CN112578475A - 基于数据挖掘的致密储层双甜点识别方法 - Google Patents
基于数据挖掘的致密储层双甜点识别方法 Download PDFInfo
- Publication number
- CN112578475A CN112578475A CN202011319441.XA CN202011319441A CN112578475A CN 112578475 A CN112578475 A CN 112578475A CN 202011319441 A CN202011319441 A CN 202011319441A CN 112578475 A CN112578475 A CN 112578475A
- Authority
- CN
- China
- Prior art keywords
- dessert
- network
- porosity
- data
- value
- 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 26
- 238000007418 data mining Methods 0.000 title claims abstract description 14
- 235000021185 dessert Nutrition 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 33
- 235000009508 confectionery Nutrition 0.000 claims abstract description 28
- 230000009977 dual effect Effects 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 3
- 239000011707 mineral Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 235000011850 desserts Nutrition 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 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
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (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数据挖掘的致密储层双甜点识别方法,包括如下步骤:1)地震数据的整理;2)致密储层甜点测井曲线的整理;3)测井曲线交会分析:4)甜点识别训练样本集构建;5)地震层位数据的排列和插值:6)全局和局部连接网络的建立;7)全局和局部连接网络的融合。本发明建立了一种可以高效、准确进行致密储层甜点识别的技术。
Description
技术领域
本发明涉及油气资源勘探技术领域,具体是关于一种基于数据挖掘的致密储层双甜点识别方法。
背景技术
致密储层具有储层薄、低孔渗、横向非均质性强等特点,此类非常规储层甜点识别是勘探工作所遇到的核心和难点问题。现有的储层反演等技术在解决此类问题时,主要依靠人工从属性数据体中寻找规律并确定甜点的最大可能区域。目前主要应用的方法如下:
(1)叠前反演方法,该方法通过反演地层纵横波速度,并利用岩石物理方法确定甜点与纵横波速度的相关关系,来间接识别甜点的分布。但叠前反演往往分辨率低、信噪比低,很难满足甜点精细表征的需要。而且目前致密储层甜点(包括地层的物性、脆性)与地震数据(包括叠前数据)并无明确的因果关系,导致甜点识别结果准确率低。
(2)地震属性的方法,利用地震属性提取多种地震属性,通过交会分析、主成分分析等确定对甜点敏感的地震属性集,利用该地震属性集综合分析来确定甜点的分布。该方法存在人为主观性强、不同地震属性容易冲突等问题,因而使用效率较低。
事实上,地震波场中隐含有地层的影响,但由于地层参数与地震波之间复杂的响应机制,目前还没有系统的理论来描述致密储层甜点与地震响应之间的因果关系,尚未建立确定的正演模型。而深度学习能够从数据本身挖掘有效信息,不需要确定的正演模型便可以建立预测模型。然而利用深度学习进行致密储层甜点识别,存在地震数据多,井数据少且空间分布不规则、地震数据和井数据不存在一一对应关系等困难,流行的深度学习模型(CNN\RNN)无法直接应用于井震联合致密储层甜点的识别。
发明内容
针对上述问题,本发明的目的是提供一种基于数据挖掘的致密储层双甜点识别方法,以建立一种可以高效、准确进行致密储层甜点识别的技术。
为实现上述目的,本发明采取以下技术方案:
本发明所述的基于数据挖掘的致密储层双甜点识别方法,包括如下步骤:
1)地震数据的整理:
致密储层的地震异常响应弱,需要搜集高精度、高质量的叠后地震数据,并进行去噪和针对目标层段的弱信号增强处理;
2)致密储层甜点测井曲线的整理:
搜集孔隙度和伽马测井曲线,并进行孔隙度和伽马测井曲线的多井标准化和去异常值处理,并通过计算脆性矿物组分构建脆性指数曲线;
3)测井曲线交会分析:
对步骤2)处理后的孔隙度和伽马测井曲线进行随机抽样,然后进行交会分析确定两者的相关关系;
4)甜点识别训练样本集构建;
5)地震层位数据的排列和插值:
在三维空间内,将地球物理勘探中获取的三维地震层位数据按照由深到浅的顺序进行空间排列,并以目标要求的时间间隔进行层位信息插值,得到时间域三维地层格架信息;
6)全局和局部连接网络的建立:
建立全局连接的网络作为深度学习网络的支网一,同时建立局部连接的网络作为深度学习网络的支网二;
7)全局和局部连接网络的融合:
将步骤6)中的支网一和支网二的运算结果以求和的形式作为总网络的输出。
所述的致密储层双甜点识别方法,优选地,所述步骤4)中甜点识别训练样本集构建的方法包括如下步骤:
4.1)以步骤2)中伽马测井曲线为约束条件,并设置伽马测井曲线值为阈值;
4.2)以步骤3)中相关关系为负相关为例,高于阈值的目标段对应孔隙度设为背景值,低于阈值的目标段对应孔隙度保留原值作为孔隙度有效值;
4.3)分析步骤4.2)中孔隙度有效值与背景值的比例,调整阈值大小:
当有效值比例明显高于背景值时,将阈值增大;有效值比例明显低于背景值时,将阈值减小;重复步骤4.1)-4.3),直到孔隙度有效值与背景值比例大致相等,将修改后的孔隙度曲线保存;
4.4)利用修改后的孔隙度曲线和叠后地震数据构建致密储层地质甜点识别训练样本集;同时利用步骤2)中脆性指数曲线和叠后地震数据构建致密储层工程甜点识别训练样本集。
所述的致密储层双甜点识别方法,优选地,所述步骤6)中的所述支网一不同层之间满足公式(1)的运算关系:
Yi+1=Wi·Yi (1)
式中,Yi表示第i层的输入;Wi表示第i层到第i+1层的连接权重矩阵;|·|表示点乘运算符;
所述支网二不同层之间满足公式(2)的运算关系:
所述的致密储层双甜点识别方法,优选地,在所述步骤7)后还包括如下步骤:
8)混合深度学习网络的训练:
8.1)将步骤5)中的时间域三维地层格架信息输入支网一,将步骤4)中致密储层地质甜点识别训练样本集中的叠后地震记录输入支网二,按步骤6)和7)进行计算,以步骤4)中致密储层地质甜点识别训练样本集中的孔隙度曲线为目标期望值进行训练,得到地质甜点预测模型;
8.2)将步骤5)中的时间域三维地层格架信息输入支网一,将步骤4)中致密储层工程甜点识别训练样本集中的叠后地震记录输入支网二,按步骤6)和7)进行计算,以步骤4)中致密储层工程甜点识别训练样本集的脆性指数曲线为目标期望值进行训练,得到工程甜点预测模型。
所述的致密储层双甜点识别方法,优选地,在所述步骤8)后还包括如下步骤:
9)致密储层双甜点识别:
9.1)将地球物理勘探中获取的三维地震层位数据输入到地质甜点预测模型,得到致密储层地质甜点数据;
9.2)将地球物理勘探中获取的三维地震层位数据输入到工程甜点预测模型,得到致密储层工程甜点数据;
9.3)将地质甜点数据和工程甜点数据进行综合分析,得到致密储层双甜点信息。
本发明由于采取以上技术方案,其具有以下优点:
(1)目前常用的反演方法大多基于确定的正演模型,可以得到的储层参数种类有限。本发明利用深度学习模型强大的自我学习能力,从地震数据和测井数据本身,挖掘有效信息进行致密储层甜点识别,可以用多种参数综合描述甜点。
(2)目前流行的深度学习模型直接应用于井震联合致密储层甜点识别时,面临样本数量不足问题。本发明利用全局和局部连接混合的深度学习网络结构,将地层格架信息作为先验约束加入到学习过程中,有效解决样本不足问题。
(3)目前同类的利用深度学习解决甜点识别的方法,往往忽视了样本不对称的问题,造成网络学习出现结果偏差。本发明建立了岩性遮挡的深度学习训练样本集构建方法,利用岩性曲线来约束样本集中有效值与背景值的比例,使样本集中不同属性样本更加均衡。
附图说明
图1为基于数据挖掘的致密储层双甜点识别流程图;
图2为全局和局部连接混合的深度学习网络结构示意图;
图3为基于数据挖掘的致密储层地质甜点识别剖面对比图;
图4为基于数据挖掘的致密储层工程甜点识别剖面对比图;
图5为致密储层地质-工程双甜点识别平面图。
具体实施方式
以下将结合附图对本发明的较佳实施例进行详细说明,以便更清楚理解本发明的目的、特点和优点。应理解的是,附图所示的实施例并不是对本发明范围的限制,而只是为了说明本发明技术方案的实质精神。
如图1所示,本发明提供的基于数据挖掘的致密储层双甜点识别方法,包括如下步骤:
1)地震数据的整理:
致密储层的地震异常响应弱,需要搜集高精度、高质量的叠后地震数据,并进行去噪和针对目标层段的弱信号增强处理。
2)致密储层甜点测井曲线的整理:
搜集孔隙度和伽马测井曲线,并进行孔隙度和伽马测井曲线的多井标准化和去异常值处理,并通过计算脆性矿物组分构建脆性指数曲线。
3)测井曲线交会分析:
对步骤2)处理后的孔隙度和伽马测井曲线进行随机抽样,然后进行交会分析确定两者的相关关系。
