CN112882100B - 一种储层参数确定方法、装置、电子设备和存储介质 - Google Patents
一种储层参数确定方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112882100B CN112882100B CN202110214077.9A CN202110214077A CN112882100B CN 112882100 B CN112882100 B CN 112882100B CN 202110214077 A CN202110214077 A CN 202110214077A CN 112882100 B CN112882100 B CN 112882100B
- Authority
- CN
- China
- Prior art keywords
- model
- stratum
- target
- elastic parameter
- reservoir
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000006870 function Effects 0.000 claims abstract description 42
- 239000011435 rock Substances 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 8
- 239000011148 porous material Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000003000 inclusion body Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
- G01V1/306—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
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请实施例公开了一种储层参数确定方法、装置、电子设备和存储介质，其中方法包括：根据构建的目标岩石物理模型和获取到的目标区域的elan解释数据，计算初始地层弹性参数体；基于获取的目标区域的地震数据和初始弹性参数体，通过叠前弹性参数反演的方式确定目标地层弹性参数体；基于神经网络学习方法，构建目标岩石物理模型的反函数模型；其中，反函数模型用于将地层弹性参数体转换成储层参数；将目标地层弹性参数体输入到反函数模型中，根据反函数模型的输出确定目标区域的储层参数。本申请利用岩石物理建模与神经网络深度学习相结合，通过深度学习确定岩石物理模型的反函数，进而利用反函数预测储层参数，提升了储层参数的预测效率和精度。
Description
技术领域
本申请涉及油气勘探开发领域，尤其涉及一种储层参数确定方法、装置、电子设备和存储介质。
背景技术
储层参数是油气预测、油藏描述、储量估算和油气勘探等研究领域中的重要评估参数，如何准确获取储层参数是一个重要课题。
目前，常用的三维地层空间储层参数预测方法主要有统计关系法。由于储层物性和流体饱和度参数与地层弹性参数之间函数关系不明确，统计规律不强(不同岩性孔隙度与阻抗关系比较分散)，且不同岩性与其物性之间有不同的统计关系，如果采用统一的孔隙度与阻抗关系转换，导致预测结果与实际钻井结果误差大，可预测性差；如果根据地层不同岩性，按不同的统计关系进行转换，导致不同岩性之间孔隙度突变，这与地层孔隙度均匀变化的实际情况明显不符。因此，当前储层参数预测方法无法满足当前精细油气勘探的对储层参数预测精度的需求。
发明内容
本申请实施例提供一种储层参数确定方法、装置、电子设备和存储介质，以达到提高储层参数预测精度的目的。
第一方面，本申请实施例提供了一种储层参数确定方法，方法包括：
根据构建的目标岩石物理模型和获取到的目标区域的elan解释数据，计算初始地层弹性参数体；
基于获取的目标区域的地震数据和初始弹性参数体，通过叠前弹性参数反演的方式确定目标地层弹性参数体；
基于神经网络学习方法，构建目标岩石物理模型的反函数模型；其中，反函数模型用于将地层弹性参数体转换成储层参数；
将目标地层弹性参数体输入到反函数模型中，根据反函数模型的输出确定目标区域的储层参数。
第二方面，本申请实施例提供了一种储层参数确定装置，包括：
第一计算模块，用于根据构建的目标岩石物理模型和获取到的目标区域的elan解释数据，计算初始地层弹性参数体；
第二计算模块，用于基于获取的目标区域的地震数据和初始弹性参数体，通过叠前弹性参数反演的方式确定目标地层弹性参数体；
反函数构建模块，用于基于神经网络学习方法，构建目标岩石物理模型的反函数模型；其中，反函数模型用于将地层弹性参数体转换成储层参数；
预测模块，用于将目标地层弹性参数体输入到反函数模型中，根据反函数模型的输出确定目标区域的储层参数。
