置 |
CN108490491A (zh) * | 2018-03-06 | 2018-09-04 | 中国石油集团东方地球物理勘探有限责任公司 | 一种基于波形指示反演的滩体预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112444857A (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2018340369B2 (en) | Method and device for determining thin interlayer | |
CN110333551B (zh) | 基于井震结合的白云岩储层预测方法、系统及存储介质 | |
US8612194B2 (en) | Updating a subterranean model using at least electromagnetic data | |
CN107831543B (zh) | 叠前地震反演方法及系统 | |
CN103257361B (zh) | 基于Zoeppritz方程近似式的油气预测方法及系统 | |
CN102937720B (zh) | 井控提高地震资料分辨率的方法 | |
CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
Yang et al. | Integrated application of 3D seismic and microseismic data in the development of tight gas reservoirs | |
CN104155687A (zh) | 一种相控叠后声波阻抗反演方法 | |
CN110618450A (zh) | 基于岩石物理建模的致密储层智能化含气性预测方法 | |
Zhang et al. | An intelligent approach for gas reservoir identification and structural evaluation by ANN and Viterbi algorithm—A case study from the Xujiahe Formation, Western Sichuan Depression, China | |
US10481297B2 (en) | Fluid migration pathway determination | |
Liu* et al. | Seismic lithofacies computation method based on deep learning | |
CN111487681A (zh) | 天然气水合物及下伏游离气储集体地震响应特征分析方法 | |
CN113219531A (zh) | 致密砂岩气水分布的识别方法及装置 | |
CN109324344A (zh) | 基于纯纵波和拟声波反演的页岩厚度预测方法及系统 | |
CN112444857B (zh) | 一种基于叠后地震资料的膏盐地球物理预测方法 | |
CN115877464A (zh) | 一种岩性识别方法、装置、计算机设备及存储介质 | |
CN107831537B (zh) | 高砂地比浊积岩储层描述方法 | |
Li et al. | Time-Lapse Seismic Inversion for Predicting Reservoir Parameters Based on a Two-Stage Dual Network | |
CN113495293B (zh) | 油藏流体预测方法及装置 | |
WO2024021432A1 (zh) | Sv波弹性阻抗的反演方法及装置 | |
CN112731556B (zh) | 一种裂缝发育区的预测方法及用于预测裂缝发育区的计算机存储介质 | |
CN112363244A (zh) | 波阻抗反演方法与碳酸盐岩非均质储层预测方法及系统 | |
Johnson et al. | Advanced imaging and inversion for oil production estimates in unconventional resource plays |
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 |