CN114545508A - 沉积微相识别方法、装置、电子设备及介质 - Google Patents
沉积微相识别方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN114545508A CN114545508A CN202011338616.1A CN202011338616A CN114545508A CN 114545508 A CN114545508 A CN 114545508A CN 202011338616 A CN202011338616 A CN 202011338616A CN 114545508 A CN114545508 A CN 114545508A
- Authority
- CN
- China
- Prior art keywords
- optimal
- seismic data
- logging
- intrinsic mode
- determining
- 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
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
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
-
- 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
- G01V2210/624—Reservoir parameters
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
公开了一种沉积微相识别方法、装置、电子设备及介质。该方法可以包括:确定敏感测井曲线;根据敏感测井曲线,确定最优测井固有模态函数;针对井旁地震道的地震数据进行经验模态分解,获得多组地震数据固有模态函数,进而确定最优地震数据固有模态函数;根据最优地震数据固有模态函数,在目的层地震数据体中识别沉积微相。本发明将地震和测井的信息有效结合,根据井点沉积微相敏感测井曲线特征,识别沉积微相,通过测井资料约束地震反演,提高了反演结果的分辨率,能有效识别目的层段平面沉积微相。
Description
技术领域
本发明涉及石油勘探技术领域,更具体地,涉及一种沉积微相识别方法、装置、电子设备及介质。
背景技术
沉积微相识别工作是油气勘探与开发的基础。传统沉积微相分析一般基于地质工作者个人经验进行大量人工识别,可重复操作性较差,工作效率较低,难以客观地刻画沉积微相。
近些年,常规平面沉积微相的研究一般是单一利用测井相、地震相进行沉积微相分析。测井相是通过研究测井曲线的变化组合可以去定义相应的相带,从而确定对应的沉积微相。例如采用小波分析技术建立精准的地层格架,同时联合灰色系统理论分析技术,研究了丰富川油田的测井相及沉积微相;对反映不同沉积微相的测井曲线形态方向概率密度函数进行小波分析,使沉积微相信息从高维特征空间被映射到由少数几个低频小波描述子组成低维特征向量空间,使不同沉积微相间差异信息得到放大突出;应用人工神经网络和分形几何等模式识别数学方法,遵循地质家的思维方式,进行了测井资料沉积微相解释方法研究;针对目前沉积微相自动识别模型和算法存在的某些不适应性,提出了一种基于遗传—BP算法与图像处理技术相结合的方法;应用主成分分析法与Bayes判别分析方法建立埕岛油田馆上段地层的测井—沉积微相数值模型;将常规测井资料及其解释成果中的地质资料同岩心资料相结合,分别通过主成分分析(PCA)和独立分量分析(ICA)提取反映沉积微相变化的特征,利用支持向量机(SVM)建立沉积微相的判别模型,根据该模型对未取心井段的沉积微相进行自动识别。地震相指特定沉积相或地质体在地震振幅、相位、连续性及反射特征组合中的综合响应。
随着引入“地震沉积学”概念,地震资料在辫状河三角洲,曲流河,湖底扇等沉积体系的砂体识别中发挥了重要的作用。例如为提高储层沉积微相的预测精度,提出了高精度层序地层格架约束下的基于波形相对变化的波形-微相定量表征综合解释技术;利用贝叶斯判别法建立多种地震属性与沉积微相关系,定量预测河道微相;采用地震微相聚类分析、地震沿层相干分析、地震属性信息优化、神经网络地震波形分类、全三维储集层特征反演等多种地球物理技术,进行大港滩海探区地震微相分析和沉积微相划分。
当前,国内外在利用三维地震数据体进行井震结合研究沉积微相领域发展迅速。例如借助三维地震数据在密井网区充分实现井震结合,把地震属性合理地转换为沉积参数,以便更好地再现沉积微相在平面上的展布;采用井震结合方法,将地震信息转换成沉积参数,从而建立河流相沉积模式对相控随机建模进行有效约束;针对岩性和构造—岩性油气藏,总结出一套“单井定带,属性波形综合定边,分频验证,模式约束微相成图”方法。
