CN112698393B - 一种断裂封闭性与开启性的分段识别与评价方法 - Google Patents
一种断裂封闭性与开启性的分段识别与评价方法 Download PDFInfo
- Publication number
- CN112698393B CN112698393B CN202011307836.8A CN202011307836A CN112698393B CN 112698393 B CN112698393 B CN 112698393B CN 202011307836 A CN202011307836 A CN 202011307836A CN 112698393 B CN112698393 B CN 112698393B
- Authority
- CN
- China
- Prior art keywords
- fracture
- evaluating
- closure
- identification
- segmentation
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 25
- 238000005553 drilling Methods 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 238000007789 sealing Methods 0.000 claims abstract description 8
- 208000010392 Bone Fractures Diseases 0.000 claims description 200
- 206010017076 Fracture Diseases 0.000 claims description 200
- 238000011161 development Methods 0.000 claims description 27
- 230000018109 developmental process Effects 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000001125 extrusion Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 15
- 230000001427 coherent effect Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 12
- 230000002349 favourable effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 239000012530 fluid Substances 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 239000004215 Carbon black (E152) Substances 0.000 claims 1
- 238000004220 aggregation Methods 0.000 claims 1
- 230000002776 aggregation Effects 0.000 claims 1
- 229930195733 hydrocarbon Natural products 0.000 claims 1
- 150000002430 hydrocarbons Chemical class 0.000 claims 1
- 238000003892 spreading Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000000926 separation method Methods 0.000 description 8
- 238000005755 formation reaction Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 239000013505 freshwater Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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. for interpretation or for event detection
- 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. for interpretation or for event detection
- 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. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/64—Geostructures, e.g. in 3D data cubes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种断裂封闭性与开启性的分段识别与评价方法。该方法包括以下步骤:S100、获取目标区域三维地震振幅数据体以及钻井生产资料;S200、对三维地震振幅数据体做构造导向滤波处理;S300、在三维地震振幅数据体的基础上,通过机器学习技术来识别断裂在三维空间的展布规律;S400、通过断裂空间雕刻,评价断裂的封闭性与开启性,并结合钻井生产资料,评价断裂分段特征。本发明实现了断裂封闭性与开启性分段识别与评价,为下一步油气富集目标区的识别提供了依据,具有广泛的推广价值。
Description
技术领域
本发明涉及油气勘探技术领域,具体涉及一种断裂封闭性与开启性的分段识别与评价方法。
背景技术
走滑断裂具有平面分段性的特征,一般可分为挤压、拉分和平移三种不同的断裂样式,不同的断裂样式封闭性和开启性具有明显差异,并且对断溶体储层的发育和油气的分布也有明显的控制作用,需要通过技术手段进行断裂的分段识别与评价,达到有效预测油气展布的目标。
由于走滑断裂的复杂性,常规技术难以实现断裂的精细刻画,对走滑断裂的封闭性与开启性的分段识别难以实现。因此需要采用先进的断裂识别技术,达到精细刻画断层空间展布的目的。针对以往的技术难点,本发明首先通过对高精度三维地震振幅数据体做构造导向滤波处理,提高地震振幅数据体的信噪比,改善断裂、裂缝清晰度和三维空间可解释性;然后在三维地震振幅数据体的基础上,使用卷积神经网络机器学习技术来识别断裂在三维空间的展布规律;最后通过断裂空间雕刻,评价断裂的封闭性与开启性,并结合钻井生产资料,评价断裂分段特征。实现了断裂封闭与开启分段识别与评价。
发明内容
为解决以上技术问题,本发明提供一种断裂封闭性与开启性的分段识别与评价方法。
为了实现以上目的,本发明采用以下技术方案:
一种断裂封闭性与开启性的分段识别与评价方法,包括以下步骤:
S100、获取目标区域三维地震振幅数据体以及钻井生产资料;
S200、对三维地震振幅数据体做构造导向滤波处理;
S300、在三维地震振幅数据体的基础上,通过机器学习技术来识别断裂在三维空间的展布规律;
S400、通过断裂空间雕刻,评价断裂的封闭性与开启性,并结合钻井生产资料,评价断裂分段特征。
根据本发明断裂封闭性与开启性的分段识别与评价方法,优选地,该方法还包括以下步骤:
S500、根据断裂分段特征评价结果,确定有利勘探目标区域。
以下根据每一步骤进行详细说明:
S100、获取目标区域三维地震振幅数据体以及钻井生产资料。
在实施本发明的分段识别与评价方法时,需要首先获取目标区域三维地震振幅数据体,并且沿走滑断裂带,不少于3-5口井具有生产资料,作为评价结果的验证。
S200、对三维地震振幅数据体做构造导向滤波处理。
地震处理后的纯波叠加资料或偏移资料往往存在着背景噪声,对断层、裂缝识别形成干扰,因此需要进行针对性的滤波来改善地震资料的信噪比,增强断层和裂缝的清晰度。本发明构造处理的主要思路是沿着地震振幅数据获取的构造方向进行滤波,有效提高地震资料信噪比,并在相干体等不连续性检测结果约束的基础上达到对断层和裂缝的高清晰成像。
根据本发明断裂封闭性与开启性的分段识别与评价方法,优选地,所述构造导向滤波处理的步骤包括:
S201、通过地震倾角和方位角确定反射同相轴的方位;
S202、计算相干体,确定主要断层和裂缝的位置;
S203、在倾角、方位角和相干体的约束下展开滤波,完成构造导向滤波处理。
根据本发明断裂封闭性与开启性的分段识别与评价方法,优选地,所述滤波过程具体包括:根据所述相干体进行不连续性检测,确认断裂发育位置;对确认的断裂发育位置不对地震数据进行平滑,否则沿着构造进行平滑。
S300、在三维地震振幅数据体的基础上,通过机器学习技术来识别断裂在三维空间的展布规律。
根据本发明断裂封闭性与开启性的分段识别与评价方法,优选地,所述机器学习采用卷积神经网络技术。
根据本发明断裂封闭性与开启性的分段识别与评价方法,优选地,所述卷积神经网络技术具体采用基于CNN图像分割的断裂检测算法。
