CN115576011B - 一种基于地质模型的相控储层预测方法、装置及系统 - Google Patents
一种基于地质模型的相控储层预测方法、装置及系统 Download PDFInfo
- Publication number
- CN115576011B CN115576011B CN202211208392.1A CN202211208392A CN115576011B CN 115576011 B CN115576011 B CN 115576011B CN 202211208392 A CN202211208392 A CN 202211208392A CN 115576011 B CN115576011 B CN 115576011B
- Authority
- CN
- China
- Prior art keywords
- reservoir
- prediction
- model
- inversion
- phased
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000004458 analytical method Methods 0.000 claims abstract description 55
- 239000011435 rock Substances 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000000694 effects Effects 0.000 claims abstract description 9
- 230000004044 response Effects 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 17
- 238000000151 deposition Methods 0.000 claims description 16
- 230000008021 deposition Effects 0.000 claims description 15
- 230000015572 biosynthetic process Effects 0.000 claims description 13
- 239000011148 porous material Substances 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 230000000704 physical effect Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 239000000758 substrate Substances 0.000 claims 1
- 230000007480 spreading Effects 0.000 abstract description 3
- 238000003892 spreading Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000006028 limestone Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Geophysics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于地质模型的相控储层预测方法、装置及系统，属于勘探技术领域。所述方法包括：采集、分析岩心、测井和地震数据；基于所述数据采集、分析，建立初始地质模型；根据地质结构，划分地质年代期次、划分地质体；基于划分的所述期次、地质体，分析储层的地球物理特征；基于分析结果，对所述初始地质模型进行训练，获得满足约束条件的相控模型；基于所述相控模型，应用多种反演方法进行分期次的朵叶体预测；分析对比所述多种反演方法的所述朵叶体预测的预测结果，确定最终优化预测结果。该方法能够精确刻画相控储层的空间展布，克服精细刻画时存在的不准确的问题，获得对相控储层预测的准确效果。
Description
技术领域
本发明属于勘探技术领域，具体地说，涉及一种基于地质模型的相控储层预测方法、装置及系统。
背景技术
优质储层的结构类型与地下油气储备有密切关系，例如“孔隙型”储层具有良好的勘探潜力。而相控储层预测其中关键技术
相控储层预测是综合应用地震、地质、钻井、测井等各项资料对地下储集层的分布、厚度及岩性和物理性质变化进行追踪和预测的一项先进技术，随着勘探过程越来越复杂，提高相控储层预测精度也愈发重要。目前，国内外发展了多种相控储层预测方法，如地震相分析、地震反演、地震模拟分析、地震属性分析等，其中地震反演与模拟的软件技术已经成为是油藏描述中应用最广泛的勘探研究技术。
现有技术中，在油田开发阶段，若要实现能够达到前述第二个油藏尺度标准的储层预测，通常需要建立基于井和地震资料的油藏尺度的储层地质模型，但由于受井、地震资料数量和品质的限制，以及目前油藏尺度露头储层地质建模处于二维阶段的现状，存在构成碳酸盐岩储层地质建模的地质统计学基础不明确、储层建模技术和流程不完善等，制约了油藏尺度三维露头碳酸盐岩储层地质模型的建立，使得当前很难建立能够达到油藏尺度标准的符合地质实际的模型，进而无法实现对油藏尺度标准下的地下储层有效性的预测。
