CN112682034B - 基于致密砂岩储层的裂缝识别、倾角表征的方法及装置 - Google Patents
基于致密砂岩储层的裂缝识别、倾角表征的方法及装置 Download PDFInfo
- Publication number
- CN112682034B CN112682034B CN202011400710.5A CN202011400710A CN112682034B CN 112682034 B CN112682034 B CN 112682034B CN 202011400710 A CN202011400710 A CN 202011400710A CN 112682034 B CN112682034 B CN 112682034B
- Authority
- CN
- China
- Prior art keywords
- angle
- fracture
- seam
- data
- crack
- 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
Images
Abstract
本发明提供了一种基于致密砂岩储层的裂缝识别、倾角表征的方法及装置,该方法包括:根据目标区块的岩心数据、声波测井数据以及密度测井数据建立裂缝识别模型,以识别所述目标区块的储层中的裂缝;根据所述岩心数据以及所述裂缝识别模型建立裂缝分类模型,以对所述裂缝进行分类;根据所述岩心数据以及所述裂缝识别模型建立裂缝倾角定量表征模型,以对所述目标区块的储层中的裂缝倾角进行定量表征。本发明仅仅在使用常规测井数据的情况下,可精准地进行识别和表征裂缝,极大的提高了测井解释的效率、降低了测井解释的成本。
Description
技术领域
本发明涉及油气开发技术领域,特别涉及非常规储层的开发技术,具体涉及一种基于致密砂岩储层的裂缝识别、倾角表征的方法及装置。
背景技术
众所周知,裂缝可以改变储层的力学特征,控制储层的渗流系统,严重影响着压裂施工及油气开发效率。因此,合理动用、有效开发非常规油气资源的关键就是有效地表征和评价致密砂岩储层中裂缝的发育特征。
20世纪60年代在美国西部白垩系和中东地区油气产层中发现天然裂缝以来,致密储层天然裂缝的研究一直是石油地质领域研究的热点。众多学者分别对含油气盆地中的断裂与裂缝从不同的角度、采用不同的方法进行了研究,涉及成因机制、分布规律、几何学特征以及对油气成藏的贡献等方面。天然裂缝的检测是基于直接或间接可以反映裂缝发育特征的资料,以检测地层中发育的裂缝。根据信息源的不同,可以分为依据露头、岩心等资料的直接识别技术及依据成像测井、地震等资料和构造应力模拟法的间接识别技术。
现有技术中,针对裂缝表征的方法有三类:第一种是对常规测井数据进行筛选,选取对裂缝敏感的测井曲线来建立有效裂缝的判别准则,从而识别裂缝;第二种同样是基于常规测井数据,利用人工神经网络、概率统计及数学模糊等方法完成裂缝特征参数的判别和表征;第三种是通过薄片样本分析、薄片法、微CT扫描及图像分析法得到与储层裂缝的发育程度有关的其他参数,从而建立模型进行裂缝表征,但由于致密储层岩性复杂、骨架多变,导致上述方法均存在不同的缺点。
综上所述,如何识别致密储层不同类型裂缝,以及如何表征裂缝的倾角成为目前油气勘探开发中测井评价亟待解决的问题。
发明内容
根据本发明所提供的基于致密砂岩储层的裂缝识别、倾角表征的方法及装置,仅仅在使用常规测井资料的情况下,可精准地进行识别和表征裂缝,极大的提高了测井解释的效率、降低了测井解释的成本。
为了实现上述目的,提供了一种基于致密砂岩储层的裂缝识别、倾角表征的方法,包括:
根据目标区块的岩心数据、声波测井数据以及密度测井数据建立裂缝识别模型,以识别所述目标区块的储层中的裂缝;
根据所述岩心数据以及所述裂缝识别模型建立裂缝分类模型,以对所述裂缝进行分类;
根据所述岩心数据以及所述裂缝识别模型建立倾角定量表征模型,以对所述目标区块的储层中的裂缝倾角进行定量表征。
优选地,基于致密砂岩储层的裂缝识别、倾角表征的方法还包括:
对所述声波测井数据以及密度测井数据进行归一化处理;
对所述裂缝识别模型进行岩性校正。
优选地,所述根据目标区块的岩心数据、声波测井数据以及密度测井数据建立裂缝识别模型,包括:
基于所述岩心数据,建立所述声波测井数据以及密度测井数据的交会图;
根据所述交会图建立所述裂缝识别模型。
优选地,所述裂缝的分类结果包括:低角度缝、高角度缝以及垂直缝;
所述根据所述岩心数据以及所述裂缝识别模型建立裂缝分类模型,以对所述裂缝进行分类,包括:
基于所述交会图中低角度缝、高角度缝以及垂直缝各自的分布位置,确定第一阈值线;
根据所述裂缝识别模型以及所述第一阈值线建立所述裂缝分类模型。
优选地,所述根据所述岩心数据以及所述裂缝识别模型建立倾角定量表征模型,以对所述目标区块的储层中的裂缝倾角进行定量表征,包括:
根据所述裂缝识别模型中,低角度缝、高角度缝以及垂直缝各自的分布位置确定第二阈值线;
根据所述交会图中数据点与所述第二阈值线的距离确定所述裂缝倾角的数据值。
第二方面,本发明提供一种基于致密砂岩储层的裂缝识别、倾角表征的装置,该装置包括:
裂缝识别模型建立单元,用于根据目标区块的岩心数据、声波测井数据以及密度测井数据建立裂缝识别模型,以识别所述目标区块的储层中的裂缝;
裂缝识别单元,用于根据所述岩心数据以及所述裂缝识别模型建立裂缝分类模型,以对所述裂缝进行分类;
裂缝倾角表征单元,用于根据所述岩心数据以及所述裂缝识别模型建立倾角定量表征模型,以对所述目标区块的储层中的裂缝倾角进行定量表征。
优选地,基于致密砂岩储层的裂缝识别、倾角表征的装置还包括:
测井数据归一化单元,用于对所述声波测井数据以及密度测井数据进行归一化处理;
岩性校正单元,用于对所述裂缝识别模型进行岩性校正。
优选地,所述裂缝识别模型建立单元包括:
交会图建立模块,用于基于所述岩心数据,建立所述声波测井数据以及密度测井数据的交会图;
裂缝识别模型建立模块,用于根据所述交会图建立所述裂缝识别模型;
所述裂缝的分类结果包括:低角度缝、高角度缝以及垂直缝;
所述裂缝识别单元包括:
第一阈值线确定模块,用于基于所述交会图中低角度缝、高角度缝以及垂直缝各自的分布位置,确定第一阈值线;
裂缝分类模型建立模块,用于根据所述裂缝识别模型以及所述第一阈值线建立所述裂缝分类模型;
所述裂缝倾角表征单元包括:
