CN114428298A - 断溶体分带性的识别方法、装置、电子设备及存储介质 - Google Patents

断溶体分带性的识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114428298A
CN114428298A CN202011031609.7A CN202011031609A CN114428298A CN 114428298 A CN114428298 A CN 114428298A CN 202011031609 A CN202011031609 A CN 202011031609A CN 114428298 A CN114428298 A CN 114428298A
Authority
CN
China
Prior art keywords
attribute
seismic
bodies
clustering
target
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
Application number
CN202011031609.7A
Other languages
English (en)
Inventor
郑笑雪
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.)
China Petroleum and Chemical Corp
Sinopec Geophysical Research Institute
Original Assignee
China Petroleum and Chemical Corp
Sinopec Geophysical Research Institute
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 China Petroleum and Chemical Corp, Sinopec Geophysical Research Institute filed Critical China Petroleum and Chemical Corp
Priority to CN202011031609.7A priority Critical patent/CN114428298A/zh
Publication of CN114428298A publication Critical patent/CN114428298A/zh
Pending legal-status Critical Current

Links

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. analysis, for interpretation, for correction
    • G01V1/30—Analysis
    • G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
    • 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. analysis, for interpretation, for correction
    • G01V1/30—Analysis
    • G01V1/301—Analysis for determining seismic cross-sections or geostructures
    • G01V1/302—Analysis for determining seismic cross-sections or geostructures in 3D data cubes
    • 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. analysis, for interpretation, for correction
    • G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
    • 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
    • G01V2210/622—Velocity, density or impedance
    • G01V2210/6226—Impedance
    • 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
    • G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
    • 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
    • G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
    • G01V2210/632—Amplitude variation versus offset or angle of incidence [AVA, AVO, AVI]

Abstract

本公开提供的一种断溶体分带性的识别方法、装置、电子设备及存储介质，所述方法包括获取目标断溶体储层的叠后地震剖面；根据所述叠后地震剖面，提取所述目标断溶体储层的各种地震属性体；将所有地震属性体作为K‑means聚类模型的输入，以对所有地震属性体进行降维化聚类，并得到属性聚类结果；根据所述属性聚类结果，得到所述目标断溶体储层的分带性边界，以实现所述目标断溶体储层的分带性识别。本公开能够改进断溶体叠后剖面多属性提取多解性问题，形成了从处理到描述的技术序列，实现应用到生产的专门针对断溶体属性的技术流程，理论严谨可靠且操作流程简单实用，对断溶体边界识别及后续处理有重要意义。

Description

断溶体分带性的识别方法、装置、电子设备及存储介质
技术领域
本公开涉及石油勘探开发技术领域，特别地涉及一种断溶体分带性的识别方法、装置、电子设备及存储介质。
背景技术
