CN112882095A - 一种盐下湖相碳酸盐岩的岩性判识方法和系统 - Google Patents
一种盐下湖相碳酸盐岩的岩性判识方法和系统 Download PDFInfo
- Publication number
- CN112882095A CN112882095A CN202110053143.9A CN202110053143A CN112882095A CN 112882095 A CN112882095 A CN 112882095A CN 202110053143 A CN202110053143 A CN 202110053143A CN 112882095 A CN112882095 A CN 112882095A
- Authority
- CN
- China
- Prior art keywords
- lithology
- data volume
- seismic
- attribute
- shear modulus
- 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.)
- Granted
Links
- 239000011435 rock Substances 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 43
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 title claims abstract description 41
- 150000003839 salts Chemical class 0.000 title claims abstract description 24
- 208000035126 Facies Diseases 0.000 title claims description 7
- 230000000739 chaotic effect Effects 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 238000005553 drilling Methods 0.000 claims abstract description 19
- 230000019771 cognition Effects 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003908 quality control method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 235000019738 Limestone Nutrition 0.000 description 11
- 239000006028 limestone Substances 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects 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
- 230000000704 physical effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G01V2210/62—Physical property of subsurface
-
- 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
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Data Mining & Analysis (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种盐下湖相碳酸盐岩的岩性判识方法和系统，包括以下步骤：1)基于预处理后的全叠加地震数据体，开展地震属性计算，获取表征地震不连续性的混沌属性三维数据体；2)基于测井解释曲线和叠前角度道集地震数据，开展叠前AVO三参数反演，获得地下介质的剪切模量三维数据体；3)构建贝叶斯岩性分类器，以步骤1)中的混沌属性三维数据体和步骤2)中的剪切模量三维数据体为输入，基于构建的贝叶斯岩性分类器获得岩性概率体，根据钻井结果以及地质认识，选择与钻井揭示的岩性匹配度最高的岩性概率体作为岩性判识结果，进而获得不同岩性的判识结果。
Description
技术领域
本发明涉及一种盐下湖相碳酸盐岩的岩性判识方法和系统，属于油气勘探技术领域。
背景技术
巴西大坎波斯盆地盐下油气资源丰富，储集层为裂谷期的湖相碳酸盐岩沉积储层。由于盐下钻井作业成本高，寻找富含油气的优质湖相碳酸盐岩储层是研究的重点。但是大坎波斯盆地裂谷期火山活动剧烈，湖相碳酸盐岩储层与火成岩叠置发育。火成岩的存在不仅会降低湖相碳酸盐岩储层的物性，而且会增加储层含二氧化碳的风险。因此，在研究中需要对湖相碳酸盐岩以及火成岩进行甄别分析，以提高储层预测的可靠性。