随着机器学习技术近年来的迅猛发展,卷积神经网络(CNN)技术在地震储层预测中得到了广泛应用。从理论上讲,该技术非常适合断裂自动追踪。基于CNN图像分割的断裂检测算法将从图像分类问题转换为图像分割问题,用基于Unet的CNN网络来实现断裂的高精度识别,其主要特点和优势如下:
①训练数据可以在三维空间里交互拾取,也可以通过随机模型产生能够模拟断裂发育的各种可能情况,做到了基于大数据的完全自动的有监督神经网络学习;
②使用最先进的Unet CNN网络来解决图像分割问题;
③使用GPU解决了大量运算问题。
S400、通过断裂空间雕刻,评价断裂的封闭性与开启性,并结合钻井生产资料,评价断裂分段特征。
走滑断裂具有平面分段性的特征,可分为挤压、拉分和平移三种不同的断裂样式,在局部受挤压或拉分程度影响较大,走滑断裂形成规模较大的破碎带,在地震剖面上常常表现为明显的杂乱强或杂乱弱的地震响应特征。
从理论上讲,走滑断裂释压拉分部位以及被后期断裂改造的断堑部位,断裂开启,有利于流体对储层的改造。一方面,走滑断裂拉分部位断洼区构造部位低,海平面升降短暂暴露时期,为主要大气淡水汇水区,断裂开启,通道畅通,相比挤压部位分流区,断裂开启程度低,更有利于大气淡水改造,形成缝洞型储层;另一方面,走滑断裂断穿基底,拉分部位断裂开启程度大,更有利于上行的深部热液沿走滑断裂进入对碳酸盐岩进行改造,形成热液型缝洞型储层。因此走滑断裂拉分段断层开启度高于挤压段,更有利于缝洞型储层的形成和流体的运移聚集成藏。
根据本发明断裂封闭性与开启性的分段识别与评价方法,优选地,所述通过断裂空间雕刻,评价断裂的封闭性与开启性的步骤中,将走滑断裂分为挤压走滑段、拉分走滑段以及平移走滑段,其中拉分走滑段断层开启度高于挤压段,更有利于缝洞型储层的形成和流体的运移聚集成藏。
根据本发明断裂封闭性与开启性的分段识别与评价方法,优选地,S400中所述钻井生产资料表明走滑断裂带油气富集受断裂活动强度的控制更强,在断裂活动规模大、持续时间长、通源性好的位置,断裂破碎带宽度大、缝洞型储层规模大、油气冲注程度高。
根据本发明断裂封闭性与开启性的分段识别与评价方法,优选地,S400中所述断裂的封闭性与开启性结合钻井生产资料评价断裂分段特征,拉分走滑段断层整体储层规模大、钻井产能较高,是有利的油气富集区。本发明对断裂封闭与开启分段识别与评价,指出了下一步有利勘探目标区域,具有较强的生产指导价值。
根据本发明断裂封闭性与开启性的分段识别与评价方法,优选地,确定所述有利的油气富集区为有利勘探目标区域,并对其进行开发。
本发明实现了对断裂封闭性与开启性的分段识别与评价,为下一步油气富集目标区的识别提供了依据,具有广泛的推广价值。
附图说明
图1为实施例中对三维地震振幅数据体做构造导向滤波的处理流程图。
图2为实施例中构造导向滤波处理前后的地震剖面对比图之一。
图3为实施例中构造导向滤波处理前后的地震剖面对比图之二。
图4为实施例中基于Unet的CNN网络结构断裂识别示意图。
图5为实施例中机器学习断裂识别结果剖面。
图6为实施例中机器学习断裂识别结果沿奥陶系一间房组顶界切片平面图。
图7为实施例中机器学习断裂识别结果沿中寒武系底界切片平面图。
图8a为实施例中走滑断裂平面封闭性与开启性的分段识别评价图。
图8b为实施例中走滑断裂平移段地震解释剖面图。
图8c为实施例中走滑断裂弱挤压段地震解释剖面图。
图8d为实施例中走滑断裂弱拉分段地震解释剖面图。
图8e为实施例中走滑断裂强拉分段地震解释剖面图。
图8f为实施例中走滑断裂拉分发散段地震解释剖面图。
图9a为实施例中走滑断裂平移段断裂和储层空间发育透视图。
图9b为实施例中走滑断裂弱拉分段断裂和储层空间发育透视图。
图9c为实施例中走滑断裂拉分发散段断裂和储层空间发育透视图。
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。
本发明实施例在此提供一优化方案,并采用该优选方案以某一目标区域为对象进行断裂封闭性与开启性的分段识别与评价,为下一步油气富集目标区识别提供依据。主要包括以下步骤:
S100、获取目标区域三维地震振幅数据体以及钻井生产资料。
S200、对三维地震振幅数据体做构造导向滤波处理,具体包括:
S201、通过地震倾角和方位角确定反射同相轴的方位;
S202、计算相干体,确定主要断层和裂缝的位置;
S203、在倾角、方位角和相干体的约束下展开滤波,完成构造导向滤波处理。
地震处理后的纯波叠加资料或偏移资料往往存在着背景噪声,对断层、裂缝识别形成干扰,因此需要进行针对性的滤波来改善地震资料的信噪比,增强断层和裂缝的清晰度。本发明构造处理的主要思路是沿着地震振幅数据获取的构造方向进行滤波,有效提高地震资料信噪比,并在相干体等不连续性检测结果约束的基础上达到对断层和裂缝的高清晰成像。