顺北地区上奥陶统覆盖区的碳酸盐岩地层经多期构造变形和岩溶作用后，沿大型溶蚀断裂带形成了各种不规则的缝洞体，塔河油田科研技术人员首次提出了断溶体圈闭的理论概念，具体含义是指致密碳酸盐岩或低孔、低渗的碳酸盐岩地层受多期次构造挤压作用，沿深断裂带发育规模的破碎带，经多期岩溶水沿断裂下渗或局部热液上涌致使破碎带内断裂、裂缝被溶蚀改造而形成的板状溶蚀孔、洞储集体，在上覆泥灰岩、泥岩等盖层封堵以及侧向致密灰岩遮挡下构成的的圈闭类型，称之为“断溶体圈闭”。这类圈闭在后期油(气)沿深大断裂运移(主要是垂向)、充注成藏后形成的一类特殊油气藏“断溶体油(气)藏”。2016年顺北油田发现后，认识到断裂破碎带既是油气疏导通道，又是成藏的有利空间，顺北普遍埋深超过7000米的特点，对断溶体的研究成为重中之重。
而碳酸盐岩断溶体储层经构造抬升裸露至地表或近地表环境后，将遭受以含CO2为主的岩溶水的溶解和侵蚀，进入表生成岩期的岩溶阶段。由于大气水在不同深度面的活动性、所饱和的CO2浓度的不同，受重力驱动的岩溶水也因此具有水动力学的分带性，在垂向(即竖直方向)剖面上，各岩溶带的岩溶作用特征有明显的区别。目前，关于碳酸盐岩断溶体储层垂向分带性的分析识别方法，仍基于经验总结和照片对比等传统方式来人工识别其中的分带性，这种方式明显存在经验要求丰富、识别速度慢、识别精度低和易人工出错等问题。
发明内容
针对上述问题，本公开提供一种断溶体分带性的识别方法、装置、电子设备及存储介质，解决了现有技术中断溶体分带性的识别速度慢、精度低和易出错等技术问题。
第一方面，本公开提供了一种断溶体分带性的识别方法，所述方法包括：
步骤S101：获取目标断溶体储层的叠后地震剖面；
步骤S102：根据所述叠后地震剖面，提取所述目标断溶体储层的各种地震属性体；
步骤S103：将所有地震属性体作为K-means聚类模型的输入，以对所有地震属性体进行降维化聚类，并得到属性聚类结果；
步骤S104：根据所述属性聚类结果，得到所述目标断溶体储层的分带性边界，以实现所述目标断溶体储层的分带性识别。
根据本公开的实施例，可选的，上述断溶体分带性的识别方法中，所述步骤S103包括以下步骤：
步骤S1031：根据所有地震属性体的特征，选取若干初始中心；其中，所述初始中心的数量等于目标类别数；
步骤S1032：计算所有地震属性体与各个初始中心的距离，并将每种地震属性体归到与其距离最小的初始中心所在的类别，以对所有地震属性体进行分类；
步骤S1033：根据当前各类别中的所有地震属性体，计算当前各类别的当前中心，并将各个当前中心与对应的初始中心进行比较；
步骤S1034：当至少一个当前中心与对应的初始中心不相同时，将各个当前中心作为新的初始中心，并返回步骤S1032，以基于新的初始中心进行迭代聚类；
步骤S1035：当所有的当前中心与对应的初始中心相同时，停止迭代。
根据本公开的实施例，可选的，上述断溶体分带性的识别方法中，所述步骤S1033包括以下步骤：
根据当前各类别中的所有地震属性体，将当前各类别中的所有地震属性体的均值作为当前各类别的当前中心，并将各个当前中心与对应的初始中心进行比较。
根据本公开的实施例，可选的，上述断溶体分带性的识别方法中，所述距离为欧氏距离或余弦距离。
根据本公开的实施例，可选的，上述断溶体分带性的识别方法中，所述地震属性体包括振幅类属性体和相干属性体。
根据本公开的实施例，可选的，上述断溶体分带性的识别方法中，所述振幅类属性体包括均方根振幅属性体、最大绝对值振幅属性体、最大峰值振幅属性体、振幅的方差属性体、振幅的斜度属性体和振幅的峰态属性体。
根据本公开的实施例，可选的，上述断溶体分带性的识别方法中，所述相干属性体包括结构张量属性体、纹理熵属性体和纹理能量属性体。
第二方面，本公开提供了一种断溶体分带性的识别装置，所述装置包括：
地震剖面获取模块，用于获取目标断溶体储层的叠后地震剖面；
地震属性提取模块，用于根据所述叠后地震剖面，提取所述目标断溶体储层的各种地震属性体；
属性聚类模块，用于将所有地震属性体作为K-means聚类模型的输入，以对所有地震属性体进行降维化聚类，并得到属性聚类结果；
分带性识别模块，用于根据所述属性聚类结果，得到所述目标断溶体储层的分带性边界，以实现所述目标断溶体储层的分带性识别。
第三方面，本公开提供一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行如第一方面中任意一项所述的断溶体分带性的识别方法。
第四方面，本公开提供一种存储介质，该存储介质存储的计算机程序，可被一个或多个处理器执行，可用来实现如第一方面中任意一项所述的断溶体分带性的识别方法。
与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
本公开提供的一种断溶体分带性的识别方法、装置、电子设备及存储介质，所述方法包括获取目标断溶体储层的叠后地震剖面；根据所述叠后地震剖面，提取所述目标断溶体储层的各种地震属性体；将所有地震属性体作为K-means聚类模型的输入，以对所有地震属性体进行降维化聚类，并得到属性聚类结果；根据所述属性聚类结果，得到所述目标断溶体储层的分带性边界，以实现所述目标断溶体储层的分带性识别。本公开能够改进断溶体叠后剖面多属性提取多解性问题，形成了从处理到描述的技术序列，实现应用到生产的专门针对断溶体属性的技术流程，理论严谨可靠且操作流程简单实用。本公开提供了一种断溶体分带性识别的K-means聚类法研究，对顺北资料断溶体边界识别及后续处理有重要意义。
附图说明
在下文中将基于实施例并参考附图来对本公开进行更详细的描述：
图1为本公开实施例提供的一种断溶体分带性的识别方法的流程示意图；
图2为本公开实施例提供的某一目标断溶体储层的叠后地震剖面及局部放大示意图；
图3为本公开实施例提供的上述目标断溶体储层的地震属性剖面图；
图4为本公开实施例提供的上述目标断溶体储层的属性聚类结果示意图；
图5为本公开实施例提供的上述目标断溶体储层所在的过井曲线的属性聚类结果时间切片和三维化结果示意图；
图6为本公开实施例提供的某一断溶体模型的地质剖面和叠后地震剖面图；
图7为本公开实施例提供的上述断溶体模型的属性聚类结果及其与模型的叠合示意图；
图8为本公开实施例提供的一种断溶体分带性的识别装置的结构示意图；
在附图中，相同的部件使用相同的附图标记，附图并未按照实际的比例绘制。
具体实施方式
以下将结合附图及实施例来详细说明本公开的实施方式，借此对本公开如何应用技术手段来解决技术问题，并达到相应技术效果的实现过程能充分理解并据以实施。本公开实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本公开的保护范围之内。
同时，在以下说明中，出于解释的目的而阐述了许多具体细节，以提供对本发明实施例的彻底理解。然而，对本领域的技术人员来说显而易见的是，本发明可以不用这里的具体细节或者所描述的特定方式来实施。
实施例一
图1为本公开实施例提供的一种断溶体分带性的识别方法的流程示意图，请参阅图1，本实施例提供一种断溶体分带性的识别方法，包括：
步骤S101：获取目标断溶体储层的叠后地震剖面。
其中，叠后地震剖面可以根据地震资料得到。
在地震成像中，应用了去噪、面元均化、子波整形、时频域振幅补偿和球面扩散补偿、三维DMO叠加、Stolt偏移等多项关键技术，得到叠后地震剖面。
步骤S102：根据所述叠后地震剖面，提取所述目标断溶体储层的各种地震属性体。
具体的，根据所述叠后地震剖面，提取所述目标断溶体储层的各种地震属性对应的属性剖面，对这些属性剖面进行灰度化就可以得到对应的地震属性体。
本实施例中，所谓地震属性体，是指叠后地震数据，经数学变换而导出的有关地震波的几何形态、运动学特征、动力学特征和统计学特征的特殊测量值。
运用地震属性技术实现对储层的预测，其主要依据是储层物性和充填在其中的流体性质的空间变化，造成地震反射速度、振幅、频率等一系列地震属性的变化。
地震属性技术即通过在地震剖面或三维数据体中沿层或层间提取各种地震资料，并结合己知井的地质构造、地层结构、岩石物性以及储层的含油气特征等信息，采用不同的数学变换方法，实现将多种有价值的地震信息赋予更加明确的地质意义。
地震资料解释人员则根据地质背景，从不同的角度，应用不同的观点分析各种地震信息在纵向和横向上的变化，进行细致专业的解释、推断，得出有关沉积环境、岩性、油气藏在纵、横向上变化的定性或定量的结论，从而揭示出原始地震剖面中不易被发现的地质异常现象以及油气储集状况。
利用地震属性技术进行储层预测的基本工作程序一般包括：
(1)地震属性的分类和提取；
(2)地震属性参数的预处理；
(3)地震属性的优选；
(4)地震属性的分析评价。
地震属性非常繁杂，种类众多，许多学者做过分类研究，不同的地质学家根据不同的研究目标把地震属性分为不同的类别。
随着计算机技术的高速发展，目前各种分类方法使地震属性已经发展到近二百种。但是从国内外已发表的论文来看，并没有一个统一的分类标准。
基于不同的储层预测目的，地震属性有不同的分类，地震属性的提取方法也分为以下三类。
(1)剖面属性提取：
基于剖面的属性属于特殊处理的范畴，如速度、波阻抗和AVO振幅提取等。剖面属性提取就是直接将地震剖面数据通过某些数学变换或方法转换为与地震反射波或岩石物性有关的新的地震信息，如复数道分析、时频分析、波阻抗反演等方法获得的地震属性剖面。
(2)层位属性提取：
层位属性也称为基于同相轴的属性，它是指从地震数据中提取的并与一个界面有关的属性，它提供了有关界面上或界面之间属性怎样变化的信息。
对于这种界面上或界面之间的层位属性，实际上它是对一个层位上地震波信息的一种平均响应，因此，层位属性的提取又可分为瞬时属性提取、单道分时窗提取和多道分时窗提取。
(3)三维体属性提取：
三维属性体是以三维地震数据为基础的属性，它是一种体积属性，主要指地震道之间的地震信号相似性和连续性的信息，可以从三维立体角度刻画地震地质特征。
体积属性的提取方法与上述层位属性的提取方法一样，也可分为瞬时属性提取、单道分时窗属性提取和多道分时窗属性提取。
三维体属性提取可以采用不同的地震道空间组合模式。这些模式可以从不同的侧面反映储集层特征，如介质的非均质性、裂隙发育方向、断层类型、岩性及含油气性的空间变化等。将原地震记录按一定的空间组合模式多道处理即可得到基于三维数据体的地震属性体。
而本实施例中，具体采用了剖面属性提取和三维体属性提取相结合的方法，从属性剖面中提取了三维的地震属性体。
示例性的，本实施例中，所述地震属性体包括振幅类属性体和相干属性体。
所述振幅类属性体包括均方根振幅属性体、最大绝对值振幅属性体、最大峰值振幅属性体、振幅的方差属性体、振幅的斜度属性体和振幅的峰态属性体。
所述相干属性体包括结构张量属性体、纹理熵属性体和纹理能量属性体。
除此之外，所述地震属性体还可以包括几何类属性体、瞬时类属性体、频谱类属性体、层序类属性体和非线性类属性体。
所述几何类属性体主要包括四阶矩相干体、小波相干体、甜点体、纹理均质性体、曲率体、倾角体和方位角体。
所述瞬时类属性体主要包括平均反射强度属性体、平均瞬时相位属性体和平均瞬时频率属性体。
所述频谱类属性体主要包括弧形长度体和有效带宽体；
所述层序类属性体主要包括峰谷面积比体、正负样点数体、顶底振幅比体和复合包络差体。
所述非线性类属性体主要包括间歇性指数体、突变幅度体、高阶谱能量体和关联维数体。
步骤S103：将所有地震属性体作为K-means聚类模型的输入，以对所有地震属性体进行降维化聚类，并得到属性聚类结果。
具体的，所述步骤S103，包括以下步骤：
步骤S1031：根据所有地震属性体的特征，选取若干初始中心；其中，所述初始中心的数量等于目标类别数；
步骤S1032：计算所有地震属性体与各个初始中心的距离，并将每种地震属性体归到与其距离最小的初始中心所在的类别，以对所有地震属性体进行分类；
步骤S1033：根据当前各类别中的所有地震属性体，计算当前各类别的当前中心，并将各个当前中心与对应的初始中心进行比较；
步骤S1034：当至少一个当前中心与对应的初始中心不相同时，将各个当前中心作为新的初始中心，并返回步骤S1032，以基于新的初始中心进行迭代聚类；
步骤S1035：当所有的当前中心与对应的初始中心相同时，停止迭代。
步骤S1032即按照距离最小原则，将每种地震属性体归到与其距离最小的中心所在的类别，以对所有地震属性体进行分类。
所述距离为欧式距离或余弦距离。
其中，初始中心和新的中心也都是三维数据体(即向量)。所以可以计算各地震属性体与各个中心的空间距离。
其中，步骤S1033中，重新确定各类别的中心的方法有很多。
距离的度量是聚类分析最关键的问题。
一个地震属性体样本是一个向量，向量之间的距离有很多度量的方式，本实施例中，可以采用欧氏距离或余弦距离来度量。
K-means聚类算法中，有几个需要注意的关键问题：
(1)K值(目标类别数)的选择：
算法首先需要确定期望簇的个数，隐含的前提是事先知道应该包含多少个簇，但是很多情况下，真实数据的分布情况未知。需根据实际需要，指定相应的K值也就是目标类别数。
(2)初始聚类中心的选择：
理论上随机选取K个样本点作为聚类中心，而实际上，由于最终计算得到的结果并非全局最优，而是局部最优，初始聚类中心的选择很影响最终的计算。
(3)距离的度量：
欧式距离和余弦距离(余弦相似度)是最常用的距离度量方法。
欧式距离需要标准化，因为它会受到刻度的影响。
余弦距离的余弦值最大，距离差异越小，余弦值范围处于[-1，1]区间，一般不会受刻度的影响。可以分别使用两种方法，选择准确率最高的方法作为距离的度量。
当然，聚类之前，需要对所有地震属性体进行预处理。
目前，所提取的地震属性数据量大，不同属性之间类型不同、量纲不统一、数量级大小差别很大，局部异常往往淹没在区域背景中，此外还存在一些离群的异常数值等问题。
如果直接用这些地震属性做地震属性优化和储层预测运算，而不进行预处理，势必影响定量分析的效果和可靠性。
因此，在做地震属性优选和储层预测运算之前，首先要对提取的地震属性进行适当的预处理。
地震属性的预处理方法是指用于地震属性数据归一化、平滑和数据压缩等方法。
地震属性数据归一化处理，使得不同属性具有相同的变化范围，以便在后续的运算中具有相同的贡献；其次，大量的地震属性参数可能存在一定的相关性，这样会造成信息的重复和浪费，并可能影响最终的解释成果，采用数据压缩等预处理方法可以剔除属性数据的冗余信息。
数据的预处理主要包括以下步骤：
(1)提取剩余异常：
提取剩余异常的目的在于去掉区域性背景，突出局部异常。
(2)数据归一化：
若直接使用原始地震属性数据，由于各种地震属性数据的量纲不统一或数值量级的差异，就会突出绝对值大的属性，压低那些绝对值小的属性的贡献。
为了克服数据中存在的这种不合理现象，便于多种信息的统计分析，应首先将各种属性的数值变换到某种尺度之下，即对各种属性数据进行归一化处理。一般常用的有标准差标准化和极差标准化两种。
(3)去噪处理：
地震数据受相干噪声和随机千扰的影响很大，虽然常规处理一直试图消除或降低这种影响，但是在地震属性的提取过程中仍难免要受到个别地段信噪比较低的影响和噪声的干扰，使得地震属性参数出现一些“毛刺”或“野值”。
这些“毛刺”或“野值”的出现，会干扰地震属性参数的地质标定和利用属性参数进行模式识别，容易造成解释中出现非地质因素引起的“假异常”。
因此，在对提取的地震属性参数进行分离剩余异常及归一化处理后还应作进一步的去噪处理。采用平滑处理、中值滤波和滑动加权平均法等手段，可以有效地去除“毛刺”和“野值”。
步骤S104：根据所述属性聚类结果，得到所述目标断溶体储层的分带性边界，以实现所述目标断溶体储层的分带性识别。
优选多种断溶体属性确定的断溶体边界，形成包含过渡带的分带性断溶体多属性聚类结果，相对于现有方法融合的一个边界结果，该算法有效地凸显了断溶体异常。
本公开实施例提供一种断溶体分带性的识别方法，所述方法包括获取目标断溶体储层的叠后地震剖面；根据所述叠后地震剖面，提取所述目标断溶体储层的各种地震属性体；通过K-means聚类的方法对所有地震属性体进行聚类，得到属性聚类结果；根据所述属性聚类结果，得到所述目标断溶体储层的分带性边界，以实现所述目标断溶体储层的分带性识别。本公开能够改进断溶体叠后剖面多属性提取多解性问题，形成了从处理到描述的技术序列，实现应用到生产的专门针对断溶体属性的技术流程，理论严谨可靠且操作流程简单实用。本公开提供了一种断溶体分带性识别的K-means聚类法研究，对顺北资料断溶体边界识别及后续处理有重要意义。
实施例二
在实施例一的基础上，本实施例提供另外一种断溶体分带性的识别方法，包括：
步骤S201：获取目标断溶体储层的叠后地震剖面。
其中，叠后地震剖面可以根据地震资料得到。
在地震成像中，应用了去噪、面元均化、子波整形、时频域振幅补偿和球面扩散补偿、三维DMO叠加、Stolt偏移等多项关键技术，得到叠后地震剖面。
步骤S202：根据所述叠后地震剖面，提取所述目标断溶体储层的各种地震属性体。
具体的，根据所述叠后地震剖面，提取所述目标断溶体储层的各种地震属性对应的属性剖面，对这些属性剖面进行灰度化就可以得到对应的地震属性体。
本实施例中，所谓地震属性，是指叠后地震数据，经数学变换而导出的有关地震波的几何形态、运动学特征、动力学特征和统计学特征的特殊测量值。
运用地震属性技术实现对储层的预测，其主要依据是储层物性和充填在其中的流体性质的空间变化，造成地震反射速度、振幅、频率等一系列地震属性的变化。
地震属性技术即通过在地震剖面或三维数据体中沿层或层间提取各种地震资料，并结合己知井的地质构造、地层结构、岩石物性以及储层的含油气特征等信息，采用不同的数学变换方法，实现将多种有价值的地震信息赋予更加明确的地质意义。
地震资料解释人员则根据地质背景，从不同的角度，应用不同的观点分析各种地震信息在纵向和横向上的变化，进行细致专业的解释、推断，得出有关沉积环境、岩性、油气藏在纵、横向上变化的定性或定量的结论，从而揭示出原始地震剖面中不易被发现的地质异常现象以及油气储集状况。
利用地震属性技术进行储层预测的基本工作程序一般包括：
(1)地震属性的分类和提取；
(2)地震属性参数的预处理；
(3)地震属性的优选；
(4)地震属性的分析评价。
地震属性非常繁杂，种类众多，许多学者做过分类研究，不同的地质学家根据不同的研究目标把地震属性分为不同的类别。
随着计算机技术的高速发展，目前各种分类方法使地震属性已经发展到近二百种。但是从国内外已发表的论文来看，并没有一个统一的分类标准。
基于不同的储层预测目的，地震属性有不同的分类，地震属性的提取方法也分为以下三类。
(1)剖面属性提取。
基于剖面的属性属于特殊处理的范畴，如速度、波阻抗和AVO振幅提取等。剖面属性提取就是直接将地震剖面数据通过某些数学变换或方法转换为与地震反射波或岩石物性有关的新的地震信息，如复数道分析、时频分析、波阻抗反演等方法获得的地震属性剖面。这类属性剖面在现有的油气检测中，它们己得到了广泛应用。
(2)层位属性提取。
层位属性也称为基于同相轴的属性，它是指从地震数据中提取的并与一个界面有关的属性，它提供了有关界面上或界面之间属性怎样变化的信息。
对于这种界面上或界面之间的层位属性，实际上它是对一个层位上地震波信息的一种平均响应，因此，层位属性的提取又可分为瞬时属性提取、单道分时窗提取和多道分时窗提取。
(3)三维体属性提取。
三维属性体是以三维地震数据为基础的属性，它是一种体积属性，主要指地震道之间的地震信号相似性和连续性的信息，可以从三维立体角度刻画地震地质特征。
体积属性的提取方法与上述层位属性的提取方法一样，也可分为瞬时属性提取、单道分时窗属性提取和多道分时窗属性提取。
三维体属性提取可以采用不同的地震道空间组合模式。这些模式可以从不同的侧面反映储集层特征，如介质的非均质性、裂隙发育方向、断层类型、岩性及含油气性的空间变化等。将原地震记录按一定的空间组合模式多道处理即可得到基于三维数据体的地震属性体。
而本实施例中，具体采用了剖面属性提取和三维体属性提取相结合的方法，从属性剖面中提取了三维的地震属性体。
示例性的，本实施例中，所述地震属性体包括振幅类属性体和相干属性体。
所述振幅类属性体包括均方根振幅属性体、最大绝对值振幅属性体、最大峰值振幅属性体、振幅的方差属性体、振幅的斜度属性体和振幅的峰态属性体。
所述相干属性体包括结构张量属性体、纹理熵属性体和纹理能量属性体。
除此之外，所述地震属性体还可以包括几何类属性体、瞬时类属性体、频谱类属性体、层序类属性体和非线性类属性体。
所述几何类属性体主要包括四阶矩相干体、小波相干体、甜点体、纹理均质性体、曲率体、倾角体和方位角体。
所述瞬时类属性体主要包括平均反射强度属性体、平均瞬时相位属性体和平均瞬时频率属性体。
所述频谱类属性体主要包括弧形长度体和有效带宽体；
所述层序类属性体主要包括峰谷面积比体、正负样点数体、顶底振幅比体和复合包络差体。
所述非线性类属性体主要包括间歇性指数体、突变幅度体、高阶谱能量体和关联维数体。
步骤S203：将所有地震属性体作为K-means聚类模型的输入，以对所有地震属性体进行降维化聚类，并得到属性聚类结果。
具体的，所述步骤S203，包括以下步骤：
步骤S2031：根据所有地震属性体的特征，选取若干初始中心；其中，所述初始中心的数量等于目标类别数；
步骤S2032：计算所有地震属性体与各个初始中心的距离，并将每种地震属性体归到与其距离最小的初始中心所在的类别，以对所有地震属性体进行分类；
步骤S2033：根据当前各类别中的所有地震属性体，计算当前各类别的当前中心，并将各个当前中心与对应的初始中心进行比较；
步骤S2034：当至少一个当前中心与对应的初始中心不相同时，将各个当前中心作为新的初始中心，并返回步骤S1032，以基于新的初始中心进行迭代聚类；
步骤S2035：当所有的当前中心与对应的初始中心相同时，停止迭代。
所述距离为欧式距离或余弦距离。
其中，初始中心和当前中心也都是三维数据体(即向量)。所以可以计算各地震属性体与各个中心的空间距离。
本实施例中，步骤S2033中，当前中心采用均值的方法确定。
即所述步骤S2033包括以下步骤：
根据当前各类别中的所有地震属性体，将当前各类别中的所有地震属性体的均值作为当前各类别的当前中心，并将各个当前中心与对应的初始中心进行比较。
也就是说，上述均值也是三维数据体。
距离的度量是聚类分析最关键的问题。一个地震属性体样本是一个向量，向量之间的距离有很多度量的方式。本实施例中，可以采用欧氏距离或余弦距离来度量。
K-means聚类算法中，有几个需要注意的关键问题：
(1)K值(目标类别数)的选择：
算法首先需要确定期望簇的个数，隐含的前提是事先知道应该包含多少个簇，但是很多情况下，真实数据的分布情况未知。需根据实际需要，指定相应的K值也就是目标类别数。
(2)初始聚类中心的选择：
理论上随机选取K个样本点作为聚类中心，而实际上，由于最终计算得到的结果并非全局最优，而是局部最优，初始聚类中心的选择很影响最终的计算。
(3)距离的度量：
欧式距离和余弦距离(余弦相似度)是最常用的距离度量方法。
欧式距离需要标准化，因为它会受到刻度的影响。
余弦距离的余弦值最大，距离差异越小，余弦值范围处于[-1，1]区间，一般不会受刻度的影响。可以分别使用两种方法，选择准确率最高的方法作为距离的度量。
当然，聚类之前，需要对所有地震属性体进行预处理。
目前，所提取的地震属性数据量大，不同属性之间类型不同、量纲不统一、数量级大小差别很大，局部异常往往淹没在区域背景中，此外还存在一些离群的异常数值等问题。
如果直接用这些地震属性做地震属性优化和储层预测运算，而不进行预处理，势必影响定量分析的效果和可靠性。
因此，在做地震属性优选和储层预测运算之前，首先要对提取的地震属性进行适当的预处理。
地震属性的预处理方法是指用于地震属性数据归一化、平滑和数据压缩等方法。
地震属性数据归一化处理，使得不同属性具有相同的变化范围，以便在后续的运算中具有相同的贡献；其次，大量的地震属性参数可能存在一定的相关性，这样会造成信息的重复和浪费，并可能影响最终的解释成果，采用数据压缩等预处理方法可以剔除属性数据的冗余信息。
数据的预处理主要包括以下步骤：
(1)提取剩余异常：
提取剩余异常的目的在于去掉区域性背景，突出局部异常。
(2)数据归一化：
若直接使用原始地震属性数据，由于各种地震属性数据的量纲不统一或数值量级的差异，就会突出绝对值大的属性，压低那些绝对值小的属性的贡献。
为了克服数据中存在的这种不合理现象，便于多种信息的统计分析，应首先将各种属性的数值变换到某种尺度之下，即对各种属性数据进行归一化处理。一般常用的有标准差标准化和极差标准化两种。
(3)去噪处理：
地震数据受相干噪声和随机千扰的影响很大，虽然常规处理一直试图消除或降低这种影响，但是在地震属性的提取过程中仍难免要受到个别地段信噪比较低的影响和噪声的干扰，使得地震属性参数出现一些“毛刺”或“野值”。
这些“毛刺”或“野值”的出现，会干扰地震属性参数的地质标定和利用属性参数进行模式识别，容易造成解释中出现非地质因素引起的“假异常”。
因此，在对提取的地震属性参数进行分离剩余异常及归一化处理后还应作进一步的去噪处理。采用平滑处理、中值滤波和滑动加权平均法等手段，可以有效地去除“毛刺”和“野值”。
步骤S204：根据所述属性聚类结果，得到所述目标断溶体储层的分带性边界，以实现所述目标断溶体储层的分带性识别。
优选多种断溶体属性确定的断溶体边界，形成包含过渡带的分带性断溶体多属性聚类结果，相对于现有方法融合的一个边界结果，该算法有效地凸显了断溶体异常。
本公开实施例提供一种断溶体分带性的识别方法，所述方法包括获取目标断溶体储层的叠后地震剖面；根据所述叠后地震剖面，提取所述目标断溶体储层的各种地震属性体；将所有地震属性体作为K-means聚类模型的输入，以对所有地震属性体进行降维化聚类，并得到属性聚类结果；根据所述属性聚类结果，得到所述目标断溶体储层的分带性边界，以实现所述目标断溶体储层的分带性识别。本公开能够改进断溶体叠后剖面多属性提取多解性问题，形成了从处理到描述的技术序列，实现应用到生产的专门针对断溶体属性的技术流程，理论严谨可靠且操作流程简单实用。本公开提供了一种断溶体分带性识别的K-means聚类法研究，对顺北资料断溶体边界识别及后续处理有重要意义。
实施例三
在实施例二的基础上，本实施例通过具体实施案例来对实施例一和实施例二中所述的方法进行说明。
本实施例中选取顺北油田M测线的某一断溶体储层为目标断溶体储层，其叠后地震剖面如图2所示。
顺北油田是由一系列沿断裂分布的碳酸盐岩断溶体海相油气藏组成。
圈闭由上覆巨厚却尔却克组泥岩作为区域盖层；下古生界碳酸盐岩在拉张、走滑断裂多期活动基础上形成的破碎带，经后期流体作用形成沿断裂带分布的裂缝－洞穴型储集空间作为有效储集体；断裂带外侧为致密碳酸盐岩侧向封挡构成物性圈闭。
示例性的，根据上述叠后地震剖面，提取四种地震属性的属性剖面，四种地震属性分别为：结构张量λ1、结构张量λ2、纹理熵属性和纹理能量属性，这四种地震属性的属性剖面如图3所示。根据这四种地震属性的属性剖面，分别得到对应地震属性体。
本实施例中，目标类别数是1个，即需要将上述四种地震属性体聚类为一个类别。
按照实施例一和实施例二的方法，将上述四种地震属性体聚类为一个类别，得到的聚类结果如图4所示。可见，得到的聚类结果与过井剖面相吻合，结果清晰地显示了断溶体边界的分带性展布情况，和过井曲线相匹配，说明降维化聚类分析具有很大的灵活性。
以此类推，可以得到过井曲线的分带性聚类结果，其聚类结果的时间切片以及多属性分带性自动识别三维化结果如图5所示，可见，分带性得到了较好的体现。
为了验证本公开提供的断溶体分带性的识别方法的准确性，本实施例还通过建立具有分带性的断溶体模型来进行验证。
具体步骤如下：
步骤S301：建立断溶体模型和正演模拟观测系统；其中，所述断溶体模型具有分带性，所述正演模拟观测系统用于对所述断溶体模型进行正演模拟；
步骤S302：通过所述正演模拟观测系统对所述断溶体模型进行正演模拟，以得到所述断溶体模型的叠后地震剖面；
步骤S303：根据所述叠后地震剖面，提取所述断溶体模型的各种地震属性体；
步骤S304：将所有地震属性体作为K-means聚类模型的输入，以对所有地震属性体进行降维化聚类，并得到属性聚类结果；
步骤S305：根据所述属性聚类结果，得到所述断溶体模型的分带性边界，以实现所述断溶体模型分带性的识别。
上述步骤的具体过程可参考实施例一和二。
其中，所述断溶体模型的地质剖面和叠后地震剖面如图6所示。从所述断溶体模型的地质剖面可以看出，所述断溶体模型是具有分带性的。
将得到的所述断溶体模型的属性聚类结果与上述目标断溶体储层的属性聚类结果进行叠合，结果如图7所示，可见所述断溶体模型的属性聚类结果与地质剖面的分带性特征重合良好。说明本公开提供的断溶体分带性的识别方法的准确度较高。
可见，本公开能够改进断溶体叠后剖面多属性提取多解性问题，形成了从处理到描述的技术序列，实现应用到生产的专门针对断溶体属性的技术流程，理论严谨可靠且操作流程简单实用。
实施例四
图8为本公开实施例提供的一种断溶体分带性的识别装置的结构示意图，请参阅图8，本实施例提供一种断溶体分带性的识别装置100，包括地震剖面获取模块101、地震属性提取模块102、属性聚类模块103和分带性识别模块104。
地震剖面获取模块101，用于获取目标断溶体储层的叠后地震剖面；
地震属性提取模块102，用于根据所述叠后地震剖面，提取所述目标断溶体储层的各种地震属性体；
属性聚类模块103，用于将所有地震属性体作为K-means聚类模型的输入，以对所有地震属性体进行降维化聚类，并得到属性聚类结果；
分带性识别模块104，用于根据所述属性聚类结果，得到所述目标断溶体储层的分带性边界，以实现所述目标断溶体储层的分带性识别。
可选的，属性聚类模块103包括：
初始中心确定模块1031，用于从所有地震属性体中选取若干初始中心；其中，所述中心的数量等于目标类别数；
分类模块1032，用于计算所有地震属性体与各个中心的距离，并将每种地震属性体归到与其距离最小的中心所在的类别，以对所有地震属性体进行分类；
中心重新确定模块S1033，用于根据当前各类别中的所有地震属性体，重新确定各类别的中心；
迭代模块S1034，用于重复步骤S1032至步骤S1033，直至各类别的中心不再发生变化。
地震剖面获取模块101获取目标断溶体储层的叠后地震剖面；地震属性提取模块102根据所述叠后地震剖面，提取所述目标断溶体储层的各种地震属性体；属性聚类模块103将所有地震属性体作为K-means聚类模型的输入，以对所有地震属性体进行降维化聚类，并得到属性聚类结果；分带性识别模块104根据所述属性聚类结果，得到所述目标断溶体储层的分带性边界，以实现所述目标断溶体储层的分带性识别。
基于上述各模块执行断溶体分带性的识别方法的具体实施例已在实施例一和实施例二中详述，此处不再赘述。
实施例五
本实施例提供了一种电子设备，该电子设备可以是手机、电脑或平板电脑等，包括存储器和处理器，所述存储器上存储有计算器程序，该计算机程序被处理器执行时实现如实施例一中所述的断溶体分带性的识别方法。可以理解，电子设备还可以包括，输入/输出(I/O)接口，以及通信组件。
其中，处理器用于执行如实施例一中的断溶体分带性的识别方法中的全部或部分步骤。存储器用于存储各种类型的数据，这些数据例如可以包括电子设备中的任何应用程序或方法的指令，以及应用程序相关的数据。
所述处理器可以是专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable LogicDevice，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例一中的断溶体分带性的识别方法。
所述存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
实施例六
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，所述计算机程序被处理器执行时可以实现如下方法步骤：
步骤S101：获取目标断溶体储层的叠后地震剖面；
步骤S102：根据所述叠后地震剖面，提取所述目标断溶体储层的各种地震属性体；
步骤S103：将所有地震属性体作为K-means聚类模型的输入，以对所有地震属性体进行降维化聚类，并得到属性聚类结果；
步骤S104：根据所述属性聚类结果，得到所述目标断溶体储层的分带性边界，以实现所述目标断溶体储层的分带性识别。
可选的，所述步骤S103包括以下步骤：
步骤S1031：根据所有地震属性体的特征，选取若干初始中心；其中，所述初始中心的数量等于目标类别数；
步骤S1032：计算所有地震属性体与各个初始中心的距离，并将每种地震属性体归到与其距离最小的初始中心所在的类别，以对所有地震属性体进行分类；
步骤S1033：根据当前各类别中的所有地震属性体，计算当前各类别的当前中心，并将各个当前中心与对应的初始中心进行比较；
步骤S1034：当至少一个当前中心与对应的初始中心不相同时，将各个当前中心作为新的初始中心，并返回步骤S1032，以基于新的初始中心进行迭代聚类；
步骤S1035：当所有的当前中心与对应的初始中心相同时，停止迭代。
可选的，所述步骤S1033包括以下步骤：
根据当前各类别中的所有地震属性体，将当前各类别中的所有地震属性体的均值作为当前各类别的当前中心，并将各个当前中心与对应的初始中心进行比较。
可选的，所述距离为欧氏距离或余弦距离。
可选的，所述地震属性体包括振幅类属性体和相干属性体。
可选的，所述振幅类属性体包括均方根振幅属性体、最大绝对值振幅属性体、最大峰值振幅属性体、振幅的方差属性体、振幅的斜度属性体和振幅的峰态属性体。
可选的，所述相干属性体包括结构张量属性体、纹理熵属性体和纹理能量属性体。
上述方法步骤的具体实施例过程可参见实施例一和实施例二，本实施例在此不再重复赘述。
综上，本公开提供一种断溶体分带性的识别方法、装置、电子设备及存储介质，所述方法包括获取目标断溶体储层的叠后地震剖面；根据所述叠后地震剖面，提取所述目标断溶体储层的各种地震属性体；将所有地震属性体作为K-means聚类模型的输入，以对所有地震属性体进行降维化聚类，并得到属性聚类结果；根据所述属性聚类结果，得到所述目标断溶体储层的分带性边界，以实现所述目标断溶体储层的分带性识别。本公开能够改进断溶体叠后剖面多属性提取多解性问题，形成了从处理到描述的技术序列，实现应用到生产的专门针对断溶体属性的技术流程，理论严谨可靠且操作流程简单实用。本公开提供了一种断溶体分带性识别的K-means聚类法研究，对顺北资料断溶体边界识别及后续处理有重要意义。
需要说明的是，在本文中，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、物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、物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、物品或者设备中还存在另外的相同要素。
虽然本公开所揭露的实施方式如上，但所述的内容只是为了便于理解本公开而采用的实施方式，并非用以限定本公开。任何本公开所属技术领域内的技术人员，在不脱离本公开所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本公开的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种断溶体分带性的识别方法，其特征在于，所述方法包括：
步骤S101：获取目标断溶体储层的叠后地震剖面；
步骤S102：根据所述叠后地震剖面，提取所述目标断溶体储层的各种地震属性体；
步骤S103：将所有地震属性体作为K-means聚类模型的输入，以对所有地震属性体进行降维化聚类，并得到属性聚类结果；
步骤S104：根据所述属性聚类结果，得到所述目标断溶体储层的分带性边界，以实现所述目标断溶体储层的分带性识别。
2.根据权利要求1所述的方法，其特征在于，所述步骤S103包括以下步骤：
步骤S1031：根据所有地震属性体的特征，选取若干初始中心；其中，所述初始中心的数量等于目标类别数；
步骤S1032：计算所有地震属性体与各个初始中心的距离，并将每种地震属性体归到与其距离最小的初始中心所在的类别，以对所有地震属性体进行分类；
步骤S1033：根据当前各类别中的所有地震属性体，计算当前各类别的当前中心，并将各个当前中心与对应的初始中心进行比较；
步骤S1034：当至少一个当前中心与对应的初始中心不相同时，将各个当前中心作为新的初始中心，并返回步骤S1032，以基于新的初始中心进行迭代聚类；
步骤S1035：当所有的当前中心与对应的初始中心相同时，停止迭代。
3.根据权利要求2所述的方法，其特征在于，所述步骤S1033包括以下步骤：
根据当前各类别中的所有地震属性体，将当前各类别中的所有地震属性体的均值作为当前各类别的当前中心，并将各个当前中心与对应的初始中心进行比较。
4.根据权利要求2所述的方法，其特征在于，所述距离为欧氏距离或余弦距离。
5.根据权利要求1所述的方法，其特征在于，所述地震属性体包括振幅类属性体和相干属性体。
6.根据权利要求5所述的方法，其特征在于，所述振幅类属性体包括均方根振幅属性体、最大绝对值振幅属性体、最大峰值振幅属性体、振幅的方差属性体、振幅的斜度属性体和振幅的峰态属性体。
7.根据权利要求5所述的方法，其特征在于，所述相干属性体包括结构张量属性体、纹理熵属性体和纹理能量属性体。
8.一种断溶体分带性的识别装置，其特征在于，所述装置包括：
地震剖面获取模块，用于获取目标断溶体储层的叠后地震剖面；
地震属性提取模块，用于根据所述叠后地震剖面，提取所述目标断溶体储层的各种地震属性体；
属性聚类模块，用于将所有地震属性体作为K-means聚类模型的输入，以对所有地震属性体进行降维化聚类，并得到属性聚类结果；
分带性识别模块，用于根据所述属性聚类结果，得到所述目标断溶体储层的分带性边界，以实现所述目标断溶体储层的分带性识别。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行如权利要求1至7中任意一项所述的断溶体分带性的识别方法。
10.一种存储介质，其特征在于，该存储介质存储的计算机程序，可被一个或多个处理器执行，可用来实现如权利要求1至7中任意一项所述的断溶体分带性的识别方法。
CN202011031609.7A 2020-09-27 2020-09-27 断溶体分带性的识别方法、装置、电子设备及存储介质 Pending CN114428298A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011031609.7A CN114428298A (zh) 2020-09-27 2020-09-27 断溶体分带性的识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011031609.7A CN114428298A (zh) 2020-09-27 2020-09-27 断溶体分带性的识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114428298A true CN114428298A (zh) 2022-05-03

Family

ID=81309954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011031609.7A Pending CN114428298A (zh) 2020-09-27 2020-09-27 断溶体分带性的识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114428298A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115932968A (zh) * 2023-01-09 2023-04-07 西南石油大学 一种基于地震振幅比值属性的碳酸盐岩薄储层预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115932968A (zh) * 2023-01-09 2023-04-07 西南石油大学 一种基于地震振幅比值属性的碳酸盐岩薄储层预测方法
CN115932968B (zh) * 2023-01-09 2023-07-18 西南石油大学 一种基于地震振幅比值属性的碳酸盐岩薄储层预测方法

Similar Documents

Publication Publication Date Title
CN103792576A (zh) 一种基于梯度结构张量的储层非均质检测方法及设备
CN111665560B (zh) 油气层识别方法、装置、计算机设备及可读存储介质
WO2014183022A1 (en) Neural network signal processing of microseismic events
CN103487832A (zh) 一种三维地震信号中的有监督波形分类方法
CN103869358A (zh) 一种基于直方图均衡的断层识别方法及设备
Prabhakaran et al. Investigating spatial heterogeneity within fracture networks using hierarchical clustering and graph distance metrics
CN112684503B (zh) 一种基于叠后地震属性的储层流体识别方法及装置
CN114428298A (zh) 断溶体分带性的识别方法、装置、电子设备及存储介质
CN111257933B (zh) 基于低频阴影现象的油气藏预测新方法
CN115690772A (zh) 基于深度学习的重力断层自动识别方法
CN112081582A (zh) 水驱开发油藏中优势通道的预测方法、系统及装置
CN113219531A (zh) 致密砂岩气水分布的识别方法及装置
CN113393335A (zh) 基于多地震属性优化的储层油气预测方法及装置
CN116027454A (zh) 一种砂岩厚度等值线图的成图方法及智能绘制装置
CN115327627A (zh) 多信息融合的致密砂岩气分流河道表征方法及装置
CN109581489B (zh) 嵌套式地震相的提取方法及系统
CN107831537B (zh) 高砂地比浊积岩储层描述方法
CN111239823A (zh) 一种侵入岩分布的识别方法
CN114137613B (zh) 地层断裂识别方法、系统、存储介质以及电子设备
Aljuboori et al. Using statistical approaches in permeability prediction in highly heterogeneous carbonate reservoirs
CN114063169B (zh) 一种波阻抗反演方法、系统、设备和存储介质
CN109581498B (zh) 储层厚度分布确定方法、系统、设备、可读介质
CN116774285B (zh) 基于特征曲线重构的薄互层预测方法、装置、设备及介质
Xu et al. Frequency trend attribute analysis for stratigraphic division and correlation
CN114137613A (zh) 地层断裂识别方法、系统、存储介质以及电子设备

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