第三方面，本申请实施例还提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本申请任一实施例的储层参数确定方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请任一实施例的储层参数确定方法。
本申请实施例中，利用岩石物理建模与神经网络深度学习相结合，通过深度学习确定岩石物理模型的反函数，进而利用反函数预测储层参数，解决了现有技术中因为储层参数与地层弹性参数间统计规律导致常规储层参数预测结果误差较大的问题，提升了储层参数的预测效率和精度。
附图说明
图1是本申请第一实施例中的储层参数确定方法的流程示意图；
图2是本申请第二实施例中的储层参数确定方法的流程示意图；
图3是本申请第三实施例中的储层参数确定装置的结构示意图；
图4是本申请第四实施例中的实现储层参数确定方法的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非所有结构。
图1是本申请第一实施例的储层参数确定方法的流程图，本实施例可适用于油气预测、油藏描述、储量估算等研究领域预测储层参数的情况，该方法可以由储层参数确定装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在电子设备中，例如集成在服务器或计算机设备上。
如图1所示，储层参数确定方法具体包括如下流程：
S101、根据构建的目标岩石物理模型和获取到的目标区域的elan解释数据，计算初始地层弹性参数体。
本申请实施例中，目标区域是指需要进行储层参数预测的研究区域；目标岩石物理模型是根据目标区域的岩石物理特征构建的，也即目标岩石物理模型是适合目标区域的岩石物理模型，其表现形式示例性的为数学函数，该数学函数的自变量为elan解释数据，因变量为地层弹性参数体。因此在计算时，可选的将elan解释数据输入到目标岩石物理模型，并将计算结果作为初始地层弹性参数体。其中，elan解释数据是实测数据，主要包括泥质含量解释曲线、孔隙度解释曲线和含水饱和度解释曲线。初始地层弹性参数体主要包括横波阻抗、纵波阻抗、密度、横波速度、纵波速度等。
在此需要说明的是，为了保证计算的准确性，在获取到目标区域的elan解释数据后，可对elan解释数据的可靠性进行分析，并在确定elan解释数据可靠的前提下，执行S101的步骤。
S102、基于获取的目标区域的地震数据和初始弹性参数体，通过叠前弹性参数反演的方式确定目标地层弹性参数体。
本申请实施例中，由于S101是根据目标岩石物理模型计算出的地层弹性参数体，其本质是理论模拟值，可能存在计算出的理论值与实际情况差异较大的情况，因此需要结合目标区域的地震数据进行反演计算，以提升地层弹性参数体计算的准确性。本申请实施例中，目标地层弹性参数体与初始地层弹性参数体包括的内容相同，都包括横波阻抗、纵波阻抗、密度、横波速度、纵波速度等，但是反演得到的目标地层弹性参数体的准确性更高。
S103、基于神经网络学习方法，构建目标岩石物理模型的反函数模型。
本申请实施例中，目标岩石物理模型是一个异常复杂的函数公式，通过该模型可计算出初始地层弹性参数体，但是目前很难设计出准确度较高的反向推导储层参数的计算公式。基于此，发明人创造性的引入的神经网络学习的方法，通过神经网络学习地层弹性参数体和储层参数(例如泥质含量和孔隙度数据体)之间存在的非线性关系，也即是地层弹性参数体和储层参数之间的转换关系。
在一种可选的实施方式中，基于神经网络学习方法，构建目标岩石物理模型的反函数模型，包括：将初始地层弹性参数体作为输入样本，将初始地层弹性参数体对应的储层参数作为输出样本，对构建的神经网络模型进行训练，在训练结束后即可得到目标岩石物理模型的反函数模型，也即反函数模型用于将地层弹性参数体转换成储层参数。
在此需要说明的是，构建的神经网络模型可选的为BP神经网络模型，也即反函数模型的本质可以为BP神经网络模型。其中BP神经网络模型只是一种示例，也可以选择其它神经网络模型，在此不做具体限定。而通过神经网络的学习的方式构建反函数，不但可以降低构建反函数模型的难度，而且通过反函数模型可以提升预测储层参数的效率和准确性。
S104、将目标地层弹性参数体输入到反函数模型中，根据反函数模型的输出确定目标区域的储层参数。
本申请实施例中，在通过S103确定反函数模型后，只需将S102步骤中反演出的目标地层弹性参数体作为反函数模型的输入，进而反函数模型根据学习到的地层弹性参数和储层参数之间的转换关系进行计算，并将计算结果输出，由此可根据反函数模型的输出确定目标区域的储层参数。
本申请实施例中，利用岩石物理建模与神经网络深度学习相结合，通过深度学习确定岩石物理模型的反函数，进而利用反函数预测储层参数，解决了现有技术中因为储层参数与地层弹性参数间统计规律导致常规储层参数预测结果误差较大的问题，提升了储层参数的预测效率和精度。
图2是本申请第二实施例的储层参数确定方法的流程图，本实施例是在上述实施例的基础上进行优化，具体增加了构建目标岩石物理模型的过程以及优化了通过叠前弹性参数反演的方式确定目标地层弹性参数体的过程，参见图2，该方法包括：
S201、确定初始岩石物理模型。
岩石是由固体岩石骨架和孔隙流体组成的多相体，其速度的影响因素呈现复杂性和多样性，各因素对速度的影响不是单一的，是相互作用的结果，这表明利用地球物理资料进行储层参数预测是切实可行的，岩石的弹性表现为多相体的等效弹性可以概括为基质模量、干岩石骨架模量、孔隙流体模量和环境因素(岩石例如压力温度声波频率等)，岩石物理模型意在建立这些模量之间的理论关系，通过一系列的假设条件把实际的岩石理想化，通过内在的物理学原理建立通用关系。有些模型假设岩石的孔隙和颗粒是层状排列的，有些模型假设认为岩石是由颗粒和单一几何形状的孔隙组成的集合体。鉴于不同的岩石理想化过程，岩石物理模型主要分为层状模型、球形孔隙模型、包含体模型和接触模型。
每种类型的岩石物理模型又可以进行具体细分，例如，针对层状模型，可以包括VRH模量模型，Hashin-shtrikman模量模型、wood模量模型等。本申请实施例中，可将多种岩石物理模型中的任意一种作为初始岩石物理模型。
S202、根据elan解释数据和初始岩石物理模型，计算地层弹性参数体。
可选的，将elan解释数据输入到初始岩石物理模型，并将计算结果作为理论的地层弹性参数体。其中，elan解释数据是实测数据，主要包括泥质含量解释曲线、孔隙度解释曲线和含水饱和度解释曲线。
S203、将地层弹性参数体和实际测井数据进行比较，并根据比较结果调整初始岩石物理模型的参数，得到目标岩石物理模型。
本申请实施例中，实际测井数据包括在目标区域实际测量得到的纵波/横波阻抗、密度、纵波/横波速度等参数体；将S202求得的地层弹性参数体与实际测井数据进行比较，如果两者误差小于预设阈值，则可直接将初始岩石物理模型作为目标岩石物理模型；如果两者误差大于预设阈值，则调整初始岩石物理模型内部的参数，然后返回执行S202-S203的步骤，直到误差小于预设阈值，此时将调整内部参数后的初始岩石物理模型作为目标岩石物理模型。
S204、根据构建的目标岩石物理模型和获取到的目标区域的elan解释数据，计算初始地层弹性参数体。
本申请实施例中，通过S205-S207的步骤实现地层弹性参数的反演。
S205、对初始弹性参数体进行插值滤波处理，得到地层弹性参数的低频模型。
由于通过S204得到的理论的初始地层弹性参数可能存在错误，为了避免错误的弹性参数体对反演过程造成影响，对初始弹性参数体进行插值滤波处理，得到地层弹性参数的低频模型，也即通过插值滤波减少数据量，只需保留弹性参数体的变化趋势即可。
S206、获取标定后的时深关系，并从地震数据中获取地震子波。
本申请实施例中，时深曲线用于表征地震波什么时间传播到什么深度，而标定时深关系的过程包括：从地震数据中分角度获取地震子波，其中，地震子波是指子波的振幅和相位，而分角度获取地震子波是指获取不同入射角度的地震子波；利用初始弹性参数体，计算反射系数，并将反射系数与地震子波进行褶积计算，得到合成地震记录；将合成地震记录与预先获取的分角度叠加道集进行比对，根据比对结果标定时深曲线。可选的，如果根据比较结果确定合成地震记录与分角度叠加道集的吻合度较高，例如吻合度大于阈值，则确定时深曲线不需要调整；如果根据比较结果确定合成地震记录与分角度叠加道集的吻合度较低，例如吻合度小于阈值，则需要标定时深曲线，例如通过局部拉伸或压缩的方式调整时深曲线，重新改变子波的振幅和相位，进而重新确定合成地震记录，直到合成地震记录与分角度叠加道集接近为止。
在此需要说明的是，分角度叠加道集是预先获取的标准地震数据，而为了保证分角度叠加道集的准确性，需要对分角度叠加道集的保福性进行验证分析。
在获取标定后的时深关系，可基于标定的时深关系从地震数据中获取地震子波。
S207、根据时深关系、地震子波和地层弹性参数的低频模型，结合构建的弹性参数反演函数，确定目标地层弹性参数体。
本申请实施例中，可将时深关系、地震子波和地层弹性参数的低频模型，作为弹性参数反演函数的输入，并根据弹性参数反演函数的输出确定目标地层弹性参数体。
S208、基于神经网络学习方法，构建目标岩石物理模型的反函数模型。
S209、将目标地层弹性参数体输入到反函数模型中，根据反函数模型的输出确定目标区域的储层参数。
本申请实施例中，根据时深关系、地震子波和地层弹性参数的低频模型，结合构建的弹性参数反演函数，确定目标地层弹性参数体，可提升反演计算的准确性，进而保证了后续储层参数预测的准确性。
图3是本申请第三实施例的储层参数确定装置的结构示意图，本实施例可适用于油气预测、油藏描述、储量估算等研究领域预测储层参数的情况，参见图3，该装置包括：
第一计算模块301，用于根据构建的目标岩石物理模型和获取到的目标区域的elan解释数据，计算初始地层弹性参数体；
第二计算模块302，用于基于获取的目标区域的地震数据和初始弹性参数体，通过叠前弹性参数反演的方式确定目标地层弹性参数体；
反函数构建模块303，用于基于神经网络学习方法，构建目标岩石物理模型的反函数模型；其中，反函数模型用于将地层弹性参数体转换成储层参数；
预测模块304，用于将目标地层弹性参数体输入到反函数模型中，根据反函数模型的输出确定目标区域的储层参数。
本申请实施例中，利用岩石物理建模与神经网络深度学习相结合，通过深度学习确定岩石物理模型的反函数，进而利用反函数预测储层参数，解决了现有技术中因为储层参数与地层弹性参数间统计规律导致常规储层参数预测结果误差较大的问题，提升了储层参数的预测效率和精度。
在上述实施例的基础上，可选的，反函数构建模块具体用于：
将初始地层弹性参数体作为输入样本，将初始地层弹性参数体对应的储层参数作为输出样本，对构建的神经网络模型进行训练，得到反函数模型。
在上述实施例的基础上，可选的，该装置还包括用于构建目标岩石物理模型的模型构建模块，该模型构建模块具体用于：
确定初始岩石物理模型；
根据elan解释数据和初始岩石物理模型，计算地层弹性参数体；
将弹性参数体和实际测井数据进行比较，并根据比较结果调整初始岩石物理模型的参数，得到目标岩石物理模型。
在上述实施例的基础上，可选的，第二计算模块，包括：
滤波单元，用于对初始弹性参数体进行插值滤波处理，得到地层弹性参数的低频模型；
获取单元，用于获取标定后的时深关系，并从地震数据中获取地震子波；
反演单元，用于根据时深关系、地震子波和地层弹性参数的低频模型，结合构建的弹性参数反演函数，确定目标地层弹性参数体。
在上述实施例的基础上，可选的，该装置包括标定模块，用于标定时深关系，标定模块包括：
提取单元，用于从地震数据中分角度获取地震子波；
地震记录合成单元，用于利用初始弹性参数体，计算反射系数，并将反射系数与地震子波进行褶积计算，得到合成地震记录；
标定单元，用于将合成地震记录与预先获取的分角度叠加道集进行比对，根据比对结果标定时深曲线。
在上述实施例的基础上，可选的，elan解释数据包括泥质含量解释曲线、孔隙度解释曲线和含水饱和度解释曲线；地层弹性参数体包括横波阻抗、纵波阻抗、密度、横波速度、纵波速度。
本申请实施例所提供的储层参数确定装置可执行本申请任意实施例所提供的储层参数确定方法，具备执行方法相应的功能模块和有益效果。
图4是本申请第四实施例中提供的一种电子设备的结构示意图。如图4所示结构，本申请实施例中提供的电子设备包括：一个或多个处理器402和存储器401；该电子设备中的处理器402可以是一个或多个，图4中以一个处理器402为例；存储器401用于存储一个或多个程序；一个或多个程序被一个或多个处理器402执行，使得一个或多个处理器402实现如本申请实施例中任一项的储层参数确定方法。
该电子设备还可以包括：输入装置403和输出装置404。
该电子设备中的处理器402、存储器401、输入装置403和输出装置404可以通过总线或其他方式连接，图4中以通过总线连接为例。
该电子设备中的存储装置401作为一种计算机可读存储介质，可用于存储一个或多个程序，程序可以是软件程序、计算机可执行程序以及模块，如本申请实施例中所提供的储层参数确定方法对应的程序指令/模块。处理器402通过运行存储在存储装置401中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例中储层参数确定方法。
存储装置401可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器401可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器401可进一步包括相对于处理器402远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置403可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置404可包括显示屏等显示设备。
并且，当上述电子设备所包括一个或者多个程序被一个或者多个处理器402执行时，程序进行如下操作：
根据构建的目标岩石物理模型和获取到的目标区域的elan解释数据，计算初始地层弹性参数体；
基于获取的目标区域的地震数据和初始弹性参数体，通过叠前弹性参数反演的方式确定目标地层弹性参数体；
基于神经网络学习方法，构建目标岩石物理模型的反函数模型；其中，反函数模型用于将地层弹性参数体转换成储层参数；
将目标地层弹性参数体输入到反函数模型中，根据反函数模型的输出确定目标区域的储层参数。
当然，本领域技术人员可以理解，当上述电子设备所包括一个或者多个程序被一个或者多个处理器402执行时，程序还可以进行本申请任意实施例中所提供的储层参数确定方法中的相关操作。
本申请的一个实施例中提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行储层参数确定方法，该方法包括：
根据构建的目标岩石物理模型和获取到的目标区域的elan解释数据，计算初始地层弹性参数体；
基于获取的目标区域的地震数据和初始弹性参数体，通过叠前弹性参数反演的方式确定目标地层弹性参数体；
基于神经网络学习方法，构建目标岩石物理模型的反函数模型；其中，反函数模型用于将地层弹性参数体转换成储层参数；
将目标地层弹性参数体输入到反函数模型中，根据反函数模型的输出确定目标区域的储层参数。
可选的，该程序被处理器执行时还可以用于执行本申请任意实施例中所提供的方法。
本申请实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random AccessMemory，RAM)、只读存储器(Read Only Memory，ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、无线电频率(Radio Frequency，RF)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言(诸如“C”语言或类似的程序设计语言)。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络(例如包括局域网(LAN)或广域网(WAN))连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。
Claims (8)
1.一种储层参数确定方法，其特征在于，包括：
根据构建的目标岩石物理模型和获取到的目标区域的elan解释数据，计算初始地层弹性参数体；
基于获取的所述目标区域的地震数据和所述初始地层弹性参数体，通过叠前弹性参数反演的方式确定目标地层弹性参数体，包括：
对所述初始地层弹性参数体进行插值滤波处理，得到地层弹性参数的低频模型；
获取标定后的时深关系，并从所述地震数据中获取地震子波；
根据所述时深关系、所述地震子波和地层弹性参数的低频模型，结合构建的弹性参数反演函数，确定目标地层弹性参数体；
标定时深关系的过程包括：从地震数据中分角度获取地震子波；利用所述初始地层弹性参数体，计算反射系数，并将所述反射系数与所述地震子波进行褶积计算，得到合成地震记录；将所述合成地震记录与预先获取的分角度叠加道集进行比对，根据比对结果标定时深曲线；
基于神经网络学习方法，构建所述目标岩石物理模型的反函数模型；其中，所述反函数模型用于将地层弹性参数体转换成储层参数；
将所述目标地层弹性参数体输入到所述反函数模型中，根据所述反函数模型的输出确定所述目标区域的储层参数。
2.根据权利要求1所述的方法，其特征在于，基于神经网络学习方法，构建所述目标岩石物理模型的反函数模型，包括：
将所述初始地层弹性参数体作为输入样本，将所述初始地层弹性参数体对应的储层参数作为输出样本，对构建的神经网络模型进行训练，得到所述反函数模型。
3.根据权利要求1所述的方法，其特征在于，构建目标岩石物理模型的过程包括：
确定初始岩石物理模型；
根据所述elan解释数据和所述初始岩石物理模型，计算地层弹性参数体；
将所述弹性参数体和实际测井数据进行比较，并根据比较结果调整所述初始岩石物理模型的参数，得到所述目标岩石物理模型。
4.根据权利要求1所述的方法，其特征在于，所述elan解释数据包括泥质含量解释曲线、孔隙度解释曲线和含水饱和度解释曲线；所述地层弹性参数体包括横波阻抗、纵波阻抗、密度、横波速度、纵波速度。
5.一种储层参数确定装置，其特征在于，包括：
第一计算模块，用于根据构建的目标岩石物理模型和获取到的目标区域的elan解释数据，计算初始地层弹性参数体；
第二计算模块，用于基于获取的所述目标区域的地震数据和所述初始地层弹性参数体，通过叠前弹性参数反演的方式确定目标地层弹性参数体；
反函数构建模块，用于基于神经网络学习方法，构建所述目标岩石物理模型的反函数模型；其中，所述反函数模型用于将地层弹性参数体转换成储层参数；
预测模块，用于将所述目标地层弹性参数体输入到所述反函数模型中，根据所述反函数模型的输出确定所述目标区域的储层参数；
所述第二计算模块，还包括：
滤波单元，用于对初始地层弹性参数体进行插值滤波处理，得到地层弹性参数的低频模型；
获取单元，用于获取标定后的时深关系，并从地震数据中获取地震子波；
反演单元，用于根据时深关系、地震子波和地层弹性参数的低频模型，结合构建的弹性参数反演函数，确定目标地层弹性参数体；
标定模块，用于标定时深关系，所述标定模块包括：
提取单元，用于从地震数据中分角度获取地震子波；
地震记录合成单元，用于利用初始地层弹性参数体，计算反射系数，并将反射系数与地震子波进行褶积计算，得到合成地震记录；
标定单元，用于将合成地震记录与预先获取的分角度叠加道集进行比对，根据比对结果标定时深曲线。
6.根据权利要求5所述的装置，其特征在于，所述反函数构建模块具体用于：
将所述初始地层弹性参数体作为输入样本，将所述初始地层弹性参数体对应的储层参数作为输出样本，对构建的神经网络模型进行训练，得到所述反函数模型。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一项所述的储层参数确定方法。
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，该程序被处理器执行时实现如权利要求1-4中任一项所述的储层参数确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110214077.9A CN112882100B (zh) | 2021-02-25 | 2021-02-25 | 一种储层参数确定方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110214077.9A CN112882100B (zh) | 2021-02-25 | 2021-02-25 | 一种储层参数确定方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112882100A CN112882100A (zh) | 2021-06-01 |
| CN112882100B true CN112882100B (zh) | 2024-01-12 |
Family
ID=76054539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110214077.9A Active CN112882100B (zh) | 2021-02-25 | 2021-02-25 | 一种储层参数确定方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112882100B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113608264B (zh) * | 2021-07-30 | 2023-06-09 | 成都理工大学 | 联合叠前弹性反演参数及深度网络目标反演方法 |
| CA3232625A1 (en) * | 2021-09-15 | 2023-03-23 | Schlumberger Canada Limited | Systems and methods for modeling a subsurface volume using time-lapse data |
| CN113673175B (zh) * | 2021-10-21 | 2022-01-18 | 中国石油大学(华东) | 基于bp-dematel-ism模型的钻井井筒压力失衡影响因素分析方法 |
| CN114279973B (zh) * | 2021-12-27 | 2024-03-19 | 南京大学 | 基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104297785A (zh) * | 2014-09-29 | 2015-01-21 | 中国石油天然气股份有限公司 | 岩相约束储层物性参数反演方法及装置 |
| CN110954948A (zh) * | 2018-09-27 | 2020-04-03 | 中国石油化工股份有限公司 | 一种岩石物理约束储层物性参数反演方法及系统 |
| CN112162316A (zh) * | 2020-09-28 | 2021-01-01 | 北京中恒利华石油技术研究所 | 一种avo波形数据驱动的高分辨率井震融合叠前反演方法 |
| CN112384829A (zh) * | 2018-05-11 | 2021-02-19 | 地质探索系统公司 | 地质地层中子孔隙率系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106054248B (zh) * | 2016-07-15 | 2017-07-18 | 河海大学 | 一种基于大面积致密储层地震岩石物理反演方法 |
| US11668853B2 (en) * | 2019-08-06 | 2023-06-06 | ExxonMobil Technology and Engineering Company | Petrophysical inversion with machine learning-based geologic priors |
-
2021
- 2021-02-25 CN CN202110214077.9A patent/CN112882100B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104297785A (zh) * | 2014-09-29 | 2015-01-21 | 中国石油天然气股份有限公司 | 岩相约束储层物性参数反演方法及装置 |
| CN112384829A (zh) * | 2018-05-11 | 2021-02-19 | 地质探索系统公司 | 地质地层中子孔隙率系统 |
| CN110954948A (zh) * | 2018-09-27 | 2020-04-03 | 中国石油化工股份有限公司 | 一种岩石物理约束储层物性参数反演方法及系统 |
| CN112162316A (zh) * | 2020-09-28 | 2021-01-01 | 北京中恒利华石油技术研究所 | 一种avo波形数据驱动的高分辨率井震融合叠前反演方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112882100A (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112882100B (zh) | 一种储层参数确定方法、装置、电子设备和存储介质 | |
| CA3076280C (en) | Method and apparatus for determining thin interlayers | |
| CN103439740B (zh) | 基于偶极地震子波多重积分的相对阻抗预测的方法及装置 | |
| Wang et al. | Data-driven S-wave velocity prediction method via a deep-learning-based deep convolutional gated recurrent unit fusion network | |
| Barani et al. | Effects of surface topography on ground shaking prediction: implications for seismic hazard analysis and recommendations for seismic design | |
| CN111123354A (zh) | 基于频变反射振幅衰减预测致密气层的方法及设备 | |
| Chen et al. | Integration of principal-component-analysis and streamline information for the history matching of channelized reservoirs | |
| CN110618450B (zh) | 基于岩石物理建模的致密储层智能化含气性预测方法 | |
| CN114529110A (zh) | 一种基于深度神经网络模型的岩相反演方法及系统 | |
| Rwechungura et al. | Application of particle swarm optimization for parameter estimation integrating production and time lapse seismic data | |
| CN113687433A (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
| Chitralekha et al. | Application of the ensemble Kalman filter for characterization and history matching of unconventional oil reservoirs | |
| CN104391325A (zh) | 不连续非均质地质体检测方法和装置 | |
| CN112213782B (zh) | 分相位地震数据的处理方法、装置和服务器 | |
| CN113970787B (zh) | 物性参数反演方法、装置、计算机设备和存储介质 | |
| CN112946746B (zh) | 用于提高薄煤层avo反演准确性的方法及装置 | |
| CN111679318B (zh) | 储层中断裂系统的识别方法及系统 | |
| US20220390633A1 (en) | Fast, deep learning based, evaluation of physical parameters in the subsurface | |
| CN111025393B (zh) | 针对含薄煤层地层的储层预测方法、装置、设备及介质 | |
| Živković et al. | ENSO dynamics: Low‐dimensional‐chaotic or stochastic? | |
| CN102967884B (zh) | 波阻抗反演数据可靠性评价方法及装置 | |
| CN112363244B (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 | |
| CN107589457A (zh) | 测井资料尺度粗化的方法和装置 | |
| CN113267822B (zh) | 基于地形约束因子权重优化提高海底地形反演精度的方法 | |
| CN112684506B (zh) | 地震响应特征的分析方法、装置、电子设备及介质 |
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 |