其中,所述滤波过程具体包括:根据所述相干体进行不连续性检测,确认断裂发育位置;对确认的断裂发育位置不对地震数据进行平滑,否则沿着构造进行平滑。
具体的,所述构造导向滤波处理的操作流程如图1所示,对地震资料进行倾角和方位角计算,并计算相干体进行不连续性检测,根据相干体计算结果,分析时窗内是否具有很强的的不连续性,如果不连续性很强,认为是断裂发育位置,不对地震数据进行平滑,否则沿着构造进行平滑,计算过程中调整横向道数和纵向时窗,以获得理想的结果。这个过程可以重复迭代,直到获取最佳结果。
图2和图3为实施例中构造导向滤波处理前后的地震剖面对比图,由图2和图3可知,从地震资料断层加强效果对比来看,经过构造导向滤波处理后的地震剖面,信噪比得到明显改善,断层纵向连续性明显加强,断层解释多解性明显降低,为走滑断层识别提供了优质地震资料。
S300、在三维地震振幅数据体的基础上,通过机器学习技术来识别断裂在三维空间的展布规律。
随着机器学习技术近年来的迅猛发展,卷积神经网络(CNN)技术在地震储层预测中得到了广泛应用。从理论上讲,该技术非常适合断裂自动追踪。基于CNN图像分割的断裂检测算法将从图像分类问题转换为图像分割问题,用基于Unet的CNN网络来实现断裂的高精度识别,其主要特点和优势如下:
①训练数据可以在三维空间里交互拾取,也可以通过随机模型产生能够模拟断裂发育的各种可能情况,做到了基于大数据的完全自动的有监督神经网络学习;
②使用最先进的Unet CNN网络来解决图像分割问题;
③使用GPU解决了大量运算问题。
图4为基于Unet的CNN网络结构断裂识别示意图,该算法对基础培训数据的要求高,需要高精度的拾取种子线或者是前期建立的大数据断裂模型作为支撑。计算过程主要有以下两步:①在三维空间里交互拾取种子线的断裂发育情况,②通过随机模型产生能够模拟断裂发育的各种可能情况,做到了基于大数据的完全自动的有监督神经网络学习。
图5为本实施例中的机器学习断裂识别结果剖面,图6为本实施例中的机器学习断裂识别结果沿奥陶系一间房组顶界切片平面图,图7为本实施例中的机器学习断裂识别结果沿中寒武系底界切片平面图。
如图5-图7所示,机器学习技术在塔里木盆地走滑断裂识别应用中,具有很好的效果,断裂检测结果在剖面上和平面上的细节丰富,对断裂带的刻画预测精度大大改善。
S400、通过断裂空间雕刻,对断层的剖面特征进行刻画,评价断裂的封闭性与开启性,并结合钻井生产资料,评价断裂分段特征。
走滑断裂具有平面分段性的特征,可分为挤压、拉分和平移三种不同的断裂样式,在局部受挤压或拉分程度影响较大,走滑断裂形成规模较大的破碎带,在地震剖面上常常表现为明显的杂乱强或杂乱弱的地震响应特征。
图8a为本实施例中走滑断裂平面封闭性与开启性的分段识别评价图,图8b为本实施例中走滑断裂平移段地震解释剖面图,图8c为本实施例中走滑断裂弱挤压段地震解释剖面图,图8d为本实施例中走滑断裂弱拉分段地震解释剖面图,图8e为本实施例中走滑断裂强拉分段地震解释剖面图,图8f为本实施例中走滑断裂拉分发散段地震解释剖面图。
以TO3s界面断层检测结果为准,参考断裂剖面发育特征,根据断裂垂向活动的类型(隆升或下凹)以及垂向活动幅度的大小,可将骨干走滑断裂带总体分为三种类型的分段变形,即挤压走滑段、拉分走滑段、以及平移走滑段,并根据断裂幅度的大小,可进一步细分为强挤压段、弱挤压段或者强拉分段、弱拉分段、拉分发散段等不同构造样式。三种分段变形在横切断裂带的地震剖面上表现为不同幅度的正花状或负花状构造。
从理论上讲,走滑断裂释压拉分部位以及被后期断裂改造的断堑部位,断裂开启,有利于流体对储层的改造。一方面,走滑断裂拉分部位断洼区构造部位低,海平面升降短暂暴露时期,为主要大气淡水汇水区,断裂开启,通道畅通,相比挤压部位分流区,断裂开启程度低,更有利于大气淡水改造,形成缝洞型储层;另一方面,走滑断裂断穿基底,拉分部位断裂开启程度大,更有利于上行的深部热液沿走滑断裂进入对碳酸盐岩进行改造,形成热液型缝洞型储层。因此走滑断裂拉分段断层开启度高于挤压段,更有利于缝洞型储层的形成和流体的运移聚集成藏。但从实钻结果来看,除了断裂样式对油气富集有一定影响之外,走滑断裂带油气富集受断裂活动强度的控制更强,在断裂活动规模大、持续时间长、通源性好的位置,断裂破碎带宽度大、缝洞型储层规模大、油气冲注程度高,往往容易出现高产井,而断裂横向分段性对油气藏的分割起到重要作用。
