CN115292971B - 基于贝叶斯的裂缝属性分析方法、装置及存储介质 - Google Patents

基于贝叶斯的裂缝属性分析方法、装置及存储介质 Download PDF

Info

Publication number
CN115292971B
CN115292971B CN202211224051.3A CN202211224051A CN115292971B CN 115292971 B CN115292971 B CN 115292971B CN 202211224051 A CN202211224051 A CN 202211224051A CN 115292971 B CN115292971 B CN 115292971B
Authority
CN
China
Prior art keywords
fracture
crack
attribute
parameters
parameter
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.)
Active
Application number
CN202211224051.3A
Other languages
English (en)
Other versions
CN115292971A (zh
Inventor
龚斌
侯壮
方军龄
石欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Shuzhi Energy Technology Shenzhen Co ltd
Original Assignee
Zhongke Shuzhi Energy Technology Shenzhen Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongke Shuzhi Energy Technology Shenzhen Co ltd filed Critical Zhongke Shuzhi Energy Technology Shenzhen Co ltd
Priority to CN202211224051.3A priority Critical patent/CN115292971B/zh
Publication of CN115292971A publication Critical patent/CN115292971A/zh
Application granted granted Critical
Publication of CN115292971B publication Critical patent/CN115292971B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理技术领域，是关于一种基于贝叶斯的裂缝属性分析方法、装置及存储介质，方法包括：确定待分析的各个裂缝属性，其中，所述裂缝属性包括：裂缝密度、裂缝方位、裂缝长度和裂缝开度；根据所述各个裂缝属性的先验知识，确定各个裂缝属性的先验分布；基于贝叶斯框架，根据所述先验分布计算得到每个裂缝属性的后验分布；从所述后验分布中选取采样参数作为第一参数集；根据所述第一参数集进行地质建模和数值模拟，以确定最终裂缝属性模型。通过该技术方案，实现降低裂缝性油藏的裂缝属性的不确定性。

Description

基于贝叶斯的裂缝属性分析方法、装置及存储介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于贝叶斯的裂缝属性分析方法、装置及存储介质。
背景技术
目前对地下裂缝的测量方法有限，地震数据可识别部分大尺度裂缝，对于小尺度的裂缝的测量方法只有基于单井的成像测井数据较为可靠。由于目前小尺度裂缝测量手段的限制，在测量准确度和精度方面较差，因此通常得到的裂缝描述信息不确定性较大，并且存在多解性的问题。近些年，现场工作更加倾向于使用随机建模的方法来反映地质模型的不确定性，但是对于如何降低模型的不确定的方法研究目前还处于空白阶段。
发明内容
为克服相关技术中存在的问题，本发明提供一种基于贝叶斯的裂缝属性分析方法、装置及存储介质，从而实现降低裂缝性油藏的裂缝属性的不确定性。
根据本发明实施例的第一方面，提供一种基于贝叶斯的裂缝属性分析方法，所述方法包括：
确定待分析的各个裂缝属性，其中，所述裂缝属性包括：裂缝密度、裂缝方位、裂缝长度和裂缝开度；
根据所述各个裂缝属性的先验知识，确定各个裂缝属性的先验分布；
基于贝叶斯框架，根据所述先验分布计算得到每个裂缝属性的后验分布；
从所述后验分布中选取采样参数作为第一参数集；
根据所述第一参数集进行地质建模和数值模拟，以确定最终裂缝属性模型。
在一个实施例中，优选地，根据所述第一参数集进行地质建模和数值模拟，以确定最终裂缝属性模型，包括：
