CN113486519B - 一种基于次线性期望的两点地质统计学建模方法 - Google Patents

一种基于次线性期望的两点地质统计学建模方法 Download PDF

Info

Publication number
CN113486519B
CN113486519B CN202110770976.7A CN202110770976A CN113486519B CN 113486519 B CN113486519 B CN 113486519B CN 202110770976 A CN202110770976 A CN 202110770976A CN 113486519 B CN113486519 B CN 113486519B
Authority
CN
China
Prior art keywords
variation
sub
linear
geological
variation function
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
Application number
CN202110770976.7A
Other languages
English (en)
Other versions
CN113486519A (zh
Inventor
张钊
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202110770976.7A priority Critical patent/CN113486519B/zh
Publication of CN113486519A publication Critical patent/CN113486519A/zh
Application granted granted Critical
Publication of CN113486519B publication Critical patent/CN113486519B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种基于次线性期望的两点地质统计学建模方法，通过结合次线性期望理论与两点地质统计学，利用次线性期望理论中的次线性大数定理计算均值和变差函数的变动范围，在客观定量评价随机模型不确定性前提下生成一系列等可能的实现，从而综合反映随机模型不确定性和变量随机性对地质建模的影响，得到更稳健的地质参数估计。

Description

一种基于次线性期望的两点地质统计学建模方法
技术领域
本申请涉及油气藏地质建模技术领域，特别的，尤其涉及一种基于次线性期望的两点地质统计学建模方法。
背景技术
油气藏地质模型具有很高的非均质性，但井点硬数据往往是稀疏的，且地震反演等软数据准确度一般较低，因此，造成地质模型具有内在不确定性。对此，一般是利用地质统计学中随机建模方法构建一系列等可能的实现，从而反映地质模型的不确定性。另外，地质统计学建模结果受到地质参数变量随机性和随机模型不确定性两方面的影响，且很多情况下，在地质统计学建模中利用单一的随机模型难以充分反映油气藏地质模型的不确定性。对此，现有技术中一般是通过在随机建模中采用变动的随机模型来考虑随机模型的不确定性，但随机模型变动范围的判定目前主要依赖主观经验，尚缺乏一种客观的定量计算方法来确定随机模型变动范围，进而无法得到更稳健的地质参数估计。
发明内容
鉴于现有技术中存在的问题，本申请提供了一种基于次线性期望的两点地质统计学建模方法，实现客观确定随机模型变动范围，用以解决现有两点地质统计学建模方法中随机模型不确定性的评价依赖主观经验的问题，进而得到更稳健的地质参数估计。
为了实现上述目的，本申请提供了以下技术方案：
一种基于次线性期望的两点地质统计学建模方法，包括：
基于次线性大数定理，确定所述地质参数变量对应均值和变差函数的变动区间的最优无偏估计；
在所述均值的变动区间内选取一组覆盖整个变动区间的均值，构建一组变差函数，所述变差函数覆盖整个变差函数变动区间；
基于每一对均值和变差函数的模型组合，利用所述预设软件执行序贯模拟，得到对应的随机地质模型实现；
通过所有的随机地质模型实现，计算不确定随机模型的变动区间，作为地质参数先验估计。
其中，所述基于次线性大数定理，确定所述地质参数变量对应均值和变差函数的变动区间的最优无偏估计，包括：
获取地质参数变量，并将其硬数据样本标记为Z1,Z2,...,Zn，每个硬数据样本视为对应区域的均值；
基于次线性大数定理，确定变量Z均值的变动区间的最优无偏估计；
利用预设软件对所述硬数据样本计算实验变差函数，基于次线性大数定理，所述实验变差函数中每一个点代表的是对应位置的最大分布中的一个点；
构建两个变差函数解析模型，将所述实验变差函数限制在两个所述变差函数解析模型之间，基于次线性大数定理，所述两个解析模型为变差函数变动区间的上下界的最优无偏估计。
其中，所述预设软件为SGeMS软件。
借由上述技术方案，本申请所述的基于次线性期望的两点地质统计学建模方法，基于次线性大数定理，确定所述地质参数变量对应均值和变差函数的变动区间的最优无偏估计；在所述均值的变动区间内选取一组覆盖整个变动区间的均值，构建一组变差函数，所述变差函数覆盖整个变差函数变动区间；基于每一对均值和变差函数的模型组合，利用所述预设软件执行序贯模拟，得到对应的随机地质模型实现；最后通过所有的随机地质模型实现，计算不确定随机模型的变动区间，作为地质参数先验估计。
本申请通过结合次线性期望理论与两点地质统计学，利用次线性期望理论中的次线性大数定理计算均值和变差函数的变动范围，在客观定量评价随机模型不确定性前提下生成一系列等可能的实现，从而综合反映随机模型不确定性和变量随机性对地质建模的影响，得到更稳健的地质参数估计。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种基于次线性期望的两点地质统计学建模方法流程示意图；