第二阈值线确定模块,用于根据所述裂缝识别模型中,低角度缝、高角度缝以及垂直缝各自的分布位置确定第二阈值线;
倾角确定模块,用于根据所述交会图中数据点与所述第二阈值线的距离确定所述裂缝倾角的数据值。
第三方面,本发明提供一种电子设备,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,处理器执行程序时实现一种基于致密砂岩储层的裂缝识别、倾角表征的方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现一种基于致密砂岩储层的裂缝识别、倾角表征的方法的步骤。
从上述描述可知,本发明实施例所提供的一种基于致密砂岩储层的裂缝识别、倾角表征的方法及装置,首先根据目标区块的岩心数据、声波测井数据以及密度测井数据建立裂缝识别模型,以识别目标区块的储层中的裂缝;接着,根据岩心数据以及裂缝识别模型建立裂缝分类模型,以对裂缝进行分类;最后根据岩心数据以及裂缝识别模型建立倾角定量表征模型,以对目标区块的储层中的裂缝倾角进行定量表征。本发明在缺少成像测井资料的情况下,使用常规测井数据来进行裂缝类型的识别以及裂缝倾角的表征。
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为本发明实施例中提供的一种基于致密砂岩储层的裂缝识别、倾角表征的方法的流程示意图一;
图2为本发明实施例中提供的一种基于致密砂岩储层的裂缝识别、倾角表征的方法的流程示意图二;
图3为本发明的实施例中一种基于致密砂岩储层的裂缝识别、倾角表征的方法中步骤100的流程示意图;
图4为本发明的实施例中一种基于致密砂岩储层的裂缝识别、倾角表征的方法中步骤200的流程示意图;
图5为本发明的实施例中一种基于致密砂岩储层的裂缝识别、倾角表征的方法中步骤300的流程示意图;
图6为本发明的具体应用实例中基于致密砂岩储层的裂缝识别、倾角表征的方法的流程示意图;
图7为本发明的具体应用实例中致密砂岩储层非缝与不同类型裂缝的ACN-DENN响应识别交会图版;
图8为本发明的具体应用实例中裂缝识别参数F的应用效果图;
图9为本发明的具体应用实例中裂缝识别参数F的平移校正应用效果图;
图10为本发明的具体应用实例中裂缝与非缝识别模型Q1的应用效果图;
图11为本发明的具体应用实例中非缝与不同类型裂缝的ACN-DENN响应识别图版及分界示意图;
图12为本发明的具体应用实例中不同裂缝类型识别模型Qt的应用效果图;
图13为本发明的具体应用实例中应用裂缝类型识别模型Qt对实际测井数据处理应用效果图(倒数第二列);
图14为本发明的具体应用实例中由距离反演裂缝倾角模型的原理图;
图15为本发明的具体应用实例中裂缝倾角模型的应用效果图;
图16为本发明的具体应用实例中实际井中不同类型裂缝识别及裂缝倾角定量表征的具体应用成果图;
图17为本发明实施例中一种基于致密砂岩储层的裂缝识别、倾角表征的装置的结构示意图;
图18为本发明的实施例中的电子设备的结构示意图。
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、完整的描述,显然,所描述的实施例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作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。
本领域内的技术人员应明白,本发明的实施例可提供方法、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。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的实施例提供一种基于致密砂岩储层的裂缝识别、倾角表征的方法的具体实施方式,参见图1,该方法具体包括如下内容:
步骤100:根据目标区块的岩心数据、声波测井数据以及密度测井数据建立裂缝识别模型,以识别所述目标区块的储层中的裂缝。
现有技术中,对储层裂缝的研究,主要集中在野外露头、岩心资料及测井(成像测井)资料等方面的研究,研究局限在点、线、面等一、二等低维尺度上裂缝的描述。可以理解的是,利用成像测井资料建立三维裂缝模型,是更加有效的裂缝识别方法。但研究区域往往缺乏成像测井资料或者仅有很少的成像测井资料,在有限的成像测井资料控制下的三维裂缝网络模型随机性很强,所以如何利用大量已有的常规测井资料建立裂缝类型识别以及裂缝参数表征方法就具有了非常重要的理论意义与实用价值。
具体地,依据岩心数据确定该岩心上所发育的裂缝、以及裂缝类型、裂缝倾角等,并获取该岩心所位于储层的声波测井数据以及密度测井数据,将上述裂缝、以及裂缝类型、裂缝倾角与声波测井数据以及密度测井数据做映射关系,以建立步骤100中的裂缝识别模型。
步骤200:根据所述岩心数据以及所述裂缝识别模型建立裂缝分类模型,以对所述裂缝进行分类。
申请人在大量实验数据以及多达上百次的实验的基础上,发现不同类型裂缝与非缝在裂缝识别模型上呈不同的分布区域,故可在裂缝识别模型的基础上建立裂缝分类模型,以对裂缝进行分类。
步骤300:根据所述岩心数据以及所述裂缝识别模型建立倾角定量表征模型,以对所述目标区块的储层中的裂缝倾角进行定量表征。
同样地,基于步骤100所生成的裂缝识别模型以及步骤200所生成的裂缝分类模型,可以对裂缝倾角进行定量表征,进一步地,可以依据裂缝在裂缝识别模型中的具体位置,与该裂缝的倾角建议映射关系,并以该映射关系求取没有岩心数据(无法确定裂缝倾角具体数值)仅有测井数据的裂缝倾角。
从上述描述可知,本发明实施例提供的一种基于致密砂岩储层的裂缝识别、倾角表征的方法,通过对比分析致密砂岩储层裂缝发育段的测井响应特征之间的响应关系,非裂缝与不同类型裂缝在声波时差和补偿密度的交会图版中有明显差异,并以此通过放大非缝与不同类型裂缝之间的差异,去除岩性的影响,得到初步识别非缝与不同类型裂缝的响应图版。然后构建裂缝与非缝识别模型和裂缝类型识别参数,并将两者融合得到裂缝类型识别模型,实现了由常规测井数据进行非缝与不同类型裂缝的识别。并在裂缝类型识别基础上,根据不同角度缝距离分界线的距离大小,反演出表征裂缝倾角的模型。将两模型计算的裂缝发育段与裂缝倾角大小和实际岩心资料对比,三者之间高度吻合,且与解释结论有很好的对应,为致密砂岩等复杂储层解释结论的划分和实际的开发与测试提供了可靠的指导与理论依据。
