CN115113280A - 融合叠前叠后地震属性的裂缝预测方法 - Google Patents
融合叠前叠后地震属性的裂缝预测方法 Download PDFInfo
- Publication number
- CN115113280A CN115113280A CN202110293612.4A CN202110293612A CN115113280A CN 115113280 A CN115113280 A CN 115113280A CN 202110293612 A CN202110293612 A CN 202110293612A CN 115113280 A CN115113280 A CN 115113280A
- Authority
- CN
- China
- Prior art keywords
- fracture
- stack
- seismic
- attribute
- azimuth
- 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
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
本发明提供一种融合叠前叠后地震属性的裂缝预测方法,该融合叠前叠后地震属性的裂缝预测方法包括:步骤1,进行叠前裂缝发育方位和裂缝发育密度预测;步骤2,通过相干扫描,基于梯度结构张量的特征值、破碎带检测属性、混沌带检测属性提取与分析精细刻画潜山储层断裂系统;步骤3,采用基于叠后的缝洞检测与增强技术对潜山储层裂缝发育进行有效检测;步骤4,预测裂缝最小分布范围和最大分布范围,实现潜山储层裂缝发育区预测。该融合叠前叠后地震属性的裂缝预测方法实现了潜山储层裂缝发育区预测,提高裂缝发育预测的可靠性,准确刻画裂缝分布特征,具有良好的应用效果和推广前景。
Description
技术领域
本发明涉及潜山碳酸盐岩油藏储集体地震预测研究技术领域,特别是涉及到一种融合叠前叠后地震属性的裂缝预测方法。
背景技术
裂缝型油气藏是非常规油气藏中比较重要的一种。裂缝在油气成藏过程中,既可以是生油圈闭,也可以是运移通道,还可以作为油气保存圈闭。因此,裂缝型油气藏的勘探开发工作会越来越重要。对我国乃至世界石油产业的发展都极具意义。
渤海湾盆地裂缝性碳酸盐岩油藏一般经历多期构造运动,其构造内幕异常复杂,且储集空间类型多,存在裂缝、孔隙、溶蚀孔洞等三大类十几种储集空间类型,非均质性极强,加上埋藏深、地震资料分辨率低,构造解释难度很大。储层岩性和物性错综复杂,变化剧烈,给潜山油藏开发增加了不少困难。
以胜利海上东部潜山带为例,埕北30、桩海10等复杂型潜山已投入开发,投产井数34口,动用储量4514万吨。目前仅有6口油井能够正常生产,采出程度仅5.9%。碳酸盐岩储集体以低孔低渗储层为主,孔隙成因和类型复杂多样,孔隙度及渗透率对地震弹性模量和速度均产生重要影响,这为裂缝、溶蚀孔洞强非均质性储层的岩性以及含油气性预测带来极大困难。
目前潜山裂缝性油藏预测技术现状:
(1)埋藏深,地震资料主频低,地震响应表现为杂乱反射、弱反射等特征,缝洞储层叠后预测精度低。
(2)叠前方位各向异性反演裂缝预测方法能够较好地刻画裂缝发育方位和裂缝发育密度,但对于方位各向异性特征不明显的溶蚀孔洞储层,难于进行有效识别和刻画,预测效果不佳。
(3)叠前叠后裂缝预测方法很多,每种方法都有各自的优缺点和应用条件的限制,如何充分发挥各种方法的优势,相互取长补短,在实际生产中很难形成可供参考的统一标准。
在申请号:CN201611177648.1的中国专利申请中,涉及到一种基于地震属性的裂缝定量化预测的方法。该方法包括:获取目的层的三维地震数据和测井数据,基于这两项数据获得目的层的构造解释;对三维地震数据进行去噪处理;对去噪处理后的三维地震数据体进行相干属性计算,得到相干属性体;对去噪处理后的三维地震数据体进行曲率属性计算,得到曲率属性体;对相干属性体进行值域校正;基于曲率属性体以及校正后的相干属性体,计算得到裂缝预测属性体;根据裂缝预测属性体对地下裂缝的空间展布信息进行预测。
在申请号:CN201510033131.4的中国专利申请中,涉及到一种利用裂缝密度曲线预测裂缝密度体的方法,它包括以下步骤:(1)地质、测井、地震数据准备,并对相关数据进行归一化处理、反演和属性数据体优选,得到归一化后的各井的裂缝密度曲线及优选数据体;(2)建立多种裂缝密度计算模型,将归一化后的各井的裂缝密度曲线上的数据以及优选数据体的曲线数据带入计算,选择计算结果与实际裂缝密度情况最接近的裂缝密度计算模型;(3)将优选数据体带入选取的裂缝密度计算模型进行计算,得到归一化后的裂缝密度体,再经过反归一化处理获得时间域的裂缝密度体。
