CN114033352A - 一种井周裂缝密度估算的方法及设备 - Google Patents
一种井周裂缝密度估算的方法及设备 Download PDFInfo
- Publication number
- CN114033352A CN114033352A CN202111287088.6A CN202111287088A CN114033352A CN 114033352 A CN114033352 A CN 114033352A CN 202111287088 A CN202111287088 A CN 202111287088A CN 114033352 A CN114033352 A CN 114033352A
- Authority
- CN
- China
- Prior art keywords
- density
- well
- fracture density
- fracture
- seismic
- 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 55
- 238000003384 imaging method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000013136 deep learning model Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000001427 coherent effect Effects 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 238000007789 sealing Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000005553 drilling Methods 0.000 abstract description 15
- 238000013461 design Methods 0.000 abstract description 8
- 238000012986 modification Methods 0.000 abstract description 8
- 230000004048 modification Effects 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Geochemistry & Mineralogy (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Agronomy & Crop Science (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geophysics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请涉及油气开发勘探技术领域，提供一种井周裂缝密度估算的方法及设备。一种井周裂缝密度估算的方法，包括：S1、获取已完钻井储层成像测井数据资料与裂缝密度解释结论，进行预处理；S2、提取出目标井沿设计井轨迹一维地震属性分布情况，将各数据进行网格化处理，获得与裂缝密度相关性好的若干类地震属性；S3、将裂缝密度解释结论进行数字化处理；S4、建立多地震属性融合裂缝密度估算的深度学习模型，利用训练集训练深度学习模型进行裂缝密度估算，通过测试集验证训练的模型效果；S5、新钻井的裂缝密度估算。本申请可以帮助工作人员实时掌握待钻地层裂缝密度分布，为后续钻井工艺调整，压裂改造设计及储层建模提供信息支撑。
Description
技术领域
本申请属于油气开发勘探技术领域，涉及裂缝密度领域，特别是涉及一种井周裂缝密度估算的方法及设备。
背景技术
裂缝性油气储层是指以裂缝为主要储集空间、渗流通道的油气储集层。随着油气勘探开发逐渐向非常规储层转移，寻找与评价裂缝性储集层已成为热点，其中如何预测储层裂缝密度对该类储层压力改造、储量估算与安全钻井具有十分重要的意义。
目前，获取储层裂缝密度的方式有几种，其中一种主要方式是基于电成像测井数据。一般的，在钻井过程中泥浆会侵入裂缝，造成裂缝与基质岩石的导电性出现差异；在成像测井图像中，裂缝会表现出暗色高电导条状异常，利用数学算法可人工提取出裂缝密度信息。然而，采用该方式的不足之处在于，电成像测井服务费用高昂，在大多数工区仅在预探井内进行；此外，对于许多超深裂缝性储层而言，严苛的井眼条件大幅增加了成像测井仪器下入风险，掩埋仪器事故时有发生。获取储层裂缝密度的另一种方式是基于常规测井数据，通过建立裂缝指数和电阻率曲线之间的回归关系估算裂缝密度。然而，该方法的可靠性有待提升，且对于超深水平井而言，仍然存在测井仪器下入困难的情况。
因此，针对上述问题，亟需提出一种不依赖仪器、低成本的裂缝密度估算方法及装置，可以随钻快速估算井眼周围储层裂缝密度信息，为钻井、完井及随后的压裂工艺设计奠定基础。
发明内容
鉴于存在的上述问题，本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明提供一种井周裂缝密度估算的方法及设备，能够帮助相关工作人员实时掌握待钻地层裂缝密度分布，为后续钻井工艺调整、压裂改造设计及储层建模等提供信息支撑，成本较低，安全、可靠。
为了解决上述技术问题，本发明通过以下技术方案实现：
根据本申请的一个方面，提供一种井周裂缝密度估算的方法，所述方法包括：
S1、获取已完钻井储层成像测井数据资料与裂缝密度解释结论，对获取的数据进行预处理；
S2、提取出目标井沿设计井轨迹一维地震属性分布情况，将成像测井数据进行网格化处理，将一维地震属性分布进行同样的网格化处理，获得与裂缝密度相关性好的若干类地震属性；
S3、将裂缝密度解释结论进行数字化处理，形成统一的数据集文本格式，将所述数据集划分为训练集和测试集；
S4、建立多地震属性融合裂缝密度估算的深度学习模型，利用所述训练集训练深度学习模型以进行裂缝密度估算，并通过所述测试集验证训练后的模型效果；
S5、提取新钻井的沿井轨迹一维地震属性分布情况，带入深度学习模型中进行裂缝密度的估算。
在其中的一些实施方式中，步骤S1中，所述对获取的数据进行预处理包括：选取完钻井井周三维叠后地震数据体，进行基础的拓频及噪声压制处理。
在其中的一些实施方式中，步骤S2具体包括：
提取出目标井沿设计井轨迹一维地震属性分布情况；
将成像测井数据按预定深度间隔分段网格化采样，将一维地震属性分布进行同样的网格化处理，网格间距按照成像测井数据网格间距选取；
利用如下公式获取各网格地震属性与裂缝密度的相关系数，
其中，K代表地震属性，D代表裂缝密封；
根据所述公式得出的结论选择出与裂缝密度相关性好的若干类地震属性。
在其中的一些实施方式中，所述地震属性包括下述中的至少一种：
相干体、地层倾角、最大曲率、蚂蚁体、瞬时振幅、瞬时频率、均方根振幅、混沌体、瞬时相位、瞬时带宽、边缘检测和方差体。
在其中的一些实施方式中，所述与裂缝密度相关性好的若干类地震属性中，相关系数r(K,D)的数值不低于0.35。
在其中的一些实施方式中，步骤S3中，所述统一的数据集文本格式中，包括多列数据，多列中的一列为成像测井裂缝密度解释结论，多列中的其余各列为由步骤S2选取出的与裂缝密度相关性好的多种地震属性，其中每一个数值大小为某种地震属性在成像测井样本深度域的平均值。
在其中的一些实施方式中，步骤S4具体包括：
采用深度前反馈深度学习神经网络建立地震属性与裂缝密度的映射关系，建立多地震属性融合裂缝密度估算的深度学习模型；
以训练集中的n维地震属性[x1,x2,x3,...,xn]作为输入训练样本，每个神经元采用非线性Sigmoid逻辑函数构成，优选最佳隐层数量，通过梯度下降法反复迭代收敛目标函数，训练具有多个隐层的深度学习模型进行裂缝密度估算，并通过所述测试集验证训练后的模型效果。
在其中的一些实施方式中，所述隐层数量为3层，神经元的数量分别为3、2、1。
根据本申请的另一个方面，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如前所述的井周裂缝密度估算的方法。
根据本申请的另一个方面，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如前所述井周裂缝密度估算的方法的计算机程序。
实施本发明的技术方案，至少具有以下有益效果：
本发明实施例提供的井周裂缝密度估算的方法，包括获取相关数据、对获取的数据进行预处理；提取出目标井沿设计井轨迹一维地震属性分布情况，进行地震属性的提取与优选；将裂缝密度解释结论进行数字化处理，构建原始训练集(数据集)，构建训练集和测试集，建立深度学习模型；而后进行新钻井的密估算。由此可知，本发明的方法基于完钻井地震与裂缝密度样本统计，首先通过求取地震属性与裂缝密度的相关性优选与裂缝密度相关性较好的属性，然后通过数据挖掘建立井周裂缝密度的估算模型，从而可以帮助工作人员掌握待钻地层裂缝密度分布，为后续钻井工艺调整，压裂改造设计及储层建模等提供信息支撑。本发明的方法借助计算机设备该估算计算时间不超过24小时。
本发明的方法具有简单易行且节省费用的特点，有利于提高结果的精确度、可靠性，相比于现有的基于电成像测井数据等方式具有成本较低、更安全、可靠的特点。
附图说明
图1为本申请示例性的一种实施方式提供的井周裂缝密度估算的方法流程图；
图2为本申请示例性的一种实施方式提供的井周裂缝密度估算的方法另一种流程图；
图3为本申请示例性的一种实施方式提供的井周裂缝密度估算的方法中模型训练示意图；
图4为本申请示例性的一种实施方式提供的目标工区某新钻井待钻地层裂缝密度数值估算预测情况示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请提供的技术方案及所给出的实施例，本领域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，都属于本申请保护的范围。实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。
在本文中所披露的范围的端点和任何值都不限于该精确的范围或值，这些范围或值应当理解为包含接近这些范围或值的值。对于数值范围来说，各个范围的端点值之间、各个范围的端点值或单独的点值之间，以及单独的点值之间可以彼此组合而得到一个或多个新的数值范围。
在一种具体实施例中，下面通过具体的实施例对本申请做进一步地详细描述。
请参阅图1、图2所示，在一些实施例中，提供一种井周裂缝密度估算的方法，所述方法包括以下步骤：
S1、获取已完钻井储层成像测井数据资料与裂缝密度解释结论，对获取的数据进行预处理；
S2、提取出目标井沿设计井轨迹一维地震属性分布情况，将成像测井数据进行网格化处理，将一维地震属性分布进行同样的网格化处理，获得与裂缝密度相关性好的若干类地震属性；
S3、将裂缝密度解释结论进行数字化处理，形成统一的数据集文本格式，将所述数据集划分为训练集和测试集；
S4、建立多地震属性融合裂缝密度估算的深度学习模型，利用所述训练集训练深度学习模型以进行裂缝密度估算，并通过所述测试集验证训练后的模型效果；
S5、提取新钻井的沿井轨迹一维地震属性分布情况，带入深度学习模型中进行裂缝密度的估算。
基于背景技术中提及的问题，本发明实施例首次提出了一种利用深度学习神经网络算法的待钻地层井周裂缝密度估算方法。该基于深度学习的井周裂缝密度估算的方法，通过地震属性优选与数据挖掘建立基于深度学习的井周裂缝密度的估算模型，帮助工作人员实时掌握待钻地层裂缝密度分布，为后续钻井工艺调整，压裂改造设计及储层建模提供信息支撑。
在一些实施例中，步骤S1主要是进行数据预处理，步骤S1具体包括：
收集目标工区已完钻井储层成像测井资料与裂缝密度解释结论，同时截取选中完钻井井周三维叠后地震数据体，进行基础的拓频及噪声压制处理。
在一些实施例中，步骤S2主要是进行地震属性的提取与优选，步骤S2具体包括：
为了从各地震属性中优选出与裂缝密度相关性较高的地震属性，提取出目标井沿设计井轨迹一维地震属性分布情况；
将成像测井数据按预定深度间隔分段网格化采样，随后将这些一维地震属性分布进行同样的网格化处理，网格间距按照成像测井数据网格间距选取；
利用如下公式获取各网格地震属性与裂缝密度的相关系数，
其中，K代表地震属性，D代表裂缝密封；
求取各网格地震属性与裂缝密度的相关系数，从而根据该公式得出的结论选择出与裂缝密度相关性好的若干类地震属性。
可以理解，上述预定深度可以根据实际情况而选择设定，本申请实施例对此不作限定。
上述与裂缝密度相关性好的若干类地震属性可以通过相关系数r(K,D)来评价，例如相关系数r(K,D)较大的代表该地震属性与裂缝密度相关性较好，而相关系数r(K,D)较小的代表该地震属性与裂缝密度相关性较差。示例性的，所述与裂缝密度相关性好的若干类地震属性中，相关系数r(K,D)的数值不低于0.35，进一步可以不低于0.37。
可选地，所述地震属性包括下述中的至少一种：相干体、地层倾角、最大曲率、蚂蚁体、瞬时振幅、瞬时频率、均方根振幅、混沌体、瞬时相位、瞬时带宽、边缘检测和方差体。可以通过上述公式从这些地震属性中选取几种与裂缝密度相关性好的地震属性。
在一些实施例中，步骤S3主要是进行原始数据集的建立以及训练集和测试集的划分，步骤S3具体包括：
将裂缝密度解释结论进行数字化处理，形成统一的数据集文本格式，该文本格式中，包括多列数据，多列中的一列为成像测井裂缝密度解释结论，多列中的其余各列为由步骤S2选取出的与裂缝密度相关性好的多种地震属性，其中每一个数值大小为某种地震属性在成像测井样本深度域的平均值。例如，该格式中的前n列为优选提取的n种地震属性，最后一列为成像测井裂缝密度解释结论。
然后将原始数据集安装固定比例随机划分为训练集和测试集。
在一些实施例中，步骤S4主要是进行深度学习模型建立，步骤S4具体包括：
采用深度前反馈深度学习神经网络建立地震属性与裂缝密度的映射关系，输入训练样本为n维地震属性[x1,x2,x3,...,xn]，每个神经元采用非线性Sigmoid逻辑函数构成，优选最佳隐层数量，通过梯度下降法反复迭代收敛目标函数，训练具有多个隐层的神经网络模型进行裂缝密度估算，并通过验证集验证的模型效果。
在一些实施例中，步骤S5主要是进行新钻井的裂缝密度估算，步骤S5具体包括：
对于新钻井，提取沿井轨迹一维地震属性分布情况，带入深度学习模型估算沿待钻井轨迹裂缝密度分布情况，以为后续钻井工艺调整，压裂改造设计及储层建模提供信息支撑。
基于同一发明构思，本申请实施例还提供了一种计算机设备，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。由于计算机设备解决问题的原理与井周裂缝密度估算的方法相似，因此计算机设备的实施可以参见井周裂缝密度估算的方法的实施，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系统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。
该计算机设备，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如下步骤：
获取已完钻井储层成像测井数据资料与裂缝密度解释结论，对获取的数据进行预处理；
提取出目标井沿设计井轨迹一维地震属性分布情况，将成像测井数据进行网格化处理，将一维地震属性分布进行同样的网格化处理，获得与裂缝密度相关性好的若干类地震属性；
将裂缝密度解释结论进行数字化处理，形成统一的数据集文本格式，将所述数据集划分为训练集和测试集；
建立多地震属性融合裂缝密度估算的深度学习模型，利用所述训练集训练深度学习模型以进行裂缝密度估算，并通过所述测试集验证训练后的模型效果；
提取新钻井的沿井轨迹一维地震属性分布情况，带入深度学习模型中进行裂缝密度的估算。
基于同一发明构思，本申请实施例还提供了一种计算机可读存储介质，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。由于计算机可读存储介质解决问题的原理与井周裂缝密度估算的方法相似，因此计算机可读存储介质的实施可以参见井周裂缝密度估算的方法的实施，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系统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。
该计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取已完钻井储层成像测井数据资料与裂缝密度解释结论，对获取的数据进行预处理；
提取出目标井沿设计井轨迹一维地震属性分布情况，将成像测井数据进行网格化处理，将一维地震属性分布进行同样的网格化处理，获得与裂缝密度相关性好的若干类地震属性；
将裂缝密度解释结论进行数字化处理，形成统一的数据集文本格式，将所述数据集划分为训练集和测试集；
建立多地震属性融合裂缝密度估算的深度学习模型，利用所述训练集训练深度学习模型以进行裂缝密度估算，并通过所述测试集验证训练后的模型效果；
提取新钻井的沿井轨迹一维地震属性分布情况，带入深度学习模型中进行裂缝密度的估算。
本领域内的技术人员理解，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。
下面结合具体的应用场景实例及具体数据对本发明进一步说明，其并非对本发明的限定，依照本领域公知的现有技术，本发明的应用方式并不限于此，其他任何合适的具体实例均在本申请的范围内。
实施例1
一种井周裂缝密度估算的方法，包括以下步骤：
步骤一、收集目标工区已完钻井储层成像测井资料与裂缝密度解释结论，进行数据预处理。本实施例中包含国内某油田60口完钻井与相应的336段成像测井数据，本实施例中地震与成像测井采样间隔采用20米。
为了从各地震属性中优选出与裂缝密度相关性较高的地震属性，提取出目标井沿设计井轨迹一维地震属性分布情况。将成像测井数据按一定深度间隔分段网格化采样，随后将这些一维属性分布进行同样的网格化处理，网格间距按照成像测井数据网格间距选取。利用如下公式：
求取各网格地震属性与裂缝密度的相关系数。其中K代表地震属性，D代表裂缝密度。根据该公式得到的结论选择出与裂缝密度相关性较好的数类地震属性。
本实施例中选取裂缝预测地震属性12类作为估算模型备选属性，各备选属性与裂缝密度的相关系数如下表1所示。
表1
| 地震属性 | 相关系数 | 地震属性 | 相关系数 |
| 相干体 | 0.61 | 均方根振幅 | 0.30 |
| 地层倾角 | 0.54 | 混沌体 | 0.28 |
| 最大曲率 | 0.43 | 瞬时相位 | 0.12 |
| 蚂蚁体 | 0.48 | 瞬时带宽 | 0.23 |
| 瞬时振幅 | 0.38 | 边缘检测 | 0.12 |
| 瞬时频率 | 0.37 | 方差体 | 0.18 |
本实施例汇中最终优选出6种地震属性作为裂缝密度估算模型的输入属性；这6种地震属性分别为：(1)相干体；(2)地层倾角；(3)最大曲率；(4)蚂蚁体；(5)瞬时振幅；(6)瞬时频率。
步骤二、将解释结论进行数字化处理，形成统一训练集文本格式，该格式的前6列为优取后6种地震属性，其中每一个数值大小为某种地震属性在成像测井样本深度域的平均值，最后一列为成像测井裂缝密度解释结论。将原始数据集数据按照固定比例随机分为训练集与测试集。
采用深度前反馈深度学习神经网络建立地震属性与裂缝密度的映射关系，输入训练样本为n维地震属性[x1,x2,x3,...,xn]，每个神经元采用非线性Sigmoid逻辑函数构成，优选最佳隐层数量，通过梯度下降法反复迭代收敛目标函数，训练具有多个隐层的神经网络模型进行裂缝密度估算，并通过验证集验证模型效果。
如图3所示，本实施例中采用3层隐层数量，神经元的数量分别为3，2，1。最终通过600次迭代得到最优模型效果，地震属性与裂缝密度相关系数达90％。
步骤三、对于新钻井，提取沿井轨迹一维地震属性分布情况，带入深度学习模型估算沿待钻井轨迹裂缝密度分布情况，为后续钻井工艺调整，压裂改造设计及储层建模提供信息支撑。
图4为该工区某新钻井待钻地层裂缝密度数值估算预测情况。从图4可以看出，采用本发明的方法预测的裂缝密度准确度高、可靠性好。
综上，本发明实施例的方法基于完钻井地震与裂缝密度样本统计，首先通过求取地震属性与裂缝密度的相关性优选与裂缝密度相关性较好的属性，然后通过数据挖掘建立井周裂缝密度的估算模型，帮助工作人员掌握待钻地层裂缝密度分布，为后续钻井工艺调整，压裂改造设计及储层建模提供信息支撑。
本发明未详细说明部分为本领域技术人员公知技术。
应当理解的是，本发明所公开的实施例不限于这里所公开的特定结构或处理步骤，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。
在本申请的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施例，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。
Claims (10)
1.一种井周裂缝密度估算的方法，其特征在于，所述方法包括：
S1、获取已完钻井储层成像测井数据资料与裂缝密度解释结论，对获取的数据进行预处理；
S2、提取出目标井沿设计井轨迹一维地震属性分布情况，将成像测井数据进行网格化处理，将一维地震属性分布进行同样的网格化处理，获得与裂缝密度相关性好的若干类地震属性；
S3、将裂缝密度解释结论进行数字化处理，形成统一的数据集文本格式，将所述数据集划分为训练集和测试集；
S4、建立多地震属性融合裂缝密度估算的深度学习模型，利用所述训练集训练深度学习模型以进行裂缝密度估算，并通过所述测试集验证训练后的模型效果；
S5、提取新钻井的沿井轨迹一维地震属性分布情况，带入深度学习模型中进行裂缝密度的估算。
2.根据权利要求1所述的井周裂缝密度估算的方法，其特征在于，步骤S1中，所述对获取的数据进行预处理包括：选取完钻井井周三维叠后地震数据体，进行基础的拓频及噪声压制处理。
3.根据权利要求1所述的井周裂缝密度估算的方法，其特征在于，步骤S2具体包括：
提取出目标井沿设计井轨迹一维地震属性分布情况；
将成像测井数据按预定深度间隔分段网格化采样，将一维地震属性分布进行同样的网格化处理，网格间距按照成像测井数据网格间距选取；
利用如下公式获取各网格地震属性与裂缝密度的相关系数，
其中，K代表地震属性，D代表裂缝密封；
根据所述公式得出的结论选择出与裂缝密度相关性好的若干类地震属性。
4.根据权利要求3所述的井周裂缝密度估算的方法，其特征在于，所述地震属性包括下述中的至少一种：
相干体、地层倾角、最大曲率、蚂蚁体、瞬时振幅、瞬时频率、均方根振幅、混沌体、瞬时相位、瞬时带宽、边缘检测和方差体。
5.根据权利要求3所述的井周裂缝密度估算的方法，其特征在于，所述与裂缝密度相关性好的若干类地震属性中，相关系数r(K,D)的数值不低于0.35。
6.根据权利要求1所述的井周裂缝密度估算的方法，其特征在于，步骤S3中，所述统一的数据集文本格式中，包括多列数据，多列中的一列为成像测井裂缝密度解释结论，多列中的其余各列为由步骤S2选取出的与裂缝密度相关性好的多种地震属性，其中每一个数值大小为某种地震属性在成像测井样本深度域的平均值。
7.根据权利要求1-6任一项所述的井周裂缝密度估算的方法，其特征在于，步骤S4具体包括：
采用深度前反馈深度学习神经网络建立地震属性与裂缝密度的映射关系，建立多地震属性融合裂缝密度估算的深度学习模型；
以训练集中的n维地震属性[x1,x2,x3,...,xn]作为输入训练样本，每个神经元采用非线性Sigmoid逻辑函数构成，优选最佳隐层数量，通过梯度下降法反复迭代收敛目标函数，训练具有多个隐层的深度学习模型进行裂缝密度估算，并通过所述测试集验证训练后的模型效果。
8.根据权利要求7所述的井周裂缝密度估算的方法，其特征在于，所述隐层数量为3层，神经元的数量分别为3、2、1。
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8任一所述的井周裂缝密度估算的方法。
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8任一所述井周裂缝密度估算的方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111287088.6A CN114033352B (zh) | 2021-11-02 | 2021-11-02 | 一种井周裂缝密度估算的方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111287088.6A CN114033352B (zh) | 2021-11-02 | 2021-11-02 | 一种井周裂缝密度估算的方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114033352A true CN114033352A (zh) | 2022-02-11 |
| CN114033352B CN114033352B (zh) | 2023-09-05 |
Family
ID=80135998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111287088.6A Active CN114033352B (zh) | 2021-11-02 | 2021-11-02 | 一种井周裂缝密度估算的方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114033352B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0297737A2 (en) * | 1987-06-29 | 1989-01-04 | Conoco Inc. | Three-dimensional iterative structural modeling of seismic data |
| US20040117121A1 (en) * | 2002-09-27 | 2004-06-17 | Veritas Dgc Inc. | Reservoir fracture characterization |
| US20090119082A1 (en) * | 2007-11-01 | 2009-05-07 | Schlumberger Technology Corporation | Reservoir fracture simulation |
| US20140058713A1 (en) * | 2012-08-21 | 2014-02-27 | Schlumberger Technology Corporation | Seismic modeling system and method |
| CN104502997A (zh) * | 2015-01-22 | 2015-04-08 | 中国石油化工集团公司 | 一种利用裂缝密度曲线预测裂缝密度体的方法 |
| CN104914465A (zh) * | 2015-06-02 | 2015-09-16 | 中国石油天然气股份有限公司 | 火山岩裂缝定量预测方法及装置 |
| WO2016036979A1 (en) * | 2014-09-03 | 2016-03-10 | The Board Of Regents For Oklahoma State University | Methods of generation of fracture density maps from seismic data |
| CN106610508A (zh) * | 2016-11-15 | 2017-05-03 | 中国石油天然气股份有限公司 | 一种裂缝的地震属性判识系统及方法 |
| CN106842317A (zh) * | 2016-12-22 | 2017-06-13 | 中国石油天然气集团公司 | 一种预测油砂体分布的方法及装置 |
| 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 |
| WO2019118658A1 (en) * | 2017-12-14 | 2019-06-20 | Schlumberger Technology Corporation | System and method for simulating reservoir models |
| CN110058298A (zh) * | 2018-01-18 | 2019-07-26 | 中国石油化工股份有限公司 | 一种三维地质体空间插值方法及系统 |
| CN110320557A (zh) * | 2019-06-10 | 2019-10-11 | 北京有隆科技服务有限公司 | 基于深度学习和进化学习的多尺度地质特征检测融合方法 |
| CN112684503A (zh) * | 2020-11-16 | 2021-04-20 | 中国石油天然气股份有限公司 | 一种基于叠后地震属性的储层流体识别方法及装置 |
| CN113359212A (zh) * | 2021-06-22 | 2021-09-07 | 中国石油天然气股份有限公司 | 一种基于深度学习的储层特征预测方法及模型 |
| CN113534247A (zh) * | 2020-04-17 | 2021-10-22 | 中国石油天然气股份有限公司 | 基于叠后地震数据的裂缝定量化预测方法及装置 |
-
2021
- 2021-11-02 CN CN202111287088.6A patent/CN114033352B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0297737A2 (en) * | 1987-06-29 | 1989-01-04 | Conoco Inc. | Three-dimensional iterative structural modeling of seismic data |
| US20040117121A1 (en) * | 2002-09-27 | 2004-06-17 | Veritas Dgc Inc. | Reservoir fracture characterization |
| US20090119082A1 (en) * | 2007-11-01 | 2009-05-07 | Schlumberger Technology Corporation | Reservoir fracture simulation |
| US20140058713A1 (en) * | 2012-08-21 | 2014-02-27 | Schlumberger Technology Corporation | Seismic modeling system and method |
| WO2016036979A1 (en) * | 2014-09-03 | 2016-03-10 | The Board Of Regents For Oklahoma State University | Methods of generation of fracture density maps from seismic data |
| CN104502997A (zh) * | 2015-01-22 | 2015-04-08 | 中国石油化工集团公司 | 一种利用裂缝密度曲线预测裂缝密度体的方法 |
| CN104914465A (zh) * | 2015-06-02 | 2015-09-16 | 中国石油天然气股份有限公司 | 火山岩裂缝定量预测方法及装置 |
| CN106610508A (zh) * | 2016-11-15 | 2017-05-03 | 中国石油天然气股份有限公司 | 一种裂缝的地震属性判识系统及方法 |
| CN106842317A (zh) * | 2016-12-22 | 2017-06-13 | 中国石油天然气集团公司 | 一种预测油砂体分布的方法及装置 |
| WO2019118658A1 (en) * | 2017-12-14 | 2019-06-20 | Schlumberger Technology Corporation | System and method for simulating reservoir models |
| CN110058298A (zh) * | 2018-01-18 | 2019-07-26 | 中国石油化工股份有限公司 | 一种三维地质体空间插值方法及系统 |
| 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 |
| CN110320557A (zh) * | 2019-06-10 | 2019-10-11 | 北京有隆科技服务有限公司 | 基于深度学习和进化学习的多尺度地质特征检测融合方法 |
| CN113534247A (zh) * | 2020-04-17 | 2021-10-22 | 中国石油天然气股份有限公司 | 基于叠后地震数据的裂缝定量化预测方法及装置 |
| CN112684503A (zh) * | 2020-11-16 | 2021-04-20 | 中国石油天然气股份有限公司 | 一种基于叠后地震属性的储层流体识别方法及装置 |
| CN113359212A (zh) * | 2021-06-22 | 2021-09-07 | 中国石油天然气股份有限公司 | 一种基于深度学习的储层特征预测方法及模型 |
Non-Patent Citations (5)
| Title |
|---|
| QAMAR YASIN ET AL.: "An integrated fracture parameter prediction and characterization methodin deeply-buried carbonate reservoirs based on deep neural network", 《JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING》, pages 1 - 21 * |
| 张吉昌等: "利用人工智能技术进行裂缝识别研究", 《测井技术》, pages 52 - 54 * |
| 汪勇等: "叠后多属性分析在哈山西石炭系火山岩裂缝预测中的应用研究", 《地球物理学进展》, pages 1772 - 1779 * |
| 袁峰等: "基于深度学习的地震多属性融合技术在导水裂隙带探测中的应用\"", 《煤炭学报》, pages 3234 - 3244 * |
| 黄凤祥等: "基于BP神经网络裂缝预测方法在DMT凹陷潜山变质岩中的应用研究", 《工程地球物理学报》, pages 483 - 491 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114033352B (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2669948C2 (ru) | Оптимизация многоступенчатого проекта нефтяного месторождения в условиях неопределенности | |
| US8200465B2 (en) | Heterogeneous earth models for a reservoir field | |
| KR101618713B1 (ko) | 지반정보에 기초한 3차원 공간 모델링 방법 | |
| CA3032777C (en) | Multivariate analysis of seismic data, microseismic data, and petrophysical properties in fracture modeling | |
| CN105445800A (zh) | 一种厚层砂体顶部分异岩性油藏的识别方法 | |
| CA3032780C (en) | Geostatistical analysis of microseismic data in fracture modeling | |
| Sarkheil et al. | Fractures distribution modeling using fractal and multi-fractal–neural network analysis in Tabnak hydrocarbon field, Fars, Iran | |
| CN105319585A (zh) | 一种利用薄层干涉振幅恢复识别油气藏的方法 | |
| US11500123B2 (en) | Hybrid 3D geocellular representation of selected natural fracture network subsets | |
| US10190406B2 (en) | Formation fracturing potential using surrounding pore pressures | |
| CN116362121A (zh) | 水平井压裂的裂缝参数确定方法及装置 | |
| Chen et al. | A workflow based on a semianalytical model to estimate the properties of stimulated reservoir volume of tight-oil wells | |
| CN111155980B (zh) | 一种水流优势通道识别方法及装置 | |
| Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
| CN113775326A (zh) | 可动水饱和度的评价方法、装置、电子设备及介质 | |
| CN116449423A (zh) | 一种辫状河单砂体构型分析方法、装置、设备及存储介质 | |
| US10401512B1 (en) | Microseismic density volume estimation | |
| CN114033352B (zh) | 一种井周裂缝密度估算的方法及设备 | |
| CN111236934B (zh) | 水淹级别确定方法和装置 | |
| Tyree | Predicting Frac Hits Using Artificial Intelligence; Application in Marcellus Shale | |
| Vankov et al. | Well productivity analysis of the Bakken Shale play | |
| CN117436301B (zh) | 基于非结构有限元考虑激电效应的时移大地电磁正演方法 | |
| CN111965724B (zh) | 一种地层缝洞类型的识别方法及装置 | |
| CN115629414A (zh) | 稀井区烃源岩toc预测方法、系统、电子设备及介质 | |
| Feng et al. | A Data-Driven Model for the Prediction of Stimulated Reservoir Volume (SRV) Evolution During Hydraulic Fracturing |
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 |