图9a为本实施例中走滑断裂平移段断裂和储层空间发育透视图,图9b为弱拉分段断裂和储层空间发育透视图,图9c为拉分发散段断裂和储层空间发育透视图。从图9a-图9c可以看出,断裂分段性对储层发育规模的控制作用,一般来说平移段断裂活动较弱,断控储集体发育规模较小;拉分段断裂活动规模较强,断控储集体发育规模较大,拉分发散段由于断裂活动最为强烈,因此断控储集体最为发育。
通过断裂的空间雕刻和钻井产能对比可以看出,断裂不同部位的活动强度、储层发育程度均有明显差异,拉分段整体储层规模大、钻井产能较高,在图8a中对应断裂北部三个拉分段,断裂发育规模大、开启性好、断控储集体发育,例如图9b和图9c位置,是有利的油气富集区。
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 (5)
1.一种断裂封闭性与开启性的分段识别与评价方法,其特征在于,该方法包括以下步骤:
S100、获取目标区域三维地震振幅数据体以及钻井生产资料;
S200、对三维地震振幅数据体做构造导向滤波处理;
S300、在三维地震振幅数据体的基础上,通过机器学习技术来识别断裂在三维空间的展布规律;
S400、通过断裂空间雕刻,评价断裂的封闭性与开启性,并结合钻井生产资料,评价断裂分段特征;
S200中所述构造导向滤波处理的步骤包括:
S201、通过地震倾角和方位角确定反射同相轴的方位;
S202、计算相干体,确定主要断层和裂缝的位置;
S203、在倾角、方位角和相干体的约束下展开滤波,完成构造导向滤波处理;所述滤波过程具体包括:根据所述相干体进行不连续性检测,确认断裂发育位置;对确认的断裂发育位置不对地震数据进行平滑,否则沿着构造进行平滑;
S400中所述通过断裂空间雕刻,评价断裂的封闭性与开启性的步骤中,将走滑断裂分为挤压走滑段、拉分走滑段以及平移走滑段,其中拉分走滑段断层开启度高于挤压段,更有利于缝洞型储层的形成和流体的运移聚集成藏;
S400中所述钻井生产资料表明走滑断裂带油气富集受断裂活动强度的控制更强,在断裂活动规模大、持续时间长、通源性好的位置,断裂破碎带宽度大、缝洞型储层规模大、油气冲注程度高;
S400中所述断裂的封闭性与开启性结合钻井生产资料评价断裂分段特征,拉分走滑段断层整体储层规模大、钻井产能较高,是有利的油气富集区。
2.根据权利要求1所述断裂封闭性与开启性的分段识别与评价方法,其特征在于,该方法还包括以下步骤:
S500、根据断裂分段特征评价结果,确定有利勘探目标区域。
3.根据权利要求1所述断裂封闭性与开启性的分段识别与评价方法,其特征在于,S300中所述机器学习采用卷积神经网络技术。
4.根据权利要求3所述断裂封闭性与开启性的分段识别与评价方法,其特征在于,所述卷积神经网络技术具体采用基于CNN图像分割的断裂检测算法。
5.根据权利要求1所述断裂封闭性与开启性的分段识别与评价方法,其特征在于,确定所述有利的油气富集区为有利勘探目标区域,并对其进行开发。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011307836.8A CN112698393B (zh) | 2020-11-20 | 2020-11-20 | 一种断裂封闭性与开启性的分段识别与评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011307836.8A CN112698393B (zh) | 2020-11-20 | 2020-11-20 | 一种断裂封闭性与开启性的分段识别与评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112698393A CN112698393A (zh) | 2021-04-23 |
CN112698393B true CN112698393B (zh) | 2023-04-07 |
Family
ID=75505960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011307836.8A Active CN112698393B (zh) | 2020-11-20 | 2020-11-20 | 一种断裂封闭性与开启性的分段识别与评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112698393B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104459801B (zh) * | 2014-12-10 | 2017-04-12 | 中国石油天然气集团公司 | 用于识别断层的相干增强处理方法 |
