CN113640873B - 砂岩型铀矿叠前地震预测方法及装置 - Google Patents
砂岩型铀矿叠前地震预测方法及装置 Download PDFInfo
- Publication number
- CN113640873B CN113640873B CN202110948883.9A CN202110948883A CN113640873B CN 113640873 B CN113640873 B CN 113640873B CN 202110948883 A CN202110948883 A CN 202110948883A CN 113640873 B CN113640873 B CN 113640873B
- Authority
- CN
- China
- Prior art keywords
- sandstone
- lithology
- recognition factor
- stratum
- factor model
- 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
- 229910052770 Uranium Inorganic materials 0.000 title claims abstract description 44
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 25
- 239000011148 porous material Substances 0.000 claims description 13
- 239000012530 fluid Substances 0.000 claims description 9
- 238000011160 research Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 239000011435 rock Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000012795 verification Methods 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
- G01V1/282—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
- G01V1/28—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
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
-
- 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
- G01V2210/632—Amplitude variation versus offset or angle of incidence [AVA, AVO, AVI]
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
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
本发明公开了砂岩型铀矿叠前地震预测方法及装置，该方法包括：获取工区内包含目的层深度的叠前地震道集数据体；利用叠前地震道集数据体构建砂岩岩性识别因子模型，所述砂岩岩性识别因子模型用于表征地层孔隙度的分布情况；利用所述砂岩岩性识别因子模型进行所述工区内的砂岩型铀矿地震预测。利用本发明，可以提高砂岩型铀矿勘探的精度与准确性。
Description
技术领域
本发明涉及铀矿地震勘探领域，特别涉及一种砂岩型铀矿叠前地震预测方法及装置。
背景技术
近年来，砂岩型铀矿地震勘探逐渐成为铀矿勘探领域的重要研究内容，各种勘探新方法不断涌现。地震勘探方法作为一种高分辨率的地球物理探测方法，其利用地下介质不同深度、不同岩性的速度以及密度差异，对地下介质形态进行精细刻画，达到预测地层属性特征的目的，该项技术被广泛应用于石油、天然气勘探领域，在含烃储层预测以及构造识别等方面取得许多勘探成效。在现有阶段，含矿砂岩地层岩性预测主要依靠地震波阻抗属性识别，常规的叠后波阻抗反演方法获得的纵波阻抗数据能够在一定程度上刻画砂岩地层分布规律，尤其是对于浅层的砂岩识别具有较好的应用效果。随着铀矿勘探的深入开展，中深层砂岩型铀矿勘探逐渐成为研究的重点领域，跟浅层勘探相比，中深层砂岩受压实作用明显，导致砂岩与泥岩具有接近的波阻抗数值，利用常规的单一波阻抗属性很难有效识别砂岩地层。
发明内容
针对中深层砂岩型铀矿勘探中常规波阻抗属性敏感性受限的问题，本发明提供一种砂岩型铀矿叠前地震预测方法及装置，以提高砂岩型铀矿勘探的精度与准确性。
为此，本发明提供如下技术方案：
一种砂岩型铀矿叠前地震预测方法，所述方法包括：
获取工区内包含目的层深度的叠前地震道集数据体；
利用叠前地震道集数据体构建砂岩岩性识别因子模型，所述砂岩岩性识别因子模型用于表征地层孔隙度的分布情况；
利用所述砂岩岩性识别因子模型进行所述工区内的砂岩型铀矿地震预测。
可选地，所述利用叠前地震道集数据体构建砂岩岩性识别因子模型包括：
利用叠前地震道集数据体获取零炮检距构成的地震道P和梯度叠加道G；
根据所述零炮检距构成的地震道P和梯度叠加道G构建砂岩岩性识别因子模型。
可选地，所述利用叠前地震道集数据体获取零炮检距构成的地震道P和梯度叠加道G包括：
基于AVO二项式利用叠前地震道集数据体获取零炮检距构成的地震道P和梯度叠加道G。
可选地，所述根据所述零炮检距构成的地震道P和梯度叠加道G构建砂岩岩性识别因子模型包括：
利用以下公式构建砂岩岩性识别因子模型S：
可选地，所述利用所述砂岩岩性识别因子模型进行所述工区内的砂岩型铀矿地震预测包括：
确定砂岩地层岩性的阈值范围；
利用所述砂岩岩性识别因子模型确定所述工区内的砂岩地层岩性；
如果所述砂岩地层岩性在所述阈值范围内，则确定所述工区为砂岩地层；否则确定所述工区为泥岩地层。
一种砂岩型铀矿叠前地震预测装置，所述装置包括：
数据获取模块，用于获取工区内包含目的层深度的叠前地震道集数据体；
模型建立模块，用于利用叠前地震道集数据体构建砂岩岩性识别因子模型，所述砂岩岩性识别因子模型用于表征地层孔隙度的分布情况；
预测模块，用于利用所述砂岩岩性识别因子模型进行所述工区内的砂岩型铀矿地震预测。
可选地，所述模型建立模块包括：
数据处理单元，用于利用叠前地震道集数据体获取零炮检距构成的地震道P和梯度叠加道G；
模型建立单元，用于根据所述零炮检距构成的地震道P和梯度叠加道G构建砂岩岩性识别因子模型。
可选地，所述数据处理单元，具体用于基于AVO二项式利用叠前地震道集数据体获取零炮检距构成的地震道P和梯度叠加道G。
可选地，所述模型建立单元，具体用于利用以下公式构建砂岩岩性识别因子模型S：
可选地，所述预测模块包括：
阈值确定单元，用于确定砂岩地层岩性的阈值范围；
预测单元，用于利用所述砂岩岩性识别因子模型确定所述工区内的砂岩地层岩性；
判断单元，用于在所述砂岩地层岩性在所述阈值范围内的情况下，确定所述工区为砂岩地层；否则确定所述工区为泥岩地层。
本发明实施例提供的砂岩型铀矿叠前地震预测方法及装置，获取工区内包含目的层深度的叠前地震道集数据体，利用叠前地震道集数据体构建砂岩岩性识别因子模型。由于该砂岩岩性识别因子模型表征了地层孔隙度的分布情况，因此可以利用该砂岩岩性识别因子模型方便地实现对工区内的砂岩型铀矿的地震预测，有效降低了砂岩型铀矿预测的风险，并提高了高砂岩型铀矿勘探的精度与准确性。
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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例砂岩型铀矿叠前地震预测方法的流程图；
图2为本发明实施例中砂岩岩性识别因子直方图分析图；
图3为本发明实施例中基于砂岩岩性识别因子预测的含矿砂岩平面分布图；
图4为本发明实施例砂岩型铀矿叠前地震预测装置的结构框图。
具体实施方式
为了更加清楚、明确的阐述本发明的技术方案和目的，以下对本发明做进一步的详细说明。此处所描述的具体实施方式仅用于解释本发明，并不用于限定本发明。
根据岩石物理理论，非零偏移距地震数据对地层岩性具有更高的敏感性。基于此，针对中深层砂岩型铀矿勘探中常规波阻抗属性敏感性受限的问题，为了提高砂岩型铀矿勘探的精度与准确性，本发明提出了一种砂岩型铀矿叠前地震预测方法及装置，获取工区内包含目的层深度的叠前地震道集数据体，利用叠前地震道集数据体构建砂岩岩性识别因子模型。由于该砂岩岩性识别因子模型表征了地层孔隙度的分布情况，因此可以利用该砂岩岩性识别因子模型对工区内的砂岩型铀矿进行地震预测。
如图1所示，为本发明砂岩型铀矿叠前地震预测方法的流程图，包括以下步骤：
步骤101、获取工区内包含目的层深度的叠前地震道集数据体。
在实施过程中，获取研究工区内包含目的层深度的叠前地震道集数据体。所述数据体是指数据集合。
叠前地震道集是在野外利用震源激发，经过检波器接收直接获得的原始地震数据，叠前地震道集具有偏移距非零的特征，即激发点和接收点不在同一位置，叠前地震道集中保留了更多地下介质属性信息，如岩性、孔隙、裂缝等。叠前地震道集是相对于叠后地震数据而言的，二者的区别就在于一个偏移距非零，一个偏移距为零。
步骤102、利用叠前地震道集数据体构建砂岩岩性识别因子模型，所述砂岩岩性识别因子模型用于表征地层孔隙度的分布情况。
具体地，可以先利用叠前地震道集数据体获取零炮检距构成的地震道P和梯度叠加道G，然后根据所述零炮检距构成的地震道P和梯度叠加道G构建砂岩岩性识别因子模型。
在实施过程中，可以基于AVO(Amplitude Variation with Offset，振幅随偏移距的变化)二项式公式利用输入的叠前地震道集数据体获取所述P和G.。
其中，P是由零炮检距构成的地震道，即P波叠加的道，它代表对反射界面两侧的波阻抗变化的响应。G为P的斜率，由G构成的地震道，称为梯度叠加道，它代表对横波速度、纵波速度和体密度变化的响应，也是振幅随入射角(或炮检距)的变化率。
根据褶积原理，叠前地震道集的计算公式为：
其中，S(θ)为叠前地震道集，θ为入射角，R0为垂直入射反射系数，σ为泊松比，W为地震子波，N为噪声，k为权系数。AVO属性P和G的公式为：
P＝R0 (2)
构建基于AVO属性P和G的砂岩岩性识别因子模型，其计算公式为：
其中，S为砂岩岩性识别因子，P和G为AVO属性，k、a、b为待定系数。
P和G属性均能在一定程度上反映地层岩性以及孔隙特征，而G属性对孔隙中的流体更为敏感，其中分子P+kG为地层岩性项，分母aG+b为地层流体项，二者相除可以有效消除地层流体对于岩性判断的影响，从而突出孔隙的影响。
在本发明实施例中，基于目标地区测井信息，通过多元非线性拟合得到系数k、a、b的值，得到砂岩岩性识别因子模型如下：
其中，S为砂岩岩性识别因子，P和G为AVO属性。该属性是由P和G属性的非线性组合运算得到，得到的砂岩岩性识别因子模型表征了地层孔隙度的分布情况。
根据岩石物理理论，砂岩对应了高孔隙度地层，而泥岩通常具有较小的孔隙空间，依据测井解释结果定义砂岩预测阈值，最终根据砂岩岩性识别因子值域分布规律预测阈值范围内的区域认定为砂岩岩性地层，从而实现含矿砂岩地层的预测与识别。
步骤103、利用所述砂岩岩性识别因子进行研究区砂岩型铀矿地震预测。
在实施过程中，可以根据测井解释结果确定砂岩地层岩性预测阈值，将处于砂岩地层岩性预测阈值范围内的区域认定为砂岩地层，在预测阈值之外的区域定义为泥岩地层。也就是说，利用所述砂岩岩性识别因子模型确定所述工区内的砂岩地层岩性；如果所述砂岩地层岩性在所述阈值范围内，则确定所述工区为砂岩地层；否则确定所述工区为泥岩地层。
具体地，在研究工区内选取已有钻井的测井信息，测井信息中包含了地下在井周围地层的岩性、孔隙等信息，利用这些信息作为标尺来刻度砂岩地层岩性的预测阈值。测井信息只反映了井周围有限空间的地层信息，而地震信息可以反映整个工区的地层信息。也就是说，以已知井信息作为标尺来刻度未知的地震信息，从而将地层岩性、孔隙等信息由井点周边扩展到整个研究工区。
如图2所示为砂岩岩性识别因子直方图分析图，从图中可以看出，在实施例对应的研究工区中砂岩岩性识别因子数值小于0.07的区域为泥岩分布范围，砂岩地层对应的分布范围为0.07至0.17。
根据直方图分析结果，设定砂岩地层预测阈值为0.07至0.17，对研究工区内砂岩地层分布规律进行预测，结果如图3所示，暗色区域为应用砂岩岩性识别因子预测的砂岩地层分布区域，亮色区域为泥岩区域，预测结果显示工区中部发育一套砂岩地层，结合已钻井信息进行验证，井W-1位于预测的砂岩地层范围内，在目的层深度该井钻遇砂岩地层，实钻结果与预测结果吻合，验证了本发明所提供方法的有效性。
本发明实施例提供的砂岩型铀矿叠前地震预测方法，获取工区内包含目的层深度的叠前地震道集数据体，利用叠前地震道集数据体构建砂岩岩性识别因子模型。由于该砂岩岩性识别因子模型表征了地层孔隙度的分布情况，因此可以利用该砂岩岩性识别因子模型方便地实现对工区内的砂岩型铀矿的地震预测，有效降低了砂岩型铀矿预测的风险。
进一步地，基于非零偏移距地震道集获得AVO属性，利用叠前AVO属性构建有效识别中深层砂岩地层的岩性识别因子模型，保证了预测的精度。
相应地，本发明实施例还提供一种砂岩型铀矿叠前地震预测装置，如图4所示，是该装置的一种结构框图。
数据获取模块41，用于获取工区内包含目的层深度的叠前地震道集数据体；
模型建立模块42，用于利用叠前地震道集数据体构建砂岩岩性识别因子模型，所述砂岩岩性识别因子模型用于表征地层孔隙度的分布情况；
预测模块43，用于利用所述砂岩岩性识别因子模型进行所述工区内的砂岩型铀矿地震预测。
其中，所述模型建立模块42可以包括以下各单元：
数据处理单元，用于利用叠前地震道集数据体获取零炮检距构成的地震道P和梯度叠加道G，比如，基于AVO二项式利用叠前地震道集数据体获取零炮检距构成的地震道P和梯度叠加道G；
模型建立单元，用于根据所述零炮检距构成的地震道P和梯度叠加道G构建砂岩岩性识别因子模型。
其中，所述模型建立单元42可以利用前面公式(4)构建砂岩岩性识别因子模型。
其中，所述预测模块43具体可以包括以下各单元：
阈值确定单元，用于确定砂岩地层岩性的阈值范围；
预测单元，用于利用所述砂岩岩性识别因子模型确定所述工区内的砂岩地层岩性；
判断单元，用于在所述砂岩地层岩性在所述阈值范围内的情况下，确定所述工区为砂岩地层；否则确定所述工区为泥岩地层。
本发明实施例提供的砂岩型铀矿叠前地震预测装置，获取工区内包含目的层深度的叠前地震道集数据体，利用叠前地震道集数据体构建砂岩岩性识别因子模型。由于该砂岩岩性识别因子模型表征了地层孔隙度的分布情况，因此可以利用该砂岩岩性识别因子模型方便地实现对工区内的砂岩型铀矿的地震预测，有效降低了砂岩型铀矿预测的风险。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。
Claims (4)
1.一种砂岩型铀矿叠前地震预测方法，其特征在于，所述方法包括：
获取工区内包含目的层深度的叠前地震道集数据体；
利用叠前地震道集数据体构建砂岩岩性识别因子模型，所述砂岩岩性识别因子模型用于表征地层孔隙度的分布情况；
利用所述砂岩岩性识别因子模型进行所述工区内的砂岩型铀矿地震预测；
其中，利用叠前地震道集数据体构建砂岩岩性识别因子模型，所述砂岩岩性识别因子模型用于表征地层孔隙度的分布情况包括：
利用叠前地震道集数据体获取零炮检距构成的地震道P和梯度叠加道G；
根据褶积原理，叠前地震道集的计算公式为：
其中，S(θ)为叠前地震道集，θ为入射角，R0为垂直入射反射系数，σ为泊松比，W为地震子波，N为噪声，k为权系数；AVO属性P和G的公式为：
P＝R0(2)
构建基于AVO属性P和G的砂岩岩性识别因子模型，其计算公式为：
其中，S为砂岩岩性识别因子，P和G为AVO属性，k、a、b为待定系数；
P和G属性均能反映地层岩性以及孔隙特征，而G属性对孔隙中的流体敏感，其中分子P+kG为地层岩性项，分母aG+b为地层流体项，二者相除消除地层流体对于岩性判断的影响，从而突出孔隙的影响；
通过多元非线性拟合得到系数k、a、b的值，得到砂岩岩性识别因子模型如下：
其中，S为砂岩岩性识别因子，P和G为AVO属性；该属性是由P和G属性的非线性组合运算得到，得到的砂岩岩性识别因子模型表征了地层孔隙度的分布情况。
2.根据权利要求1所述的方法，其特征在于，所述利用所述砂岩岩性识别因子模型进行所述工区内的砂岩型铀矿地震预测包括：
确定砂岩地层岩性的阈值范围；
利用所述砂岩岩性识别因子模型确定所述工区内的砂岩地层岩性；
如果所述砂岩地层岩性在所述阈值范围内，则确定所述工区为砂岩地层；否则确定所述工区为泥岩地层。
3.一种砂岩型铀矿叠前地震预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取工区内包含目的层深度的叠前地震道集数据体；
模型建立模块，用于利用叠前地震道集数据体构建砂岩岩性识别因子模型，所述砂岩岩性识别因子模型用于表征地层孔隙度的分布情况；
其中，利用叠前地震道集数据体构建砂岩岩性识别因子模型，所述砂岩岩性识别因子模型用于表征地层孔隙度的分布情况包括：
利用叠前地震道集数据体获取零炮检距构成的地震道P和梯度叠加道G；
根据褶积原理，叠前地震道集的计算公式为：
其中，S(θ)为叠前地震道集，θ为入射角，R0为垂直入射反射系数，σ为泊松比，W为地震子波，N为噪声，k为权系数；AVO属性P和G的公式为：
P＝R0(2)
构建基于AVO属性P和G的砂岩岩性识别因子模型，其计算公式为：
其中，S为砂岩岩性识别因子，P和G为AVO属性，k、a、b为待定系数；
P和G属性均能反映地层岩性以及孔隙特征，而G属性对孔隙中的流体敏感，其中分子P+kG为地层岩性项，分母aG+b为地层流体项，二者相除消除地层流体对于岩性判断的影响，从而突出孔隙的影响；
通过多元非线性拟合得到系数k、a、b的值，得到砂岩岩性识别因子模型如下：
其中，S为砂岩岩性识别因子，P和G为AVO属性；该属性是由P和G属性的非线性组合运算得到，得到的砂岩岩性识别因子模型表征了地层孔隙度的分布情况；
预测模块，用于利用所述砂岩岩性识别因子模型进行所述工区内的砂岩型铀矿地震预测。
4.根据权利要求3所述的装置，其特征在于，所述预测模块包括：
阈值确定单元，用于确定砂岩地层岩性的阈值范围；
预测单元，用于利用所述砂岩岩性识别因子模型确定所述工区内的砂岩地层岩性；
判断单元，用于在所述砂岩地层岩性在所述阈值范围内的情况下，确定所述工区为砂岩地层；否则确定所述工区为泥岩地层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110948883.9A CN113640873B (zh) | 2021-08-18 | 2021-08-18 | 砂岩型铀矿叠前地震预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110948883.9A CN113640873B (zh) | 2021-08-18 | 2021-08-18 | 砂岩型铀矿叠前地震预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113640873A CN113640873A (zh) | 2021-11-12 |
| CN113640873B true CN113640873B (zh) | 2024-04-12 |
Family
ID=78422698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110948883.9A Active CN113640873B (zh) | 2021-08-18 | 2021-08-18 | 砂岩型铀矿叠前地震预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113640873B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104375178A (zh) * | 2014-11-05 | 2015-02-25 | 中国石油天然气股份有限公司 | 一种碳酸盐岩缝洞储层预测方法和装置 |
| CN105182424A (zh) * | 2015-08-03 | 2015-12-23 | 中国石油天然气股份有限公司 | 一种基于斑块饱和模型定量预测储层孔隙度的方法和装置 |
| CN107576982A (zh) * | 2017-09-01 | 2018-01-12 | 核工业北京地质研究院 | 一种砂岩型铀矿地震综合预测方法 |
| CN108089228A (zh) * | 2017-12-22 | 2018-05-29 | 中国石油天然气股份有限公司 | 一种确定地层岩石特性的解释数据方法和装置 |
| KR102094083B1 (ko) * | 2018-10-12 | 2020-03-26 | 한국가스공사 | 부분중합 자료를 이용한 유사 avo 분석 |
| CN111983721A (zh) * | 2020-08-26 | 2020-11-24 | 核工业北京地质研究院 | 一种砂岩铀矿“泥-砂-泥”地质结构识别方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8706420B2 (en) * | 2008-06-18 | 2014-04-22 | Exxonmobil Upstream Research Company | Seismic fluid prediction via expanded AVO anomalies |
-
2021
- 2021-08-18 CN CN202110948883.9A patent/CN113640873B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104375178A (zh) * | 2014-11-05 | 2015-02-25 | 中国石油天然气股份有限公司 | 一种碳酸盐岩缝洞储层预测方法和装置 |
| CN105182424A (zh) * | 2015-08-03 | 2015-12-23 | 中国石油天然气股份有限公司 | 一种基于斑块饱和模型定量预测储层孔隙度的方法和装置 |
| CN107576982A (zh) * | 2017-09-01 | 2018-01-12 | 核工业北京地质研究院 | 一种砂岩型铀矿地震综合预测方法 |
| CN108089228A (zh) * | 2017-12-22 | 2018-05-29 | 中国石油天然气股份有限公司 | 一种确定地层岩石特性的解释数据方法和装置 |
| KR102094083B1 (ko) * | 2018-10-12 | 2020-03-26 | 한국가스공사 | 부분중합 자료를 이용한 유사 avo 분석 |
| CN111983721A (zh) * | 2020-08-26 | 2020-11-24 | 核工业北京地质研究院 | 一种砂岩铀矿“泥-砂-泥”地质结构识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113640873A (zh) | 2021-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8706420B2 (en) | Seismic fluid prediction via expanded AVO anomalies | |
| WO2019062655A1 (zh) | 薄夹层的确定方法和装置 | |
| Ferreira et al. | Unsupervised seismic facies classification applied to a presalt carbonate reservoir, Santos Basin, offshore Brazil | |
| CN108802812A (zh) | 一种井震融合的地层岩性反演方法 | |
| CN102466816A (zh) | 一种叠前地震数据地层弹性常数参数反演的方法 | |
| CN104769458A (zh) | 一种基于柯西分布的叠后波阻抗反演方法 | |
| Gupta et al. | Rock typing in Wolfcamp formation | |
| CN101630013A (zh) | 一种叠前地震数据泊松比参数反演的方法 | |
| CN107831540A (zh) | 储层物性参数直接提取新方法 | |
| Hernandez-Martinez et al. | Facies recognition using multifractal Hurst analysis: Applications to well-log data | |
| Faraji et al. | Integration of core data, well logs and seismic attributes for identification of the low reservoir quality units with unswept gas in the carbonate rocks of the world’s largest gas field | |
| Rodríguez‐Pradilla et al. | Automated microseismic processing and integrated interpretation of induced seismicity during a multistage hydraulic‐fracturing stimulation, Alberta, Canada | |
| CN117607995A (zh) | 利用自然伽马与波阻抗融合的拟阻抗地震岩性反演方法 | |
| 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 | |
| CN113640873B (zh) | 砂岩型铀矿叠前地震预测方法及装置 | |
| Fu et al. | Rock property-and seismic-attribute analysis of a chert reservoir in the Devonian Thirty-one Formation, west Texas, USA | |
| Ningkai et al. | Stepped and detailed seismic prediction of shallow-thin reservoirs in Chunfeng oilfield of Junggar Basin, NW China | |
| CN116559953A (zh) | I类储层连续厚度的确定方法、装置、设备及存储介质 | |
| CN104345337B (zh) | 一种用于地震反演的时控储层参数建模方法 | |
| CN113514884A (zh) | 一种致密砂岩储层预测方法 | |
| CN112505764A (zh) | 一种高孔隙含烃砂岩储层预测方法与装置 | |
| CN113806674A (zh) | 古河道纵向尺度的量化方法、装置、电子设备及存储介质 | |
| CN112147676A (zh) | 一种煤层及夹矸厚度预测方法 | |
| Deshpande et al. | Quantifying lateral heterogeneities in fluvio‐deltaic sediments using three‐dimensional reflection seismic data: Offshore Gulf of Mexico | |
| Naseer et al. | Seismic attributes and spectral decomposition-based inverted porosity-constrained simulations for appraisal of shallow-marine lower-Cretaceous sequences of Miano gas field, Southern Pakistan |
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 |