图2为本申请实施例公开的步骤S101的一种具体实施方式流程示意图；
图3为本申请实施例公开的样本数据分布示意图；
图4为本申请实施例公开的变差函数变动区间的上边界示意图；
图5为本申请实施例公开的变差函数变动区间的下边界示意图；
图6为本申请实施例公开的变差函数变动范围内的一条变差函数曲线；
图7为本申请实施例公开的利用变差函数上边界和均值上边界构建的随机地质模型实现的一种示意图；
图8为本申请实施例公开的考虑变差函数和均值不确定性的每一个实现对应的储层厚度平均值示意图。
具体实施方式
本申请提供一种基于次线性期望的两点地质统计学建模方法，通过结合次线性期望理论与两点地质统计学，利用次线性期望理论中的次线性大数定理计算均值和变差函数的变动范围，在客观定量评价随机模型不确定性前提下生成一系列等可能的实现，从而综合反映随机模型不确定性和变量随机性对地质建模的影响，得到更稳健的地质参数估计。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参见附图1，为本申请实施例提供的一种基于次线性期望的两点地质统计学建模方法流程示意图。如图1所示，本申请实施例提供了一种基于次线性期望的两点地质统计学建模方法，该方法包括如下步骤：
S101：基于次线性大数定理，确定所述地质参数变量对应均值和变差函数的变动区间的最优无偏估计。
本申请实施例中，上述步骤S101：基于次线性大数定理，确定所述地质参数变量对应均值和变差函数的变动区间的最优无偏估计，具体包括如下：
S201：获取地质参数变量，并将其硬数据样本进行标记，每个硬数据样本标识对应区域的均值。
本申请实施例中，将其硬数据样本标记为Z1,Z2,...,Zn，依据模糊地质建模思想，每一样本代表了其附近区域的均值。具体的，本申请实施例以油气藏地质模型中的储层厚度变量为例，如图3所述，为所有硬数据样本的示意图，数据点表示该位置储层厚度，从图3中可以看出，最小值为3.4，最大值为8.05，因此，均值变动区间为[3.4，8.05]。
S202：基于次线性大数定理，确定变量Z均值的变动区间的最优无偏估计。
进一步的，最优无偏估计为[Zmin,Zmax]，其中，Zmin为样本最小值，Zmax为样本最大值。
S203：利用预设软件对所述硬数据样本计算实验变差函数，所述实验变差函数中每一个点代表的是对应位置的最大分布中的一个点。
本申请实施例中，所述预设软件为SGeMS软件。
S204：构建两个变差函数解析模型，将所述实验变差函数限制在两个所述变差函数解析模型之间，基于次线性大数定理，所述两个解析模型为变差函数变动区间的上下界的最优无偏估计。
需要说明的是，构建的两个变差函数解析模型对应变差函数的变动区间的两个边界的最优无偏估计，如图4和图5所示，其中，图4为构建的变差函数变动范围上边界示意图，实验变差函数为图中黑点，构建了一条曲线使得所有实验变差函数都在此曲线的下方；图5为构建的变差函数变动范围下边界示意图，实验变差函数为图中黑点，构建了一条曲线使得所有实验变差函数都在此曲线的上方。
S102：在所述均值的变动区间内选取一组覆盖整个变动区间的均值，构建一组变差函数，所述变差函数覆盖整个变差函数变动区间。
本申请实施例中，根据图4和图5所示，在均值变动区间取均值3.4，4.39，OK，6.28，8.05，其中，OK是利用普通克里金得到的均值空间分布；在变差函数变动范围内选取上下边界以及范围中间的一条曲线如图6所示，实验变差函数为图中黑点，构建了一条曲线使得所有实验变差函数都在此曲线的附近。
S103：基于每一对均值和变差函数的模型组合，利用所述预设软件执行序贯模拟，得到对应的随机地质模型实现。
本申请实施例中，基于每一对均值和变差函数的模型组合，利用所述预设软件执行序贯模拟，得到对应的随机地质模型实现，如图7所示，为本申请实施例利用变差函数上边界和均值上边界构建的随机地质模型实现的一种示意图。
S104：通过所有的随机地质模型实现，计算不确定随机模型的变动区间，作为地质参数先验估计。
本申请实施例中，变差函数和均值一共有15种组合，对于每一组合，利用SGeMS软件执行直接序贯模拟得到10个随机地质模型实现，因此总共有150个实现(如图8所示)。所有均值和变差函数组合对应的所有实现不仅反映了地质参数变量随机性，也反映了随机模型的不确定性。通过这150个实现，得到整个储层的厚度平均值变动范围为[4.86，6.23]，作为储层厚度平均值的静态估计。
传统方法一般基于单一变差函数即图6中曲线和单一普通克里金均值构建随机地质模型实现进行静态估计，通过实现数据可知，利用传统方法得到的储层厚度平均值变动范围为[5.24，5.68]。与传统方法相比，本申请实施例的方法比传统方法得到的地质参数先验估计更稳健。
本申请实施例中，所有均值和变差函数组合对应的所有实现不仅反映了地质参数变量随机性，也反映了随机模型的不确定性。
本申请实施例提供一种基于次线性期望的两点地质统计学建模方法，基于次线性大数定理，确定所述地质参数变量对应均值和变差函数的变动区间的最优无偏估计；在所述均值的变动区间内选取一组覆盖整个变动区间的均值，构建一组变差函数，所述变差函数覆盖整个变差函数变动区间；基于每一对均值和变差函数的模型组合，利用所述预设软件执行序贯模拟，得到对应的随机地质模型实现；最后通过所有的随机地质模型实现，计算不确定随机模型的变动区间，作为地质参数先验估计。
本申请实施例通过结合次线性期望理论与两点地质统计学，利用次线性期望理论中的次线性大数定理计算均值和变差函数的变动范围，在客观定量评价随机模型不确定性前提下生成一系列等可能的实现，从而综合反映随机模型不确定性和变量随机性对地质建模的影响，得到更稳健的地质参数估计。
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (2)