目前，岩性预测主要采用地震反演方法，即，将地震的地层界面信息转换成地层的弹性参数信息，在岩石物理统计分析的指导下，使其能与钻井揭示的岩性结果进行对比分析，实现岩性预测的目标。但是，地震反演的实际应用表明，火成岩为强阻抗特征，岩石物理特征与碳酸盐岩储层有较大的差异，利用反演结果可以在一定程度上识别研究区的火成岩，但裂谷期的浅湖相高泥质含量灰岩的岩石物理特征却与湖相碳酸盐岩基本一致，浅湖相泥灰岩在反演结果中呈现假储层异常，无法有效判识湖相碳酸盐岩储层。因此，单独利用地震反演方法难以有效的预测湖相碳酸盐岩的空间展布特征，需要开展针对性的研究。
发明内容
针对上述问题，本发明的目的是提供一种盐下湖相碳酸盐岩的岩性判识方法和系统，能够满足实际生产中储层预测的需求。
为实现上述目的，本发明采用以下技术方案：一种盐下湖相碳酸盐岩的岩性判识方法，包括以下步骤：
1)基于预处理后的全叠加地震数据体，开展地震属性计算，获取表征地震不连续性的混沌属性三维数据体；
2)基于测井解释曲线和叠前角度道集地震数据，开展叠前AVO三参数反演，获得地下介质的剪切模量三维数据体；
3)构建贝叶斯岩性分类器，以步骤1)中的混沌属性三维数据体和步骤2)中的剪切模量三维数据体为输入，基于构建的贝叶斯岩性分类器获得岩性概率体，根据钻井结果以及地质认识，选择与钻井揭示的岩性匹配度最高的岩性概率体作为岩性判识结果，进而获得不同岩性的判识结果。
优选地，在上述步骤1)中，开展地震属性计算，获取表征地震不连续性的混沌属性三维数据体，具体过程为：
1.1)对预处理后的全叠加地震数据进行结构张量分析，构建三维结构梯度张量；
1.2)对1.1)中三维结构梯度张量进行特征值分解，获得特征值参数λ1、λ2、λ3；
1.3)将特征值λ1、λ2、λ3代入混沌属性数据体计算公式，获取表征地震不连续性的混沌属性三维数据体，
混沌属性数据体计算公式如下：
式中，C为混沌属性三维数据体。
优选地，在上述步骤1.1)之前，对地震资料进行扩散滤波处理，得到全叠加地震数据体。
优选地，在上述步骤2)中，获得地下介质的剪切模量数据体的具体过程为：
2.1)获取测井解释曲线和叠前角度地震道集数据，基于两者提取地震子波；
2.2)根据反演需求，对目的层顶面、底面以及内部主要层序界面进行层位解释，获得层位的框架约束；
2.3)在步骤2.2)中获得层位的框架约束下，对测井解释曲线中的纵波速度、横波速度和密度测井曲线进行插值，构建三参数反演所需要的反演模型；
2.4)基于步骤2.1)提取的地震子波以及利用步骤2.3)中构建的反演模型开展AVO三参数反演，获得纵波速度、横波和密度参数；
2.5)将横波速度和密度带入剪切模量计算公式，获得地下介质的剪切模量三维数据体；
剪切模量计算公式如下：
μ＝ρ×Vs2 (2)
其中，μ表示剪切模量；ρ表示岩石密度；Vs表示横波速度。
优选地，在上述步骤2)中，在开展叠前AVO三参数反演前，对叠前角度地震道集数据进行解释性处理，解释性处理包括去除随机噪音、地震同相轴拉平处理。
优选地，在上述步骤2.4)中，AVO三参数反演过程中根据井震匹配度参数进行反演过程的质量控制。
优选地，在上述步骤3)中，构建贝叶斯岩性分类器的具体过程如下：
3.1)基于步骤1)获得的混沌属性三维数据体和步骤2)获得的剪切模型三维数据体，提取钻井位置处的混沌属性和剪切模量随深度变化的一维数据；
3.2)以步骤3.1)提取的混沌属性和剪切模量随深度变化的一维数据为训练数据，统计其先验概率；
3.3)根据测井解释曲线，利用核函数估算法计算混沌属性和剪切模量随深度变化的一维数据对应岩性的条件概率密度函数；
3.4)利用步骤3.2)统计的先验概率和步骤3.3)估算的条件概率密度函数构建贝叶斯分类器。
本发明还提供一种盐下湖相碳酸盐岩的岩性判识系统，包括：
数据预处理模块，被配置为获取高品质全叠加地震资料、叠前角度道集地震资料和测井解释曲线，并利用扩散滤波技术对高品质全叠加地震资料进行处理，得到全叠加地震数据体，利用道集解释性处理技术对叠前角度道集地震资料进行处理，得到叠前角度道集地震质数据；
混沌属性计算模块，被配置为利用处理的全叠加地震数据体，开展地震属性计算，得到表征地震不连续性的混沌属性三维数据体；
剪切模量计算模块，并配置为利用叠前角度道集地震数据和测井解释曲线，开展叠前AVO三参数反演，得到地下介质的剪切模量三维数据体；
岩性判识模块，被配置为基于测井解释曲线以及计算得到的混沌属性数据体和剪切模量数据体构建贝叶斯岩性分类器；将计算得到的混沌属性数据体和剪切模量数据体作为输入，利用构建的贝叶斯岩性分类器计算不同岩性的概率数据体，再结合钻井揭示的岩性匹配度，输出不同岩性判识结果。
本发明采用以上技术方案，其具有如下优点：1、本发明联立地震混沌属性和地层剪切模量参数，利用贝叶斯岩性分类器，并依据湖相碳酸盐岩储层具有低剪切模量和中高混沌地震属性异常特征、火成岩相具有中高剪切模量和高混沌地震属性异常特征以及泥质灰岩相具有中高剪切模量和低混沌地震属性异常特征，实现湖相碳酸盐岩、火成岩和泥质灰岩的判识，有效解决单独利用地震属性或者地层弹性参数难以实现复杂岩性判识的问题。2、本发明利用井点位置的混沌地震属性和剪切模量反演结果构建贝叶斯岩性分类器，避免常规方法仅利用井资料建立贝叶斯岩性分类器导致的岩性判识多解性，提高复杂岩性判识的可靠性。
附图说明
图1为本公开实施例提供盐下湖相碳酸盐岩的岩性判识方法流程示意图；
图2为本公开实施例提供盐下湖相碳酸盐岩的岩性判识方法中获得混沌属性数据体的流程示意图；
图3为本公开实施例提供盐下湖相碳酸盐岩的岩性判识方法中获得剪切模量数据体的流程示意图；
图4为本公开实施例提供盐下湖相碳酸盐岩的岩性判识方法中获得岩性概率体的流程示意图；
图5为本公开一实施例提供一种盐下湖相碳酸盐岩的岩性判识系统的流程示意图；
图6为研究区全叠加地震数据体的某条测线剖面；
图7为研究区三维混沌属性体的的某条测线剖面；
图8为研究区三维剪切模量数据体的某条测线剖面；
图9为研究区构建的贝叶斯分类器；
图10为研究区的岩性判识结果的某条测线剖面。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述。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。
在本发明的描述中，需要说明的是，术语“上”、“下”、“前”、“后”“内”、“外”、“横”、“竖”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的系统或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，使用术语“第一”、“第二”等词语来限定零部件，仅仅是为了便于对上述零部件进行区别，如没有另行声明，上述词语并没有特殊含义，不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
如图1所示，本公开实施例提供一种盐下湖相碳酸盐岩的岩性判识方法，其包括以下步骤：
1)基于预处理后的全叠加地震数据体，开展地震属性计算，获取表征地震不连续性的混沌属性三维数据体；
2)基于测井解释曲线和叠前角度道集地震数据，开展叠前AVO三参数反演，获得地下介质的剪切模量三维数据体；
3)构建贝叶斯岩性分类器，以步骤1)中的混沌属性三维数据体和步骤2)中的剪切模量三维数据体为输入，基于构建的贝叶斯岩性分类器获得不同岩性(包括湖相碳酸盐岩储层、火成岩相和泥质灰岩)的概率数据体；根据钻井结果以及地质认识，选择与钻井揭示的岩性匹配度最高的岩性概率体作为岩性判识结果，进而获得不同岩性的判识结果。
在一些实施例中，如图2所示，在上述步骤1)中，开展地震属性计算，获取表征地震不连续性的混沌属性三维数据体，具体过程为：
1.1)对预处理后的全叠加地震数据进行结构张量分析，构建三维结构梯度张量；
1.2)对步骤1.1)中三维结构梯度张量进行特征值分解，获得特征值参数λ1、λ2、λ3；
1.3)将特征值λ1、λ2、λ3代入混沌属性数据体计算公式，获取表征地震不连续性的混沌属性三维数据体，
混沌属性数据体计算公式如下：
式中，C为混沌属性三维数据体。
在一些实施例中，在上述步骤1.1)之前，对地震资料进行扩散滤波处理，得到全叠加地震数据体。
在一些实施例中，如图3所示，在上述步骤2)中，获得地下介质的剪切模量三维数据体的具体过程为：
2.1)获取测井解释曲线和叠前角度地震道集数据，基于两者提取地震子波；
2.2)根据反演需求，对目的层顶面、底面以及内部主要层序界面进行层位解释，获得层位的框架约束；
2.3)在步骤2.2)中获得层位的框架约束下，对测井解释曲线中的纵波速度、横波速度和密度测井曲线进行插值，构建三参数反演所需要的反演模型；
2.4)基于步骤2.1)提取的地震子波以及利用步骤2.3)中构建的反演模型开展AVO三参数反演，获得纵波速度、横波和密度参数，在反演过程中根据井震匹配度等参数进行反演过程的质量控制；
2.5)将横波速度和密度带入剪切模量计算公式，获得地下介质的剪切模量三维数据体；
剪切模量计算公式如下：
μ＝ρ×Vs2 (2)
其中，μ表示剪切模量；ρ表示岩石密度；Vs表示横波速度。
在一些实施例中，如图3所示，在上述步骤2)中，在开展叠前AVO三参数反演前，对叠前角度地震道集数据进行解释性处理，解释性处理包括去除随机噪音、地震同相轴拉平处理。
在一些实施例中，如图4所示，在上述步骤3)中，构建贝叶斯岩性分类器的具体过程如下：
3.1)基于步骤1)获得的混沌属性三维数据体和步骤2)获得的剪切模型三维数据体，提取钻井位置处的混沌属性和剪切模量随深度变化的一维数据；
3.2)以步骤3.1)提取的混沌属性和剪切模量随深度变化的一维数据为训练数据，统计其先验概率；
3.3)根据测井解释曲线，利用核函数估算法计算混沌属性和剪切模量随深度变化的一维数据对应湖相碳酸盐岩、泥灰岩和火成岩三类岩性的条件概率密度函数；
3.4)利用步骤3.2)统计的先验概率和步骤3.3)估算的条件概率密度函数构建贝叶斯分类器。
湖相碳酸盐岩储层具有低剪切模量和中高混沌地震属性异常特征，火成岩相具有中高剪切模量和高混沌地震属性异常特征，泥质灰岩相具有中高剪切模量和低混沌地震属性异常特征；根据湖相碳酸盐岩储层、火成岩相和泥质灰岩相的区别，可以利用贝叶斯分类器进行岩性的判识。
下面以具体实施例对本发明作以说明：
