CN114427455A - 地层全井段岩性识别的测井方法、装置、电子设备及介质 - Google Patents
地层全井段岩性识别的测井方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN114427455A CN114427455A CN202010954291.3A CN202010954291A CN114427455A CN 114427455 A CN114427455 A CN 114427455A CN 202010954291 A CN202010954291 A CN 202010954291A CN 114427455 A CN114427455 A CN 114427455A
- Authority
- CN
- China
- Prior art keywords
- lithology
- logging
- well
- type
- relation model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011160 research Methods 0.000 claims abstract description 32
- 239000011435 rock Substances 0.000 claims abstract description 27
- 230000015572 biosynthetic process Effects 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 17
- 238000002790 cross-validation Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009897 systematic effect Effects 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 3
- 208000035126 Facies Diseases 0.000 abstract description 2
- 238000005755 formation reaction Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 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
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Fluid Mechanics (AREA)
- Geometry (AREA)
- Geophysics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请公开了一种地层全井段岩性识别的测井方法、装置、电子设备及介质。该方法可以包括:获得研究区域目的层位标样井岩心地层信息;识别标样井的全部岩性类型,标定岩性类型对应的深度分布;建立标样井的岩性类型‑测井曲线关系模型;将其他井的测井数据代入至岩性类型‑测井曲线关系模型中,识别其对应的岩性类型。本发明针对取心较少、零散的区域,尤其是范围较大的系统性、区域性研究,利用岩心资料和多测井参数,建立精细、连续的岩性剖面,可以促进后续连井对比、沉积相研究等工作,提升全区地质认识,降低成本、提升油气勘探开发效率。
Description
技术领域
本发明涉及地质领域,更具体地,涉及一种地层全井段岩性识别的测井方法、装置、电子设备及介质。
背景技术
碎屑岩地层是一种重要的油气储集层,系统认识其岩性类型分布特征对于其油气勘探和开发起着极为重要作用。常规岩性识别方法包括基础地质描述、样品实验分析、测井人工解释、测井自动解释以及地质分析和测井解释相结合等方法。
其中基础地质描述和样品实验分析方法主要针对岩心、露头进行直接描述、实验分析,识别结果较为准确。但其对井下取心较少、零散的区域难以建立连续岩性剖面,尤其是很难深入、系统的进行对盆地较大范围的区域性研究。
使用测井信息识别地层岩性类型是另一种较为常用手段,其主要包括常规测井资料人工、自动解释法、判别分析法、神经网络算法等。上述测井方法可以较系统的建立连续岩性剖面,但通常情况仅可依据泥质含量划分砂岩和泥岩,对地层非均质性情况反映效果较差。判别分析法和神经网络算法对原始样本数据代表性和全面性要求较高,且易受流体性质和人工解释的影响,针对性和可靠性相对较差,很难实现储层物性精细识别和评价。经验证,岩心和测井资料相结合既可满足对精度的要求,又可以建立连续地层岩性剖面,是一种较为准确和有效的方法。但前人研究多是依据岩心、岩屑测试样品结果确定岩性类型,不但测试费用较高,且限于资料限制,样本代表性较差,难以排除遗漏岩性的可能。与此同时,其具体实施过程也比较模糊,利用测井岩性识别结果准确率也未得到验证,很难保证其最终岩性识别准确率。