将所述第一参数集作为地质建模和数值模拟的输入，基于正演过程计算第一油藏产量数据；
计算所述第一油藏产量数据和历史产量数据之间的第一差值；
将第一差值小于第一预设阈值的目标第一油藏产量数据对应的参数确定为第一目标参数；
将所述第一目标参数对应的裂纹属性模型确定为最终裂缝属性模型。
在一个实施例中，优选地，基于贝叶斯框架，根据所述先验分布计算得到每个裂缝属性的后验分布，包括：
从所述先验分布中抽取参数作为第二参数集；
将所述第二参数集作为地质建模和数值模拟的输入，基于正演过程计算第二油藏产量数据；
计算所述第二油藏产量数据和历史产量数据之间的第二差值；
将第二差值小于第二预设阈值的第二目标油藏产量数据对应的参数确定为目标参数；
统计得到所述目标参数的后验分布。
在一个实施例中，优选地，从所述先验分布中抽取参数作为第二参数集，包括：
从所述先验分布中随机抽取参数，作为所述第二参数集。
在一个实施例中，优选地，采用以下计算公式得到所述目标参数的后验分布：
Figure 851391DEST_PATH_IMAGE001
Figure 49155DEST_PATH_IMAGE002
表示参数D的后验分布，
Figure 455865DEST_PATH_IMAGE003
表示参数D的先验分布，
Figure 688263DEST_PATH_IMAGE004
表示从 先验分布中进行抽样仿真的模拟结果，
Figure 787806DEST_PATH_IMAGE005
表示观测值，
Figure 738445DEST_PATH_IMAGE006
表示距离函数，
Figure 89792DEST_PATH_IMAGE007
表示预设阈值。
Figure 540146DEST_PATH_IMAGE008
为参数D的后验分布，等式计算过程为从先验分布
Figure 217115DEST_PATH_IMAGE009
中抽样，然后带入 仿真模拟得到
Figure 248524DEST_PATH_IMAGE010
，通过距离函数
Figure 403562DEST_PATH_IMAGE011
，计算
Figure 344974DEST_PATH_IMAGE012
与观测值
Figure 51898DEST_PATH_IMAGE013
的距离， 当距离小于
Figure 445971DEST_PATH_IMAGE014
时接受
Figure 263754DEST_PATH_IMAGE015
的计算结果得到条件概率
Figure 59672DEST_PATH_IMAGE016
。其中
Figure 438963DEST_PATH_IMAGE014
大小 根据经验值确定。
在一个实施例中，优选地，从所述后验分布中选取采样参数作为第一参数集，包括：
从所述后验分布中随机选取采样参数作为所述第一参数集。
在一个实施例中，优选地，通过所述最终裂缝属性模型确定裂缝属性。
根据本发明实施例的第二方面，提供一种基于贝叶斯的裂缝属性分析装置，所述装置包括：
第一确定模块，用于确定待分析的各个裂缝属性，其中，所述裂缝属性包括：裂缝密度、裂缝方位、裂缝长度和裂缝开度；
第二确定模块，用于根据所述各个裂缝属性的先验知识，确定各个裂缝属性的先验分布；
计算模块，用于基于贝叶斯框架，根据所述先验分布计算得到每个裂缝属性的后验分布；
选取模块，用于从所述后验分布中选取采样参数作为第一参数集；
第三确定模块，用于根据所述第一参数集进行地质建模和数值模拟，以确定最终裂缝属性模型。
在一个实施例中，优选地，第三确定模块用于：
将所述第一参数集作为地质建模和数值模拟的输入，基于正演过程计算第一油藏产量数据；
计算所述第一油藏产量数据和历史产量数据之间的第一差值；
将第一差值小于第一预设阈值的目标第一油藏产量数据对应的参数确定为第一目标参数；
将所述第一目标参数对应的裂纹属性模型确定为最终裂缝属性模型。
在一个实施例中，优选地，所述计算模块用于：
从所述先验分布中抽取参数作为第二参数集；
将所述第二参数集作为地质建模和数值模拟的输入，基于正演过程计算第二油藏产量数据；
计算所述第二油藏产量数据和历史产量数据之间的第二差值；
将第二差值小于第二预设阈值的第二目标油藏产量数据对应的参数确定为目标参数；
统计得到所述目标参数的后验分布。
在一个实施例中，优选地，从所述先验分布中抽取参数作为第二参数集，包括：
从所述先验分布中随机抽取参数，作为所述第二参数集。
在一个实施例中，优选地，采用以下计算公式得到所述目标参数的后验分布：
Figure 585910DEST_PATH_IMAGE017
Figure 817171DEST_PATH_IMAGE018
表示参数D的后验分布，
Figure 592229DEST_PATH_IMAGE019
表示参数D的先验分布，
Figure 781902DEST_PATH_IMAGE020
