CN114998537A - 三维地质建模方法 - Google Patents
三维地质建模方法 Download PDFInfo
- Publication number
- CN114998537A CN114998537A CN202210639743.8A CN202210639743A CN114998537A CN 114998537 A CN114998537 A CN 114998537A CN 202210639743 A CN202210639743 A CN 202210639743A CN 114998537 A CN114998537 A CN 114998537A
- Authority
- CN
- China
- Prior art keywords
- data
- model parameters
- rock sample
- change
- attribute 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种三维地质建模方法,包括获取分层数据、测井数据、储层数据、钻井数据和模拟孔喉变化实验数据;根据上述数据确定原始属性模型参数和孔喉参数变化规律;根据预定算法对原始属性模型参数进行训练以形成带有预测数据的待验证模型参数,当待验证模型参数内的预测数据的变化规律与孔喉参数变化规律的相似度大于预设值时,将待验证模型参数作为预测属性模型参数输出;根据分层数据、测井数据以及预测属性模型参数确定预测储层属性模型。本发明所提供的三维地质建模方法由于引入了模拟孔喉变化实验数据作参照,从而使生成的预测储层属性模型更加符合储气库的运行特点。
Description
技术领域
本发明属于油气开采技术领域,具体涉及一种三维地质建模方法。
背景技术
储气库注采是指,为应对冬季天然气需求高于夏季,在天然气需求较低的时间段将一部分天然气注入底下储气库,然后在天然气需求较高的时间段采出。地下储气库是指将获取的天然气重新注入地下空间而形成的一种人工气田或气藏,与地面球罐等储气方式相比较,地下储气库储存量大且安全性高。枯竭油气藏储气库是利用已经开采枯竭废弃的气藏或开采到一定程度的退役气藏而建造的储气库,而在针对这种储气库进行三维地质建模时,由于枯竭气藏储气库运行过程中,储气库储层物性会随着注采周期的变化而发生改变,导致现有的三维地质建模方法所建立的三维地质模型难以符合枯竭气藏型储气库的运行特点。
发明内容
针对上述的缺陷或不足,本发明提供了一种三维地质建模方法,旨在解决现有的三维地质建模方法所建立的三维地质模型难以符合储气库中储层物性随注采周期的变化而改变这一运行特点的技术问题。
为实现上述目的,本发明提供一种三维地质建模方法,其中,三维地质建模方法包括:
获取分层数据、测井数据、储层数据、钻井数据和模拟孔喉变化实验数据;
根据测井数据、储层数据和钻井数据确定原始属性模型参数,根据模拟孔喉变化实验数据确定孔喉参数变化规律;
根据预定算法对原始属性模型参数进行训练以形成带有预测数据的待验证模型参数,当待验证模型参数内的预测数据的变化规律与孔喉参数变化规律的相似度大于预设值时,将待验证模型参数作为预测属性模型参数输出;
根据分层数据、测井数据以及预测属性模型参数确定预测储层属性模型。
在本发明的实施例中,模拟孔喉变化实验数据包括岩样孔隙度的变化数据、岩样渗透率的变化数据以及岩样压缩系数的变化数据。
在本发明的实施例中,获取模拟孔喉变化实验数据的步骤包括:
选取岩石样品;
依据预定注采周期数对岩石样品进行对应次数的注采模拟;
测量并记录每次注采模拟过程中岩石样品的岩样孔隙度的变化数据、岩样渗透率的变化数据以及岩样压缩系数的变化数据。
在本发明的实施例中,根据模拟孔喉变化实验数据确定孔喉参数变化规律具体包括:
根据岩样孔隙度的变化数据确定各个注采模拟周期的岩石样品的孔隙度的变化规律;
根据岩样渗透率的变化数据确定各个注采模拟周期的岩石样品的渗透率的变化规律;
根据岩样压缩系数的变化数据确定各个注采模拟周期的岩石样品的压缩系数的变化规律。
在本发明的实施例中,预设算法为Python中的BP神经网络算法。
在本发明的实施例中,根据预设算法对原始属性模型参数进行调节以生成带有预测数据的待验证模型参数的步骤包括:
根据BP神经网络算法建立Transformer神经网络属性模型;
利用BP神经网络算法中的Transformer DataProcessor算法,将测井数据输入至Transformer神经网络属性模型中的输入层以形成输入层数据;
利用BP神经网络算法中的Transformer-train算法定义训练函数,根据输入层数据和训练函数对原始属性模型参数进行训练以形成训练好的模型;
利用BP神经网络算法中的Transformer prediction算法,根据训练好的模型生成带有预测数据的待验证模型参数。
在本发明的实施例中,测井数据包括多个单井测井数据,将测井数据输入至Transformer神经网络属性模型中的输入层以形成输入层数据的步骤包括:
通过测井解释,分别将多组单井测井数据转换为多组对应的单井原始属性模型参数;
将模拟孔喉变化实验数据分别与多组单井原始属性模型参数进行误差对比,选取误差值在预设阈值内的优选单井原始属性模型参数;
根据优选单井原始属性模型参数确定对应的优选单井测井数据,并将优选单井测井数据输入至Transformer神经网络属性模型中的输入层。
在本发明的实施例中,根据所述预设算法对所述原始属性模型参数进行调节以生成带有所述预测数据的所述待验证模型参数的步骤中还包括;
利用所述BP神经网络算法中的Transformer TimeSeries算法构建神经网络作为所述Transformer神经网络属性模型的基础;
根据已有的预测数据和时间序列的预测规律确定下一时间节点的预测数据。
在本发明的实施例中,根据分层数据、测井数据、钻井数据以及预测属性模型参数确定预测储层属性模型的步骤包括:
在Petrel软件中分别加载分层数据、测井数据、钻井数据以及预测属性模型参数;
依据Petrel软件操作流程,建立预测储层属性模型。
在本发明的实施例中,测井数据、储层数据和钻井数据由物理测井数据通过测井解释获得。
通过上述技术方案,本发明实施例所提供的起重机用配重装置具有如下的有益效果:
本发明所提供的三维地质建模方法由于引入了模拟孔喉变化实验数据,并根据模拟孔喉变化实验数据确定孔喉参数变化规律,从而可以模拟出储气库不同注采周期的注采孔喉变化规律,然后再根据预定算法对原始属性模型参数进行训练,以生成带有预测数据的待验证模型参数,将这些预测数据的变化规律与孔喉参数变化规律对比,当待验证模型参数内的预测数据的变化规律和孔喉参数变化规律的相似时,说明通过训练得到的待验证模型参数内的预测数据的变化趋势和储气库不同注采周期的注采孔喉变化规律相似,从而使生成的预测储层属性模型在进行对应注采周期更新时更加符合储气库的运行特点。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是根据本发明实施例中的三维地质建模方法的步骤流程图;
图2是根据本发明实施例中的步骤S10中的其中一个具体步骤图;
图3是根据本发明实施例中的步骤S30中的其中一个具体步骤图;
图4是根据本发明实施例中的步骤S320中的其中一个具体步骤图;
图5是根据本发明实施例中的步骤S40中的其中一个具体步骤图;
图6是根据本发明实施例中的岩样孔隙度变化规律的一个示例;
图7是根据本发明实施例中的岩样渗透率变化规律的一个示例。
具体实施方式
以下结合附图对本发明的具体实施例进行详细说明。应当理解的是,此处所描述的具体实施例仅用于说明和解释本发明,并不用于限制本发明。
下面参考附图描述本发明的三维地质建模方法。
本发明提供了一种三维地质建模方法,如图1所示,其中,三维地质建模方法包括:
S10:获取分层数据、测井数据、储层数据、钻井数据和模拟孔喉变化实验数据;
S20:根据测井数据、储层数据和钻井数据确定原始属性模型参数,根据模拟孔喉变化实验数据确定孔喉参数变化规律;
S30:根据预定算法对原始属性模型参数进行训练以形成带有预测数据的待验证模型参数,当待验证模型参数内的预测数据的变化规律与孔喉参数变化规律的相似度大于预设值时,将待验证模型参数作为预测属性模型参数输出;
S40:根据分层数据、测井数据以及预测属性模型参数确定预测储层属性模型。
本发明所提供的三维地质建模方法由于引入了模拟孔喉变化实验数据,并根据模拟孔喉变化实验数据确定孔喉参数变化规律,从而可以模拟出储气库不同注采周期的注采孔喉变化规律,然后再根据预定算法对原始属性模型参数进行训练,以生成带有预测数据的待验证模型参数,将这些预测数据的变化规律与孔喉参数变化规律对比,当待验证模型参数内的预测数据的变化规律和孔喉参数变化规律的相似时,说明通过训练得到的待验证模型参数内的预测数据的变化趋势和储气库不同注采周期的注采孔喉变化规律相似,从而使生成的预测储层属性模型更加符合储气库的运行特点。
需要特别说明的是,待验证模型参数中会生成多组预测数据,多组预测数据不仅包括对当前注采周期的属性模型参数的预测数据,同时包括之后注采周期的属性模型参数的预测数据,根据多组预测数据可以确定属性模型参数随注采周期更替的变化规律,当属性模型参数的变化规律与模拟孔喉变化实验数据的变化规律相似时,根据这些属性模型参数生成的预测储层属性模型会与储气库的实际变化更加吻合。
如图2所示,在本发明的实施例中,模拟孔喉变化实验数据包括岩样孔隙度的变化数据、岩样渗透率的变化数据以及岩样压缩系数的变化数据。
在本发明的实施例中,获取模拟孔喉变化实验数据的步骤包括:
S110:选取岩石样品;
S120:依据预定注采周期数对岩石样品进行对应次数的注采模拟;
S130:测量并记录每次注采模拟过程中岩石样品的岩样孔隙度的变化数据、岩样渗透率的变化数据以及岩样压缩系数的变化数据。
需要特别说明的是,上述的记录每次注采模拟过程中岩石样品的岩样孔隙度的变化数据、岩样渗透率的变化数据以及岩样压缩系数的变化数据指的是记录每次注采模拟过程中各压力记录点的岩样孔隙度数据、各压力记录点的岩样渗透率数据以及各压力记录点的岩样压缩系数数据。
具体地,选择有代表性的岩石,钻成长度5cm,直径2.5cm的岩石样品,两个岩石样品为一组,并标记好正向驱替方向;
将柱塞样岩心按SY/T 5336规定标准对岩石样品进行清洗与烘干;
将清洗并烘干的岩石样品放入真空泵中进行抽真空处理,处理时间为24h;
将抽真空后的岩心进行孔隙度测试,并记录所测得的孔隙度φ;
根据地层压力计算所需加载的围压,对岩石样品加载围压,从而模拟地下环境;
以正向气驱水的方法对岩石样品模拟注气过程,直至不再出水为止并记录驱替时间;
模拟注气过程结束后,保持围压不变,再反向进行恒流速水驱,所用流体为注气模拟过程中的水,水的流速和注气模拟过程中水的流速箱体,驱替时长为上述模拟注气过程所记录的驱替时间,此即为模拟采气过程。
多次进行模拟注气、采气循环,直至达到预设的循环次数,同时测量和记录注采过程中岩样孔隙度的变化数据、岩样渗透率的变化数据以及岩样压缩系数的变化数据。当然本发明还可以在上述三种参数的基础上引入其他参数,从而可以进一步增加最终的预测储层属性模型的准确度。
通过对岩石样品进行多次模拟注气和采气,从而可以模拟出储气库多个注采周期的孔喉变化规律,因此生成预测数据时,预测数据也会反映出多个注采周期的数据变化规律,从而使最终的预测储层属性模型能够随储气库注采周期规律而变化。
在本发明的实施例中,根据模拟孔喉变化实验数据确定孔喉参数变化规律具体包括:
根据岩样孔隙度的变化数据确定各个注采模拟周期的岩石样品的孔隙度的变化规律;
根据岩样渗透率的变化数据确定各个注采模拟周期的岩石样品的渗透率的变化规律;
根据岩样压缩系数的变化数据确定各个注采模拟周期的岩石样品的压缩系数的变化规律。
以图6和图7为例,由于模拟孔喉变化实验数据包括岩样孔隙度的变化数据、岩样渗透率的变化数据以及岩样压缩系数的变化数据,因此根据模拟孔喉变化实验数据确定孔喉参数变化规律为分别确定石样品的孔隙度的变化规律、岩石样品的渗透率的变化规律以及岩石样品的压缩系数的变化规律。
在本发明的实施例中,预设算法可以为Python中的BP神经网络算法。
BP神经网络算法是当下一种常见的数据分析方法,具有良好的准确性。并且当待验证模型参数内的预测数据的变化规律与孔喉参数变化规律的相似度小于预设值时,说明拟合程度低,通过计算机重新计算,并不断计算拟合,直至二者之间的相似度误差值缩小到预设值以内,此时说明拟合程度高。当然,本发明还可以通过其他软件实现BP神经网络算法。
如图3所示,在本发明的实施例中,根据BP神经网络算法对原始属性模型参数进行调节以生成带有预测数据的待验证模型参数的步骤包括:
S310:根据BP神经网络算法建立Transformer神经网络属性模型;
S320:利用BP神经网络算法中的Transformer DataProcessor算法,将测井数据输入至Transformer神经网络属性模型中的输入层以形成输入层数据;
S330:利用BP神经网络算法中的Transformer-train算法定义训练函数,根据输入层数据和训练函数对原始属性模型参数进行训练以形成训练好的模型;
S340:利用BP神经网络算法中的Transformer prediction算法,根据训练好的模型生成带有所述预测数据的所述待验证模型参数。
在Transformer神经网络属性模型中,一般包括输入层、隐含层和输出层,通过将测井数据作为Transformer神经网络属性模型的输入层,将Transformer-train算法定义的训练函数作为隐含层来对输入层的数据进行计算,从而得出输出层的预测数据。需要特别说明的是,输出层的预测数据为多组,并分别对应每个注采周期,通过多组预测数据确定预测数据的变化规律,再与模拟孔喉变化实验数据所确定的孔喉参数变化规律对比,从而可以判断该预测数据的变化规律是否与符合储气库的运行特点。其中,测井数据的数据输入格式为(N,Nb of timepoints),其中N为ts行数,nb of timepoints为一行ts时间点个数,单地层单注采周期的孔隙度数据为一行ts。
如图4所示,在本发明的实施例中,测井数据包括多个单井测井数据,将测井数据输入至Transformer神经网络属性模型中的输入层以形成输入层数据的步骤包括:
S321:分别将多组单井测井数据转换为多组对应的单井原始属性模型参数;
S322:将模拟孔喉变化实验数据分别与多组单井原始属性模型参数进行误差对比,选取误差值在预设阈值内的优选单井原始属性模型参数;
S323:根据优选单井原始属性模型参数确定对应的优选单井测井数据,并将优选单井测井数据输入至Transformer神经网络属性模型中的输入层。
即在将测井数据输入至Transformer神经网络属性模型中的输入层时,是在测井数据中选择一部分相关性较强的测井数据作为输入数据,通过对输入数据的优选,从而可以保证预测结果的准确性。
在本发明的实施例中,根据所述预设算法对所述原始属性模型参数进行调节以生成带有所述预测数据的所述待验证模型参数的步骤中还包括;
利用所述BP神经网络算法中的Transformer TimeSeries算法构建神经网络作为所述Transformer神经网络属性模型的基础;
根据已有的预测数据和时间序列的预测规律确定下一时间节点的预测数据。
时间序列预测规律是指根据客观事物发展的连续规律性,运用过去的历史数据,通过统计分析,进一步推测未来的发展趋势。即下一个时间节点的预测数据是在已有的预测数据作为基础确定的,由于储气库的孔喉变化是个连续的过程,通过引入时间序列,从而可以保证多个预测数据间的依赖性,从而使最终的预测结果更加符合储气库的运行规律。并且可以在时间序列的预测规律中引入Log Sparse机制,从而可以减少数据的处理量。
如图5所示,在本发明的实施例中,根据分层数据、测井数据、钻井数据以及预测属性模型参数确定预测储层属性模型的步骤包括:
S410:在Petrel软件中分别加载分层数据、测井数据、钻井数据以及预测属性模型参数;
S420:依据Petrel软件操作流程,建立预测储层属性模型。
Petrel软件是一款常见的三维地质建模软件,通过Petrel软件建模比较方便,当然,也可通过其他的地质建模软件实现三维地质建模。Petrel软件加载数据的顺序优先为井头、井斜、测井数据,然后才是其他数据。
在本发明的实施例中,测井数据、储层数据和钻井数据由物理测井数据通过测井解释获得。其中,在对物理测井数据包括电阻率数据RD、自然伽马数据GR、声波数据AC、密度数据DEN、自然电位数据SP等,对这些数据进行测井解释,即可获得测井数据、储层数据和钻井数据。
在本发明的实施例中,述测井数据、储层数据和钻井数据确定原始属性模型参数的步骤只需将上述这些数据导入至建模软件构建原始模型,根据原始模型即可获得原始属性模型参数。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接或彼此可通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种三维地质建模方法,其特征在于,所述三维地质建模方法包括:
获取分层数据、测井数据、储层数据、钻井数据和模拟孔喉变化实验数据;
根据所述测井数据、所述储层数据和所述钻井数据确定原始属性模型参数,根据所述模拟孔喉变化实验数据确定孔喉参数变化规律;
根据预定算法对所述原始属性模型参数进行训练以生成带有预测数据的待验证模型参数,当所述待验证模型参数内的所述预测数据的变化规律与所述孔喉参数变化规律的相似度大于预设值时,将所述待验证模型参数作为预测属性模型参数输出;
根据所述分层数据、所述测井数据以及所述预测属性模型参数确定预测储层属性模型。
2.根据权利要求1所述的三维地质建模方法,其特征在于,所述模拟孔喉变化实验数据包括岩样孔隙度的变化数据、岩样渗透率的变化数据以及岩样压缩系数的变化数据。
3.根据权利要求2所述的三维地质建模方法,其特征在于,获取所述模拟孔喉变化实验数据的步骤包括:
选取岩石样品;
依据预定注采周期数对所述岩石样品进行对应次数的注采模拟;
测量并记录每次注采模拟过程中所述岩石样品的所述岩样孔隙度的变化数据、所述岩样渗透率的变化数据以及所述岩样压缩系数的变化数据。
4.根据权利要求3所述的三维地质建模方法,其特征在于,根据所述模拟孔喉变化实验数据确定孔喉参数变化规律具体包括:
根据所述岩样孔隙度的变化数据确定各个注采模拟周期的所述岩石样品的孔隙度的变化规律;
根据所述岩样渗透率的变化数据确定各个注采模拟周期的所述岩石样品的渗透率的变化规律;
根据所述岩样压缩系数的变化数据确定各个注采模拟周期的所述岩石样品的压缩系数的变化规律。
5.根据权利要求1所述的三维地质建模方法,其特征在于,所述预设算法为Python中的BP神经网络算法。
6.根据权利要求5所述的三维地质建模方法,其特征在于,根据所述预设算法对所述原始属性模型参数进行调节以生成带有所述预测数据的所述待验证模型参数的步骤包括:
根据所述BP神经网络算法建立Transformer神经网络属性模型;
利用所述BP神经网络算法中的Transformer DataProcessor算法,将所述测井数据输入至所述Transformer神经网络属性模型中的输入层以形成输入层数据;
利用所述BP神经网络算法中的Transformer train算法定义训练函数,根据所述输入层数据和所述训练函数对所述原始属性模型参数进行训练以形成训练好的模型;
利用所述BP神经网络算法中的Transformer prediction算法,根据所述训练好的模型生成带有所述预测数据的所述待验证模型参数。
7.根据权利要求6所述的三维地质建模方法,其特征在于,所述测井数据包括多个单井测井数据,将所述测井数据输入至所述Transformer神经网络属性模型中的输入层以形成所述输入层数据的步骤包括:
分别将多组所述单井测井数据转换为多组对应的单井原始属性模型参数;
将所述模拟孔喉变化实验数据分别与多组所述单井原始属性模型参数进行误差对比,选取误差值在预设阈值内的优选单井原始属性模型参数;
根据所述优选单井原始属性模型参数确定对应的优选单井测井数据,并将所述优选单井测井数据输入至所述Transformer神经网络属性模型中的输入层。
8.根据权利要求6所述的三维地质建模方法,其特征在于,根据所述预设算法对所述原始属性模型参数进行调节以生成带有所述预测数据的所述待验证模型参数的步骤中还包括;
利用所述BP神经网络算法中的Transformer TimeSeries算法构建神经网络作为所述Transformer神经网络属性模型的基础;
根据已有的所述预测数据和时间序列的预测规律确定下一时间节点的所述预测数据。
9.根据权利要求1至8中任意一项所述的三维地质建模方法,其特征在于,根据所述分层数据、所述测井数据、所述钻井数据以及所述预测属性模型参数确定所述预测储层属性模型的步骤包括:
在Petrel软件中分别加载所述分层数据、所述测井数据、所述钻井数据以及所述预测属性模型参数;
依据Petrel软件操作流程,建立所述预测储层属性模型。
10.根据权利要求1至8中任意一项所述的三维地质建模方法,其特征在于,所述测井数据、所述储层数据和所述钻井数据由物理测井数据通过测井解释获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210639743.8A CN114998537A (zh) | 2022-06-07 | 2022-06-07 | 三维地质建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210639743.8A CN114998537A (zh) | 2022-06-07 | 2022-06-07 | 三维地质建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114998537A true CN114998537A (zh) | 2022-09-02 |
Family
ID=83032226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210639743.8A Pending CN114998537A (zh) | 2022-06-07 | 2022-06-07 | 三维地质建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998537A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2022
- 2022-06-07 CN CN202210639743.8A patent/CN114998537A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532592B (zh) | 一种缝洞油气藏压裂井大溶洞试井解释方法 | |
CN108573320B (zh) | 页岩气藏最终可采储量的计算方法和系统 | |
CN110619353B (zh) | 一种基于深度学习的多尺度测井曲线自动识别方法 | |
CN111665560B (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
CN110284873B (zh) | 一种油井储集性质的检测方法及检测装置 | |
CN106150477A (zh) | 一种确定单井控制储量的方法 | |
CN109271898A (zh) | 基于优化卷积神经网络的溶洞体识别算法 | |
CN113792479B (zh) | 一种基于物理约束的煤层气藏压裂效果评价方法 | |
CN112016212B (zh) | 一种基于渗流控制方程的储层纵向非均质性评价方法 | |
CN112987125B (zh) | 一种基于测井数据的页岩脆性指数预测方法 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN116305850B (zh) | 一种基于随机森林模型的地层热导率预测方法 | |
CN114998537A (zh) | 三维地质建模方法 | |
CN114638401A (zh) | 一种基于历史及预测油藏知识的剩余油分布预测方法及装置 | |
CN115587674A (zh) | 油藏改建储气库扩容达产过程气井动态产能预测方法 | |
CN115496317A (zh) | 一种运用人工智能评价枯竭油气藏碳封存能力的方法 | |
CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
CN117251802B (zh) | 一种基于迁移学习的非均质储层参数预测方法及系统 | |
CN107526117B (zh) | 基于自动编码和超限学习联合网络的声波速度预测方法 | |
CN110486008B (zh) | 一种径向复合油藏的参数解释方法及系统 | |
CN113742962B (zh) | 一种基于水平井的页岩储层属性三维建模方法 | |
CN112907698A (zh) | 一种动态融合时序与非时序特征的测井曲线生成方法 | |
CN114036774A (zh) | 一种半充填缝洞型储层拟相对渗透率的确定方法、计算方法及其确定系统 | |
CN111488384B (zh) | 一种钻井方案智能推荐方法及系统 | |
CN114153002A (zh) | 储层天然裂缝三维地质建模方法、装置、电子设备及介质 |
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 |