因此,有必要开发一种碎屑岩地层全井段岩性识别的测井方法、装置、电子设备及介质。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种地层全井段岩性识别的测井方法、装置、电子设备及介质,其针对取心较少、零散的区域,尤其是范围较大的系统性、区域性研究,利用岩心资料和多测井参数,建立精细、连续的岩性剖面,可以促进后续连井对比、沉积相研究等工作,提升全区地质认识,降低成本、提升油气勘探开发效率。
第一方面,本公开实施例提供了一种地层全井段岩性识别的测井方法,包括:
获得研究区域目的层位标样井岩心地层信息;
识别所述标样井的全部岩性类型,标定岩性类型对应的深度分布;
建立所述标样井的岩性类型-测井曲线关系模型;
将其他井的测井数据代入至岩性类型-测井曲线关系模型中,识别其对应的岩性类型。
优选地,建立所述标样井的岩性类型-测井曲线关系模型包括:
将所述标样井的不同取样点的测井曲线值、岩性类型建立交会图,确定不同岩性类型所对应测井曲线参数特征,进而建立所述标样井的岩性类型-测井曲线关系模型。
优选地,建立交会图前,针对所述测井曲线值进行井深校正。
优选地,还包括:
将识别结果与岩心描述岩性类型结果进行交叉验证,判断吻合率是否达到设定阈值,若否,则调整所述岩性类型-测井曲线关系模型,直至吻合率达到设定阈值。
优选地,所述设定阈值为85%。
作为本公开实施例的一种具体实现方式,
第二方面,本公开实施例还提供了一种地层全井段岩性识别的测井装置,包括:
信息获取模块,获得研究区域目的层位标样井岩心地层信息;
标定模块,识别所述标样井的全部岩性类型,标定岩性类型对应的深度分布;
建模模块,建立所述标样井的岩性类型-测井曲线关系模型;
识别模块,将其他井的测井数据代入至岩性类型-测井曲线关系模型中,识别其对应的岩性类型。
优选地,建立所述标样井的岩性类型-测井曲线关系模型包括:
将所述标样井的不同取样点的测井曲线值、岩性类型建立交会图,确定不同岩性类型所对应测井曲线参数特征,进而建立所述标样井的岩性类型-测井曲线关系模型。
优选地,建立交会图前,针对所述测井曲线值进行井深校正。
优选地,还包括:
将识别结果与岩心描述岩性类型结果进行交叉验证,判断吻合率是否达到设定阈值,若否,则调整所述岩性类型-测井曲线关系模型,直至吻合率达到设定阈值。
优选地,所述设定阈值为85%。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
存储器,存储有可执行指令;
处理器,所述处理器运行所述存储器中的所述可执行指令,以实现所述的地层全井段岩性识别的测井方法。
第四方面,本公开实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的地层全井段岩性识别的测井方法。
本发明的方法和装置具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的地层全井段岩性识别的测井方法的步骤的流程图。
图2示出了根据本发明的一个实施例的不同岩性编码的示意图。
图3示出了根据本发明的一个实施例的不同岩性类型伽马-声波时差特征交会图的示意图。
图4示出了根据本发明的一个实施例的一种地层全井段岩性识别的测井装置的框图。
附图标记说明:
201、信息获取模块;202、标定模块;203、建模模块;204、识别模块。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
本发明提供一种地层全井段岩性识别的测井方法,包括:
获得研究区域目的层位标样井岩心地层信息。
具体地,选取研究区覆盖目的层位含岩心的标样井及含相关测井曲线重要井;其中,研究区含岩心的标样井应尽量覆盖所研究目的层位,且包含目的层位所出现的代表性或全部岩性类型;研究区含相关测井曲线重要井应含有覆盖目的层位主要测井曲线,包括但不限于自然伽马测井、密度测井、声波时差测井、中子测井曲线,品质较好,井位应尽量覆盖整个研究区域,反映研究区构造格局分布。
获取研究区域目的层位的标样井岩心地层相关信息;其中岩心地层相关信息包括地层岩心样本深度、岩性类型等;主要通过对目的层位关键井岩心进行精细描述,识别目的层位全部岩性类型和深度分布,依据伍登-温特华斯分类方案,由主要组成部分粒度特征划分岩性类型。
识别标样井的全部岩性类型,标定岩性类型对应的深度分布。
图1示出了根据本发明的一个实施例的不同岩性编码的示意图。
具体地,识别全部岩性类型并编码,数字化关键井岩心描述结果,精细标定关键井岩性类型深度分布。
建立标样井的岩性类型-测井曲线关系模型;在一个示例中,建立标样井的岩性类型-测井曲线关系模型包括:将标样井的不同取样点的测井曲线值、岩性类型建立交会图,确定不同岩性类型所对应测井曲线参数特征,进而建立标样井的岩性类型-测井曲线关系模型。
在一个示例中,建立交会图前,针对测井曲线值进行井深校正。
具体地,获取并加载相应测井曲线相关信息,测井曲线相关信息包括标样井和重要井测井曲线取样点深度、测井数值等参数;将测井曲线经过井深校正后,加载到Petrel软件中。获取岩心关键井取样点深度、岩性类型、测井曲线数值相关信息,相关信息主要通过Petrel软件系统采样,将标样井的样品深度、岩性类型和测井曲线特征相关数据导出,采样间隔通常采用0.08m。建立标样井的岩性类型-测井曲线关系模型,应用交会图或多元相关回归统计方法建立,确定出不同岩性类型所对应测井曲线参数特征。
将其他井的测井数据代入至岩性类型-测井曲线关系模型中,识别其对应的岩性类型。
在一个示例中,还包括:将识别结果与岩心描述岩性类型结果进行交叉验证,判断吻合率是否达到设定阈值,若否,则调整岩性类型-测井曲线关系模型,直至吻合率达到设定阈值。
在一个示例中,设定阈值为85%。
具体地,应用Petrel软件自动识别标样井全井段岩性类型;应用Petrel软件中logcalculator功能,据岩性类型-测井曲线关系模型编写岩性类型识别判别式,自动识别全井段岩性类型;将岩心井自动化识别结果同岩心描述岩性类型结果进行交叉验证,最终确保验证吻合率在85%以上;具体的,如验证结果等于或大于85%,则进行下一步,否则,则调整、优化相应岩性类型-测井曲线关系模型,重复进行验证,直至吻合率达到或超过85%。
将最终确定岩性类型-测井曲线关系模型应用于其余含相关测井曲线重要井中,自动识别其全井段岩性类型分布,建立连续地层岩性剖面。
本发明还提供一种地层全井段岩性识别的测井装置,包括:
信息获取模块,获得研究区域目的层位标样井岩心地层信息。
具体地,选取研究区覆盖目的层位含岩心的标样井及含相关测井曲线重要井;其中,研究区含岩心的标样井应尽量覆盖所研究目的层位,且包含目的层位所出现的代表性或全部岩性类型;研究区含相关测井曲线重要井应含有覆盖目的层位主要测井曲线,包括但不限于自然伽马测井、密度测井、声波时差测井、中子测井曲线,品质较好,井位应尽量覆盖整个研究区域,反映研究区构造格局分布。
获取研究区域目的层位的标样井岩心地层相关信息;其中岩心地层相关信息包括地层岩心样本深度、岩性类型等;主要通过对目的层位关键井岩心进行精细描述,识别目的层位全部岩性类型和深度分布,依据伍登-温特华斯分类方案,由主要组成部分粒度特征划分岩性类型。
标定模块,识别标样井的全部岩性类型,标定岩性类型对应的深度分布。
具体地,识别全部岩性类型并编码,数字化关键井岩心描述结果,精细标定关键井岩性类型深度分布。
建模模块,建立标样井的岩性类型-测井曲线关系模型;在一个示例中,建立标样井的岩性类型-测井曲线关系模型包括:将标样井的不同取样点的测井曲线值、岩性类型建立交会图,确定不同岩性类型所对应测井曲线参数特征,进而建立标样井的岩性类型-测井曲线关系模型。
在一个示例中,建立交会图前,针对测井曲线值进行井深校正。
具体地,获取并加载相应测井曲线相关信息,测井曲线相关信息包括标样井和重要井测井曲线取样点深度、测井数值等参数;将测井曲线经过井深校正后,加载到Petrel软件中。获取岩心关键井取样点深度、岩性类型、测井曲线数值相关信息,相关信息主要通过Petrel软件系统采样,将标样井的样品深度、岩性类型和测井曲线特征相关数据导出,采样间隔通常采用0.08m。建立标样井的岩性类型-测井曲线关系模型,应用交会图或多元相关回归统计方法建立,确定出不同岩性类型所对应测井曲线参数特征。
识别模块,将其他井的测井数据代入至岩性类型-测井曲线关系模型中,识别其对应的岩性类型。
在一个示例中,还包括:将识别结果与岩心描述岩性类型结果进行交叉验证,判断吻合率是否达到设定阈值,若否,则调整岩性类型-测井曲线关系模型,直至吻合率达到设定阈值。
在一个示例中,设定阈值为85%。
具体地,应用Petrel软件自动识别标样井全井段岩性类型;应用Petrel软件中logcalculator功能,据岩性类型-测井曲线关系模型编写岩性类型识别判别式,自动识别全井段岩性类型;将岩心井自动化识别结果同岩心描述岩性类型结果进行交叉验证,最终确保验证吻合率在85%以上;具体的,如验证结果等于或大于85%,则进行下一步,否则,则调整、优化相应岩性类型-测井曲线关系模型,重复进行验证,直至吻合率达到或超过85%。
将最终确定岩性类型-测井曲线关系模型应用于其余含相关测井曲线重要井中,自动识别其全井段岩性类型分布,建立连续地层岩性剖面。
本发明还提供一种电子设备,电子设备包括:存储器,存储有可执行指令;处理器,处理器运行存储器中的可执行指令,以实现上述的地层全井段岩性识别的测井方法。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述的地层全井段岩性识别的测井方法。
为便于理解本发明实施例的方案及其效果,以下给出四个具体应用示例。本领域技术人员应理解,该示例仅为了便于理解本发明,其任何具体细节并非意在以任何方式限制本发明。
实施例1
图1示出了根据本发明的地层全井段岩性识别的测井方法的步骤的流程图。
如图1所示,该地层全井段岩性识别的测井方法包括:步骤101,获得研究区域目的层位标样井岩心地层信息;步骤102,识别标样井的全部岩性类型,标定岩性类型对应的深度分布;步骤103,建立标样井的岩性类型-测井曲线关系模型;步骤104,将其他井的测井数据代入至岩性类型-测井曲线关系模型中,识别其对应的岩性类型。
选取研究区域覆盖目的层位含岩心标样井及含相关测井曲线重要井;其中,研究区含岩心标样井应尽量覆盖所研究目的层位,且包含目的层位所出现的代表性或全部岩性类型;研究区含相关测井曲线重要井应含有覆盖目的层位主要测井曲线,包括但不限于自然伽马测井、密度测井、声波时差测井、中子测井曲线,品质较好,井位应尽量覆盖整个研究区域,反映研究区构造格局分布。
获取研究区域目的层位标样井岩心地层相关信息;其中岩心地层相关信息包括地层岩心样本深度、岩性类型等;该步骤主要通过对目的层位标样井岩心进行精细描述,识别目的层位全部岩性类型和深度分布,根据主要组成部分粒度特征划分为岩性类型(依据伍登-温特华斯分类方案),可划分为煤层、泥岩、粉砂岩、砂岩、粗砂岩、砾岩等岩性类型,具体以实际情况为准。
图2示出了根据本发明的一个实施例的不同岩性编码的示意图。
数字编码上述识别全部岩性类型,数字化标样井岩心描述结果,精细标定标样井岩性类型深度分布;将岩心描述结果图片导入Petrel软件中,依据特征标志层进行井深标定,数字化岩性类型解释结果,将不同岩性类型按照图2中所示进行编码,精细刻画其深度分布特征;具体识别岩性类型以实际为主。
获取并加载对应测井曲线相关信息;其中,测井曲线相关信息包括标样井和重要井测井曲线取样点深度、测井数值等参数;将上述测井曲线经过井深校正后,加载到Petrel软件中。
获取岩心标样井取样点深度、岩性类型、测井曲线数值相关信息;其中,相关信息主要通过Petrel软件系统采样,将关键取心井样品深度、岩性类型和测井曲线特征相关数据导出。部分数据如表1所示,采样间隔通常采用8cm,实际以测井采样间隔为准,且导出测井曲线相关数据应尽量包括所有测井曲线类型。
表1
图3示出了根据本发明的一个实施例的不同岩性类型伽马-声波时差特征交会图的示意图。
建立岩性类型-测井曲线关系模型;其中,应用图3所示交会图或多元相关统计回归方法建立标样井岩性类型-测井曲线关系模型,确定出不同岩性类型所对应测井曲线参数特征,如表2所示。
表2
编号 | 岩性 | 伽马(API) | 声波时差(μs/ft) |
0 | 砂岩 | ≤80 | - |
1 | 粉砂质砂岩 | >80and≤95 | - |
2 | 粉砂岩 | >95and≤115 | - |
3 | 粉砂质泥岩 | >115and≤130 | - |
4 | 碳质页岩/泥岩 | >130 | - |
5 | 煤层 | - | ≥100 |
自动识别标样井未取心或全井段岩性类型;具体的,应用Petrel软件中logcalculator功能,根据建立岩性类型-测井曲线关系模型编写岩性类型识别判别式:Auto_Lithofacies=If(DT_D>=100,5,If(GR_D<=78,0,if(GR_D>78 and GR_D<=94,1,if(GR_D>94 and GR_D<=114,2,if(GR_D>114 and GR_D<=130,3,4))))),自动识别标样井全井段岩性类型,建立连续地层岩性剖面。
将自动化识别结果同之前由岩心描述所获取岩性类型结果进行交叉验证,最终确保验证吻合率在85%以上;如验证结果小于85%,调整、优化相应岩性类型-测井曲线关系模型,重复进行验证,直至吻合率达到85%;将获得吻合率在85%以上的岩性类型-测井曲线关系模型应用于其余未取心重要井中,自动识别其全井段岩性类型分布,建立连续地层岩性剖面。
实施例2
图4示出了根据本发明的一个实施例的一种地层全井段岩性识别的测井装置的框图。
如图4所示,该地层全井段岩性识别的测井装置,包括:
信息获取模块201,获得研究区域目的层位标样井岩心地层信息;
标定模块202,识别标样井的全部岩性类型,标定岩性类型对应的深度分布;
建模模块203,建立标样井的岩性类型-测井曲线关系模型;
识别模块204,将其他井的测井数据代入至岩性类型-测井曲线关系模型中,识别其对应的岩性类型。
作为可选方案,建立标样井的岩性类型-测井曲线关系模型包括:
将标样井的不同取样点的测井曲线值、岩性类型建立交会图,确定不同岩性类型所对应测井曲线参数特征,进而建立标样井的岩性类型-测井曲线关系模型。
作为可选方案,建立交会图前,针对测井曲线值进行井深校正。
作为可选方案,还包括:
将识别结果与岩心描述岩性类型结果进行交叉验证,判断吻合率是否达到设定阈值,若否,则调整岩性类型-测井曲线关系模型,直至吻合率达到设定阈值。
作为可选方案,设定阈值为85%。
实施例3
本公开提供一种电子设备包括,该电子设备包括:存储器,存储有可执行指令;处理器,处理器运行存储器中的可执行指令,以实现上述地层全井段岩性识别的测井方法。
根据本公开实施例的电子设备包括存储器和处理器。
该存储器用于存储非暂时性计算机可读指令。具体地,存储器可以包括一个或多个计算机程序产品,该计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
该处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中,该处理器用于运行该存储器中存储的该计算机可读指令。
本领域技术人员应能理解,为了解决如何获得良好用户体验效果的技术问题,本实施例中也可以包括诸如通信总线、接口等公知的结构,这些公知的结构也应包含在本公开的保护范围之内。
有关本实施例的详细说明可以参考前述各实施例中的相应说明,在此不再赘述。
实施例4
本公开实施例提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的地层全井段岩性识别的测井方法。
根据本公开实施例的计算机可读存储介质,其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时,执行前述的本公开各实施例方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于:光存储介质(例如:CD-ROM和DVD)、磁光存储介质(例如:MO)、磁存储介质(例如:磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如:存储卡)和具有内置ROM的媒体(例如:ROM盒)。
本领域技术人员应理解,上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果,并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (10)
1.一种地层全井段岩性识别的测井方法,其特征在于,包括:
获得研究区域目的层位标样井岩心地层信息;
识别所述标样井的全部岩性类型,标定岩性类型对应的深度分布;
建立所述标样井的岩性类型-测井曲线关系模型;
将其他井的测井数据代入至岩性类型-测井曲线关系模型中,识别其对应的岩性类型。
2.根据权利要求1所述的地层全井段岩性识别的测井方法,其中,建立所述标样井的岩性类型-测井曲线关系模型包括:
将所述标样井的不同取样点的测井曲线值、岩性类型建立交会图,确定不同岩性类型所对应测井曲线参数特征,进而建立所述标样井的岩性类型-测井曲线关系模型。
3.根据权利要求2所述的地层全井段岩性识别的测井方法,其中,建立交会图前,针对所述测井曲线值进行井深校正。
4.根据权利要求1所述的地层全井段岩性识别的测井方法,其中,还包括:
将识别结果与岩心描述岩性类型结果进行交叉验证,判断吻合率是否达到设定阈值,若否,则调整所述岩性类型-测井曲线关系模型,直至吻合率达到设定阈值。
5.根据权利要求4所述的地层全井段岩性识别的测井方法,其中,所述设定阈值为85%。
6.一种地层全井段岩性识别的测井装置,其特征在于,包括:
信息获取模块,获得研究区域目的层位标样井岩心地层信息;
标定模块,识别所述标样井的全部岩性类型,标定岩性类型对应的深度分布;
建模模块,建立所述标样井的岩性类型-测井曲线关系模型;
识别模块,将其他井的测井数据代入至岩性类型-测井曲线关系模型中,识别其对应的岩性类型。
7.根据权利要求6所述的地层全井段岩性识别的测井装置,其中,建立所述标样井的岩性类型-测井曲线关系模型包括:
将所述标样井的不同取样点的测井曲线值、岩性类型建立交会图,确定不同岩性类型所对应测井曲线参数特征,进而建立所述标样井的岩性类型-测井曲线关系模型。
8.根据权利要求6所述的地层全井段岩性识别的测井装置,其中,还包括:
将识别结果与岩心描述岩性类型结果进行交叉验证,判断吻合率是否达到设定阈值,若否,则调整所述岩性类型-测井曲线关系模型,直至吻合率达到设定阈值。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有可执行指令;
处理器,所述处理器运行所述存储器中的所述可执行指令,以实现权利要求1-7中任一项所述的地层全井段岩性识别的测井方法。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现权利要求1-7中任一项所述的地层全井段岩性识别的测井方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010954291.3A CN114427455A (zh) | 2020-09-11 | 2020-09-11 | 地层全井段岩性识别的测井方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010954291.3A CN114427455A (zh) | 2020-09-11 | 2020-09-11 | 地层全井段岩性识别的测井方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114427455A true CN114427455A (zh) | 2022-05-03 |
Family
ID=81308994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010954291.3A Pending CN114427455A (zh) | 2020-09-11 | 2020-09-11 | 地层全井段岩性识别的测井方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114427455A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102606150A (zh) * | 2012-03-30 | 2012-07-25 | 中国海洋石油总公司 | 一种碎屑岩岩性识别方法及系统 |
CN103775075A (zh) * | 2014-01-26 | 2014-05-07 | 中国海洋石油总公司 | 一种全井段岩性识别方法 |
CN105572747A (zh) * | 2015-12-14 | 2016-05-11 | 中国石油大学(华东) | 一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法 |
US20180246999A1 (en) * | 2015-11-18 | 2018-08-30 | Petrochina Company Limited | Stratum component optimization determination method and device |
CN109736790A (zh) * | 2018-12-28 | 2019-05-10 | 新疆工程学院 | 基于深度信念网络的测井岩性识别方法 |
CN110673215A (zh) * | 2019-09-19 | 2020-01-10 | 中国石油大学(华东) | 一种基于交会图与Fisher判别的复杂岩性自动判别方法 |
CN111323844A (zh) * | 2020-03-14 | 2020-06-23 | 长江大学 | 一种基于曲线重构的复杂砂砾岩体的岩性识别方法及系统 |
-
2020
- 2020-09-11 CN CN202010954291.3A patent/CN114427455A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102606150A (zh) * | 2012-03-30 | 2012-07-25 | 中国海洋石油总公司 | 一种碎屑岩岩性识别方法及系统 |
CN103775075A (zh) * | 2014-01-26 | 2014-05-07 | 中国海洋石油总公司 | 一种全井段岩性识别方法 |
US20180246999A1 (en) * | 2015-11-18 | 2018-08-30 | Petrochina Company Limited | Stratum component optimization determination method and device |
CN105572747A (zh) * | 2015-12-14 | 2016-05-11 | 中国石油大学(华东) | 一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法 |
CN109736790A (zh) * | 2018-12-28 | 2019-05-10 | 新疆工程学院 | 基于深度信念网络的测井岩性识别方法 |
CN110673215A (zh) * | 2019-09-19 | 2020-01-10 | 中国石油大学(华东) | 一种基于交会图与Fisher判别的复杂岩性自动判别方法 |
CN111323844A (zh) * | 2020-03-14 | 2020-06-23 | 长江大学 | 一种基于曲线重构的复杂砂砾岩体的岩性识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2769244A2 (en) | Methods, computer readable medium, and apparatus for determining well characteristics and pore architecture utilizing conventional well logs | |
CN103993871A (zh) | 针对薄互层地层的测井资料标准化处理方法及装置 | |
US10087723B2 (en) | Methodology for building realistic numerical forward stratigraphic models in data sparse environment | |
CN112698399B (zh) | 一种砂砾岩井测震联动约束高效储层定量预测方法与系统 | |
Merembayev et al. | Machine learning algorithms for stratigraphy classification on uranium deposits | |
Cluff et al. | Petrophysics of the Lance sandstone reservoirs in Jonah field, Sublette County, Wyoming | |
CN105240006A (zh) | 一种适用于火山岩储层的油水层识别方法 | |
CN115390155A (zh) | 针对非均质储层的测井解释方法、装置、电子设备及介质 | |
CN114427455A (zh) | 地层全井段岩性识别的测井方法、装置、电子设备及介质 | |
CN113311502B (zh) | 一种识别泥页岩层系中常规油层与页岩油层的方法及装置 | |
La Pointe et al. | Estimation of effective block conductivities based on discrete network analyses using data from the Äspö site | |
CN116930023A (zh) | 致密砂岩相控分类孔隙度测井精细解释方法和装置 | |
CN114876454A (zh) | 一种大斜度井复杂岩性水淹层识别方法及系统 | |
CN110308488B (zh) | 确定洞穴充填程度的方法及系统 | |
Kaźmierczuk et al. | Improvement of lithology and saturation determined from well logging using statistical methods | |
Shao et al. | Carbonate log interpretation models based on machine learning techniques | |
CN110805434B (zh) | 复杂地层岩性识别方法及系统 | |
CN107831537B (zh) | 高砂地比浊积岩储层描述方法 | |
Newell et al. | Derivation of lithofacies from geophysical logs: a review of methods from manual picking to machine learning | |
CN113945992B (zh) | 泥岩、油页岩识别方法、装置、电子设备及介质 | |
CN112147696B (zh) | 基于储集性能指数的页岩储集性能地震评价方法及系统 | |
CN109828311B (zh) | 基于测井资料的灰岩结构-成因类型识别方法及设备 | |
CN116006165A (zh) | 地层识别方法、模型训练方法及装置 | |
CN114839685A (zh) | 烃源岩有效厚度的确定方法、装置、设备及介质 | |
Grytsai et al. | A Novel Integrated Approach to 3D Modeling and History Matching of Gas Condensate Fields with Paucity of Geological and Production Data |
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 |