然而,无论是单一利用测井还是地震资料进行沉积微相分析,都存在一定的局限性。测井资料短期旋回内井间对比难度大,且难以控制区域平面的沉积相带。地震资料对于开展区域研究具有很大的优势,且基于三维地震工区内的沉积微相识别方法目前已较为成熟,但是在面积相对庞大的二维地震工区,由于其纵横向分辨率小于目标体,前人只能做到沉积亚相。井震结合一般要在井网密度大的三维地震工区内实施,不适应于二维工区。
因此,有必要开发一种基于升尺度频率耦合的沉积微相识别方法、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
本发明提出了一种沉积微相识别方法、装置、电子设备及介质,将地震和测井的信息有效结合,根据井点沉积微相敏感测井曲线特征,识别沉积微相,通过测井资料约束地震反演,提高了反演结果的分辨率,能有效识别目的层段平面沉积微相。
第一方面,本公开实施例提供了一种沉积微相识别方法,包括:
确定敏感测井曲线;
根据所述敏感测井曲线,确定最优测井固有模态函数;
针对井旁地震道的地震数据进行经验模态分解,获得多组地震数据固有模态函数,进而确定最优地震数据固有模态函数;
根据所述最优地震数据固有模态函数,在目的层地震数据体中识别沉积微相。
优选地,根据所述敏感测井曲线,确定最优测井固有模态函数包括:
针对敏感测井曲线进行经验模态分解,获得多组测井固有模态函数;
建立每一组测井固有模态函数与沉积微相之间的对应关系,确定所述最优测井固有模态函数。
优选地,确定所述最优测井固有模态函数包括:
确定与沉积微相划分界面具有良好的对应关系的测井固有模态函数,记为所述最优测井固有模态函数。
优选地,确定最优地震数据固有模态函数包括:
计算与所述最优测井固有模态函数匹配性最好的地震数据固有模态函数,记为最优地震数据固有模态函数。
优选地,根据所述最优地震数据固有模态函数,在目的层地震数据体中识别沉积微相包括:
将最优地震数据固有模态函数作为判识标志导入所述目的层地震数据体;
通过K最近邻深度学习频率反演的方法,从判识后的地震数据体中识别出沉积微相。
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沉积微相识别装置,包括:
敏感测井曲线确定模块,确定敏感测井曲线;
最优测井固有模态函数确定模块,根据所述敏感测井曲线,确定最优测井固有模态函数;
最优地震数据固有模态函数确定模块,针对井旁地震道的地震数据进行经验模态分解,获得多组地震数据固有模态函数,进而确定最优地震数据固有模态函数;
识别模块,根据所述最优地震数据固有模态函数,在目的层地震数据体中识别沉积微相。
优选地,根据所述敏感测井曲线,确定最优测井固有模态函数包括:
针对敏感测井曲线进行经验模态分解,获得多组测井固有模态函数;
建立每一组测井固有模态函数与沉积微相之间的对应关系,确定所述最优测井固有模态函数。
优选地,确定所述最优测井固有模态函数包括:
确定与沉积微相划分界面具有良好的对应关系的测井固有模态函数,记为所述最优测井固有模态函数。
优选地,确定最优地震数据固有模态函数包括:
计算与所述最优测井固有模态函数匹配性最好的地震数据固有模态函数,记为最优地震数据固有模态函数。
优选地,根据所述最优地震数据固有模态函数,在目的层地震数据体中识别沉积微相包括:
将最优地震数据固有模态函数作为判识标志导入所述目的层地震数据体;
通过K最近邻深度学习频率反演的方法,从判识后的地震数据体中识别出沉积微相。
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,以实现所述的沉积微相识别方法。
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沉积微相识别方法。
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沉积微相识别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确定的沉积微相类型的示意图。
图3a和图3b示出了根据本发明的一个实施例的不同沉积微相测井敏感曲线GR和RD的示意图。
图4示出了根据本发明的一个实施例的8组测井固有模态函数的示意图。
图5示出了根据本发明的一个实施例的8组地震数据固有模态函数的示意图。
图6示出了根据本发明的一个实施例的沉积亚相地震属性特征的示意图。
图7示出了根据本发明的一个实施例的沉积微相连井对比剖面的示意图。
图8示出了根据本发明的一个实施例的一种沉积微相识别装置的框图。
附图标记说明:
201、敏感测井曲线确定模块;202、最优测井固有模态函数确定模块;203、最优地震数据固有模态函数确定模块;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。
本发明提供一种沉积微相识别方法,包括:
确定敏感测井曲线。
具体地,通过制作AC、GR、SP等曲线直方图,分析寻找对沉积微相变化比较敏感的测井曲线。
根据敏感测井曲线,确定最优测井固有模态函数;在一个示例中,根据敏感测井曲线,确定最优测井固有模态函数包括:针对敏感测井曲线进行经验模态分解,获得多组测井固有模态函数;建立每一组测井固有模态函数与沉积微相之间的对应关系,确定最优测井固有模态函数。在一个示例中,确定最优测井固有模态函数包括:确定与沉积微相划分界面具有良好的对应关系的测井固有模态函数,记为最优测井固有模态函数。
具体地,当根据测井数据所划分的沉积微相确定的情况下,选取相应深度的敏感测井曲线进行经验模态分解(Empirical Mode Decomposition,简称EMD),可以得到多组固有模态函数(Instrinsic Mode Functions,简称IMF)分量。不同的IMF代表测井数据中不同尺度的信息。
分析测井数据中的不同IMF与沉积微相之间的对应关系。选择测井数据中的某一组IMF,使之与沉积微相划分界面均具有良好的对应关系,记为最优测井固有模态函数。
针对井旁地震道的地震数据进行经验模态分解,获得多组地震数据固有模态函数,进而确定最优地震数据固有模态函数;在一个示例中,确定最优地震数据固有模态函数包括:计算与最优测井固有模态函数匹配性最好的地震数据固有模态函数,记为最优地震数据固有模态函数。
具体地,选取井旁地震道的地震数据进行EMD,可以得到多组IMF分量。应用测井数据中所选定的IMF分别与井旁地震道的各组IMF进行相似系数计算。当相似系数为最大时,二者的匹配性最好。由于测井数据中的IMF是依据沉积微相来确定的,因此,可以认为此时地震数据IMF(即尺度信息)与沉积微相匹配性最高,而且最能准确地反映所研究目的层的沉积微相,记为最优地震数据固有模态函数。
根据最优地震数据固有模态函数,在目的层地震数据体中识别沉积微相;在一个示例中,根据最优地震数据固有模态函数,在目的层地震数据体中识别沉积微相包括:将最优地震数据固有模态函数作为判识标志导入目的层地震数据体;通过K最近邻深度学习频率反演的方法,从判识后的地震数据体中识别出沉积微相。
具体地,将最优地震数据固有模态函数作为判识标志导入研究目的层地震数据体。用K最近邻(K-Nearest Neighbour,KNN)深度学习频率反演的方法从判识后的地震数据体中识别出沉积微相,即通过提取已知井沉积微相对应的地震波形属性中的频率属性,通过聚类分析算法建立不同沉积微相的训练模型,在此基础上结合最小临近算法KNN对训练模型进行机器学习,就可以实现盲井的沉积微相预测。
本发明还提供一种沉积微相识别装置,包括:
敏感测井曲线确定模块,确定敏感测井曲线。
具体地,通过制作AC、GR、SP等曲线直方图,分析寻找对沉积微相变化比较敏感的测井曲线。
最优测井固有模态函数确定模块,根据敏感测井曲线,确定最优测井固有模态函数;在一个示例中,根据敏感测井曲线,确定最优测井固有模态函数包括:针对敏感测井曲线进行经验模态分解,获得多组测井固有模态函数;建立每一组测井固有模态函数与沉积微相之间的对应关系,确定最优测井固有模态函数。在一个示例中,确定最优测井固有模态函数包括:确定与沉积微相划分界面具有良好的对应关系的测井固有模态函数,记为最优测井固有模态函数。
具体地,当根据测井数据所划分的沉积微相确定的情况下,选取相应深度的敏感测井曲线进行经验模态分解(Empirical Mode Decomposition,简称EMD),可以得到多组固有模态函数(Instrinsic Mode Functions,简称IMF)分量。不同的IMF代表测井数据中不同尺度的信息。
分析测井数据中的不同IMF与沉积微相之间的对应关系。选择测井数据中的某一组IMF,使之与沉积微相划分界面均具有良好的对应关系,记为最优测井固有模态函数。
最优地震数据固有模态函数确定模块,针对井旁地震道的地震数据进行经验模态分解,获得多组地震数据固有模态函数,进而确定最优地震数据固有模态函数;在一个示例中,确定最优地震数据固有模态函数包括:计算与最优测井固有模态函数匹配性最好的地震数据固有模态函数,记为最优地震数据固有模态函数。
具体地,选取井旁地震道的地震数据进行EMD,可以得到多组IMF分量。应用测井数据中所选定的IMF分别与井旁地震道的各组IMF进行相似系数计算。当相似系数为最大时,二者的匹配性最好。由于测井数据中的IMF是依据沉积微相来确定的,因此,可以认为此时地震数据IMF(即尺度信息)与沉积微相匹配性最高,而且最能准确地反映所研究目的层的沉积微相,记为最优地震数据固有模态函数。
识别模块,根据最优地震数据固有模态函数,在目的层地震数据体中识别沉积微相;在一个示例中,根据最优地震数据固有模态函数,在目的层地震数据体中识别沉积微相包括:将最优地震数据固有模态函数作为判识标志导入目的层地震数据体;通过K最近邻深度学习频率反演的方法,从判识后的地震数据体中识别出沉积微相。
具体地,将最优地震数据固有模态函数作为判识标志导入研究目的层地震数据体。用K最近邻(K-Nearest Neighbour,KNN)深度学习频率反演的方法从判识后的地震数据体中识别出沉积微相,即通过提取已知井沉积微相对应的地震波形属性中的频率属性,通过聚类分析算法建立不同沉积微相的训练模型,在此基础上结合最小临近算法KNN对训练模型进行机器学习,就可以实现盲井的沉积微相预测。
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,以实现上述的沉积微相识别方法。
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沉积微相识别方法。
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一个实施例的沉积微相识别方法的步骤的流程图。
如图1所示,该沉积微相识别方法包括:步骤101,确定敏感测井曲线;步骤102,根据敏感测井曲线,确定最优测井固有模态函数;步骤103,针对井旁地震道的地震数据进行经验模态分解,获得多组地震数据固有模态函数,进而确定最优地震数据固有模态函数;步骤104,根据最优地震数据固有模态函数,在目的层地震数据体中识别沉积微相。
图2示出了根据本发明的一个实施例的确定的沉积微相类型的示意图。
选取某盆地某组沉积体系为例,通过岩心观察、薄片鉴定等确定的沉积相,共分为4种典型的沉积亚相(台内滩、滩间海、台坪、泻湖),进一步可细分为砂屑滩、云坪、泥晶灰岩、云质灰岩、灰云坪五种沉积微相,如图2所示。
图3a和图3b示出了根据本发明的一个实施例的不同沉积微相测井敏感曲线GR和RD的示意图。
图4示出了根据本发明的一个实施例的8组测井固有模态函数的示意图。
图5示出了根据本发明的一个实施例的8组地震数据固有模态函数的示意图。
通过分析其测井响应特征,发现GR和RD两条曲线对沉积微相相对敏感,如图3a、图3b所示,通过制作合成记录,将深度域的GR和RD测井数据转换到时间域。当根据地质研究目标所划分的沉积微相确定的情况下,选取相应时段的GR和RD测井数据进行经验模态分解,得到不同的IMF。如图4、图5所示,应用GR和RD测井数据中所选定的IMF分别与井旁地震道的各组IMF进行相似性计算,当相似系数为最大时,二者的匹配性最好,如表1所示。
表1
图6示出了根据本发明的一个实施例的沉积亚相地震属性特征的示意图。
对识别出的地震相特征进行分析表明,盆地西部整体表现为中-弱振幅中-差连续平行-亚平行反射,局部见丘状和杂乱反射,楔状前积反射分别呈“U形”和近对称“条带状”展布。盆地向东由“S形”楔状反射带依次过渡为中-强振幅好连续席状反射和中-弱振幅中-差连续平行-亚平行反射,如图6所示。
图7示出了根据本发明的一个实施例的沉积微相连井对比剖面的示意图。
在地震相对应的沉积亚相的基础上,通过单井沉积微相标定及表1确定的地震属性,制作连井对比剖面控制,如图7所示,并提取不同沉积微相的地震瞬时频率,采用KNN机器学习的方法,将地震相对应的沉积亚相转换为沉积微相。
实施例2
图8示出了根据本发明的一个实施例的一种沉积微相识别装置的框图。
如图8所示,该沉积微相识别装置,包括:
敏感测井曲线确定模块201,确定敏感测井曲线;
最优测井固有模态函数确定模块202,根据敏感测井曲线,确定最优测井固有模态函数;
最优地震数据固有模态函数确定模块203,针对井旁地震道的地震数据进行经验模态分解,获得多组地震数据固有模态函数,进而确定最优地震数据固有模态函数;
识别模块204,根据最优地震数据固有模态函数,在目的层地震数据体中识别沉积微相。
作为可选方案,根据敏感测井曲线,确定最优测井固有模态函数包括:
针对敏感测井曲线进行经验模态分解,获得多组测井固有模态函数;
建立每一组测井固有模态函数与沉积微相之间的对应关系,确定最优测井固有模态函数。
作为可选方案,确定最优测井固有模态函数包括:
确定与沉积微相划分界面具有良好的对应关系的测井固有模态函数,记为最优测井固有模态函数。
作为可选方案,确定最优地震数据固有模态函数包括:
计算与最优测井固有模态函数匹配性最好的地震数据固有模态函数,记为最优地震数据固有模态函数。
作为可选方案,根据最优地震数据固有模态函数,在目的层地震数据体中识别沉积微相包括:
将最优地震数据固有模态函数作为判识标志导入目的层地震数据体;
通过K最近邻深度学习频率反演的方法,从判识后的地震数据体中识别出沉积微相。
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,以实现上述沉积微相识别方法。
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沉积微相识别方法。
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)
1.一种沉积微相识别方法,其特征在于,包括:
确定敏感测井曲线;
根据所述敏感测井曲线,确定最优测井固有模态函数;
针对井旁地震道的地震数据进行经验模态分解,获得多组地震数据固有模态函数,进而确定最优地震数据固有模态函数;
根据所述最优地震数据固有模态函数,在目的层地震数据体中识别沉积微相。
2.根据权利要求1所述的沉积微相识别方法,其中,根据所述敏感测井曲线,确定最优测井固有模态函数包括:
针对敏感测井曲线进行经验模态分解,获得多组测井固有模态函数;
建立每一组测井固有模态函数与沉积微相之间的对应关系,确定所述最优测井固有模态函数。
3.根据权利要求2所述的沉积微相识别方法,其中,确定所述最优测井固有模态函数包括:
确定与沉积微相划分界面具有良好的对应关系的测井固有模态函数,记为所述最优测井固有模态函数。
4.根据权利要求1所述的沉积微相识别方法,其中,确定最优地震数据固有模态函数包括:
计算与所述最优测井固有模态函数匹配性最好的地震数据固有模态函数,记为最优地震数据固有模态函数。
5.根据权利要求1所述的沉积微相识别方法,其中,根据所述最优地震数据固有模态函数,在目的层地震数据体中识别沉积微相包括:
将最优地震数据固有模态函数作为判识标志导入所述目的层地震数据体;
通过K最近邻深度学习频率反演的方法,从判识后的地震数据体中识别出沉积微相。
6.一种沉积微相识别装置,其特征在于,包括:
敏感测井曲线确定模块,确定敏感测井曲线;
最优测井固有模态函数确定模块,根据所述敏感测井曲线,确定最优测井固有模态函数;
最优地震数据固有模态函数确定模块,针对井旁地震道的地震数据进行经验模态分解,获得多组地震数据固有模态函数,进而确定最优地震数据固有模态函数;
识别模块,根据所述最优地震数据固有模态函数,在目的层地震数据体中识别沉积微相。
7.根据权利要求6所述的沉积微相识别装置,其中,根据所述敏感测井曲线,确定最优测井固有模态函数包括:
针对敏感测井曲线进行经验模态分解,获得多组测井固有模态函数;
建立每一组测井固有模态函数与沉积微相之间的对应关系,确定所述最优测井固有模态函数。
8.根据权利要求6所述的沉积微相识别装置,其中,确定所述最优测井固有模态函数包括:
确定与沉积微相划分界面具有良好的对应关系的测井固有模态函数,记为所述最优测井固有模态函数。
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1-5中任一项所述的沉积微相识别方法。
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1-5中任一项所述的沉积微相识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011338616.1A CN114545508A (zh) | 2020-11-25 | 2020-11-25 | 沉积微相识别方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011338616.1A CN114545508A (zh) | 2020-11-25 | 2020-11-25 | 沉积微相识别方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114545508A true CN114545508A (zh) | 2022-05-27 |
Family
ID=81659256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011338616.1A Pending CN114545508A (zh) | 2020-11-25 | 2020-11-25 | 沉积微相识别方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114545508A (zh) |
-
2020
- 2020-11-25 CN CN202011338616.1A patent/CN114545508A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
West et al. | Interactive seismic facies classification using textural attributes and neural networks | |
CA2507445C (en) | Method of conditioning a random field to have directionally varying anisotropic continuity | |
AU2013296421B2 (en) | Hybrid method of combining multipoint statistic and object-based methods for creating reservoir property models | |
US9915742B2 (en) | Method and system for geophysical modeling of subsurface volumes based on label propagation | |
US20070014435A1 (en) | Computer-based generation and validation of training images for multipoint geostatistical analysis | |
AU2013296416B2 (en) | Method for editing a multi-point facies simulation | |
US10234583B2 (en) | Vector based geophysical modeling of subsurface volumes | |
CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
US10073190B2 (en) | Method and system for geophysical modeling of subsurface volumes based on computed vectors | |
WO2022272058A1 (en) | Method and system for seismic imaging using s-wave velocity models and machine learning | |
CN105700016B (zh) | 生物滩储层地震预测的方法 | |
CN108226997A (zh) | 一种基于叠前地震数据的地震相划分方法 | |
CN108957535A (zh) | 油藏地震储层的预测方法及装置 | |
US12007518B2 (en) | Systems and methods for identifying type curve regions as a function of position in a region of interest | |
AU2021318867B2 (en) | Determination of representative wells to characterize subsurface regions | |
CN115327627A (zh) | 多信息融合的致密砂岩气分流河道表征方法及装置 | |
CN114545508A (zh) | 沉积微相识别方法、装置、电子设备及介质 | |
US11880008B2 (en) | Velocity model construction | |
Zhang | Ensemble methods of data assimilation in porous media flow for non-Gaussian prior probability density | |
CN110568488A (zh) | 一种基于非线性混沌算法的生物礁储层识别方法 | |
Li et al. | Massive Spatial Well Clustering Based on Conventional Well Log Feature Extraction for Fast Formation Heterogeneity Characterization | |
Mansoor | Multi-Attribute Seismic Analysis Using Unsupervised Machine Learning Method: Self-Organizing Maps | |
Cassel | Machine Learning and the Construction of a Seismic Attribute-seismic Facies Analysis Data Base | |
Houda | Intelligent support system for ground penetrating radar data inversion | |
CN115453631A (zh) | 地震相可靠性评价方法及评价系统 |
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 |