CN113945971A - 基于孔隙结构分类的横波速度预测方法和装置 - Google Patents
基于孔隙结构分类的横波速度预测方法和装置 Download PDFInfo
- Publication number
- CN113945971A CN113945971A CN202010684453.6A CN202010684453A CN113945971A CN 113945971 A CN113945971 A CN 113945971A CN 202010684453 A CN202010684453 A CN 202010684453A CN 113945971 A CN113945971 A CN 113945971A
- Authority
- CN
- China
- Prior art keywords
- pore structure
- wave velocity
- parameters
- shear wave
- reservoir
- 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
- 239000011148 porous material Substances 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 239000011435 rock Substances 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 17
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 claims description 6
- 229910052753 mercury Inorganic materials 0.000 claims description 6
- 230000035699 permeability Effects 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 238000001035 drying Methods 0.000 description 3
- 238000005498 polishing Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- CFMZSMGAMPBRBE-UHFFFAOYSA-N 2-hydroxyisoindole-1,3-dione Chemical compound C1=CC=C2C(=O)N(O)C(=O)C2=C1 CFMZSMGAMPBRBE-UHFFFAOYSA-N 0.000 description 1
- 102100027611 Rho-related GTP-binding protein RhoB Human genes 0.000 description 1
- 101150054980 Rhob gene Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000706 filtrate Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012314 multivariate regression analysis Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G01V1/303—Analysis for determining velocity profiles or travel times
-
- 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
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- 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
-
- 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
- G01V2210/622—Velocity, density or impedance
- G01V2210/6222—Velocity; travel time
-
- 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
- G01V2210/6244—Porosity
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (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孔隙结构分类的横波速度预测方法和装置,该方法包括:获取目标井的常规测井参数;利用预获取的储层孔隙结构类型判别准则判别该常规测井参数得到该目标井的储层孔隙结构类型;将该常规测井参数输入预获取的与目标井的储层结构类型对应的横波速度预测模型得到该目标井的横波速度预测结果,充分考虑孔隙结构对储层横波速度的影响,实现利用常规测井资料准确预测横波速度,并实现地震资料精细解释及储层性质综合分析。
Description
技术领域
本发明涉及地球物理勘探技术领域,尤其涉及一种基于孔隙结构分类的横波速度预测方法和装置。
背景技术
横波速度在地震资料精细解释、储层性质综合分析等方面具有重要作用,包括地震资料的振幅随偏移距的变化(AVO)分析、地震叠前反演、储层弹性参数计算、流体识别等。目前地层横波速度常由阵列声波测井、偶极横波测井等方法直接获得,然而大量实际井中没有上述测井资料,因此横波速度的高精度预测变得至关重要。
目前横波速度预测方法主要分为两大类:第一种是理论模型预测法。包括Wu-White模型、微分等效介质理论及Gassmann理论等。上述方法充分考虑了孔隙形状、砂泥含量等参数对横波速度的影响,具有较高的精度,然而上述方法参数多、模型复杂、计算量大,实际应用中具有局限性。第二种是回归分析法,该方法通过对大量横波速度数据和其他数据进行单元或多元回归分析得到横波速度计算方程,并应用于实际井中实现横波速度的预测,然而该方法没有考虑储层孔隙结构的影响,横波速度计算精度较差。
发明内容
针对现有技术中的问题,本发明提供一种基于孔隙结构分类的横波速度预测方法和装置,能够至少部分地解决现有技术中存在的问题,充分考虑孔隙结构对储层横波速度的影响,实现利用常规测井资料准确预测横波速度,并实现地震资料精细解释及储层性质综合分析。
为了实现上述目的,本发明采用如下技术方案:
第一方面,提供一种基于孔隙结构分类的横波速度预测方法,包括:
获取目标井的常规测井参数;
利用预获取的储层孔隙结构类型判别准则判别该常规测井参数得到该目标井的储层孔隙结构类型;
将该常规测井参数输入预获取的与目标井的储层结构类型对应的横波速度预测模型得到该目标井的横波速度预测结果。
进一步地,基于孔隙结构分类的横波速度预测方法还包括:
获取多个样本井的常规测井参数以及岩心样本的孔径分布数据、岩石物理参数,该岩石物理参数包括:横波速度以及孔隙结构参数;
根据该孔径分布数据以及该孔隙结构参数对岩心样本进行分类;
利用多元回归法分析各类岩心样本的横波速度与对应的常规测井参数之间的关系,得到不同孔隙结构类型储层的横波速度预测模型。
进一步地,该利用多元回归法分析各类岩心样本的横波速度与对应的常规测井参数之间的关系之前,还包括:
对各岩心样本的岩心深度进行校正。
进一步地,基于孔隙结构分类的横波速度预测方法还包括:
根据岩心样本的分类结果以及各类岩心样本对应的岩石物理参数和常规测井参数,利用Fisher判别分析法建立储层孔隙结构类型判别准则。
进一步地,该孔隙结构参数包括:孔隙度、渗透率、平均孔喉半径、中值孔喉半径、最大孔喉半径、最大汞饱和度、排驱压力、中值压力。
第二方面,提供一种基于孔隙结构分类的横波速度预测装置,包括:
目标井数据获取模块,获取目标井的常规测井参数;
储层孔隙结构类型判别模块,利用预获取的储层孔隙结构类型判别准则判别该常规测井参数得到该目标井的储层孔隙结构类型;
横波速度预测模块,将该常规测井参数输入预获取的与目标井的储层结构类型对应的横波速度预测模型得到该目标井的横波速度预测结果。
进一步地,基于孔隙结构分类的横波速度预测装置还包括:
样本井数据获取模块,获取多个样本井的常规测井参数以及岩心样本的孔径分布数据、岩石物理参数,该岩石物理参数包括:横波速度以及孔隙结构参数;
样本分类模块,根据该孔径分布数据以及该孔隙结构参数对岩心样本进行分类;
建模模块,利用多元回归法分析各类岩心样本的横波速度与对应的常规测井参数之间的关系,得到不同孔隙结构类型储层的横波速度预测模型。
进一步地,基于孔隙结构分类的横波速度预测装置还包括:
判别准则建立模块,根据岩心样本的分类结果以及各类岩心样本对应的岩石物理参数和常规测井参数,利用Fisher判别分析法建立储层孔隙结构类型判别准则。
第三方面,提供一种电子设备,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,该处理器执行该程序时实现上述的基于孔隙结构分类的横波速度预测方法的步骤。
第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的基于孔隙结构分类的横波速度预测方法的步骤。
本发明提供的基于孔隙结构分类的横波速度预测方法和装置,该方法包括:获取目标井的常规测井参数;利用预获取的储层孔隙结构类型判别准则判别该常规测井参数得到该目标井的储层孔隙结构类型;将该常规测井参数输入预获取的与目标井的储层结构类型对应的横波速度预测模型得到该目标井的横波速度预测结果,充分考虑孔隙结构对储层横波速度的影响,实现利用常规测井资料准确预测横波速度,并实现地震资料精细解释及储层性质综合分析。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
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。在附图中:
图1为本发明实施例中的服务器S1与客户端设备B1之间的架构示意图;
图2为本发明实施例中的服务器S1、客户端设备B1及数据库服务器S2之间的架构示意图;
图3是本发明实施例中的基于孔隙结构分类的横波速度预测方法的流程示意图一;
图4是本发明实施例中的基于孔隙结构分类的横波速度预测方法的流程示意图二;
图5是本发明实施例中的基于孔隙结构分类的横波速度预测方法的流程示意图三;
图6是本发明实施例中的基于孔隙结构分类的横波速度预测方法的流程示意图四;
图7示出了本发明实施例中的岩心孔隙结构分类标准;
图8示出了图7中I类孔隙结构类型岩心的横波速度计算公式及计算效果图;
图9示出了图7中II类孔隙结构类型岩心的横波速度计算公式及计算效果图;
图10示出了图7中III类孔隙结构类型岩心的横波速度计算公式及计算效果图;
图11示出了图7中IV类孔隙结构类型岩心的横波速度计算公式及计算效果图;
图12是本发明实施例中基于Fisher判别分析法的储层孔隙结构类型判别准则;
图13是本发明实施例中的基于孔隙结构分类的横波速度预装置的结构框图一;
图14是本发明实施例中的基于孔隙结构分类的横波速度预装置的结构框图二;
图15是本发明实施例中的基于孔隙结构分类的横波速度预装置的结构框图三;
图16为本发明实施例电子设备的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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的实施例,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,都应当属于本申请保护的范围。
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。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
现有横波速度预测方法没有考虑储层孔隙结构的影响,横波速度计算精度较差。
有鉴于此,本申请提供了一种基于孔隙结构分类的横波速度预装置,该装置可以为一种服务器S1,参见图1,该服务器S1可以与至少一个客户端设备B1通信连接,所述客户端设备B1可以将目标井的常规测井参数发送至所述服务器S1,所述服务器S1可以在线接收所述目标井的常规测井参数。所述服务器S1可以在线或者离线对获取的目标井的常规测井参数进行预处理,利用预获取的储层孔隙结构类型判别准则判别所述常规测井参数得到所述目标井的储层孔隙结构类型;将所述常规测井参数输入预获取的与目标井的储层结构类型对应的横波速度预测模型得到所述目标井的横波速度预测结果。而后,所述服务器S1可以将横波速度预测结果在线发送至所述客户端设备B1。所述客户端设备B1可以在线接收所述横波速度预测结果。
另外,参见图2,所述服务器S1还可以与至少一个数据库服务器S2通信连接,所述数据库服务器S2用于存储储层孔隙结构类型判别准则以及横波速度预测模型等。所述数据库服务器S2在线将所述储层孔隙结构类型判别准则以及横波速度预测模型等发送至所述服务器S1,所述服务器S1可以在线接收所述储层孔隙结构类型判别准则以及横波速度预测模型等。
基于上述内容,所述客户端设备B1可以具有显示界面,使得用户能够根据界面查看所述服务器S1发送的所述横波速度预测结果。
可以理解的是,所述客户端设备B1可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,进行横波速度预测的部分可以在如上述内容所述的服务器S1侧执行,即,如图1所示的架构,也可以所有的操作都在所述客户端设备B1中完成,且该所述客户端设备B1可以直接与数据库服务器S2进行通信连接。具体可以根据所述客户端设备B1的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备B1中完成,所述客户端设备B1还可以包括处理器,用于进行横波速度预测的具体处理。
所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、REST协议(Representational State Transfer,表述性状态转移协议)等。
为了能够精确预测横波速度,本申请实施例提供一种基于孔隙结构分类的横波速度预测方法,参见图3,所述基于孔隙结构分类的横波速度预测方法具体包括如下内容:
步骤S100:获取目标井的常规测井参数;
常规测井参数包含自然伽马测井曲线GR、井径测井曲线CAL、中子测井曲线NHPI、密度测井曲线RHOB、声波时差测井曲线DTCO、泥浆滤液电阻率测井曲线RMF、浅电阻率测井曲线Rs、深电阻率测井曲线Rd、纵向电阻率测井曲线Rv、横向电阻率测井曲线Rh等。
步骤S200:利用预获取的储层孔隙结构类型判别准则判别所述常规测井参数得到所述目标井的储层孔隙结构类型;
具体地,预获取的储层孔隙结构类型判别准则为利用当前地块或工区或地质结构相同的工程地块的样本井汇总得到。
步骤S300:将所述常规测井参数输入预获取的与目标井的储层结构类型对应的横波速度预测模型得到所述目标井的横波速度预测结果。
具体地,横波速度预测模型标识了横波速度与常规测井参数之间的关系,为利用当前地块或地质结构相同的工程地块的样本井汇总得到。
综上所述,本发明实施例充分考虑孔隙结构对储层横波速度的影响,实现利用常规测井资料准确预测横波速度,并实现地震资料精细解释及储层性质综合分析。
在一个可选的实施例中,参见图4,该基于孔隙结构分类的横波速度预测方法还可以包括:
步骤S400:获取多个样本井的常规测井参数以及岩心样本的孔径分布数据、岩石物理参数,所述岩石物理参数包括:横波速度以及孔隙结构参数;
具体地,钻取井下地层岩心并进行切割、打磨、烘干等预处理后,测量岩心的长度、直径、孔隙度、渗透率、横波速度等基础岩石物理参数;利用高压压汞法测量岩心孔径分布数据。
例如:在10、20、30兆帕分别获取对应的岩心孔径分布。
其中,孔隙结构参数包括:孔隙度、渗透率、平均孔喉半径、中值孔喉半径、最大孔喉半径、最大汞饱和度、排驱压力、中值压力等。
步骤S500:根据所述孔径分布数据以及所述孔隙结构参数对岩心样本进行分类;
具体地,可以利用K-MEANS聚类等方式进行聚类,每类岩心样本对应一种孔隙结构类型。
步骤S600:利用多元回归法分析各类岩心样本的横波速度与对应的常规测井参数之间的关系,得到不同孔隙结构类型储层的横波速度预测模型。
值得说明的是,横波速度预测模型即标识横波速度与常规测井参数之间的关系的函数。每类孔隙结构类型对应一横波速度预测模型。
值的说明的是,样本井与目标井位于同一地块或同一工区或地质结构相同的工程地块。
通过采用上述技术方案,能得到当前地块或工区或地质结构相同的工程地块的不同孔隙结构类型对应的横波速度预测模型,利于后续目标井的横波速度预测。
在一个可选的实施例中,参见图5,该基于孔隙结构分类的横波速度预测方法还可以包括:
步骤S700:对各岩心样本的岩心深度进行校正。
值得说明的是,每个岩心样本都对应一个采样时的岩心深度,但是,由于测量误差、地势都因素的影响,岩心深度会存在一定的误差,通过对各岩心样本的岩心深度进行校正(也可称为岩心深度归位),能够得到更精确的数据,利于提高后续的预测精度。
在一个可选的实施例中,参见图6,该基于孔隙结构分类的横波速度预测方法还可以包括:
步骤S800:根据岩心样本的分类结果以及各类岩心样本对应的岩石物理参数和常规测井参数,利用Fisher判别分析法建立储层孔隙结构类型判别准则。
具体地,在进行岩心样本分类后,针对每类岩心样本进行分析,建立其对应的储层孔隙结构类型判别准则。
本发明实施例提出的基于孔隙结构分类的横波速度预测方法,通过钻取工区井下地层岩心并进行切割、打磨、烘干等预处理;测量岩心的长度、直径、孔隙度、渗透率、横波速度等基础岩石物理参数;利用高压压汞法测量岩心孔径分布数据,并按照孔隙结构参数等对岩心孔隙结构进行分类,岩心深度归位后,利用多元回归法分析岩心横波速度与常规测井响应的关系,建立不同孔隙结构类型岩心的横波速度预测模型;依据岩心孔隙结构类型,利用Fisher判别分析法建立储层孔隙结构类型判别准则;将模型应用于实际井中,判别储层孔隙结构类型并计算不同孔隙结构类型储层的横波速度,充分考虑孔隙结构对横波速度的影响,可提高储层横波速度的计算精度。
为了使本领域技术人员更好地理解本发明,下面举例对本发明的方法步骤进行详细说明:
(1)钻取井下地层岩心并进行切割、打磨、烘干等预处理;
(2)测量岩心的长度、直径、孔隙度、渗透率、横波速度等基础岩石物理参数;
(3)利用高压压汞法测量岩心孔径分布数据;
(4)根据所述孔径分布数据以及所述孔隙结构参数对岩心样本进行分类,其分类标准如图7所示;
(7)岩心深度归位,获取岩心所在深度的常规测井响应值;
(8)利用多元回归法分析岩心横波速度与常规测井响应值的关系,建立不同孔隙结构类型岩心的横波速度计算模型,I类孔隙结构类型岩心的横波速度计算公式及计算效果如图8所示,II类孔隙结构类型岩心的横波速度计算公式及计算效果如图9所示,III类孔隙结构类型岩心的横波速度计算公式及计算效果如图10所示,IV类孔隙结构类型岩心的横波速度计算公式及计算效果如图11所示,其中DEN为岩心所在深度的密度值,Por为岩心所在深度的计算孔隙度,Vsh为岩心所在深度的计算泥质含量。
(9)依据岩心孔隙结构类型和岩心所在深度的常规测井响应值,利用Fisher判别分析法建立储层孔隙结构类型判别准则,如图12所示,其中,F1、F2、F3、F4为判别函数,DEN是密度值,AC为纵波时差值,△GR为自然伽马相对值,△SP为自然电位相对值。储层孔隙结构类型为该储层所在深度F1、F2、F3、F4最大值对应的下标;
(10)将模型应用于实际井中,判别储层孔隙结构类型并计算不同孔隙结构类型储层的横波速度。
基于同一发明构思,本申请实施例还提供了一种基于孔隙结构分类的横波速度预测装置,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于基于孔隙结构分类的横波速度预测装置解决问题的原理与上述方法相似,因此基于孔隙结构分类的横波速度预测装置的实施可以参见上述方法的实施,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13是本发明实施例中的基于孔隙结构分类的横波速度预测装置的结构框图一。如图13所示,该基于孔隙结构分类的横波速度预测装置具体包括:目标井数据获取模块10、储层孔隙结构类型判别模块20以及横波速度预测模块30。
目标井数据获取模块10获取目标井的常规测井参数;
储层孔隙结构类型判别模块20利用预获取的储层孔隙结构类型判别准则判别所述常规测井参数得到所述目标井的储层孔隙结构类型;
横波速度预测模块30将所述常规测井参数输入预获取的与目标井的储层结构类型对应的横波速度预测模型得到所述目标井的横波速度预测结果。
综上所述,本发明实施例充分考虑孔隙结构对储层横波速度的影响,实现利用常规测井资料准确预测横波速度,并实现地震资料精细解释及储层性质综合分析。
在一个可选的实施例中,参见图14,该基于孔隙结构分类的横波速度预测装置还可以包括:样本井数据获取模块40、样本分类模块50以及建模模块60。
样本井数据获取模块40获取多个样本井的常规测井参数以及岩心样本的孔径分布数据、岩石物理参数,所述岩石物理参数包括:横波速度以及孔隙结构参数;
样本分类模块50根据所述孔径分布数据以及所述孔隙结构参数对岩心样本进行分类;
建模模块60利用多元回归法分析各类岩心样本的横波速度与对应的常规测井参数之间的关系,得到不同孔隙结构类型储层的横波速度预测模型。
在一个可选的实施例中,参见图15,该基于孔隙结构分类的横波速度预测装置还可以包括:判别准则建立模块70。
判别准则建立模块70根据岩心样本的分类结果以及各类岩心样本对应的岩石物理参数和常规测井参数,利用Fisher判别分析法建立储层孔隙结构类型判别准则。
上述实施例阐明的装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为电子设备,具体的,电子设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个典型的实例中电子设备具体包括存储器、处理器以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程序时实现下述上述基于孔隙结构分类的横波速度预测方法的步骤。
下面参考图16,其示出了适于用来实现本申请实施例的电子设备600的结构示意图。
如图16所示,电子设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中,还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡,调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述基于孔隙结构分类的横波速度预测方法的步骤。
在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
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。
还需要说明的是,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,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述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 (10)
1.一种基于孔隙结构分类的横波速度预测方法,其特征在于,包括:
获取目标井的常规测井参数;
利用预获取的储层孔隙结构类型判别准则判别所述常规测井参数得到所述目标井的储层孔隙结构类型;
将所述常规测井参数输入预获取的与目标井的储层结构类型对应的横波速度预测模型得到所述目标井的横波速度预测结果。
2.根据权利要求1所述的基于孔隙结构分类的横波速度预测方法,其特征在于,还包括:
获取多个样本井的常规测井参数以及岩心样本的孔径分布数据、岩石物理参数,所述岩石物理参数包括:横波速度以及孔隙结构参数;
根据所述孔径分布数据以及所述孔隙结构参数对岩心样本进行分类;
利用多元回归法分析各类岩心样本的横波速度与对应的常规测井参数之间的关系,得到不同孔隙结构类型储层的横波速度预测模型。
3.根据权利要求2所述的基于孔隙结构分类的横波速度预测方法,其特征在于,所述利用多元回归法分析各类岩心样本的横波速度与对应的常规测井参数之间的关系之前,还包括:
对各岩心样本的岩心深度进行校正。
4.根据权利要求2所述的基于孔隙结构分类的横波速度预测方法,其特征在于,还包括:
根据岩心样本的分类结果以及各类岩心样本对应的岩石物理参数和常规测井参数,利用Fisher判别分析法建立储层孔隙结构类型判别准则。
5.根据权利要求2所述的基于孔隙结构分类的横波速度预测方法,其特征在于,所述孔隙结构参数包括:孔隙度、渗透率、平均孔喉半径、中值孔喉半径、最大孔喉半径、最大汞饱和度、排驱压力、中值压力。
6.一种基于孔隙结构分类的横波速度预测装置,其特征在于,包括:
目标井数据获取模块,获取目标井的常规测井参数;
储层孔隙结构类型判别模块,利用预获取的储层孔隙结构类型判别准则判别所述常规测井参数得到所述目标井的储层孔隙结构类型;
横波速度预测模块,将所述常规测井参数输入预获取的与目标井的储层结构类型对应的横波速度预测模型得到所述目标井的横波速度预测结果。
7.根据权利要求6所述的基于孔隙结构分类的横波速度预测装置,其特征在于,还包括:
样本井数据获取模块,获取多个样本井的常规测井参数以及岩心样本的孔径分布数据、岩石物理参数,所述岩石物理参数包括:横波速度以及孔隙结构参数;
样本分类模块,根据所述孔径分布数据以及所述孔隙结构参数对岩心样本进行分类;
建模模块,利用多元回归法分析各类岩心样本的横波速度与对应的常规测井参数之间的关系,得到不同孔隙结构类型储层的横波速度预测模型。
8.根据权利要求7所述的基于孔隙结构分类的横波速度预测装置,其特征在于,还包括:
判别准则建立模块,根据岩心样本的分类结果以及各类岩心样本对应的岩石物理参数和常规测井参数,利用Fisher判别分析法建立储层孔隙结构类型判别准则。
9.一种电子设备,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程序时实现权利要求1至5任一项所述的基于孔隙结构分类的横波速度预测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至5任一项所述的基于孔隙结构分类的横波速度预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010684453.6A CN113945971B (zh) | 2020-07-16 | 2020-07-16 | 基于孔隙结构分类的横波速度预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010684453.6A CN113945971B (zh) | 2020-07-16 | 2020-07-16 | 基于孔隙结构分类的横波速度预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113945971A true CN113945971A (zh) | 2022-01-18 |
CN113945971B CN113945971B (zh) | 2024-05-28 |
Family
ID=79326578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010684453.6A Active CN113945971B (zh) | 2020-07-16 | 2020-07-16 | 基于孔隙结构分类的横波速度预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113945971B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5265016A (en) * | 1989-07-19 | 1993-11-23 | Amoco Corporation | Method of shear wave velocity estimation |
CN109471166A (zh) * | 2018-12-04 | 2019-03-15 | 同济大学 | 一种基于孔隙类型反演的深层碳酸盐岩储层横波预测方法 |
CN109581490A (zh) * | 2017-09-28 | 2019-04-05 | 中国石油化工股份有限公司 | 一种致密储层的地震波速度预测方法及系统 |
CN109655903A (zh) * | 2017-10-11 | 2019-04-19 | 中国石油化工股份有限公司 | 页岩层横波速度预测方法及系统 |
CN109667573A (zh) * | 2018-12-12 | 2019-04-23 | 中国石油化工股份有限公司江汉油田分公司勘探开发研究院 | 三维页岩储层孔隙压力预测方法、装置和电子设备 |
-
2020
- 2020-07-16 CN CN202010684453.6A patent/CN113945971B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5265016A (en) * | 1989-07-19 | 1993-11-23 | Amoco Corporation | Method of shear wave velocity estimation |
CN109581490A (zh) * | 2017-09-28 | 2019-04-05 | 中国石油化工股份有限公司 | 一种致密储层的地震波速度预测方法及系统 |
CN109655903A (zh) * | 2017-10-11 | 2019-04-19 | 中国石油化工股份有限公司 | 页岩层横波速度预测方法及系统 |
CN109471166A (zh) * | 2018-12-04 | 2019-03-15 | 同济大学 | 一种基于孔隙类型反演的深层碳酸盐岩储层横波预测方法 |
CN109667573A (zh) * | 2018-12-12 | 2019-04-23 | 中国石油化工股份有限公司江汉油田分公司勘探开发研究院 | 三维页岩储层孔隙压力预测方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
史謌 等: "岩石波速和孔隙度、泥质含量之间的关系研究", 《北京大学学报(自然科学版)》, vol. 37, no. 3, pages 379 - 383 * |
Also Published As
Publication number | Publication date |
---|---|
CN113945971B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034447B (zh) | 一种水驱油藏含水上升率变化的预测方法及装置 | |
CN111665560B (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
CN111025384B (zh) | 基于波形分类交汇融合的储层预测方法和装置 | |
US20180320493A1 (en) | Automated upscaling of relative permeability using fractional flow in systems comprising disparate rock types | |
CN108873065B (zh) | 砂岩优质储层预测方法及装置 | |
CN108629459B (zh) | 储层含烃孔隙的检测方法及装置 | |
CN103869362A (zh) | 体曲率获取方法和设备 | |
CN110470581B (zh) | 确定储层应力敏感程度的方法、装置及存储介质 | |
CN111766635A (zh) | 砂体连通程度分析方法和系统 | |
CN108681793B (zh) | 深层油藏采油指数预测方法及装置 | |
CN111323814B (zh) | 基于岩石物理模板定量确定砂岩储层含水饱和度的方法 | |
CN111239809B (zh) | 一种基于属性融合原理的优势储层确定方法及系统 | |
CN113945971B (zh) | 基于孔隙结构分类的横波速度预测方法和装置 | |
CN113914853B (zh) | 深水沉积体系砂泥岩薄互层砂岩储层含水饱和度确定方法 | |
CN113900141B (zh) | 油气分布预测方法及装置 | |
CN111582292B (zh) | 夹层识别方法和装置 | |
CN113946931A (zh) | 一种测井遇阻遇卡的主导因素确定方法及装置 | |
CN109063228B (zh) | 一种水驱油藏含水上升率变化的确定方法及装置 | |
CN114460639A (zh) | 页岩油储层渗透率的预测方法及装置 | |
CN112270430A (zh) | 潜山油藏底水锥进范围预测方法和装置 | |
CN112052631B (zh) | 完钻新井目标井段初期无阻流量参数确定方法和装置 | |
CN113075747B (zh) | 储层裂缝发育区域的预测方法及装置 | |
CN112817059B (zh) | 峰峰组内幕储层确定方法及装置 | |
CN112859171B (zh) | 利用有效裂缝进行储层连通性分析的方法和装置 | |
CN112241576B (zh) | 油气井完井处理方法及装置 |
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 |