目前，在复杂相控储层预测软件模型中，大多采用测井与地震资料的采集与分析；岩石物理特征分析；建立低频模型；多反演分析方法应用；获得预测结果，指导井位部署。这种常规储层反演技术通过地震、测井资料为约束建立地质模型，用测井、地震、地质等资料对初始波阻抗结果进行模型检验，利用模型反演结果预测储层平面分布。受陆相沉积储层规模小、相变快和常规地震资料品质不高等因素限制,除少量大型岩性圈闭之外，预测精度不高，同时，由于缺乏相应成藏理论支撑，单项技术很难得到满意的应用效果。
同时，由于相控储层是一种特殊地质体，其沉积速度高于周围地层且发育具有随机性，因此，具有空间形态复杂，横向变化速度快的特征，无法生成合理的初始软件模型；且同时在纵向上存在规模大小的差异，因此上述现有技术中缺乏合理性。除此之外，由于相控储层与非储层在阻抗上存在无法完全区分的现象，因此现有技术无法精确刻画出相控储层的空间展布。因此，现有的预测软件的相控储层预测存在较大偏差，无法精确刻画相控储层的空间展布，导致在利用上述方法对相控储层进行精细刻画时存在不准确的问题。
因此，如何建立准确的模型对相控储层进行预测是目前亟待解决的问题。
发明内容
针对上述现有技术存在的问题，本发明提供一种基于地质模型的相控储层预测方法、装置及系统。
本发明采用如下的技术方案：
第一方面，一种基于地质模型的相控储层预测方法，包括：
采集、分析岩心、测井和地震数据；
基于所述数据采集、分析，建立初始地质模型；
根据地质结构，划分地质年代期次、划分地质体；
基于划分的所述期次、地质体，分析储层的地球物理特征；
基于分析结果，对所述初始地质模型进行训练，获得满足约束条件的相控模型；
基于所述相控模型，应用多种反演方法进行分期次的朵叶体预测；
分析对比所述多种反演方法的所述朵叶体预测的预测结果，确定最终优化预测结果。
进一步，所述相控储层属于孔隙型。
进一步，所述多种反演方法包括基于叠后属性的优质储层朵叶体的定性预测。
进一步，所述定性预测包括：相控储层的物理特征正演分析；所述物理特征包括岩层地震反射特征，朵叶体内等时切片特征，储层平面分布地质特征。
进一步，所述多种反演方法包括基于叠后反演的优质储层朵叶体的定量预测。
进一步，所述定量预测包括分期次建立朵叶体相控约束的低频模型；建立朵叶体下的岩石物理区分量；基于所述低频模型采用常规相控反演，特征曲线反演，以及波形指示反演进行优质储层平面分布预测；所述常规相控反演包括稀疏脉冲反演，地质统计学反演，协模拟岩性反演。
进一步，所述分析对比所述多种反演方法的所述朵叶体预测的预测结果，确定最终优化预测结果，包括：以平面剖面结合的方式对所述朵叶体预测的预测结果进行可靠性论证；选取平均值，降低门槛值，对所述朵叶体预测的预测结果进行优化，确定所述最终优化预测结果。
第二方面，一种基于地质模型的相控储层预测装置，包括：
数据模块，用于采集、分析岩心、测井和地震数据；
初始模块，用于基于所述数据采集、分析，建立初始地质模型；
分析模块，用于根据地质结构，划分地质年代期次、划分地质体；基于划分的所述期次、地质体，分析储层的地球物理特征；
模型训练模块，用于基于分析结果，对所述初始地质模型进行训练，获得满足约束条件的相控模型；
预测模块，用于基于所述相控模型，应用多种反演方法进行分期次的朵叶体预测；分析对比所述多种反演方法的所述朵叶体预测的预测结果，确定最终优化预测结果。
第三方面，一种基于地质模型的相控储层预测系统，所述系统包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述基于地质模型的相控储层预测方法。
第四方面，一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述基于地质模型的相控储层预测方法。
有益效果
相比于现有技术，本发明的有益效果为：提供一种基于地质模型的相控储层预测方法、装置及系统。通过采集、分析岩心、测井和地震数据；基于所述数据采集、分析，建立初始地质模型；根据地质结构，划分地质年代期次、划分地质体；基于划分的所述期次、地质体，分析储层的地球物理特征；基于分析结果，对所述初始地质模型进行训练，获得满足约束条件的相控模型；基于所述相控模型，应用多种反演方法进行分期次的朵叶体预测；分析对比所述多种反演方法的所述朵叶体预测的预测结果，确定最终优化预测结果。能够精确刻画相控储层的空间展布，克服精细刻画时存在的不准确的问题，获得对相控储层预测的准确效果。
附图说明
图1为本发明的一种基于地质模型的相控储层预测方法流程图；
图2为本发明的一种基于地质模型的相控储层预测装置的结构图；
图3为本发明中一种基于地质模型的相控储层预测方法所运行环境的实施例提供的电子设备系统的结构图；
图4为本发明中一种基于地质模型的相控储层预测方法所运行环境的实施例提供的计算机可读存储介质的结构图；
图5是本发明一种基于地质模型的相控储层预测方法应用的一个实例分析图(G1井区基础资料平面图)；
图6(A)是本发明一种基于地质模型的相控储层预测方法应用的实例分析图(G1井区G1井区须二段沉积晚期古地貌图)；