1.一种基于次线性期望的两点地质统计学建模方法，其特征在于，包括：
基于次线性大数定理，确定地质参数变量对应均值和变差函数的变动区间的最优无偏估计；
在所述均值的变动区间内选取一组覆盖整个变动区间的均值，构建一组变差函数，所述变差函数覆盖整个变差函数变动区间；
基于每一对均值和变差函数的模型组合，利用预设软件执行序贯模拟，得到对应的随机地质模型实现；
通过所有的随机地质模型实现，计算不确定随机模型的变动区间，作为地质参数先验估计；
其中，所述基于次线性大数定理，确定地质参数变量对应均值和变差函数的变动区间的最优无偏估计，包括：
获取地质参数变量，并将其硬数据样本标记为Z1,Z2,...,Zn，每个硬数据样本视为对应区域的均值；
基于次线性大数定理，确定变量Z均值的变动区间的最优无偏估计；
利用预设软件对所述硬数据样本计算实验变差函数，基于次线性大数定理，所述实验变差函数中每一个点代表的是对应位置的最大分布中的一个点；
构建两个变差函数解析模型，将所述实验变差函数限制在两个所述变差函数解析模型之间，基于次线性大数定理，所述两个解析模型为变差函数变动区间的上下界的最优无偏估计。
2.根据权利要求1所述的方法，其特征在于，所述预设软件为SGeMS软件。
CN202110770976.7A 2021-07-08 2021-07-08 一种基于次线性期望的两点地质统计学建模方法 Active CN113486519B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110770976.7A CN113486519B (zh) 2021-07-08 2021-07-08 一种基于次线性期望的两点地质统计学建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110770976.7A CN113486519B (zh) 2021-07-08 2021-07-08 一种基于次线性期望的两点地质统计学建模方法

Publications (2)

Publication Number Publication Date
CN113486519A CN113486519A (zh) 2021-10-08
CN113486519B true CN113486519B (zh) 2022-05-20

Family

ID=77937450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110770976.7A Active CN113486519B (zh) 2021-07-08 2021-07-08 一种基于次线性期望的两点地质统计学建模方法