4)甜点识别训练样本集构建:
4.1)以步骤2)中伽马测井曲线为约束条件,并设置伽马测井曲线值为阈值;
4.2)以步骤3)中相关关系为负相关为例,高于阈值的目标段对应孔隙度设为背景值,低于阈值的目标段对应孔隙度保留原值作为有孔隙度效值;
4.3)分析步骤4.2)中孔隙度有效值与背景值的比例,调整阈值大小:
当有效值比例明显高于背景值时,将阈值增大;有效值比例明显低于背景值时,将阈值减小;重复步骤4.1)-4.3),直到孔隙度有效值与背景值比例大致相等,将修改后的孔隙度曲线保存;
4.4)利用修改后的孔隙度曲线和叠后地震数据构建致密储层地质甜点识别训练样本集,同时利用步骤2)中脆性指数曲线和叠后地震数据构建致密储层工程甜点识别训练样本集。
5)地震层位数据的排列和插值:
在三维空间内,将地球物理勘探中获取的地震层位数据按照由深到浅的顺序进行空间排列,并以目标要求的时间间隔进行层位信息插值,得到时间域三维地层格架信息。
6)全局和局部连接网络的建立:
建立全局连接的网络作为深度学习网络的支网一,同时建立局部连接的网络作为深度学习网络的支网二:
其中,支网一不同层之间满足公式(1)的运算关系:
Yi+1=Wi·Yi (1)
式中,Yi表示第i层的输入;Wi表示第i层到第i+1层的连接权重矩阵;|·|表示点乘运算符;
支网二不同层之间满足公式(2)的运算关系:
7)全局和局部连接网络的融合:
将步骤6)中的支网一和支网二的运算结果以求和的形式作为总网络的输出。
8)混合深度学习网络的训练:
8.1)将步骤5)中的时间域三维地层格架信息输入支网一,将步骤4)中致密储层地质甜点识别训练样本集中的叠后地震记录输入支网二,按步骤6)和7)进行计算,以步骤4)中致密储层地质甜点识别训练样本集中的孔隙度曲线为目标期望值进行训练,得到地质甜点预测模型;
8.2)将步骤5)中的时间域三维地层格架信息输入支网一,将步骤4)中致密储层工程甜点识别训练样本集中的叠后地震记录输入支网二,按步骤6)和7)进行计算,以步骤4)中致密储层工程甜点识别训练样本集的脆性指数曲线为目标期望值进行训练,得到工程甜点预测模型。
9)致密储层双甜点识别:
9.1)将地球物理勘探中获取的三维地震层位数据输入到地质甜点预测模型,得到致密储层地质甜点数据;
9.2)将地球物理勘探中获取的三维地震层位数据输入到工程甜点预测模型,得到致密储层工程甜点数据;
9.3)将地质甜点数据和工程甜点数据进行综合分析,得到致密储层双甜点信息。
图2为全局和局部连接混合的深度学习网络结构示意图,如图2所示,将三维地层格架信息以全局连接的方式作为先验信息约束加入到网络中。地震数据以另一个支网的形式,采用局部连接挖掘有效信息。最终以累加求和的方法在主网将信息合并,实现甜点信息数据挖掘。
图3是基于数据挖掘的致密储层地质甜点识别剖面对比图。图中,地质甜点识别的剖面分辨率明显高于地震的分辨率。地质甜点识别剖面中深色代表高孔隙甜点区域,图中地质甜点纵向叠置清晰,实现了薄层的精细刻画,大大提高了地质甜点识别的分辨率。而且地质甜点识别结果与测井信息很好地对应,证明了地质甜点识别的可靠性。
图4是基于数据挖掘的致密储层工程甜点识别剖面对比图。其中工程甜点识别剖面图中的测井曲线为脆性指数曲线。从图中可以看出工程甜点识别的剖面分辨率明显高于地震的分辨率,深色区域为高脆性区域,是工程甜点区,开发有利区。
图5是致密储层地质-工程双甜点识别平面图。图中综合考虑了地质甜点与工程甜点,取地质甜点和工程甜点的交集,浅色区域为双甜点区域,是开发有利区。从图中反映的区域看双甜点区河道相带明显,条带清晰。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种基于数据挖掘的致密储层双甜点识别方法,其特征在于,包括如下步骤:
1)地震数据的整理:
致密储层的地震异常响应弱,需要搜集高精度、高质量的叠后地震数据,并进行去噪和针对目标层段的弱信号增强处理;
2)致密储层甜点测井曲线的整理:
搜集孔隙度和伽马测井曲线,并进行孔隙度和伽马测井曲线的多井标准化和去异常值处理,并通过计算脆性矿物组分构建脆性指数曲线;
3)测井曲线交会分析:
对步骤2)处理后的孔隙度和伽马测井曲线进行随机抽样,然后进行交会分析确定两者的相关关系;
4)甜点识别训练样本集构建;
5)地震层位数据的排列和插值:
在三维空间内,将地球物理勘探中获取的三维地震层位数据按照由深到浅的顺序进行空间排列,并以目标要求的时间间隔进行层位信息插值,得到时间域三维地层格架信息;
6)全局和局部连接网络的建立:
建立全局连接的网络作为深度学习网络的支网一,同时建立局部连接的网络作为深度学习网络的支网二;
7)全局和局部连接网络的融合:
将步骤6)中的支网一和支网二的运算结果以求和的形式作为总网络的输出。
2.根据权利要求1所述的致密储层双甜点识别方法,其特征在于,所述步骤4)中甜点识别训练样本集构建的方法包括如下步骤:
4.1)以步骤2)中伽马测井曲线为约束条件,并设置伽马测井曲线值为阈值;