图6(B)是本发明一种基于地质模型的相控储层预测方法应用的实例分析图(G1井区须二段沉积晚期古地貌特征连井地震对比剖面)。
图7是本发明一种基于地质模型的相控储层预测方法应用的实例分析图(G1井区G1井区须二段Y130综合柱状图)；
图8是G1井区G1井区须二段须二段沉积地质模式的分析过程示意图；
图9是G1井区G1井区须二段须二段储集岩分类表；
图10(A)和图10(B)是G1井区G1井区须二段须二段不同期次朵叶体内等时切片属性分析示意图；
图11(A)是须二段相控约束低频模型剖面图和须二段非相控约束低频模型剖面图。
图11(B)是分不同期次三角洲朵叶体岩性概率识别量版(纵波阻抗与特征曲线)和分不同期次三角洲朵叶体孔隙度预测量版(纵波阻抗与孔隙度)；
图12是须二上亚段优质储层定性预测平面图(地震属性)和须二上亚段优质储层定量预测平面图(相控稀疏脉冲反演)。
具体实施方式
下面结合具体实施例对本发明进一步进行描述。
本文所使用的术语“包括”和“包含”应被理解为包含性的和开放式的，而不具有排他性。具体而言，当在说明书和权利要求书中使用术语“包括”和“包含”及其同义词时，是表示包括指定的特征、步骤或组成部分。这些术语不能被理解为排除其他特征、步骤或组成部分的存在。
一方面，在一个实施例中，本发明提供基于地质模型的相控储层预测方法，如图1所示，所述方法包括：
S1：对岩心、测井和地震数据进行采集、分析；
采集须一、二段地质数据，包括岩心测绘数据，测井数据和地震数据。通过岩心测绘数据，测井数据和地震数据的分析，确定须一、二段沉积早、晚期的地质特征。
在一个实施例中，在G井区，Z地区确定须一、二段沉积早、晚期的地质特征包括古残丘背景上隆凹相间的地貌特征，低缓的沉积期隆-洼相间的古地貌，综合岩心、测井与地震数据确定须二段为辫状河三角洲沉积类型。
例如，图5是本发明一种基于地质模型的相控储层预测方法应用的实例分析图(G1井区基础资料平面图)。
图6(A)是本发明一种基于地质模型的相控储层预测方法应用的实例分析图(G1井区G1井区须二段沉积晚期古地貌图)；
图6(B)是本发明一种基于地质模型的相控储层预测方法应用的实例分析图(G1井区反映须二段沉积晚期古地貌特征连井地震对比剖面)。
S2：基于所述数据采集、分析，确定地层构成类型，建立初始地质模型；
该步骤中，具体包括：
S21：基于所述数据采集、分析，确定地层构成类型。
例如，根据该示例，综合岩心、测井与地震资料，可确定须二段为辫状河三角洲沉积类型，如图7所示。
图7是本发明一种基于地质模型的相控储层预测方法应用的实例分析图(G1井区G1井区须二段Y130综合柱状图)。
进一步的，在地震剖面上见到明显的前积结构，测井上有正旋回与反旋回的互相叠置，因此，综合岩心、测井与地震资料确定须二段为辫状河三角洲沉积类型。
S22：根据确定的地层构成类型，建立初始地质模型。
例如，仍以G1井区须二段为例，须二段沉积地质模式是同一物源两期前积三角洲+上超超覆体的地层，这样的沉积构成模式。
图8是G1井区G1井区须二段须二段沉积地质模式的分析过程示意图；
在一个实施例中，分析预测模型可以采用常规的低频模型，建立初始的低频模型。
S3：根据地质结构，分析储层的地球物理响应特征。
具体可以包括：
S31：根据储层的地质分类标准，得到储层的地质特征。
在一个实施例中，基于地质体的刻画与识别目的，按照年代期次对地质体进行划分，分析相控储层的地球物理特征，包括储层岩石类型特征，岩石物理特征，孔隙类型特征，主控特征，储层测井响应特征，以及储层纵向分布特征。
例如，图9是G1井区G1井区须二段须二段储集岩分类表。
S32：对储层的地质特征进行分析，得到对应测井的地球物理响应特征。
对应测井响应特征是优质储层的地球物理特征。
例如，如果总体阻抗差异非常小，则储层物性变好，速度和密度明显偏低；地层含灰岩后，速度、密度、电阻值极高；低阻抗碳质页岩对优质储层的识别带来多解性；由于阻抗差异小，无法准确区分II类储层，故识别的优质砂岩主要为Ⅰ类储层。
在一个实施例中，所述相控储层属于孔隙型。
该步骤中，如果分朵叶体岩石物理分析，可有效提高储层预测精度。
S4：基于得到的地球物理响应特征，对所述初始地质模型进行训练，获得满足约束条件的相控模型。
包括：
S41：基于得到的地球物理响应特征，相控叠后多属性优质储层定性预测。
优选的，对不同期次朵叶体内等时切片属性分析方式，对不同期次三角洲朵叶体识别与刻画。
图10(A)和图10(B)是G1井区G1井区须二段须二段不同期次朵叶体内等时切片属性分析示意图。
如图10(A)所示，穿时提取方式，大量信息相互叠置，相控等时提取方式，地质体轮廓清晰。
如图10(B)所示，得到第Ⅰ期三角洲朵叶体内优质储层敏感属性平面图(2+3+4切片主分量融合属性)。三角洲背景下发育优质储层的分流河道和河口坝具有很强的非均质性，表现为孤立分散的点-条状强反射区。河道间泥岩发育地区导致地震形成连续强反射区，对优质沉积微相发育的优质储层反射造成屏蔽，难以刻画。
S42：基于得到的地球物理响应特征，相控叠后反演优质储层定量预测。
可以包括：
S421：建立以不同期次三角洲朵叶体相控约束的低频模型，提高预测结果地质模式的合理性。
如图11(A)所示，须二段相控约束低频模型剖面图和须二段非相控约束低频模型剖面图。