表示从 先验分布中进行抽样仿真的模拟结果，
Figure 275200DEST_PATH_IMAGE021
表示观测值，
Figure 310153DEST_PATH_IMAGE022
表示距离函 数，
Figure 80662DEST_PATH_IMAGE023
表示预设阈值。
Figure 300291DEST_PATH_IMAGE024
为参数D的后验分布，等式计算过程为从先验分布
Figure 421831DEST_PATH_IMAGE025
中抽样，然后带入 仿真模拟得到
Figure 618064DEST_PATH_IMAGE026
，通过距离函数
Figure 243080DEST_PATH_IMAGE027
，计算
Figure 774556DEST_PATH_IMAGE028
与观测值
Figure 976867DEST_PATH_IMAGE029
的距 离，当距离小于
Figure 884780DEST_PATH_IMAGE030
时接受
Figure 488937DEST_PATH_IMAGE031
的计算结果得到条件概率
Figure 191313DEST_PATH_IMAGE032
。其中
Figure 756287DEST_PATH_IMAGE030
大 小根据经验值确定。
在一个实施例中，优选地，所述选取模块用于：
从所述后验分布中随机选取采样参数作为所述第一参数集。
根据本发明实施例的第三方面，提供一种基于贝叶斯的裂缝属性分析装置，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
确定待分析的各个裂缝属性，其中，所述裂缝属性包括：裂缝密度、裂缝方位、裂缝长度和裂缝开度；
根据所述各个裂缝属性的先验知识，确定各个裂缝属性的先验分布；
基于贝叶斯框架，根据所述先验分布计算得到每个裂缝属性的后验分布；
从所述后验分布中选取采样参数作为第一参数集；
根据所述第一参数集进行地质建模和数值模拟，以确定最终裂缝属性模型。
根据本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现如第二方面的实施例中任一项所述方法的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明实施例中，使用贝叶斯框架对裂缝属性的先验模型的不确定性进行量化，并且结合基于贝叶斯近似计算及随机采样的方法可以有效降低裂缝属性模型的不确定性。近似贝叶斯计算的基本思想是，从先验分布中采样得到待选参数，将待选参数代入模型通过仿真模拟得到数据集，然后比较观测数据集与模拟数据集的差异程度，确定是否接受该待选参数作为参数真实后验分布的一个采样。通过反复多次进行采样、仿真模拟、比较以后，即可将得到的分布作为参数的真实后验分布。这样，能够有效降低裂缝属性模型的不确定性，极大缩小了裂缝属性模型的分布范围，降低了裂缝预测的多解性。基于不确定性降低后的裂缝属性结果，可大幅提高裂缝性油藏产能预测的准确度，降低决策风险，有效指导油藏开发。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种基于贝叶斯的裂缝属性分析方法的流程图。
图2是根据一示例性实施例示出的一种基于贝叶斯的裂缝属性分析方法中步骤S105的流程图。
图3是根据一示例性实施例示出的一种基于贝叶斯的裂缝属性分析方法中步骤S103的流程图。
图4是根据一示例性实施例示出的一种基于贝叶斯的裂缝属性分析方法的具体流程图。
图5是根据一示例性实施例示出的一种裂缝属性参数的先验分布示意图。
图6是根据一示例性实施例示出的计算数据与观测数据阈值的设置示意图。
图7是根据一示例性实施例示出的裂缝属性参数的后验分布示意图。
图8是根据一示例性实施例示出的后验模型与先验模型数值模拟结果对比示意图。
图9是根据一示例性实施例示出的裂缝渗透率后验模型集的示意图。
图10是根据一示例性实施例示出的一种基于贝叶斯的裂缝属性分析装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种基于贝叶斯的裂缝属性分析方法的流程图。
如图1所示，根据本发明实施例的第一方面，提供一种基于贝叶斯的裂缝属性分析方法，所述方法包括：
步骤S101，确定待分析的各个裂缝属性，其中，所述裂缝属性包括：裂缝密度、裂缝方位、裂缝长度和裂缝开度；
步骤S102，根据所述各个裂缝属性的先验知识，确定各个裂缝属性的先验分布；
步骤S103，基于贝叶斯框架，根据所述先验分布计算得到每个裂缝属性的后验分布；
在贝叶斯框架中，后验概率是在先验概率分布
Figure 795787DEST_PATH_IMAGE033
基础上，基于一个似然估计
Figure 660975DEST_PATH_IMAGE034
来计算得到。
Figure 894772DEST_PATH_IMAGE035
Figure 947042DEST_PATH_IMAGE036
由于裂缝属性参数空间的维度较高，并且具有多种分布类型，因此估计出一个解 析的似然估计函数即
Figure 931179DEST_PATH_IMAGE037
极为困难，本发明采用近似贝叶斯计算（Approximate Bayesian Computation）求取裂缝属性的后验概率分布。近似贝叶斯计算的基本思想是，从 先验分布中采样得到待选参数，将待选参数代入模型通过仿真模拟得到数据集，然后比较 观测数据集与模拟数据集的差异程度，确定是否接受该待选参数作为参数真实后验分布的 一个采样。通过反复多次进行采样、仿真模拟、比较以后，即可将得到的分布作为参数的真 实后验分布。
步骤S104，从所述后验分布中选取采样参数作为第一参数集；
步骤S105，根据所述第一参数集进行地质建模和数值模拟，以确定最终裂缝属性模型。在一个实施例中，优选地，通过所述最终裂缝属性模型确定裂缝属性。
图2是根据一示例性实施例示出的一种基于贝叶斯的裂缝属性分析方法中步骤S105的流程图。
如图2所示，在一个实施例中，优选地，步骤S105包括：
步骤S201，将所述第一参数集作为地质建模和数值模拟的输入，基于正演过程计算第一油藏产量数据；
步骤S202，计算所述第一油藏产量数据和历史产量数据之间的第一差值；
步骤S203，将第一差值小于第一预设阈值的目标第一油藏产量数据对应的参数确定为第一目标参数；
步骤S204，将所述第一目标参数对应的裂纹属性模型确定为最终裂缝属性模型。
图3是根据一示例性实施例示出的一种基于贝叶斯的裂缝属性分析方法中步骤S103的流程图。
如图3所示，在一个实施例中，优选地，步骤S103包括：
步骤S301，从所述先验分布中抽取参数作为第二参数集；
步骤S302，将所述第二参数集作为地质建模和数值模拟的输入，基于正演过程计算第二油藏产量数据；
步骤S303，计算所述第二油藏产量数据和历史产量数据之间的第二差值；
步骤S304，将第二差值小于第二预设阈值的第二目标油藏产量数据对应的参数确定为目标参数；
步骤S305，统计得到所述目标参数的后验分布。
在一个实施例中，优选地，从所述先验分布中抽取参数作为第二参数集，包括：
从所述先验分布中随机抽取参数，作为所述第二参数集。
在一个实施例中，优选地，采用以下计算公式得到所述目标参数的后验分布：
Figure 509927DEST_PATH_IMAGE038
Figure 288528DEST_PATH_IMAGE039
表示参数D的后验分布，
Figure 218306DEST_PATH_IMAGE040
表示参数D的先验分布，
Figure 740555DEST_PATH_IMAGE041
表示从 先验分布中进行抽样仿真的模拟结果，
Figure 314755DEST_PATH_IMAGE042
表示观测值，
Figure 388891DEST_PATH_IMAGE043
表示距离函 数，
Figure 415752DEST_PATH_IMAGE044
表示预设阈值。
Figure 194939DEST_PATH_IMAGE045
为参数D的后验分布，等式计算过程为从先验分布
Figure 358067DEST_PATH_IMAGE046
中抽样，然后带 入仿真模拟得到
Figure 744049DEST_PATH_IMAGE047
，通过距离函数
Figure 382840DEST_PATH_IMAGE048
，计算
Figure 246891DEST_PATH_IMAGE049
与观测值
Figure 654739DEST_PATH_IMAGE050
的距 离，当距离小于
Figure 696775DEST_PATH_IMAGE051
时接受
Figure 383715DEST_PATH_IMAGE052
的计算结果得到条件概率
Figure 113774DEST_PATH_IMAGE053
。其中
Figure 251494DEST_PATH_IMAGE051
大小 根据经验值确定。
在一个实施例中，优选地，从所述后验分布中选取采样参数作为第一参数集，包括：
从所述后验分布中随机选取采样参数作为所述第一参数集。
下面以一个具体实施例详细说明本发明的上述技术方案。
以Q油田某区块为例，该油藏为裂缝性砂岩油藏，油藏产量主要受裂缝的发育程度及空间分布形态决定，通过降低油藏裂缝属性的不确定性可以极大提升该区产能预测的准确度。该区块包含多个小层，提取以其中一个小层进行说明。具体流程及步骤如图4所示，包括：
步骤S401：确定需要降低不确定性的裂缝属性为：裂缝密度、裂缝方位、裂缝长度、裂缝开度。
步骤S402：根据先验认识，设置各个裂缝属性的先验分布，以裂缝密度为例进行说明。该图中裂缝密度范围为0~3条/m,不同的裂缝密度都是等概率分布，概率值为0.1429，如图5所示。
步骤S403：在先验分布中进行随机抽样，将抽样参数集作为地质建模和数值模拟的输入，基于该正演过程计算油藏产量数据。该步骤的地质建模和数值模拟可使用特雷西公司的商业化建模数模一体化软件平台TET-suit实现。
步骤S404：计算产量数据和历史产量数据之间的差异，通过设置阈值为50，如图6所示，将差异小于50的计算产量数据所对应的参数提取出来，统计得到参数的后验分布，如图7所示。
步骤S405：从后验分布中随机采样（本例中为1000次），选取该采样参数作为最终用于生成后验模型的参数集。
步骤S406：在实际应用中，根据后验模型的参数集进行地质建模和数值模拟，对上个步骤的后验模型进行进一步的筛选，提出和油藏历史数据差异较小的模型如图8所示，将该部分模型作为最终的后验模型，图9展示了其中4个后验裂缝渗透率模型。
通过本发明的上述技术方案，可以量化模型的不确定性，并且能够有效降低裂缝属性模型的不确定性，极大缩小了裂缝属性模型的分布范围，降低了裂缝预测的多解性。基于不确定性降低后的裂缝属性结果，可大幅提高裂缝性油藏产能预测的准确度，降低决策风险，有效指导油藏开发。
图10是根据一示例性实施例示出的一种基于贝叶斯的裂缝属性分析装置的框图。
如图10所示，根据本发明实施例的第二方面，提供一种基于贝叶斯的裂缝属性分析装置，所述装置包括：
第一确定模块1001，用于确定待分析的各个裂缝属性，其中，所述裂缝属性包括：裂缝密度、裂缝方位、裂缝长度和裂缝开度；
第二确定模块1002，用于根据所述各个裂缝属性的先验知识，确定各个裂缝属性的先验分布；
计算模块1003，用于基于贝叶斯框架，根据所述先验分布计算得到每个裂缝属性的后验分布；
选取模块1004，用于从所述后验分布中选取采样参数作为第一参数集；
第三确定模块1005，用于根据所述第一参数集进行地质建模和数值模拟，以确定最终裂缝属性模型。
在一个实施例中，优选地，第三确定模块用于：
将所述第一参数集作为地质建模和数值模拟的输入，基于正演过程计算第一油藏产量数据；
计算所述第一油藏产量数据和历史产量数据之间的第一差值；
将第一差值小于第一预设阈值的目标第一油藏产量数据对应的参数确定为第一目标参数；
将所述第一目标参数对应的裂纹属性模型确定为最终裂缝属性模型。
在一个实施例中，优选地，所述计算模块用于：
从所述先验分布中抽取参数作为第二参数集；
将所述第二参数集作为地质建模和数值模拟的输入，基于正演过程计算第二油藏产量数据；
计算所述第二油藏产量数据和历史产量数据之间的第二差值；
将第二差值小于第二预设阈值的第二目标油藏产量数据对应的参数确定为目标参数；
统计得到所述目标参数的后验分布。
在一个实施例中，优选地，从所述先验分布中抽取参数作为第二参数集，包括：
从所述先验分布中随机抽取参数，作为所述第二参数集。
在一个实施例中，优选地，采用以下计算公式得到所述目标参数的后验分布：
Figure 838333DEST_PATH_IMAGE054
Figure 920559DEST_PATH_IMAGE055
表示参数D的后验分布，
Figure 391991DEST_PATH_IMAGE056
表示参数D的先验分布，
Figure 649797DEST_PATH_IMAGE057
表示从 先验分布中进行抽样仿真的模拟结果，
Figure 909003DEST_PATH_IMAGE058
表示观测值，
Figure 885049DEST_PATH_IMAGE059
表示距离函 数，
Figure 19227DEST_PATH_IMAGE060
表示预设阈值。
Figure 865960DEST_PATH_IMAGE061
为参数D的后验分布，等式计算过程为从先验分布
Figure 201127DEST_PATH_IMAGE062
中抽样，然后带 入仿真模拟得到
Figure 257944DEST_PATH_IMAGE063
，通过距离函数
Figure 71180DEST_PATH_IMAGE064
，计算
Figure 428212DEST_PATH_IMAGE065
与观测值
Figure 403121DEST_PATH_IMAGE066
的 距离，当距离小于
Figure 353759DEST_PATH_IMAGE067
时接受
Figure 334135DEST_PATH_IMAGE068
的计算结果得到条件概率
Figure 155460DEST_PATH_IMAGE069
。其中
Figure 691484DEST_PATH_IMAGE067
大小根据经验值确定。
在一个实施例中，优选地，所述选取模块用于：
从所述后验分布中随机选取采样参数作为所述第一参数集。
根据本发明实施例的第三方面，提供一种基于贝叶斯的裂缝属性分析装置，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
确定待分析的各个裂缝属性，其中，所述裂缝属性包括：裂缝密度、裂缝方位、裂缝长度和裂缝开度；
根据所述各个裂缝属性的先验知识，确定各个裂缝属性的先验分布；
基于贝叶斯框架，根据所述先验分布计算得到每个裂缝属性的后验分布；
从所述后验分布中选取采样参数作为第一参数集；
根据所述第一参数集进行地质建模和数值模拟，以确定最终裂缝属性模型。
根据本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现如第二方面的实施例中任一项所述方法的步骤。
进一步可以理解的是，本发明中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
进一步可以理解的是，本发明实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (9)

1.一种基于贝叶斯的裂缝属性分析方法，其特征在于，所述方法包括：
确定待分析的各个裂缝属性，其中，所述裂缝属性包括：裂缝密度、裂缝方位、裂缝长度和裂缝开度；
根据所述各个裂缝属性的先验知识，确定各个裂缝属性的先验分布；
基于贝叶斯框架，根据所述先验分布计算得到每个裂缝属性的后验分布；
从所述后验分布中选取采样参数作为第一参数集；
根据所述第一参数集进行地质建模和数值模拟，以确定最终裂缝属性模型；
根据所述第一参数集进行地质建模和数值模拟，以确定最终裂缝属性模型，包括：
将所述第一参数集作为地质建模和数值模拟的输入，基于正演过程计算第一油藏产量数据；
计算所述第一油藏产量数据和历史产量数据之间的第一差值；
将第一差值小于第一预设阈值的目标第一油藏产量数据对应的参数确定为第一目标参数；
将所述第一目标参数对应的裂纹属性模型确定为最终裂缝属性模型。
2.根据权利要求1所述的方法，其特征在于，基于贝叶斯框架，根据所述先验分布计算得到每个裂缝属性的后验分布，包括：
从所述先验分布中抽取参数作为第二参数集；
将所述第二参数集作为地质建模和数值模拟的输入，基于正演过程计算第二油藏产量数据；
计算所述第二油藏产量数据和历史产量数据之间的第二差值；
将第二差值小于第二预设阈值的第二目标油藏产量数据对应的参数确定为目标参数；
统计得到所述目标参数的后验分布。
3.根据权利要求2所述的方法，其特征在于，从所述先验分布中抽取参数作为第二参数集，包括：
从所述先验分布中随机抽取参数，作为所述第二参数集。
4.根据权利要求2所述的方法，其特征在于，采用以下计算公式得到所述目标参数的后验分布：
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE002
表示参数D的后验分布，
Figure DEST_PATH_IMAGE003
表示参数D的先验分布，
Figure DEST_PATH_IMAGE004
表示从先验 分布中进行抽样仿真的模拟结果，
Figure DEST_PATH_IMAGE005
表示观测值，
Figure DEST_PATH_IMAGE006
表示距离函数，
Figure DEST_PATH_IMAGE007
表示预设阈值，
Figure DEST_PATH_IMAGE008
表示条件概率。
5.根据权利要求1所述的方法，其特征在于，从所述后验分布中选取采样参数作为第一参数集，包括：
从所述后验分布中随机选取采样参数作为所述第一参数集。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述方法包括：
通过所述最终裂缝属性模型确定裂缝属性。
7.一种基于贝叶斯的裂缝属性分析装置，其特征在于，所述装置包括：
第一确定模块，用于确定待分析的各个裂缝属性，其中，所述裂缝属性包括：裂缝密度、裂缝方位、裂缝长度和裂缝开度；
第二确定模块，用于根据所述各个裂缝属性的先验知识，确定各个裂缝属性的先验分布；
计算模块，用于基于贝叶斯框架，根据所述先验分布计算得到每个裂缝属性的后验分布；
选取模块，用于从所述后验分布中选取采样参数作为第一参数集；
第三确定模块，用于根据所述第一参数集进行地质建模和数值模拟，以确定最终裂缝属性模型；
根据所述第一参数集进行地质建模和数值模拟，以确定最终裂缝属性模型，包括：
将所述第一参数集作为地质建模和数值模拟的输入，基于正演过程计算第一油藏产量数据；
计算所述第一油藏产量数据和历史产量数据之间的第一差值；
将第一差值小于第一预设阈值的目标第一油藏产量数据对应的参数确定为第一目标参数；
将所述第一目标参数对应的裂纹属性模型确定为最终裂缝属性模型。
8.一种基于贝叶斯的裂缝属性分析装置，其特征在于，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
确定待分析的各个裂缝属性，其中，所述裂缝属性包括：裂缝密度、裂缝方位、裂缝长度和裂缝开度；
根据所述各个裂缝属性的先验知识，确定各个裂缝属性的先验分布；
基于贝叶斯框架，根据所述先验分布计算得到每个裂缝属性的后验分布；
从所述后验分布中选取采样参数作为第一参数集；
根据所述第一参数集进行地质建模和数值模拟，以确定最终裂缝属性模型；
根据所述第一参数集进行地质建模和数值模拟，以确定最终裂缝属性模型，包括：
将所述第一参数集作为地质建模和数值模拟的输入，基于正演过程计算第一油藏产量数据；
计算所述第一油藏产量数据和历史产量数据之间的第一差值；
将第一差值小于第一预设阈值的目标第一油藏产量数据对应的参数确定为第一目标参数；
将所述第一目标参数对应的裂纹属性模型确定为最终裂缝属性模型。
9.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
CN202211224051.3A 2022-10-09 2022-10-09 基于贝叶斯的裂缝属性分析方法、装置及存储介质 Active CN115292971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211224051.3A CN115292971B (zh) 2022-10-09 2022-10-09 基于贝叶斯的裂缝属性分析方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211224051.3A CN115292971B (zh) 2022-10-09 2022-10-09 基于贝叶斯的裂缝属性分析方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN115292971A CN115292971A (zh) 2022-11-04
CN115292971B true CN115292971B (zh) 2022-12-20

Family

ID=83834907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211224051.3A Active CN115292971B (zh) 2022-10-09 2022-10-09 基于贝叶斯的裂缝属性分析方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115292971B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115470664B (zh) * 2022-11-15 2023-06-27 中科数智能源科技(深圳)有限公司 一种裂缝油藏裂缝敏感性分析方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631078A (zh) * 2014-11-07 2016-06-01 中国石油化工股份有限公司 天然裂缝性油藏自适应介质的数值模拟方法
CN107797141A (zh) * 2016-09-05 2018-03-13 中国石油化工股份有限公司 一种反演裂缝性质的方法
CN111158044A (zh) * 2020-01-03 2020-05-15 中国石油化工股份有限公司 潜山裂缝储集体油藏预测方法
CN111175815A (zh) * 2020-01-06 2020-05-19 中国石油化工股份有限公司 油藏改造微地震监测裂缝震源机制求解方法及系统
CN114429525A (zh) * 2020-09-29 2022-05-03 中国石油化工股份有限公司 裂缝性油藏多尺度裂缝模拟方法及计算机可读存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10983233B2 (en) * 2019-03-12 2021-04-20 Saudi Arabian Oil Company Method for dynamic calibration and simultaneous closed-loop inversion of simulation models of fractured reservoirs
CN111781638A (zh) * 2020-06-02 2020-10-16 长江大学 一种有效裂缝带预测方法及装置
CN114429057A (zh) * 2020-09-27 2022-05-03 中国石油化工股份有限公司 天然裂缝建模及压裂模拟方法、装置、计算机和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631078A (zh) * 2014-11-07 2016-06-01 中国石油化工股份有限公司 天然裂缝性油藏自适应介质的数值模拟方法