图6为研究区全叠加地震数据体的某条测线剖面；图7为依据上述步骤1)计算的三维混沌属性体的的某条测线结果，测线号与图6所示地震测线相同；图8为依据上述步骤2)计算得到的三维剪切模量数据体的某条测线结果，测线号与图6所示地震测线相同；图9为构建的贝叶斯分类器，由图可见，浅灰色所示的湖相碳酸盐岩储层具有低剪切模量和中高混沌地震属性异常特征，深灰色所示的火成岩具有中高剪切模量和高混沌地震属性异常特征，中等灰色所示的泥质灰岩具有中高剪切模量和低混沌地震属性异常特征；根据湖相碳酸盐岩储层、火成岩和泥质灰岩的区别，可以利用贝叶斯分类器进行岩性的判识。图10为根据钻井结果以及地质认识，选择与钻井揭示的岩性匹配度最高的岩性发育概率体作为岩性判识结果的示意图，测线号与图6所示地震测线相同；由图可见，岩性判识结果有效的表征了复杂岩性在空间中的展布特征，其中湖相碳酸盐岩主要发育在构造的相对高部位及其翼部，且与火山通道相具有一定的继承关系，构造低部位主要为泥质灰岩，岩性判识结果与钻井结果一致。
另外地，如图5所示，本公开一实施例还提供一种盐下湖相碳酸盐岩的岩性判识系统，包括：
数据预处理模块，被配置为获取高品质全叠加地震资料、叠前角度道集地震资料和测井解释曲线，并利用扩散滤波技术对高品质全叠加地震资料进行处理，得到全叠加地震数据体，利用道集解释性处理技术对叠前角度道集地震资料进行处理，得到叠前角度道集地震质数据；
混沌属性计算模块，被配置为利用处理的全叠加地震数据体，开展地震属性计算，得到表征地震不连续性的混沌属性三维数据体；
剪切模量计算模块，并配置为利用叠前角度道集地震数据和测井解释曲线，开展叠前AVO三参数反演，得到地下介质的剪切模量三维数据体；
岩性判识模块，被配置为基于测井解释曲线以及计算得到的混沌属性数据体和剪切模量数据体构建贝叶斯岩性分类器；将计算得到的混沌属性三维数据体和剪切模量三维数据体作为输入，基于构建的贝叶斯岩性分类器计算不同岩性的概率数据体，再结合钻井揭示的岩性匹配度，输出湖相碳酸盐岩、火成岩、泥质灰岩的岩性判识结果。
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 (8)
1.一种盐下湖相碳酸盐岩的岩性判识方法，其特征在于，包括以下步骤：
1)基于预处理后的全叠加地震数据体，开展地震属性计算，获取表征地震不连续性的混沌属性三维数据体；
2)基于测井解释曲线和叠前角度道集地震数据，开展叠前AVO三参数反演，获得地下介质的剪切模量三维数据体；
3)构建贝叶斯岩性分类器，以步骤1)中的混沌属性三维数据体和步骤2)中的剪切模量三维数据体为输入，基于构建的贝叶斯岩性分类器获得岩性概率体，根据钻井结果以及地质认识，选择与钻井揭示的岩性匹配度最高的岩性概率体作为岩性判识结果，进而获得不同岩性的判识结果。
2.如权利要求1所述的一种盐下湖相碳酸盐岩的岩性判识方法，其特征在于，在上述步骤1)中，开展地震属性计算，获取表征地震不连续性的混沌属性三维数据体，具体过程为：
1.1)对预处理后的全叠加地震数据进行结构张量分析，构建三维结构梯度张量；
1.2)对1.1)中三维结构梯度张量进行特征值分解，获得特征值参数λ1、λ2、λ3；
1.3)将特征值λ1、λ2、λ3代入混沌属性数据体计算公式，获取表征地震不连续性的混沌属性三维数据体，
混沌属性数据体计算公式如下：
式中，C为混沌属性三维数据体。
3.如权利要求2所述的一种盐下湖相碳酸盐岩的岩性判识方法，其特征在于：在上述步骤1.1)之前，对地震资料进行扩散滤波处理，得到全叠加地震数据体。
4.如权利要求1所述的一种盐下湖相碳酸盐岩的岩性判识方法，其特征在于：在上述步骤2)中，获得地下介质的剪切模量数据体的具体过程为：
2.1)获取测井解释曲线和叠前角度地震道集数据，基于两者提取地震子波；
2.2)根据反演需求，对目的层顶面、底面以及内部主要层序界面进行层位解释，获得层位的框架约束；
2.3)在步骤2.2)中获得层位的框架约束下，对测井解释曲线中的纵波速度、横波速度和密度测井曲线进行插值，构建三参数反演所需要的反演模型；
2.4)基于步骤2.1)提取的地震子波以及利用步骤2.3)中构建的反演模型开展AVO三参数反演，获得纵波速度、横波和密度参数；
2.5)将横波速度和密度带入剪切模量计算公式，获得地下介质的剪切模量三维数据体；
剪切模量计算公式如下：
μ＝ρ×Vs2 (2)
其中，μ表示剪切模量；ρ表示岩石密度；Vs表示横波速度。
5.如权利要求1所述的一种盐下湖相碳酸盐岩的岩性判识方法，其特征在于：在上述步骤2)中，在开展叠前AVO三参数反演前，对叠前角度地震道集数据进行解释性处理，解释性处理包括去除随机噪音、地震同相轴拉平处理。
6.如权利要求4所述的一种盐下湖相碳酸盐岩的岩性判识方法，其特征在于：在上述步骤2.4)中，AVO三参数反演过程中根据井震匹配度参数进行反演过程的质量控制。
7.如权利要求1所述的一种盐下湖相碳酸盐岩的岩性判识方法，其特征在于：在上述步骤3)中，构建贝叶斯岩性分类器的具体过程如下：
3.1)基于步骤1)获得的混沌属性三维数据体和步骤2)获得的剪切模型三维数据体，提取钻井位置处的混沌属性和剪切模量随深度变化的一维数据；
3.2)以步骤3.1)提取的混沌属性和剪切模量随深度变化的一维数据为训练数据，统计其先验概率；
3.3)根据测井解释曲线，利用核函数估算法计算混沌属性和剪切模量随深度变化的一维数据对应岩性的条件概率密度函数；