4.2)以步骤3)中相关关系为负相关为例,高于阈值的目标段对应孔隙度设为背景值,低于阈值的目标段对应孔隙度保留原值作为孔隙度有效值;
4.3)分析步骤4.2)中孔隙度有效值与背景值的比例,调整阈值大小:
当有效值比例明显高于背景值时,将阈值增大;有效值比例明显低于背景值时,将阈值减小;重复步骤4.1)-4.3),直到孔隙度有效值与背景值比例大致相等,将修改后的孔隙度曲线保存;
4.4)利用修改后的孔隙度曲线和叠后地震数据构建致密储层地质甜点识别训练样本集;同时利用步骤2)中脆性指数曲线和叠后地震数据构建致密储层工程甜点识别训练样本集。
4.根据权利要求3所述的致密储层双甜点识别方法,其特征在于,在所述步骤7)后还包括如下步骤:
8)混合深度学习网络的训练:
8.1)将步骤5)中的时间域三维地层格架信息输入支网一,将步骤4)中致密储层地质甜点识别训练样本集中的叠后地震记录输入支网二,按步骤6)和7)进行计算,以步骤4)中致密储层地质甜点识别训练样本集中的孔隙度曲线为目标期望值进行训练,得到地质甜点预测模型;
8.2)将步骤5)中的时间域三维地层格架信息输入支网一,将步骤4)中致密储层工程甜点识别训练样本集中的叠后地震记录输入支网二,按步骤6)和7)进行计算,以步骤4)中致密储层工程甜点识别训练样本集的脆性指数曲线为目标期望值进行训练,得到工程甜点预测模型。
5.根据权利要求4所述的致密储层双甜点识别方法,其特征在于,在所述步骤8)后还包括如下步骤:
9)致密储层双甜点识别:
9.1)将地球物理勘探中获取的三维地震层位数据输入到地质甜点预测模型,得到致密储层地质甜点数据;
9.2)将地球物理勘探中获取的三维地震层位数据输入到工程甜点预测模型,得到致密储层工程甜点数据;
9.3)将地质甜点数据和工程甜点数据进行综合分析,得到致密储层双甜点信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011319441.XA CN112578475A (zh) | 2020-11-23 | 2020-11-23 | 基于数据挖掘的致密储层双甜点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011319441.XA CN112578475A (zh) | 2020-11-23 | 2020-11-23 | 基于数据挖掘的致密储层双甜点识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112578475A true CN112578475A (zh) | 2021-03-30 |
Family
ID=75123719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011319441.XA Pending CN112578475A (zh) | 2020-11-23 | 2020-11-23 | 基于数据挖掘的致密储层双甜点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112578475A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114114414A (zh) * | 2021-11-18 | 2022-03-01 | 电子科技大学长三角研究院(湖州) | 一种页岩储层“甜点”信息人工智能预测方法 |
CN114492627A (zh) * | 2022-01-25 | 2022-05-13 | 成都理工大学 | 一种基于改进knn算法的页岩脆性指数预测方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2799686A1 (en) * | 2010-05-19 | 2011-11-24 | Cggveritas Services Sa | Passive monitoring method for seismic events |
RU2454682C1 (ru) * | 2011-06-27 | 2012-06-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Новосибирский национальный исследовательский государственный университет" (НГУ) | Способ построения сейсмического динамического глубинного и/или тотального временного разреза |
CN104391326A (zh) * | 2014-11-19 | 2015-03-04 | 中国海洋石油总公司 | 一种地震属性集合的组合选择方法 |
KR20150029397A (ko) * | 2013-09-10 | 2015-03-18 | (주)에이케이지씨 | 배경잡음에 강인한 지진파 자동 검출 장치 및 그 방법 |