CN107797141A (zh) * 2016-09-05 2018-03-13 中国石油化工股份有限公司 一种反演裂缝性质的方法
CN111158044A (zh) * 2020-01-03 2020-05-15 中国石油化工股份有限公司 潜山裂缝储集体油藏预测方法
CN111175815A (zh) * 2020-01-06 2020-05-19 中国石油化工股份有限公司 油藏改造微地震监测裂缝震源机制求解方法及系统
CN114429525A (zh) * 2020-09-29 2022-05-03 中国石油化工股份有限公司 裂缝性油藏多尺度裂缝模拟方法及计算机可读存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Prestack AVA inversion for pore fluid modulus based on the Bayesian theory;Li C等;《Geophysical Prospecting for Petroleum》;20151231;第54卷(第4期);467-476 *
裂缝三维地质建模的难点与对策;聂永生等;《油气地质与采收率》;20130325;第20卷(第02期);39-41 *
裂缝性孔隙介质频变AVAZ反演方法研究进展;刘喜武等;《石油物探》;20150325;第54卷(第02期);210-217、225 *
频变 AVAZ 响应特征分析及裂缝性质反演方法研究;刘宇巍等;《地球物理学进展》;20161231;第31卷(第2期);732-740 *

Also Published As

Publication number Publication date
CN115292971A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN106919957B (zh) 处理数据的方法及装置
US10890688B2 (en) Method for generating secondary data in geostatistics using observed data
CN115292971B (zh) 基于贝叶斯的裂缝属性分析方法、装置及存储介质
CN106650446A (zh) 基于系统调用的恶意程序行为识别方法和系统
CN115546113A (zh) 掌子面裂隙图像与前方三维结构参数预测方法及系统
CN109961129A (zh) 一种基于改进粒子群的海上静止目标搜寻方案生成方法
CN111413741B (zh) 一种砂岩型铀矿资源量计算方法和装置
CN111144462A (zh) 一种雷达信号的未知个体识别方法及装置
CN114488297A (zh) 一种断层识别方法及装置
CN114718556A (zh) 人工裂缝参数的获取方法、装置及设备
CN117035418A (zh) 基于多源数据融合的隧道施工综合风险评价方法、装置
CA3095746C (en) Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter
CN108133234B (zh) 基于稀疏子集选择算法的社区检测方法、装置及设备
US11320553B2 (en) System and method for subsurface structural interpretation
KR100879854B1 (ko) 분포 적합 자동화 시스템 및 방법
CN114036829A (zh) 地质剖面图生成方法、系统、设备及存储介质
CN110580390B (zh) 基于改进遗传算法与信息熵的地质统计学随机反演方法
WO2018184654A1 (en) Method of characterising a subsurface volume
EP3482235B1 (en) Method of characterising a subsurface region using multiple point statistics
CN111898666A (zh) 一种随机森林算法结合模群种群的数据变量选择方法
CN107305649B (zh) 钻探目标关键地质风险因素钻前钻后分析方法
CN116958470B (zh) 一种融合马尔可夫链和多点统计学的地质建模方法和装置
CN114596498B (zh) 一种地球化学采样盲区的赋值方法、系统及存储介质
CN111177886B (zh) 基于物探数据分析的海上测距规划及土厚预测的方法
CN118037703A (zh) 一种基于多源信息的隧道掌子面分区方法及相关设备

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