3.4)利用步骤3.2)统计的先验概率和步骤3.3)估算的条件概率密度函数构建贝叶斯分类器。
8.一种盐下湖相碳酸盐岩的岩性判识系统，其特征在于，包括：
数据预处理模块，被配置为获取高品质全叠加地震资料、叠前角度道集地震资料和测井解释曲线，并利用扩散滤波技术对高品质全叠加地震资料进行处理，得到全叠加地震数据体，利用道集解释性处理技术对叠前角度道集地震资料进行处理，得到叠前角度道集地震质数据；
混沌属性计算模块，被配置为利用处理的全叠加地震数据体，开展地震属性计算，得到表征地震不连续性的混沌属性三维数据体；
剪切模量计算模块，并配置为利用叠前角度道集地震数据和测井解释曲线，开展叠前AVO三参数反演，得到地下介质的剪切模量三维数据体；
岩性判识模块，被配置为基于测井解释曲线以及计算得到的混沌属性数据体和剪切模量数据体构建贝叶斯岩性分类器；将计算得到的混沌属性数据体和剪切模量数据体作为输入，利用构建的贝叶斯岩性分类器计算不同岩性的概率数据体，再结合钻井揭示的岩性匹配度，输出不同岩性判识结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110053143.9A CN112882095B (zh) | 2021-01-15 | 2021-01-15 | 一种盐下湖相碳酸盐岩的岩性判识方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110053143.9A CN112882095B (zh) | 2021-01-15 | 2021-01-15 | 一种盐下湖相碳酸盐岩的岩性判识方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112882095A true CN112882095A (zh) | 2021-06-01 |
| CN112882095B CN112882095B (zh) | 2022-08-02 |
Family
ID=76047930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110053143.9A Active CN112882095B (zh) | 2021-01-15 | 2021-01-15 | 一种盐下湖相碳酸盐岩的岩性判识方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112882095B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999064896A1 (en) * | 1998-06-09 | 1999-12-16 | Geco As | Seismic data interpretation method |
| US20110015907A1 (en) * | 2009-07-20 | 2011-01-20 | Crawford Brian R | Petrophysical Method For Predicting Plastic Mechanical Properties In Rock Formations |
| US20110257944A1 (en) * | 2010-03-05 | 2011-10-20 | Schlumberger Technology Corporation | Modeling hydraulic fracturing induced fracture networks as a dual porosity system |
| CN104181598A (zh) * | 2014-09-04 | 2014-12-03 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 计算地层不连续性属性值的方法及装置 |
| CN106842316A (zh) * | 2016-12-20 | 2017-06-13 | 中国石油天然气股份有限公司 | 裂缝确定方法和装置 |
| CN107605471A (zh) * | 2017-07-21 | 2018-01-19 | 中国石油天然气股份有限公司 | 一种湖相碳酸盐岩岩性测井定量识别方法 |
| 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 |
| CN111596365A (zh) * | 2020-06-18 | 2020-08-28 | 中国海洋石油集团有限公司 | 针对盐下湖相碳酸盐岩储层段的火山喷发岩地震解释方法 |
| CN112114380A (zh) * | 2020-08-11 | 2020-12-22 | 中国石油化工股份有限公司 | 一种用于砂砾岩油藏储层的预测方法 |
-
2021
- 2021-01-15 CN CN202110053143.9A patent/CN112882095B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999064896A1 (en) * | 1998-06-09 | 1999-12-16 | Geco As | Seismic data interpretation method |
