CN112987086A - 用于基于测量来更新沉积盆地的地层模型的方法 - Google Patents

用于基于测量来更新沉积盆地的地层模型的方法 Download PDF

Info

Publication number
CN112987086A
CN112987086A CN202011474327.4A CN202011474327A CN112987086A CN 112987086 A CN112987086 A CN 112987086A CN 202011474327 A CN202011474327 A CN 202011474327A CN 112987086 A CN112987086 A CN 112987086A
Authority
CN
China
Prior art keywords
basin
values
distribution
simulation
property
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
Application number
CN202011474327.4A
Other languages
English (en)
Inventor
I·马林努斯卡娅
P·拉索洛福萨恩
V·杰维斯-库普特
D·格兰真
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
IFP Energies Nouvelles IFPEN
Original Assignee
IFP Energies Nouvelles IFPEN
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by IFP Energies Nouvelles IFPEN filed Critical IFP Energies Nouvelles IFPEN
Publication of CN112987086A publication Critical patent/CN112987086A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V20/00—Geomodelling in general
    • 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
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • G01V1/50—Analysing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G01V2210/66—Subsurface modeling
    • G01V2210/661—Model from sedimentation process modeling, e.g. from first principles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Geophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Acoustics & Sound (AREA)
  • Artificial Intelligence (AREA)
  • Geology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种用于根据在盆地中执行的测量来更新地层模型的方法。根据本发明的方法包括如下步骤：i)确定代表盆地地层学的属性的值的至少第一空间分布，并应用用于将该第一空间分布转换成第一经分类图像的分类方法；ii)使用所述模拟的第一参数值执行地层模拟，从中推导出所述属性的值的第二空间分布，并相同地应用相同的分类方法来确定第二经分类图像；iii)确定所述第一和第二经分类图像之间的局部差异的分布，并修改所述地层模拟参数中的至少一者的值，以最小化至少由所述局部差异分布形成的目标函数；iv)通过使用经修改的模拟参数值执行至少一次地层模拟来更新地层模型。