S422：建立不同期次朵叶体下的岩石物理区分量版，提高储层预测敏感性和精度，降低岩性及物性预测过程中的多解性。
如图11(B)所示，分不同期次三角洲朵叶体岩性概率识别量版(纵波阻抗与特征曲线)和分不同期次三角洲朵叶体孔隙度预测量版(纵波阻抗与孔隙度)。
优选的，还可以包括：
S423：进行常规相控反演和特征曲线反演，并将相控稀疏脉冲与特征曲线反演效果对比。
常规相控反演和特征曲线反演避免了简单井间内插导致的反演结果模型化。
将相控稀疏脉冲与特征曲线反演效果对比则可以适当提高了碳质页岩、页岩与优质储层、砂岩的差异性，提高了优质储层敏感程度。
对所述初始地质模型进行训练，获得满足约束条件的相控模型。
在一个实施例中，采用机器学习方法获取所述相控模型，包括决策树、随机森林、人工神经网络、贝叶斯学习等方法。所述神经网络包括卷积神经网络，递进神经网络等。
在一个实施例中，建立以不同期次地质体(例如三角洲朵叶体)相控约束的低频模型；包括建立不同期次朵叶体下的岩石物理区分量。
优选的，基于所述相控模型，应用多种反演方法进行分期次的朵叶体预测；
通过上述采集数据的分析，识别刻画储不同期次地质体，例如在G井区，Z地区确定须一、二段的三角洲朵叶体的识别与刻画，确定地质体的“相”；
在一个实施例中，所述多种反演方法包括基于叠后属性的优质储层朵叶体的定性预测。
在一个实施例中，所述定性预测包括：相控储层的物理特征正演分析；所述物理特征包括岩层地震反射特征，朵叶体内等时切片特征，储层平面分布地质特征。
在一个实施例中，通过训练好的所述相控模型，基于叠后属性角度多方法进行优质储层预测，实现所述相控储层的定性预测；
在一个实施例中，所述多种反演方法包括基于叠后属性的优质储层朵叶体的定量预测。
在一个实施例中，通过训练好的所述相控模型，基于叠后反演角度多方法进行优质储层预测，实现所述相控储层的定量预测；
在一个实施例中，相控储层的定性预测包括优质储层正演：优质储层与致密砂岩的组合形式；储层随厚度变化；其中，优质储层地震反射特征：点状强反射特征，横向连续性差，具有一定的形态学特征；不同期次朵叶体内等时切片属性分析方式；优质储层平面分布地质综合解释。
在一个实施例中，所述定量预测包括分期次建立朵叶体相控约束的低频模型；建立朵叶体下的岩石物理区分量；基于所述低频模型采用常规相控反演，特征曲线反演，以及波形指示反演进行优质储层平面分布预测；所述常规相控反演包括稀疏脉冲反演，地质统计学反演，协模拟岩性反演。
在一个实施例中，采用常规相控反演进行所述相控叠后反演优质储层定量预测包括稀疏脉冲反演；地质统计学反演；协模拟岩性反演；最终预测优质储层。
在一个实施例中，采用常规相控反演结合特征曲线反演进行所述相控叠后反演优质储层定量预测包括稀疏脉冲反演与特征曲线反演并行；地质统计学反演；最终预测优质储层。
在一个实施例中，采用波形指示反演结合特征曲线反演进行所述相控叠后反演优质储层定量预测包括波形指示反演与特征曲线反演并行；最终预测优质储层。
S5：根据所得相控模型分析对比预测结果，确定最终优化预测结果。
在一个实施例中，所述分析对比所述多种反演方法的所述朵叶体预测的预测结果，确定最终优化预测结果，包括：以平面剖面结合的方式对所述朵叶体预测的预测结果进行可靠性论证；选取平均值，降低门槛值，对所述朵叶体预测的预测结果进行优化，确定所述最终优化预测结果。
在一个实施例中，对地质体(例如朵叶体)预测的预测结果进行优化，包括预测结果平面特性成因分析；确定优化方向，例如选取平均值，降低门槛值；网络化编图；获取最终优化方案。
以四川盆地某勘探项目为例，以孔隙型储层作为对象开展优质储层的识别与刻画方法研究。其中，以Z地区与G1井区作为试验区，利用上述方法建立须二段地层-沉积构成模式，明确优质储层的地质与地球物理特征，开展地质模式指导下的相控储层预测方法试验，实现对须二段孔隙型优质储层的刻画与描述，为后续须家河组孔隙型储层的勘探提供有力支撑。
图12是须二上亚段优质储层定性预测平面图(地震属性)和须二上亚段优质储层定量预测平面图(相控稀疏脉冲反演)。
另一方面，在一个实施例中，本发明提供基于地质模型的相控储层预测装置，如图2所示，所述装置包括：
数据模块，用于采集、分析岩心、测井和地震数据；
初始模块，用于基于所述数据采集、分析，建立初始地质模型；
分析模块，用于根据地质结构，划分地质年代期次、划分地质体；基于划分的所述期次、地质体，分析储层的地球物理特征；
模型训练模块，用于基于分析结果，对所述初始地质模型进行训练，获得满足约束条件的相控模型；
预测模块，用于基于所述相控模型，应用多种反演方法进行分期次的朵叶体预测；分析对比所述多种反演方法的所述朵叶体预测的预测结果，确定最终优化预测结果。
进一步，所述数据模块，初始模块，分析模块，模型训练模块，预测模块具体实现如下步骤：
采集、分析岩心、测井和地震数据；
采集须一、二段地质数据，包括岩心测绘数据，测井数据和地震数据。通过岩心测绘数据，测井数据和地震数据的分析，确定须一、二段沉积早、晚期的地质特征。
在一个实施例中，在G井区，Z地区确定须一、二段沉积早、晚期的地质特征包括古残丘背景上隆凹相间的地貌特征，低缓的沉积期隆-洼相间的古地貌，综合岩心、测井与地震数据确定须二段为辫状河三角洲沉积类型。
基于所述数据采集、分析，建立初始地质模型；
在一个实施例中，分析预测模型可以采用常规的低频模型，建立初始的低频模型。
根据地质结构，划分地质年代期次、划分地质体；基于划分的所述期次、地质体，分析储层的地球物理特征；
在一个实施例中，基于地质体的刻画与识别目的，按照年代期次对地质体进行划分，分析相控储层的地球物理特征，包括储层岩石类型特征，岩石物理特征，孔隙类型特征，主控特征，储层测井响应特征，以及储层纵向分布特征。
在一个实施例中，基于所述地球物理特征，对储层的岩性进行识别与类别划分。例如，须二段地层总体阻抗差异非常小；储层物性变好，速度和密度明显偏低；地层含灰岩后，速度、密度、电阻值极高；低阻抗碳质页岩对优质储层的识别带来多解性；由于阻抗差异小，无法准确区分II类储层，故识别的优质砂岩主要为I类储层。
在一个实施例中，所述相控储层属于孔隙型。
基于分析结果，对所述初始地质模型进行训练，获得满足约束条件的相控模型；
对所述初始地质模型进行训练，获得满足约束条件的相控模型。
在一个实施例中，采用机器学习方法获取所述相控模型，包括决策树、随机森林、人工神经网络、贝叶斯学习等方法。所述神经网络包括卷积神经网络，递进神经网络等。
在一个实施例中，建立以不同期次地质体(例如三角洲朵叶体)相控约束的低频模型；包括建立不同期次朵叶体下的岩石物理区分量。
基于所述相控模型，应用多种反演方法进行分期次的朵叶体预测；
通过上述采集数据的分析，识别刻画储不同期次地质体，例如在G井区，Z地区确定须一、二段的三角洲朵叶体的识别与刻画，确定地质体的“相”；
在一个实施例中，所述多种反演方法包括基于叠后属性的优质储层朵叶体的定性预测。
在一个实施例中，所述定性预测包括：相控储层的物理特征正演分析；所述物理特征包括岩层地震反射特征，朵叶体内等时切片特征，储层平面分布地质特征。
在一个实施例中，通过训练好的所述相控模型，基于叠后属性角度多方法进行优质储层预测，实现所述相控储层的定性预测；
在一个实施例中，所述多种反演方法包括基于叠后属性的优质储层朵叶体的定量预测。
在一个实施例中，通过训练好的所述相控模型，基于叠后反演角度多方法进行优质储层预测，实现所述相控储层的定量预测；
在一个实施例中，相控储层的定性预测包括优质储层正演：优质储层与致密砂岩的组合形式；储层随厚度变化；其中，优质储层地震反射特征：点状强反射特征，横向连续性差，具有一定的形态学特征；不同期次朵叶体内等时切片属性分析方式；优质储层平面分布地质综合解释。
在一个实施例中，所述定量预测包括分期次建立朵叶体相控约束的低频模型；建立朵叶体下的岩石物理区分量；基于所述低频模型采用常规相控反演，特征曲线反演，以及波形指示反演进行优质储层平面分布预测；所述常规相控反演包括稀疏脉冲反演，地质统计学反演，协模拟岩性反演。
在一个实施例中，采用常规相控反演进行所述相控叠后反演优质储层定量预测包括稀疏脉冲反演；地质统计学反演；协模拟岩性反演；最终预测优质储层。
在一个实施例中，采用常规相控反演结合特征曲线反演进行所述相控叠后反演优质储层定量预测包括稀疏脉冲反演与特征曲线反演并行；地质统计学反演；最终预测优质储层。
在一个实施例中，采用波形指示反演结合特征曲线反演进行所述相控叠后反演优质储层定量预测包括波形指示反演与特征曲线反演并行；最终预测优质储层。
分析对比所述多种反演方法的所述朵叶体预测的预测结果，确定最终优化预测结果。
在一个实施例中，所述分析对比所述多种反演方法的所述朵叶体预测的预测结果，确定最终优化预测结果，包括：以平面剖面结合的方式对所述朵叶体预测的预测结果进行可靠性论证；选取平均值，降低门槛值，对所述朵叶体预测的预测结果进行优化，确定所述最终优化预测结果。
在一个实施例中，对地质体(例如朵叶体)预测的预测结果进行优化，包括预测结果平面特性成因分析；确定优化方向，例如选取平均值，降低门槛值；网络化编图；获取最终优化方案。
另一方面，在一个实施例中，请参阅图3，图3为本申请一实施例提供的电子设备的结构图。如图3所示，所述电子设备包括处理器、存储器和总线。
所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时，可以执行如上述图1所示方法实施例中的基于地质模型的相控储层预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
另一方面，在一个实施例中，本申请实施例还提供一种计算机可读存储介质，如图4所示，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的基于地质模型的相控储层预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
综上，本发明通过采集、分析岩心、测井和地震数据；基于所述数据采集、分析，建立初始地质模型；根据地质结构，划分地质年代期次、划分地质体；基于划分的所述期次、地质体，分析储层的地球物理特征；基于分析结果，对所述初始地质模型进行训练，获得满足约束条件的相控模型；基于所述相控模型，应用多种反演方法进行分期次的朵叶体预测；分析对比所述多种反演方法的所述朵叶体预测的预测结果，确定最终优化预测结果。能够精确刻画相控储层的空间展布，克服精细刻画时存在的不准确的问题，获得对相控储层预测的准确效果。在一个具体示例中，建立了G1井区和Z地区两个不同的地层-沉积构成模式；明确了G1井区和Z地区优质储层的地质与地球物理特征，揭示了优质储层的组合样式和测井-地震响应特征；通过在G1井区的试验，提出了地质模式指导下的相控储层预测的思路与技术方法流程，同时该思路与技术方法流程在Z地区得到较好的应用与深化；通过地质模式指导下的相控储层预测技术方法的应用。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (6)
1.一种基于地质模型的相控储层预测方法，包括：
S1：对岩心、测井和地震数据进行采集、分析；
采集须一、二段地质数据，包括岩心测绘数据，测井数据和地震数据；
通过岩心测绘数据，测井数据和地震数据的分析，确定须一、二段沉积早、晚期的地质特征；
S2：基于所述数据采集、分析，确定地层构成类型，建立初始地质模型；
S3：根据地质结构，分析储层的地球物理响应特征；
步骤S3具体包括：
S31：根据储层的地质分类标准，得到储层的地质特征；
其中，所述储层的地质特征包括储层岩石类型特征，岩石物理特征，孔隙类型特征，
主控特征，储层测井响应特征，以及储层纵向分布特征；
S32：对储层的地质特征进行分析，得到对应测井的地球物理响应特征；
S4：基于得到的地球物理响应特征，对所述初始地质模型进行训练，获得满足约束条件的相控模型；
步骤S4具体包括：
S41：基于得到的地球物理响应特征，相控叠后多属性优质储层定性预测；
对不同期次朵叶体内等时切片属性分析方式，对不同期次三角洲朵叶体识别与刻画；
S42：基于得到的地球物理响应特征，相控叠后反演优质储层定量预测；
步骤S42具体包括：
S421：建立以不同期次三角洲朵叶体相控约束的低频模型，提高预测结果地质模式的合理性；
S422：建立不同期次朵叶体下的岩石物理区分量版，提高储层预测敏感性和精度，降低岩性及物性预测过程中的多解性；
S423：进行常规相控反演和特征曲线反演，并将相控稀疏脉冲与特征曲线反演效果对比；
其中，所述常规相控反演包括稀疏脉冲反演，地质统计学反演，协模拟岩性反演；
S5：根据所得相控模型分析对比预测结果，确定最终优化预测结果。
2.根据权利要求1所述的方法，其特征在于：所述相控储层属于孔隙型。
3.根据权利要求1所述的方法，其特征在于，步骤S2具体包括：
S21：基于所述数据采集、分析，确定地层构成类型；
S22：根据确定的地层构成类型，建立初始地质模型，所述初始地质模型是低频模型。
4.根据权利要求1所述的方法，其特征在于，
所述步骤S41中，所述定性预测包括：相控储层的物理特征正演分析；所述物理特征包括岩层地震反射特征，朵叶体内等时切片特征，储层平面分布地质特征。
5.一种基于地质模型的相控储层预测装置，包括：
数据模块，用于采集、分析岩心、测井和地震数据；
初始模块，用于基于所述数据采集、分析，建立初始地质模型；
分析模块，用于根据地质结构，划分地质年代期次、划分地质体；基于划分的所述期次、地质体，分析储层的地球物理特征；
其中， 所述分析模块：
根据储层的地质分类标准，得到储层的地质特征；
并对储层的地质特征进行分析，得到对应测井的地球物理响应特征；
模型训练模块，用于基于分析结果，对所述初始地质模型进行训练，获得满足约束条件的相控模型；
其中，所述模型训练模块：
基于得到的地球物理响应特征，相控叠后多属性优质储层定性预测；
基于得到的地球物理响应特征，相控叠后反演优质储层定量预测，具体包括：
建立以不同期次三角洲朵叶体相控约束的低频模型，提高预测结果地质模式的合理性；
建立不同期次朵叶体下的岩石物理区分量版，提高储层预测敏感性和精度，降低岩性及物性预测过程中的多解性；
进行常规相控反演和特征曲线反演，并将相控稀疏脉冲与特征曲线反演效果对比；
其中，所述常规相控反演包括稀疏脉冲反演，地质统计学反演，协模拟岩性反演；
预测模块，用于基于所述相控模型，应用多种反演方法进行分期次的朵叶体预测；分析对比所述多种反演方法的所述朵叶体预测的预测结果，确定最终优化预测结果。
6.一种基于地质模型的相控储层预测系统，所述系统包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-4中任一所述的基于地质模型的相控储层预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211208392.1A CN115576011B (zh) | 2022-09-30 | 2022-09-30 | 一种基于地质模型的相控储层预测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211208392.1A CN115576011B (zh) | 2022-09-30 | 2022-09-30 | 一种基于地质模型的相控储层预测方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115576011A CN115576011A (zh) | 2023-01-06 |
| CN115576011B true CN115576011B (zh) | 2023-11-10 |