| US20110015907A1 (en) * | 2009-07-20 | 2011-01-20 | Crawford Brian R | Petrophysical Method For Predicting Plastic Mechanical Properties In Rock Formations |
| US20110257944A1 (en) * | 2010-03-05 | 2011-10-20 | Schlumberger Technology Corporation | Modeling hydraulic fracturing induced fracture networks as a dual porosity system |
| CN104181598A (zh) * | 2014-09-04 | 2014-12-03 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 计算地层不连续性属性值的方法及装置 |
| CN106842316A (zh) * | 2016-12-20 | 2017-06-13 | 中国石油天然气股份有限公司 | 裂缝确定方法和装置 |
| CN107605471A (zh) * | 2017-07-21 | 2018-01-19 | 中国石油天然气股份有限公司 | 一种湖相碳酸盐岩岩性测井定量识别方法 |
| 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 |
| CN111596365A (zh) * | 2020-06-18 | 2020-08-28 | 中国海洋石油集团有限公司 | 针对盐下湖相碳酸盐岩储层段的火山喷发岩地震解释方法 |
| CN112114380A (zh) * | 2020-08-11 | 2020-12-22 | 中国石油化工股份有限公司 | 一种用于砂砾岩油藏储层的预测方法 |
Non-Patent Citations (7)
| Title |
|---|
| ANUBRATI MUKHERJEE ET AL.: "Innovative Method for Exploring Potential Reservoirs in Areas of Limited Data - A case study from Deep Water South China Sea", 《 INTERNATIONAL PETROLEUM TECHNOLOGY CONFERENCE》 * |
| XINGYAO YIN ET AL.: "Bayesian inversion for effective pore-fluid bulk modulus based on fluid-matrix decoupled amplitude variation with offset approximation", 《GEOPHYSICS》 * |
| 张世鑫: "疏松砂岩储层预测与油气检测技术在 Albertine 地堑的应用", 《地球物理学进展》 * |
| 张进等: "基于混沌蚁群算法的弹性阻抗反演", 《石油物探》 * |
| 杨生超等: "邵家洼陷沙四段湖相碳酸盐岩岩性测井解释模型", 《新疆石油地质》 * |
| 王伟等: "地震几何属性识别断层技术研究及应用", 《中国优秀博硕士学位论文全文数据库（硕士） 基础科学辑》 * |
| 高云峰等: "裂缝储层地震预测技术在锦州25-1南潜山的应用研究", 《中国海上油气》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112882095B (zh) | 2022-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11500115B2 (en) | Seismic data interpretation system | |
| Coléou et al. | Unsupervised seismic facies classification: A review and comparison of techniques and implementation | |
| Mukerji et al. | Statistical rock physics: Combining rock physics, information theory, and geostatistics to reduce uncertainty in seismic reservoir characterization | |
| West et al. | Interactive seismic facies classification using textural attributes and neural networks | |
| AU2023285757A1 (en) | Geophysical deep learning | |