在申请号:CN201810965774.6的中国专利申请中,涉及到一种碳酸盐岩裂缝密度定量预测方法及装置,该方法包括:利用成像测井资料计算对应的已钻井井点处的裂缝密度;基于声波测井信息、密度测井信息以及三维叠后地震数据体计算地层波阻抗与岩石骨架波阻抗的差值;从三维叠后地震数据体中提取地震属性体;基于差值及裂缝密度,利用向前逐步回归法对提取的地震属性体进行排序;将所有已钻井分成训练井及校验井,分别作为训练井数据集及校验井数据集;利用训练井数据集训练不同数量的地震属性对应的概率神经网络模型;利用校验数据集及校验井的校验误差确定用于定量预测的最佳属性集;根据最佳属性集及概率神经网络模型计算碳酸盐岩裂缝密度的定量数据体。
以上现有技术均与本发明有较大区别,未能解决我们想要解决的技术问题,为此我们发明了一种新的融合叠前叠后地震属性的裂缝预测方法。
发明内容
本发明的目的是提供一种潜山储层裂缝发育预测结果能够合理、准确描述潜山内幕储层分布,对于指导开发井位部署具有十分重要的意义的融合叠前叠后地震属性的裂缝预测方法。
本发明的目的可通过如下技术措施来实现:融合叠前叠后地震属性的裂缝预测方法,该融合叠前叠后地震属性的裂缝预测方法包括:
步骤1,进行叠前裂缝发育方位和裂缝发育密度预测;
步骤2,通过相干扫描,基于梯度结构张量的特征值、破碎带检测属性、混沌带检测属性提取与分析精细刻画潜山储层断裂系统;
步骤3,采用基于叠后的缝洞检测与增强技术对潜山储层裂缝发育进行有效检测;
步骤4,采用“与”“或”两种不同融合算法,预测裂缝最小分布范围和最大分布范围,实现潜山储层裂缝发育区预测。
本发明的目的还可通过如下技术措施来实现:
在步骤1中,利用分位角道集数据通过振幅随方位角变化进行椭圆拟合,进行叠前裂缝发育方位和裂缝发育密度预测。
在步骤1中,振幅随方位角变化裂缝检测为基于振幅随方位角变化特征预测裂缝的发育方位和密度,地震波通过裂缝介质表现出方位各向异性特征,利用方位各向异性裂缝检测技术预测裂缝的方位和密度。
在步骤1中,反射P波通过裂缝介质时,对于固定炮检距,P波反射振幅响应表示为:
R=A+Bcos2θ
其中:θ=φ-α为炮检方向和裂缝走向之间的夹角,A为与炮检距有关的偏置因子,B为与炮检距和裂缝特征相关的调制因子,φ为裂缝走向与北方向的夹角,α为炮检方位的与北方向的夹角;
仿照简谐振荡特征式中,A看成均匀介质下的反射强度,B看成定偏移距下随方位而变的振幅调谐因子,B/A是裂缝发育密度的函数;上述关系近似用一椭圆图形来表示;
设裂缝方位角θ,自北按顺时针方位分选N个观测方位αi的地震道集,那么对应于方位角αi处的地震反射振幅Ri为
Ri=A+Bcos2(αi-θ) i=1,2,3,.....,N
对于三维宽方位采集的地震资料,划分为多个方位角N>3个的地震数据,这时上述方程就变成一个超定方程,用最小二乘法拟合计算θ及A和B值。
在步骤2中,对于三维地震数据,其三维邻域的梯度结构张量表示如下:
式中:g为梯度向量,u(x,y,z)为三维地震数据,gx、gy、gz分别为三维地震数据在x、y、z方向上的梯度,T为梯度结构张量。
在步骤2中,对于基于梯度结构张量的特征值,因为张量矩阵是正半定矩阵,它所有的特征值均大于或等于0;所有特征值里面最大的特征值对应的特征向量代表了局部地震层位的法线方向;将所有的特征值按从大到排序,即λi>λi+1,然后可以用基于梯度结构张量的特征值来构建不同的属性。
在步骤2中,对于基于梯度结构张量的破碎带检测属性,根据特征值与构造的关系,构建描述断层破碎带的检测属性Cfault,简称断层特征,除了可以在切片上识别裂缝外,在剖面识别裂缝也取得了很好的效果:
式中:Cfault为断层破碎带的检测属性,λ1、λ2、λ3分别为最大的前三个特征值。
在步骤2中,对于基于梯度结构张量的混沌带检测属性,混沌属性是基于局部的构造张量特征值相对大小、组合参数的确定来反映特殊属性体的边界,利用混沌属性可以检测有序反射间杂乱或无反射的区域;
为了突出层间地震反射结构的总体特征,采用特征向量计算方法计算混沌信号;在给定范围内,计算出每个点的梯度向量,建立协方差矩阵:
式中:Cij为第i道与第j道记录的互相关;