Description

用于基于测量来更新沉积盆地的地层模型的方法
技术领域
本发明涉及油藏或地质气藏地点勘探和开采的领域。本发明还涉及新能源领域，诸如地热能或地下储能。一般而言，本发明可以用在需要表征构成底土的沉积岩的几何结构和性质的任何领域。
石油勘探是搜索沉积盆地内的油气藏。了解油气成因的原理和其与地下地质历史的联系已允许开发用于评估沉积盆地的油气潜力的方法。用于评估沉积盆地的油气潜力的一般规程包括根据从与所调查的盆地相关的测得数据(例如，露头分析、地震勘探、钻探数据)得到的对沉积盆地的油气潜力的预测与具有最佳潜力的各个区中的勘探钻井作业之间的来回交替，以确认或无效先前预测的潜力并采集旨在指定所调查的盆地的油气潜力预测的新数据。
油藏开采包括根据在油气勘探阶段采集的数据来选择具有最佳油气潜力的油藏区、定义这些区的开采方案(使用油藏模拟，例如以定义允许最大油气回收的开采井的数目和位置)、钻探开采井，总体而言，就地放置油藏开发所必需的生产设施。
沉积盆地的油气潜力评估可按概率的方式或通过分析来完成。分析方法通常是使用允许合成所调查的盆地的可用数据并模拟其地质历史的计算机软件程序来实现的。取决于所调查的盆地的地质历史的复杂度，用于该分析方法的软件族可包括油气盆地的形成中所涉及的沉积、地壳构造、热、水动力、有机和无机化学过程的一维、二维或三维模拟。这被称为“盆地建模”方法。
更具体地关于沉积过程建模而言，使用称为地层模拟或地层模拟程序的软件程序。地层建模的目的是模拟沉积盆地在地层构造时间上的演化，以显著地量化诸沉积层的几何结构、沉淀的沉积物类型、沉积时的水深，等等。经由在计算机上运行的软件程序来通过数值求解的3D地层模型是已知的，诸如
Figure BDA0002834644320000011
地层模拟器(IFP Energiesnouvelles，法国)。
总体而言，地层模拟使用描述沉积盆地的形成中涉及的物理过程的一组方程，其解提供了表示沉积盆地的底土中的诸沉积层的架构和组成的一系列地层模型。地层模拟需要定义在所研究的最古老地层的开始处的盆地地貌。模拟随后研究根据沉积物供给(例如，河流沉积物供给或碳酸盐生产)在盆地中随时间侵蚀、位移或沉积的沉积物的量和组成分布，要在盆地中运送的沉积物的容量，以及盆地变形(例如，地壳构造、海平面或湖平面变化、压实)。
所研究的盆地的数值表示形式的地层模型是在地层模拟结束处获得的。数值盆地表示一般是表示沉积在盆地中的诸沉积层的结构的网格或网状物的形式。网格的每一单元格还由所沉积的沉积物的组成并由沉积环境来表征。
地层模拟的结果直接取决于模拟输入参数，诸如初始水深测量、沉积物输送系数或沉积物供给。目前，这些地层模拟输入参数通常不是精确知悉的。实际上，这些参数一般是通过现场进行的各种测量来评估的。因此，可以根据钻井数据和地震数据的(河流、海岸、深海)沉积环境解释来评估初始水深测量；可以通过比较例如河流输送的沉积物流量和这些河流的排出量来根据现代沉积环境(即当前时间观测到的)定义输送系数；可根据研究区域中沉积的沉积物体积来评估沉积物供给。因而，地层模拟参数没有得自直接测量，而是得自现场测量的解释。
因此，如果输入参数不准确，则地层模拟结果本身就不能代表所研究盆地的真实地层学。为了用于表征沉积盆地的底土，只有当地层模型与该盆地的各种可用数据一致时，该地层模型才代表这一盆地，这些可用数据至少是沿探井测量的测井数据(例如，提供与沿探井所遇到的诸沉积层的岩石类型或孔隙度有关的信息)以及得自二维或三维地震勘探的数据(例如，提供与构成沉积盆地的诸沉积层的几何结构有关的信息，以及与可能的沉积类型有关的信息)。因而，需要更新地层模拟输入参数的值，以便所获得的地层模型尽可能与在盆地中执行的测量一致。在盆地中执行并允许验证地层模型的测量在下文中称为“观测数据”或简称“数据”。
背景技术
在本描述中在下文提及以下文献：
L.Saiida,D.Guérillot(1998)Méthode pour former automatiquement un modèle simulant la structure stratigraphique d’une zone souterraine(用于自动形成模拟地层结构的模型的方法)。Brevet 2776393。
K.Charvin,K.Gallagher,G.L.Hampson,R.Labourdette(2009)A Bayesianapproach to inverse modeling of stratigraphy,part 1:method(一种用于地层学反演建模的贝叶斯方法，部分1：方法)。Basin Research,21,5-25。
O.Falivene,A.Frascati,S.Gesbert,J.Pickens,Y.Hsu,A.Rovira(2014)Automatic calibration of stratigraphic forward models for predictingreservoir presence in exploration(在勘探中预测油藏存在的地层正向模型的自动校准)。AAPG Bulletin,98(9),1811-1835。
E.Baudrier,G.Millon,F.Nicolier,S.Ruan(2008)Binary image comparisonwith local dissimilarity quantification(使用局部差异量化的二进制图像比较)。Pattern Recognition,41(5),1461-1478.
C.-H.Koeck,G.Bourdarot,G.Al-Jefri,F.H.Nader,R.Richet,A.Barrois(2015)Improving a numerical sequence stratigraphic model through a globalsensitivity analysis(通过全局敏感性分析来改进数值序列地层模型)；GiantCarbonate Offshore Field,Abu Dhabi.SPE-177758-MS,Abu Dhabi InternationalPetroleum Exhibition and Conference,Abu Dhabi,UAE,9-12November 2015。
T.Duan(2017)Similarity measure of sedimentary successions and itsapplication in inverse stratigraphic modeling(沉积序列相似性测量及其在地层反演建模中的应用)。Pet.Sci.,14,484-492.
I.S.Molchanov,P.Teran(2003)Distance transforms for real-valuedfunctions(实值函数的距离变换)。J.Math.Anal.Appl.,278,472-484.
D.McKay(2003)Information theory,inference and learning algorithms(信息论、推理与学习算法)。Cambridge University Press,ISBN 0-521-64298-1.
Ng A.Y.,Jordan M.I.and Weiss Y.(2002)On spectral clustering:Analysisand an algorithm(有关频谱聚类：分析和算法)。在Advances in Neural InformationProcessing Systems 14，卷1和2，849-856中。
Kohonen T.(2001)Self-Organizing Maps(自组织映射)。Springer,Berlin,525p。
Grus J.(2016),K-means and hierarchical clustering with Python(使用Python的K均值和分层聚类)，O’Reilly,ISBN:9781491965306。
D.Sinoquet,F.Delbos(2008)Adapted nonlinear optimization method forproduction data and 4D seismic inversion(用于生产数据和4D地震反演的自适应非线性优化方法)。Proceedings of ECMOR XI conference,Bergen,Norway,September 2008。
D.R.Jones,M.Schonlau,W.J.Welch(1998)Efficient Global Optimization ofExpensive Black-Box Functions(昂贵黑盒函数的高效全局优化)。Journal of GlobalOptimization,13,455-492。
存在已知方法来根据连续属性的观测数据更新地层模型，其基础是对这一数据与对应的模拟值之间的差异进行量化的误差公式。例如，在文献(Saiida等人，1998)中，目标函数被定义为沿井在每层中模拟和测得的沉积物厚度之间的平方差之和。文献(Charvin等人，2009)中也使用了这一公式，以再现沉积在盆地某一段的沉积物的沿井的粒度大小分布以及总厚度剖面(每列中的总厚度)。最后，文献(Falivene等人，2014)考虑了每个单元格中模拟数据和测量数据之差的绝对值的总和，以评估总厚度图(x，y)上的误差。这些方法被称为逐单元格比较，旨在通过考虑每个数据上的误差总和并通过最小化这一误差总和来确切地再现所有数据。此类方法提供了一种将误差平均值最小化的解决方案。这涉及可能有如下若干模型：这些模型由相同的误差平均值来表征，但具有不同的误差空间分布。
这在图1中解说。更确切而言，图1在顶部示出了观测到的沙浓度图SC(以下称为“参考模型”)，即寻求再现的图。图1的中心四个图示出了通过修改参考模型的某些特性(输入参数)而获得的由M1、M2、M3和M4表示的模拟沙浓度图的示例(以下称为“模拟模型”)。图1在底部示出了直方图，对于每个模拟模型M1、M2、M3和M4，其白柱LS表示观测到的沙浓度和模拟沙浓度之间的平方差在所有单元格中的归一化总和。换言之，每一个柱LS表示通过对测得数据和模拟数据的逐单元格比较来计算得到的参考模型和模拟模型之间的误差E。如可在该附图中看到的，模拟模型M1、M2、M3和M4彼此差异很大，一些模型比其他模型更好地再现在参考模型上观测到的通道的位置，而相关联的误差E非常接近(相对于模拟模型M1、M2、M3和M4的直方图中的各个柱LS的高度是相似的)。因此，就属性的空间变化相对于其实际空间变化的代表性而言，基于测得数据和模拟数据之间的逐单元格误差的总和的成本函数不一定足以正确地分类诸地层模型。
此外，要再现的数据可能是不确定的，并且这些数据与尝试精确再现这些值的分布并不一定相关。这些不确定性首先与测量误差相关。此外，该数据通常是以比地层模拟所考虑的分辨率更精细的分辨率采集的。最后，该数据可能来自测量处理(地震数据尤其如此，它在开采前必须经过地震处理)，这引入额外的不确定性。因此，尝试精确地再现原来是不确定的数据不一定是合需的。
最后，比较离散数据(诸如，相(facies))的挑战也出现了。两个已知文献介绍了1维相序列比较技术。文献(Koeck等人，2015)考虑了(地质时期同一离散网格中的一系列参考相和(用于模拟的)一系列模拟相。然后，通过观测到的相指数和模拟相指数之差的绝对值在每一单元格中的总和来定义两个序列之间的差异。观测到的序列厚度与模拟序列厚度之差的绝对值是这个误差项的附加项。然而，该方法基于与没有物理意义的每个相相关的指数(它们是类别属性)。因此，这里计算的误差取决于这些指数的选择。文献(Duan，2017)将两个相序列作为对{相指数，厚度}的链来进行比较，并且它使用句法办法来比较这些链：根据从一个链切换到下一个链所需的连续、插入和替换操作的数量，来对它们的差异进行量化。
本发明旨在克服这些缺陷。值得注意的是，本发明旨在通过标识具有一属性的接近值的区域的位置(例如，由特定沙比例范围来表征的通道)来再现与该属性相关的测得数据。因此，根据本发明的方法尤其基于将数据重新组织到各个类，并且相关于测得数据获得的模型的分辨率水平可取决于为每个类选择的值的范围。换言之，根据本发明的方法允许提取数据(地质一致性的区域)的判别特征，并且其旨在找出这些特征。此外，本发明允许将各相作为分类数据，即要找出其位置的地质对象。
此外，本发明在某种程度上允许将连续数据的不确定性纳入考虑。事实上，在此并非旨在精确地校准逐单元格提供的连续数据，而是反映主趋势的降级数据，在此是从该数据中定义的感兴趣区域的位置。因此，思想是再现例如由足够大的沙浓度或厚度定义的通道形状，而不是该区域内沙浓度或高度的精确分布。
此外，本发明可能够同时解决盆地层的几何结构和这些层中沉积物的属性。事实上，如果要校准的数据取决于深度(例如钻井数据)，则可以将深度误差项和沉积物属性误差项这两者整合到成本函数中。
发明内容
本发明涉及一种用于借助地层模拟并根据所述地层模拟的参数值根据在沉积盆地中执行的测量来更新所述盆地的地层模型的计算机实现的方法。根据本发明的方法至少包括如下步骤：
A.借助传感器来测量与所述盆地相关的物理量，所述测量至少包括测井测量和地震测量，
B.根据所述测量，确定代表所述盆地的所述地层学的属性的值的至少第一空间分布，以及借助用于将所述第一空间分布的所述属性的所述值编组成至少两个类的分类方法来确定相对于所述第一空间分布的第一经分类图像，
C.借助用所述模拟的所述参数的所述值执行的所述地层模拟，确定地层模型，
D.从中推导出代表所述盆地的所述地层学的所述属性的值的至少第二空间分布，以及借助所述分类方法确定相对于所述第二空间分布的第二经分类图像，所述分类方法用于根据所述第一经分类图像的所述至少两类对所述第二空间分布的所述属性的所述值进行编组，
E.确定所述第一和第二经分类图像之间的局部差异的分布，并修改所述地层模拟的所述参数中的至少一者的值，以最小化至少由所述局部差异的所述分布形成的目标函数，
F.通过使用所述模拟参数的所述修改值重复至少步骤C来更新所述地层模型。
根据本发明的一实现，所述地层模型可在步骤F中通过重复步骤序列C、D和E来更新，直到所述目标函数满足至少一个预定义准则。
根据本发明的一实现，当所述属性的所述值的所述第二空间分布被定义在与所述属性的所述值的所述第一空间分布的空间支撑不同的空间支撑上时，至少所述属性的所述值的所述第二空间分布可被重采样，以便所述属性的所述值的所述第一和第二空间分布被定义在相同的空间支撑上。
根据本发明的一实现，所述目标函数可由在所述第一和第二经分类图像的每一像素中观察到的所述局部差异平方的至少一个加权和来形成。
根据本发明的一实现，所述目标函数还可以包括与所述属性的所述值的至少所述第二空间分布的所述重采样相关的误差项。
根据本发明的一实现，代表所述地层学的所述属性可以从岩相、地层单元的厚度、地层单元中的平均沙浓度、地层单元中的平均粘土浓度中选择。
根据本发明的一实现，所述分类方法可以从以下各项中选择：K-均值方法、频谱划分方法、自组织映射方法或分层聚类方法。
根据本发明的一实现，Hausdorff距离可被用来确定所述局部差异分布。
此外，本发明涉及一种可从通信网络下载和/或记录在计算机可读介质上和/或处理器可执行的计算机程序产品，包括当所述程序在计算机上执行时用于实现上述方法的程序代码指令。
本发明还涉及一种用于开采沉积盆地中存在的油气的方法，所述方法至少包括实现如上所述的用于更新所述盆地的所述地层模型的方法，并且其中根据至少所述经更新的地层模型来确定所述盆地的开采方案，包括至少一个注入井和/或至少一个生产井的至少一个地点，并且所述盆地的所述油气至少通过钻探所述地点的所述井并通过向其提供开采基础设施来开采。
附图说明
参考附图并对非限制性实施例的各示例的描述将清楚地理解根据本发明的方法的其他特征和优势，在附图中：
图1解说了使用根据现有技术的方法对地层模型的更新，
图2在三维视图中解说了沉积盆地的网格化表示的示例，
图3解说了用于实现根据本发明第一方面的方法的在测得数据和模拟数据之间的重新采样的可选步骤，
图4解说了根据本发明的第一方面的方法的分类步骤，
图5解说了根据在三个井中执行的地震测量和测井测量来构造的沉积盆地的表示的示例，
图6和图7解说了当要找出的属性是沉积相时根据本发明第一方面的方法的实现的结果，
图8解说了根据地震测量和测井测量来构造的沉积盆地的表示的示例，以及该网格化表示的每一列的沙浓度的空间分布，以及
图9解说了当要找出的属性是沙浓度时根据本发明第一方面的方法的实现的结果。
具体实施方式
根据第一方面，本发明涉及一种根据在沉积盆地中执行的测量来更新该盆地的地层模型的计算机实现方法。
根据第二方面，本发明涉及一种开采沉积盆地中存在的油气的方法，根据该第二方面的方法包括实现该方法以更新根据本发明第一方面的沉积盆地的地层模型。
根据本发明第一方面的方法包括以下描述的至少步骤1到7，后随有步骤3的至少一个重复。根据本发明的主要变型，在第一次实现步骤1到7之后，步骤3到7至少重复一次。
根据本发明第二方面的方法还包括以下描述的至少步骤8。
1)测量与盆地相关的物理量
这一步骤包括使用传感器测量与盆地相关的物理量，测量至少包括测井测量和地震测量。
测井测量被理解为在盆地中钻探的至少一个井中进行的测量，使用沿井移动的测井工具或探头来测量与井附近的地质构造相关的物理量。测井测量允许评估例如每个测量区间处的水和油气含量、主岩性(或岩相)，以及尤其是被穿透岩石的沙和/或粘土含量，以及各层的倾角和厚度。根据本发明的一实现，测得的物理量可以包括电阻率、自然伽马放射性和自发极化。测井测量是沿井进行的局部测量，具有有限的横向延伸。
地震测量被理解为使用地震数据采集设备进行的测量，常规上包括用于在盆地中产生地震波的至少一个地震源(例如，用于海洋地震的水枪或用于陆地地震测量的振动车)以及被定位成至少记录在盆地阻抗对比(诸如，侵蚀面、地层单元边界)上反射的地震波的多个地震波接收器(诸如，加速度计、水听器)。常规上，地震采集设备是可移动的，以便覆盖盆地表面的很大区域(二维或三维)。
作为非限制性示例，传感器还可包括流体取样器和分析仪、岩心取样器和分析仪，或旨在用于任何现场取样的此类设备。
这些测量尤其允许评估盆地地层单元的当前几何结构，鉴定各种无机沉积物(矿物成分或至少沉积类型、厚度、年龄、沉积条件等)，评估岩石物理属性(诸如，盆地测量点处的相(岩相)、孔隙度、渗透率、流体饱和度或有机质含量)。可以进一步从中推导出盆地在诸地质时期所经历的地质事件(侵蚀、沉降、海平面升降等)。然而，从测量中推导出的这一信息是不确定的，因为它得自可能经预处理的测量(尤其是地震测量)或测量解释(例如，基于地震测量的地层单元几何结构的评估)。
根据本发明的一实现，如此进行的测量可进一步允许定义地层模拟的输入参数，例如初始水深测量、沉积物供给(无机沉积物，例如不同碳酸盐的产生，以及可能的有机沉积物)、它们每一时间步进的输送量。根据本发明的一实现，可以通过对井数据和/或地震数据的(河流、海岸、深海)沉积环境解释来评估初始水深测量。根据本发明的一实现，可以通过比较例如由河流输送的沉积物的流量与这些河流的排量来根据现代沉积环境(即当前时间观测到的)定义输送系数。根据本发明的一实现，可以根据沉积在盆地中的沉积物的体积来评估沉积物供给。
2)确定至少一个属性的参考空间分布
这一步骤包括根据步骤1中测得的物理量，确定代表所研究盆地的地层学的至少一个属性的值的至少一个参考空间分布。
代表所研究盆地的地层学的属性被理解为与根据步骤1的测量所确定的盆地地层学有关的任何属性。例如，代表盆地地层学的属性可以是岩相、地层单元的厚度、沙浓度、地层单元中的粘土浓度，等等。
属性的值的空间分布被理解为该属性针对空间中的各种位置而取的值的集合，并且属性的值的参考空间分布被理解为根据步骤1中测得的物理量确定的属性的值的空间分布。
属性值的空间分布可以具有空间支撑：
-1维，诸如举例而言，根据沿井的每个空间位置的测井测量来确定的岩相类型的分布，且井可以是垂直的(在这一情形中，对于固定(X,Y)位置只有Z变化)或偏斜的(在这一情形中，位置(X,Y,Z)变化)，
-2维，诸如举例而言，例如借助地震测量来确定的、在不同空间位置(X,Y)的给定地层单元的厚度变化的分布，
-3维，诸如举例而言，所研究的盆地的不同空间位置(X,Y,Z)的矿物成分分布，例如借助测井和地震测量的组合分析来确定的。
有利地，确定代表所研究盆地的地层学的属性的参考空间分布可以根据代表所述盆地的网格化表示(也称为地质盆地模型)来实现，该网格化表示是至少根据步骤1中执行的测量来确定的。此类网格化表示常规上包括对盆地的各种地层单元在空间上进行离散化的单元格。图2在三维视图中解说了沉积盆地的网格化表示的示例，每个单元格包含沉积时的水深测量值B。
一般来说，构造盆地的网格化表示包括在三维中离散化盆地结构，并将属性分配给这一网格化表示的每个单元格。因此，根据或多或少的限制性假设，如上所述在盆地不同点测得的物理量尤其被利用、外推和/或内插在网格化表示的各个单元格中。根据本发明的一实施例，可以通过
Figure BDA0002834644320000101
软件(IFP Energies nouvelles，法国)或
Figure BDA0002834644320000102
软件(Emerson-Paradigm，美国)来构建盆地的网格化表示。
根据本发明的一实现，所研究的盆地的网格化表示尤其包括在每个单元格中以及因此在空间的不同位置上，关于沉积物含量(沙、粘土、碳酸盐、有机质等)和沉积环境(尤其是沉积时的水深测量)的信息。
从这样的网格化表示中，其某种程度上允许综合可以从步骤1中执行的测量中推导出的、与盆地的地层学相关的所有信息(但至少部分不确定的信息)，针对给定的空间支撑，可以容易地提取属性的至少一个参考空间分布。例如，对于盆地的不同横向位置(X,Y)，可以容易地确定给定地层单元的厚度值。
下文所称的“参考地层模型”是至少根据在步骤1中进行的测量来确定的代表盆地的网格化表示。注意，此类参考地层模型至少对某些单元格而言，包含了对由此合成的某些性质的不确定性。实际上，虽然测井测量可以被认为是相对确定的数据(在对它们进行测量的地方)，但这不适用于地震数据，因为地震数据通常较不精确(比测井数据更低的分辨率、地震预处理产生的误差、有时由于叠加到地震反射的噪声而难以界定的地层单元等)。
3)确定通过地层模拟来模拟的地层模型
这一步骤包括确定从计算机实现的地层模拟来模拟的地层模型和地层模拟的输入参数的第一值。
这一步骤重复至少两次。在第一次迭代，地层模拟的输入参数值可根据如在以上步骤1中描述地在盆地中执行的测量来确定。然后，通过根据本发明第一方面的方法，至少一次通过应用下文描述的步骤4到7，修改地层模拟的输入参数值。
这一步骤的实现需要地层模拟器。这是被设计成重建从早期地质时期到当前时间影响盆地的沉积过程的计算机运行的软件。因此，数值地层模拟通常是以离散方式随时间而实现的，即地层模拟模拟盆地在一系列时间步进的地层状态。地层模拟器的时间步进与其间沉积矿床或侵蚀改变盆地的地质时期相对应。这些矿床的属性(包括孔隙度和矿物学)在盆地中可能是相对不均匀的。沉积盆地的充填史的模拟是根据代表所研究的盆地的沉积史的输入参数来实现的。根据本发明的一实现，地层模拟的输入参数至少是(1)与地壳构造和/或海平面运动相联系且与沉积物的机械压实(或在上覆层重量的作用下将沉积物挤压在一起)相联系的的沉积可用空间，(2)通过边界或通过现场生产或降水向盆地供应的沉积物，(3)在所创建的可用空间中这些沉积物的输送(根据沉积物的特征(诸如颗粒大小或其密度)、根据在地表流动的水通量和盆地的局部坡度评估的输送容量)。描述这些过程的方程组可以例如通过有限体积空间离散化和显式有限体积方案来求解。根据本发明的一实现，时间步进的地层模拟的结果对应于网格化表示，其中每一单元格至少填充有以下数据：沉积物含量(沙、粘土、碳酸盐、有机质，等等)以及沉积环境(尤其是沉积时的水深测量)。常规上，得自地层模拟的网格化表示还具有沉积环境(水深、盆地海拔，等等)的特征特性和相方面的信息。此类地层模拟器的描述可以在文档(Granjeon和Joseph，1999)中找到。此类地层模拟器的示例是
Figure BDA0002834644320000121
软件(IFP Energies nouvelles，法国)。
4)确定每一属性的至少一个模拟的空间分布
这一步骤包括针对如步骤2中描述地所确定的属性的值的每一参考空间分布，针对与参考空间分布相同的属性，根据得自如在前一步骤中确定的地层模拟的网格化表示来确定被称为模拟的空间分布。这一步骤是直接的，因为得自模拟的网格化表示在每一单元格中包含属性值：因而可以很容易地为盆地的不同横向位置(X,Y)确定诸如给定地层单元的厚度等属性值。
根据本发明的一实现，当参考分布的空间支撑不同于模拟分布的空间支撑时，应用参考分布的空间支撑的重采样和/或模拟分布的空间支撑的重采样，以便最终具有相同的空间支撑。
根据本发明的一实现，当参考分布的空间支撑与模拟分布的空间支撑在X和/或Y方向上不同时(例如，当与用于构造参考分布的网格相比，使用较粗略的网格来用于从中得到模拟分布的地层模拟时可能发生这种情况)，可使用本领域已知的常规降缩放或升缩放方法。例如，当切换到较粗略单元格时，与粗略单元格相交的精细单元格中最普遍的相可与粗略单元格相关联，或者平均值可被用于连续属性。
根据本发明的一实现，当参考分布的空间支撑与模拟分布的空间支撑在Z方向上不同时(例如，在模拟沉积物厚度与观察到的沉积物厚度不同时可发生这种情形)，首先在模拟分布和/或参考分布的Z方向上执行缩短/延长以便最终在一个或多个地层单元中具有相同的厚度是可能的。有利地，如第7节中描述的，可以将特定误差项添加到目标函数中，以将由至少一个空间支撑的变换所产生的误差纳入考虑。随后可执行参考分布的空间支撑的重采样和/或模拟分布的空间支撑的重采样，以获得相同的空间支撑。有利地，可以实现参考分布的空间支撑和模拟分布的空间支撑这两者的重采样，以在Z方向上具有规则的网格。
根据本发明的一实现，当参考分布的空间支撑与模拟分布的空间支撑在Z方向上不同并且分布为1维类型时，可以执行以下步骤：
a)垂直地延长或缩短模拟分布，以使其总厚度等于参考分布的总厚度。变换之后的模拟分布因而通过下式来定义：
Figure BDA0002834644320000131
并且
Figure BDA0002834644320000132
其中
-
Figure BDA0002834644320000133
-
Figure BDA0002834644320000134
和
Figure BDA0002834644320000135
属性的一系列n1个参考值和相关联的厚度
-
Figure BDA0002834644320000136
和
Figure BDA0002834644320000137
属性的一系列n2个模拟值和相关联的厚度
-
Figure BDA0002834644320000138
要再现的属性的一系列n1个参考值的总厚度
-
Figure BDA0002834644320000139
对应属性的一系列n2个模拟值的总厚度，
b)对一系列模拟值Fs,n和一系列参考值Fm进行重采样：根据本发明的一实现，考虑与地层单元的不同厚度相关的精细离散化，在N个大小为Δz的单元格的范围[0,TTm]内定义规则网格，并且将属性的一系列模拟/参考值应用到该网格上。因此，覆盖精细单元格最多的层中的属性的值在每一规则精细单元格中是相关联的。有利地，可以选择足够小的离散步进Δz，以在缩放时不会引入太大误差，
c)可任选地，确定与该缩放相关的、以每一序列的总厚度之间的平方差的形式由ETR表示的误差项，即：
ETR＝(TTm-TTs)2。
这一误差项的使用在下文在步骤7中解释。
这些重采样步骤在图3中针对垂直井中沉积相类型的属性的空间分布来解说。在该附图中，可以观察到与范围在值F1、F2和F3之间的参考(分别模拟)相值的Z方向上的序列相对应的柱M(分别为S)。在该附图中可以看到，两个柱M和S不具有相同长度。首先，根据步骤a)，将柱M延长以得到与参考柱M相同长度的柱Ss。然后，根据上述步骤b)，对两个柱M和Ss重采样(以常规和相同的方式来采样)以产生分别由MD和SsD表示的柱。因而，这两个柱现在是可直接比较的。柱LDM在下文描述。
根据本发明的一实现，当参考分布的空间支撑在Z方向上不同于模拟分布的空间支撑并且分布是2维或3维类型时，以上针对1维分布描述的步骤a)和b)被应用于构成2维或3维分布的每个柱。随后，可任选地以参考和模拟总厚度之间的平方差的每柱的总和的形式来确定与这一缩放相关的由ETR表示的误差项。
5)确定每一模拟空间分布和每一参考空间分布的经分类图像
在首次执行时，这一步骤包括确定经分类图像：
-对于与代表在步骤2中确定的盆地地层学的至少一个属性相关的值的每一参考空间分布，可任选地如前一步骤中所描述地重采样，
-对于与代表在步骤3中确定的盆地地层学的至少一个属性相关的值的每一模拟空间分布，可任选地如前一步骤中所描述地重采样，
当通过迭代根据本发明第一方面的方法的主要变型的步骤3到7来再次执行时，这一步骤包括确定与代表盆地地层学的至少一个属性相关且通过步骤3至7的至少一次迭代来更新的值的模拟空间分布中的每一者的经分类图像。
根据本发明，使用分类方法(或数据分割方法)将属性的值的空间分布变换成经分类图像。这一分类相当于将所考虑的属性的值分成与由分类方法自动确定的不同的值范围相对应的K个类。根据本发明，经分类图像包括至少两个类(换言之，K＝2)。因而，根据本发明，借助分类方法确定属性的值的空间分布的经分类图像，以将这一分布中的该属性的值编组为至少两个类。
这一变换可以看作是(例如参考)空间分布到灰度图像的变换，它允许通过界定其中所考虑的属性的值具有类似趋势的区域来再现信息以便简化。例如，图4(左侧)解说了在代表盆地的网格化表示的每一柱上取平均的含沙量SC的空间分布，且图4(右侧)解说了被分类成这一空间分布的两个类的图像，黑色代表参考分布的沙浓度在20％以上的空间位置，而白色代表其他区域。
根据本发明的一实现，所使用的分类方法可以是K-均值方法(如在文献(McKay，2003)中描述的)、频谱划分方法(例如在文献(Ng等人，2002)中描述的)、自组织映射方法(如在文献(Kohonen，2001)中描述的)、或分层聚类方法(如在文献(Grus，2016)中描述的)。这些方法尤其适用于如下属性的情形：其值以连续方式(与离散相反)变化。
根据本发明的一实现，其中所考虑的至少一个属性通过采用离散或分类值而变化(属性例如对应于岩相的情形)，可以将类分配给这一属性的每一值。这是例如上文讨论的图3的岩相的空间分布的情形，其中柱MD和SsD可被认为是经分类图像。根据本发明的一实现，此属性的若干值也可以编组到单个类(例如，已知其非常低的渗透率的岩相的值可以被编组到单个类中)。也可以考虑对各类进行重排序。例如，值0可以与占据参考空间分布图上最大表面积的属性类相关联。随后，要再现的图像可以是域中其他类的分布，它们例如可以按在参考图上所占表面积的降序来重新编号。
6)确定参考和模拟经分类图像之间的局部差异的分布
该步骤包括确定由参考经分类图像及其对应的模拟经分类图像组成的每一对之间的局部差异的分布。
此后，前一步骤中确定的参考和模拟经分类图像分别由
Figure BDA0002834644320000151
和
Figure BDA0002834644320000152
表示。它们对应于二进制图像(当类数K为2时)或灰度图像(K>2)。
根据本发明的一实现，通过至少执行以下步骤来确定参考经分类图像与其对应的模拟经分类图像之间的局部差异分布：
i)为这两个图像中的每一者确定距离变换(此后由DT表示)。
根据本发明的一实现，其中所考虑的图像是二进制图像，对于图像的每一像素j，可以通过该像素与要再现的图像的区域之间的最小距离来定义距离变换。根据其中已将非零值分配给感兴趣区域的实现，距离变换可被写为：
Figure BDA0002834644320000153
其中
d(i,j)表示像素i和j之间的距离。
根据本发明的一实现，其中所考虑的图像由两个以上的类(所谓的灰度图像)组成，可以应用由Molchanov和Teran(2003)提出的对灰度图像的距离变换的扩展。这一办法包括将灰度图像I变换成一组如下定义的二进制图像：
Figure BDA0002834644320000154
随后，灰度图像的距离变换被定义为二进制图像I1、……、IK-1的距离变换的总和(可能加权)。另选地，模拟和参考灰度图像可被分解成多个二进制图像，每一二进制图像包含单个类的位置。随后计算所获得的每一二进制图像的距离变换。
ii)借助局部测量Hausdorff距离，例如使用文献(Baudrier等人，2008)中描述的方法，确定两个经分类图像Im和Is之间的(此后由LDM表示)的局部差异分布。更确切而言，对于每一像素j＝1…N，两个经分类图像Im和Is之间的局部差异分布LDM是使用以下类型的公式确定的：
Figure BDA0002834644320000161
该公式的第一项通过像素j中的参考类和模拟类之差来加权距离变换。因此，如果该像素对应于两个分布Im和Is中的相同类，则该像素中的局部差异为零。根据本发明的一实现，其中在上述步骤i)中，距离变换是按类计算的，例如根据先前公式计算每个类的局部差异图并随后求出所获得的各种差异图的总和是可能的。
作为解说，图3的柱LDM表示也如图3所示的经分类图像MD和SsD之间的局部差异的分布。观察到，在针对数据(M)和模拟(S)而言相是相同的区域中，这些局部差异为零。在其他区域中，它们的值取决于经分类图像的距离变换和类之间的差异。
7)更新地层模型
这一步骤包括至少根据如上所述地确定的每一局部差异分布来更新在步骤3中确定的地层模型。
根据本发明，步骤3中确定的地层模型如下更新：
-修改从中获得步骤3的地层模型的地层模拟的至少一个参数，以标识使根据前一步骤中确定的每一局部差异分布来形成的目标函数最小化的新地层模型，以及
-使用由此修改的模拟参数来启动新地层模拟。
根据本发明的一实现，要被最小化的目标函数可被写为如上所述的参考和模拟经分类图像之间的局部差异LDM的加权平方和，例如根据以下类型的公式：
Figure BDA0002834644320000162
根据本发明的一实施例，根据以下类型的公式，要被最小化的目标函数可被写为如下两项的加权和：参考经分类图像和模拟经分类图像之间的局部差异的平方以及与在步骤4中任选地确定的与缩放相关的误差项：
Figure BDA0002834644320000171
其中wTR和wF是在最小化成本函数时旨在向局部差异项或缩放相关的误差项给予更大的相对权重的预定义权重。这些权重例如可以与测量误差和/或对这些测量的解释的置信度有关。
根据本发明的一实现，使用优化算法来最小化如上所述的目标函数，所述目标函数定义为每一分布的误差的加权和。例如，它可以是局部最小化算法，诸如举例而言在文献(Sinoquet等人，2008)中描述的准牛顿型方法，或者是全局最小化算法，诸如举例而言在文献(Jones等人，1998)中描述的EGO(高效全局优化)方法。
根据本发明，在步骤7结束时，获得经更新的模拟参数值，并且使用这些经修改的模拟参数值重复至少上述步骤3(地层模拟步骤)。由此确定经修改或换言之经更新的模拟地层模型。
根据本发明的一实现，获得经更新的模拟参数值，并且在每次迭代时使用在前一次迭代的步骤7结束时确定的模拟参数值来重复(或者换言之，迭代)上述步骤3到7的序列。在当前迭代的步骤7中确定的目标函数满足至少一个预定义准则时，这一迭代过程停止。根据本发明的一实现，这一准则可以是例如目标函数的可接受的最大值、在其第一次迭代的值与当前迭代的值之间测得的成本函数的百分比降低、所需的最大迭代次数(以限制计算时间)。
8)开采盆地的油气
在根据本发明的第二方面的方法的情形中，该步骤要在前述步骤之后执行，包括开采沉积盆地的油气的方法。
在执行了前述步骤后，根据在盆地中执行的测量的经更新地层模型是可用的。此地层盆地模型包含用于评估盆地的油气潜力并且因而用于优化其开采的许多相关信息。
隐含地，并且与在地层模拟中的常规做法一样，在前一步骤结束时，作为非限制性示例，获得了与所研究盆地的地层单元的含沙量、粘土含量、厚度或相类型相关的信息。例如，含沙量是盆地开采的重要信息，因为具有高含沙量的地层单元可代表优质的储岩。此外，如果具有高粘土含量的地层覆盖在具有高含沙量的该层上，则它很可能是油捕(oiltrap)。要分析的数据量非常大，而且这些各段信息之间的联系是复杂的，很明显，地层模型中包含的所有数据都要经受自动分析，如下所述。
根据本发明，确定用于开采所研究沉积盆地中所含的油气的至少一个方案。一般而言，开采方案包括要在盆地内钻探的注入和生产井的数目、几何形状和地点(位置和间距)。开采方案还可包括一种类型的用于盆地储层中所含的油气的经提高的采收率的方法，例如通过注入含有一种或多种聚合物、CO2泡沫等等的溶液来提高采收率。油气藏开采方案必须例如在长的开采时间内并且需要有限的井数来启用对该储层中的圈闭的油气的高采收率。换言之，专家预先定义了评估准则，根据这些准则，用于开采沉积盆地中所含的油气的方案被认为是足够有效而可以被实施。
根据本发明的一实施例，借助储层模拟器(如
Figure BDA0002834644320000181
软件(IFP Energiesnouvelles，法国))，针对所研究盆地的一个或多个地质储层中所含的油气定义了多个开采方案，并针对这些开采方案评估至少一个评估准则。这些评估准则可包括各开采方案中的每一者所生产的油气量、代表所考虑的每一井随时间的生产评估的曲线、所考虑的每一井的气-油比(GOR)，等等。真正根据其来开采所研究的盆地的储层中所含的油气的方案随后可与满足各种开采方案的评估准则中的至少一者的方案相对应。注意，要测试的多个开采方案的定义本身可按自动方式来确定，例如借助
Figure BDA0002834644320000182
软件(IFP Energiesnouvelles，法国)。
然后，一旦确定了开采方案，就根据这一开采方案来开采所研究的沉积盆地的油气藏中圈闭的油气，尤其是至少通过钻探由此确定的开采方案的注入井和生产井并通过安装开采这一或这些储层所必需的生产基础设施。此外，在通过估算与不同的提高采收率类型相关联的储层的生产来确定开采方案的情形中，所选择的添加剂类型(聚合物、表面活性剂、CO2泡沫)被注入注入井。
要理解，在盆地的油气开采期间，用于开采这一盆地的油气的方案可演化，例如根据在当次开采期间采集的与盆地相关的附加知识以及油气藏开采所涉及的各种技术领域中的改进(例如，钻探领域的进步、经提高的石油采收率)。
装备和计算机程序产品
根据本发明的方法是借助包括数据处理装置(处理器)和数据存储装置(存储器，尤其是硬盘驱动器)以及用于数据输入和方法结果输出的输入/输出接口的装备(例如计算机工作站)来实现的。
数据处理装置被配置用于执行上述特定步骤2至7。
此外，本发明涉及一种可从通信网络下载和/或记录在计算机可读介质上和/或处理器可执行的计算机程序产品，包括当所述程序在计算机上执行时用于实现上述方法的程序代码指令。
示例
下文在两个比较应用示例中演示根据本发明的方法和系统的优点。
示例1
第一应用示例涉及通过三角进积(progradation of a delta)形成的盆地的沉积建模。图5示出了根据在三个井W1、W2、W3中进行的地震测量和测井测量来构建的盆地的表示。对在盆地中执行的测量的分析进一步允许确定这一盆地中的沉积物供应经由通过箭头示出其位置和方向的源来进行。这一源所提供的沉积物包括沙S和粘土C，并且根据测量构建的参考地层模型包括砂岩S、粉砂岩Si和粘土C。
实现根据本发明第一方面的方法允许在图5的表示的每一柱中再现最可能的相分布，以及在三个垂直井W1、W2和W3中观察到的相序列。相是离散属性，通过向每一相类型分配数值来实现分类。地层模拟的七个输入参数被认为是不确定的，并且因此需要通过将在盆地中执行的测量纳入考虑来被更新。这些不确定的参数描述了海平面随时间的变化、向盆地供应的沉积物的量以及在其中输送这些沉积物的能力。目标函数的最小化是基于响应表面借助EGO优化算法来实现的，如文献(Jones等人，1998)中所描述的。随后，修改地层模拟的参数，直到获得将在盆地中执行的测量纳入考虑的地层模型。
图6和图7分别示出了在20次迭代(Iter20)、200次迭代(Iter200)和400次迭代(Iter400)之后，与参考经分类图像(Iref)相关的最可能相的每柱平均空间分布和沿井W2的沉积层序的演化。在这些附图中观察到，根据本发明第一方面的方法允许确定地层模型，其中模拟值非常接近在盆地中执行的测量。
示例2
第二应用示例涉及由浊积岩系统形成的盆地的沉积建模。图8在顶部示出了根据地震测量和测井测量构造的盆地的表示。更确切而言，图8在顶部示出了盆地中沙比例SC的分布。对在盆地中执行的测量的分析进一步允许确定这一盆地中的沉积物供应经由通过附图中的两个箭头示出其位置和方向的两个源来进行。这些源供应的沉积物包括沙和粘土。
实现根据本发明第一方面的方法允许在参考模型的每一柱中再现平均沙分布SC，这在图8的底部示出。地层模拟的四个输入参数被认为是不确定的，并且因此需要通过将在盆地中执行的测量纳入考虑来被更新。这些不确定参数描述了盆地中沉积物的量以及在海洋介质中输送这些沉积物的能力。
图9示出了基于模拟数据和值的逐单元格比较借助现有技术的方法(参见图9顶部的两个图)在50次迭代(LS-I50)和100次迭代(LS-I100)之后确定的每一柱中的平均沙分布，以及通过实现根据本发明第一方面的方法(参见图9中间的两个图)分别在35次迭代(LDM-I35)和50次迭代(LS-I50)之后确定的每一柱中的平均沙分布。此外，图9在底部示出了根据现有技术的方法(曲线LS)和根据本发明第一方面的方法(曲线LDM)的、最佳当前模型的归一化目标函数OF因变于迭代次数Niter的演化。曲线LDM-LS是后验地绘出的，并且它示出了根据本发明第一方面的方法在迭代期间获得的最佳当前模型的逐单元格误差总和的演化；因此，此曲线可以与根据现有技术的方法获得的目标函数的曲线LS直接相比较。这两种优化都是用如在文献(Jones等人，1998)中描述的EGO算法来执行的。注意，根据本发明第一方面的方法，基于局部差异性的测量，对于相同的模拟总数，允许相对于其初始值来更快地最小化目标函数。此外，在这些迭代期间获得的最佳模型具有比根据现有技术的方法获得的误差更小的误差。这可以通过以下事实来解释：根据本发明的方法聚焦于感兴趣的区域，而非每一单元格中的数据，这可以在某种程度上通过放松校准约束来简化要解决的问题。
因而，根据本发明第一方面的方法允许根据现场执行的测量来更新沉积盆地的地层模型，并且特别是找出要再现的盆地属性的空间变化的主趋势。经由根据现有技术的基于逐单元格比较的目标函数，此类模型随后可被用作用于启动新地层模型更新的初始模型。事实上，一旦找出主空间趋势，逐单元格比较可能是相关的，特别是在连续属性的情况下，以更详细地再现这些属性的值在根据本发明的第一方面的方法已标识的区域中的分布。
此外，根据本发明第一方面的方法允许同时处理盆地各层的几何形状和这些层中沉积物的属性。
此外，根据本发明第二方面的方法在允许定义满足预定义准则的用于开采所研究盆地的油气的方案的信息方面提供了对这一盆地的更好了解，这有助于改进所研究盆地的油气开采。

Claims (10)

1.一种用于借助地层模拟并根据所述地层模拟的参数值来根据在沉积盆地中执行的测量来更新所述沉积盆地的地层模型的计算机实现的方法，其特征在于，执行至少以下步骤：
A.借助传感器来测量与所述盆地相关的物理量，所述测量至少包括测井测量和地震测量，
B.根据所述测量，确定代表所述盆地的所述地层的属性的值的至少第一空间分布，以及借助用于将所述第一空间分布的所述属性的所述值编组成至少两个类的分类方法来确定相对于所述第一空间分布的第一经分类图像，
C.借助用所述模拟的所述参数的所述值执行的所述地层模拟，确定地层模型，
D.从中推导出代表所述盆地的所述地层的所述属性的值的至少第二空间分布，以及借助所述分类方法确定相对于所述第二空间分布的第二经分类图像，所述分类方法用于根据所述第一经分类图像的所述至少两类对所述第二空间分布的所述属性的所述值进行编组，
E.确定所述第一和第二经分类图像之间的局部差异的分布，并修改所述地层模拟的所述参数中的至少一者的值，以最小化至少由所述局部差异的所述分布形成的目标函数，
F.通过使用所述模拟参数的所述修改值重复至少步骤C来更新所述地层模型。
2.如权利要求1所述的方法，其特征在于，所述地层模型在步骤F中通过重复步骤序列C、D和E来更新，直到所述目标函数满足至少一个预定义准则。
3.如前述权利要求中的任一项所述的方法，其特征在于，所述属性的所述值的所述第二空间分布被定义在与所述属性的所述值的所述第一空间分布的空间支撑不同的空间支撑上，并且其中至少所述属性的所述值的所述第二空间分布被重采样，以使得所述属性的所述值的所述第一和第二空间分布被定义在相同的空间支撑上。
4.如前述权利要求中的任一项所述的方法，其特征在于，所述目标函数由在所述第一和第二经分类图像的每一像素中观察到的所述局部差异平方的至少一个加权和来形成。
5.如权利要求3和4相组合所述的方法，其特征在于，所述目标函数还包括与至少所述属性的所述值的所述第二空间分布的所述重采样相关的误差项。
6.如前述权利要求中的任一项所述的方法，其特征在于，代表所述地层学的所述属性是从岩相、地层单元的厚度、地层单元中的平均沙浓度、地层单元中的平均粘土浓度中选择的。
7.如前述权利要求中的任一项所述的方法，其特征在于，所述分类方法是从以下各项中选择的：K均值方法、频谱划分方法、自组织映射方法或分层聚类方法。
8.如前述权利要求中的任一项所述的方法，其特征在于，Hausdorff距离被用来确定所述局部差异分布。
9.一种能从通信网络下载和/或记录在计算机可读介质上和/或处理器可执行的计算机程序产品，包括当所述程序在计算机上执行时，用于实现如前述权利要求中任一项所述的方法的程序代码指令。
10.一种用于开采沉积盆地中存在的油气的方法，所述方法至少包括实现如权利要求1到8中的任一项所述的用于更新所述盆地的所述地层模型的方法，并且其中根据至少所述经更新的地层模型来确定所述盆地的开采方案，包括至少一个注入井和/或至少一个生产井的至少一个地点，并且所述盆地的所述油气至少通过钻探所述地点的所述井并通过向其提供开采基础设施来开采。
CN202011474327.4A 2019-12-12 2020-12-14 用于基于测量来更新沉积盆地的地层模型的方法 Pending CN112987086A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1914308A FR3104740B1 (fr) 2019-12-12 2019-12-12 Procédé pour mettre à jour un modèle stratigraphique d'un bassin sédimentaire en fonction de mesures
FR1914308 2019-12-12

Publications (1)

Publication Number Publication Date
CN112987086A true CN112987086A (zh) 2021-06-18

Family

ID=69700165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011474327.4A Pending CN112987086A (zh) 2019-12-12 2020-12-14 用于基于测量来更新沉积盆地的地层模型的方法

Country Status (6)

Country Link
US (1) US20210199844A1 (zh)
EP (1) EP3835835B1 (zh)
CN (1) CN112987086A (zh)
BR (1) BR102020025015A2 (zh)
CA (1) CA3102005A1 (zh)
FR (1) FR3104740B1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115193036A (zh) * 2022-07-12 2022-10-18 网易（杭州）网络有限公司 虚拟模型处理方法、装置、介质与电子设备
CN115574869A (zh) * 2022-11-18 2023-01-06 中国地质调查局烟台海岸带地质调查中心 一种海底侵蚀淤积及沉积物监测系统
WO2024159506A1 (en) * 2023-02-03 2024-08-08 Saudi Arabian Oil Company Updating subsurface structural maps with well-measured orientation data while preserving local geological structures

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115908735B (zh) * 2022-11-28 2023-09-08 浙江财经大学 融合有限剖面及表层土壤样点的精细三维土壤制图方法
CN116733533B (zh) * 2023-05-25 2024-04-30 北京龙软科技股份有限公司 一种基于gis平台的矿井掘进工程空间预警方法和装置
CN116757004B (zh) * 2023-08-21 2023-10-20 长江空间信息技术工程有限公司(武汉) 基于数字孪生技术的efdc三维水质数据多模式推演方法
CN118112678B (zh) * 2024-01-29 2024-08-20 河北四维致和科技有限公司 煤矿开采全程地质勘探方法及系统
CN118228146B (zh) * 2024-05-23 2024-08-09 湖南华力工程建设有限责任公司 一种水利工程用淤泥清除量计算方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4679174A (en) * 1984-04-26 1987-07-07 Western Geophysical Company Of America Method for seismic lithologic modeling
FR2776393B1 (fr) 1998-03-20 2001-09-07 Inst Francais Du Petrole Methode pour former automatiquement un modele simulant la structure stratigraphique d'une zone souterraine
FR2966865B1 (fr) * 2010-10-28 2015-05-15 IFP Energies Nouvelles Procede d'exploitation d'un gisement petrolier a partir d'un calage d'historique des donnees de production et de donnees sismiques.
US20160298427A1 (en) * 2015-04-09 2016-10-13 Schlumberger Technology Corporation Continuum sedimentary basin modeling using particle dynamics simulations
FR3037353B1 (fr) * 2015-06-12 2017-06-09 Ifp Energies Now Procede d'exploitation des hydrocarbures d'un bassin sedimentaire comportant des roches carbonatees, au moyen d'une simulation stratigraphique
US9690002B2 (en) * 2015-06-18 2017-06-27 Paradigm Sciences Ltd. Device, system and method for geological-time refinement
WO2020123099A2 (en) * 2018-12-11 2020-06-18 Exxonmobil Upstream Research Company Automated seismic interpretation-guided inversion

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115193036A (zh) * 2022-07-12 2022-10-18 网易（杭州）网络有限公司 虚拟模型处理方法、装置、介质与电子设备
CN115574869A (zh) * 2022-11-18 2023-01-06 中国地质调查局烟台海岸带地质调查中心 一种海底侵蚀淤积及沉积物监测系统
WO2024159506A1 (en) * 2023-02-03 2024-08-08 Saudi Arabian Oil Company Updating subsurface structural maps with well-measured orientation data while preserving local geological structures

Also Published As

Publication number Publication date
BR102020025015A2 (pt) 2022-03-03
FR3104740A1 (fr) 2021-06-18
EP3835835C0 (fr) 2024-11-13
US20210199844A1 (en) 2021-07-01
EP3835835A1 (fr) 2021-06-16
EP3835835B1 (fr) 2024-11-13
FR3104740B1 (fr) 2021-11-26
CA3102005A1 (fr) 2021-06-12

Similar Documents

Publication Publication Date Title
CN112987086A (zh) 用于基于测量来更新沉积盆地的地层模型的方法
US9134457B2 (en) Multiscale digital rock modeling for reservoir simulation
Feng et al. Reservoir lithology classification based on seismic inversion results by hidden Markov models: Applying prior geological information
Eftekhari et al. Electrical facies of the Asmari Formation in the Mansouri oilfield, an application of multi-resolution graph-based and artificial neural network clustering methods
Caers et al. Geostatistical quantification of geological information for a fluvial-type North Sea reservoir
Benetatos et al. Coping with uncertainties through an automated workflow for 3D reservoir modelling of carbonate reservoirs
Yin et al. Quantifying uncertainty in downscaling of seismic data to high-resolution 3-D lithological models
Grana et al. Geostatistical rock physics inversion for predicting the spatial distribution of porosity and saturation in the critical zone
Bueno et al. Constraining uncertainty in volumetric estimation: A case study from Namorado Field, Brazil
Iltaf et al. Facies and petrophysical modeling of Triassic Chang 6 tight sandstone reservoir, Heshui oil field, Ordos basin, China
Taheri et al. Modeling of the shale volume in the hendijan oil field using seismic attributes and artificial neural networks
Maliva et al. Geostatistical methods and applications
Ren et al. High-resolution geostatistical modeling of an intensively drilled heavy oil reservoir, the BQ 10 block, Biyang Sag, Nanxiang Basin, China
Fajana 3-D static modelling of lateral heterogeneity using geostatistics and artificial neural network in reservoir characterisation of “P” field, Niger Delta
Mehdipour et al. The best scenario for Geostatistical modeling of porosity in the Sarvak Reservoir in an Iranian oil field, using Electrofacies, Seismic Facies, and seismic attributes
Peter et al. Capturing channelized reservoir connectivity uncertainty with amalgamation curves
Felletti Statistical modelling and validation of correlation in turbidites: an example from the Tertiary Piedmont Basin (Castagnola Fm., Northern Italy)
Falivene et al. Three-dimensional reduced-complexity simulation of fluvio-deltaic clastic stratigraphy
US20230417949A1 (en) Method for determining uncertainties associated with a model of a sedimentary basin
US20240011391A1 (en) Method for determining an electrofacies interpretation of measurements carried out in a well
Vo Thanh et al. Integrated artificial neural network and object-based modelling for enhancement history matching in a fluvial channel sandstone reservoir
Gruijters et al. 3D interpolation of grain size distributions in the upper 5 m of the channel bed of three lower Rhine distributaries
Agar et al. Bayesian artificial intelligence for geologic prediction: Fracture case study, Horn River Basin
Salahuddin et al. Sequence Stratigraphy and Geostatistical Realizations Integration: A Holistic Approach in Constructing a Complex Carbonate Reservoir Model
Wang et al. Bayesian analysis of deep marine channel geometry from seismic data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210618