CN113534247A - 基于叠后地震数据的裂缝定量化预测方法及装置 - Google Patents
基于叠后地震数据的裂缝定量化预测方法及装置 Download PDFInfo
- Publication number
- CN113534247A CN113534247A CN202010303762.4A CN202010303762A CN113534247A CN 113534247 A CN113534247 A CN 113534247A CN 202010303762 A CN202010303762 A CN 202010303762A CN 113534247 A CN113534247 A CN 113534247A
- Authority
- CN
- China
- Prior art keywords
- data
- post
- stack seismic
- fracture
- seismic data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 206010017076 Fracture Diseases 0.000 claims abstract description 162
- 208000010392 Bone Fractures Diseases 0.000 claims abstract description 151
- 238000012545 processing Methods 0.000 claims abstract description 82
- 238000011161 development Methods 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000009792 diffusion process Methods 0.000 claims description 35
- 238000001914 filtration Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000011002 quantification Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 16
- 238000003384 imaging method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 241001126326 Cyanea <Cnidaria> Species 0.000 description 3
- 241000218657 Picea Species 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 235000004789 Rosa xanthina Nutrition 0.000 description 1
- 241000109329 Rosa xanthina Species 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000011435 rock Substances 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
- G01V1/301—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
-
- 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
- G01V2210/50—Corrections or adjustments related to wave propagation
- G01V2210/51—Migration
- G01V2210/514—Post-stack
-
- 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
- G01V2210/642—Faults
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于叠后地震数据的裂缝定量化预测方法及装置,其中,该方法包括:将原始叠后地震数据进行地震质量处理,得到质量处理后的叠后地震数据;将根据质量处理后的叠后地震数据得到的裂缝识别相关属性数据,输入预先建立的裂缝密度神经网络预测模型,得到叠后地震数据对应的裂缝密度数据;对从质量处理后的叠后地震数据中提取的裂缝识别相关属性特征,进行增强及矢量化处理,得到裂缝长度数据和裂缝发育方向数据;根据裂缝密度数据、裂缝长度数据和裂缝发育方向数据,进行离散裂缝网络建模,预测得到最优的裂缝密度数据、裂缝长度数据和裂缝发育方向数据。上述技术方案实现了基于叠后地震数据的裂缝定量化预测,提高了裂缝预测精度。
Description
技术领域
本发明涉及油气地球物理勘探技术领域,特别涉及一种基于叠后地震数据的裂缝定量化预测方法及装置。
背景技术
目前,基于叠后地震资料的裂缝分析手段主要是通过相干、曲率及倾角属性,结合FMI(Formation MicroScanner Image,地层微电阻率扫描成像)成像测井资料和地震反射构造图对裂缝发育带进行定性化空间展布的研究。但这些方法存在以下不足:
(1)在地震数据品质较差的情况下,相干、曲率、倾角等几何属性切片难以有效获取理想效果。
(2)常规裂缝定量化预测方法主要基于叠前地震数据,例如AVAZ(AmplitudeVariation with Azimuth,振幅随方位角的变化),VVAZ(Velocity Variation withAzimuth,速度随方位角的变化)反演等。而针对叠后地震数据的裂缝定量化分析,缺乏相应的技术手段。
(3)通过叠后地震属性分析的裂缝尺度一般在十几米到上百米的范围,通过岩芯或FMI成像测井统计的裂缝尺度一般在厘米级到米级,但对中间尺度的裂缝缺乏相应的基础资料。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于叠后地震数据的裂缝定量化预测方法,用以实现基于叠后地震数据的裂缝定量化预测,该方法包括:
将原始叠后地震数据进行地震质量处理,得到质量处理后的叠后地震数据;
将根据质量处理后的叠后地震数据得到的裂缝识别相关属性数据,输入预先建立的裂缝密度神经网络预测模型,得到叠后地震数据对应的裂缝密度数据;
对从质量处理后的叠后地震数据中提取的裂缝识别相关属性特征,进行增强及矢量化处理,得到裂缝长度数据和裂缝发育方向数据;
根据裂缝密度数据、裂缝长度数据和裂缝发育方向数据,进行离散裂缝网络DFN建模,预测得到最优的裂缝密度数据、裂缝长度数据和裂缝发育方向数据。
本发明实施例还提供了一种基于叠后地震数据的裂缝定量化预测装置,用以实现基于叠后地震数据的裂缝定量化预测,该装置包括:
质量处理单元,用于将原始叠后地震数据进行地震质量处理,得到质量处理后的叠后地震数据;
第一裂缝数据预测单元,用于将根据质量处理后的叠后地震数据得到的裂缝识别相关属性数据,输入预先建立的裂缝密度神经网络预测模型,得到叠后地震数据对应的裂缝密度数据;
第二裂缝数据预测单元,用于对从质量处理后的叠后地震数据中提取的裂缝识别相关属性特征,进行增强及矢量化处理,得到裂缝长度数据和裂缝发育方向数据;
最优裂缝数据预测单元,用于根据裂缝密度数据、裂缝长度数据和裂缝发育方向数据,进行离散裂缝网络DFN建模,预测得到最优的裂缝密度数据、裂缝长度数据和裂缝发育方向数据。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于叠后地震数据的裂缝定量化预测方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述基于叠后地震数据的裂缝定量化预测方法的计算机程序。
与现有技术中单纯仅仅依靠叠前地震数据开展裂缝定量化预测或基于叠后地震数据进行定性化的方案相比较,本发明实施例提供的技术方案的有益技术效果是:
首先,当只有叠后地震数据,同时叠后地震数据品质较差的情况下,利用本发明实施例提供的技术方案先提高叠后地震数据的品质:将原始叠后地震数据进行地震质量处理,得到质量处理后的叠后地震数据,基于该质量处理后的叠后地震数据进行后续裂缝定量化预测,实现了有效量化预测裂缝的发育特征,明确裂缝展布特征。
其次,本发明实施例提供的技术方案将根据质量处理后的叠后地震数据得到的裂缝识别相关属性数据,输入预先建立的裂缝密度神经网络预测模型,得到叠后地震数据对应的裂缝密度数据,因此实现了通过神经网络技术得到裂缝的密度数据,由于神经网络反演方法不依赖于模型,具有较高横向分辨率,适合强非均质性裂缝预测,因此有效量化预测裂缝的发育特征;同时,本发明实施例提供的技术方案对从质量处理后的叠后地震数据中提取的裂缝识别相关属性特征,进行增强及矢量化处理,得到裂缝长度数据和裂缝发育方向数据,实现了通过裂缝增强及矢量化技术得到裂缝的长度和发育方向数据,因此有效量化预测裂缝的发育特征。
最后,本发明实施例提供的技术方案根据裂缝密度数据、裂缝长度数据和裂缝发育方向数据,进行离散裂缝网络DFN建模,预测得到最优的裂缝密度数据、裂缝长度数据和裂缝发育方向数据,实现了将裂缝密度、裂缝长度和裂缝发育方向这三个因素综合起来作为DFN离散建模的输入,能够有效量化预测裂缝的发育特征,弥补了中尺度裂缝预测缺少基础资料的问题。
综上,本发明实施例提供的技术方案实现了基于叠后地震数据的裂缝有效定量化预测,提高了裂缝预测精度。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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是本发明实施例中基于叠后地震数据的裂缝定量化预测方法的流程示意图;
图2是本发明实施例中基于叠后地震数据的裂缝定量化预测方法的原理示意图;
图3是本发明实施例中原始叠后地震资料栖霞组顶界相干属性示意图;
图4是本发明实施例中原始叠后地震资料栖霞组顶界曲率属性示意图;
图5A是本发明实施例中研究区A8井在栖霞组的成像测井资料示意图;
图5B是本发明实施例中研究区A10井在栖霞组的成像测井资料示意图;
图6是本发明实施例中扩散滤波的迭代次数效果对比示意图;
图7是本发明实施例中经过扩散滤波后的栖霞组顶界相干属性切片示意图;
图8是本发明实施例中反射系数反演前后地震剖面对比示意图;
图9是本发明实施例中经过反射系数反演后的相干属性示意图;。
图10是本发明实施例中神经网络裂缝密度预测平面示意图;
图11是本发明实施例中经过矢量化的平面示意图;
图12是本发明实施例中裂缝发育长度统计示意图;
图13是本发明实施例中裂缝发育方向统计示意图;
图14是本发明实施例中DFN离散建模裂缝预测平面示意图;
图15是本发明实施例中裂缝地震预测及测井统计玫瑰示意图;
图16是本发明实施例中基于叠后地震数据的裂缝定量化预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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。
图1是本发明实施例中基于叠后地震数据的裂缝定量化预测方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤101:将原始叠后地震数据进行地震质量处理,得到质量处理后的叠后地震数据;
步骤102:将根据质量处理后的叠后地震数据得到的裂缝识别相关属性数据,输入预先建立的裂缝密度神经网络预测模型,得到叠后地震数据对应的裂缝密度数据;
步骤103:对从质量处理后的叠后地震数据中提取的裂缝识别相关属性特征,进行增强及矢量化处理,得到裂缝长度数据和裂缝发育方向数据;
步骤104:根据裂缝密度数据、裂缝长度数据和裂缝发育方向数据,进行离散裂缝网络DFN建模,预测得到最优的裂缝密度数据、裂缝长度数据和裂缝发育方向数据。
与现有技术中单纯仅仅依靠叠前地震数据开展裂缝定量化预测或基于叠后地震数据进行定性化的方案相比较,本发明实施例提供的技术方案的有益技术效果是:
首先,当只有叠后地震数据,同时叠后地震数据品质较差的情况下,利用本发明实施例提供的技术方案先提高叠后地震数据的品质:将原始叠后地震数据进行地震质量处理,得到质量处理后的叠后地震数据,基于该质量处理后的叠后地震数据进行后续裂缝定量化预测,实现了有效量化预测裂缝的发育特征,明确裂缝展布特征。
其次,本发明实施例提供的技术方案将根据质量处理后的叠后地震数据得到的裂缝识别相关属性数据,输入预先建立的裂缝密度神经网络预测模型,得到叠后地震数据对应的裂缝密度数据,因此实现了通过神经网络技术得到裂缝的密度数据,由于神经网络反演方法不依赖于模型,具有较高横向分辨率,适合强非均质性裂缝预测,因此有效量化预测裂缝的发育特征;同时,本发明实施例提供的技术方案对从质量处理后的叠后地震数据中提取的裂缝识别相关属性特征,进行增强及矢量化处理,得到裂缝长度数据和裂缝发育方向数据,实现了通过裂缝增强及矢量化技术得到裂缝的长度和发育方向数据,因此有效量化预测裂缝的发育特征。
最后,本发明实施例提供的技术方案根据裂缝密度数据、裂缝长度数据和裂缝发育方向数据,进行离散裂缝网络DFN建模,预测得到最优的裂缝密度数据、裂缝长度数据和裂缝发育方向数据,实现了将裂缝密度、裂缝长度和裂缝发育方向这三个因素综合起来作为DFN离散建模的输入,能够有效量化预测裂缝的发育特征,弥补了中尺度裂缝预测缺少基础资料的问题。
综上,本发明实施例提供的技术方案实现了基于叠后地震数据的裂缝有效定量化预测,提高了裂缝预测精度。
本发明实施例以四川盆地西北部龙门山前带S地区栖霞组为研究目标,在只有叠后地震资料(数据)的前提下,且地震资料品质较差的情况下,开展地震定量化裂缝预测,下面结合附图2至图15,对本发明实施例涉及的各个步骤进行详细介绍。
一、首先,介绍上述步骤101。
地质背景:龙门山造山带位于扬子陆块西缘,其逆冲变形始于晚三叠世末期的印支运动,在整个燕山运动减弱并持续,在新生代再次强烈冲断隆升,形成了龙门山褶皱冲断带-川西前陆盆地系统。由于川西北地区构造的形成演化直接受控于龙门山冲断带的发展,因此二者在现今构造格局上显示出很大程度的一致性。S地区构造带位于川西断褶带西北缘,构造形态主要为北东向构造,与龙门山近于平行,受龙门山推覆构造控制,是印支、燕山、喜马拉雅多期构造运动共同作用的结果。