求解计算出协方差矩阵最大特征值对应的特征向量,也就是某一点的梯度主方向;如果地层内地震反射波信噪比较高、连续性好,梯度向量对应协方差矩阵的最大特征值λmax较中间特征值λmid、最小特征值λmin大许多;反之,当有效波不明显时,协方差矩阵的最大特征值与其他2个特征值的差别不大;因此,用3个特征值之间的相互关系可以判别振幅值的分布规律与混乱性;给出了混乱性度量的定量参数:
式中:J为混沌属性,λmax为最大特征值,λmid为中间值、λmin为最小值;
对于结构张量λmax,λmid,λmin是指结构张量里的特征值λ1,λ2,λ3,J值越大,对应的振幅值越混乱,表明构造中的不规则变化区域越大;J值越小,振幅值越有规律,表明构造内反射规则、地层变化不大。由于地层岩性非均质性各种散射和绕射的相互影响,在边界断裂带附近常表现为反射振幅杂乱带。
步骤3包括:
(1)基于相干体分析算法,进行地层主测线视倾角,联络线视倾角扫描分析,获得地下每一个时间点的倾角和方位角信息;
(2)构建地下每个时间点的,基于地层倾角、方位角控制下的局部坐标系;
(3)在此局部坐标系的约束下,进行空间振幅变化率分析;
(4)对获得的振幅变化率体进行滤波,获得最终的缝洞雕刻体。
在步骤4中,采用“与”“或”两种不同融合算法,将叠前叠后多种方法检测的断层和缝洞结果进行融合,预测得到裂缝最小分布范围和最大分布范围,实现潜山储层裂缝发育区预测。
在步骤4中,与融合算法中,最小分布范围预测是将多个地震属性进行交集运算,无论是裂缝还是缝洞,只要是有可能的区域都进行交集,进行属性与的融合运算,用于预测裂缝的最小分布范围;具体计算公式如下:
式中:Aij(k)表示第K个地震属性值;i、j表示线号、CDP号;W(k)表示第K个属性的权系数;Bij表示融合后的属性值。
在步骤4中,或融合算法中,最大分布范围预测是将多个属性进行并集运算,无论是裂缝还是缝洞,只要是有可能的区域都进行并集,进行属性或的融合运算,用于预测裂缝的最大分布范围;具体计算公式如下:
式中:Aij(k)表示第K个地震属性值;i、j表示线号、CDP号;Bij表示融合后的属性值。
本发明中的融合叠前叠后地震属性的裂缝预测方法,分利用叠前叠后多种方法检测得到的断层和缝洞敏感属性,根据“与”“或”两种不同融合算法,预测得到裂缝的最小分布范围和最大分布范围,实现潜山储层裂缝发育区预测,提高裂缝发育预测的可靠性,准确刻画裂缝分布特征。本发明中的“与”“或”融合叠前叠后地震算法的裂缝预测方法,有效地将叠前、叠后裂缝检测方法结合起来,充分利用了叠前叠后多种方法检测得到的断层和缝洞敏感属性,通过“与”“或”两种不同融合算法,预测得到裂缝的最小分布范围和最大分布范围,从而实现了从不同的视角开展裂缝预测研究,提高了裂缝发育预测的可靠性,能够较为准确地刻画裂缝分布特征,进一步明确潜山储层勘探靶区,对加快油气产能建设的步伐具有重要的现实意义。
附图说明
图1为本发明的融合叠前叠后地震属性的裂缝预测方法的一具体实施例的流程图;
图2为本发明的一具体实施例中地震反射振幅随方位变化示意图;
图3为本发明的一具体实施例中古生界顶面裂缝发育密度和裂缝发育方位的示意图;
图4为本发明的一具体实施例中古生界顶面断层检测结果的示意图;
图5为本发明的一具体实施例中古生界顶面缝洞检测结果的示意图;
图6为本发明的一具体实施例中古生界顶面裂缝发育预测结果的示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作和/或它们的组合。
如图1所示,图1为本发明的融合叠前叠后地震属性的裂缝预测方法的流程图。该融合叠前叠后地震属性的裂缝预测方法包括了以下步骤:
步骤1,利用分位角道集数据通过振幅随方位角变化(AVA)进行椭圆拟合,进行叠前裂缝发育方位和裂缝发育密度预测;
振幅随方位角变化(AVA)裂缝检测其目的为基于振幅随方位角变化特征预测裂缝的发育方位和密度,技术手段为地震波通过裂缝介质表现出方位各向异性特征,利用方位各向异性裂缝检测技术预测裂缝的方位和密度。
若岩石介质中的各向异性是由一组定向垂直的裂缝引起的,根据地震波的传播理论,当P波在各向异性介质中平行或垂直于裂缝方向传播时具有不同的旅行速度,从而导致P波振幅响应的变化和旅行时的差异。这种P波通过裂缝介质所表现出的方位各向异性特征是进行裂缝检测的直接参数。P波振幅检测定向垂直裂缝技术是利用宽方位地震观测数据来研究P波振幅随方位角的周期变化,估算裂缝的方位和密度。
反射P波通过裂缝介质时,对于固定炮检距,P波反射振幅响应可表示为:
R=A+Bcos2θ
其中:θ=φ-α为炮检方向和裂缝走向之间的夹角,A为与炮检距有关的偏置因子,B为与炮检距和裂缝特征相关的调制因子,φ为裂缝走向与北方向的夹角,α为炮检方位的与北方向的夹角。
仿照简谐振荡特征式中,A可看成均匀介质下的反射强度,B可看成定偏移距下随方位而变的振幅调谐因子,B/A是裂缝发育密度的函数。上述关系可近似用一椭圆图形来表示,如图2所示。
设裂缝方位角θ,自北按顺时针方位分选N个观测方位αi(i=1,2,....,N)的地震道集,那么对应于方位角αi处的地震反射振幅Ri为
Ri=A+Bcos2(αi-θ) i=1,2,3,.....,N
一般情况下只要有3个方位的地震数据就可精确求解方程。对于三维宽方位采集的地震资料,可划分为多个方位角(N>3个)的地震数据,这时上述方程就变成一个超定方程,可用最小二乘法拟合计算θ及A和B值。因此P波振幅随方位角变化的分析方法,可定量揭示地下定向排列垂直裂缝的发育方位及强度(发育密度)。
步骤2,通过相干扫描、基于梯度结构张量的特征值、破碎带检测属性、混沌带检测属性提取与分析精细刻画潜山储层断裂系统;
裂缝发育与断层分布密切相关性,所以首先要了解工区的断裂系统,依据叠后三维数据体地震波横向相似性特征,通过相干扫描、基于梯度结构张量的特征值、破碎带检测属性、混沌带检测属性提取与分析精细刻画潜山储层断裂系统。
第三代相干扫描是从协方差矩阵的特征值出发的,特征值的大小虽可以定量描述数据体的变化程度,但在信息上并不充足,应寻求包含更多信息的相干算法。
基于梯度结构张量的相干扫描、特征值、破碎带检测属性、混沌带检测属性结构张量算法来源于图像处理邻域。该算法用于平滑图像或者检测图像边界的滤波器的共同特点就是利用中心目标点的相邻各点的特性,来将同质区域分割开来。地震数据也可认为是灰度图像。一个二维地震数据显然是有局部方向性的,对局部方向的表述,一种方法是用角度值,对应于沿着主轴旋转的角度;另一种是用向量来表示。对于三维地震体,或者说三维数据来说,方向表述的方法需要满足几个需求,①具有唯一性,向量x与向量-x映射值为同一个值;②角度扩展的平均性;③两级可分离性,在考虑角度变化的情况下,映射的向量为初始向量的函数。将这种向量与结构张量进行映射能满足以上几点要求。结构张量的数学特性就是能够在不进行人工干预的情况下,扩展到高位图像。
结构张量定义:
上式中,–表示平均值的意思,T表示向量的转置。从公式可以得知,结构张量的计算分为两个步骤:
①对图像或者窗口内的每一个单独的点使用方向滤波器来计算;
②对平滑后的结果输出其张量表达式。
使用‖x‖n对结构张量的归一化使得可以通过强度对比得到对应的方向。结构张量T可以用来对线性结构进行有效分析。
然后对梯度向量gi做二元积。对张量做尺度为σT的高斯平滑,即为结构张量。梯度的结构张量的定义如下:
通过用高斯核来卷积张量元,能够计算出局部平均积分或者空间积分:
对于三维地震数据,其三维邻域的结构梯度张量表示如下:
式中:g为梯度向量,为三维地震数据,gx、gy、gz分别为三维地震数据在x、y、z方向上的梯度,T为梯度结构张量。
在平面中,其结构梯度张量的特征值只有一个为非零,而对应的特征向量是平面正交向量。当在平面地层中出现了倾斜,会导致梯度能量水平增加。
基于梯度结构张量的特征值:
因为张量矩阵是正半定矩阵,它所有的特征值均大于或等于0。所有特征值里面最大的特征值对应的特征向量代表了局部地震层位的法线方向。将所有的特征值按从大到排序,即λi>λi+1,然后可以用特征值来构建不同的属性。
基于梯度结构张量的破碎带检测属性:
Bakker(2002)根据特征值与构造的关系,构建了一个描述断层破碎带的检测属性Cfault,简称断层特征,除了可以在切片上识别裂缝外,在剖面识别裂缝也取得了很好的效果。
式中:Cfault为断层破碎带的检测属性,λ1、λ2、λ3分别为最大的前三个特征值。
基于梯度结构张量的混沌带检测属性:
混沌属性是基于局部的构造张量特征值相对大小、组合参数的确定来反映特殊属性体的边界,利用混沌属性可以检测有序反射间杂乱或无反射的区域,是近期引入的特殊岩性预测方法。
混沌体可以用来进行断层、溶蚀带成像,对地震杂乱特征进行分类,同时混沌体可以反映一些特殊地质体边界特征,比如反映盐膏侵入、礁滩构造、河道充填等边界特征。地震数据体中的混沌信号是测量缺少倾角和方位角组织结构的一种估计方法,用来将杂乱的信号特征进行分类。