Family
ID=84582866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211208392.1A Active CN115576011B (zh) | 2022-09-30 | 2022-09-30 | 一种基于地质模型的相控储层预测方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115576011B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104155687A (zh) * | 2013-05-15 | 2014-11-19 | 中国石油化工股份有限公司 | 一种相控叠后声波阻抗反演方法 |
| CN104502966A (zh) * | 2014-12-23 | 2015-04-08 | 中国石油天然气集团公司 | 一种薄储层的预测方法及系统 |
| CN105549116A (zh) * | 2015-12-10 | 2016-05-04 | 中国石油天然气股份有限公司 | 一种重建岩相古地理的方法及装置 |
| CN106855636A (zh) * | 2017-03-23 | 2017-06-16 | 西南石油大学 | 基于碳酸盐岩储层露头的原型地质模型地震正演方法 |
| CN109116421A (zh) * | 2018-10-23 | 2019-01-01 | 中海石油(中国)有限公司 | 一种辫状河三角洲储层统计学反演参数确定方法 |
| CN114114459A (zh) * | 2021-11-26 | 2022-03-01 | 西南石油大学 | 一种相控约束下的深层-超深层碳酸盐岩薄储层预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113406695B (zh) * | 2021-05-31 | 2022-12-13 | 长江大学 | 基于层速度地震地质模型的地震反演方法及系统 |
-
2022
- 2022-09-30 CN CN202211208392.1A patent/CN115576011B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104155687A (zh) * | 2013-05-15 | 2014-11-19 | 中国石油化工股份有限公司 | 一种相控叠后声波阻抗反演方法 |
| CN104502966A (zh) * | 2014-12-23 | 2015-04-08 | 中国石油天然气集团公司 | 一种薄储层的预测方法及系统 |
| CN105549116A (zh) * | 2015-12-10 | 2016-05-04 | 中国石油天然气股份有限公司 | 一种重建岩相古地理的方法及装置 |
| CN106855636A (zh) * | 2017-03-23 | 2017-06-16 | 西南石油大学 | 基于碳酸盐岩储层露头的原型地质模型地震正演方法 |
| CN109116421A (zh) * | 2018-10-23 | 2019-01-01 | 中海石油(中国)有限公司 | 一种辫状河三角洲储层统计学反演参数确定方法 |
| CN114114459A (zh) * | 2021-11-26 | 2022-03-01 | 西南石油大学 | 一种相控约束下的深层-超深层碳酸盐岩薄储层预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| Chen Xinhua et al.Deep learning inversion of Rayleigh-wave dispersion curves with geological constraints for near-surface investigations.GEOPHYSICAL JOURNAL INTERNATIONAL.2022,第231卷(第1期),全文. * |
| 地质统计学反演在薄砂体储层预测中的应用;张义;尹艳树;秦志勇;;断块油气田(05);全文 * |
| 地震反演、地质协同约束储层精细建模研究;陈更新;赵凡;曹正林;郑红军;王爱萍;胡云鹏;;天然气地球科学(11);全文 * |
| 孙玉朋 等.复杂储层相控预测及定量预测技术一体化研究.中国地质学会2013年学术年会论文摘要汇编——S02资源与环境地球物理勘查理论与方法技术分会场.2013,第62-69页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115576011A (zh) | 2023-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019062655A1 (zh) | 薄夹层的确定方法和装置 | |
| US8838425B2 (en) | Generating facies probablity cubes | |
| CN106842307B (zh) | 一种基于正演约束下波形分类再检索的储层精细预测方法 | |
