CN113671567A - 一种基于波形分类及颜色融合预测不同类型储层的方法 - Google Patents
一种基于波形分类及颜色融合预测不同类型储层的方法 Download PDFInfo
- Publication number
- CN113671567A CN113671567A CN202110937714.5A CN202110937714A CN113671567A CN 113671567 A CN113671567 A CN 113671567A CN 202110937714 A CN202110937714 A CN 202110937714A CN 113671567 A CN113671567 A CN 113671567A
- Authority
- CN
- China
- Prior art keywords
- data
- color
- reconstruction
- seismic
- different types
- 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 74
- 230000004927 fusion Effects 0.000 title claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000007499 fusion processing Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000013461 design Methods 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 238000007796 conventional method Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 10
- 208000035126 Facies Diseases 0.000 description 5
- 239000003086 colorant Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000005553 drilling Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G01V1/307—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
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- 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
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
本发明提供一种基于波形分类及颜色融合预测不同类型储层的方法,包括如下步骤:步骤10,对叠前地震数据进行预处理及数据重构,得到三个第一次重构地震数据体;步骤20,对三个第一次重构地震数据体目的层段进行波形分类后,再对不同类型的波形进行数据重构赋值,得到三个第二次重构地震数据体以及对应的三个第二次重构平面数据;步骤30,对三个第二次重构平面数据进行颜色融合处理,得到一个用于不同类型储层预测及分析的颜色融合平面。本发明利用波形分类及数据重构、颜色融合分析确定相关不同类型储层的位置,能够达到精确划分储层在平面上分布的目的,解决了现有常规方法中存在的问题。
Description
技术领域
本发明涉及地球物理勘探中的地震资料解释技术领域,具体而言,涉及一种基于波形分类及颜色融合预测不同类型储层的方法。
背景技术
在地球物理勘探领域中,通过常规的方法获取地震数据后,需要对地震数据进行解释,一般要进行相应的储层预测解释流程。在储层预测解释流程中,需要对相关的测井资料进行分析,并对地震资料进行有关的属性提取、反演等计算,然后就是利用原始地震资料、测井资料、提取或反演的属性数据相互进行定性和定量分析,识别出储层可能的发育区域和层段,从而完成储层预测工作。
众所周知,储层是具有一定的物理特性,储层的不同类型也具有多种多样的物理特性。在一个研究区内也可能发育有多种类型的储层,如有的储层是裂缝型储层或孔隙型储层,而有的储层则可能是裂缝-孔隙型储层,甚至于岩溶型储层。所以,一个研究区内发育多种类型的储层是较多见的。总体上,这些不同类型的储层有多个物理表现形式,可有不同的地球物理技术对其进行反演计算。如裂缝、岩溶的物理特性可有相干、曲率等地球物理技术对其进行描述;而孔隙度则可利用波阻抗等反演数据与之对应;储层所含的流体性质则可利用频率及振幅、衰减属性等成果对其进行表述。
常规的储层预测技术方法有很多种,基本上可分为叠前、叠后反演两个大类。但对于一个研究区内有多种类型的储层时,往往此时的单一反演或属性成果往往不能很好地对这些多种类型的储层进行描述。如申请号为201110325780.3的发明专利《一种地震多属性RGBA颜色融合方法》利用地震数据的三个不同属性数据进行RGBA颜色融合,生成一个RGBA颜色融合数据体;申请号为201110171068.2的发明专利公开了一种地震反演数据预测储层的方法,实现了基于模型反演得到的波阻抗或速度数据进行岩性或储层预测的一种新手段。可见近年来,对储层的各种物理特性预测的技术方法很多,研究相对比较成熟。但是,针对储层多种类型的综合的预测技术还不够完善,主要体现在以下几个方面:
(1)采用常规储层预测技术通常只能预测储层的综合类型或单一类型响应,而不能预测及区分出储层的多个类型。
(2)单一属性数据体往往包含了储层及非储层的信息,并难以在数据中对其进行识别、区分。
(3)常规颜色融合方法只能使用三种属性数据体,对较为复杂的不同类型储层的识别能力有限。
发明内容
本发明旨在提供一种基于波形分类及颜色融合预测不同类型储层的方法,以解决上述存在的问题。
本发明提供的一种基于波形分类及颜色融合预测不同类型储层的方法,包括如下步骤:
步骤10,对叠前地震数据进行预处理及数据重构,得到三个第一次重构地震数据体;
步骤20,对三个第一次重构地震数据体目的层段进行波形分类后,再对不同类型的波形进行数据重构赋值,得到三个第二次重构地震数据体以及对应的三个第二次重构平面数据;
步骤30,对三个第二次重构平面数据进行颜色融合处理,得到一个用于不同类型储层预测及分析的颜色融合平面。
进一步的,步骤10包括如下子步骤:
步骤11,对叠前地震道集进行预处理:对叠前地震道集进行基于互相关的道集拉平或超道集计算,再进行叠前时间偏移处理,得到预处理后的叠前地震道集数据体;
步骤12,利用预处理后的叠前地震道集数据体提取各个CDP点(网格点,线方向与道方向的交点即为网格点,根据实际情况设定)的三个入射角的地震道波形,并将所述地震道波形根据同一个入射角及同一个CDP点重构为一个地震道集数据体,依次类推,得到三个入射角的地震道集数据体;再对三个入射角的地震道集数据体分别进行叠加和偏移处理后,即得到三个第一次重构地震数据体。
进一步的,在执行步骤20前,根据三个第一次重构的地震数据体进行关于振幅、频率类属性计算,并将进行关于振幅、频率类属性计算后的三个第一次重构的地震数据体进入步骤20。
进一步的,步骤20包括如下子步骤:
步骤21,分别对三个第一次重构地震数据体的目的层段的地震反射波形采用同一波形分类方法及分类参数进行波形分类;
步骤22,根据设定的波形分类数目及三个波形分类后的第一次重构地震数据体的目的层段的数据进行数据重构处理,得到三个第二次重构地震数据体;再根据三个第二次重构地震数据体即可得到三个关于各个CDP点的重构平面数据;其中,对目的层段的数据进行数据重构处理的方法包括反向赋值法、增量赋值法和混合法。
进一步的,采用所述反向赋值法进行对目的层段的数据进行数据重构处理的步骤包括:
(1)根据设定的波形分类数目及将来进行颜色融合后所对应的颜色,将相关颜色进行逆向求解(或逆推),得到融合成该颜色的红(IR)、绿(IG)、蓝(IB)三个颜色分量;
(2)对三个同一波形分类的CDP点位置的三个第一重构地震数据体的目的层段的数据进行某一颜色的三个颜色分量赋值设定,确定出三个第一重构地震数据体的某一波形的颜色分量赋值;
(3)依次类推,完成该三个第一重构地震数据体的颜色分量数据重构赋值,从而得到三个第二次重构地震数据体。
进一步的,采用所述增量赋值法进行对目的层段的数据进行数据重构处理的步骤包括:
(1)对于三个第一重构地震数据体的数据平面上各个CDP点的数据,按0-255之间的数据值等间隔增量进行重构赋值,不同波形分类的CDP点赋予某一增量值;
(2)依次类推,完成该三个第一重构地震数据体的颜色分量数据重构赋值,从而得到三个第二次重构地震数据体。
进一步的,采用所述增量赋值法进行对目的层段的数据进行数据重构处理是指:将反向赋值法及增量赋值法进行混合设计,确定三个第一重构地震数据体的颜色分量数据重构赋值,从而得到三个第二次重构地震数据体。
进一步的,步骤30包括如下子步骤:
步骤31,根据平面上同一个CDP点上的三个第二次重构平面数据进行颜色分量赋值,分别变成红(IR)、绿(IG)、蓝(IB)三个颜色分量;
步骤32,根据每个CDP点上的三个颜色分量再利用RGB色彩空间的色彩混合规则计算出该点的颜色IRGB;
步骤33,依此类推,对每个CDP点上的三个颜色分量按照步骤31~步骤32进行色彩混合,从而生成一个RGBA颜色融合平面。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明利用波形分类及数据重构、颜色融合分析确定相关不同类型储层的位置,能够达到精确划分储层在平面上分布的目的,解决了现有常规方法中存在的问题。利用本发明对四川盆地陆相的河道系统及海相礁滩不同类型储层划分,均取得良好的效果,并与相关油气勘探地区的实钻钻井资料吻合度较高。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例的基于波形分类及颜色融合预测不同类型储层的方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
实施例
如图1所示,本实施例提出一种基于波形分类及颜色融合预测不同类型储层的方法,包括如下步骤:
步骤10,对叠前地震道集进行预处理及数据重构,得到三个第一次重构地震数据体;具体地:
步骤11,对叠前地震道集进行预处理;具体地:对叠前地震道集进行基于互相关的道集拉平或超道集计算,再进行叠前时间偏移处理,得到预处理后的叠前地震道集数据体;其中,进行基于互相关的道集拉平或超道集计算是针对剩余动校量导致的同相轴不平和信噪比较低等不足。所述超道集计算是指以待计算道集为中心,引入周围的道集,根据偏移距或入射角或方位排序,组成一个大的道集,再进行部分叠加或插值产生一个新的道集,即为超道集,以提高叠前地震道集数据的品质。需要说明的是,本发明的道集是指经过叠前处理的动校正后的道集,即为叠前地震道集。
步骤12,利用预处理后的叠前地震道集数据体提取各个CDP点的三个入射角的地震道波形,并将所述地震道波形根据同一个入射角及同一个CDP点重构为一个地震道集数据体,依次类推,得到三个入射角的地震道集数据体;再对三个入射角的地震道集数据体分别进行叠加和偏移处理后,即得到三个第一次重构地震数据体。一般情况下,三个入射角分别为10°、18°、26°。也可以根据实际情况及专家经验,确定出三个入射角。
作为优选,在执行步骤20前,也可以根据三个第一次重构的地震数据体进行关于振幅、频率类属性计算,得到相关的振幅、频率类属性计算后的三个第一次重构地震数据体,并将其进入步骤20。在实际操作中,可以根据相关储层预测要求、专家经验等进行有针对性地震数据体计算,从而得到相关的第一次重构地震数据体。如针对含气性检测,可以计算与之相关的地震属性,并将计算得到的数据体进入下一步骤;如针对裂缝预测,可以计算其曲率属性,并将计算得到的数据体进入下一步骤。
步骤20,对三个第一次重构地震数据体目的层段进行波形分类后,再对不同类型的波形进行数据重构赋值,得到三个第二次重构地震数据体以及对应的三个第二次重构平面数据。具体地:
步骤21,分别对三个第一次重构地震数据体的目的层段的地震反射波形(或属性波形)采用同一波形分类方法及分类参数进行波形分类。
所述目的层段是指利用三维地震资料、井震合成记录标定等,在地震剖面上确定目的层段的底层,并根据解释网格对目的层段的底层进行解释,经内插和圆滑处理后得到相关的层位数据;再沿目的层段的底层向上开一个固定时窗后,即得到目的层段。
进一步,根据解释网格对目的层段的底层进行解释后的内插和圆滑处理是指,将解释网格(通常解释网格大于1线×1道)的层位双程走时值根据网格化插值算法内插成1线×1道,并对内插后的层位双程走时值设定一定的滤波参数进行平滑滤波,使其消除某些走时值突变点,更接近实际的目的层的解释。网格化插值算法可有最小平方法、加权平均法、(泛)克里金法等,使用这些网格化插值算法应根据解释层位具体情况而定。一般情况下,目的层段的时窗不应大于120ms,也可以视实际情况、专家经验进行相关时窗长度的设计。
所述波形分类是指,提取目的层段的地震反射波形特征信息,并根据目的层段的地震反射波形特征信息,采用监督或无监督的波形分类方法来识别不同的地震反射波形,并将识别到的地震反射波形划分进分类后设计的不同类别。其中,波形分类方法可包括基于SOM神经网络的自动波形分类、基于分层聚类的自动波形分类、基于概率模型聚类的自动波形分类或基于确定性概率分布的EM有监督波形分类,已有大量的商业软件可以实现。
进一步,波形分类的数目根据实际的研究区储层类型分析结果、井资料及专家经验、测试结果来确定。其中,测试结果是指根据对叠后三维地震数据(全叠加)的目的层段进行关于储层分类的波形分类测试结果。在实际操作中,要求分类后平面上的波形能相对较准确的确定不同类型储层的分布位置,也就是不同类型储层中的一种储层类型最少能对应于一种波形。原则上,要求对三个第一次重构地震数据体的目的层段的波形分类的数目是一样的,波形分类计算的时窗窗口大小也一样。如针对储层分类来说,一般情况下,原则上要求波形分类的数目不大于255,通常应根据研究区的储层分类数目进行波形分类数目的设计,可以略多于井上的储层类型数目,一般不应该超过3倍。在实际操作中,可以根据储层类型数目,进行1.5~2.5倍左右的储层分类数目测试,要求分类数目有利于对准确合理地展示研究区内储层类型的变化,达到选择的色标和储层分类的自然过渡。
步骤22,对三个波形分类后的第一次重构地震数据体进行数据重构处理,得到三个第二次重构地震数据体及对应的三个第二次重构平面数据。具体地:根据设定的波形分类数目及三个波形分类后的第一次重构地震数据体的目的层段的数据进行数据重构处理,得到三个第二次重构地震数据体;再根据三个第二次重构地震数据体即可得到三个关于各个CDP点的重构平面数据。
其中,针对目的层段的数据进行数据重构处理的方法有以下三种:
第一种数据重构处理方法为反向赋值法。该反向赋值法为利用确定好的颜色融合后的颜色进行逆推,从而确定不同平面上的不同波形分类各个CDP点的数据重构赋值,具体包括:
(1)根据设定的波形分类数目及将来进行颜色融合后所对应的颜色,将相关颜色进行逆向求解(或逆推),得到融合成该颜色的红(IR)、绿(IG)、蓝(IB)三个颜色分量。一般情况下,融合后的颜色要求目视能相对准确区分,也可以根据叠后三维地震资料的目的层波形分类的测试成果,确定相关的地震相颜色。
(2)对三个同一波形分类的CDP点位置的三个第一重构地震数据体的目的层段的数据进行某一颜色的三个颜色分量赋值设定,确定出三个第一重构地震数据体的某一波形的颜色分量赋值。
(3)依次类推,完成该三个第一重构地震数据体的颜色分量数据重构赋值,从而得到三个第二次重构地震数据体。
第二种数据重构处理方法为增量赋值法。该增量赋值法为对确定起始数据值再进行增、减一固定整数量后对不同波形分类的CDP点赋予某一整数值:
(1)对于三个第一重构地震数据体的数据平面上各个CDP点的数据,按0-255之间的数据值等间隔增量进行重构赋值,不同波形分类的CDP点赋予某一增量值。如波形分类数目为12类,则可将这12类波形的CDP点分别赋值为10、30、50、70、90、110、130、150、170、190、210、230,增量值为20。特别地,当波形分类数目为255类,则一个波形分类的CDP点对应0-255之间一个整数值,增量值为1。
(2)依次类推,完成该三个第一重构地震数据体的颜色分量数据重构赋值,从而得到三个第二次重构地震数据体。
第二种数据重构处理方法为混合法。该混合法可以将反向赋值法及增量赋值法进行混合设计,确定三个第一重构地震数据体的颜色分量数据重构赋值,从而得到三个第二次重构地震数据体。
一般情况下,原则上要求赋值后的目的层段的数据在后续的颜色融合处理中,能将不同地震相的颜色能准确区分即可。
步骤30,对三个第二次重构平面数据进行颜色融合处理,得到一个用于不同类型储层预测及分析的颜色融合平面。具体地:
步骤31,根据平面上同一个CDP点上的三个第二次重构平面数据进行颜色分量赋值,分别变成红(IR)、绿(IG)、蓝(IB)三个颜色分量;
步骤32,根据每个CDP点上的三个颜色分量再利用RGB色彩空间的色彩混合规则计算出该点的颜色IRGB。目前的计算机图形色彩系统普遍支持32位(256×256×256×256)色深,其中,红(R)、绿(G)、蓝(B)、透明度(A)各占一个色彩通道。计算机显示设备通过RGBA四者混合产生更多的颜色,即:
IRGB=S[IR,IG,IB,IA]
式中:IRGB表示某一CDP点的颜色;IR、IG、IB及IA分别表示红、绿、蓝、透明度四种颜色;S为混色变换操作,由计算机显示设备完成。一般情况下,IA设定为0值。
步骤33,依此类推,对每个CDP点上的三个颜色分量按照步骤31~步骤32进行色彩混合,从而生成一个RGBA颜色融合平面。利用该颜色融合平面上不同类型的颜色显示结果,从而对研究区的不同类型储层进行准确的分析。
示例:
根据上述本发明基于波形分类及颜色融合预测不同类型储层的方法的流程对某三维工区的陆相河道砂岩进行关于储层预测,确定不同类型储层的平面上分布特征。
在步骤10中根据研究区须四段内河道的钻探特点及地震反射特征,确定出该时期河道是该区储层发育的主要部位。因此,对研究区河道的平面分布形态及其内部不同类型储层分布进行刻画至关重要,并根据井上的储层分类来对河道的位置及储层分布形态进行粗略的分析。在实际操作中,根据相关河道目的层段的分布特点、计算机及硬盘的情况,针对研究区砂岩储层的地震反射特征(振幅类),利用叠前地震道集数据提取10°、18°、26°等三个入射角的地震道集数据体,并利用这三个地震道集数据体经叠加、偏移处理后,形成三个叠后地震数据体,即为三个第一次重构地震数据体。另外,利用井-震标定结果及三个第一次重构地震数据体,对须四段底层位进行全区的人工解释,解释网格是10线×10道。将层位数据经克里金插值及圆滑处理后,内插到1线×1道。
在步骤20中利用井-震标定结果及三个第一次重构地震数据体,对须四段底层层位进行全区的人工解释,解释网格是10线×10道,再将层位数据经克里金插值及圆滑处理后,内插到1线×1道。然后利用层位数据及三个第一次重构地震数据体,开固定时窗(底层及其向上40ms)对目的层段进行波形分类后,按相关波形分类结果对各个CDP点的目的层段进行数据重构处理得到三个第二重构地震数据体及其对应的重构平面数据。其中,波形分类数目可以根据对叠后地震数据及井上不同类型储层分析结果等进行测试,实际中确定三个第一次重构地震数据体的波形分类数目均为16,波形分类采用成熟的商业软件的具体模块来完成。采用数据重构处理中的增量赋值法来实施,则可将这16类波形分别赋值为10、20、30、40、50、60、70、80、90、100、110、120、130、140、150、160,增量值为10。利用该增量赋值法,对三个波形分类后的第一次重构地震数据体进行目的层段的数据重构处理,从而得到三个第二次重构数据体及其对应的重构平面数据。
在步骤30中利用三个第二次重构平面数据上的各个CDP点分别进行三个颜色分量赋值后,再对其进行颜色融合计算,得到一个颜色融合平面。实例中设定入射角为10°的第二次重构地震数据体为红色(R)通道,设定入射角18°的第二次重构地震数据体为蓝色(B)通道,设定入射角26°的第二次重构地震数据体为绿色(G)通道,所对应的颜色分量就是对应的重构平面数据。一般情况下,颜色融合计算也有相关商业软件可以实施操作。经颜色融合后,所得到的颜色融合平面能对河道中不同类型的储层进行有效预测,优于常规的叠后波阻抗反演及其它叠后属性计算结果。
通过上述可知,本发明具有直观,可解释性强及操作简单等的特点,也可以对同一河道进行不同类型储层的分布进行预测。另外,利用本发明也能清楚地实施对四川盆地海相礁滩的不同类型储层刻画,并取得良好的效果,并与相关勘探地区的实钻钻井的资料吻合度较高。
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 (8)
1.一种基于波形分类及颜色融合预测不同类型储层的方法,其特征在于,包括如下步骤:
步骤10,对叠前地震数据进行预处理及数据重构,得到三个第一次重构地震数据体;
步骤20,对三个第一次重构地震数据体目的层段进行波形分类后,再对不同类型的波形进行数据重构赋值,得到三个第二次重构地震数据体以及对应的三个第二次重构平面数据;
步骤30,对三个第二次重构平面数据进行颜色融合处理,得到一个用于不同类型储层预测及分析的颜色融合平面。
2.根据权利要求1所述的基于波形分类及颜色融合预测不同类型储层的方法,其特征在于,步骤10包括如下子步骤:
步骤11,对叠前地震道集进行预处理:对叠前地震道集进行基于互相关的道集拉平或超道集计算,再进行叠前时间偏移处理,得到预处理后的叠前地震道集数据体;
步骤12,利用预处理后的叠前地震道集数据体提取各个CDP点的三个入射角的地震道波形,并将所述地震道波形根据同一个入射角及同一个CDP点重构为一个地震道集数据体,依次类推,得到三个入射角的地震道集数据体;再对三个入射角的地震道集数据体分别进行叠加和偏移处理后,即得到三个第一次重构地震数据体。
3.根据权利要求1所述的基于波形分类及颜色融合预测不同类型储层的方法,其特征在于,在执行步骤20前,根据三个第一次重构的地震数据体进行关于振幅、频率类属性计算,并将进行关于振幅、频率类属性计算后的三个第一次重构的地震数据体进入步骤20。
4.根据权利要求1所述的基于波形分类及颜色融合预测不同类型储层的方法,其特征在于,步骤20包括如下子步骤:
步骤21,分别对三个第一次重构地震数据体的目的层段的地震反射波形采用同一波形分类方法及分类参数进行波形分类;
步骤22,根据设定的波形分类数目及三个波形分类后的第一次重构地震数据体的目的层段的数据进行数据重构处理,得到三个第二次重构地震数据体;再根据三个第二次重构地震数据体即可得到三个关于各个CDP点的重构平面数据;其中,对目的层段的数据进行数据重构处理的方法包括反向赋值法、增量赋值法和混合法。
5.根据权利要求4所述的基于波形分类及颜色融合预测不同类型储层的方法,其特征在于,采用所述反向赋值法进行对目的层段的数据进行数据重构处理的步骤包括:
(1)根据设定的波形分类数目及将来进行颜色融合后所对应的颜色,将相关颜色进行逆向求解(或逆推),得到融合成该颜色的红(IR)、绿(IG)、蓝(IB)三个颜色分量;
(2)对三个同一波形分类的CDP点位置的三个第一重构地震数据体的目的层段的数据进行某一颜色的三个颜色分量赋值设定,确定出三个第一重构地震数据体的某一波形的颜色分量赋值;
(3)依次类推,完成该三个第一重构地震数据体的颜色分量数据重构赋值,从而得到三个第二次重构地震数据体。
6.根据权利要求4所述的基于波形分类及颜色融合预测不同类型储层的方法,其特征在于,采用所述增量赋值法进行对目的层段的数据进行数据重构处理的步骤包括:
(1)对于三个第一重构地震数据体的数据平面上各个CDP点的数据,按0-255之间的数据值等间隔增量进行重构赋值,不同波形分类的CDP点赋予某一增量值;
(2)依次类推,完成该三个第一重构地震数据体的颜色分量数据重构赋值,从而得到三个第二次重构地震数据体。
7.根据权利要求4-6任一项所述的基于波形分类及颜色融合预测不同类型储层的方法,其特征在于,采用所述增量赋值法进行对目的层段的数据进行数据重构处理是指:将反向赋值法及增量赋值法进行混合设计,确定三个第一重构地震数据体的颜色分量数据重构赋值,从而得到三个第二次重构地震数据体。
8.根据权利要求1所述的基于波形分类及颜色融合预测不同类型储层的方法,其特征在于,步骤30包括如下子步骤:
步骤31,根据平面上同一个CDP点上的三个第二次重构平面数据进行颜色分量赋值,分别变成红(IR)、绿(IG)、蓝(IB)三个颜色分量;
步骤32,根据每个CDP点上的三个颜色分量再利用RGB色彩空间的色彩混合规则计算出该点的颜色IRGB;
步骤33,依此类推,对每个CDP点上的三个颜色分量按照步骤31~步骤32进行色彩混合,从而生成一个RGBA颜色融合平面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110937714.5A CN113671567B (zh) | 2021-08-16 | 2021-08-16 | 一种基于波形分类及颜色融合预测不同类型储层的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110937714.5A CN113671567B (zh) | 2021-08-16 | 2021-08-16 | 一种基于波形分类及颜色融合预测不同类型储层的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113671567A true CN113671567A (zh) | 2021-11-19 |
CN113671567B CN113671567B (zh) | 2022-09-02 |
Family
ID=78543026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110937714.5A Active CN113671567B (zh) | 2021-08-16 | 2021-08-16 | 一种基于波形分类及颜色融合预测不同类型储层的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113671567B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130262061A1 (en) * | 2012-03-28 | 2013-10-03 | Schlumberger Technology Corporation | Seismic attribute color model transform |
CN105388525A (zh) * | 2015-10-21 | 2016-03-09 | 中国石油化工股份有限公司 | 储层预测方法及装置 |
CN111025384A (zh) * | 2019-11-26 | 2020-04-17 | 中国石油天然气股份有限公司 | 基于波形分类交汇融合的储层预测方法和装置 |
CN112505776A (zh) * | 2020-10-29 | 2021-03-16 | 中国石油集团工程咨询有限责任公司 | 一种基于rgb-ihs多属性融合的色标调整方法 |
CN112578447A (zh) * | 2020-11-26 | 2021-03-30 | 中国石油天然气股份有限公司西南油气田分公司勘探开发研究院 | 一种基于数据降维及重构的储层预测方法 |
CN112946743A (zh) * | 2021-03-19 | 2021-06-11 | 成都捷科思石油天然气技术发展有限公司 | 区分储层类型的方法 |
CN112946751A (zh) * | 2021-03-17 | 2021-06-11 | 成都捷科思石油天然气技术发展有限公司 | 一种预测不同储层平面分布的方法及系统 |
-
2021
- 2021-08-16 CN CN202110937714.5A patent/CN113671567B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130262061A1 (en) * | 2012-03-28 | 2013-10-03 | Schlumberger Technology Corporation | Seismic attribute color model transform |
CN105388525A (zh) * | 2015-10-21 | 2016-03-09 | 中国石油化工股份有限公司 | 储层预测方法及装置 |
CN111025384A (zh) * | 2019-11-26 | 2020-04-17 | 中国石油天然气股份有限公司 | 基于波形分类交汇融合的储层预测方法和装置 |
CN112505776A (zh) * | 2020-10-29 | 2021-03-16 | 中国石油集团工程咨询有限责任公司 | 一种基于rgb-ihs多属性融合的色标调整方法 |
CN112578447A (zh) * | 2020-11-26 | 2021-03-30 | 中国石油天然气股份有限公司西南油气田分公司勘探开发研究院 | 一种基于数据降维及重构的储层预测方法 |
CN112946751A (zh) * | 2021-03-17 | 2021-06-11 | 成都捷科思石油天然气技术发展有限公司 | 一种预测不同储层平面分布的方法及系统 |
CN112946743A (zh) * | 2021-03-19 | 2021-06-11 | 成都捷科思石油天然气技术发展有限公司 | 区分储层类型的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113671567B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11346970B2 (en) | Automatic quality control of seismic travel time | |
US8213261B2 (en) | Method for geophysical and geological interpretation of seismic volumes in the domains of depth, time, and age | |
US8447524B2 (en) | Method for geophysical and geological interpretation of seismic volumes using chronological panning | |
Chopra et al. | Emerging and future trends in seismic attributes | |
US20130151161A1 (en) | Seismic Horizon Skeletonization | |
WO2004008389A1 (en) | Pattern recognition applied to oil exploration and production | |
CN102918423A (zh) | 用于地震烃体系分析的方法 | |
Falivene et al. | Synthetic seismic models from outcrop-derived reservoir-scale three-dimensional facies models: The Eocene Ainsa turbidite system (southern Pyrenees) | |
CN111506861B (zh) | 一种目的层有利区域裂缝强度计算方法 | |
AU2018263142B2 (en) | System and method for analyzing geologic features using seismic data | |
CN113484907B (zh) | 一种预测不同类型储层平面上分布的方法 | |
CN113671567B (zh) | 一种基于波形分类及颜色融合预测不同类型储层的方法 | |
CN111399047A (zh) | 一种基于道集数据重构的增强河道地质异常体成像的方法 | |
Lorentzen et al. | Mapping Cretaceous faults using a convolutional neural network-A field example from the Danish North Sea. | |
Connolly et al. | Visualizing hydrocarbon migration pathways associated with the Ringhorne oil field, Norway: An integrated approach | |
Ramdani | High-fidelity outcrop-analog model of the Hanifa Reservoir | |
Pennington et al. | Calibration of seismic attributes for reservoir characterization | |
AU2009201377B2 (en) | Method for horizon binning and deriving seismic attribute file for an area of interest | |
Mendez et al. | Rock Type Prediction Using Democratic Neural Networks Association DNNA: An Alternative Method to Describe Clastic Fillings in Ordovician Karsted Carbonates within a Region of the Tahe Oilfield, China | |
Carrillat et al. | From 3d seismic facies to reservoir simulation: an example from the Grane field | |
Shen et al. | Characterization and modeling study of the carbonate-fractured reservoir in the cantarell field, Mexico | |
Paiva | Offshore Angola oil field: Multiple Point Statistics (MPS) modelling approach | |
Wang et al. | Lithological Reservoir Exploration Technology | |
Gonzalez et al. | Predicting Porosity and Permeability for the Canyon Formation, SACROC Unit (Kelly-Snyder Field), Using the Geologic Analysis via Maximum Likelihood System | |
Saleh et al. | Reservoir Modeling of Lam Sands (Madbi Formation) using Seismic Inversion with Core and Log Data analysis in Prospect D Field, Block 18, Sab’Atyan Basin–Yemen |
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 |