一实施例中,参见图2,基于致密砂岩储层的裂缝识别、倾角表征的方法还包括:
步骤400:对所述声波测井数据以及密度测井数据进行归一化处理;
可以理解的是,测井曲线归一化关系到用测井数据计算储层地质参数的准确性,是油藏描述等工作中必不可少的基础工作。测井数据的误差除了环境因素影响外,另一个重要因素是采用不同类型或是不同公司的测井仪器,造成测量结果的刻度误差或系统误差。特别是对于老油田来说,在漫长的勘探开发过程中,很难保证所有测井数据都采用相同类型的仪器、统一的标准刻度器以及测井仪器操作员采用同样的操作方式进行测量和刻度仪器。
另一方面,在实地测井过程中,测井时间、测井操作人员的本身素质等因素也会给测井曲线带来误差。为了获得准确反映地层的真实信息,这就要对测井资料进行归一化检查和校正,即将研究工区各井的同类测井数据统一到同一刻度水平上,增强可对比性,排除非地质因素的影响,保证储层多井评价时计算泥质含量、孔、渗、饱等地质参数的可靠性。
具体地,利用同一油田或地区的同一层系的标准层(该层沉积稳定,分布广泛,具有相同的沉积环境和相似的地质地球物理参数分布特征,因而其相同测井曲线的响应特征应当是一致的),以此层为基础,将其他测井数据校正到该层位。
步骤500:对所述裂缝识别模型进行岩性校正。
致密砂岩储层岩石类型多样,非均质性强,裂缝的测井响应微弱且不敏感,为了去除岩性的影响(岩性差异对裂缝响应的影响),特别是泥岩的影响,具体地,统计出致密砂岩与致密泥岩在测井数据上的响应区间,得到致密砂岩与致密泥岩的自然伽马(GR)响应边界值的自然伽马测井值为150API,首先利用自然伽马(GR)建立岩性参数q,如式(1)所示,消除岩性的影响,即消除岩性差异对裂缝响应的影响:
其中,q为岩性参数,GR为自然伽马测井曲线值。通过岩性参数q可使泥岩段q值为-1,砂岩段q值为1。
一实施例中,参见图3,步骤100进一步包括:
步骤101:基于所述岩心数据,建立所述声波测井数据以及密度测井数据的交会图;
步骤102:根据所述交会图建立所述裂缝识别模型。
在步骤101以及步骤102中,在岩性校正以及对声波测井数据、补偿密度测井数据归一化的基础上,根据非缝与不同类型裂缝(低角度缝、高角度缝、近垂直缝)发育段的测井数据,做出声波测井数据与补偿密度测井的交会图版,即得到不同类型裂缝与非缝的响应识别图版。由于各类型裂缝(低角度缝、高角度缝、近垂直缝)发育段与非缝发育段在该交会图上分布区域不同,即存在响应差异,以此可建立裂缝识别模型。
一实施例中,裂缝的分类结果包括:低角度缝、高角度缝以及垂直缝;
一实施例中,参见图4,步骤200进一步包括:
步骤201:基于所述交会图中低角度缝、高角度缝以及垂直缝各自的分布位置,确定第一阈值线;
步骤202:根据所述裂缝识别模型以及所述第一阈值线建立所述裂缝分类模型。
在步骤201以及步骤202中,根据裂缝识别模型可以有效区分裂缝与非缝发育段,但是不同类型裂缝的区别却不明显。由于不同类型裂缝与非缝的交会图对不同类型裂缝区分明显,且不同类型裂缝测井响应区间明确、分布规律明显,低角度缝分布在声波时差大、补偿密度相对小的区域,高角度缝分布在声波时差相对小、补偿密度相对小的区域,近垂直缝分布在声波时差小、补偿密度小的区域。所以可通过建立裂缝分类模型对不同类型裂缝进行识别。
一实施例中,参见图5,步骤300进一步包括:
步骤301:根据所述裂缝识别模型中,低角度缝、高角度缝以及垂直缝各自的分布位置确定第二阈值线;
步骤302:根据所述交会图中数据点与所述第二阈值线的距离确定所述裂缝倾角的数据值。
在步骤301以及步骤302中,在裂缝分类模型的基础上,低角度缝与高角度缝在响应识别图版上有一条分界线。低角度缝都分布在该分界线之上,高角度缝和近垂直缝分布在该分界线之下,如果将低角度缝数据点到分界线的距离设定为正值,高角度缝和近垂直缝数据点到分界线的距离设定为负值,且近垂直缝相对于高角度缝距离分界线更远,则可以根据距离的正负及大小来表征裂缝倾角的大小。
为进一步地说明本方案,本申请以某一油田的致密储层A为例,提供基于致密砂岩储层的裂缝识别、倾角表征的方法的具体应用实例,具体包括如下内容,参见图6。
步骤S101:建立岩性参数。
具体地,统计出致密砂岩与致密泥岩在测井数据上的响应区间,得到致密砂岩与致密泥岩的GR响应边界值为150API,首先利用自然伽马(GR)建立岩性参数q,如式(1)所示,消除岩性的影响,即消除岩性差异对裂缝响应的影响。
步骤S102:进行岩性校正。
去除泥岩的影响后,对声波时差(AC)与补偿密度(DEN)测井数据进行归一化得到ACN和DENN:
其中,ACN为声波时差归一化值,ACmax为处理井段声波时差的最大值,DENN为补偿密度归一化值,DENmax为处理井段的补偿密度最大值。
步骤S103:建立裂缝识别模型。
在步骤S102的基础上,根据非缝与不同类型裂缝(低角度缝、高角度缝、近垂直缝)发育段的测井数据,制作ACN与DENN的交会图版,即得到不同类型裂缝与非缝的响应识别图版(图7)。由于各类型裂缝(低角度缝、高角度缝、近垂直缝)发育段与非缝发育段在ACN-DENN交会图上分布区域不同,即存在响应差异,首先建立了识别裂缝发育段与非缝发育段的识别参数F(式4)。
其中,F为裂缝识别参数,ACN为声波时差归一化值,DENN为补偿密度归一化值。如图8所示,通过裂缝识别参数F可识别出:非缝段F值小于0.6978,裂缝段F值大于0.6978。
另一方面,为了消除岩性影响,对裂缝识别参数进行岩性消除,即融合岩性参数q和裂缝识别参数F,建立裂缝与非缝识别模型Q1(式5)。为了更好的融合岩性参数q和裂缝识别参数F,进而达到更好的裂缝识别,需要对岩性参数q及裂缝参数F做一定的加减平移,具体加减平移步骤如下:
a.岩性参数部分:对岩性参数q整体加1,可使泥岩段q值为0,砂岩段q值为2。
b.裂缝参数部分:对裂缝识别参数F整体减0.6978,可使裂缝段F值大于0,非缝段F值小于0(图9),在图9中,对计算的裂缝识别参数F值整体减0.6978,即整体下移0.6978,则可使裂缝段F值大于0,非缝段F值小于0。
c.然后融合岩性参数q与裂缝识别参数F,即两者相乘得到裂缝与非缝的综合识别模型Q1(式5),得出砂岩层段裂缝发育时Q1值大于0,其它非缝层段Q1值都小于等于0(图10)。
步骤S104:建立裂缝分类模型。
根据裂缝与非缝识别模型Q1可以有效区分裂缝与非缝发育段,但是不同类型裂缝的区别却不明显。由于不同类型裂缝与非缝的ACN-DENN交会图(图7)对不同类型裂缝区分明显,且不同类型裂缝测井响应区间明确、分布规律明显,低角度缝(1号点子)分布在声波时差大、补偿密度相对小的区域,高角度缝(2号点子)分布在声波时差相对小、补偿密度相对小的区域,近垂直缝(3号点子)分布在声波时差小、补偿密度小的区域。所以可通过建立包含ACN与DENN的裂缝类型识别参数F1对不同类型裂缝进行识别。
进一步地,分析不同类型裂缝与非缝的ACN-DENN响应识别图版(图11)发现,低角度缝与高角度缝在响应识别图版上有一条分界线L2(图11)。在图11中,分界线L1为非缝与裂缝的分界线,L2为低角度缝与高角度缝的分界线,L3为研究区最小角度缝(近水平缝)的边界线,L4为研究区最大角度缝(近垂直缝)的边界线。低角度缝都分布在分界线之上,高角度缝和近垂直缝分布在分界线之下,且近垂直缝相对于高角度缝距分界线更远。根据分界线L2选取(0.38428,0.71257)和(0.48892,0.53349)两点作为高、低角度缝分界线的两点,由此两点可得到分界线L2的函数表达式(式6):
1.711391ACN+DENN+1.37022=0 (6)
接着,根据点到线的距离公式(式7),计算得到ACN-DENN交会图中任一点(ACN0,DENN0)到分界线的距离。
L=(1.711391ACN+DENN+1.37022)/(A2+B2) (7)
分析所有点到分界线的距离,距离最大的点(1,0.37622)与距离最小的点(0.35967,0.32721)分别对应裂缝倾角的最小值和最大值。
过距离最小的点(0.35967,0.32721)做分界线L2的平行线L4,使所有数据点位于L4上方,经过式7计算得到每个点到L4的距离,其中近垂直缝与L4的距离最小,高角度缝值次之,低角度缝距L4的距离最大。因此根据距离L4的距离大小可判断裂缝的类型。
根据裂缝数据点距离L4的距离大小可判断裂缝的类型,建立了裂缝类型识别参数F1(式8):
裂缝类型识别参数F1可实现对不同类型裂缝的识别,结合裂缝与非缝识别模型Q1,建立非缝与不同类型裂缝的识别模型Qt,实现了非缝与不同类型裂缝的识别。为了更好的融合Q1和裂缝类型识别参数F1,进而更好的识别不同类型裂缝,需要对裂缝与非缝识别模型Q1做一定的调整,具体调整步骤如下:
a.由于裂缝与非缝识别模型Q1使砂岩裂缝发育段Q1值大于0,其它段Q1值都小于等于0。通过Q1+|Q1|使砂岩裂缝发育段等于2Q1值(大于0),其它段等于0。
b.但为了不影响F1对不同类型裂缝的识别,进一步对Q1进行改进,令Q1=(Q1+|Q1|)0.0001,即使得砂岩裂缝发育段的Q1值约等于1,其它段值仍为0。
c.然后对改进后的Q1与裂缝类型识别参数F1进行融合,即两者相乘得到非缝与不同类型裂缝识别模型Qt(式9),实现了砂岩裂缝发育段Qt值大于0(且不同类型裂缝值域不同),其它段Qt值都小于等于0。进而实现了非缝与不同类型裂缝的识别。
应用裂缝类型识别模型Qt对样本数据进行处理,可得到该模型的识别效果图,如图12所示,当Qt=0时为非缝,设置其对应标签Ft数值为0;当0<Qt≤0.13时为近垂直缝,设置其对应标签数值为3;当0.13<Qt≤0.2156时为高角度缝,设置其对应标签Ft数值为2;当Qt>0.2156时为低角度缝,设置其对应标签Ft数值为1。通过裂缝类型识别模型Qt对整个实际井段的测井数据进行处理计算,即可根据计算的Qt值实现非缝与不同类型裂缝的识别(图13倒数第一列裂缝类型标签Ft)。在图13中,倒数第二列为1-Qt显示列,即低角度缝为低值、高角度缝为中值、近垂直缝为高值,则使得裂缝类型识别模型Qt显示裂缝类型的数值大小与定义的裂缝类型标签Ft的数值大小一致。分析图13可知:在实际井中经过裂缝类型识别模型Qt识别的裂缝类型Ft与岩心资料中裂缝类型(图13最后一列中黑色横线)吻合程度高,证明了模型的适用性。且为了使Qt显示不同裂缝类型的数值大小与Ft显示不同类型裂缝的数值大小一致,即低角度缝为1、高角度缝为2、近垂直缝为3,在Qt显示列(倒数第二例)用1-Qt的显示样式,则低角度缝为低值区间、高角度缝为中值区间、近垂直缝为高值区间。
步骤S105:建立倾角定量表征模型。
在分析不同类型裂缝与非缝的ACN-DENN响应识别图版(图14)的基础上,发现低角度缝与高角度缝在响应识别图版上有一条分界线L2(图14)。在图14中,最小角度缝即近水平缝0°(低角度缝区域)距离分界线L2的最大距离为0.73184,最大角度缝即垂直缝90°(高角度缝区域)距离分界线的最大距离为0.61756。低角度缝都分布在分界线之上,低角度缝数据点到分界线L2的距离设定为正值;高角度缝和近垂直缝分布在分界线之下,高角度缝和近垂直缝数据点到分界线L2的距离设定为负值,且近垂直缝相对于高角度缝距离分界线更远,则可以根据距离的正负及大小来表征裂缝倾角的大小。裂缝倾角表征方法建立的步骤如下:
根据分界线L2选取(0.38428,0.71257)和(0.48892,0.53349)两点作为高、低角度缝分界线的两点,由此两点可得到分界线L2的函数表达式(式6),而此分界线L2的倾角大小为30°。再根据点到线的距离公式(式7),计算得到ACN-DENN交会图中任一点(ACN0,DENN0)到分界线的距离。分析所有点到分界线的距离,距离最大的点(1,0.37622)与距离最小的点(0.35967,0.32721)分别对应裂缝倾角的最小值0°和最大值90°。
通过式(7)计算各点到分界线的距离,研究区最低角度缝(近0°)到边界线L2的最大距离为0.73184,即低角度缝区域各缝的倾角大小范围为0-30°,最小倾角近0°,最大倾角为边界线上的裂缝点30°,则可根据低角度缝区域各点到边界线L2的距离大小反算出各点的倾角大小。高角度缝及近垂直缝(近90°)到边界线L2的最大距离为0.61756,即高角度缝及近垂直缝区域各缝的倾角大小范围为30-90°,最小倾角为边界线近30°,最大倾角近90°,则可根据高角度缝区域各点到边界线L2的距离大小反算出各点的倾角大小。结合裂缝类型识别模型Qt,由距离大小反算倾角大小,建立起裂缝倾角的模型(式10):
根据裂缝倾角模型Fa对样本数据进行处理,可得到该模型的应用效果图(图15),分析图15可知:计算得到的裂缝倾角大小与裂缝类型是完全对应的,且低角度缝倾角主要集中在0-30°,高角度缝倾角大小分布在30°-70°,近垂直缝角度大小集中在70°-90°。
技术效果:将致密砂岩储层A的常规测井数据进行归一化,特别是声波时差(AC)与补偿密度(DEN),得到可运算识别的参数—ACN和DENN,将所需参数带入式(9)和式(10)的程序中,计算可获得该井段裂缝的发育区域、裂缝类型及裂缝倾角大小,如图16右侧第三列(裂缝类发育指数)、右侧第一列(裂缝类型)和右侧第二列(裂缝倾角)所示。其识别结果与常规测井数据的变化规律有很高的一致性,对照其岩心资料,既高度吻合又符合实际理论。
图16右侧第三列(裂缝类发育指数)主要表征了该井裂缝发育段与裂缝类型的发育指示,其中低值指示为低角度缝发育、中值指示为高角度缝发育、高值指示为近垂直缝发育,图16右侧第一列(裂缝类型)主要表征了裂缝的类型,其中裂缝类型标签Ft等于1时为低角度缝、标签Ft等于2时为高角度缝、标签Ft等于3时为近垂直缝,图16右侧第二列(裂缝倾角)主要表征了裂缝的角度,裂缝角度的大小与裂缝类型是完全对应的。以上裂缝指示结果、裂缝类型与裂缝角度表征结果与岩心资料对比发现:计算表征结果与岩心显示结果是完全一致的,为解释结论的划分和实际的开发与测试提供了可靠的指导与理论依据。
本具体应用实例所提供的基于致密砂岩储层的裂缝识别、倾角表征的方法,在缺少成像测井资料的情况下,使用常规测井数据来进行裂缝类型的识别和裂缝倾角的表征。通过对比分析致密砂岩储层裂缝发育段的测井响应特征之间的响应关系,非裂缝与不同类型裂缝在声波时差和补偿密度的交会图版中有明显差异,因此通过放大非缝与不同类型裂缝之间的差异,去除岩性的影响,得到初步识别非缝与不同类型裂缝的响应图版。然后构建裂缝与非缝识别模型Q1和裂缝类型识别参数F1,并将两者融合得到裂缝类型识别模型Qt,实现了由常规测井数据进行非缝与不同类型裂缝的识别。在裂缝类型识别基础上,根据不同角度缝距离分界线L2的距离大小,反演出表征裂缝倾角的模型Fa。将两模型计算的裂缝发育段与裂缝倾角大小和实际岩心资料对比,三者之间高度吻合,且与解释结论有很好的对应,为致密砂岩等复杂储层解释结论的划分和实际的开发与测试提供了可靠的指导与理论依据。
基于同一发明构思,本申请实施例还提供了一种基于致密砂岩储层的裂缝识别、倾角表征的装置,可以用于实现上述实施例所描述的方法,如下面的实施例。由于一种基于致密砂岩储层的裂缝识别、倾角表征的装置解决问题的原理与一种基于致密砂岩储层的裂缝识别、倾角表征的方法相似,因此一种基于致密砂岩储层的裂缝识别、倾角表征的装置的实施可以参见一种基于致密砂岩储层的裂缝识别、倾角表征的方法实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本发明的实施例提供一种能够实现基于致密砂岩储层的裂缝识别、倾角表征的装置的具体实施方式,参见图17,基于致密砂岩储层的裂缝识别、倾角表征的装置具体包括如下内容:
裂缝识别模型建立单元10,用于根据目标区块的岩心数据、声波测井数据以及密度测井数据建立裂缝识别模型,以识别所述目标区块的储层中的裂缝;
裂缝识别单元20,用于根据所述岩心数据以及所述裂缝识别模型建立裂缝分类模型,以对所述裂缝进行分类;
裂缝倾角表征单元30,用于根据所述岩心数据以及所述裂缝识别模型建立倾角定量表征模型,以对所述目标区块的储层中的裂缝倾角进行定量表征。
优选地,基于致密砂岩储层的裂缝识别、倾角表征的装置还包括:
测井数据归一化单元40,用于对所述声波测井数据以及密度测井数据进行归一化处理;
岩性校正单元50,用于对所述裂缝识别模型进行岩性校正。
优选地,所述裂缝识别模型建立单元10包括:
交会图建立模块101,用于基于所述岩心数据,建立所述声波测井数据以及密度测井数据的交会图;
裂缝识别模型建立模块102,用于根据所述交会图建立所述裂缝识别模型;
所述裂缝的分类结果包括:低角度缝、高角度缝以及垂直缝;
所述裂缝识别单元20包括:
第一阈值线确定模块201,用于基于所述交会图中低角度缝、高角度缝以及垂直缝各自的分布位置,确定第一阈值线;
裂缝分类模型建立模块202,用于根据所述裂缝识别模型以及所述第一阈值线建立所述裂缝分类模型;
所述裂缝倾角表征单元30包括:
第二阈值线确定模块301,用于根据所述裂缝识别模型中,低角度缝、高角度缝以及垂直缝各自的分布位置确定第二阈值线;
倾角确定模块302,用于根据所述交会图中数据点与所述第二阈值线的距离确定所述裂缝倾角的数据值。
从上述描述可知,本发明实施例所提供的一种基于致密砂岩储层的裂缝识别、倾角表征的装置,首先根据目标区块的岩心数据、声波测井数据以及密度测井数据建立裂缝识别模型,以识别目标区块的储层中的裂缝;接着,根据岩心数据以及裂缝识别模型建立裂缝分类模型,以对裂缝进行分类;最后根据岩心数据以及裂缝识别模型建立倾角定量表征模型,以对目标区块的储层中的裂缝倾角进行定量表征。本发明在缺少成像测井资料的情况下,使用常规测井数据来进行裂缝类型的识别以及裂缝倾角的表征。
本申请的实施例还提供能够实现上述实施例中的一种基于致密砂岩储层的裂缝识别、倾角表征的方法中全部步骤的一种电子设备的具体实施方式,参见图18,电子设备具体包括如下内容:
处理器(processor)1201、存储器(memory)1202、通信接口(CommunicationsInterface)1203和总线1204;
其中,处理器1201、存储器1202、通信接口1203通过总线1204完成相互间的通信;通信接口1203用于实现服务器端设备、功率测量设备以及用户端设备等相关设备之间的信息传输。
处理器1201用于调用存储器1202中的计算机程序,处理器执行计算机程序时实现上述实施例中的一种基于致密砂岩储层的裂缝识别、倾角表征的方法中的全部步骤,例如,处理器执行计算机程序时实现下述步骤:
步骤100:根据目标区块的岩心数据、声波测井数据以及密度测井数据建立裂缝识别模型,以识别所述目标区块的储层中的裂缝;
步骤200:根据所述岩心数据以及所述裂缝识别模型建立裂缝分类模型,以对所述裂缝进行分类;
步骤300:根据所述岩心数据以及所述裂缝识别模型建立倾角定量表征模型,以对所述目标区块的储层中的裂缝倾角进行定量表征。
本申请的实施例还提供能够实现上述实施例中的一种基于致密砂岩储层的裂缝识别、倾角表征的方法中全部步骤的一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的一种基于致密砂岩储层的裂缝识别、倾角表征的方法的全部步骤,例如,处理器执行计算机程序时实现下述步骤:
步骤100:根据目标区块的岩心数据、声波测井数据以及密度测井数据建立裂缝识别模型,以识别所述目标区块的储层中的裂缝;
步骤200:根据所述岩心数据以及所述裂缝识别模型建立裂缝分类模型,以对所述裂缝进行分类;
步骤300:根据所述岩心数据以及所述裂缝识别模型建立倾角定量表征模型,以对所述目标区块的储层中的裂缝倾角进行定量表征。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
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。
Claims (8)
1.一种基于致密砂岩储层的裂缝识别、倾角表征的方法,其特征在于,包括:
根据目标区块的岩心数据、声波测井数据以及密度测井数据建立裂缝识别模型,以识别所述目标区块的储层中的裂缝;
根据所述岩心数据以及所述裂缝识别模型建立裂缝分类模型,以对所述裂缝进行分类;
根据所述岩心数据以及所述裂缝识别模型建立倾角定量表征模型,以对所述目标区块的储层中的裂缝倾角进行定量表征;
所述根据所述岩心数据以及所述裂缝识别模型建立倾角定量表征模型,以对所述目标区块的储层中的裂缝倾角进行定量表征,包括:
根据所述裂缝识别模型中,低角度缝、高角度缝以及垂直缝各自的分布位置确定第二阈值线,所述低角度缝分布在所述第二阈值线之上,所述高角度缝和所述垂直缝分布在所述第二阈值线之下,所述第二阈值线为直线;
根据声波测井数据以及密度测井数据的交会图中数据点与所述第二阈值线的距离确定所述裂缝倾角的数据值,包括:
将低角度缝数据点到所述第二阈值线的距离设定为正值,高角度缝和垂直缝数据点到所述第二阈值线的距离设定为负值,且垂直缝相对于高角度缝距离第二阈值线更远,根据距离的正负及大小来表征裂缝倾角的大小;
所述裂缝的分类结果包括:低角度缝、高角度缝以及垂直缝;
所述根据所述岩心数据以及所述裂缝识别模型建立裂缝分类模型,以对所述裂缝进行分类,包括:
基于所述交会图中低角度缝、高角度缝以及垂直缝各自的分布位置,确定第一阈值线,所述第一阈值线为直线,用于在所述交会图中区分裂缝与非缝发育段;
根据所述裂缝识别模型以及所述第一阈值线建立所述裂缝分类模型;
所述将低角度缝数据点到所述第二阈值线的距离设定为正值,高角度缝和垂直缝数据点到所述第二阈值线的距离设定为负值,且垂直缝相对于高角度缝距离第二阈值线更远,根据距离的正负及大小来表征裂缝倾角的大小,包括:
其中,Fa为裂缝倾角;GR为自然伽马测井值;ACN为声波时差归一化值;DENN为补偿密度归一化值;L为低角度缝和高角度缝区域数据点到所述第二阈值线的距离。
2.根据权利要求1所述的基于致密砂岩储层的裂缝识别、倾角表征的方法,其特征在于,还包括:
对所述声波测井数据以及密度测井数据进行归一化处理;
对所述裂缝识别模型进行岩性校正。
3.根据权利要求1所述的基于致密砂岩储层的裂缝识别、倾角表征的方法,其特征在于,所述根据目标区块的岩心数据、声波测井数据以及密度测井数据建立裂缝识别模型,包括:
基于所述岩心数据,建立所述声波测井数据以及密度测井数据的交会图;
根据所述交会图建立所述裂缝识别模型。
4.一种基于致密砂岩储层的裂缝识别、倾角表征的装置,其特征在于,包括:
裂缝识别模型建立单元,用于根据目标区块的岩心数据、声波测井数据以及密度测井数据建立裂缝识别模型,以识别所述目标区块的储层中的裂缝;
裂缝识别单元,用于根据所述岩心数据以及所述裂缝识别模型建立裂缝分类模型,以对所述裂缝进行分类;
裂缝倾角表征单元,用于根据所述岩心数据以及所述裂缝识别模型建立倾角定量表征模型,以对所述目标区块的储层中的裂缝倾角进行定量表征;
所述裂缝倾角表征单元包括:
第二阈值线确定模块,用于根据所述裂缝识别模型中,低角度缝、高角度缝以及垂直缝各自的分布位置确定第二阈值线;所述低角度缝分布在所述第二阈值线之上,所述高角度缝和所述垂直缝分布在所述第二阈值线之下,所述第二阈值线为直线;
倾角确定模块,用于根据声波测井数据以及密度测井数据的交会图中数据点与所述第二阈值线的距离确定所述裂缝倾角的数据值;
所述倾角确定模块具体用于将低角度缝数据点到所述第二阈值线的距离设定为正值,高角度缝和垂直缝数据点到所述第二阈值线的距离设定为负值,且垂直缝相对于高角度缝距离第二阈值线更远,根据距离的正负及大小来表征裂缝倾角的大小;
所述裂缝识别模型建立单元包括:
交会图建立模块,用于基于所述岩心数据,建立所述声波测井数据以及密度测井数据的交会图;
裂缝识别模型建立模块,用于根据所述交会图建立所述裂缝识别模型;
所述裂缝的分类结果包括:低角度缝、高角度缝以及垂直缝;
所述裂缝识别单元包括:
第一阈值线确定模块,用于基于所述交会图中低角度缝、高角度缝以及垂直缝各自的分布位置,确定第一阈值线;所述第一阈值线为直线,用于在所述交会图中区分裂缝与非缝发育段;
裂缝分类模型建立模块,用于根据所述裂缝识别模型以及所述第一阈值线建立所述裂缝分类模型;
所述将低角度缝数据点到所述第二阈值线的距离设定为正值,高角度缝和垂直缝数据点到所述第二阈值线的距离设定为负值,且垂直缝相对于高角度缝距离第二阈值线更远,根据距离的正负及大小来表征裂缝倾角的大小,包括:
其中,Fa为裂缝倾角;GR为自然伽马测井值;ACN为声波时差归一化值;DENN为补偿密度归一化值;L为低角度缝和高角度缝区域数据点到所述第二阈值线的距离。
5.根据权利要求4所述的基于致密砂岩储层的裂缝识别、倾角表征的装置,其特征在于,还包括:
测井数据归一化单元,用于对所述声波测井数据以及密度测井数据进行归一化处理;
岩性校正单元,用于对所述裂缝识别模型进行岩性校正。
6.根据权利要求4所述的基于致密砂岩储层的裂缝识别、倾角表征的装置,其特征在于,所述裂缝识别模型建立单元包括:
交会图建立模块,用于基于所述岩心数据,建立所述声波测井数据以及密度测井数据的交会图;
裂缝识别模型建立模块,用于根据所述交会图建立所述裂缝识别模型。
7.一种电子设备,包括存储器、处理器及存储在存储器上并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程序时实现权利要求1至3任一项所述一种基于致密砂岩储层的裂缝识别、倾角表征的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至3任一项所述一种基于致密砂岩储层的裂缝识别、倾角表征的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011400710.5A CN112682034B (zh) | 2020-12-04 | 2020-12-04 | 基于致密砂岩储层的裂缝识别、倾角表征的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011400710.5A CN112682034B (zh) | 2020-12-04 | 2020-12-04 | 基于致密砂岩储层的裂缝识别、倾角表征的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112682034A CN112682034A (zh) | 2021-04-20 |
CN112682034B true CN112682034B (zh) | 2022-12-09 |
Family
ID=75445834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011400710.5A Active CN112682034B (zh) | 2020-12-04 | 2020-12-04 | 基于致密砂岩储层的裂缝识别、倾角表征的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112682034B (zh) |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4641724A (en) * | 1982-07-30 | 1987-02-10 | Schlumberger Technology Corporation | Fracture detection using circumferential offset acoustic paths |
US6925031B2 (en) * | 2001-12-13 | 2005-08-02 | Baker Hughes Incorporated | Method of using electrical and acoustic anisotropy measurements for fracture identification |
CA2586603C (en) * | 2004-11-18 | 2014-04-01 | Exxonmobil Upstream Research Company | Method for quantification and mitigation for dip-induced azimuthal avo |
AU2010229934A1 (en) * | 2009-03-24 | 2011-09-29 | Chevron U.S.A. Inc. | A system and method for characterizing fractures in a subsurface reservoir |
CA2858602A1 (en) * | 2011-12-20 | 2013-06-27 | Conocophillips Company | Fracture identification from azimuthal migrated seismic data |
US9417348B2 (en) * | 2012-10-05 | 2016-08-16 | Halliburton Energy Services, Inc. | Updating microseismic histogram data |
CN104977617B (zh) * | 2014-04-02 | 2018-03-13 | 中国石油化工股份有限公司 | 储层裂缝识别方法和成像测井储层裂缝识别方法 |
CN105986814B (zh) * | 2015-02-13 | 2019-12-13 | 中国石油化工股份有限公司 | 一种获取裂缝愈合指数的方法 |
CN104989360A (zh) * | 2015-07-10 | 2015-10-21 | 中国石油天然气股份有限公司 | 一种低渗透油藏动态裂缝的表征方法 |
WO2017127058A1 (en) * | 2016-01-20 | 2017-07-27 | Halliburton Energy Services, Inc. | Fracture interpretation with resistivity and sonic logs in biaxial anisotropic formations |
CN106019405B (zh) * | 2016-05-13 | 2018-08-31 | 中国石油大学(北京) | 储层裂缝建模方法及系统 |
CN106094052A (zh) * | 2016-06-01 | 2016-11-09 | 中国地质大学(武汉) | 一种致密白云岩储层的裂缝发育程度识别方法 |
CN106353807B (zh) * | 2016-08-08 | 2018-08-14 | 中国石油天然气集团公司 | 裂缝识别方法和装置 |
CN106526693B (zh) * | 2016-09-30 | 2018-10-16 | 中国石油天然气股份有限公司 | 裂缝识别方法和装置 |
CN106404632B (zh) * | 2016-11-03 | 2019-02-26 | 中海石油(中国)有限公司 | 一种花岗岩储层的微观裂缝-孔隙结构分类图版构建方法 |
CN107065033B (zh) * | 2017-06-07 | 2019-06-25 | 中国石油大学(北京) | 一种致密砂岩储层微裂缝发育的识别方法及装置 |
CN107942404B (zh) * | 2017-11-09 | 2019-08-06 | 中国石油天然气股份有限公司 | 一种确定裂缝的方法及装置 |
CN110939428B (zh) * | 2018-09-21 | 2023-08-01 | 中国石油化工股份有限公司 | 一种致密砂岩油气藏储层裂缝的识别方法 |
EP3660543B1 (en) * | 2018-11-27 | 2024-03-13 | Baker Hughes Holdings LLC | Three-dimensional fracture radius model |
CN110927794A (zh) * | 2019-12-06 | 2020-03-27 | 中国地质大学(北京) | 一种致密储层裂缝识别与孔隙度定量计算的方法 |
CN111175844B (zh) * | 2020-01-06 | 2020-08-11 | 中国地质大学(北京) | 泥页岩储层裂缝识别与发育程度表征方法及装置 |
-
2020
- 2020-12-04 CN CN202011400710.5A patent/CN112682034B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112682034A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Di et al. | 3D seismic flexure analysis for subsurface fault detection and fracture characterization | |
Bisdom et al. | Calibrating discrete fracture-network models with a carbonate three-dimensional outcrop fracture network: Implications for naturally fractured reservoir modeling | |
Buyer et al. | Calculation the spacing of discontinuities from 3D point clouds | |
US7983885B2 (en) | Method and apparatus for multi-dimensional data analysis to identify rock heterogeneity | |
US8385604B2 (en) | Rock core logging | |
US20130080133A1 (en) | Core-plug to giga-cells lithological modeling | |
CN107402176B (zh) | 裂缝孔隙度的确定方法和装置 | |
US20140149041A1 (en) | Rock facies prediction in non-cored wells from cored wells | |
Vazaios et al. | Integration of lidar-based structural input and discrete fracture network generation for underground applications | |
Di et al. | Improved estimates of seismic curvature and flexure based on 3D surface rotation in the presence of structure dip | |
US20180267204A1 (en) | Rock Type Based Free Water Level Inversion | |
Bertotti et al. | Toward a quantitative definition of mechanical units: New techniques and results from an outcropping deep-water turbidite succession (Tanqua-Karoo Basin, South Africa) | |
CN114529110A (zh) | 一种基于深度神经网络模型的岩相反演方法及系统 | |
Ovaskainen et al. | A new subsampling methodology to optimize the characterization of two-dimensional bedrock fracture networks | |
US10705234B2 (en) | Line and edge detection and enhancement | |
CN111007064A (zh) | 一种基于图像识别的录井岩性智能识别方法 | |
CN112682034B (zh) | 基于致密砂岩储层的裂缝识别、倾角表征的方法及装置 | |
Costes et al. | A contrario dip picking for borehole imaging | |
CN112394392B (zh) | 对烃源岩分布情况进行评价的方法和装置 | |
US11434757B2 (en) | Direct hydrocarbon indicators analysis informed by machine learning processes | |
Ge et al. | Rock joint detection from 3D point clouds based on colour space | |
US10996357B2 (en) | Downhole interpretation techniques using borehole dips | |
US11954800B2 (en) | Converting borehole images into three dimensional structures for numerical modeling and simulation applications | |
CN111751900B (zh) | 一种流体识别方法和装置 | |
Ma et al. | A knowledge-based intelligent recognition method for rock discontinuities with point cloud data |
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 |