地震资料基础:S地区原始叠后地震资料存在规则噪音。发明人发现:从栖霞组顶界相干和曲率属性切片(图3和图4)上可以看出,地震资料存在与北东向断裂斜交的规律性类指纹干扰,这会影响裂缝识别的精度,由于发明人发现上述技术问题,因此提出需要针对研究目标开展解释性处理,主要包括后续介绍的既能保持边界特征又能去除规则噪音的扩散滤波处理,以及提高地震数据分辨能力的反射系数反演处理。
井中裂缝描述:根据研究区A8井和A10井在栖霞组的成像测井资料(图5A和图5B),得到井中裂缝发育特征。A8井裂缝密度为0.6,裂缝发育主方向为40°。在7332.5~7347.5m深度段,裂缝发育方向主要为0°-15°、60°-75°和150°-180°,倾角在40°-60°之间;在7358.0~7408.0m深度段,裂缝发育方向主要为30°-45°,倾角在70°左右。A10井裂缝密度为1.2,裂缝发育主方向为130°。在7436.1~7461.1m深度段,裂缝发育方向主要为90°-165°,倾角在30°-50°之间;在7461.1~7486.1m深度段,裂缝发育方向主要为150°-165°、195°-210°、330°-345°,倾角在30°-50°之间。
基于以上介绍,在一个实施例中,将原始叠后地震数据进行地震质量处理,得到质量处理的叠后地震数据,可以包括:
将原始叠后地震数据进行扩散滤波处理,得到扩散滤波处理后的叠后地震数据;
将扩散滤波处理后的叠后地震数据进行反射系数反演处理,得到所述质量处理的叠后地震数据。
具体实施时,通过扩散滤波和反射系数反演提高地震资料品质,能够有效量化预测裂缝的发育特征,提高了裂缝预测的精度。下面对这两种地震质量处理的方案进行详细介绍。
1.扩散滤波处理去除噪音干扰
在一个实施例中,将原始叠后地震数据进行扩散滤波处理,得到扩散滤波处理后的叠后地震数据,可以包括:将原始叠后地震数据以迭代次数为5次进行扩散滤波处理,得到扩散滤波处理后的叠后地震数据。
具体实施时,扩散滤波关键参数主要有光滑步长、迭代次数和结构张量维数三个参数,其中迭代次数对处理结果影响较大。地震原始剖面在栖霞组主频为30.5Hz,带宽为29Hz,信噪比为0.97。对原始剖面进行扩散滤波,迭代5次后,栖霞组主频为26.5Hz,带宽为29Hz,信噪比为0.98;迭代10次后,栖霞组主频为25.5Hz,带宽为29Hz,信噪比为0.99(图6)。对比分析发现,滤波剖面相对原始剖面在去噪后变得相对干净,迭代5次剖面在去噪的同时更能还原地质特征,而迭代10次剖面相对原始剖面在图中红圈断裂带损失的有效信息较多,因此扩散滤波最终选取迭代次数为5。从经过扩散滤波后的栖霞组顶界相干属性切片(图7)上可以看到,地震资料消除了噪音干扰,突出地震数据对断层及裂缝的成像能力,断裂条带展布更加清晰,提高了裂缝预测的精度。
2.反射系数反演提高地震分辨率
具体实施时,效果对比:从经过反射系数反演前后地震剖面(图8)对比可见,提频前剖面主频32.5Hz,提频后剖面主频39Hz,主频略有提高,频带在低频端和高频端都有明显的拓宽,提频后在栖霞组上部多出一个同相轴的地震响应,即薄储层的响应。从经过反射系数反演后的栖霞组顶界曲率属性切片(图9)上可以看到,提高分辨率以后地震资料反映的信息更加丰富,平面多出微小裂缝,除了可以反映区域分布的大断裂和断裂带,还能表征沿断裂分布的中小尺度裂缝,提高了裂缝预测的精度。
二、接着,介绍上述步骤102,即利用神经网络预测裂缝密度。
具体实施时,神经网络反演方法不依赖于模型,具有较高横向分辨率,适合强非均质性裂缝预测。在已知井上裂缝发育密度的前提下,利用A8井裂缝发育密度曲线和裂缝识别相关属性如分频相干、曲率等进行神经网络学习,得到裂缝发育密度体,用A10井进行检验。最终推广到全工区,得到栖霞组顶界神经网络裂缝密度预测平面图(图10),预测结果与实际成像测井统计结果较吻合,提高了裂缝预测的精度。
具体实施时,预先训练得到的裂缝密度神经网络预测模型中相当于存在有裂缝识别相关属性数据和裂缝密度数据的关系,该裂缝密度神经网络预测模型的输入是裂缝识别相关属性数据,通过上述关系,预测得到叠后地震数据对应的裂缝密度数据,即该模型的输出是裂缝密度数据。
三、接着,介绍上述步骤103,即利用裂缝增强及矢量化技术得到裂缝发育长度和方向。
在一个实施例中,对从地震质量处理的叠后地震数据中提取的裂缝识别相关属性特征,进行增强及矢量化处理,得到裂缝长度数据和裂缝发育方向数据,可以包括:
利用线性检测技术,对裂缝识别相关属性特征涉及的断层和次级断裂进行增强处理,Hessian矩阵将提取的纹理特征进行矢量化处理,得到裂缝长度数据和裂缝发育方向数据。
具体实施时,在对裂缝几何特征进行研究,大的断层和较小的次级断裂都可以被视作“线性构造”,在此可以将其利用图像学中线性检测技术,对断层和次级断裂进行断层增强处理,可以进一步地清晰地刻画断层,有利于进一步地裂缝解释分析以及油气运移分析提供基础,具有重要的应用价值。Hessian矩阵是一个实对称矩阵,在图像学中,利用Hessian矩阵提取特征是一种利用图像局部高阶微分提取图像纹理特征方向的方法,对图9进行矢量化得到图11,由此可以统计出裂缝长度(图12)和裂缝发育方向(图13),提高了裂缝预测的精度。
具体实施时,上述步骤102和步骤103可以同时执行,也可以先执行步骤103,再执行步骤102。
四、接着,介绍上述步骤104,即利用DFN离散建模开展裂缝定量化预测。
具体实施时,通常情况下,测井反映的是厘米到米级的小尺度裂缝,地震反映的是百米到千米级的大尺度裂缝,而对于中尺度裂缝缺乏相应的基础资料。离散裂缝网格建模技术DFN可以有效解决中等尺度的裂缝刻画问题。DFN(Discrete fracture network,离散裂缝网格)是一种基于示性点过程的随机建模方法,最早应用于岩石工程等领域,后被用于油气储层裂缝建模。在建立油气储层DFN模型时,利用确定性裂缝和断裂计算裂缝密度,点过程确定裂缝位置,示性过程确定点的属性,如裂缝形状、倾角、倾向、开度等属性。通过应用DFN离散建模能够有效预测中尺度裂缝,进而实现有效进行裂缝定量化预测,提高裂缝预测的精度。
具体实施时,利用图10得到的裂缝密度、利用图12得到的裂缝长度和利用图13得到的裂缝方向信息作为输入条件,开展随机离散建模,增强中小尺度裂缝的表征,将叠后地震裂缝预测的尺度提高到单道道间距。从DFN离散建模裂缝预测平面图(图14)可以看出,S地区栖霞组顶界裂缝发育与区域应力场及区域大断裂密切相关,裂缝多与断裂伴生,沿北东-南西向呈条带状分布。由于工区西北部位于褶皱山前带,挤压应力作用促使发育高密度不同尺度裂缝。从裂缝地震预测及测井统计玫瑰图对比中可以看出(图15),A8井裂缝发育方向主要为北东向,A10井裂缝发育方向主要为南东向,预测结果与成像测井统计结果吻合。
基于同一发明构思,本发明实施例中还提供了一种基于叠后地震数据的裂缝定量化预测装置,如下面的实施例所述。由于基于叠后地震数据的裂缝定量化预测装置解决问题的原理与基于叠后地震数据的裂缝定量化预测方法相似,因此基于叠后地震数据的裂缝定量化预测装置的实施可以参见基于叠后地震数据的裂缝定量化预测方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图16是本发明实施例中基于叠后地震数据的裂缝定量化预测装置的结构示意图,如图16所示,该装置包括:
质量处理单元01,用于将原始叠后地震数据进行地震质量处理,得到质量处理后的叠后地震数据;
第一裂缝数据预测单元02,用于将根据质量处理后的叠后地震数据得到的裂缝识别相关属性数据,输入预先建立的裂缝密度神经网络预测模型,得到叠后地震数据对应的裂缝密度数据;
第二裂缝数据预测单元03,用于对从质量处理后的叠后地震数据中提取的裂缝识别相关属性特征,进行增强及矢量化处理,得到裂缝长度数据和裂缝发育方向数据;
最优裂缝数据预测单元04,用于根据裂缝密度数据、裂缝长度数据和裂缝发育方向数据,进行离散裂缝网络DFN建模,预测得到最优的裂缝密度数据、裂缝长度数据和裂缝发育方向数据。
在一个实施例中,上述质量处理单元具体可以用于:
将原始叠后地震数据进行扩散滤波处理,得到扩散滤波处理后的叠后地震数据;
将扩散滤波处理后的叠后地震数据进行反射系数反演处理,得到所述质量处理的叠后地震数据。
在一个实施例中,将原始叠后地震数据进行扩散滤波处理,得到扩散滤波处理后的叠后地震数据,可以包括:将原始叠后地震数据以迭代次数为5次进行扩散滤波处理,得到扩散滤波处理后的叠后地震数据。
在一个实施例中,第二裂缝数据预测单元03具体可以用于:
利用线性检测技术,对裂缝识别相关属性特征涉及的断层和次级断裂进行增强处理,Hessian矩阵将提取的纹理特征进行矢量化处理,得到裂缝长度数据和裂缝发育方向数据。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于叠后地震数据的裂缝定量化预测方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述基于叠后地震数据的裂缝定量化预测方法的计算机程序。
本发明实施例提供技术方案的有益技术效果是:通过本发明实施例提供的技术方案,在地震裂缝预测中,不再单纯仅仅依靠叠前地震资料开展裂缝定量化预测,而是进行基于叠后地震数据的裂缝定量化预测。该方案可以在叠后地震资料品质较低的情况下,首先通过扩散滤波和反射系数反演提高地震资料品质;通过神经网络技术得到裂缝的密度,通过裂缝增强及矢量化技术得到裂缝的长度和方向,将这三个因素综合起来作为DFN离散建模的输入,能够有效量化预测裂缝的发育特征,弥补了中尺度裂缝预测缺少基础资料的问题。该方案是具有更确凿、更具针对性的特点,有效解决在只有叠后地震数据的前提下,开展裂缝定量化预测,同时提高沟了裂缝预测的精度。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于叠后地震数据的裂缝定量化预测方法,其特征在于,包括:
将原始叠后地震数据进行地震质量处理,得到质量处理后的叠后地震数据;
将根据质量处理后的叠后地震数据得到的裂缝识别相关属性数据,输入预先建立的裂缝密度神经网络预测模型,得到叠后地震数据对应的裂缝密度数据;
对从质量处理后的叠后地震数据中提取的裂缝识别相关属性特征,进行增强及矢量化处理,得到裂缝长度数据和裂缝发育方向数据;
根据裂缝密度数据、裂缝长度数据和裂缝发育方向数据,进行离散裂缝网络DFN建模,预测得到最优的裂缝密度数据、裂缝长度数据和裂缝发育方向数据。
2.如权利要求1所述的基于叠后地震数据的裂缝定量化预测方法,其特征在于,将原始叠后地震数据进行地震质量处理,得到质量处理的叠后地震数据,包括:
将原始叠后地震数据进行扩散滤波处理,得到扩散滤波处理后的叠后地震数据;
将扩散滤波处理后的叠后地震数据进行反射系数反演处理,得到所述质量处理的叠后地震数据。
3.如权利要求2所述的基于叠后地震数据的裂缝定量化预测方法,其特征在于,将原始叠后地震数据进行扩散滤波处理,得到扩散滤波处理后的叠后地震数据,包括:将原始叠后地震数据以迭代次数为5次进行扩散滤波处理,得到扩散滤波处理后的叠后地震数据。
4.如权利要求1所述的基于叠后地震数据的裂缝定量化预测方法,其特征在于,对从地震质量处理的叠后地震数据中提取的裂缝识别相关属性特征,进行增强及矢量化处理,得到裂缝长度数据和裂缝发育方向数据,包括:
利用线性检测技术,对裂缝识别相关属性特征涉及的断层和次级断裂进行增强处理,Hessian矩阵将提取的纹理特征进行矢量化处理,得到裂缝长度数据和裂缝发育方向数据。
5.一种基于叠后地震数据的裂缝定量化预测装置,其特征在于,包括:
质量处理单元,用于将原始叠后地震数据进行地震质量处理,得到质量处理后的叠后地震数据;
第一裂缝数据预测单元,用于将根据质量处理后的叠后地震数据得到的裂缝识别相关属性数据,输入预先建立的裂缝密度神经网络预测模型,得到叠后地震数据对应的裂缝密度数据;
第二裂缝数据预测单元,用于对从质量处理后的叠后地震数据中提取的裂缝识别相关属性特征,进行增强及矢量化处理,得到裂缝长度数据和裂缝发育方向数据;
最优裂缝数据预测单元,用于根据裂缝密度数据、裂缝长度数据和裂缝发育方向数据,进行离散裂缝网络DFN建模,预测得到最优的裂缝密度数据、裂缝长度数据和裂缝发育方向数据。
6.如权利要求5所述的基于叠后地震数据的裂缝定量化预测装置,其特征在于,质量处理单元具体用于:
将原始叠后地震数据进行扩散滤波处理,得到扩散滤波处理后的叠后地震数据;
将扩散滤波处理后的叠后地震数据进行反射系数反演处理,得到所述质量处理的叠后地震数据。
7.如权利要求6所述的基于叠后地震数据的裂缝定量化预测装置,其特征在于,将原始叠后地震数据进行扩散滤波处理,得到扩散滤波处理后的叠后地震数据,包括:将原始叠后地震数据以迭代次数为5次进行扩散滤波处理,得到扩散滤波处理后的叠后地震数据。
8.如权利要求5所述的基于叠后地震数据的裂缝定量化预测装置,其特征在于,第二裂缝数据预测单元具体用于:
利用线性检测技术,对裂缝识别相关属性特征涉及的断层和次级断裂进行增强处理,Hessian矩阵将提取的纹理特征进行矢量化处理,得到裂缝长度数据和裂缝发育方向数据。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4任一所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至4任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010303762.4A CN113534247B (zh) | 2020-04-17 | 2020-04-17 | 基于叠后地震数据的裂缝定量化预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010303762.4A CN113534247B (zh) | 2020-04-17 | 2020-04-17 | 基于叠后地震数据的裂缝定量化预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113534247A true CN113534247A (zh) | 2021-10-22 |
CN113534247B CN113534247B (zh) | 2024-03-05 |
Family
ID=78093446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010303762.4A Active CN113534247B (zh) | 2020-04-17 | 2020-04-17 | 基于叠后地震数据的裂缝定量化预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113534247B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114033352A (zh) * | 2021-11-02 | 2022-02-11 | 天津渤海中联石油科技有限公司 | 一种井周裂缝密度估算的方法及设备 |
CN116500682A (zh) * | 2023-03-31 | 2023-07-28 | 成都捷科思石油天然气技术发展有限公司 | 一种基于深度域自适应的裂缝预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140372094A1 (en) * | 2013-06-12 | 2014-12-18 | Baker Hughes Incorporated | Generation of fracture networks using seismic data |
CN104730596A (zh) * | 2015-01-25 | 2015-06-24 | 中国石油大学(华东) | 一种基于多尺度因素约束的离散裂缝建模方法 |
CN106094029A (zh) * | 2016-08-24 | 2016-11-09 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 利用偏移距矢量片地震数据预测储层裂缝的方法 |
CN106227957A (zh) * | 2016-07-27 | 2016-12-14 | 长江大学 | 等效裂缝建模的方法 |
CN107045143A (zh) * | 2017-02-22 | 2017-08-15 | 中国石油天然气股份有限公司 | 一种预测裂缝发育的方法及装置 |
CN108897066A (zh) * | 2018-08-23 | 2018-11-27 | 中国石油天然气股份有限公司 | 碳酸盐岩裂缝密度定量预测方法及装置 |
-
2020
- 2020-04-17 CN CN202010303762.4A patent/CN113534247B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140372094A1 (en) * | 2013-06-12 | 2014-12-18 | Baker Hughes Incorporated | Generation of fracture networks using seismic data |
CN104730596A (zh) * | 2015-01-25 | 2015-06-24 | 中国石油大学(华东) | 一种基于多尺度因素约束的离散裂缝建模方法 |
CN106227957A (zh) * | 2016-07-27 | 2016-12-14 | 长江大学 | 等效裂缝建模的方法 |
CN106094029A (zh) * | 2016-08-24 | 2016-11-09 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 利用偏移距矢量片地震数据预测储层裂缝的方法 |
CN107045143A (zh) * | 2017-02-22 | 2017-08-15 | 中国石油天然气股份有限公司 | 一种预测裂缝发育的方法及装置 |
CN108897066A (zh) * | 2018-08-23 | 2018-11-27 | 中国石油天然气股份有限公司 | 碳酸盐岩裂缝密度定量预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
苏皓 等: "裂缝性油藏天然裂缝动静态综合预测方法——以鄂尔多斯盆地华庆油田三叠系长63 储集层为例", 《石油勘探与开发》, vol. 44, no. 6, pages 923 * |
郎晓玲 等: "基于DFN 离散裂缝网络模型的裂缝性储层建模方法", 《北京大学学报(自然科学版)》, vol. 49, no. 6, pages 966 - 968 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114033352A (zh) * | 2021-11-02 | 2022-02-11 | 天津渤海中联石油科技有限公司 | 一种井周裂缝密度估算的方法及设备 |
CN114033352B (zh) * | 2021-11-02 | 2023-09-05 | 天津渤海中联石油科技有限公司 | 一种井周裂缝密度估算的方法及设备 |
CN116500682A (zh) * | 2023-03-31 | 2023-07-28 | 成都捷科思石油天然气技术发展有限公司 | 一种基于深度域自适应的裂缝预测方法 |
CN116500682B (zh) * | 2023-03-31 | 2024-01-23 | 成都捷科思石油天然气技术发展有限公司 | 一种基于深度域自适应的裂缝预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113534247B (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105277978B (zh) | 一种确定近地表速度模型的方法及装置 | |
CN111562611B (zh) | 基于波动方程驱动的半监督深度学习地震数据反演方法 | |
US11828894B2 (en) | Multi-scale unsupervised seismic velocity inversion method based on autoencoder for observation data | |
CN109490965B (zh) | 一种定量评价地层非均匀性的方法及装置 | |
CN107765308B (zh) | 基于褶积思想与精确震源的重构低频数据频域全波形反演方法 | |
CN113296166B (zh) | 裂缝模型的构建方法 | |
CN109884710B (zh) | 针对激发井深设计的微测井层析成像方法 | |
EP1917542A1 (en) | Method for tomographic inversion by matrix transformation | |
CN106443774A (zh) | 一种提高起伏地表叠前深度偏移成像精度的方法 | |
CN113534247A (zh) | 基于叠后地震数据的裂缝定量化预测方法及装置 | |
CN114488302B (zh) | 一种原位各向异性地应力场预测方法及系统 | |
CN113296152A (zh) | 断层检测方法及装置 | |
Otchere et al. | Improving seismic fault mapping through data conditioning using a pre-trained deep convolutional neural network: A case study on Groningen field | |
EP3211594A1 (en) | Seismic modeling system providing seismic survey data inpainting based upon suspect region boundary comparisons and related methods | |
EP3217354A2 (en) | Seismic modeling system providing seismic survey data frequency domain inpainting and related methods | |
CN112147677B (zh) | 油气储层参数标签数据生成方法及装置 | |
CN108398719A (zh) | 地震波数据的处理方法及装置 | |
CN112100906A (zh) | 数据驱动的大尺度密度建模方法、计算设备及存储介质 | |
CN111505714A (zh) | 基于岩石物理约束的弹性波直接包络反演方法 | |
CN107290803A (zh) | 建立基于改进Pride-Lee模型的岩石物理新模型的方法 | |
CN115170428A (zh) | 一种声波远探测成像图的降噪方法 | |
CN113900141B (zh) | 油气分布预测方法及装置 | |
CN115598700A (zh) | 一种地震剖面成像的方法、装置、存储介质及电子设备 | |
CN114547958A (zh) | 基于深度神经网络的井震结合裂缝预测方法及装置 | |
CN113253342A (zh) | 联合测井数据构建复杂三维地震模型标签方法 |
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 |