CN114200543B - 一种基于沉积速率估算的三角洲沉积微相定量划分方法 - Google Patents

一种基于沉积速率估算的三角洲沉积微相定量划分方法 Download PDF

Info

Publication number
CN114200543B
CN114200543B CN202210148805.5A CN202210148805A CN114200543B CN 114200543 B CN114200543 B CN 114200543B CN 202210148805 A CN202210148805 A CN 202210148805A CN 114200543 B CN114200543 B CN 114200543B
Authority
CN
China
Prior art keywords
deposition rate
astronomical
deposition
stratum
correlation coefficient
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
Application number
CN202210148805.5A
Other languages
English (en)
Other versions
CN114200543A (zh
Inventor
宋翠玉
吕大炜
张之辉
王东东
刘海燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202210148805.5A priority Critical patent/CN114200543B/zh
Publication of CN114200543A publication Critical patent/CN114200543A/zh
Application granted granted Critical
Publication of CN114200543B publication Critical patent/CN114200543B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明属于沉积微相划分技术领域，涉及一种基于沉积速率估算的三角洲沉积微相定量划分方法，以较易获得的测井数据为基础，利用米兰科维奇旋回时间序列分析法获取地层剖面的沉积速率曲线，进而依据直观的沉积速率突变界线准确、快速地完成三角洲微相划分，该方法简便快捷，能有效减少人为干预及工作量，为三角洲沉积微相划分提供了一种新途径。

Description

一种基于沉积速率估算的三角洲沉积微相定量划分方法
技术领域
本发明属于沉积微相划分技术领域，涉及一种基于沉积速率估算的三角洲沉积微相定量划分方法。
背景技术
三角洲沉积微相的识别与划分是开展应用沉积学研究、进行能源勘探与预测的基础且关键性工作，近年来，易获取的、连续、高精度、高分辨率的测井资料为理解和认知沉积微相提供了数据基础，早期通过测井数据开展沉积微相识别与划分以定性解释分析为主，即对测井曲线的幅度、形态、光滑程度等进行分析，结合岩性、矿物成分等地质信息进行人工识别，其准确度受工作人员主观性及经验的影响与限制，现代信息技术促使测井－沉积微相分析向定量方向发展，常用方法如Bayes判别法、模糊聚类法、BP神经网络法、SVM判别法，以及一些深度学习模型等，以上定量识别方法大大提高了微相识别的客观性和精度，但存在样本选取及标签标注的工作量大、训练样本数量小、模型的泛化能力弱等局限性，因此，基于可获得的地质测井资料，如何快速、有效、准确地识别三角洲微相成为石油勘探和开发中需要迫切解决的问题。
沉积微相是在基本一致的沉积条件下形成的最基本的沉积单元，同一相带内沉积环境相对稳定，其沉积速率往往变化不大；而不同沉积微相常对应不同的岩性组合及韵律，反映了沉积环境的差异，其沉积速率亦可呈现明显差异，从而形成相变界线，因此，在已知沉积背景下，相带之间沉积速率的差异性可作为进一步划分沉积微相的定量依据，基于旋回地层学分析方法eCOCO（evolutionary correlation coefficient）估算地层剖面的沉积速率，本发明提出一种基于沉积速率估算的三角洲沉积微相定量划分方法。
发明内容
本发明的目的在于克服现有技术存在的缺点,设计提供一种基于沉积速率估算的三角洲沉积微相定量划分方法，基于旋回地层学分析方法eCOCO（evolutionarycorrelation coefficient）估算地层剖面的沉积速率，从而实现沉积微相的定量划分。
为了实现上述目的，本发明对三角洲沉积微相定量划分的具体过程为：
步骤S1：采集地层测井数据序列，地层测井数据序列包括自然伽马（GR）和自然电位（SP）数据等；
步骤S2：数据预处理，将步骤S1的地层测井数据序列进行重采样、剔除异常值、去均值、去趋势化以及预白化等处理，以尽量消除地层数据中的各种环境“噪声”；
步骤S3：基于eCOCO的地层沉积速率估算，该步骤包括相关性评价、天文驱动检验和有贡献的天文周期参数个数统计三个环节，其中，相关系数评价即计算待测试沉积速率下的地层时间序列与天文目标序列的相关系数；天文驱动检验即通过零假设检验某沉积速率下是否存在天文周期信号；统计对相关系数有贡献的天文周期参数的个数用于避免仅有少数天文参数得到高相关系数的情况，待测试的沉积速率在一定取值范围内按特定步长取值，同时满足相关系数高、零假设p值低、有贡献的天文参数数量多三个条件的沉积速率即为最优沉积速率；
步骤S4：生成沉积速率曲线，基于滑动窗口技术，eCOCO跟踪地层不同深度的最优沉积速率，获得地层剖面深度域的沉积速率曲线；
步骤S5：沉积微相划分，以步骤S4获得的沉积速率曲线为基础，寻找沉积速率显著变化的界线，结合沉积背景及岩性组合等地质信息完成三角洲沉积环境下微相的划分。
优选的，所述S3中待测试沉积速率的取值范围受Nyquist频率和Reyleigh频率的约束，其中，时间域内周期图的Nyquist频率
Figure 438760DEST_PATH_IMAGE001
和Reyleigh频率
Figure 56823DEST_PATH_IMAGE002
分别定义为：
Figure 202634DEST_PATH_IMAGE003
Figure 906148DEST_PATH_IMAGE004
式中，
Figure 530027DEST_PATH_IMAGE005
为沉积速率，单位m/ka，
Figure 268176DEST_PATH_IMAGE006
为采样间距，单位m，N为地层数据序列的总样本数量，根据
Figure 319309DEST_PATH_IMAGE001
大于等于最高天文频率确定
Figure 510119DEST_PATH_IMAGE005
最小值，根据f ray 小于等于最低天文频率确定
Figure 937689DEST_PATH_IMAGE005
最大值。
优选的，所述S3中待测试沉积速率取值范围能参照已知地层剖面两个或两个以上层位的地质年龄而估算的平均沉积速率；对于缺少年龄约束的剖面，待测试沉积速率取值范围参照相似沉积系统的已知沉积速率。
优选的，所述S3中沉积速率的变化步长需权衡估算精度与运算量，在特定取值范围内，沉积速率变化的步长越短，待测试的沉积速率越多，运行越耗时，但估算结果可能更精确。
优选的，所述S3中天文周期参数根据地层的大致年龄确定，采用现有技术中的天文解决方案。
优选的，所述S3中待测试沉积速率下的地层时间序列功率谱与天文目标序列功率谱之间的相关系数由皮尔逊积矩相关系数（Pearson product-moment correlationcoefficient）ρ获得：
Figure 530344DEST_PATH_IMAGE007
式中，
Figure 17957DEST_PATH_IMAGE008
和
Figure 430484DEST_PATH_IMAGE009
分别为天文目标序列和地层时间序列的功率谱，
Figure 458483DEST_PATH_IMAGE010
为
Figure 347722DEST_PATH_IMAGE008
或
Figure 68554DEST_PATH_IMAGE009
的观测值数量，
Figure 171639DEST_PATH_IMAGE011
、
Figure 3329DEST_PATH_IMAGE012
分别为
Figure 242680DEST_PATH_IMAGE008
和
Figure 134413DEST_PATH_IMAGE009
的均值，
Figure 724794DEST_PATH_IMAGE013
、
Figure 94596DEST_PATH_IMAGE014
分别为
Figure 454033DEST_PATH_IMAGE008
和
Figure 516667DEST_PATH_IMAGE009
的标准差，功率谱通过周期图法获得，利用一阶自回归模型（Auto Regressive Lag-1，AR1）对地层转换后的时间序列进行红噪估计，若功率谱幅值小于红噪均值（背景值）则赋值为0。
优选的，所述S3天文驱动检验的具体过程为：建立零假设H0，即假设地层时间序列中不存在天文周期信号且所有超过AR1红噪背景值的n个峰值f1，f2，...，fn均是偶然产生的，在每个待测试的沉积速率下，利用蒙特卡洛模拟法生成随机数据功率谱（基于n个随机频率、0-1随机振幅的半正弦波）和目标功率谱之间相关系数ρ值的分布，建立零分布，从而估计该沉积速率下随机产生相应相关系数的概率p，如果检验的p值<0.01，认为假设检验是显著的，拒绝零假设H0，即在该沉积速率下存在天文周期信号的置信度为1-p。
优选的，所述S4中滑动窗口技术中滑动窗口的长度大于1个地层长偏心率周期对应的沉积厚度，步距一般为采样间距的整数倍。
本发明与现有技术相比，以较易获得的测井数据为基础，利用米兰科维奇旋回时间序列分析法获取地层剖面的沉积速率曲线，进而依据直观的沉积速率突变界线准确、快速地完成三角洲微相划分，该方法简便快捷，能有效减少人为干预及工作量，为三角洲沉积微相划分提供了一种新途径。
附图说明
图1为本发明的工作流程示意图。
图2为本发明实施例某地区钻孔位置图及相似沉积系统GR曲线。
图3为本发明不同沉积速率测试区间和步长获得的沉积速率曲线对比图，其中曲线a的测试区间为0.57-45.77cm/ka，步长为0.1cm/ka；曲线b、c和d的测试区间为1.5-15cm/ka，步长分别为0.05、0.035和0.02cm/ka。
图4为本发明实施例三角洲相划分结果对照图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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：
本实施例基于沉积速率估算的三角洲沉积微相定量划分包括如下步骤：
步骤S1：采集地层自然伽马（GR）测井数据；
步骤S2：数据预处理，将步骤S1的地层测井数据序列进行重采样、剔除异常值、去均值、去趋势化以及预白化等处理，以尽量消除地层数据中的各种环境“噪声”；
步骤S3：基于eCOCO的地层沉积速率估算，该步骤包括相关性评价、天文驱动检验和有贡献的天文（周期）参数个数统计等三个环节，其中，相关系数评价即计算某（待测试）沉积速率下的地层时间序列与天文目标序列的相关系数；天文驱动检验即通过零假设检验某沉积速率下是否存在天文周期信号；统计对相关系数有贡献的天文（周期）参数的个数，是为了避免仅有少数天文参数得到高相关系数的情况；待测试的沉积速率在一定取值范围内按特定步长取值，同时满足相关系数高、零假设p值低、有贡献的天文参数数量多等三个条件的沉积速率即为最优估算值；
步骤S4：生成沉积速率曲线，基于滑动窗口技术，eCOCO跟踪地层不同深度的最优沉积速率，即可获得地层剖面深度域的沉积速率曲线；
步骤S5：沉积微相划分，以步骤S4获得的沉积速率曲线为基础，寻找沉积速率显著变化的界线，结合沉积背景及岩性组合等地质信息完成三角洲沉积环境下微相的划分。
本实施例中GR数据能够敏感地反映沉积物中有机质和泥质含量的变化，是指示沉积环境变化的良好记录。
本实施例S3中所述待测试沉积速率的取值范围是影响估算结果的重要参数，取值过大或者过小会导致两个频率落在天文目标频率区间之外，其取值范围受Nyquist频率和Reyleigh频率的约束，其中，时间域内周期图的Nyquist频率
Figure 328765DEST_PATH_IMAGE001
和Reyleigh频率
Figure 502257DEST_PATH_IMAGE002
分别定义为：
Figure 778518DEST_PATH_IMAGE003
Figure 949736DEST_PATH_IMAGE004
式中，
Figure 311447DEST_PATH_IMAGE005
为沉积速率，单位m/ka，
Figure 960735DEST_PATH_IMAGE006
为采样间距，单位m，N为地层数据序列的总样本数量，根据
Figure 357081DEST_PATH_IMAGE001
大于等于最高天文频率确定
Figure 197736DEST_PATH_IMAGE005
最小值，根据f ray 小于等于最低天文频率确定
Figure 781164DEST_PATH_IMAGE005
最大值，在本实施例中，目标天文频率在1/413-1/17.6 （单位：1/ka）之间，故sr最小和最大的可能值分别为0.57cm/ka和45.77cm/ka；本实施例钻孔剖面缺少绝对年龄资料，故参照其它地区有相似沉积环境的研究成果来进一步约束沉积速率，最终选取1.5-15cm/ka；本实施例S3中所述沉积速率的变化步长通过测试获得，在沉积速率区间1.5-15cm/ka，步长0.02、0.035和0.05cm/ka得到的沉积速率曲线基本重合（图3），为减少运算时间，本实施例变化步长取0.05cm/ka。
本实施例所述S3中天文驱动检验的具体过程为：建立零假设H0，即假设地层时间序列中不存在天文周期信号且所有超过AR1红噪背景值的n个峰值f1，f2，...，fn均是偶然产生的，在每个待测试的沉积速率下，利用蒙特卡洛模拟法生成随机数据功率谱（基于n个随机频率、0-1随机振幅的半正弦波）和目标功率谱之间相关系数ρ值的分布，建立零分布，从而估计该沉积速率下随机产生相应相关系数的概率p，如果检验的p值<0.01，认为假设检验是显著的，拒绝零假设H0，即在该沉积速率下存在天文周期信号的置信度为1-p，其中蒙特卡洛模拟的次数影响模拟结果与真实答案的逼近程度，从理论上讲，蒙特卡洛模拟次数越多，模拟结果与实际情况越接近，但模拟次数过多程序运行越慢，经过多次尝试，本实施例发现模拟次数超过2000时，计算结果趋于稳定，在本实施例中选择2000次。
本实施例S3中天文目标周期是随时间变化，需根据地层的大致年龄确定采用的天文解决方案，本实施例的地层剖面对应地史时期为二叠纪，采用Berger94天文解决方案获取的270Ma前后的天文周期参数，滑动窗口长度选择60m，步距等于数据的采样间距，即0.05m。
本实施例选取某地区在晚石炭-早二叠世沉积一套海陆交替相含煤地层，其岩石地层单位自老到新可以划分为本溪组、太原组、山西组、下石盒子组、上石盒子组、石千峰组，区内钻井较多，其地质勘探程度及研究程度均较高，本实施例以该地区相似沉积系统山西组地层剖面为例定量识别沉积微相，该地层形成于河控浅水三角洲环境，发育着多套三角洲平原沉积，岩性以砂岩为主，存在部分砂质泥岩、泥岩及煤层，具有成熟的沉积微相研究成果，选择该区19-5S井的GR数据估算沉积速率，进而定量划分沉积微相，GR数据对应深度为679-868m，采样间隔0.05m，共3781个采样点，钻孔位置、岩性分布及GR曲线如图2所示，本实施例先对地层剖面的GR数据进行了去均值、去趋势等预处理，继而应用eCOCO方法获取了沉积速率曲线，并据此划分了沉积微相，结果如图4所示，由图中的沉积速率曲线可以看出，该剖面沉积速率在1.55-5.2 cm/ka之间，对比岩性柱状图发现，含煤地层的沉积速率最低，最大沉积速率主要出现在约750-780 m的粉砂岩、细砂岩薄层互层部位；沉积速率曲线分段突变界线较明显，根据显著突变的沉积速率分界线，将该剖面划分为天然堤、分流河道、席状砂、决口扇、分流间湾、三角洲平原沼泽和河口坝等7个沉积微相（图4），总体而言，三角洲平原沼泽、决口扇的沉积速率相对较低，河口坝、分流间湾和天然堤的沉积速率中等，而分流河道和席状砂表现出相对较高的沉积速率，其具体特征如表1所示。
表1：基于沉积速率估算的三角洲沉积微相特征描述
沉积微相 岩性 沉积速率特征
三角洲平原沼泽 为暗色泥炭或褐煤沉积，夹薄层粉砂岩 1.55 cm/ka
天然堤 以砂质泥岩为主 在3.3 cm/ka和4.2 cm/ka之间交互突变
决口扇 以中砂、细砂和粉砂为主，比天然堤粗，反韵律 1.65-2.45 cm/ka
河口坝 以细砂和粉砂为主，分选较好，常发育交错层理和反粒序层理。 沉积速率总体稳定，约3.25 cm/ka
分流间湾 为粉砂、泥质粉砂岩，有时含薄煤层 沉积速率稳定，比河口坝略大，约3.7 cm/ka
席状砂 岩性为粉砂岩和细砂岩，薄层互层 沉积速率较大，总体4.7 cm/ka左右
分流河道 以粉砂岩、细砂岩沉积为主，垂向具向上逐渐变细的正旋回层序特征 沉积速率比席状砂略大，4.75 cm/ka以上，局部5-5.2 cm/ka
本实施例结合钻孔取芯及GR测井曲线形态，在山西组剖面识别出了天然堤、分流河道、席状砂、决口扇、分流间湾、三角洲平原沼泽和河口坝等沉积微相，对比人工划分结果与本文的定量划分结果，可以发现二者的吻合度良好，尤其是天然堤、分流间湾、席状砂及分流河道等微相的划分结果高度一致，仅在780-785m、814-818m、830-841m附近层位存在识别误差，整个地层剖面（共约189 m）的总体吻合率约89%，误差产生的原因一方面是由于某些微相的沉积速率差别较小而本身容易混淆，另一方面可能由于某些较薄的微相分布于厚层微相中，沉积速率估算中较长的滑动窗口影响了估算精度，例如，841 m附近的分流间湾由于厚度小且与河口坝沉积速率差别小、830-840 m的分流河道夹杂于较厚的河口坝微相中，均被误划分为河口坝。
以上内容是结合具体实施方式对本发明作进一步详细说明，不能认定本发明具体实施只局限于这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明的构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明所提交的权利要求书确定的保护范围。

Claims (4)

1.一种基于沉积速率估算的三角洲沉积微相定量划分方法，其特征在于，具体过程为：
步骤S1：采集地层测井数据序列，地层测井数据序列包括自然伽马GR和自然电位SP数据；
步骤S2：数据预处理，将步骤S1的地层测井数据序列进行重采样、剔除异常值、去均值、去趋势化以及预白化处理，以消除地层测井数据中的各种环境“噪声”；
步骤S3：基于eCOCO的地层沉积速率估算，该步骤包括相关系数评价、天文驱动检验和有贡献的天文周期参数个数统计三个环节，其中，相关系数评价即计算待测试沉积速率下的地层时间序列与天文目标序列的相关系数；天文驱动检验即通过零假设检验某沉积速率下是否存在天文周期信号；统计对相关系数有贡献的天文周期参数的个数用于避免仅有少数天文周期参数得到高相关系数的情况，待测试的沉积速率在一定取值范围内按特定步长取值，同时满足相关系数高、零假设p值低、有贡献的天文周期参数数量多三个条件的沉积速率即为最优沉积速率；待测试沉积速率的取值范围受Nyquist频率和Reyleigh频率的约束，其中，时间域内周期图的Nyquist频率fnyq和Reyleigh频率fray分别定义为：
fnyq＝sr/(2*Δd)
fray＝sr/(M*Δd)
式中，sr为沉积速率，单位m/ka，Δd为采样间距，单位m，M为地层测井数据序列的总样本数量，根据fnyq大于等于最高天文频率确定sr最小值，根据fray小于等于最低天文频率确定sr最大值；
待测试沉积速率下的地层时间序列功率谱与天文目标序列功率谱之间的相关系数由皮尔逊积矩相关系数ρ获得：
Figure FDA0003734625570000011
式中，T和D分别为天文目标序列和地层时间序列的功率谱，N为T或D的观测值数量，μT、μD分别为T和D的均值，σT、σD分别为T和D的标准差，功率谱通过周期图法获得，利用一阶自回归模型对地层转换后的时间序列进行红噪估计，若功率谱幅值小于红噪均值则赋值为0；
天文驱动检验的具体过程为：建立零假设H0，即假设地层时间序列中不存在天文周期信号且所有超过一阶自回归模型红噪背景值的n个峰值f1，f2，...，fn均是偶然产生的，在每个待测试的沉积速率下，利用蒙特卡洛模拟法生成随机数据功率谱和目标功率谱之间相关系数ρ值的分布，建立零分布，从而估计该沉积速率下随机产生相应相关系数的概率p，如果检验的p值＜0.01，认为假设检验是显著的，拒绝零假设H0，即在该沉积速率下存在天文周期信号的置信度为1-p；
步骤S4：生成沉积速率曲线，基于滑动窗口技术，eCOCO跟踪地层不同深度的最优沉积速率，获得地层剖面深度域的沉积速率曲线；
步骤S5：沉积微相划分，以步骤S4获得的沉积速率曲线为基础，寻找沉积速率显著变化的界线，结合沉积背景及岩性组合地质信息完成三角洲沉积环境下微相的划分。
2.根据权利要求1所述基于沉积速率估算的三角洲沉积微相定量划分方法，其特征在于，所述S3中待测试沉积速率取值范围参照已知地层剖面两个以上层位的地质年龄而估算的平均沉积速率；对于缺少年龄约束的剖面，待测试沉积速率取值范围参照相似沉积系统的已知沉积速率。
3.根据权利要求2所述基于沉积速率估算的三角洲沉积微相定量划分方法，其特征在于，所述S3中天文周期参数根据地层的大致年龄确定。
4.根据权利要求3所述基于沉积速率估算的三角洲沉积微相定量划分方法，其特征在于，所述S4中滑动窗口技术中滑动窗口的长度大于1个地层长偏心率周期对应的沉积厚度，步距为采样间距的整数倍。
CN202210148805.5A 2022-02-18 2022-02-18 一种基于沉积速率估算的三角洲沉积微相定量划分方法 Active CN114200543B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210148805.5A CN114200543B (zh) 2022-02-18 2022-02-18 一种基于沉积速率估算的三角洲沉积微相定量划分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210148805.5A CN114200543B (zh) 2022-02-18 2022-02-18 一种基于沉积速率估算的三角洲沉积微相定量划分方法

Publications (2)

Publication Number Publication Date
CN114200543A CN114200543A (zh) 2022-03-18
CN114200543B true CN114200543B (zh) 2022-09-02

Family

ID=80645698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210148805.5A Active CN114200543B (zh) 2022-02-18 2022-02-18 一种基于沉积速率估算的三角洲沉积微相定量划分方法

Country Status (1)

Country Link
CN (1) CN114200543B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112764110A (zh) * 2020-07-09 2021-05-07 五季数据科技(北京)有限公司 一种基于限制波尔兹曼机特征编码的聚类地震相分析方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2384304B (en) * 2002-01-04 2003-12-03 Nigel Allister Anstey Method of distinguishing types of geologic sedimentation
EP2778725B1 (en) * 2013-03-15 2018-07-18 Emerson Paradigm Holding LLC Systems and methods to build sedimentary attributes
US20220214473A1 (en) * 2019-05-10 2022-07-07 Totalenergies Se A method for modelling a facies log of a sedimentary basin using a stratigraphic forward modelling program
CN111624674A (zh) * 2020-06-09 2020-09-04 中国地质大学（北京） 一种沉积层序形成演化的模拟系统
CN113687440A (zh) * 2021-08-18 2021-11-23 中国地质大学（武汉） 基于米兰科维奇旋回的古水深定量恢复方法和存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112764110A (zh) * 2020-07-09 2021-05-07 五季数据科技(北京)有限公司 一种基于限制波尔兹曼机特征编码的聚类地震相分析方法

Also Published As

Publication number Publication date
CN114200543A (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
CN112487582B (zh) 一种基于cart算法的油气钻井机械钻速预测与优化方法
Cooper et al. Quantitative biostratigraphy of the Taranaki Basin, New Zealand: A deterministic and probabilistic approach
CN105044797A (zh) 一种碳酸盐岩地层剥蚀量定量恢复方法
CN111596364A (zh) 基于高精度层序地层格架的地震沉积微相组合分析方法
CN109543915B (zh) 基于测井信息对全井段烃源岩总有机碳含量的识别方法
Joshi et al. Prediction of sonic log and correlation of lithology by comparing geophysical well log data using machine learning principles
CN110412662A (zh) 基于地震多属性深度学习的薄互层储层预测方法
CN111199107A (zh) 三角洲相砂岩圈闭评价新方法
CN113486539A (zh) 一种深水钻井全过程中地层压力不确定性分析方法
CN112185469B (zh) 一种预测海域天然气水合物有利聚集区的方法
CN114200543B (zh) 一种基于沉积速率估算的三角洲沉积微相定量划分方法
CN116432855A (zh) 一种基于掘进数据的隧道塌方情况的预测方法
CN115964667A (zh) 基于深度学习和重采样的河流-湖泊岩相测井识别方法
Yanran et al. Mathematical modeling for total organic carbon content prediction with logging parameters by neural networks: A case study of shale gas well in South China
Huang et al. Quantitative analysis of the main controlling factors of oil saturation variation
Liu et al. Machine learning assisted recovery of subsurface energy: a review
CN110795513B (zh) 河流相源储异位型致密油气甜点区分布的预测方法
Nishitsuji et al. LSTM with forget gates optimized by Optuna for lithofacies prediction
CN113869613B (zh) 一种基于能谱信号的油井产量测量方法及设备
Ding et al. Quantitative estimation of TBM disc cutter wear from in-situ parameters by optimization algorithm improved back-propagation neural network: A case study of a metro tunnel in Guangzhou, China
CN117150929B (zh) 深地油气精准导航井震结合更新碎屑岩岩性模型系统
CN113050168B (zh) 基于阵列声波测井和声波远探测测井资料的裂缝有效性评价方法
CN113109875B (zh) 一种全波形速度场约束下的盐下碳酸盐岩储层反演方法
CN113640880B (zh) 砂岩型铀矿地震勘探方法和装置
CN111708100B (zh) 深部薄层油气储层确定方法及相关装置

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