CN115291277A - 少井条件下基于多属性智能融合的储层构型解释方法 - Google Patents
少井条件下基于多属性智能融合的储层构型解释方法 Download PDFInfo
- Publication number
- CN115291277A CN115291277A CN202210008064.0A CN202210008064A CN115291277A CN 115291277 A CN115291277 A CN 115291277A CN 202210008064 A CN202210008064 A CN 202210008064A CN 115291277 A CN115291277 A CN 115291277A
- Authority
- CN
- China
- Prior art keywords
- attribute
- well
- fusion
- sand body
- thickness
- 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.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000004576 sand Substances 0.000 claims abstract description 60
- 238000007621 cluster analysis Methods 0.000 claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 238000005553 drilling Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims abstract description 3
- 238000010586 diagram Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000002224 dissection Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 230000008021 deposition Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000033764 rhythmic process Effects 0.000 claims 1
- 230000015572 biosynthetic process Effects 0.000 description 5
- 239000002131 composite material Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000007500 overflow downdraw method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000013049 sediment Substances 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
- G01V1/30—Analysis
- G01V1/301—Analysis for determining seismic cross-sections or geostructures
-
- 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
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种少井条件下基于多属性智能融合的储层构型解释方法,包括:建立多级别构型模式;提取目的层层间多种地震属性;建立地震属性与钻井砂体厚度的相关性,进行地震属性优选;针对地震属性进行自相关分析和聚类分析,形成聚类分析属性融合图;在聚类分析属性融合图上设置虚拟井位,计算虚拟井点处砂体厚度;设计深度学习网络,将多种地震属性作为网络的输入层;随机处理将输入数据的划分为训练集和验证集,通过学习训练输出人工智能融合属性;基于人工智能融合属性及单井构型解释结果,分级次刻画构型空间展布。本发明提高了少井条件下地震融合属性表征不同级次构型单元界面的能力,大大增加少井情况下各级次成因砂体预测的准确性。
Description
技术领域
本发明涉及储层构型解释技术领域,具体涉及一种少井条件下基于多属性智能融合的储层构型解释方法。
背景技术
构型的概念起源于河流相沉积体的研究。Allen(1977)在第一届国际河流沉积学会议(卡尔加里)明确提出了河流储层建筑结构学的概念,并将其定义为描述河流层序中的概念,进一步描述为河流层序中河道和溢岸沉积的几何形态及内部组合,其实质是描述砂体的形态、规模以及相互叠置关系。
储层构型是控制优质储层发育的关键,也是影响剩余油分布重要的地质因素,地下储层构型表征是提高储层预测精度、提升钻井成功率、提高油气采收率、最大限度地开发油气资源的关键所在,这对我国石油工业乃至国民经济的可持续发展具有十分重大的现实意义。