CN104853822A (zh) * | 2014-09-19 | 2015-08-19 | 杨顺伟 | 一种评价页岩气储层及寻找甜点区的方法 |
CN105629327A (zh) * | 2015-12-31 | 2016-06-01 | 中国石油大学(华东) | 一种针对弱胶结、深层致密砂岩储层成岩相定量表征方法 |
CN105986816A (zh) * | 2015-02-27 | 2016-10-05 | 中国石油化工股份有限公司 | 一种用于识别页岩地层甜点的方法 |
CA2931435A1 (en) * | 2015-05-29 | 2016-11-29 | Cgg Services Sa | Method for developing a geomechanical model based on seismic data, well logs and sem analysis of horizontal and vertical drill cuttings |
CN108169817A (zh) * | 2017-12-15 | 2018-06-15 | 中国石油集团川庆钻探工程有限公司 | 录井地震联合烃指数反演流体识别方法 |
CN108897045A (zh) * | 2018-08-28 | 2018-11-27 | 中国石油天然气股份有限公司 | 深度学习模型训练方法和地震数据去噪方法、装置及设备 |
US20190041534A1 (en) * | 2016-10-14 | 2019-02-07 | Chevron U.S.A. Inc. | System and method for automated seismic interpretation |
US20190050729A1 (en) * | 2018-03-26 | 2019-02-14 | Intel Corporation | Deep learning solutions for safe, legal, and/or efficient autonomous driving |
US20190064389A1 (en) * | 2017-08-25 | 2019-02-28 | Huseyin Denli | Geophysical Inversion with Convolutional Neural Networks |
WO2019062655A1 (zh) * | 2017-09-27 | 2019-04-04 | 中国石油天然气股份有限公司 | 薄夹层的确定方法和装置 |
GB202002225D0 (en) * | 2020-02-18 | 2020-04-01 | Foster Findlay Ass Ltd | A System and method for improved geophysical data interpretation |
US10689954B1 (en) * | 2019-04-24 | 2020-06-23 | Dagang Oil Field Company Of Cnpc | Research method of trajectory design and on-site tracking and adjustment of shale oil horizontal well |
CN111461386A (zh) * | 2019-12-27 | 2020-07-28 | 中国地质调查局成都地质调查中心 | 基于bp神经网络的页岩气甜点预测方法 |
CN111507048A (zh) * | 2020-04-23 | 2020-08-07 | 中国石油大学(北京) | 一种致密砂岩储层含气性的预测方法、装置、设备及系统 |
CN111596978A (zh) * | 2019-03-03 | 2020-08-28 | 山东英才学院 | 用人工智能进行岩相分类的网页显示方法、模块和系统 |
-
2020
- 2020-11-23 CN CN202011319441.XA patent/CN112578475A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2799686A1 (en) * | 2010-05-19 | 2011-11-24 | Cggveritas Services Sa | Passive monitoring method for seismic events |
RU2454682C1 (ru) * | 2011-06-27 | 2012-06-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Новосибирский национальный исследовательский государственный университет" (НГУ) | Способ построения сейсмического динамического глубинного и/или тотального временного разреза |
KR20150029397A (ko) * | 2013-09-10 | 2015-03-18 | (주)에이케이지씨 | 배경잡음에 강인한 지진파 자동 검출 장치 및 그 방법 |
CN104853822A (zh) * | 2014-09-19 | 2015-08-19 | 杨顺伟 | 一种评价页岩气储层及寻找甜点区的方法 |
WO2016041189A1 (zh) * | 2014-09-19 | 2016-03-24 | 杨顺伟 | 一种评价页岩气储层及寻找甜点区的方法 |
CN104391326A (zh) * | 2014-11-19 | 2015-03-04 | 中国海洋石油总公司 | 一种地震属性集合的组合选择方法 |
CN105986816A (zh) * | 2015-02-27 | 2016-10-05 | 中国石油化工股份有限公司 | 一种用于识别页岩地层甜点的方法 |
CA2931435A1 (en) * | 2015-05-29 | 2016-11-29 | Cgg Services Sa | Method for developing a geomechanical model based on seismic data, well logs and sem analysis of horizontal and vertical drill cuttings |
CN105629327A (zh) * | 2015-12-31 | 2016-06-01 | 中国石油大学(华东) | 一种针对弱胶结、深层致密砂岩储层成岩相定量表征方法 |
US20190041534A1 (en) * | 2016-10-14 | 2019-02-07 | Chevron U.S.A. Inc. | System and method for automated seismic interpretation |
US20190064389A1 (en) * | 2017-08-25 | 2019-02-28 | Huseyin Denli | Geophysical Inversion with Convolutional Neural Networks |
WO2019062655A1 (zh) * | 2017-09-27 | 2019-04-04 | 中国石油天然气股份有限公司 | 薄夹层的确定方法和装置 |
CN108169817A (zh) * | 2017-12-15 | 2018-06-15 | 中国石油集团川庆钻探工程有限公司 | 录井地震联合烃指数反演流体识别方法 |
US20190050729A1 (en) * | 2018-03-26 | 2019-02-14 | Intel Corporation | Deep learning solutions for safe, legal, and/or efficient autonomous driving |
CN108897045A (zh) * | 2018-08-28 | 2018-11-27 | 中国石油天然气股份有限公司 | 深度学习模型训练方法和地震数据去噪方法、装置及设备 |
CN111596978A (zh) * | 2019-03-03 | 2020-08-28 | 山东英才学院 | 用人工智能进行岩相分类的网页显示方法、模块和系统 |
US10689954B1 (en) * | 2019-04-24 | 2020-06-23 | Dagang Oil Field Company Of Cnpc | Research method of trajectory design and on-site tracking and adjustment of shale oil horizontal well |
CN111461386A (zh) * | 2019-12-27 | 2020-07-28 | 中国地质调查局成都地质调查中心 | 基于bp神经网络的页岩气甜点预测方法 |
GB202002225D0 (en) * | 2020-02-18 | 2020-04-01 | Foster Findlay Ass Ltd | A System and method for improved geophysical data interpretation |
CN111507048A (zh) * | 2020-04-23 | 2020-08-07 | 中国石油大学(北京) | 一种致密砂岩储层含气性的预测方法、装置、设备及系统 |
Non-Patent Citations (2)
Title |
---|
李宝华;: "页岩气储层测井评价有关问题的探讨", 中国煤炭地质, no. 04, 25 April 2013 (2013-04-25), pages 68 - 71 * |
赵其鲁;李宗民;: "基于深度多任务学习的层次分类", 计算机辅助设计与图形学学报, no. 05, 15 May 2018 (2018-05-15), pages 142 - 148 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114114414A (zh) * | 2021-11-18 | 2022-03-01 | 电子科技大学长三角研究院(湖州) | 一种页岩储层“甜点”信息人工智能预测方法 |
CN114492627A (zh) * | 2022-01-25 | 2022-05-13 | 成都理工大学 | 一种基于改进knn算法的页岩脆性指数预测方法 |
CN114492627B (zh) * | 2022-01-25 | 2023-04-21 | 成都理工大学 | 一种基于改进knn算法的页岩脆性指数预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2661489C1 (ru) | Способ комплексирования исходных данных для уточнения фильтрационного строения неоднородных карбонатных коллекторов | |
CN104991274A (zh) | 多种地质因素定量约束下的单一圈闭级的有利区优选方法 | |
CN106556866A (zh) | 一种利用岩石物理模板对储层定量解释的方法 | |
CN103616731B (zh) | 一种油气勘探中蚀变火山岩有效储层确定方法及装置 | |
CN111025384B (zh) | 基于波形分类交汇融合的储层预测方法和装置 | |
CN101236257A (zh) | 油井位置确定技术方法 | |
CN103675907A (zh) | 一种基于岩相约束的avo反演油气检测方法 | |
CN112578475A (zh) | 基于数据挖掘的致密储层双甜点识别方法 | |
CN107728227B (zh) | 一种井网成熟区快速判别地下河道砂体方法 | |
CN106569280B (zh) | 一种提高断阶构造地震解释精度的标定方法 | |
CN105607119B (zh) | 近地表模型构建方法与静校正量求取方法 | |
CN106777707B (zh) | 一种利用改进的蜘蛛网图进行测井岩性定量识别的方法 | |
CN106569272A (zh) | 一种基于数据性质空间升维的地震属性融合方法 | |
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 | |
Alameedy et al. | Evaluating machine learning techniques for carbonate formation permeability prediction using well log data | |
CN110671092A (zh) | 油气产能检测方法及系统 | |
CN114065909A (zh) | 一种基于CNN_AB_Bi-LSTM的测井曲线补全方法 | |
CN110118994B (zh) | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 | |
CN109283574B (zh) | 低频模型构建方法及计算机可读存储介质 | |
CN114528767A (zh) | 基于嵌入式图神经网络的井间动态连通性预测方法及系统 | |
Ballin et al. | New reservoir dynamic connectivity measurement for efficient well placement strategy analysis under depletion | |
CN110795513B (zh) | 河流相源储异位型致密油气甜点区分布的预测方法 | |
EP3579026B1 (en) | Method of characterising a subsurface region using multiple point statistics | |
Zimmermann et al. | Reservoir prediction and risk assessment of hydrothermal reservoirs in the North German Basin–combining deep subsurface reservoir mapping with Monte-Carlo Simulation | |
CN117518257A (zh) | 应用地震属性确定储层顶底面的方法 |
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 |