Country Status (1)

Country Link
CN (1) CN113486519B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407678A (zh) * 2016-09-12 2017-02-15 电子科技大学 一种基于相控非参数各向异性变差函数构建方法
CN108318921A (zh) * 2018-01-11 2018-07-24 中国石油大学(华东) 一种基于横向约束的快速地震随机反演方法
CN112364917A (zh) * 2020-11-10 2021-02-12 辽宁石油化工大学 地质类型的识别方法及装置、存储介质、计算机设备
CN112906243A (zh) * 2021-03-18 2021-06-04 长江大学 一种基于变差函数的多点地质统计建模参数优选方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046097B (zh) * 2015-09-09 2017-10-27 电子科技大学 基于非参数各向异性变差函数的随机建模方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407678A (zh) * 2016-09-12 2017-02-15 电子科技大学 一种基于相控非参数各向异性变差函数构建方法
CN108318921A (zh) * 2018-01-11 2018-07-24 中国石油大学(华东) 一种基于横向约束的快速地震随机反演方法
CN112364917A (zh) * 2020-11-10 2021-02-12 辽宁石油化工大学 地质类型的识别方法及装置、存储介质、计算机设备
CN112906243A (zh) * 2021-03-18 2021-06-04 长江大学 一种基于变差函数的多点地质统计建模参数优选方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Automated Geologically-Consistent History Matching of Facies Distribution and Reservoir Properties in Inter-Well Space by Adjoint Methods;E.S.Zakirov 等;《Conference： SPE Russian Petroleum Technology Conference》;20171031;第1-23页 *
叠后MCMC法岩性反演算法研究;王朋岩 等;《地球物理学进展》;20150815;第30卷(第4期);第1918-1925页 *

Also Published As

Publication number Publication date
CN113486519A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
US9110193B2 (en) Upscaling multiple geological models for flow simulation
US20190179983A1 (en) Systems and methods for estimating a well design reservoir productivity as a function of position in a subsurface volume of interest based on a reservoir productivity parameter
US20130317779A1 (en) System and method of using spatially independent subsets of data to determine the uncertainty of soft-data debiasing of property distributions for spatially correlated reservoir data
WO2013158873A2 (en) System and method for calibrating permeability for use in reservoir modeling
Feng et al. A training image evaluation and selection method based on minimum data event distance for multiple-point geostatistics
Alazzy et al. Assessing the uncertainty of the Xinanjiang rainfall-runoff model: effect of the likelihood function choice on the GLUE method
CA2821099C (fr) Procede d'exploitation d'un reservoir geologique a partir d'un modele de reservoir cale par le calcul d'une loi analytique de distribution conditionnelle de parametres incertains du modele
CN113486519B (zh) 一种基于次线性期望的两点地质统计学建模方法
Zhao et al. Reservoir Geostatistical Estimates of Imprecise Information Using Fuzzy-Kriging Approach
Becerra et al. Uncertainty history matching and forecasting, a field case application
Gallop Facies probability from mixture distributions with non-stationary impedance errors
WO2020172268A1 (en) Systems and methods for estimating a well design reservoir productivity as a function of position in a subsurface volume of interest based on a reservoir productivity parameter
CA3095746C (en) Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter
CN108765562B (zh) 基于三维地质模型的油气产能评价方法
Pontiggia et al. New integrated approach for diagenesis characterization and simulation
KR101818568B1 (ko) 매개변수지도-기반 포아송 클러스터 가상강우 생성 시스템 및 그 방법
Hicks Jr et al. Identifying and quantifying significant uncertainties in basin modeling
Niemann et al. A physically based interpolation method for fluvially eroded topography
CN111562630A (zh) 基于网格划分的储层参数测井评价方法
Arcangeli et al. Petrophysical Evaluation Under Uncertainty: Methodology and Integration in 3d Geological Modelling
Hajizadeh Mobaraki et al. Embracing opportunities and avoiding pitfalls of probabilistic modelling in field development planning
CN112782757B (zh) 碳酸盐岩储层介质随机建模方法
Suliman Investigation of Consistency Between Deterministic and Probabilistic Reserves Estimates Using Reservoir Simulation
Derakhshan et al. Direct simulation of P10, P50 and P90 reservoir models
Kashcheev et al. Probabilistic Technique of Lithology and Fluid Units Determination Based on Using Seismic Inversion Results

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