为了突出层间地震反射结构的总体特征,采用特征向量计算方法进行计算。在给定范围内,计算出每个点的梯度向量,建立协方差矩阵:
式中:Cij为第i道与第j道记录的互相关。
求解计算出协方差矩阵最大特征值对应的特征向量,也就是某一点的梯度主方向。如果地层内地震反射波信噪比较高、连续性好,梯度向量对应协方差矩阵的最大特征值λmax较中间特征值λmid、最小特征值λmin大许多;反之,当有效波不明显时,协方差矩阵的最大特征值与其他2个特征值的差别不大。因此,用3个特征值之间的相互关系可以判别振幅值的分布规律与混乱性。TrygveRanden给出了混乱性度量的定量参数:
式中:J为混沌属性,λmax为最大特征值,λmid为中间值、λmin为最小值。
显然,对于结构张量λmax,λmid,λmin是指结构张量里的特征值λ1,λ2,λ3,J值越大,对应的振幅值越混乱,表明构造中的不规则变化区域越大;J值越小,振幅值越有规律,表明构造内反射规则、地层变化不大。由于地层岩性非均质性各种散射和绕射的相互影响,在边界断裂带附近常表现为反射振幅杂乱带。
步骤3,采用基于叠后的缝洞检测与增强技术对潜山储层裂缝发育进行有效检测;
缝洞增强体技术通常是按照地震振幅体时间切片上进行求取,对于较为平缓的构造层位,这可以取得很好的效果,但是当构造层位比较复杂时,则会带来地层倾角的影响,为了消除地层倾角的影响,研究形成了基于局部构造坐标系约束下的缝洞雕刻技术。
具体实现步骤如下:
(1)基于相干体分析算法,进行地层主测线视倾角,联络线视倾角扫描分析,获得地下每一个时间点的倾角和方位角信息。
(2)构建地下每个时间点的,基于地层倾角、方位角控制下的局部坐标系。
(3)在此局部坐标系的约束下,进行空间振幅变化率分析。
(4)对获得的振幅变化率体进行滤波,获得最终的缝洞雕刻体。
步骤4,采用“与”“或”两种不同融合算法,将叠前叠后多种方法检测的断层和缝洞结果进行融合,预测得到裂缝最小分布范围和最大分布范围,实现潜山储层裂缝发育区预测。
断层面横向展布连续性差,多为破碎带,缝洞的发育与断层相关性大,融合结果能够同时反应断层与缝洞的发育。而且将叠前叠后多种方法检测得到的断层和缝洞融合到一起,可以较为准确地得到缝洞发育区域及其空间展布,实现裂缝的平面部分预测。
“与”融合算法
最小分布范围预测是将多个地震属性进行交集运算,无论是裂缝还是缝洞,只要是有可能的区域都进行交集,本质上是进行属性“与”的融合运算,用于预测裂缝的最小分布范围。具体计算公式如下:
式中:Aij(k)表示第K个地震属性值;i、j表示线号、CDP号;W(k)表示第K个属性的权系数;Bij表示融合后的属性值。
“或”融合算法
最大分布范围预测是将多个属性进行并集运算,无论是裂缝还是缝洞,只要是有可能的区域都进行并集,本质上是进行属性“或”的融合运算,用于预测裂缝的最大分布范围。具体计算公式如下:
式中:Aij(k)表示第K个地震属性值;i、j表示线号、CDP号;Bij表示融合后的属性值。
本发明的融合叠前叠后地震属性的裂缝预测方法,利用分位角道集数据通过振幅随方位角变化(AVA)进行椭圆拟合,实现叠前裂缝发育方位和密度的预测;采用基于叠后的断层扫描技术对断裂系统的空间展布进行刻画;采用基于叠后的缝洞检测与增强技术对潜山储层裂缝发育进行有效检测;综合叠前叠后多种方法检测的断层和缝洞结果,根据“与”“或”两种不同融合算法预测得到裂缝最小分布范围和最大分布范围,实现潜山储层裂缝发育区预测,提高了裂缝发育预测的可靠性。该方法具有良好的应用效果和推广前景。
在应用本发明的一具体实施例1中,本发明的融合叠前叠后地震属性的裂缝预测方法包括了以下步骤:
步骤1,针对埕北30井区古生界顶面,利用分位角道集数据通过振幅随方位角变化(AVA)进行椭圆拟合,预测得到的裂缝发育方位和裂缝发育密度(图3),基于方位道集的叠前方法预测的裂缝发育密度其分辨率高,对缝洞的刻画清晰、可靠;
步骤2,通过相干扫描、基于梯度结构张量扫描得到古生界顶面相干体属性、特征值属性、破碎带检测属性、混沌带检测属性(图4),可见,古生界顶面断层面横向展布连续性差,多为破碎带;
步骤3,基于叠后缝洞检测与增强技术得到古生界顶面缝洞检测结果(图5),缝洞增强体检测的缝洞发育带与断层的分布密切相关,缝洞尺度比断层规模小;
步骤4,采用“与”“或”两种不同融合算法,将叠前叠后多种方法检测的断层和缝洞结果进行融合,预测得到的古生界顶面裂缝最小分布范围和最大分布范围(图6)。
实施例2:
采用该专利方法,在郑4古潜山开发中进行应用,该潜山属于已开发的老潜山,通过开展裂缝预测,落实裂缝发育优势区域,结合已开井动态分析,明确了剩余油富集区,部署水平井1口,实施后自喷投产,初期日油32t,不含水,累计产油近2万吨,有效推动潜山油藏二次开发。
实施例3:
该发明专利,在胜利海上桩斜473古潜山开发中进行应用,开展了古生界储层预测研究,并开展了井位的部署。部署新井5口,目前该方案5口大位移斜井已全部完钻,钻井成功率100%,储层厚度符合率72%。初期平均单井产能55t/d,均达到设计要求,有力支撑胜利潜山油藏效益开发。
综述,本发明研究了一种“与”“或”融合叠前叠后地震属性的裂缝预测方法,利用分位角道集数据通过振幅随方位角变化(AVA)进行椭圆拟合,实现叠前裂缝发育方位和密度的预测;通过相干扫描、基于梯度结构张量的特征值、破碎带检测属性、混沌带检测属性提取与分析精细刻画潜山储层断裂系统;采用基于叠后的缝洞检测与增强技术对潜山储层裂缝发育进行有效检测;综合叠前叠后多种方法检测的断层和缝洞结果,根据“与”“或”两种不同融合算法预测得到裂缝最小分布范围和最大分布范围,实现潜山储层裂缝发育区预测,提高了裂缝发育预测的可靠性。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域技术人员来说,其依然可以对前述实施例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
除说明书所述的技术特征外,均为本专业技术人员的已知技术。
Claims (12)
1.融合叠前叠后地震属性的裂缝预测方法,其特征在于,该融合叠前叠后地震属性的裂缝预测方法包括:
步骤1,进行叠前裂缝发育方位和裂缝发育密度预测;
步骤2,通过相干扫描,基于梯度结构张量的特征值、破碎带检测属性、混沌带检测属性提取与分析精细刻画潜山储层断裂系统;
步骤3,采用基于叠后的缝洞检测与增强技术对潜山储层裂缝发育进行有效检测;
步骤4,采用与、或两种不同融合算法,预测裂缝最小分布范围和最大分布范围,实现潜山储层裂缝发育区预测。
2.根据权利要求1所述的融合叠前叠后地震属性的裂缝预测方法,其特征在于,在步骤1中,利用分位角道集数据通过振幅随方位角变化进行椭圆拟合,进行叠前裂缝发育方位和裂缝发育密度预测。
3.根据权利要求2所述的融合叠前叠后地震属性的裂缝预测方法,其特征在于,在步骤1中,振幅随方位角变化裂缝检测为基于振幅随方位角变化特征预测裂缝的发育方位和密度,地震波通过裂缝介质表现出方位各向异性特征,利用方位各向异性裂缝检测技术预测裂缝的方位和密度。
4.根据权利要求3所述的融合叠前叠后地震属性的裂缝预测方法,其特征在于,在步骤1中,反射P波通过裂缝介质时,对于固定炮检距,P波反射振幅响应表示为:
R=A+Bcos2θ
其中:θ=φ-α为炮检方向和裂缝走向之间的夹角,A为与炮检距有关的偏置因子,B为与炮检距和裂缝特征相关的调制因子,φ为裂缝走向与北方向的夹角,α为炮检方位的与北方向的夹角;
仿照简谐振荡特征式中,A看成均匀介质下的反射强度,B看成定偏移距下随方位而变的振幅调谐因子,B/A是裂缝发育密度的函数;上述关系近似用一椭圆图形来表示;
设裂缝方位角θ,自北按顺时针方位分选N个观测方位αi的地震道集,那么对应于方位角αi处的地震反射振幅Ri为
Ri=A+Bcos2(αi-θ)i=1,2,3,.....,N
对于三维宽方位采集的地震资料,划分为多个方位角N>3个的地震数据,这时上述方程就变成一个超定方程,用最小二乘法拟合计算θ及A和B值。
6.根据权利要求5所述的融合叠前叠后地震属性的裂缝预测方法,其特征在于,在步骤2中,对于基于梯度结构张量的特征值,因为张量矩阵是正半定矩阵,它所有的特征值均大于或等于0;所有特征值里面最大的特征值对应的特征向量代表了局部地震层位的法线方向;将所有的特征值按从大到排序,即λi>λi+1,然后可以用基于梯度结构张量的特征值来构建不同的属性。
8.根据权利要求5所述的融合叠前叠后地震属性的裂缝预测方法,其特征在于,在步骤2中,对于基于梯度结构张量的混沌带检测属性,混沌属性是基于局部的构造张量特征值相对大小、组合参数的确定来反映特殊属性体的边界,利用混沌属性可以检测有序反射间杂乱或无反射的区域;
为了突出层间地震反射结构的总体特征,采用特征向量计算方法计算混沌信号;在给定范围内,计算出每个点的梯度向量,建立协方差矩阵:
式中:Cij为第i道与第j道记录的互相关;
求解计算出协方差矩阵最大特征值对应的特征向量,也就是某一点的梯度主方向;如果地层内地震反射波信噪比较高、连续性好,梯度向量对应协方差矩阵的最大特征值λmax较中间特征值λmid、最小特征值λmin大许多;反之,当有效波不明显时,协方差矩阵的最大特征值与其他2个特征值的差别不大;因此,用3个特征值之间的相互关系可以判别振幅值的分布规律与混乱性;给出了混乱性度量的定量参数:
式中:J为混沌属性,λmax为最大特征值,λmid为中间值、λmin为最小值;
对于结构张量λmax,λmid,λmin是指结构张量里的特征值λ1,λ2,λ3,J值越大,对应的振幅值越混乱,表明构造中的不规则变化区域越大;J值越小,振幅值越有规律,表明构造内反射规则、地层变化不大;由于地层岩性非均质性各种散射和绕射的相互影响,在边界断裂带附近常表现为反射振幅杂乱带。
9.根据权利要求1所述的融合叠前叠后地震属性的裂缝预测方法,其特征在于,步骤3包括:
(1)基于相干体分析算法,进行地层主测线视倾角,联络线视倾角扫描分析,获得地下每一个时间点的倾角和方位角信息;
(2)构建地下每个时间点的,基于地层倾角、方位角控制下的局部坐标系;
(3)在此局部坐标系的约束下,进行空间振幅变化率分析;
(4)对获得的振幅变化率体进行滤波,获得最终的缝洞雕刻体。
10.根据权利要求1所述的融合叠前叠后地震属性的裂缝预测方法,其特征在于,在步骤4中,采用与、或两种不同融合算法,将叠前叠后多种方法检测的断层和缝洞结果进行融合,预测得到裂缝最小分布范围和最大分布范围,实现潜山储层裂缝发育区预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110293612.4A CN115113280A (zh) | 2021-03-22 | 2021-03-22 | 融合叠前叠后地震属性的裂缝预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110293612.4A CN115113280A (zh) | 2021-03-22 | 2021-03-22 | 融合叠前叠后地震属性的裂缝预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115113280A true CN115113280A (zh) | 2022-09-27 |
Family
ID=83324444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110293612.4A Pending CN115113280A (zh) | 2021-03-22 | 2021-03-22 | 融合叠前叠后地震属性的裂缝预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115113280A (zh) |
-
2021
- 2021-03-22 CN CN202110293612.4A patent/CN115113280A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018010628A1 (zh) | 一种基于大面积致密储层地震岩石物理反演方法 | |
West et al. | Interactive seismic facies classification using textural attributes and neural networks | |
Grammer et al. | Integration of outcrop and modern analogs in reservoir modeling: Overview with examples from the Bahamas | |
US5831935A (en) | Method for geophysical processing and interpretation using seismic trace difference for analysis and display | |
US20150066460A1 (en) | Stratigraphic function | |
CA2641867A1 (en) | Methods and apparatus for predicting the hydrocarbon production of a well location | |
Chehrazi et al. | Seismic data conditioning and neural network-based attribute selection for enhanced fault detection | |
WO2008081162A1 (en) | Method for interpreting seismic data and controlled source electromagnetic data to estimate subsurface reservoir properties | |
Yasin et al. | An integrated fracture parameter prediction and characterization method in deeply-buried carbonate reservoirs based on deep neural network | |
CN113296166A (zh) | 裂缝模型的构建方法 | |
US10451769B2 (en) | Method for determining petrophysical properties from logging measurements | |
CN111506861A (zh) | 一种目的层有利区域裂缝强度计算方法 | |
Lehocki et al. | Seismic methods for fluid discrimination in areas with complex geologic history—A case example from the Barents Sea | |
Ding et al. | Reliability analysis of seismic attribute in the detection of fault-karst | |
Bruno et al. | Groundwater characterization in arid regions using seismic and gravity attributes: Al Jaww Plain, UAE | |
Bueno et al. | Structural and stratigraphic feature delineation and facies distribution using seismic attributes and well log analysis applied to a Brazilian carbonate field | |
CN114706125A (zh) | 一种基于广角反射信息的潜山裂缝储层预测方法及系统 | |
EP3359983B1 (en) | Seismic polynomial filter | |
US10481297B2 (en) | Fluid migration pathway determination | |
Ali et al. | Integrated fracture characterization of thamama reservoirs in Abu Dhabi oil field, United Arab Emirates | |
Liu et al. | Seismic characterization of fault and fractures in deep buried carbonate reservoirs using CNN-LSTM based deep neural networks | |
CN115857047B (zh) | 一种地震储层综合预测方法 | |
CN104820237B (zh) | 计算地层的方差体的方法 | |
Ibanez et al. | An integrated remote sensing and biomarker maturity parameter-based approach to trace petroleum migration in a complex fault zone lineament of the Brazilian Equatorial Margin | |
CN106990433B (zh) | 一种隆起区微小侵蚀沟槽的识别方法 |
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 |