我国陆上大多数油田基于密井网(多井)资料进行了大量的储层构型解剖工作,取得了丰富的成果,然而在少井条件下,由于钻井数目较少,井距较大,陆上油气田较为成熟的储层构型解释方法不再适用,海上少井条件下储层构型解释难度大且多解性强。
因此,亟需研究一种有效的基于少井条件的井震结合的砂体构型解释方法,在钻井资料较少时,充分挖掘地震地质信息,提高砂体预测能力,从而能有效地进行少井条件下储层构型解释工作。
发明内容
针对现有技术中存在的不足,本发明的目的在于提供一种少井条件下基于多属性智能融合的储层构型解释方法。本发明提高了少井条件下地震融合属性表征不同级次构型单元界面的能力,大大增加了少井情况下各级次成因砂体预测的准确性,有效指导海上油气田的进一步高效开发。
为解决上述技术问题,本发明通过下述技术方案实现:
一种少井条件下基于多属性智能融合的储层构型解释方法,包括如下步骤:
S1、建立能指导地下储层精细解剖的多级别构型模式;
S2、基于地震层位解释成果,针对目的层,提取层间多种地震属性;
S3、建立地震属性与钻井砂体厚度的相关性,进行地震属性优选;
S4、针对优选出的地震属性进行聚类分析,再次优选代表性属性进行加权融合,形成聚类分析属性融合图;
S5、在聚类分析属性融合图上均匀设置虚拟井位,获取虚拟井位处融合属性值,计算虚拟井点处砂体厚度;
S6、设计深度学习网络,将实际井、虚拟井砂体厚度信息以及多种地震属性作为深度学习网络的输入层;
S7、随机处理将输入数据的划分为训练集和验证集,通过学习训练,输出人工智能融合属性图;其中,80%划分为训练集,20%划分为验证集;
S8、基于人工智能融合属性图及单井构型解释结果,在多级别构型模式的指导下,分级次刻画构型空间展布。
优选的是,所述步骤S1中,通过文献调研、野外露头勘察以及现代沉积的观察,建立能指导地下储层精细解剖的多级别构型模式。
优选的是,所述步骤S2中,提取的多种地震属性包括但不限于均方根振幅属性、最大振幅属性、最小振幅属性、能量之和、能量之半、平均能量、平均峰值、平均谷值、瞬时频率、弧长属性。
优选的是,所述步骤S3中,将提取的多种地震属性值与井点砂体厚度作对比分析,通过做拟合图的方式分析不同地震属性与砂体厚度的相关性;根据相关系数的分布,排除相关性较差的地震属性,优选与井点砂体厚度相关性较高的几种地震属性。
优选的是,所述步骤S4中,对优选出的地震属性进行聚类分析,将其分为二至三大类,从每一大类中选出一种代表属性;对每一种代表属性进行归一化处理后,应用加权平均的方法对二至三种代表属性进行融合,得到聚类分析属性融合图。
优选的是,所述步骤S5中,在聚类分析融合属性图上设置的虚拟井点,需均匀分布在融合属性图的各个位置,包括属性高值区域和低值区域。
进一步优选的是,所述步骤S5中,通过聚类融合属性与真实井点处砂体厚度的相关关系,计算虚拟井点处砂体厚度。
优选的是,所述步骤S6中,将真实井点砂体厚度、虚拟井点砂体厚度以及大于等于十五种地震属性作为深度学习网络的输入层。
优选的是,所述步骤S7中,采用函数拟合神经网络fitnet对多种地震属性进行无差融合,砂体厚度作为训练集的输出,经过反复迭代更新,得到输入与输出之间的非线性关系,并通过验证集进行误差检验,达到指定精度要求;最终得到合适的地震属性与砂体厚度之间的非线性映射关系,进而将非线性映射关系应用到全区,得到能够反映砂体厚度的人工智能融合属性。
优选的是,所述步骤S8中,单井构型解释时,需结合地震剖面反射特征以及测井曲线形态特征,包括曲线韵律差异、高程差异、厚度差异、井间侧向隔挡体。
本发明与现有技术相比,具有以下优点及有益效果:
本发明提高了海上少井条件下地震融合属性表征不同级次构型界面的能力,大大增加了海上少井情况下各级次成因砂体预测的准确性,有效指导海上油气田的进一步高效开发。
附图说明
图1为本发明实例中聚类分析属性融合方法的流程示意图;
图2为本发明实例中聚类分析属性融合图;
图3为本发明实例中人工智能属性融合方法的流程示意图;
图4为本发明实例中函数拟合神经网络示意图;
图5为本发明实例中人工智能属性融合图;
图6为本发明实例中复合砂体(5级构型单元)平面展布特征图;
图7为本发明实例中复合砂体(5级构型单元)连井构型剖面图;
图8为本发明实例中单砂体(4级构型单元)平面展布特征图;
图9为本发明实例中单砂体(4级构型单元)连井构型剖面图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图1~9和实施例对本发明作进一步的说明,但并不作为对本发明限制的依据。
首先通过文献调研、野外露头勘察以及现代沉积的观察,建立能指导示例区目的层储层构型解释的定量构型模式。
图1为本发明实例中聚类分析属性融合方法的流程示意图,如图1所示,该方法包括以下步骤:
P101、基于地震层位解释成果,针对目的层,提取层间(小层级)多种地震属性,包括但不限于均方根振幅属性、最大振幅属性、最小振幅属性、能量之和、能量之半、平均能量、平均峰值、平均谷值、瞬时频率、弧长属性等。
P102、将提取的多种地震属性值与井点处砂体厚度作对比分析,通过做拟合图的方式分析不同地震属性与砂体厚度的相关性。根据相关系数的分布,排除相关性较差的地震属性,优选与井点砂体厚度相关性较高的几种地震属性,本示例中优选5种相关性较高的地震属性。
P103、对优选出的地震属性进行聚类分析,将相关性较高的分为一类。本示例种将5种地震属性分为两类,类别1与类别2。进而在从每一大类中选出一种与砂体厚度相关性最高的属性作为代表属性,即从类别1里选出代表属性1,从类别2里选出代表属性2。
P104、首先对代表属性进行归一化处理,应用算数平均的方法对代表属性表属性进行融合,得到聚类分析属性融合图,如图2所示。在本示例中,聚类分析融合属性与井点砂体厚度的相关性提高至0.78。
图3为本发明实例中人工智能属性融合方法的流程示意图,如图3所示,该方法包括一下步骤:
P101、由于钻井信息较少,可提供的学习样本较少。在聚类分析融合属性图(图2)中设置虚拟井点,虚拟井点的设置满足均匀分布原则。
P102、根据虚拟井点的位置,提取虚拟井点处聚类分析融合属性值。通过聚类分析融合属性值与砂体厚度的相关关系,计算虚拟井点处砂体厚度。
P103、本示例种构建的人工智能属性融合神经网络模型结构如图4所示,该网络包括1个输入层、1个隐含层以及1个输出层。将虚拟井点砂体厚度、真实井点砂体厚度以及15种地震属性共同作为深度学习的输入层。
P104、本文选用了函数拟合神经网络fitnet(Function fitting neuralnetwork)完成神经网络的学习训练。通过随机处理将输入数据的80%划分为训练集,20%划分为验证集,经过反复迭代更新,得到输入与输出之间的非线性关系,通过验证集进行误差检验,直至拟合精度达到85%。最后输出示例区人工智能属性融合图,如图5所示。可见人工智能属性融合图砂体展布形态更复合曲流河构型展布模式,河道宽度在150~480m,符合曲流河定量模式认识。
基于层次分析法,对复合曲流河道砂体进行逐级次的解剖,将曲流河储层划分为复合曲流带、单一曲流带、点坝以及点坝体内部侧积体等4个不同构型级次来进行表征。其中,复合曲流带及单一曲流带为5级构型单元,单一点坝、废弃河道为4级构型单元,点坝内部侧积体为3级构型单元。根据现在资料情况,本次对示例区5级、4级构型进行精细解释。
5级构型单元平面解释:首先在单井上,结合岩心和测井曲线特征,对示例区钻井进行纵向的构型单元识别,得到单井构型单元识别成果。按照人工智能融合属性图(图5),结合单井构型单元解释,在构型模式的指导下完成了5级构型平面解释,见图6。
5级构型单元剖面解释:将钻井砂体标定在地震剖面上,获取砂体对应的地震反射特征。建立连井地震剖面图,根据砂体地震反射特征与图6所示的5级构型平面图,完成5级构型单元剖面解释,见图7。
4级构型单元平面解释:根据深度学习融合属性值以及单井构型解释,在曲流带内部识别出曲流河道、废弃河道、点坝、泛滥平原等4级构型单元,完成4级构型单元的平面解释(图8)。
4级构型单元剖面解释:在5级剖面构型解释(图6)、4级构型平面解释(8)的约束下,通过“曲线韵律差异、高程差异、厚度差异、井间侧向隔挡体”等测井曲线特征的识别,对井间单一砂体(4级构型单元)进行预测,得到4级构型单元剖面解释成果图(图9)。
结果验证:根据实际生产情况,实例区该采气层只有1号井的2号砂体射孔开采,其余井未进行射孔作业。开发前期测得的原始地层压力为1.17,现在测得的5号井种3号砂体地层压力为1.01,说明该砂体种气藏已被动用,可以判断1号井2号砂体与5号井的3号砂体是连通的。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (10)
1.一种少井条件下基于多属性智能融合的储层构型解释方法,其特征在于,包括如下步骤:
S1、建立能指导地下储层精细解剖的多级别构型模式;
S2、基于地震层位解释成果,针对目的层,提取层间多种地震属性;
S3、建立地震属性与钻井砂体厚度的相关性,进行地震属性优选;
S4、针对优选出的地震属性进行聚类分析,再次优选代表性属性进行加权融合,形成聚类分析属性融合图;
S5、在聚类分析属性融合图上均匀设置虚拟井位,获取虚拟井位处融合属性值,计算虚拟井点处砂体厚度;
S6、设计深度学习网络,将实际井、虚拟井砂体厚度信息以及多种地震属性作为深度学习网络的输入层;
S7、随机处理将输入数据的划分为训练集和验证集,通过学习训练,输出人工智能融合属性图;
S8、基于人工智能融合属性图及单井构型解释结果,在多级别构型模式的指导下,分级次刻画构型空间展布。
2.根据权利要求1所述的少井条件下基于多属性智能融合的储层构型解释方法,其特征在于:所述步骤S1中,通过文献调研、野外露头勘察以及现代沉积的观察,建立能指导地下储层精细解剖的多级别构型模式。
3.根据权利要求1所述的少井条件下基于多属性智能融合的储层构型解释方法,其特征在于:所述步骤S2中,提取的多种地震属性包括但不限于均方根振幅属性、最大振幅属性、最小振幅属性、能量之和、能量之半、平均能量、平均峰值、平均谷值、瞬时频率、弧长属性。
4.根据权利要求1所述的少井条件下基于多属性智能融合的储层构型解释方法,其特征在于:所述步骤S3中,将提取的多种地震属性值与井点砂体厚度作对比分析,通过做拟合图的方式分析不同地震属性与砂体厚度的相关性;根据相关系数的分布,排除相关性较差的地震属性,优选与井点砂体厚度相关性较高的几种地震属性。