CN109086773B (zh) * | 2018-08-29 | 2022-03-04 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
CN111796323A (zh) * | 2019-04-09 | 2020-10-20 | 中国石油化工股份有限公司 | 一种判别走滑断裂边界及主断面的方法及系统 |
CN110174699B (zh) * | 2019-04-11 | 2021-03-09 | 中国石油天然气股份有限公司 | 确定断层封闭性的方法、装置及存储介质 |
WO2020231379A1 (en) * | 2019-05-10 | 2020-11-19 | Schlumberger Technology Corporation | System and method for identifying subsurface structures |
CN110632651B (zh) * | 2019-08-16 | 2021-09-28 | 中国石油天然气股份有限公司 | 断层封闭性定量分析方法及装置 |
CN110658556A (zh) * | 2019-10-24 | 2020-01-07 | 西南石油大学 | 一种碳酸盐岩走滑断裂破碎带判识与评价的地震技术组合方法 |
-
2020
- 2020-11-20 CN CN202011307836.8A patent/CN112698393B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112698393A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109001801B (zh) | 基于多次迭代蚁群算法的断层变尺度识别方法 | |
CN113703045B (zh) | 一种基于轻量级网络的地震相识别方法 | |
CN111722277B (zh) | 用于断溶体油气藏勘探的断溶体圈闭描述方法及装置 | |
CN112698392A (zh) | 一种多层系储集体立体刻画与油气空间分布及定容方法 | |
CN112698398A (zh) | 一种深大断裂体系空间刻画方法 | |
CN111796323A (zh) | 一种判别走滑断裂边界及主断面的方法及系统 | |
CN110412662A (zh) | 基于地震多属性深度学习的薄互层储层预测方法 | |
Li et al. | Research on reservoir lithology prediction method based on convolutional recurrent neural network | |
US20220164594A1 (en) | Method for automated stratigraphy interpretation from borehole images | |
CN112698393B (zh) | 一种断裂封闭性与开启性的分段识别与评价方法 | |
CN117150875A (zh) | 基于深度学习的钻前测井曲线预测方法 | |
CN112489208A (zh) | 基于蚂蚁算法的裂缝片提取方法和三维地质模型构建方法 | |
CN110726416A (zh) | 一种基于障碍区域扩张策略的强化学习路径规划方法 | |
CN106646606A (zh) | 基于地震特征参数模式识别的薄砂体表征方法 | |
CN110568493B (zh) | 一种复杂断块盆地隐蔽性断层的识别方法 | |
CN110954958A (zh) | 裂缝与断层的预测方法及系统 | |
CN112034515B (zh) | 一种基于无监督神经网络的火山通道识别方法 | |
CN112379435B (zh) | 相控岩溶型缝洞集合体刻画方法及装置 | |
CN110441821B (zh) | 一种基于变解释测网密度的断层快速解释方法 | |
CN113536083A (zh) | 一种基于案事件时空坐标的目标人轨迹碰撞分析方法 | |
CN112505762B (zh) | 一种基于数据驱动的次级走滑断裂二次解释方法 | |
CN112698397A (zh) | 一种台盆区走滑断裂空腔储层刻画方法 | |
CN113031065B (zh) | 一种油田砂体地质建模方法 | |
CN111781659B (zh) | 薄层单期砂体连通关系识别方法 | |
CN109083640A (zh) | 海上河流相油藏边部储量有效动用方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |