CN114167498B - 一种测井和地震属性联合的分步聚类分析方法 - Google Patents
一种测井和地震属性联合的分步聚类分析方法 Download PDFInfo
- Publication number
- CN114167498B CN114167498B CN202111445787.9A CN202111445787A CN114167498B CN 114167498 B CN114167498 B CN 114167498B CN 202111445787 A CN202111445787 A CN 202111445787A CN 114167498 B CN114167498 B CN 114167498B
- Authority
- CN
- China
- Prior art keywords
- seismic
- type
- attribute
- well
- phase
- 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
- 238000007621 cluster analysis Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000005553 drilling Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 208000035126 Facies Diseases 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 239000011229 interlayer Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 239000004576 sand Substances 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 238000011161 development Methods 0.000 description 6
- 238000003892 spreading Methods 0.000 description 6
- 230000007480 spreading Effects 0.000 description 6
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
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
本发明涉及一种测井和地震属性联合的分步聚类分析方法,包括收集已钻井信息,根据所述钻井信息确定目标储层段聚类分析的地震相类型个数,建立每种地震相类型的判定标准,对所有已钻井的地震相类型进行判定;提取目标储层段的各种类型的地震属性;分析已钻井位置的各种地震属性值,确定每一类地震相类型对应的地震属性和监督训练点;分步聚类直至识别出与已钻井分类对应的各类型地震相的平面展布;将每一种地震相类型进行平面合并,得到最终的聚类地震相分析结果。所述测井和地震属性联合的分步聚类分析方法,能够充分合理地利用已钻井信息建立和地震属性的对应关系,获得具有确定地质意义或明确储层类型的聚类结果。
Description
技术领域
本发明属于油田开发技术领域,更为具体地涉及一种测井和地震属性联合的分步聚类分析方法。
背景技术
地震属性是针对叠前或叠后地震数据进行数学计算或数学变换得到的反映地震波的几何学、运动学、动力学和统计学特征的信息。目前可以从地震数据中提取的地震属性多达上百种,其中常用的地震属性包括振幅类、频率类、波形类属性等,它们是进行储层预测的基本要素。利用地震属性可进行储层展布描述、储层厚度预测、含油气性检测、沉积相分析等,在油田勘探和开发过程中发挥着重要作用。
聚类分析是一种统计分析技术,将大量的地震数据根据其相似性进行分类。上世纪八十年代被引入地震勘探领域,通过对多种地震属性进行聚类分析,可预测不同类型储层的平面和空间展布,根据聚类结果与钻井信息的对比分析,可以明确每个类别储层的特征。多属性聚类分析得到的结果通常被称为地震相,地震相对于指导研究区域的沉积相认识,提高无井控区域的储层预测能力起到了重要作用,因此在油田勘探开发过程中获得了广泛应用。
然而在实际生产应用中发现,多属性聚类具有以下问题:(1)参与聚类的地震属性对聚类结果具有决定作用,但优选参与聚类的地震属性组通常依靠经验,或根据多次尝试进行取舍,缺乏明确的筛选依据;(2)参与聚类的地震属性如果彼此间的相关性低于50%,得到的聚类结果常常无法建立明确的地质含义。(3)在无井监督训练的情况下,聚类结果具有较大的随机性,对于油田开发阶段钻井数量较多的情况,已钻井信息无法充分有效地参与聚类分析过程。
发明内容
针对上述问题,本发明的目的是提供一种测井和地震属性联合的分步聚类分析方法,能够充分合理地利用已钻井信息建立和地震属性的对应关系,获得具有确定地质意义或明确储层类型的聚类结果。
为实现上述目的,本发明采用以下技术方案:一种测井和地震属性联合的分步聚类分析方法,包括以下步骤:
第一方面,本发明提供一种测井和地震属性联合的分步聚类分析方法,包括以下步骤:
收集已钻井信息,根据所述已钻井信息确定目标储层段聚类分析的地震相类型个数,建立每种地震相类型的判定标准,对所有已钻井的地震相类型进行判定;
提取目标储层段的各种类型的地震属性;
分析已钻井位置的各种地震属性值,筛选出能够识别某一类或者某几类地震相的地震属性,根据地震属性与井点类型的对应关系,确定每一类地震相类型对应的地震属性和监督训练点;
分步聚类直至识别出与已钻井分类对应的各类型地震相的平面展布;
将每一种地震相类型进行平面合并,得到最终的聚类地震相分析结果。
进一步地,确定每一类地震相类型对应的地震属性和监督训练点的具体过程如下:
从标定为地震相类型i(i=1,2,3…)的所有已钻井中,挑选特征典型的2~5口已钻井,作为井组Wi,对于未钻遇地震相类型i,或钻遇类型i的井数不足2口的情况,适当设置虚拟井点;
选择与能够识别地震相类型i的1-3个地震属性进入参与聚类的地震属性组Ai。
进一步地,所述分步聚类包括采用上一步确定的地震属性和监督训练点进行聚类,每剥离出一种地震相类型,就将参与后续步骤的地震属性在已经剥离的地震相范围处的属性值赋予空值,逐步操作直至识别出与已钻井分类对应的各类型地震相的平面展布。
进一步地,所述包括采用上一步确定的地震属性和监督训练点进行聚类,每剥离出一种地震相类型,就将参与后续步骤的地震属性在已经剥离的地震相范围处的属性值赋予空值,逐步操作直至识别出与已钻井分类对应的各类型地震相的平面展布,具体为:
将井组W1作为监督训练点并标记为1,其他井组Wi(i≠1)中挑选2-5口已钻井作为监督训练点并标记为2;
将所有监督训练点和地震属性组A1作为输入,选择聚类分析算法,得到平面聚类结果C1;
将聚类结果C1进行逻辑运算,若C1等于1,则C1-1等于1,否则C1-1等于空值,得到的C1-1即为地震相类型1的平面分布范围;若C1等于2,则C1-2等于2,否则C1-2等于空值,C1-2为其他地震相类型的分布范围;
将井组W2作为监督训练点并标记为2,其他井组Wi(i≠1,2)中挑选C1-2范围内的2-5口已钻井作为监督训练点并标记为3;
对地震属性组A2进行逻辑运算,若C1-2等于2,则A2等于本身的属性值,否则等于空值;
将所有监督训练点和经过逻辑运算的地震属性组A2作为输入,选择聚类分析算法得到平面聚类结果C2;
重复以上步骤,直至识别出所有地震相类型。
进一步地,所述已钻井信息包括砂岩厚度、泥岩夹层厚度、砂地比和含油气性特征。
进一步地,所述地震属性包括振幅属性、频率属性、波形属性、弧长属性、时间厚度属性和统计类属性。
进一步地,所述聚类分析算法概率神经网络算法或K-Means算法。
第二方面,本发明提供一种测井和地震属性联合的分步聚类分析装置,包括:
第一处理单元,用于收集已钻井信息,根据所述已钻井信息确定目标储层段聚类分析的地震相类型个数,建立每种地震相类型的判定标准,对所有已钻井的地震相类型进行判定;
第二处理单元,用于提取目标储层段的各种类型的地震属性;
第三处理单元,用于分析已钻井位置的各种地震属性值,筛选出能够识别某一类或者某几类地震相的地震属性,根据地震属性与井点类型的对应关系,确定每一类地震相类型对应的地震属性和监督训练点;
第四处理单元,用于分步聚类直至识别出与已钻井分类对应的各类型地震相的平面展布;
第五处理单元,用于将每一种地震相类型进行平面合并,得到最终的聚类地震相分析结果。
第三方面,本发明提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序用于被处理器执行时实现所述的测井和地震属性联合的分步聚类分析方法。
第四方面,本发明还提供一种计算机设备,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所述的测井和地震属性联合的分步聚类分析方法。
本发明由于采取以上技术方案,其具有以下优点:
1、每一步参与聚类的地震属性与需要识别的地震相类型具有明确对应关系,属性之间相关性一般大于50%,能够获得明确地质含义的聚类结果。
2、将已钻井信息充分合理地参与每一步聚类过程,使得最终得到的聚类结果与已钻井具有较好地匹配关系。
3、采用分步实施的策略,每一步获得相对合理的结果后,再进行下一步操作,能够提高最终聚类结果的可靠性。
附图说明
图1是本发明提供的测井和地震属性联合的分步聚类分析方法的流程示意图;
图2是本发明根据井钻遇情况划分的储层类型;
图3是本发明根据井点处储层类型与地震属性对应关系,确定的每步参与聚类的地震属性组;
图4是本发明第一步聚类得到的结果C1;
图5是本发明通过C1逻辑运算得到的C1-1和C1-2的结果,即剥离出的泥岩相和砂岩相范围;
图6是本发明参与第二步聚类分析的地震主频属性和时间厚度属性,灰色表示空值;
图7是本发明第二步聚类得到的结果C2;
图8是本发明通过C2逻辑运算得到的C2-1和C2-2结果,即剥离出的单期砂岩相和多期砂岩相范围;
图9是本发明参与第三步聚类分析的总振幅属性,灰色表示空值;
图10是本发明第三步聚类得到的结果C3;
图11是本发明分步聚类得到的4种地震相类型进行平面合并的结果。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,本发明提出了一种测井和地震属性联合的分步聚类分析方法,以某一多期河道正演模型作为实例作进一步说明,包括以下步骤:
S1、收集已钻井信息,根据目标储层段的砂岩厚度、泥岩夹层厚度、砂地比或者含油气性特征等,综合研究区的沉积类型和储层发育背景,确定聚类分析的地震相类型个数,建立每种地震相类型的判定标准,对所有已钻井进行类型判定。
如图2所示为根据井上钻遇砂岩、泥岩厚度,砂体发育期次,分为泥岩、单期河道、多期河道无泥岩夹层和多期河道有泥岩夹层4种储层类型,即最终聚类的地震相类型为4类。
S2、针对目标储层段提取各种类型的地震属性,如振幅属性、频率属性、波形属性、统计类属性等。
S3、分析已钻井位置的各种地震属性值,筛选出能够识别某一类或者某几类地震相的地震属性,根据地震属性与井点类型的对应关系,明确每一类地震相类型对应的地震属性和监督训练点,其具体步骤为:
S3-1从标定为地震相类型i(i=1,2,3…)的所有已钻井中,挑选特征典型的2-5口已钻井,作为井组Wi,对于未钻遇地震相类型i,或钻遇类型i的井数不足2口的情况,可适当设置虚拟井点;
图2中所列的井均为典型井,根据类型划分结果,W1={well_shale_1,well_shale_2},W2={well_s_1,well_s_2,well_s_3},W3={well_d1_1,well_d1_2,well_d1_3,well_d1_4},W3={well_d2_1,well_d2_2,well_d2_3,well_d2_4}。
S3-2、选择与能够识别类型i储层的1-3个地震属性进入参与聚类的地震属性组Ai;
图3所示为根据井点处类型与地震属性对应关系,确定的每步参与聚类的地震属性组,A1用于区分泥岩和砂岩储层,包括最小振幅属性和弧长属性,振幅小、弧长短的位置对应泥岩;A2用于区分砂岩中的单期砂体和多期砂体,包括主频属性和时间厚度属性,主频小,时间厚度大的位置对应多期砂体,反之对应单期砂体;A3包括总振幅属性,用于区分多期砂体中的有泥岩夹层和无泥岩夹层,总振幅大的位置对应无夹层的情况,反之对应有夹层。
S4、按照分步聚类的实施步骤,选择某一种聚类分析算法(如概率神经网络算法、K-Means算法),采用上一步确定的地震属性和监督训练点进行聚类,每剥离出一种地震相类型,就将参与后续步骤的地震属性在已经剥离的地震相范围处的属性值赋予空值,逐步操作直至识别出与已钻井分类对应的各类型地震相的平面展布,具体步骤为:
S4-1、将井组W1作为监督训练点并标记为1,其他井组Wi(i≠1)中挑选2-5口已钻井作为监督训练点并标记为2;
S4-2、将所有监督训练点和地震属性组A1作为输入,选择某种聚类分析算法(如概率神经网络算法、K-Means算法),得到平面聚类结果C1;
图4所示为第一步聚类得到的结果C1,图中显示的蓝色为地震相类型1的平面展布范围,表示泥岩,黄色为地震相类型2的平面展布范围,表示砂岩。C1中井点位置为黑色圆圈标记的为监督训练点,其中包含井组W1中的两口井,标记为1,从其他井组中挑选的两口井well_d2_2和well_s_3,标记为2。
S4-3、将聚类结果C1进行逻辑运算,若C1等于1,则C1-1等于1,否则C1-1等于空值,得到的C1-1即为地震相类型1的平面分布范围;若C1等于2,则C1-2等于2,否则C1-2等于空值,C1-2为其他地震相类型的分布范围;
图5所示为C1-1和C1-2的结果,即剥离出的泥岩相和砂岩相范围,蓝色表示泥岩,黄色表示砂岩,灰色表示空值。
S4-4、将井组W2作为监督训练点并标记为2,其他井组Wi(i≠1,2)中挑选C1-2范围内的2-5口已钻井作为监督训练点并标记为3;
S4-5、对地震属性组A2进行逻辑运算,若C1-2等于2,则A2等于本身的属性值,否则等于空值;
图6所示为参与第二步聚类分析的地震主频属性和时间厚度属性,灰色表示空值,经过逻辑预算后的地震属性仅在砂岩储层展布范围具有属性值。
S4-6、将所有监督训练点和经过逻辑运算的地震属性组A2作为输入,选择某种聚类分析算法(如概率神经网络算法、K-Means算法),得到平面聚类结果C2;
图7所示为第二步聚类得到的结果C2,图中显示的浅黄色为地震相类型2的平面展布范围,表示单期砂岩,深黄色为地震相类型3的平面展布范围,表示多期砂岩。C2中井点位置为黑色圆圈标记的为监督训练点,其中包含井组W2中的3口井,标记为2,从其他井组中挑选的4口井well_d1_2、well_d2_1、well_d2_2和well_d1_4,标记为3。
S4-7、重复以上步骤,直至识别出所有地震相类型。
图8所示为C2-1和C2-2的结果,即剥离出的单期砂岩相和多期砂岩相范围,浅黄色表示单期砂岩,深黄色表示多期砂岩,灰色表示空值。
图9所示为参与第三步聚类分析的总振幅属性,灰色表示空值,经过逻辑预算后的地震属性仅在多期砂岩储层展布范围具有属性值。
图10所示为第三步聚类得到的结果C3,图中显示的红色为地震相类型3的平面展布范围,表示多期砂岩无泥岩夹层,深黄色为地震相类型4的平面展布范围,表示多期砂岩有泥岩夹层。C3中井点位置为黑色圆圈标记的为监督训练点,其中包含井组W3中的4口井,标记为32,井组W4中的4口井,标记为4。
S5、将每一种地震相类型进行平面合并,得到最终的聚类地震相分析结果。
图11所示为将分步聚类得到的4种地震相类型进行平面合并的结果。
本发明的提供的测井和地震属性联合的分步聚类分析方法,能够充分合理地利用已钻井信息建立和地震属性的对应关系,获得具有确定地质意义或明确储层类型的聚类结果。
上述各实施例仅用于对本发明的目的、技术方案和有益效果进行了进一步详细说明,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种测井和地震属性联合的分步聚类分析方法,其特征在于,包括以下步骤:
收集已钻井信息,根据所述已钻井信息确定目标储层段聚类分析的地震相类型个数,建立每种地震相类型的判定标准,对所有已钻井的地震相类型进行判定;
提取目标储层段的各种类型的地震属性;
分析已钻井位置的各种地震属性值,筛选出能够识别某一类或者某几类地震相的地震属性,根据地震属性与井点类型的对应关系,确定每一类地震相类型对应的地震属性和监督训练点;
分步聚类直至识别出与已钻井分类对应的各类型地震相的平面展布;
将每一种地震相类型进行平面合并,得到最终的聚类地震相分析结果;
确定每一类地震相类型对应的地震属性和监督训练点的具体过程如下:
从标定为地震相类型i的所有已钻井中,其中i=1,2,3…,挑选特征典型的2~5口已钻井,作为井组Wi,对于未钻遇地震相类型i,或钻遇类型i的井数不足2口的情况,适当设置虚拟井点;
选择与能够识别地震相类型i的1-3个地震属性进入参与聚类的地震属性组Ai;
所述分步聚类包括采用上一步确定的地震属性和监督训练点进行聚类,每剥离出一种地震相类型,就将参与后续步骤的地震属性在已经剥离的地震相范围处的属性值赋予空值,逐步操作直至识别出与已钻井分类对应的各类型地震相的平面展布;
所述包括采用上一步确定的地震属性和监督训练点进行聚类,每剥离出一种地震相类型,就将参与后续步骤的地震属性在已经剥离的地震相范围处的属性值赋予空值,逐步操作直至识别出与已钻井分类对应的各类型地震相的平面展布,具体为:
将井组W1作为监督训练点并标记为1,其他井组Wi中挑选2-5口已钻井作为监督训练点并标记为2,其中i≠1;
将所有监督训练点和地震属性组A1作为输入,选择聚类分析算法,得到平面聚类结果C1;
将聚类结果C1进行逻辑运算,若C1等于1,则C1-1等于1,否则C1-1等于空值,得到的C1-1即为地震相类型1的平面分布范围;若C1等于2,则C1-2等于2,否则C1-2等于空值,C1-2为其他地震相类型的分布范围;
将井组W2作为监督训练点并标记为2,其他井组Wi中挑选C1-2范围内的2-5口已钻井作为监督训练点并标记为3,其中i≠1,2;
对地震属性组A2进行逻辑运算,若C1-2等于2,则A2等于本身的属性值,否则等于空值;
将所有监督训练点和经过逻辑运算的地震属性组A2作为输入,选择聚类分析算法得到平面聚类结果C2;
重复以上步骤,直至识别出所有地震相类型。
2.如权利要求1所述的测井和地震属性联合的分步聚类分析方法,其特征在于,所述已钻井信息包括砂岩厚度、泥岩夹层厚度、砂地比和含油气性特征。
3.如权利要求1所述的测井和地震属性联合的分步聚类分析方法,其特征在于,所述地震属性包括振幅属性、频率属性、波形属性、弧长属性、时间厚度属性和统计类属性。
4.如权利要求1所述的测井和地震属性联合的分步聚类分析方法,其特征在于,所述聚类分析算法包括概率神经网络算法或K-Means算法。
5.一种测井和地震属性联合的分步聚类分析装置,其特征在于,包括:
第一处理单元,用于收集已钻井信息,根据所述已钻井信息确定目标储层段聚类分析的地震相类型个数,建立每种地震相类型的判定标准,对所有已钻井的地震相类型进行判定;
第二处理单元,用于提取目标储层段的各种类型的地震属性;
第三处理单元,用于分析已钻井位置的各种地震属性值,筛选出能够识别某一类或者某几类地震相的地震属性,根据地震属性与井点类型的对应关系,确定每一类地震相类型对应的地震属性和监督训练点;
第四处理单元,用于分步聚类直至识别出与已钻井分类对应的各类型地震相的平面展布;
第五处理单元,用于将每一种地震相类型进行平面合并,得到最终的聚类地震相分析结果;
确定每一类地震相类型对应的地震属性和监督训练点的具体过程如下:
从标定为地震相类型i的所有已钻井中,其中i=1,2,3…,挑选特征典型的2~5口已钻井,作为井组Wi,对于未钻遇地震相类型i,或钻遇类型i的井数不足2口的情况,适当设置虚拟井点;
选择与能够识别地震相类型i的1-3个地震属性进入参与聚类的地震属性组Ai;
所述分步聚类包括采用上一步确定的地震属性和监督训练点进行聚类,每剥离出一种地震相类型,就将参与后续步骤的地震属性在已经剥离的地震相范围处的属性值赋予空值,逐步操作直至识别出与已钻井分类对应的各类型地震相的平面展布;
所述包括采用上一步确定的地震属性和监督训练点进行聚类,每剥离出一种地震相类型,就将参与后续步骤的地震属性在已经剥离的地震相范围处的属性值赋予空值,逐步操作直至识别出与已钻井分类对应的各类型地震相的平面展布,具体为:
将井组W1作为监督训练点并标记为1,其他井组Wi中挑选2-5口已钻井作为监督训练点并标记为2,其中i≠1;
将所有监督训练点和地震属性组A1作为输入,选择聚类分析算法,得到平面聚类结果C1;
将聚类结果C1进行逻辑运算,若C1等于1,则C1-1等于1,否则C1-1等于空值,得到的C1-1即为地震相类型1的平面分布范围;若C1等于2,则C1-2等于2,否则C1-2等于空值,C1-2为其他地震相类型的分布范围;
将井组W2作为监督训练点并标记为2,其他井组Wi中挑选C1-2范围内的2-5口已钻井作为监督训练点并标记为3,其中i≠1,2;
对地震属性组A2进行逻辑运算,若C1-2等于2,则A2等于本身的属性值,否则等于空值;
将所有监督训练点和经过逻辑运算的地震属性组A2作为输入,选择聚类分析算法得到平面聚类结果C2;
重复以上步骤,直至识别出所有地震相类型。
6.一种计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序用于被处理器执行时实现如权利要求1~4中任一项所述的测井和地震属性联合的分步聚类分析方法。
7.一种计算机设备,其特征在于,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4中任一项所述的测井和地震属性联合的分步聚类分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111445787.9A CN114167498B (zh) | 2021-11-30 | 2021-11-30 | 一种测井和地震属性联合的分步聚类分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111445787.9A CN114167498B (zh) | 2021-11-30 | 2021-11-30 | 一种测井和地震属性联合的分步聚类分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114167498A CN114167498A (zh) | 2022-03-11 |
CN114167498B true CN114167498B (zh) | 2023-09-15 |
Family
ID=80482091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111445787.9A Active CN114167498B (zh) | 2021-11-30 | 2021-11-30 | 一种测井和地震属性联合的分步聚类分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114167498B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5444619A (en) * | 1993-09-27 | 1995-08-22 | Schlumberger Technology Corporation | System and method of predicting reservoir properties |
WO2004104637A1 (en) * | 2003-05-22 | 2004-12-02 | Schlumberger Canada Limited | Method for prospect identification in asset evaluation |
CN102650702A (zh) * | 2012-05-03 | 2012-08-29 | 中国石油天然气股份有限公司 | 一种地震波形分析及储层预测方法和装置 |
GB201502027D0 (en) * | 2015-02-06 | 2015-03-25 | Foster Findlay Ass Ltd | A method for determining sedimentary facies using 3D seismic data |
CN106707340A (zh) * | 2016-12-13 | 2017-05-24 | 中国石油天然气股份有限公司大港油田分公司 | 一种火山岩岩相的预测方法 |
CN107356958A (zh) * | 2017-07-21 | 2017-11-17 | 西南石油大学 | 一种基于地质信息约束的河流相储层分步地震相预测方法 |
CN108732620A (zh) * | 2018-03-09 | 2018-11-02 | 山东科技大学 | 一种非监督与监督学习下的多波地震油气储层预测方法 |
CN109725348A (zh) * | 2017-10-30 | 2019-05-07 | 中国石油化工股份有限公司 | 一种基于地震资料识别沉积相的方法 |
CN110412662A (zh) * | 2019-06-27 | 2019-11-05 | 中国石油化工股份有限公司 | 基于地震多属性深度学习的薄互层储层预测方法 |
CN111080021A (zh) * | 2019-12-24 | 2020-04-28 | 中国海洋石油集团有限公司 | 一种基于地质信息库的砂体构型cmm神经网络预测方法 |
CN111239824A (zh) * | 2020-04-03 | 2020-06-05 | 辽宁工程技术大学 | 一种火山岩岩相的预测方法 |
CN111913220A (zh) * | 2020-08-13 | 2020-11-10 | 中海石油(中国)有限公司 | 基于相模式的低渗砂岩相对高渗条带预测方法 |
CN112213797A (zh) * | 2020-10-28 | 2021-01-12 | 中国石油大学(华东) | 一种利用测井相联合叠后地震属性预测储层产能的方法 |
CN112578441A (zh) * | 2020-11-26 | 2021-03-30 | 中海石油(中国)有限公司 | 储层厚度预测分析方法、计算机设备及存储介质 |
CN112684497A (zh) * | 2019-10-17 | 2021-04-20 | 中国石油天然气集团有限公司 | 地震波形聚类方法和装置 |
WO2021130512A1 (en) * | 2019-12-23 | 2021-07-01 | Total Se | Device and method for predicting values of porosity lithofacies and permeability in a studied carbonate reservoir based on seismic data |
CN113608265A (zh) * | 2021-08-13 | 2021-11-05 | 成都理工大学 | 一种基于深度混合神经网络的储层预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111551992B (zh) * | 2020-05-12 | 2021-02-26 | 中国科学院地质与地球物理研究所 | 岩石储层构造表征方法、装置、计算机可读存储介质及电子设备 |
-
2021
- 2021-11-30 CN CN202111445787.9A patent/CN114167498B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5444619A (en) * | 1993-09-27 | 1995-08-22 | Schlumberger Technology Corporation | System and method of predicting reservoir properties |
WO2004104637A1 (en) * | 2003-05-22 | 2004-12-02 | Schlumberger Canada Limited | Method for prospect identification in asset evaluation |
CN102650702A (zh) * | 2012-05-03 | 2012-08-29 | 中国石油天然气股份有限公司 | 一种地震波形分析及储层预测方法和装置 |
GB201502027D0 (en) * | 2015-02-06 | 2015-03-25 | Foster Findlay Ass Ltd | A method for determining sedimentary facies using 3D seismic data |
CN106707340A (zh) * | 2016-12-13 | 2017-05-24 | 中国石油天然气股份有限公司大港油田分公司 | 一种火山岩岩相的预测方法 |
CN107356958A (zh) * | 2017-07-21 | 2017-11-17 | 西南石油大学 | 一种基于地质信息约束的河流相储层分步地震相预测方法 |
CN109725348A (zh) * | 2017-10-30 | 2019-05-07 | 中国石油化工股份有限公司 | 一种基于地震资料识别沉积相的方法 |
CN108732620A (zh) * | 2018-03-09 | 2018-11-02 | 山东科技大学 | 一种非监督与监督学习下的多波地震油气储层预测方法 |
CN110412662A (zh) * | 2019-06-27 | 2019-11-05 | 中国石油化工股份有限公司 | 基于地震多属性深度学习的薄互层储层预测方法 |
CN112684497A (zh) * | 2019-10-17 | 2021-04-20 | 中国石油天然气集团有限公司 | 地震波形聚类方法和装置 |
WO2021130512A1 (en) * | 2019-12-23 | 2021-07-01 | Total Se | Device and method for predicting values of porosity lithofacies and permeability in a studied carbonate reservoir based on seismic data |
CN111080021A (zh) * | 2019-12-24 | 2020-04-28 | 中国海洋石油集团有限公司 | 一种基于地质信息库的砂体构型cmm神经网络预测方法 |
CN111239824A (zh) * | 2020-04-03 | 2020-06-05 | 辽宁工程技术大学 | 一种火山岩岩相的预测方法 |
CN111913220A (zh) * | 2020-08-13 | 2020-11-10 | 中海石油(中国)有限公司 | 基于相模式的低渗砂岩相对高渗条带预测方法 |
CN112213797A (zh) * | 2020-10-28 | 2021-01-12 | 中国石油大学(华东) | 一种利用测井相联合叠后地震属性预测储层产能的方法 |
CN112578441A (zh) * | 2020-11-26 | 2021-03-30 | 中海石油(中国)有限公司 | 储层厚度预测分析方法、计算机设备及存储介质 |
CN113608265A (zh) * | 2021-08-13 | 2021-11-05 | 成都理工大学 | 一种基于深度混合神经网络的储层预测方法 |
Non-Patent Citations (6)
Title |
---|
Determination of seismic一wave attenuation by complex trace analysis;Engelhard L;《GeoPhysical Journal international》;第125卷(第2期);608-622 * |
Remaining oil thickness inversion of time-lapse seismic data in water flooding reservoir;Hu, G., Zhang, X., Fan, T., Zhang, H., Wang, Z., & Tian, N;《SEG Technical Program Expanded Abstracts 2019》;5295-5299 * |
分频段地震属性优选及砂体预测方法 ———秦皇岛32-6油田北区实例;李伟等;《石油地球物理勘探》;第52卷(第1期);122-124 * |
地震多属性孔隙因子参数反演及其在伊拉克M 油田碳酸盐岩储层预测中的应用;张显文等;《石油物探》;第57卷(第5期);757-759 * |
基于地震属性的煤层厚度预测模型及其应用;孟召平等;《地球物理学报》;第49卷(第2期);512-515 * |
少井条件下的复杂岩性储层地质建模技术――以渤海湾盆地石臼坨凸起A油田为例;张宇焜;王晖;胡晓庆;张显文;卜范青;高玉飞;范廷恩;;《石油与天然气地质》;第37卷(第03期);451-453 * |
Also Published As
Publication number | Publication date |
---|---|
CN114167498A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960651B (zh) | 一种致密油气藏多级压裂水平井完井效率的综合评价方法 | |
Krishnamurthy et al. | Reducing large internet topologies for faster simulations | |
CN108732620B (zh) | 一种非监督与监督学习下的多波地震油气储层预测方法 | |
CN106101121A (zh) | 一种全网络流量异常抽取方法 | |
CN111178441A (zh) | 一种基于主成分分析与全连接神经网络的岩性识别方法 | |
CN104453875A (zh) | 基于自组织竞争神经网络的页岩气储层识别方法 | |
Bakshi et al. | A novel adaptive non-linear regression method to predict shale oil well performance based on well completions and fracturing data | |
CN110413952B (zh) | 含油气盆地勘探程度的预测方法及装置 | |
CN114167498B (zh) | 一种测井和地震属性联合的分步聚类分析方法 | |
CN108427753A (zh) | 一种新的数据挖掘方法 | |
Richeldi et al. | Performing effective feature selection by investigating the deep structure of the data | |
CN107194468A (zh) | 面向情报大数据的决策树增量学习方法 | |
CN113378998A (zh) | 一种基于机器学习的地层岩性随钻识别方法 | |
Partovi et al. | Reservoir rock characterization using wavelet transform and fractal dimension | |
Kavitha et al. | A survey on assorted approaches to graph data mining | |
Wu et al. | A data-driven approach to evaluate fracturing practice in tight sandstone in Changqing field | |
CN107391433B (zh) | 一种基于混合特征kde条件熵的特征选择方法 | |
Babu et al. | Performance Analysis on Advances in Frequent Pattern Growth Algorithm | |
CN113052374A (zh) | 一种数据驱动的油井套损深度智能预测方法 | |
CN107833144B (zh) | 一种表征矿区油页岩含油率状态的方法 | |
Geamsakul et al. | Performance evaluation of decision tree graph-based induction | |
CN112731544B (zh) | 一种基于机器监督学习识别页岩纹层组合类型的方法 | |
CN112836926B (zh) | 基于电力大数据的企业经营状况评估方法 | |
CN115291277B (zh) | 少井条件下基于多属性智能融合的储层构型解释方法 | |
Dong et al. | Application and Research of One-dimensional convolutional neural network in Intelligent Stratification in Oilfield |
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 |