| CN108802812A (zh) | 一种井震融合的地层岩性反演方法 | |
| Bashore et al. | Importance of a geological framework and seismic data integration for reservoir modeling and subsequent fluid-flow predictions | |
| White et al. | Sedimentology, statistics, and flow behavior for a tide-influenced deltaic sandstone, Frontier Formation, Wyoming, United States | |
| CN112505754B (zh) | 基于高精度层序格架模型的井震协同划分沉积微相的方法 | |
| Trippetta et al. | Carbonate-ramp reservoirs modelling best solutions: Insights from a dense shallow well database in Central Italy | |
| Iltaf et al. | Facies and petrophysical modeling of Triassic Chang 6 tight sandstone reservoir, Heshui oil field, Ordos basin, China | |
| CN115576011B (zh) | 一种基于地质模型的相控储层预测方法、装置及系统 | |
| Pyrcz et al. | Representative input parameters for geostatistical simulation | |
| Liu et al. | Geostatistical modeling for fine reservoir description of Wei2 block of Weicheng oilfield, Dongpu depression, China | |
| CN112433248B (zh) | 一种碳酸盐岩沉积环境下隐蔽储层的探测方法 | |
| CN115880455A (zh) | 基于深度学习的三维智能插值方法 | |
| Hami-Eddine et al. | Anomaly detection using dynamic Neural Networks, classification of prestack data | |
| Pandey et al. | Geocellular Model for Tertiary Reservoirs in Manhera Tibba Gas Field, Jaisalmer Basin, Rajasthan, India | |
| CN112377104B (zh) | 动态调整致密砂岩气藏水平井实钻轨迹的方法及装置 | |
| Correia | Integration of reservoir characterization with history matching guided by pilot wells: Application to the Norne Field | |
| Kondratyev et al. | Submarine fan reservoir architecture and heterogeneity influence on hard-to-recover reserves. Achimov Fm | |
| CN114114411B (zh) | 三维断层疏导性的定量确定方法及装置 | |
| Rashid et al. | Integrating facies analysis and geostatistical methods in an onshore oil field using petrophysical groups | |
| Li et al. | A well conditioning method of object-based models | |
| Shahbazi | Hybrid Strategy for Porosity Distribution Mapping on a Heterogeneous Reservoir Using Artificial Intelligence Method | |
| Masaud et al. | Reservoir Characterization-Geostatistical Modeling of the Paleocene Zelten Carbonate Reservoir. Case study: Meghil Field, Sirte Basin, Libya | |
| CN116184526A (zh) | 河道砂体连通性定性表征方法、装置、介质及设备 |
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 |