CN114429057A - 天然裂缝建模及压裂模拟方法、装置、计算机和存储介质 - Google Patents
天然裂缝建模及压裂模拟方法、装置、计算机和存储介质 Download PDFInfo
- Publication number
- CN114429057A CN114429057A CN202011033805.8A CN202011033805A CN114429057A CN 114429057 A CN114429057 A CN 114429057A CN 202011033805 A CN202011033805 A CN 202011033805A CN 114429057 A CN114429057 A CN 114429057A
- Authority
- CN
- China
- Prior art keywords
- natural fracture
- fracture
- work area
- model
- natural
- 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 117
- 238000004088 simulation Methods 0.000 title claims abstract description 101
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000009826 distribution Methods 0.000 claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 70
- 238000010276 construction Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 24
- 239000011435 rock Substances 0.000 claims description 23
- 230000035699 permeability Effects 0.000 claims description 15
- 206010017076 Fracture Diseases 0.000 abstract description 360
- 208000010392 Bone Fractures Diseases 0.000 abstract description 324
- 238000011161 development Methods 0.000 abstract description 23
- 239000000463 material Substances 0.000 description 29
- 238000005516 engineering process Methods 0.000 description 20
- 238000013461 design Methods 0.000 description 16
- 230000010354 integration Effects 0.000 description 16
- 230000000694 effects Effects 0.000 description 13
- 239000002245 particle Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000003908 quality control method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000001427 coherent effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种天然裂缝建模及压裂模拟方法、装置、计算机和存储介质,该方法包括建立预设工区的三维地质网格模型;计算获得反映断层和天然裂缝的叠后属性以及叠前反演类属性,将叠后属性以及叠前反演类属性导入三维地质网格模型;在三维地质网格模型的基础上,基于井上粗化的曲线信息,采用神经网络算法预测储层属性在空间的展布,获得预设工区的天然裂缝模型;在天然裂缝模型基础上,提取目的层平均裂缝面密度属性,生成等效天然裂缝信息;根据天然裂缝参数进行压裂模拟。通过利用地震数据的叠前属性和叠后属性,结合地质、岩性、测井信息,通过神经网络算法,建立裂缝发育分布模型即天然裂缝模型,从而减少裂缝性储层预测的多解性。
Description
技术领域
本发明涉及地震勘探与开发技术领域,特别涉及一种天然裂缝建模及压裂模拟方法、装置、计算机和存储介质。
背景技术
页岩气天然裂缝油气藏的特点是其有利储层发育复杂以及分布不规律,现有技术主要采用某一单项技术来预测和描述裂缝分布规律,而单一技术往往有很大的不确定性和多解性,同时无法实现利用地震资料进行基于物质点法的压裂模拟。
非常规页岩气水平井开发中,各井压裂改造效果相差很大,测试产量也差异较大;在页岩气开发工程阶段,完井工程师对地下天然裂缝发育情况缺乏了解,完井时对多级压裂的简单对待,容易导致压裂段油气产出很少;同时由于页岩气储层的非均质性和压裂改造的不均一性,亟需实现地质、物探与工程的一体化,才能最大限度挖掘储层潜力,实现经济有效勘探开发的目的。
发明内容
基于此,有必要针对上述技术问题,提供一种天然裂缝建模及压裂模拟方法、装置、计算机和存储介质。
一种天然裂缝建模及压裂模拟方法,包括:
建立预设工区的三维地质网格模型;
基于所述预设工区的地震数据,计算获得反映断层和天然裂缝的叠后属性以及叠前反演类属性,将所述叠后属性以及所述叠前反演类属性导入所述三维地质网格模型;
在所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型;
在所述天然裂缝模型基础上,提取目的层平均裂缝面密度属性,生成等效天然裂缝信息;
以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数进行压裂模拟。
在一个实施例中,所述在所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型的步骤包括:
在所述三维地质网格模型的基础上,基于所述井上粗化的曲线信息,采用所述神经网络算法,以井上裂缝信息为学习样本进行训练,预测裂缝在空间的分布,获得所述预设工区的天然裂缝模型。
在一个实施例中,所述储层属性在空间的展布包括以下属性的至少一种:岩性、储层孔隙度、渗透率、裂缝密度。
在一个实施例中,所述在所述三维地质网格模型的基础上,基于所述井上粗化的曲线信息,采用所述神经网络算法,以井上裂缝信息为学习样本进行训练,预测裂缝在空间的分布,获得所述预设工区的天然裂缝模型的步骤包括:
在所述三维地质网格模型的基础上,基于所述井上粗化的曲线信息,采用所述神经网络算法,以井上裂缝信息为学习样本进行训练,预测裂缝在空间的分布,获得裂缝在空间的分布的多个预测数据;
获取裂缝在空间的分布的实际数据;
将多个所述预测数据与所述实际数据进行对比,提取出与所述实际数据的偏差在预设范围内的所述预设数据;
基于提取出的所述预设数据,生成所述预设工区的天然裂缝模型。
在一个实施例中,所述建立预设工区的三维地质网格模型的步骤包括:
获取所述预设工区的第一横轴坐标值、第二横轴坐标值和深度坐标值;
基于所述预设工区的所述第一横轴坐标值、所述第二横轴坐标值和所述深度坐标值建立所述预设工区的所述三维地质网格模型。
在一个实施例中,所述以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数进行压裂模拟的步骤包括:
获取现代应力场条件、目的层岩石力学平面属性、压裂施工时间和压裂施工时的井底压力;
以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数、所述现代应力场条件、所述目的层岩石力学平面属性、所述压裂施工时间和压裂施工时的所述井底压力进行压裂模拟。
在一个实施例中,所述以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数进行压裂模拟的步骤包括:
以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,采用物质点法根据所述天然裂缝参数进行压裂模拟。
一种天然裂缝建模及压裂模拟装置,包括:
网格模型建立模块,用于建立预设工区的三维地质网格模型;
属性导入模块,用于基于所述预设工区的地震数据,计算获得反映断层和天然裂缝的叠后属性以及叠前反演类属性,将所述叠后属性以及所述叠前反演类属性导入所述三维地质网格模型;
天然裂缝模型获得模块,用于在所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型;
等效天然裂缝信息生成模块,用于在所述天然裂缝模型基础上,提取目的层平均裂缝面密度属性,生成等效天然裂缝信息;
压裂模拟模块,用于以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数进行压裂模拟。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
建立预设工区的三维地质网格模型;
基于所述预设工区的地震数据,计算获得反映断层和天然裂缝的叠后属性以及叠前反演类属性,将所述叠后属性以及所述叠前反演类属性导入所述三维地质网格模型;
在所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型;
在所述天然裂缝模型基础上,提取目的层平均裂缝面密度属性,生成等效天然裂缝信息;
以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数进行压裂模拟。
一种计算机可读存储介质,其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:
建立预设工区的三维地质网格模型;
基于所述预设工区的地震数据,计算获得反映断层和天然裂缝的叠后属性以及叠前反演类属性,将所述叠后属性以及所述叠前反演类属性导入所述三维地质网格模型;
在所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型;
在所述天然裂缝模型基础上,提取目的层平均裂缝面密度属性,生成等效天然裂缝信息;
以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数进行压裂模拟。
上述天然裂缝建模及压裂模拟方法、装置、计算机和存储介质,通过利用地震数据的叠前属性和叠后属性,结合地质、岩性、测井信息,通过神经网络算法,建立裂缝发育分布模型即天然裂缝模型,从而减少裂缝性储层预测的多解性。
此外,本申请利用MPM物质点法开展压裂模拟,进行压裂效果评价,可以指导水平井部署,实现经济有效勘探开发的目的。
附图说明
图1为一个实施例中天然裂缝建模及压裂模拟方法的流程示意图;
图2为一个实施例中天然裂缝建模及压裂模拟装置的结构框图;
图3为一个实施例中计算机设备的内部结构图;
图4为一个实施例中的X工区三维地质网格模型的示意图;
图5为一个实施例中的X工区多种地震属性的示意图;
图6为一个实施例中的X工区天然裂缝建模结果的示意图;
图7为一个实施例中的X工区A井区压裂模拟结果的示意图;
图8为一个实施例中的X工区A井区微地震监测结果的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
实施例一
本实施例中,如图1所示,提供了一种天然裂缝建模及压裂模拟方法,其包括:
步骤110,建立预设工区的三维地质网格模型。
具体地,该预设工区为需要进行天然裂缝建模及压裂模拟的工区,在下面的实施例中,该预设工区为X工区。
本步骤中,利用收集到的地震层位解释成果,建立三维地质网格模型。该地震层位解释成果为研究区层位、断层解释成果。比如,获取研究区层位数据和断层数据,获得预设工区的三维地质数据,基于该预设工区的三维地质数据建立预设工区的三维地质网格模型。
步骤120,基于所述预设工区的地震数据,计算获得反映断层和天然裂缝的叠后属性以及叠前反演类属性,将所述叠后属性以及所述叠前反演类属性导入所述三维地质网格模型。
具体地,获取预设工区的地震资料,该地震资料即为预设工区的地震数据,基于所述预设工区的地震数据计算获得反映断层和天然裂缝的叠后属性以及叠前反演类属性。
本实施例中,天然裂缝的叠后属性包括:天然裂缝的地震曲率类属性和相似性属性等;叠前反演类属性包括:纵波阻抗、横波阻抗、密度、孔隙度、泊松比、杨氏模量等。
本实施例中,反映断层和天然裂缝的叠后属性,可以通过以下方法中的至少一种获得:相干体技术、曲率技术、蚂蚁体技术、不连续性检测技术。应该理解的是,获得反映断层和天然裂缝的叠后属性的方法还可以采用现有技术中的其他方法,本实施例中不累赘描述。此外,本申请中,通过叠前反演方法获得叠前反演类属性。
步骤130,在所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型。
在一个实施例中,所述储层属性在空间的展布包括以下属性的至少一种:岩性、储层孔隙度、渗透率、裂缝密度。
本步骤中,可首先获取井上粗化的曲线信息,在已构建的且已经导入叠后属性以及所述叠前反演类属性的所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型。具体地,所预测储层属性在空间的展布包括岩性、储层孔隙度、渗透率、裂缝密度等。
具体地,不同类别的地震属性,从不同角度描述天然裂缝可能的发育区,采用神经网络方法综合考虑多种地震属性,并以井上裂缝信息为学习样本,预测裂缝在空间的分布
应该理解的是,本步骤中,还可以通过地质统计学方法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型。
本步骤中,通过在所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用地质统计学方法或神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型,其中,该地质统计学方法为克里金法。
步骤140,在所述天然裂缝模型基础上,提取目的层平均裂缝面密度属性,生成等效天然裂缝信息。
步骤150,以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数进行压裂模拟。
本步骤中,通过模拟现代应力场,压裂段加压顺序可根据实际的或设计进行模拟,模拟出每个压裂段上估算的J积分。通过J积分结果可以表明:压裂段处的能量越高,就有越多数量的微地震事件。J积分结果可作为在微地震和地质力学之间的桥梁。通过本申请,完井工程师可以在压裂设计期间预测出哪个压裂段能表现出最高或最低的微地震活动性。
上述实施例中,通过利用地震数据的叠前属性和叠后属性,结合地质、岩性、测井信息,通过神经网络算法,建立裂缝发育分布模型即天然裂缝模型,从而减少裂缝性储层预测的多解性。
在一个实施例中,所述在所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型的步骤包括:在所述三维地质网格模型的基础上,基于所述井上粗化的曲线信息,采用所述神经网络算法,以井上裂缝信息为学习样本进行训练,预测裂缝在空间的分布,获得所述预设工区的天然裂缝模型。
本实施例中,首先利用神经网络算法,以井上裂缝信息为学习样本进行训练,获得所述预设工区的天然裂缝模型。
具体地,在构造模型的基础上,基于井上粗化的曲线信息,使用神经网络方法,预测储层属性在空间的展布,包括岩性、储层孔隙度、渗透率、裂缝密度等。应该理解的是,不同的地震属性从不同的角度对裂缝有所反映,神经网络方法可以综合考虑多种地震属性,并以井上裂缝信息为学习样本,预测裂缝在空间的分布。通过丰富的质控手段,如设置学习训练数据比例,设置训练数据和测试数据相关性门槛值,并观测计算数据与实际数据的交汇图,确保神经网络算法预测结果与已知数据吻合,从而得到较为接近实际的参数分布。同时,神经网络算法为随机算法,为了降低随机性,每次计算10个实现,只保存1-2个实现,累计需要保存30个以上的实现,对多个结果进行统计分析,将30个实现求平均作为平均天然裂缝模型,得到X工区天然裂缝建模结果。
本实施例中,针对裂缝指示曲线特征,将基于地震数据提取的多种地震属性按类别分类:振幅类属性(基于匹配追踪算法不同频率的分频结果、振幅包络和原始地震振幅)、频率类属性(瞬时类和分频衍生属性)、构造类属性,分别进行模糊逻辑排序。优选与每一类地震属性当中与裂缝面密度曲线最敏感的1-2个,一起进行神经网络算法随机建模。
在一个实施例中,所述在所述三维地质网格模型的基础上,基于所述井上粗化的曲线信息,采用所述神经网络算法,以井上裂缝信息为学习样本进行训练,预测裂缝在空间的分布,获得所述预设工区的天然裂缝模型的步骤包括:
在所述三维地质网格模型的基础上,基于所述井上粗化的曲线信息,采用所述神经网络算法,以井上裂缝信息为学习样本进行训练,预测裂缝在空间的分布,获得裂缝在空间的分布的多个预测数据;获取裂缝在空间的分布的实际数据;将多个所述预测数据与所述实际数据进行对比,提取出与所述实际数据的偏差在预设范围内的所述预设数据;基于提取出的所述预设数据,生成所述预设工区的天然裂缝模型。
本实施例中,在构造模型的基础上,基于井上粗化的曲线信息,使用神经网络方法,预测储层属性在空间的展布,包括岩性、储层孔隙度、渗透率、裂缝密度等。不同的地震属性从不同的角度对裂缝有所反映,神经网络方法可以综合考虑多种地震属性,并以井上裂缝信息为学习样本,预测裂缝在空间的分布。通过丰富的质控手段,如设置学习训练数据比例,设置训练数据和测试数据相关性门槛值,并观测预测数据与实际数据的交汇图,确保神经网络算法预测结果与已知数据吻合,从而得到较为接近实际的参数分布。同时,神经网络算法为随机算法,为了降低随机性,每次计算10个实现,只保存1-2个实现,累计需要保存30个以上的实现,对多个结果进行统计分析,将30个实现求平均作为平均天然裂缝模型,得到X工区天然裂缝建模结果。本实施例中,每个“实现”相当于一次计算的结果,每个“实现”都是一次计算得到的天然裂缝模型,通过多次求得实现,并且邱平均,即可得到天然裂缝模型。
在一个实施例中,所述建立预设工区的三维地质网格模型的步骤包括:获取所述预设工区的第一横轴坐标值、第二横轴坐标值和深度坐标值;基于所述预设工区的所述第一横轴坐标值、所述第二横轴坐标值和所述深度坐标值建立所述预设工区的所述三维地质网格模型。
本实施例中,获取研究区层位数据和断层数据,获得预设工区的三维地质数据,该三维地质数据即为第一横轴坐标值、第二横轴坐标值和深度坐标值,本实施例中,该第一横轴坐标值为X轴值,第二横轴坐标值为Y轴值,深度坐标值为纵轴值,即Z轴值,其中,第一横轴坐标值、第二横轴坐标值为沿着水平方向的坐标轴的值。通过上述的X轴值、Y轴值和深度Z轴值可建立预设工区的三维地质网格模型。
在一个实施例中,所述以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数进行压裂模拟的步骤包括:
获取现代应力场条件、目的层岩石力学平面属性、压裂施工时间和压裂施工时的井底压力;以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数、所述现代应力场条件、所述目的层岩石力学平面属性、所述压裂施工时间和压裂施工时的所述井底压力进行压裂模拟。
本实施例中,在天然裂缝模型基础上,提取目的层平均裂缝面密度属性,以此生成等效天然裂缝信息作为差应力场模拟的天然裂缝参数,并预先设置下列参数:1)现代应力场条件;2)目的层泊松比、杨氏模量等岩石力学平面属性;3)压裂施工时间和施工期间的井底压力,通过差应力场模拟的天然裂缝参数和上述预先设置的参数,利用物质点法(MPM)进行压裂模拟。其中,岩石力学平面属性包括目的层泊松比、杨氏模量,该岩石力学平面属性的数据来自于叠前反演的属性体。
在一个实施例中,所述以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数进行压裂模拟的步骤包括:
以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,采用物质点法根据所述天然裂缝参数进行压裂模拟。
本实施例中,采用物质点法(MPM)求解现代应力场条件下裂缝(断裂带)与应力的耦合,得到差应力场属性。同时还能够模拟在水平井各压裂段施加压力和持续时间下,多级压裂过程中,周围地层的应变量,描述在局部应力场影响下可能的压裂改造范围。
具体地,物质点法(MPM)属于力学上求解动量方程,属于无网格算法,是第三代力学求解动量方程。当涉及材料特大变形、破碎时,无网格的物质点法采用携带材料所有信息的物质点离散材料区域,以表征材料区域的运动和变形状态,并避免了处理对流项。物质点法采用规则的欧拉背景网格计算空间导数和动量方程,从而实现了质点间的相互作用与联系,并避免了网格畸变问题。在天然裂缝密度模型基础上,提取目的层平均裂缝面密度属性,以此生成等效天然裂缝信息作为MPM差应力场模拟的天然裂缝参数。
通过模拟现代应力场,压裂段加压顺序可根据实际的或设计进行模拟,模拟出每个压裂段上估算的J积分。通过J积分结果可以表明:压裂段处的能量越高,就有越多数量的微地震事件。J积分结果可作为在微地震和地质力学之间的桥梁。通过本申请,完井工程师可以在压裂设计期间预测出哪个压裂段能表现出最高或最低的微地震活动性。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
本申请利用地震资料进行天然裂缝建模及压裂模拟,实现地质、物探与工程的一体化,可以最大限度挖掘储层潜力,提高页岩气水平井压裂效果,实现经济有效勘探开发的目的,为页岩气水平井开发奠定了基础,具有创新性。
本实施例中,提供一种利用地震资料进行天然裂缝建模及压裂模拟的方法,采用基于地震-地质-测井-岩石力学的综合裂缝建模,明确有利储层(甜点)发育区,在此基础上,针对已完钻水平井位和预测水平井位,开展人工压裂模拟,验证和预测压裂效果。
具体地,本实施例中首先需要建立研究区的构造模型,利用收集到的地震层位解释成果,建立三维地质网格。在构造模型的基础上,基于井上粗化的曲线信息,使用地质统计学或神经网络方法,预测储层属性在空间的展布,包括岩性、储层孔隙度、渗透率、裂缝密度等。不同类别的地震属性,从不同角度描述天然裂缝可能的发育区,采用神经网络方法综合考虑多种地震属性,并以井上裂缝信息为学习样本,预测裂缝在空间的分布。
针对裂缝指示曲线特征,将基于地震数据提取的多种地震属性按类别分类:振幅类属性(基于匹配追踪算法不同频率的分频结果、振幅包络和原始地震振幅)、频率类属性(瞬时类和分频衍生属性)、构造类属性,分别进行模糊逻辑排序。优选与每一类地震属性当中与裂缝面密度曲线最敏感的1-2个,一起进行神经网络算法随机建模。
根据成像测井识别出来的裂缝建立裂缝面密度曲线,其仅能代表井筒周缘数米的裂缝发育情况,与地质网格面元并不完全匹配,因此训练结果与原始数据的相关性不宜过高,达到70%相关即可,同时验证结果也只需要达到65%(主要是反应裂缝发育的趋势,不能要求完全一致)。同时由于裂缝有较高的不确定性,所以得到的实现也需要更多。通常测试每一次运算选择保存最多2个质控效果好的实现,反复运算多次,总共得到若干个实现,对若干个实现求平均作为平均天然裂缝模型,即完成了天然裂缝建模。
本发明采用物质点法(MPM)求解现代应力场条件下裂缝(断裂带)与应力的耦合,得到差应力场属性。同时还能够模拟在水平井各压裂段施加压力和持续时间下,多级压裂过程中,周围地层的应变量,描述在局部应力场影响下可能的压裂改造范围。
物质点法(MPM)属于力学上求解动量方程,属于无网格算法,是第三代力学求解动量方程。当涉及材料特大变形、破碎时,无网格的物质点法采用携带材料所有信息的物质点离散材料区域,以表征材料区域的运动和变形状态,并避免了处理对流项。物质点法采用规则的欧拉背景网格计算空间导数和动量方程,从而实现了质点间的相互作用与联系,并避免了网格畸变问题。在天然裂缝密度模型基础上,提取目的层平均裂缝面密度属性,以此生成等效天然裂缝信息作为MPM差应力场模拟的天然裂缝参数。
通过模拟现代应力场,压裂段加压顺序可根据实际的或设计进行模拟,模拟出每个压裂段上估算的J积分。通过J积分结果可以表明:压裂段处的能量越高,就有越多数量的微地震事件。J积分结果可作为在微地震和地质力学之间的桥梁。通过本发明,完井工程师可以在压裂设计期间预测出哪个压裂段能表现出最高或最低的微地震活动性。
本申请相较于现有的技术具有以下的优势:
(1)能够综合利用三维地震资料的多种属性信息进行天然裂缝建模;
(2)可以利用三维地震资料进行人工压裂模拟,在钻前帮助进行井位优选,提高单井产量,同时指导水平井设计,优化压裂设计,达到节约成本的目的。
实施例三
首先,如图4所示,建立X工区三维地质网格模型。本实施例中,预设工区为X工区,基于X工区的地震资料,计算反映断层和天然裂缝的地震曲率类属性和相似性属性等叠后属性以及叠前反演类属性等,并将其导入,导入后,如图5所示。
反映断层和天然裂缝的叠后属性,可以通过以下方法中的至少一种获得:相干体技术、曲率技术、蚂蚁体技术、不连续性检测技术。应该理解的是,获得反映断层和天然裂缝的叠后属性的方法还可以采用现有技术中的其他方法,本实施例中不逐一列举。此外,本申请中,通过叠前反演方法获得叠前反演类属性。
在构造模型的基础上,基于井上粗化的曲线信息,使用神经网络方法,预测储层属性在空间的展布,包括岩性、储层孔隙度、渗透率、裂缝密度等。不同的地震属性从不同的角度对裂缝有所反映,神经网络方法可以综合考虑多种地震属性,并以井上裂缝信息为学习样本,预测裂缝在空间的分布。通过丰富的质控手段,如设置学习训练数据比例,设置训练数据和测试数据相关性门槛值,并观测计算数据与实际数据的交汇图,确保神经网络算法预测结果与已知数据吻合,从而得到较为接近实际的参数分布。同时,神经网络算法为随机算法,为了降低随机性,每次计算10个实现,只保存1-2个实现,累计需要保存30个以上的实现,对多个结果进行统计分析,将30个实现求平均作为平均天然裂缝模型,得到X工区天然裂缝建模结果,建模的天然裂缝模型如图6所示。
在天然裂缝模型基础上,提取目的层平均裂缝面密度属性,以此生成等效天然裂缝信息作为差应力场模拟的天然裂缝参数,并设置下列参数:1)现代应力场条件;2)目的层泊松比、杨氏模量等岩石力学平面属性(数据来自于叠前反演的属性体);3)压裂施工时间和施工期间的井底压力。并利用物质点法(MPM)进行压裂模拟,得到图7的X工区A井区压裂模拟结果。
从A井压裂模拟结果(图7)与微地震监测结果(图8)可以看出,两者整体形态接近,整体反映前端压裂级微地震事件较少;中部压裂级受段间距稍长的影响,微地震事件略稀疏;末端压裂级,微地震事件较多,同时东侧比西侧多,延伸距离长。通过对比分析,压裂模拟结果与微地震监测结果的吻合程度较高,验证了本发明方法的可靠性。
本申请提供了一种利用地震资料进行天然裂缝建模及压裂模拟的方法。页岩天然裂缝油气藏因其有利储层发育的复杂性和分布的不规律性,使得应用任何单一技术来预测和描述裂缝分布规律,都有很大的不确定性和多解性。本发明综合利用地质、测井、地震叠前、叠后属性等资料,在人工智能技术的综合优选下建立裂缝发育分布模型,精细刻画非常规页岩气储层中的裂缝分布和展布特征。在此基础上,基于天然裂缝模型,采用物质点法模拟压裂过程中压裂缝与自然缝的相互作用,开展人工多级压裂模拟,预测页岩气水平井压裂效果,从而提高经济效益。
实施例四
本实施例中,如图2所示,提供一种天然裂缝建模及压裂模拟装置,包括:
网格模型建立模块210,用于建立预设工区的三维地质网格模型;
属性导入模块220,用于基于所述预设工区的地震数据,计算获得反映断层和天然裂缝的叠后属性以及叠前反演类属性,将所述叠后属性以及所述叠前反演类属性导入所述三维地质网格模型;
天然裂缝模型获得模块230,用于在所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型;
等效天然裂缝信息生成模块240,用于在所述天然裂缝模型基础上,提取目的层平均裂缝面密度属性,生成等效天然裂缝信息;
压裂模拟模块,用于以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数进行压裂模拟。
在一个实施例中,所述天然裂缝模型获得模块还用于在所述三维地质网格模型的基础上,基于所述井上粗化的曲线信息,采用所述神经网络算法,以井上裂缝信息为学习样本进行训练,预测裂缝在空间的分布,获得所述预设工区的天然裂缝模型。
在一个实施例中,所述储层属性在空间的展布包括以下属性的至少一种:岩性、储层孔隙度、渗透率、裂缝密度。
在一个实施例中,所述天然裂缝模型获得模块包括:
预测数据获取单元,用于在所述三维地质网格模型的基础上,基于所述井上粗化的曲线信息,采用所述神经网络算法,以井上裂缝信息为学习样本进行训练,预测裂缝在空间的分布,获得裂缝在空间的分布的多个预测数据;
实际数据获取单元,用于获取裂缝在空间的分布的实际数据;
数据提取单元,用于将多个所述预测数据与所述实际数据进行对比,提取出与所述实际数据的偏差在预设范围内的所述预设数据;
然裂缝模型生成单元,用于基于提取出的所述预设数据,生成所述预设工区的天然裂缝模型。
在一个实施例中,所述网格模型建立模块包括:
坐标值获取单元,用于获取所述预设工区的第一横轴坐标值、第二横轴坐标值和深度坐标值;
三维地质网格模型建立单元,用于基于所述预设工区的所述第一横轴坐标值、所述第二横轴坐标值和所述深度坐标值建立所述预设工区的所述三维地质网格模型。
在一个实施例中,所述压裂模拟模块包括:
模拟参数获取单元,用于获取现代应力场条件、目的层岩石力学平面属性、压裂施工时间和压裂施工时的井底压力;
压裂模拟单元,用于以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数、所述现代应力场条件、所述目的层岩石力学平面属性、所述压裂施工时间和压裂施工时的所述井底压力进行压裂模拟。
在一个实施例中,所述压裂模拟模块还用于以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,采用物质点法根据所述天然裂缝参数进行压裂模拟。
关于天然裂缝建模及压裂模拟装置的具体限定可以参见上文中对于天然裂缝建模及压裂模拟方法的限定,在此不再赘述。上述天然裂缝建模及压裂模拟装置中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个单元对应的操作。
实施例五
本实施例中,提供了计算机设备。其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序,且该非易失性存储介质部署有数据库,该数据库用于存储地震数据和天然裂缝模型。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与部署了应用软件的其他计算机设备通信。该计算机程序被处理器执行时以实现一种天然裂缝建模及压裂模拟方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
步骤110,建立预设工区的三维地质网格模型。
具体地,该预设工区为需要进行天然裂缝建模及压裂模拟的工区,在下面的实施例中,该预设工区为X工区。
本步骤中,利用收集到的地震层位解释成果,建立三维地质网格模型。该地震层位解释成果为研究区层位、断层解释成果。比如,获取研究区层位数据和断层数据,获得预设工区的三维地质数据,基于该预设工区的三维地质数据建立预设工区的三维地质网格模型。
步骤120,基于所述预设工区的地震数据,计算获得反映断层和天然裂缝的叠后属性以及叠前反演类属性,将所述叠后属性以及所述叠前反演类属性导入所述三维地质网格模型。
具体地,获取预设工区的地震资料,该地震资料即为预设工区的地震数据,基于所述预设工区的地震数据计算获得反映断层和天然裂缝的叠后属性以及叠前反演类属性。
本实施例中,天然裂缝的叠后属性包括:天然裂缝的地震曲率类属性和相似性属性等;叠前反演类属性包括:纵波阻抗、横波阻抗、密度、孔隙度、泊松比、杨氏模量等。
本实施例中,反映断层和天然裂缝的叠后属性,可以通过以下方法中的至少一种获得:相干体技术、曲率技术、蚂蚁体技术、不连续性检测技术。应该理解的是,获得反映断层和天然裂缝的叠后属性的方法还可以采用现有技术中的其他方法,本实施例中不累赘描述。此外,本申请中,通过叠前反演方法获得叠前反演类属性。
步骤130,在所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型。
在一个实施例中,所述储层属性在空间的展布包括以下属性的至少一种:岩性、储层孔隙度、渗透率、裂缝密度。
本步骤中,可首先获取井上粗化的曲线信息,在已构造的且已经导入叠后属性以及所述叠前反演类属性的所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型。具体地,所预测储层属性在空间的展布包括岩性、储层孔隙度、渗透率、裂缝密度等。
具体地,不同类别的地震属性,从不同角度描述天然裂缝可能的发育区,采用神经网络方法综合考虑多种地震属性,并以井上裂缝信息为学习样本,预测裂缝在空间的分布
应该理解的是,本步骤中,还可以通过地质统计学方法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型。
本步骤中,通过在所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用地质统计学方法或神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型,其中,该地质统计学方法为克里金法。
步骤140,在所述天然裂缝模型基础上,提取目的层平均裂缝面密度属性,生成等效天然裂缝信息。
步骤150,以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数进行压裂模拟。
本步骤中,通过模拟现代应力场,压裂段加压顺序可根据实际的或设计进行模拟,模拟出每个压裂段上估算的J积分。通过J积分结果可以表明:压裂段处的能量越高,就有越多数量的微地震事件。J积分结果可作为在微地震和地质力学之间的桥梁。通过本申请,完井工程师可以在压裂设计期间预测出哪个压裂段能表现出最高或最低的微地震活动性。
上述实施例中,通过利用地震数据的叠前属性和叠后属性,结合地质、岩性、测井信息,通过神经网络算法,建立裂缝发育分布模型即天然裂缝模型,从而减少裂缝性储层预测的多解性。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
在所述三维地质网格模型的基础上,基于所述井上粗化的曲线信息,采用所述神经网络算法,以井上裂缝信息为学习样本进行训练,预测裂缝在空间的分布,获得所述预设工区的天然裂缝模型。
本实施例中,首先利用神经网络算法,以井上裂缝信息为学习样本进行训练,获得所述预设工区的天然裂缝模型。
具体地,在构造模型的基础上,基于井上粗化的曲线信息,使用神经网络方法,预测储层属性在空间的展布,包括岩性、储层孔隙度、渗透率、裂缝密度等。应该理解的是,不同的地震属性从不同的角度对裂缝有所反映,神经网络方法可以综合考虑多种地震属性,并以井上裂缝信息为学习样本,预测裂缝在空间的分布。通过丰富的质控手段,如设置学习训练数据比例,设置训练数据和测试数据相关性门槛值,并观测计算数据与实际数据的交汇图,确保神经网络算法预测结果与已知数据吻合,从而得到较为接近实际的参数分布。同时,神经网络算法为随机算法,为了降低随机性,每次计算10个实现,只保存1-2个实现,累计需要保存30个以上的实现,对多个结果进行统计分析,将30个实现求平均作为平均天然裂缝模型,得到X工区天然裂缝建模结果。
本实施例中,针对裂缝指示曲线特征,将基于地震数据提取的多种地震属性按类别分类:振幅类属性(基于匹配追踪算法不同频率的分频结果、振幅包络和原始地震振幅)、频率类属性(瞬时类和分频衍生属性)、构造类属性,分别进行模糊逻辑排序。优选与每一类地震属性当中与裂缝面密度曲线最敏感的1-2个,一起进行神经网络算法随机建模。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
在所述三维地质网格模型的基础上,基于所述井上粗化的曲线信息,采用所述神经网络算法,以井上裂缝信息为学习样本进行训练,预测裂缝在空间的分布,获得裂缝在空间的分布的多个预测数据;获取裂缝在空间的分布的实际数据;将多个所述预测数据与所述实际数据进行对比,提取出与所述实际数据的偏差在预设范围内的所述预设数据;基于提取出的所述预设数据,生成所述预设工区的天然裂缝模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述预设工区的第一横轴坐标值、第二横轴坐标值和深度坐标值;基于所述预设工区的所述第一横轴坐标值、所述第二横轴坐标值和所述深度坐标值建立所述预设工区的所述三维地质网格模型。
本实施例中,获取研究区层位数据和断层数据,获得预设工区的三维地质数据,该三维地质数据即为第一横轴坐标值、第二横轴坐标值和深度坐标值,本实施例中,该第一横轴坐标值为X轴值,第二横轴坐标值为Y轴值,深度坐标值为纵轴值,即Z轴值,其中,第一横轴坐标值、第二横轴坐标值为沿着水平方向的坐标轴的值。通过上述的X轴值、Y轴值和深度Z轴值可建立预设工区的三维地质网格模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取现代应力场条件、目的层岩石力学平面属性、压裂施工时间和压裂施工时的井底压力;以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数、所述现代应力场条件、所述目的层岩石力学平面属性、所述压裂施工时间和压裂施工时的所述井底压力进行压裂模拟。
本实施例中,在天然裂缝模型基础上,提取目的层平均裂缝面密度属性,以此生成等效天然裂缝信息作为差应力场模拟的天然裂缝参数,并预先设置下列参数:1)现代应力场条件;2)目的层泊松比、杨氏模量等岩石力学平面属性;3)压裂施工时间和施工期间的井底压力,通过差应力场模拟的天然裂缝参数和上述预先设置的参数,利用物质点法(MPM)进行压裂模拟。其中,岩石力学平面属性包括目的层泊松比、杨氏模量,该岩石力学平面属性的数据来自于叠前反演的属性体。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,采用物质点法根据所述天然裂缝参数进行压裂模拟。
本实施例中,采用物质点法(MPM)求解现代应力场条件下裂缝(断裂带)与应力的耦合,得到差应力场属性。同时还能够模拟在水平井各压裂段施加压力和持续时间下,多级压裂过程中,周围地层的应变量,描述在局部应力场影响下可能的压裂改造范围。
具体地,物质点法(MPM)属于力学上求解动量方程,属于无网格算法,是第三代力学求解动量方程。当涉及材料特大变形、破碎时,无网格的物质点法采用携带材料所有信息的物质点离散材料区域,以表征材料区域的运动和变形状态,并避免了处理对流项。物质点法采用规则的欧拉背景网格计算空间导数和动量方程,从而实现了质点间的相互作用与联系,并避免了网格畸变问题。在天然裂缝密度模型基础上,提取目的层平均裂缝面密度属性,以此生成等效天然裂缝信息作为MPM差应力场模拟的天然裂缝参数。
通过模拟现代应力场,压裂段加压顺序可根据实际的或设计进行模拟,模拟出每个压裂段上估算的J积分。通过J积分结果可以表明:压裂段处的能量越高,就有越多数量的微地震事件。J积分结果可作为在微地震和地质力学之间的桥梁。通过本申请,完井工程师可以在压裂设计期间预测出哪个压裂段能表现出最高或最低的微地震活动性。
实施例六
本实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤110,建立预设工区的三维地质网格模型。
具体地,该预设工区为需要进行天然裂缝建模及压裂模拟的工区,在下面的实施例中,该预设工区为X工区。
本步骤中,利用收集到的地震层位解释成果,建立三维地质网格模型。该地震层位解释成果为研究区层位、断层解释成果。比如,获取研究区层位数据和断层数据,获得预设工区的三维地质数据,基于该预设工区的三维地质数据建立预设工区的三维地质网格模型。
步骤120,基于所述预设工区的地震数据,计算获得反映断层和天然裂缝的叠后属性以及叠前反演类属性,将所述叠后属性以及所述叠前反演类属性导入所述三维地质网格模型。
具体地,获取预设工区的地震资料,该地震资料即为预设工区的地震数据,基于所述预设工区的地震数据计算获得反映断层和天然裂缝的叠后属性以及叠前反演类属性。
本实施例中,天然裂缝的叠后属性包括:天然裂缝的地震曲率类属性和相似性属性等;叠前反演类属性包括:纵波阻抗、横波阻抗、密度、孔隙度、泊松比、杨氏模量等。
本实施例中,反映断层和天然裂缝的叠后属性,可以通过以下方法中的至少一种获得:相干体技术、曲率技术、蚂蚁体技术、不连续性检测技术。应该理解的是,获得反映断层和天然裂缝的叠后属性的方法还可以采用现有技术中的其他方法,本实施例中不累赘描述。此外,本申请中,通过叠前反演方法获得叠前反演类属性。
步骤130,在所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型。
在一个实施例中,所述储层属性在空间的展布包括以下属性的至少一种:岩性、储层孔隙度、渗透率、裂缝密度。
本步骤中,可首先获取井上粗化的曲线信息,在已构造的且已经导入叠后属性以及所述叠前反演类属性的所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型。具体地,所预测储层属性在空间的展布包括岩性、储层孔隙度、渗透率、裂缝密度等。
具体地,不同类别的地震属性,从不同角度描述天然裂缝可能的发育区,采用神经网络方法综合考虑多种地震属性,并以井上裂缝信息为学习样本,预测裂缝在空间的分布
应该理解的是,本步骤中,还可以通过地质统计学方法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型。
本步骤中,通过在所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用地质统计学方法或神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型,其中,该地质统计学方法为克里金法。
步骤140,在所述天然裂缝模型基础上,提取目的层平均裂缝面密度属性,生成等效天然裂缝信息。
步骤150,以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数进行压裂模拟。
本步骤中,通过模拟现代应力场,压裂段加压顺序可根据实际的或设计进行模拟,模拟出每个压裂段上估算的J积分。通过J积分结果可以表明:压裂段处的能量越高,就有越多数量的微地震事件。J积分结果可作为在微地震和地质力学之间的桥梁。通过本申请,完井工程师可以在压裂设计期间预测出哪个压裂段能表现出最高或最低的微地震活动性。
上述实施例中,通过利用地震数据的叠前属性和叠后属性,结合地质、岩性、测井信息,通过神经网络算法,建立裂缝发育分布模型即天然裂缝模型,从而减少裂缝性储层预测的多解性。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
在所述三维地质网格模型的基础上,基于所述井上粗化的曲线信息,采用所述神经网络算法,以井上裂缝信息为学习样本进行训练,预测裂缝在空间的分布,获得所述预设工区的天然裂缝模型。
本实施例中,首先利用神经网络算法,以井上裂缝信息为学习样本进行训练,获得所述预设工区的天然裂缝模型。
具体地,在构造模型的基础上,基于井上粗化的曲线信息,使用神经网络方法,预测储层属性在空间的展布,包括岩性、储层孔隙度、渗透率、裂缝密度等。应该理解的是,不同的地震属性从不同的角度对裂缝有所反映,神经网络方法可以综合考虑多种地震属性,并以井上裂缝信息为学习样本,预测裂缝在空间的分布。通过丰富的质控手段,如设置学习训练数据比例,设置训练数据和测试数据相关性门槛值,并观测计算数据与实际数据的交汇图,确保神经网络算法预测结果与已知数据吻合,从而得到较为接近实际的参数分布。同时,神经网络算法为随机算法,为了降低随机性,每次计算10个实现,只保存1-2个实现,累计需要保存30个以上的实现,对多个结果进行统计分析,将30个实现求平均作为平均天然裂缝模型,得到X工区天然裂缝建模结果。
本实施例中,针对裂缝指示曲线特征,将基于地震数据提取的多种地震属性按类别分类:振幅类属性(基于匹配追踪算法不同频率的分频结果、振幅包络和原始地震振幅)、频率类属性(瞬时类和分频衍生属性)、构造类属性,分别进行模糊逻辑排序。优选与每一类地震属性当中与裂缝面密度曲线最敏感的1-2个,一起进行神经网络算法随机建模。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
在所述三维地质网格模型的基础上,基于所述井上粗化的曲线信息,采用所述神经网络算法,以井上裂缝信息为学习样本进行训练,预测裂缝在空间的分布,获得裂缝在空间的分布的多个预测数据;获取裂缝在空间的分布的实际数据;将多个所述预测数据与所述实际数据进行对比,提取出与所述实际数据的偏差在预设范围内的所述预设数据;基于提取出的所述预设数据,生成所述预设工区的天然裂缝模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述预设工区的第一横轴坐标值、第二横轴坐标值和深度坐标值;基于所述预设工区的所述第一横轴坐标值、所述第二横轴坐标值和所述深度坐标值建立所述预设工区的所述三维地质网格模型。
本实施例中,获取研究区层位数据和断层数据,获得预设工区的三维地质数据,该三维地质数据即为第一横轴坐标值、第二横轴坐标值和深度坐标值,本实施例中,该第一横轴坐标值为X轴值,第二横轴坐标值为Y轴值,深度坐标值为纵轴值,即Z轴值,其中,第一横轴坐标值、第二横轴坐标值为沿着水平方向的坐标轴的值。通过上述的X轴值、Y轴值和深度Z轴值可建立预设工区的三维地质网格模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取现代应力场条件、目的层岩石力学平面属性、压裂施工时间和压裂施工时的井底压力;以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数、所述现代应力场条件、所述目的层岩石力学平面属性、所述压裂施工时间和压裂施工时的所述井底压力进行压裂模拟。
本实施例中,在天然裂缝模型基础上,提取目的层平均裂缝面密度属性,以此生成等效天然裂缝信息作为差应力场模拟的天然裂缝参数,并预先设置下列参数:1)现代应力场条件;2)目的层泊松比、杨氏模量等岩石力学平面属性;3)压裂施工时间和施工期间的井底压力,通过差应力场模拟的天然裂缝参数和上述预先设置的参数,利用物质点法(MPM)进行压裂模拟。其中,岩石力学平面属性包括目的层泊松比、杨氏模量,该岩石力学平面属性的数据来自于叠前反演的属性体。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,采用物质点法根据所述天然裂缝参数进行压裂模拟。
本实施例中,采用物质点法(MPM)求解现代应力场条件下裂缝(断裂带)与应力的耦合,得到差应力场属性。同时还能够模拟在水平井各压裂段施加压力和持续时间下,多级压裂过程中,周围地层的应变量,描述在局部应力场影响下可能的压裂改造范围。
具体地,物质点法(MPM)属于力学上求解动量方程,属于无网格算法,是第三代力学求解动量方程。当涉及材料特大变形、破碎时,无网格的物质点法采用携带材料所有信息的物质点离散材料区域,以表征材料区域的运动和变形状态,并避免了处理对流项。物质点法采用规则的欧拉背景网格计算空间导数和动量方程,从而实现了质点间的相互作用与联系,并避免了网格畸变问题。在天然裂缝密度模型基础上,提取目的层平均裂缝面密度属性,以此生成等效天然裂缝信息作为MPM差应力场模拟的天然裂缝参数。
通过模拟现代应力场,压裂段加压顺序可根据实际的或设计进行模拟,模拟出每个压裂段上估算的J积分。通过J积分结果可以表明:压裂段处的能量越高,就有越多数量的微地震事件。J积分结果可作为在微地震和地质力学之间的桥梁。通过本申请,完井工程师可以在压裂设计期间预测出哪个压裂段能表现出最高或最低的微地震活动性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种天然裂缝建模及压裂模拟方法,其特征在于,包括:
建立预设工区的三维地质网格模型;
基于所述预设工区的地震数据,计算获得反映断层和天然裂缝的叠后属性以及叠前反演类属性,将所述叠后属性以及所述叠前反演类属性导入所述三维地质网格模型;
在所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型;
在所述天然裂缝模型基础上,提取目的层平均裂缝面密度属性,生成等效天然裂缝信息;
以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数进行压裂模拟。
2.根据权利要求1所述的方法,其特征在于,所述在所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型的步骤包括:
在所述三维地质网格模型的基础上,基于所述井上粗化的曲线信息,采用所述神经网络算法,以井上裂缝信息为学习样本进行训练,预测裂缝在空间的分布,获得所述预设工区的天然裂缝模型。
3.根据权利要求1所述的方法,其特征在于,所述储层属性在空间的展布包括以下属性的至少一种:岩性、储层孔隙度、渗透率、裂缝密度。
4.根据权利要求2所述的方法,其特征在于,所述在所述三维地质网格模型的基础上,基于所述井上粗化的曲线信息,采用所述神经网络算法,以井上裂缝信息为学习样本进行训练,预测裂缝在空间的分布,获得所述预设工区的天然裂缝模型的步骤包括:
在所述三维地质网格模型的基础上,基于所述井上粗化的曲线信息,采用所述神经网络算法,以井上裂缝信息为学习样本进行训练,预测裂缝在空间的分布,获得裂缝在空间的分布的多个预测数据;
获取裂缝在空间的分布的实际数据;
将多个所述预测数据与所述实际数据进行对比,提取出与所述实际数据的偏差在预设范围内的所述预设数据;
基于提取出的所述预设数据,生成所述预设工区的天然裂缝模型。
5.根据权利要求1所述的方法,其特征在于,所述建立预设工区的三维地质网格模型的步骤包括:
获取所述预设工区的第一横轴坐标值、第二横轴坐标值和深度坐标值;
基于所述预设工区的所述第一横轴坐标值、所述第二横轴坐标值和所述深度坐标值建立所述预设工区的所述三维地质网格模型。
6.根据权利要求1所述的方法,其特征在于,所述以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数进行压裂模拟的步骤包括:
获取现代应力场条件、目的层岩石力学平面属性、压裂施工时间和压裂施工时的井底压力;
以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数、所述现代应力场条件、所述目的层岩石力学平面属性、所述压裂施工时间和压裂施工时的所述井底压力进行压裂模拟。
7.根据权利要求1-6任一项中所述的方法,其特征在于,所述以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数进行压裂模拟的步骤包括:
以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,采用物质点法根据所述天然裂缝参数进行压裂模拟。
8.一种天然裂缝建模及压裂模拟装置,其特征在于,包括:
网格模型建立模块,用于建立预设工区的三维地质网格模型;
属性导入模块,用于基于所述预设工区的地震数据,计算获得反映断层和天然裂缝的叠后属性以及叠前反演类属性,将所述叠后属性以及所述叠前反演类属性导入所述三维地质网格模型;
天然裂缝模型获得模块,用于在所述三维地质网格模型的基础上,基于井上粗化的曲线信息,采用神经网络算法预测储层属性在空间的展布,获得所述预设工区的天然裂缝模型;
等效天然裂缝信息生成模块,用于在所述天然裂缝模型基础上,提取目的层平均裂缝面密度属性,生成等效天然裂缝信息;
压裂模拟模块,用于以所述等效天然裂缝信息作为差应力场模拟的天然裂缝参数,根据所述天然裂缝参数进行压裂模拟。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011033805.8A CN114429057A (zh) | 2020-09-27 | 2020-09-27 | 天然裂缝建模及压裂模拟方法、装置、计算机和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011033805.8A CN114429057A (zh) | 2020-09-27 | 2020-09-27 | 天然裂缝建模及压裂模拟方法、装置、计算机和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114429057A true CN114429057A (zh) | 2022-05-03 |
Family
ID=81309561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011033805.8A Pending CN114429057A (zh) | 2020-09-27 | 2020-09-27 | 天然裂缝建模及压裂模拟方法、装置、计算机和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114429057A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115292971A (zh) * | 2022-10-09 | 2022-11-04 | 中科数智能源科技(深圳)有限公司 | 基于贝叶斯的裂缝属性分析方法、装置及存储介质 |
CN115421181A (zh) * | 2022-07-27 | 2022-12-02 | 北京超维创想信息技术有限公司 | 一种基于深度学习的三维地质模型相控属性建模方法 |
CN115755610A (zh) * | 2022-11-21 | 2023-03-07 | 西安石油大学 | 注水吞吐开发数值模拟系统 |
CN117390881A (zh) * | 2023-10-31 | 2024-01-12 | 中海石油(中国)有限公司上海分公司 | 一种压裂设计方法、装置、电子设备及存储介质 |
-
2020
- 2020-09-27 CN CN202011033805.8A patent/CN114429057A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115421181A (zh) * | 2022-07-27 | 2022-12-02 | 北京超维创想信息技术有限公司 | 一种基于深度学习的三维地质模型相控属性建模方法 |
CN115421181B (zh) * | 2022-07-27 | 2023-10-20 | 北京超维创想信息技术有限公司 | 一种基于深度学习的三维地质模型相控属性建模方法 |
CN115292971A (zh) * | 2022-10-09 | 2022-11-04 | 中科数智能源科技(深圳)有限公司 | 基于贝叶斯的裂缝属性分析方法、装置及存储介质 |
CN115755610A (zh) * | 2022-11-21 | 2023-03-07 | 西安石油大学 | 注水吞吐开发数值模拟系统 |
CN115755610B (zh) * | 2022-11-21 | 2023-09-01 | 西安石油大学 | 注水吞吐开发数值模拟系统 |
CN117390881A (zh) * | 2023-10-31 | 2024-01-12 | 中海石油(中国)有限公司上海分公司 | 一种压裂设计方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10846447B2 (en) | Method and system for stacking fracture prediction | |
US10712472B2 (en) | Method and system for forming and using a subsurface model in hydrocarbon operations | |
CN114429057A (zh) | 天然裂缝建模及压裂模拟方法、装置、计算机和存储介质 | |
Goertz-Allmann et al. | Geomechanical modeling of induced seismicity source parameters and implications for seismic hazard assessment | |
CN113821953B (zh) | 基于动态地应力和剩余油特征的暂堵重复压裂设计方法 | |
US10422923B2 (en) | Systems and methods for modeling fracture networks in reservoir volumes from microseismic events | |
US10810331B2 (en) | System for predicting induced seismicity potential resulting from injection of fluids in naturally fractured reservoirs | |
CN109100790B (zh) | 一种人工裂缝的模拟方法及装置 | |
US11789170B2 (en) | Induced seismicity | |
Tang et al. | A microseismic-based fracture properties characterization and visualization model for the selection of infill wells in shale reservoirs | |
Zang et al. | Keynote: fatigue hydraulic fracturing | |
CN113820750A (zh) | 基于弹塑性力学定量预测泥岩构造裂缝的方法 | |
CN104331745A (zh) | 油气藏内天然裂缝的分期、分成因预测评价方法 | |
CN115166853A (zh) | 页岩气藏天然裂缝模型建立方法、装置、电子设备及介质 | |
Cottrell et al. | Rapid discrete fracture analysis of hydraulic fracture development in naturally fractured reservoirs | |
Malovichko et al. | Simulation of mining-induced seismicity using the Salamon–Linkov method | |
Rogers et al. | Investigation of the effects of natural fractures and faults on hydraulic fracturing in the Montney formation, Farrell Creek Gas Field, British Columbia | |
Igonin et al. | Seismic anisotropy reveals stress changes around a fault as it is activated by hydraulic fracturing | |
Rogers et al. | Characterising the in situ fragmentation of a fractured rock mass using a discrete fracture network approach | |
CN106199712A (zh) | 一种确定压裂套管变形区域的方法及装置 | |
CN106842316A (zh) | 裂缝确定方法和装置 | |
Cruz et al. | Influence of Faults and Natural Fractures on Fracture Stimulation in the Vaca Muerta Formation Using Full 3D Modeling | |
Puyang* et al. | Multi-disciplinary data integration for inverse hydraulic fracturing analysis: A case study | |
Farkas et al. | Numerical investigation of cyclic hydraulic stimulation and related induced seismicity in Pohang fractured geothermal reservoir | |
Esmaeilabadi et al. | Prediction of site response spectrum under earthquake vibration using an optimized developed artificial neural network model |
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 |