| Grammer et al. | Integration of outcrop and modern analogs in reservoir modeling: Overview with examples from the Bahamas | |
| EP2864817B1 (en) | Seismic orthogonal decomposition attribute | |
| US20130054201A1 (en) | Hybrid deterministic-geostatistical earth model | |
| 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 | |
| US20220413172A1 (en) | Method and system for seismic imaging using s-wave velocity models and machine learning | |
| Yasin et al. | An integrated fracture parameter prediction and characterization method in deeply-buried carbonate reservoirs based on deep neural network | |
| CN110231652A (zh) | 一种基于密度的含噪声应用空间聚类的地震相提取方法 | |
| US20230161061A1 (en) | Structured representations of subsurface features for hydrocarbon system and geological reasoning | |
| CN110609327B (zh) | 基于叠前地震属性的碳酸盐岩储集相预测方法及装置 | |
| US11947063B2 (en) | Method of conditioning seismic data for first-break picking using nonlinear beamforming | |
| US20220237891A1 (en) | Method and system for image-based reservoir property estimation using machine learning | |
| Rodríguez‐Pradilla et al. | Automated microseismic processing and integrated interpretation of induced seismicity during a multistage hydraulic‐fracturing stimulation, Alberta, Canada | |
| Bueno et al. | Structural and stratigraphic feature delineation and facies distribution using seismic attributes and well log analysis applied to a Brazilian carbonate field | |
| WO2022159698A1 (en) | Method and system for image-based reservoir property estimation using machine learning | |
| CN113109875A (zh) | 一种全波形速度场约束下的盐下碳酸盐岩储层反演方法 | |
| CN112882095B (zh) | 一种盐下湖相碳酸盐岩的岩性判识方法和系统 | |
| CN106990433B (zh) | 一种隆起区微小侵蚀沟槽的识别方法 | |
| US11719851B2 (en) | Method and system for predicting formation top depths | |
| Méndez et al. | Predicting and 3D modeling of karst zones using seismic facies analysis in Ordovician carbonates of the Tahe oilfield, China | |
| Ghanbarnejad Moghanloo et al. | Integrating watershed segmentation algorithm and supervised Bayesian classification for the assessment of petrophysical parameters, pore properties, and lithofacies: a case study from Abadan Plain, SW Iran |
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 |