CN113687424B - 一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法 - Google Patents
一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法 Download PDFInfo
- Publication number
- CN113687424B CN113687424B CN202111029673.6A CN202111029673A CN113687424B CN 113687424 B CN113687424 B CN 113687424B CN 202111029673 A CN202111029673 A CN 202111029673A CN 113687424 B CN113687424 B CN 113687424B
- Authority
- CN
- China
- Prior art keywords
- fracture
- dimensional
- data
- seismic
- deep learning
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—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
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
-
- 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
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及油气勘探与开发技术领域,公开了一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法,所述方法包括:采用实际资料与模拟数据相结合的方法,分类构建断、缝、洞训练数据集;将断裂与溶洞地震识别作为三维图像分割问题,将裂缝地震识别作为回归问题,分类建立并训练断、缝、洞地震识别深度学习模型;将已训练的深度学习模型分别应用于研究区实际三维地震数据,得到断、缝、洞分类预测三维数据体;最终通过断、缝、洞分类预测结果的融合来表征断缝洞结构。本发明方法基于深度学习充分挖掘地震数据有效信息,实现真三维地震资料解释,可有效提高碳酸盐岩断缝洞结构地震表征的精度和可靠性。
Description
技术领域
本发明涉及油气勘探与开发技术领域,更具体地,是一种针对碳酸盐岩断控岩溶缝洞型油气藏进行断缝洞结构地震表征的方法。
背景技术
断裂控制的岩溶缝洞型油气藏是近来发现的一类重要的油气藏类型,尤其是在塔里木盆地塔北、塔中深层奥陶系碳酸盐岩中,受大规模走滑断裂控制的缝洞型油气藏广泛发育,具有极大油气勘探开发潜力。断控岩溶缝洞以断裂为核心,在构造应力作用下形成断裂破碎带,经历多期大气淡水岩溶,叠加深层热液溶蚀改造,形成复杂的岩溶缝洞储层,断缝洞结构极其复杂。
三维地震是深层缝洞结构表征的重要手段,但深部地震资料分辨率低,缝洞储层类型多样、尺度差异大,断缝洞结构地震表征难度大、精度低。“断、缝、洞”分别指断裂、裂缝、溶洞。走滑断裂垂向断距小,地震断裂响应特征弱,常规人工解释难度大,现有地震断裂识别方法如相干体、方差体属性等提取的地震断裂响应特征弱,容易与地震噪声相混淆,走滑断裂识别效果较差。溶洞尺度差异大、结构及组合多样,地震响应特征复杂,现有技术主要通过地震振幅属性,如均方根振幅、最大振幅、振幅变化率等方法进行识别,但对于溶洞的结构、形态、边界的识别误差较大。裂缝由于尺度小,叠后地震数据响应微弱,现有叠后地震方法如蚂蚁追踪等,裂缝识别钻井验证精度较低。
总体来看,现有技术主要通过不同的地震属性方法识别断、缝、洞,识别精度较低,难以精细表征断缝洞结构,不能满足断控岩溶缝洞型油气藏勘探开发储层结构精细表征需求。深度学习是当今最强大的机器学习方法之一,具有很强的特征提取、非线性模式拟合能力,本发明提出一种基于深度学习的方法用来解决断缝洞结构精细表征的难题。
发明内容
本发明针对现有断缝洞结构表征技术的局限性,提出一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法,可以有效提高断缝洞结构地震表征的精度和可靠性,其实现步骤包括:
步骤1,考虑研究区地质与地震资料特征,采用实际资料与模拟数据相结合的方法,分类构建断、缝、洞训练数据集:
步骤1.1,构建三维模拟断裂及正演地震数据集;
步骤1.2,构建三维模拟溶洞及正演地震数据集;
步骤1.3,构建测井解释裂缝及井旁三维地震数据集;
步骤2,分类建立并训练断、缝、洞识别深度学习模型:
步骤2.1,将断裂识别作为三维图像分割问题,以三维正演地震数据作为输入,以三维模拟断裂数据作为标签,搭建三维卷积编解码器深度学习架构,将断裂数据集分为训练集、验证集、测试集,反复对三维卷积编解码器进行训练、测试,不断优化模型参数;
步骤2.2,将溶洞识别作为三维图像分割问题,以三维正演地震数据作为输入,以三维模拟溶洞数据作为标签,搭建三维卷积编解码器深度学习架构,将溶洞数据集分为训练集、验证集、测试集,反复对三维卷积编解码器进行训练、测试,不断优化模型参数;
步骤2.3,将裂缝识别作为回归拟合问题,以三维井旁地震数据作为输入,以地震数据对应的测井识别裂缝数据作为标签,搭建三维卷积网络深度学习架构,将裂缝数据集分为训练集、验证集、测试集,反复对模型进行训练、测试,不断优化模型参数;
步骤3:将已完成训练的断、缝、洞深度学习模型,分别应用于实际研究区三维地震数据,实现断、缝、洞分类预测;
步骤4:将断、缝、洞地震分类预测结果进行融合,可在平面、剖面、三维空间表征断缝洞结构。
上述技术方案中,所述步骤1.1中,三维模拟断裂数据包括不同倾角、倾向、断距、组合的断裂,在此基础上采用三维褶积叠加随机噪声生成断裂正演模拟三维地震数据。
上述技术方案中,所述步骤1.2中,三维模拟溶洞数据包括不同洞长、洞高、宽高比的椭球状溶洞,采用序贯高斯法随机模拟溶洞及围岩岩石物理属性,在此基础上采用实际地震资料提取子波进行三维褶积运算,叠加随机噪声生成溶洞正演模拟三维地震数据。
上述技术方案中,所述步骤1.3中,测井解释裂缝数据主要是指成像测井解释的裂缝发育线密度、孔隙度等,作为标签数据;提取井旁实际三维地震数据作为输入数据,同时可以提取多种裂缝敏感地震属性作为多通道输入数据。
上述技术方案中,所述步骤2.1与2.2中,三维卷积编解码器由编码器(Encoder)和解码器(Decoder)构成,编码器由多个三维卷积层构成,通过控制卷积步长不断降低输出特征体的维度;解码器由多个三维反卷积层和卷积层构成,通过控制反卷积步长不断增加输出特征体的维度,输出数据与输入数据维度相同;使用线性整流函数(ReLU)作为激活函数,使用Dropout层提高模型的泛化性能,使用二元交叉熵(binary cross-entropy)作为损失函数,使用Adam作为优化函数。
上述技术方案中,所述步骤2.3中,三维卷积网络由多层三维卷积层、Dropout层和全连接层构成,输入是三维地震单元,输出是一维裂缝密度数据,使用均方误差(meansquared error)作为损失函数。
上述技术方案中,所述步骤3中,实际三维地震数据的应用中,采用多方向三维体窗口滑动的方法逐步完成整个三维地震数据的预测,得到断、缝、洞分类预测三维数据体。
上述技术方案中,所述步骤4中,断、缝、洞地震分类预测结果的融合,采用数据合并运算、镂空叠加、透明化显示等方法得到断缝洞结构表征结果。
本发明提供了一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法,克服了人工解释和常规属性方法的局限性,充分提取三维地震数据中有效信息,真正实现了三维空间断、缝、洞识别,可以有效提高断控岩溶缝洞结构地震表征的精度、可靠性以及工作效率。
附图说明
为了更清楚地说明本发明的实施方式或实施效果,本说明书中提供了所需附图,下面对所使用附图做出说明:
图1是本说明书所述的一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法的流程示意图;
图2是本说明书提供的一个实施例中用于断裂地震识别的三维编解码器深度学习框架内部结构可视化示意图;
图3是本说明书提供的一个实施例中利用常规识别方法表征的断缝洞结构图;
图4是本说明书提供的一个实施例中利用本发明方法表征的断缝洞结构示意图;
图5是本说明书提供的一个实施例中用实钻井验证本发明方法表征的断缝洞结构剖面示意图。
具体实施方式
本发明通过对断控岩溶缝洞体特征及地震资料特征分析,分类型对断、缝、洞进行地震识别,并利用深度学习方法提高断、缝、洞的识别精度,最终通过融合显示的方法实现对断缝洞结构的地震表征。为了更好的说明本发明的技术方案,下面结合附图利用本发明在塔里木盆地某区块奥陶系碳酸盐岩断缝洞结构表征的实施例,详细解释说明本发明的具体实施方式,该实施例不对本发明作出限制。
图1是本说明书所述的一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法的流程示意图,下面给出具体实施步骤的详细说明。
步骤1,训练数据集构建。考虑塔里木盆地奥陶系碳酸盐岩实际研究区地质与地震资料特征,采用实际资料与模拟数据相结合的方法,分类构建断、缝、洞训练数据集。研究区的地质特征分析,主要是分析总结研究区断裂、裂缝、溶洞等主要储集空间的结构、充填性、物性、弹性参数等特征。地震资料分析,主要是对地震资料的主频、频带、信噪比等特征进行分析。针对断、缝、洞的差异特征,分别采用实际资料或数值模拟数据构建训练数据集。
步骤1.1,构建三维模拟断裂及正演地震数据集。大尺度断裂在三维地震资料中表现为同相轴的错动,可进行人工解释,但是在二维剖面或水平切片中解释难度较大。三维模拟断裂是要在三维空间中模拟出不同倾角、倾向、断距、组合的断裂,同时叠加不同构造起伏变化特征的地层,在此基础上采用三维褶积叠加随机噪声生成断裂正演模拟三维地震数据,叠加的噪声需要考虑实际地震数据噪声特征,以期得到更好的实际地震识别效果。
步骤1.2,构建三维模拟溶洞及正演地震数据集。溶洞在三维地震资料中表现为串珠状反射,这种特征在塔里木盆地深层奥陶系尤为典型。三维模拟溶洞包括不同洞长、洞高、宽高比的椭球状溶洞,溶洞分布采用基于目标的随机模拟方法生成,同时叠加不同构造起伏变化特征的地层,采用序贯高斯法随机模拟溶洞及围岩岩石物理属性,模拟不同充填特征的溶洞和围岩,在此基础上采用实际地震资料提取子波进行三维褶积运算,叠加随机噪声生成溶洞正演模拟三维地震数据。对于断裂与溶洞模拟数据,考虑研究区实际地震资料分辨率,三维数据x,y,z方向网格设置为25m*25m*10m,同时考虑计算机计算能力限制,三维数据样本形状采样为64*64*64,生成100组以上的训练样本作为后续深度学习模型的训练数据集。
步骤1.3,构建测井解释裂缝及井旁三维地震数据集。由于裂缝尺度较小,地震响应特征不清,难以通过数值模拟的方法生成有效数据。测井解释裂缝主要是指成像测井解释的裂缝线密度、裂缝孔隙度等,尽可能多的利用直井或水平井数据作为标签数据,当成像测井数据较少时,可配合使用常规测井识别裂缝数据;提取井旁对应的实际三维地震数据作为输入数据,可通过实验优选井旁地震道数及垂向时窗长度,同时可以提取多种裂缝相关地震属性作为多通道输入数据。
步骤2,分类建立并训练断、缝、洞地震识别深度学习模型。
步骤2.1,断裂识别模型建立及训练。将断裂识别作为三维图像分割问题,以三维正演地震数据作为输入,以三维模拟断裂数据作为标签,搭建断裂识别三维卷积编解码器深度学习架构。图2展示了用于研究区断裂地震识别的三维编解码器深度学习框架的内部结构,三维卷积编解码器由编码器(Encoder)和解码器(Decoder)构成,编码器由多个三维卷积层构成,通过控制卷积步长不断降低输出特征体的维度;解码器由多个三维反卷积层和卷积层构成,通过控制反卷积步长不断增加输出特征体的维度,输出数据与输入数据维度相同。使用线性整流函数(ReLU)作为内部卷积层的激活函数,使用softmax函数作为输出层函数,模型输出同时得到断裂与非断裂概率体。在卷积层后添加Dropout层,提高模型的泛化性能,使用二元交叉熵(binary cross-entropy)作为损失函数,使用Adam作为优化函数,初始学习率设置为0.001。将断裂数据集的70%、20%、10%分别作为训练集、验证集、测试集,训练集用来更新模型参数,验证集用来监督训练过程,测试集用来已训练模型的最终测试,反复对三维卷积编解码器进行训练、测试,不断调整优化模型参数。
步骤2.2,溶洞识别模型建立及训练。将溶洞识别作为三维图像分割问题,以三维正演地震数据作为输入,以三维模拟溶洞数据作为标签,搭建溶洞识别三维卷积编解码器深度学习架构。溶洞识别三维编解码器模型及训练过程与断裂识别类似,此处不再赘述。
步骤2.3,裂缝识别模型建立及训练。将裂缝识别作为回归拟合问题,以井旁地震数据作为输入,以地震数据对应的测井识别裂缝数据作为标签,搭建裂缝识别三维卷积网络深度学习架构。相比于断裂与溶洞识别模型,裂缝识别模型相对简单,三维卷积网络由多层三维卷积层和全连接层构成,输入数据是小型三维地震单元,输出是一维裂缝密度数据。同样使用线性整流函数(ReLU)作为激活函数,在卷积层后添加Dropout层,使用均方误差(mean squared error)作为损失函数,使用Adam作为优化函数。
步骤3:断、缝、洞模型分类预测。将已完成训练的断、缝、洞深度学习模型,应用于实际研究区三维地震数据,得到断、缝、洞分类预测三维数据体。断缝洞模型的输入数据样本形状往往远小于实际地震数据,采用x,y,z三个方向分别滑动的方法逐步完成整个三维地震数据的预测。
步骤4:断缝洞结构融合表征。将断、缝、洞地震分类预测结果采用数据合并运算、镂空叠加、透明化显示等方法,实现断、缝、洞预测结果的融合,可以在平面、剖面、三维空间表征断缝洞结构。通过预测结果的镂空叠加,图3是利用常规识别方法表征的断缝洞结构图,图4是利用本发明方法表征的断缝洞结构图,对比可以看出本发明方法的表征结果对于大型断裂轨迹刻画更加清晰,大型溶洞边界及空间结构关系更加清晰,构造相关裂缝发育带刻画更加符合地质模式。图5是用实钻井W1井验证本发明方法表征的断缝洞结构剖面示意图,通过多口实钻井验证研究区断缝洞结构地震表征结果,钻井吻合率得到大幅提高。
Claims (8)
1.一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法,其特征在于以下步骤:
步骤1,考虑研究区地质与地震资料特征,采用实际资料与模拟数据相结合的方法,分类构建断、缝、洞训练数据集:
步骤1.1,构建三维模拟断裂及正演地震数据集;
步骤1.2,构建三维模拟溶洞及正演地震数据集;
步骤1.3,构建测井解释裂缝及井旁三维地震数据集;
步骤2,分类建立并训练断、缝、洞识别深度学习模型:
步骤2.1,将断裂识别作为三维图像分割问题,以三维正演地震数据作为输入,以三维模拟断裂数据作为标签,搭建三维卷积编解码器深度学习架构,将断裂数据集分为训练集、验证集、测试集,反复对三维卷积编解码器进行训练、测试,不断优化模型参数;
步骤2.2,将溶洞识别作为三维图像分割问题,以三维正演地震数据作为输入,以三维模拟溶洞数据作为标签,搭建三维卷积编解码器深度学习架构,将溶洞数据集分为训练集、验证集、测试集,反复对三维卷积编解码器进行训练、测试,不断优化模型参数;
步骤2.3,将裂缝识别作为回归拟合问题,以三维井旁地震数据作为输入,以地震数据对应的测井识别裂缝数据作为标签,搭建三维卷积网络深度学习架构,将裂缝数据集分为训练集、验证集、测试集,反复对模型进行训练、测试,不断优化模型参数;
步骤3:将已完成训练的断、缝、洞深度学习模型,分别应用于实际研究区三维地震数据,实现断、缝、洞分类预测;
步骤4:将断、缝、洞地震分类预测结果进行融合,在平面、剖面、三维空间表征断缝洞结构。
2.根据权利要求1所述的一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法,其特征在于,所述步骤1.1中,三维模拟断裂数据包括不同倾角、倾向、断距、组合的断裂,在此基础上采用三维褶积叠加随机噪声生成断裂正演模拟三维地震数据。
3.根据权利要求1所述的一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法,其特征在于,所述步骤1.2中,三维模拟溶洞数据包括不同洞长、洞高、宽高比的椭球状溶洞,采用序贯高斯法随机模拟溶洞及围岩岩石物理属性,在此基础上采用实际地震资料提取子波进行三维褶积运算,叠加随机噪声生成溶洞正演模拟三维地震数据。
4.根据权利要求1所述的一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法,其特征在于,所述步骤1.3中,测井解释裂缝数据是指成像测井解释的裂缝发育线密度、孔隙度,作为标签数据;提取井旁实际三维地震数据作为输入数据,同时提取多种裂缝敏感地震属性作为多通道输入数据。
5.根据权利要求1所述的一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法,其特征在于,所述步骤2.1与2.2中,三维卷积编解码器由编码器(Encoder)和解码器(Decoder)构成,编码器由多个三维卷积层构成,通过控制卷积步长不断降低输出特征体的维度;解码器由多个三维反卷积层和卷积层构成,通过控制反卷积步长不断增加输出特征体的维度;使用线性整流函数(ReLU)作为激活函数,使用Dropout层提高模型的泛化性能,使用二元交叉熵(binary cross-entropy)作为损失函数,使用Adam作为优化函数。
6.根据权利要求1所述的一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法,其特征在于,所述步骤2.3中,三维卷积网络由多层三维卷积层、Dropout层和全连接层构成,输入是三维地震单元,输出是一维裂缝密度数据,使用均方误差(mean squared error)作为损失函数。
7.根据权利要求1所述的一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法,其特征在于,所述步骤3中,实际三维地震数据的应用采用多方向三维体窗口滑动的方法逐步完成整个三维地震数据的预测,得到断、缝、洞分类预测三维数据体。
8.根据权利要求1所述的一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法,其特征在于,所述步骤4中,断、缝、洞地震分类预测结果的融合,采用数据合并运算、镂空叠加、透明化显示方法得到断缝洞结构表征结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111029673.6A CN113687424B (zh) | 2021-09-03 | 2021-09-03 | 一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111029673.6A CN113687424B (zh) | 2021-09-03 | 2021-09-03 | 一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113687424A CN113687424A (zh) | 2021-11-23 |
CN113687424B true CN113687424B (zh) | 2023-09-22 |
Family
ID=78585240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111029673.6A Active CN113687424B (zh) | 2021-09-03 | 2021-09-03 | 一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113687424B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282725A (zh) * | 2021-12-24 | 2022-04-05 | 山东大学 | 基于深度学习的瞬态油藏代理模型的构建及油藏预测方法 |
CN114972905A (zh) * | 2022-04-20 | 2022-08-30 | 中国石油大学(华东) | 一种基于改进MaskFormer的碳酸盐岩缝洞识别方法 |
CN115577616A (zh) * | 2022-09-15 | 2023-01-06 | 福瑞升(成都)科技有限公司 | 基于深度学习的碳酸岩缝洞地震刻画方法及装置 |
CN115542383A (zh) * | 2022-09-20 | 2022-12-30 | 中国石油大学(北京) | 走滑断裂解释模型建立方法及装置、解释方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271898A (zh) * | 2018-08-31 | 2019-01-25 | 电子科技大学 | 基于优化卷积神经网络的溶洞体识别算法 |
CN110309518A (zh) * | 2018-03-20 | 2019-10-08 | 中国石油化工股份有限公司 | 缝洞型碳酸盐岩油藏溶蚀孔洞分级分类建模方法 |
CN111695228A (zh) * | 2019-03-13 | 2020-09-22 | 中国石油化工股份有限公司 | 一种缝洞型碳酸盐岩油藏的多尺度裂缝建模方法 |
CN112698392A (zh) * | 2020-11-20 | 2021-04-23 | 中国石油天然气股份有限公司 | 一种多层系储集体立体刻画与油气空间分布及定容方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3682269B1 (en) * | 2017-09-12 | 2024-03-06 | Services Pétroliers Schlumberger | Seismic image data interpretation system |
US10977489B2 (en) * | 2018-11-07 | 2021-04-13 | International Business Machines Corporation | Identification of natural fractures in wellbore images using machine learning |
-
2021
- 2021-09-03 CN CN202111029673.6A patent/CN113687424B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309518A (zh) * | 2018-03-20 | 2019-10-08 | 中国石油化工股份有限公司 | 缝洞型碳酸盐岩油藏溶蚀孔洞分级分类建模方法 |
CN109271898A (zh) * | 2018-08-31 | 2019-01-25 | 电子科技大学 | 基于优化卷积神经网络的溶洞体识别算法 |
CN111695228A (zh) * | 2019-03-13 | 2020-09-22 | 中国石油化工股份有限公司 | 一种缝洞型碳酸盐岩油藏的多尺度裂缝建模方法 |
CN112698392A (zh) * | 2020-11-20 | 2021-04-23 | 中国石油天然气股份有限公司 | 一种多层系储集体立体刻画与油气空间分布及定容方法 |
Non-Patent Citations (3)
Title |
---|
Pattern visualization and understanding of machine learning models for permeability prediction in tight sandstone reservoirs;Guoyin Zhang 等;《Journal of Petroleum Science and Engineering》;第1-17页 * |
Using Deep Learning to Predict Fracture Patterns in Crystalline Solids;Yu-Chuan Hsu 等;《Matter》;第196-211页 * |
基于深度学习的地震数据喀斯特溶洞预测;闫星宇 等;《第四届油气地球物理学术年会论文集》;第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113687424A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113687424B (zh) | 一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法 | |
RU2661489C1 (ru) | Способ комплексирования исходных данных для уточнения фильтрационного строения неоднородных карбонатных коллекторов | |
US20050015204A1 (en) | Method for prospect identification in asset evaluation | |
CN109446735B (zh) | 一种模拟测井数据的生成方法、设备以及系统 | |
CN109271898A (zh) | 基于优化卷积神经网络的溶洞体识别算法 | |
CN113050157B (zh) | 一种基于露头资料的碳酸盐岩地震储层反演方法及系统 | |
CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
CN106462436A (zh) | 用于具有天然裂缝性储层的油田的水平井设计 | |
CN109375269B (zh) | 一种综合地质与地球物理信息建立油/气藏模式的方法 | |
Liu et al. | An integrated 3D fracture network reconstruction method based on microseismic events | |
CN115166853A (zh) | 页岩气藏天然裂缝模型建立方法、装置、电子设备及介质 | |
CN114138923A (zh) | 一种构建地质图知识图谱的方法 | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
CN109425889B (zh) | 一种用于刻画古岩溶暗河的方法 | |
CN110988996A (zh) | 一种基于Adaboost回归算法的储层孔隙度预测方法 | |
CN114740547A (zh) | 一种逆冲走滑断裂褶皱分级分区解析与三维表征方法 | |
US11719851B2 (en) | Method and system for predicting formation top depths | |
EP4295275A1 (en) | Geologic learning framework | |
CN116559938A (zh) | 一种油气藏裂缝模型建立方法及电子设备 | |
CN113514884A (zh) | 一种致密砂岩储层预测方法 | |
CN114912340B (zh) | 一种面向多源信息融合的页岩气保存条件定量测定方法 | |
Rezaei et al. | Applications of Machine Learning for Estimating the Stimulated Reservoir Volume (SRV) | |
CN115629188B (zh) | 一种岩心产能模拟实验系统 | |
Yarong | Detection and Analysis of Engineering Quality of Mine Oil and Gas Reservoir based on Computer Image Analysis Technology | |
CN112780253B (zh) | 裂缝型储层的预测及评价方法 |
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 |