5.根据权利要求1所述的少井条件下基于多属性智能融合的储层构型解释方法,其特征在于:所述步骤S4中,对优选出的地震属性进行聚类分析,将其分为二至三大类,从每一大类中选出一种代表属性;对每一种代表属性进行归一化处理后,应用加权平均的方法对二至三种代表属性进行融合,得到聚类分析属性融合图。
6.根据权利要求1所述的少井条件下基于多属性智能融合的储层构型解释方法,其特征在于:所述步骤S5中,在聚类分析融合属性图上设置的虚拟井点,需均匀分布在融合属性图的各个位置,包括属性高值区域和低值区域。
7.根据权利要求1或6所述的少井条件下基于多属性智能融合的储层构型解释方法,其特征在于:所述步骤S5中,通过聚类融合属性与真实井点处砂体厚度的相关关系,计算虚拟井点处砂体厚度。
8.根据权利要求1所述的少井条件下基于多属性智能融合的储层构型解释方法,其特征在于:所述步骤S6中,将真实井点砂体厚度、虚拟井点砂体厚度以及大于等于十五种地震属性作为深度学习网络的输入层。
9.根据权利要求1所述的少井条件下基于多属性智能融合的储层构型解释方法,其特征在于:所述步骤S7中,采用函数拟合神经网络fitnet对多种地震属性进行无差融合,砂体厚度作为训练集的输出,经过反复迭代更新,得到输入与输出之间的非线性关系,并通过验证集进行误差检验,达到指定精度要求;最终得到合适的地震属性与砂体厚度之间的非线性映射关系,进而将非线性映射关系应用到全区,得到能够反映砂体厚度的人工智能融合属性。
10.根据权利要求1所述的少井条件下基于多属性智能融合的储层构型解释方法,其特征在于:所述步骤S8中,单井构型解释时,需结合地震剖面反射特征以及测井曲线形态特征,包括曲线韵律差异、高程差异、厚度差异、井间侧向隔挡体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210008064.0A CN115291277B (zh) | 2022-01-06 | 2022-01-06 | 少井条件下基于多属性智能融合的储层构型解释方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210008064.0A CN115291277B (zh) | 2022-01-06 | 2022-01-06 | 少井条件下基于多属性智能融合的储层构型解释方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115291277A true CN115291277A (zh) | 2022-11-04 |
CN115291277B CN115291277B (zh) | 2024-05-07 |
Family
ID=83819073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210008064.0A Active CN115291277B (zh) | 2022-01-06 | 2022-01-06 | 少井条件下基于多属性智能融合的储层构型解释方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115291277B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106338767A (zh) * | 2015-07-07 | 2017-01-18 | 中国石油化工股份有限公司 | 多参数地震属性分析方法及系统 |
CN109765609A (zh) * | 2019-01-30 | 2019-05-17 | 中国石油大学(北京) | 一种基于目的层与相邻层地震属性的砂体预测方法及系统 |
-
2022
- 2022-01-06 CN CN202210008064.0A patent/CN115291277B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106338767A (zh) * | 2015-07-07 | 2017-01-18 | 中国石油化工股份有限公司 | 多参数地震属性分析方法及系统 |
CN109765609A (zh) * | 2019-01-30 | 2019-05-17 | 中国石油大学(北京) | 一种基于目的层与相邻层地震属性的砂体预测方法及系统 |
Non-Patent Citations (10)
Title |
---|
刘化清,苏明军,倪长宽等: "薄砂体预测的地震沉积学研究方法", 岩性油气藏, no. 2, pages 8 * |
刘可;尹成;赵虎;张运龙;: "基于空间近似概率约束的混合密度网络砂体厚度预测", 石油物探, no. 04 * |
刘可;尹成;赵虎;张运龙;: "基于空间近似概率约束的混合密度网络砂体厚度预测", 石油物探, no. 04, 25 July 2020 (2020-07-25) * |
印兴耀,周静毅: "地震属性优化方法综述", 石油地球物理勘探, vol. 40, no. 4, pages 482 - 492 * |
张广权;张守成;: "地震资料在密井网区井间砂体预测中的应用研究――以松辽盆地北部杏树岗地区杏X区为例", 内蒙古石油化工, no. 17, 15 September 2013 (2013-09-15), pages 132 - 134 * |
张广权;张守成;: "地震资料在密井网区井间砂体预测中的应用研究――以松辽盆地北部杏树岗地区杏X区为例", 内蒙古石油化工, no. 17, pages 132 - 134 * |
苏燕;杨愈;白振华;王彦辉;: "密井网区井震结合进行沉积微相研究及储层预测方法探讨――以大庆杏树岗油田杏56区为例", 地学前缘, no. 01, 15 January 2008 (2008-01-15) * |
边立恩;屈勇;于茜;王国强;薛明星;: "渤海BZ油田储层定量预测研究", 石油地质与工程, no. 03 * |
边立恩;屈勇;于茜;王国强;薛明星;: "渤海BZ油田储层定量预测研究", 石油地质与工程, no. 03, 25 May 2016 (2016-05-25) * |
陈建阳;于兴河;李胜利;王彦辉;杨愈;代伟平;: "多地震属性同位协同储集层地质建模方法", 新疆石油地质, no. 01, 15 February 2008 (2008-02-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN115291277B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101266299B (zh) | 利用地震数据体结构特征预测油气的方法 | |
CN111080021B (zh) | 一种基于地质信息库的砂体构型cmm神经网络预测方法 | |
CN111983691B (zh) | 一种多模型融合的储层预测方法及软件系统 | |
CN106529667A (zh) | 一种大数据环境下基于模糊深度学习的测井相识别与分析方法 | |
CN111612899B (zh) | 一种碳酸盐岩缝洞型油藏地质建模方法 | |
CN110412662A (zh) | 基于地震多属性深度学习的薄互层储层预测方法 | |
CN111444621A (zh) | 基于动静态渗流界面的高含水油藏流动单元划分方法 | |
CN111894563B (zh) | 潜山段中裂缝型储层的分类确定方法及系统 | |
CN109239783B (zh) | 一种井震结合中取舍地震信息的方法 | |
Niu et al. | Hierarchical modeling method based on multilevel architecture surface restriction and its application in point-bar internal architecture of a complex meandering river | |
CN114357887A (zh) | 一种基于bp神经网络的复杂井况钻前泥浆漏失预测方法 | |
CN111175819A (zh) | 井震多级约束的砂砾岩扇体沉积相带精细划分方法 | |
CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
CN106990449B (zh) | 一种基于多维数据的陆相层序地层格架构建表征方法 | |
CN115964667A (zh) | 基于深度学习和重采样的河流-湖泊岩相测井识别方法 | |
CN115291277A (zh) | 少井条件下基于多属性智能融合的储层构型解释方法 | |
Peyret et al. | Automatic interpretation of well logs with lithology-specific deep-learning methods | |
Jika et al. | Application of geostatistics in facies modeling of Reservoir-E,“Hatch Field” offshore Niger Delta Basin, Nigeria | |
CN112285774A (zh) | 一种基于多地质参数快速评价走滑断层封闭能力的方法 | |
CN114545498A (zh) | 一种古岩溶缝洞结构的综合刻画方法 | |
CN112052591A (zh) | 一种储层构型约束下的隔夹层精细刻画及嵌入式建模方法 | |
CN114114452A (zh) | 一种针对断溶体型碳酸盐岩储层的表征方法及系统 | |
CN111007568A (zh) | 一种量化分类储层空间展布特征的方法 | |
CN117407841B (zh) | 一种基于优化集成算法的页岩层理缝预测方法 | |
CN111781659B (zh) | 薄层单期砂体连通关系识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |