CN115629414A - 稀井区烃源岩toc预测方法、系统、电子设备及介质 - Google Patents
稀井区烃源岩toc预测方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN115629414A CN115629414A CN202211286246.0A CN202211286246A CN115629414A CN 115629414 A CN115629414 A CN 115629414A CN 202211286246 A CN202211286246 A CN 202211286246A CN 115629414 A CN115629414 A CN 115629414A
- Authority
- CN
- China
- Prior art keywords
- well
- toc
- virtual
- attribute
- seismic
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000004215 Carbon black (E152) Substances 0.000 title claims abstract description 52
- 229930195733 hydrocarbon Natural products 0.000 title claims abstract description 52
- 150000002430 hydrocarbons Chemical class 0.000 title claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims description 43
- 238000012795 verification Methods 0.000 claims description 41
- 238000005553 drilling Methods 0.000 claims description 15
- 239000004576 sand Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 239000005416 organic matter Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 4
- 229910052799 carbon Inorganic materials 0.000 abstract description 4
- 238000011158 quantitative evaluation Methods 0.000 abstract description 2
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 208000035126 Facies Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- 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)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种稀井区烃源岩TOC预测方法、系统、电子设备及介质，涉及烃源岩碳含量预测技术领域，包括：在无井区域建立虚拟井；基于地震属性提取方法确定虚拟井井上地震属性；基于砂泥岩岩性预测模型，根据虚拟井井上地震属性确定虚拟井的岩性，并提取虚拟井的泥岩层段；对虚拟井的泥岩层段，基于单井纵向连续TOC预测模型确定虚拟井的泥岩层段中烃源岩的纵向连续TOC预测值；基于预设地质条件约束，结合虚拟井的泥岩层段中烃源岩的纵向连续TOC预测值和实测TOC值构建目标稀井区的三维TOC属性体，进而对目标稀井区的烃源岩TOC进行预测。本发明实现了对稀井区烃源岩TOC更高精度的定量评价和预测。
Description
技术领域
本发明涉及烃源岩碳含量预测技术领域，特别是涉及一种稀井区烃源岩TOC预测方法、系统、电子设备及介质。
背景技术
总有机碳含量(TOC)是评价生油岩生烃能力的主要指标之一，是含油盆地中生烃研究和资源评价的一项重要参数。然而在海上，由于受到钻井工程问题限制，钻井覆盖区域小，钻井取芯少，只能以有限的分析测试样品代表整个评价层段和区域，忽略了烃源岩分布的非均质性，使得有机质丰度预测过程中，预测结果与实际情况有很大的偏差，有时还可能得到错误的结论，这对资源潜力评价带来了极大的困难。
此外，传统对待稀井区烃源岩TOC预测方法由实测井数据结合沉积相推测得出结果，精度及可靠性较低，无法满足勘探需求。
发明内容
本发明的目的是提供一种稀井区烃源岩TOC预测方法、系统、电子设备及介质，实现对稀井区烃源岩TOC更高精度、更有科学依据的定量评价和预测。
为实现上述目的，本发明提供了如下方案：
第一方面，本发明提供一种稀井区烃源岩TOC预测方法，包括：
在无井区域建立虚拟井；
基于地震属性提取方法，确定虚拟井井上地震属性；
基于砂泥岩岩性预测模型，根据所述虚拟井井上地震属性，确定所述虚拟井的岩性，并提取所述虚拟井的泥岩层段；所述砂泥岩岩性预测模型是基于目标稀井区的实测井确定的；
对所述虚拟井的泥岩层段，基于单井纵向连续TOC预测模型，确定所述虚拟井的泥岩层段中烃源岩的纵向连续TOC预测值；所述单井纵向连续TOC预测模型是基于目标稀井区的实测井确定的；
基于预设地质条件约束，结合所述虚拟井的泥岩层段中烃源岩的纵向连续TOC预测值和实测TOC值，构建目标稀井区的三维TOC属性体；所述实测TOC值为目标稀井区中实测井对应的TOC实测值；
根据所述目标稀井区的三维TOC属性体，对所述目标稀井区的烃源岩TOC进行预测。
可选地，所述砂泥岩岩性预测模型的构建过程，具体包括：
获取目标稀井区中实测三维地震数据；
根据所述实测三维地震数据，确定所述目标稀井区中实测井上各岩层的均方根振幅数据和方差地震属性数据；
对所述均方根振幅数据和所述方差地震属性数据进行归一化处理；
根据经过归一化处理的所述均方根振幅数据和所述方差地震属性数据，确定砂泥岩比例阈值。
可选地，所述虚拟井井上地震属性包括均方根振幅属性和方差地震属性；
所述基于砂泥岩岩性预测模型，根据所述虚拟井井上地震属性，确定所述虚拟井的岩性，并提取所述虚拟井的泥岩层段，具体包括：
基于所述砂泥岩比例阈值，根据所述虚拟井中各岩层的均方根振幅属性和方差地震属性，确定所述虚拟井中各岩层的泥岩层段分布。
可选地，所述单井纵向连续TOC预测模型的构建过程，具体包括：
对目标稀井区中实测井进行岩心岩屑测试分析，以得到所述实测井的离散TOC数据；
根据预设响应特征，确定所述实测井的待使用测井曲线；所述预设响应特征包括电阻特征、声波特征和泥岩岩性特征；
基于所述待使用测井曲线，采用ΔLogR法，根据所述实测井的离散TOC数据建立单井纵向连续TOC预测模型。
可选地，所述基于预设地质条件约束，结合所述虚拟井的泥岩层段中烃源岩的纵向连续TOC预测值和实测TOC值，构建目标稀井区的三维TOC属性体，具体包括：
对目标稀井区进行地球化学测试分析，确定所述目标稀井区的陆源有机质输入数据、古生产力数据和保存条件数据；
基于所述目标稀井区中实测井的位置，对所述陆源有机质输入数据、所述古生产力数据和所述保存条件数据，分别进行权重赋值；所述权重赋值用于优化所述虚拟井对应的纵向连续TOC预测值，以使得所述虚拟井对应的纵向连续TOC预测值与目标稀井区中实测井对应的纵向连续TOC值的差值均处于设置差值范围内；
基于经过权重赋值后的所述陆源有机质输入数据、所述古生产力数据和所述保存条件数据，根据预设变差函数、预设平面分布概率和预设垂向分布概率，将所述虚拟井插值至所述目标稀井区的实测井之间，以得到目标稀井区的三维TOC属性体。
可选地，所述基于地震属性提取方法，确定虚拟井井上地震属性，具体包括：
构建多种属性的地震属性预测TOC模型；地震属性包括均方根振幅属性、平均瞬时频率属性、平均瞬时相位属性、地震道积分属性和方差地震属性；所述多种属性包括岩性和至少任一所述地震属性；所述岩性包括泥岩岩性特征和砂岩岩性特征；所述地震属性预测TOC模型是根据训练集和神经网络进行训练得到的；所述训练集包括历史钻井的三维地震数据和所述三维地震数据对应的多种属性；
基于多种属性的地震属性预测TOC模型，确定最优的地震属性预测TOC模型；
根据所述最优的地震属性预测TOC模型，确定虚拟井井上地震属性。
可选地，根据所述目标稀井区的三维TOC属性体，对所述目标稀井区的烃源岩TOC进行预测的步骤之前，还包括：
获取所述目标稀井区的验证井集合以及所述验证井集合中每个验证井对应的TOC实测值；所述验证井为所述目标稀井区的任一实测井；
针对每一验证井，基于所述目标稀井区的三维TOC属性体，确定所述验证井的TOC预测值；
计算所述验证井的TOC预测值与所述验证井对应的TOC实测值的差值，以得到验证差值；
当所述验证差值处于预设验证差范围内时，进入根据所述目标稀井区的三维TOC属性体，对所述目标稀井区的烃源岩TOC进行预测的步骤；
当所述验证差值未处于预设验证差范围内时，返回所述在无井区域建立虚拟井的步骤。
第二方面，本发明提供一种稀井区烃源岩TOC预测系统，包括：
虚拟井建立模块，用于在无井区域建立虚拟井；
虚拟井地震属性确定模块，用于基于地震属性提取方法，确定虚拟井井上地震属性；
虚拟井泥岩段确定模块，用于基于砂泥岩岩性预测模型，根据所述虚拟井井上地震属性，确定所述虚拟井的岩性，并提取所述虚拟井的泥岩层段；所述砂泥岩岩性预测模型是基于目标稀井区的实测井确定的；
虚拟井TOC预测模块，用于对所述虚拟井的泥岩层段，基于单井纵向连续TOC预测模型，确定所述虚拟井的泥岩层段中烃源岩的纵向连续TOC预测值；所述单井纵向连续TOC预测模型是基于目标稀井区的实测井确定的；
三维TOC属性体构建模块，用于基于预设地质条件约束，结合所述虚拟井的泥岩层段中烃源岩的纵向连续TOC预测值和实测TOC值，构建目标稀井区的三维TOC属性体；所述实测TOC值为目标稀井区中实测井对应的TOC实测值；
预测模块，用于根据所述目标稀井区的三维TOC属性体，对所述目标稀井区的烃源岩TOC进行预测。
第三方面，本发明提供一种电子设备，包括存储器和处理器；
所述存储器用于存储计算机程序，所述处理器用于运行所述计算机程序以执行稀井区烃源岩TOC预测方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序；
所述计算机程序被处理器执行时实现稀井区烃源岩TOC预测方法的步骤。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种稀井区烃源岩TOC预测方法、系统、电子设备及介质，首先建立虚拟井；基于地震属性提取方法，确定虚拟井井上地震属性；基于砂泥岩岩性预测模型，确定虚拟井的岩性，并提取对应的泥岩层段；对虚拟井的泥岩层段，基于单井纵向连续TOC预测模型，确定其泥岩层段中烃源岩的纵向连续TOC预测值；最后基于预设地质条件约束，结合虚拟井的泥岩层段中烃源岩的纵向连续TOC预测值和目标稀井区中实测井对应的TOC实测值，构建目标稀井区的三维TOC属性体，从而实现虚拟井数据与实测井数据的结合。相对于现有技术中仅通过平均值计算出各个组的TOC平面等值线图，本发明采用虚拟井与实测井结合的方法获得的三维TOC属性体，能够更直观、更准确地表现出优势烃源岩灶位置。
此外，相较于现有技术中对待稀井区烃源岩TOC预测仅由实测井数据结合沉积相推测得出结果，本申请基于实测井建立相关的砂泥岩岩性预测模型和单井纵向连续TOC预测模型，并基于上述两种模型建立虚拟井，从而使得所得到的综合了实测井数据和虚拟井数据的三维TOC属性体具有较高的横向分辨率，大大提高了科学性及可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明稀井区烃源岩TOC预测方法的流程示意图；
图2为本发明稀井区烃源岩TOC预测系统的结构示意图。
具体实施方式
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，显然，所描述的实施例仅仅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，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示，本实施例提供一种稀井区烃源岩TOC预测方法，包括：
步骤100，在无井区域建立虚拟井；具体地，确定虚拟井在深度方向上贯穿所需研究的地质层位，确定虚拟井在平面上的初始分布为均匀分布在目标稀井区的研究区域内，而虚拟井实际的疏密程度取决于目标稀井区的研究区域的实际范围。原则上密度越大越精确。
步骤200，基于地震属性提取方法，确定虚拟井井上地震属性；具体地，步骤200包括：
1)对步骤100中建立的虚拟井，在petrel软件中，构建多种属性的地震属性预测TOC模型；地震属性包括均方根振幅属性、平均瞬时频率属性、平均瞬时相位属性、地震道积分属性和方差地震属性；所述多种属性包括岩性和至少任一所述地震属性；所述岩性包括泥岩岩性特征和砂岩岩性特征。所述地震属性预测TOC模型是根据训练集和神经网络进行训练得到的；所述训练集包括历史钻井的三维地震数据和所述三维地震数据对应的多种属性。
具体地，利用petrel软件从历史钻井的三维地震数据中，提取单井上均方根振幅属性数据、平均瞬时频率属性数据、平均瞬时相位属性数据、地震道积分属性数据、方差地震属性数据和岩性数据。在Matlab软件中，分别利用线性回归、高斯过程回归、决策树回归、支持向量机、核函数逼近、神经网络对历史钻井进行TOC预测建模。通过对上述多种回归方法得到的TOC结果进行对比研究，得出：神经网络方法既不会发生过拟合，又能保证一定的预测精度，因此选用神经网络进行地震属性提取模型的训练。
然后选取地震属性，按照单属性加岩性、两种属性加岩性、三种属性加岩性、四种属性加岩性和五种属性加岩性的组合方式，与上述通过Matlab软件建模得到的神经网络输出的TOC数据进行相关性分析，具体如下：
对于两种属性，从均方根振幅属性数据、平均瞬时频率属性数据、平均瞬时相位属性数据、地震道积分属性数据和方差地震属性数据中任意选取两种属性数据，结合岩性属性，作为历史钻井的特定属性；基于所述历史钻井的特定属性，确定对应的TOC值，进而分析所述历史钻井的特定属性(两种属性+岩性)与对应的TOC值之间的相关性。
对于三种属性，从均方根振幅属性数据、平均瞬时频率属性数据、平均瞬时相位属性数据、地震道积分属性数据和方差地震属性数据中任意选取三种属性数据，结合岩性属性，作为历史钻井的特定属性；基于所述历史钻井的特定属性，确定对应的TOC值，进而分析所述历史钻井的特定属性(三种属性+岩性)与对应的TOC值之间的相关性。
同理可得，四种属性+岩性和五种属性+岩性对应的相关性分析方法。
综合上述按照单属性+岩性、两种属性+岩性、三种属性+岩性、四种属性+岩性和五种属性+岩性分别与TOC值的相关性分析结果，确定出相关性最高的属性数量为五种属性+岩性，即结果最佳的神经网络为输入数值包括均方根振幅数据、平均瞬时频率数据、平均瞬时相位数据、地震道积分数据、方差地震数据和岩性数据的神经网络。即得到2)基于多种属性的地震属性预测TOC模型，确定最优的地震属性预测TOC模型。所述最优的地震属性预测TOC模型的输入地震属性包括均方根振幅属性、平均瞬时频率属性、平均瞬时相位属性、地震道积分属性、方差地震属性和岩性。
3)根据所述最优的地震属性预测TOC模型，确定虚拟井井上地震属性。所述虚拟井井上地震属性包括均方根振幅属性、平均瞬时频率属性、平均瞬时相位属性、地震道积分属性、方差地震属性和岩性。
步骤300，基于砂泥岩岩性预测模型，根据所述虚拟井井上地震属性，确定所述虚拟井的岩性，并提取所述虚拟井的泥岩层段；所述砂泥岩岩性预测模型是基于目标稀井区的实测井确定的。
优选地，所述砂泥岩岩性预测模型的构建过程，具体包括：
1)获取目标稀井区中实测三维地震数据。
2)根据所述实测三维地震数据，确定所述目标稀井区中实测井上各岩层的均方根振幅数据和方差地震属性数据；具体地，利用Petrel软件从实测三维地震数据中提取井上均方根振幅数据和方差地震属性数据。
3)对所述均方根振幅数据和所述方差地震属性数据进行归一化处理。假设经过归一化处理后的均方根振幅数据为A，方差地震属性数据为B。
4)根据经过归一化处理的所述均方根振幅数据和所述方差地震属性数据，确定砂泥岩比例阈值。具体地，获取目标稀井区内平面泥岩比例数据，所述平面泥岩比例数据为一个预设值；根据所述平面泥岩比例数据确定所述实测井的泥岩比例百分比X，寻找出恰好满足X＝1-A+B的泥岩比例百分比X，并将所述泥岩比例百分比X作为砂泥岩比例阈值。
基于上述构建的砂泥岩岩性预测模型，所述步骤300具体包括：基于所述砂泥岩比例阈值，根据所述虚拟井中各岩层的均方根振幅属性和方差地震属性，确定所述虚拟井中各岩层的泥岩层段分布。
步骤400，对所述虚拟井的泥岩层段，基于单井纵向连续TOC预测模型，确定所述虚拟井的泥岩层段中烃源岩的纵向连续TOC预测值；所述单井纵向连续TOC预测模型是基于目标稀井区的实测井确定的。具体地，选用特定的测井曲线，根据ΔLogR法，对虚拟井的泥岩层段进行纵向连续TOC预测值的计算。
优选地，所述单井纵向连续TOC预测模型的构建过程，具体包括：
1)对目标稀井区中实测井进行岩心岩屑测试分析，以得到所述实测井的离散TOC数据。
2)根据预设响应特征，确定所述实测井的待使用测井曲线；所述预设响应特征包括电阻特征、声波特征和泥岩岩性特征。具体地，所述预设响应特征还包括实测井在平面上的特征和实测井在纵向上的特征。其中，实测井在平面上的特征包括：所述实测井在目标稀井区的整个地区范围的地质环境条件和TOC最值；实测井在纵向上的特征包括实测井所处的岩层层段。不同的预设响应特征对应不同的建模井，不同的建模井对应不同的测井曲线。
3)基于所述待使用测井曲线，采用ΔLogR法，根据所述实测井的离散TOC数据建立单井纵向连续TOC预测模型。
进一步地，采用上述构建完成的单井纵向连续TOC预测模型，对不同建模条件的钻井进行泥岩段的纵向连续TOC预测，并根据实际测试分析结果对预测结果进行验证。当验证的结果不满于预设精度条件时，重新构建单井纵向连续TOC预测模型。
步骤500，基于预设地质条件约束，结合所述虚拟井的泥岩层段中烃源岩的纵向连续TOC预测值和实测TOC值，构建目标稀井区的三维TOC属性体；所述实测TOC值为目标稀井区中实测井对应的TOC实测值。
步骤500，具体包括：
1)对目标稀井区进行地球化学测试分析，确定所述目标稀井区的陆源有机质输入数据、古生产力数据和保存条件数据。一般来说，需要确定目标稀井区的陆源有机质输入数据、古生产力数据和保存条件数据各自分别对应的等级；比如，古生产力存在高等级、中等级和低等级之分，保存条件也存在高等级、中等级和低等级之分，而不同的等级对应的不同的地球化学环境，不同的地球化学环境会对钻井TOC数值的实际大小产生影响。
2)基于所述目标稀井区中实测井的位置，对所述陆源有机质输入数据、所述古生产力数据和所述保存条件数据，分别进行权重赋值；所述权重赋值用于优化所述虚拟井对应的纵向连续TOC预测值，以使得所述虚拟井对应的纵向连续TOC预测值与目标稀井区中实测井对应的纵向连续TOC值的差值均处于设置差值范围内。
具体地，根据实测井的位置，对陆源有机质输入数据、古生产力数据和保存条件数据分别进行赋值，并通过调整权重赋值，使达到赋值之后虚拟井在不同区带预测值与实测井TOC数值最接近。
3)基于经过权重赋值后的所述陆源有机质输入数据、所述古生产力数据和所述保存条件数据，根据预设变差函数、预设平面分布概率和预设垂向分布概率，将所述虚拟井插值至所述目标稀井区的实测井之间，以得到目标稀井区的三维TOC属性体。
具体地，在Petrel软件中，将经过上述权重赋值优化后的虚拟井插值至目标稀井区的实测井之间；其中，预设平面分布概率用于调整虚拟井与实测井在平面上的分布，预设垂向分布概率用于调整虚拟井与实测井在垂向上的分布，变差函数则用于调整虚拟井在平面水平方向或者垂向上与实测井在某一距离范围内的变化程度。
步骤600，根据所述目标稀井区的三维TOC属性体，对所述目标稀井区的烃源岩TOC进行预测。在实际应用中，采用三维TOC属性体对目标稀井区的烃源岩TOC高值区进行预测，以为后续的勘探提供精确的数据基础。
在一个具体应用中，所述稀井区烃源岩TOC预测方法还包括：
步骤5001，获取所述目标稀井区的验证井集合以及所述验证井集合中每个验证井对应的TOC实测值；所述验证井为所述目标稀井区的任一实测井，且所述验证井与上文中用于构建模型的实测井并非同一钻井。一般来说，验证井集合中包括一个或两个验证井。
步骤5002，针对每一验证井，基于所述目标稀井区的三维TOC属性体，确定所述验证井的TOC预测值。
步骤5003，计算所述验证井的TOC预测值与所述验证井对应的TOC实测值的差值，以得到验证差值。
步骤5004，当所述验证差值处于预设验证差范围内时，进入步骤600；当所述验证差值未处于预设验证差范围内时，返回步骤100，重新进行虚拟井相关数据的构建，以得到新的目标稀井区的三维TOC属性体。
此外，还可以根据三维TOC属性体进行下述验证：1)验证井的TOC预测值与验证井对应的地质背景认识的符合性验证；具体包括：将地质背景认识下不同岩层之间、相同岩层不同区域之间的高低，与对应的预测结果做对比验证；2)通过三维TOC属性体得到的预测结果与现有油气田发现位置的匹配关系验证。
综上，本实施例通过岩心、岩屑测试仅能获得离散的TOC含量数据，尤其是井位稀少或者取心较少的勘探区块；仅靠地球化学分析手段难以对烃源岩总有机碳进行三维评价，因此增加地球物理测井手段，获得单井纵向更高精度的TOC预测数据，用得到的足够量的TOC数据与地震属性建立地震属性提取模型，最后再用地质约束条件计算结果，得到高准确性、可直观展示的三维TOC属性体，实现少井区的TOC预测。
实施例二
如图2所示，为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，本实施例提供了一种稀井区烃源岩TOC预测系统，包括：
虚拟井建立模块101，用于在无井区域建立虚拟井。
虚拟井地震属性确定模块201，用于基于地震属性提取方法，确定所虚拟井井上地震属性。
虚拟井泥岩段确定模块301，用于基于砂泥岩岩性预测模型，根据所述虚拟井井上地震属性，确定所述虚拟井的岩性，并提取所述虚拟井的泥岩层段；所述砂泥岩岩性预测模型是基于目标稀井区的实测井确定的。
虚拟井TOC预测模块401，用于对所述虚拟井的泥岩层段，基于单井纵向连续TOC预测模型，确定所述虚拟井的泥岩层段中烃源岩的纵向连续TOC预测值；所述单井纵向连续TOC预测模型是基于目标稀井区的实测井确定的。
三维TOC属性体构建模块501，用于基于预设地质条件约束，结合所述虚拟井的泥岩层段中烃源岩的纵向连续TOC预测值和实测TOC值，构建目标稀井区的三维TOC属性体；所述实测TOC值为目标稀井区中实测井对应的TOC实测值。
预测模块601，用于根据所述目标稀井区的三维TOC属性体，对所述目标稀井区的烃源岩TOC进行预测。
实施例三
本实施例提供一种电子设备，包括存储器和处理器；所述存储器用于存储计算机程序，所述处理器用于运行所述计算机程序以执行实施例一的稀井区烃源岩TOC预测方法。
可选地，所述电子设备为服务器。
另外，本实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序；所述计算机程序被处理器执行时实现实施例一的稀井区烃源岩TOC预测方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种稀井区烃源岩TOC预测方法，其特征在于，所述稀井区烃源岩TOC预测方法包括：
在无井区域建立虚拟井；
基于地震属性提取方法，确定虚拟井井上地震属性；
基于砂泥岩岩性预测模型，根据所述虚拟井井上地震属性，确定所述虚拟井的岩性，并提取所述虚拟井的泥岩层段；所述砂泥岩岩性预测模型是基于目标稀井区的实测井确定的；
对所述虚拟井的泥岩层段，基于单井纵向连续TOC预测模型，确定所述虚拟井的泥岩层段中烃源岩的纵向连续TOC预测值；所述单井纵向连续TOC预测模型是基于目标稀井区的实测井确定的；
基于预设地质条件约束，结合所述虚拟井的泥岩层段中烃源岩的纵向连续TOC预测值和实测TOC值，构建目标稀井区的三维TOC属性体；所述实测TOC值为目标稀井区中实测井对应的TOC实测值；
根据所述目标稀井区的三维TOC属性体，对所述目标稀井区的烃源岩TOC进行预测。
2.根据权利要求1所述的稀井区烃源岩TOC预测方法，其特征在于，所述砂泥岩岩性预测模型的构建过程，具体包括：
获取目标稀井区中实测三维地震数据；
根据所述实测三维地震数据，确定所述目标稀井区中实测井上各岩层的均方根振幅数据和方差地震属性数据；
对所述均方根振幅数据和所述方差地震属性数据进行归一化处理；
根据经过归一化处理的所述均方根振幅数据和所述方差地震属性数据，确定砂泥岩比例阈值。
3.根据权利要求2所述的稀井区烃源岩TOC预测方法，其特征在于，所述虚拟井井上地震属性包括均方根振幅属性和方差地震属性；
所述基于砂泥岩岩性预测模型，根据所述虚拟井井上地震属性，确定所述虚拟井的岩性，并提取所述虚拟井的泥岩层段，具体包括：
基于所述砂泥岩比例阈值，根据所述虚拟井中各岩层的均方根振幅属性和方差地震属性，确定所述虚拟井中各岩层的泥岩层段分布。
4.根据权利要求1所述的稀井区烃源岩TOC预测方法，其特征在于，所述单井纵向连续TOC预测模型的构建过程，具体包括：
对目标稀井区中实测井进行岩心岩屑测试分析，以得到所述实测井的离散TOC数据；
根据预设响应特征，确定所述实测井的待使用测井曲线；所述预设响应特征包括电阻特征、声波特征和泥岩岩性特征；
基于所述待使用测井曲线，采用ΔLogR法，根据所述实测井的离散TOC数据建立单井纵向连续TOC预测模型。
5.根据权利要求1所述的稀井区烃源岩TOC预测方法，其特征在于，所述基于预设地质条件约束，结合所述虚拟井的泥岩层段中烃源岩的纵向连续TOC预测值和实测TOC值，构建目标稀井区的三维TOC属性体，具体包括：
对目标稀井区进行地球化学测试分析，确定所述目标稀井区的陆源有机质输入数据、古生产力数据和保存条件数据；
基于所述目标稀井区中实测井的位置，对所述陆源有机质输入数据、所述古生产力数据和所述保存条件数据，分别进行权重赋值；所述权重赋值用于优化所述虚拟井对应的纵向连续TOC预测值，以使得所述虚拟井对应的纵向连续TOC预测值与目标稀井区中实测井对应的纵向连续TOC值的差值均处于设置差值范围内；
基于经过权重赋值后的所述陆源有机质输入数据、所述古生产力数据和所述保存条件数据，根据预设变差函数、预设平面分布概率和预设垂向分布概率，将所述虚拟井插值至所述目标稀井区的实测井之间，以得到目标稀井区的三维TOC属性体。
6.根据权利要求1所述的稀井区烃源岩TOC预测方法，其特征在于，所述基于地震属性提取方法，确定虚拟井井上地震属性，具体包括：
构建多种属性的地震属性预测TOC模型；地震属性包括均方根振幅属性、平均瞬时频率属性、平均瞬时相位属性、地震道积分属性和方差地震属性；所述多种属性包括岩性和至少任一所述地震属性；所述岩性包括泥岩岩性特征和砂岩岩性特征；所述地震属性预测TOC模型是根据训练集和神经网络进行训练得到的；所述训练集包括历史钻井的三维地震数据和所述三维地震数据对应的多种属性；
基于多种属性的地震属性预测TOC模型，确定最优的地震属性预测TOC模型；
根据所述最优的地震属性预测TOC模型，确定虚拟井井上地震属性。
7.根据权利要求1所述的稀井区烃源岩TOC预测方法，其特征在于，根据所述目标稀井区的三维TOC属性体，对所述目标稀井区的烃源岩TOC进行预测的步骤之前，还包括：
获取所述目标稀井区的验证井集合以及所述验证井集合中每个验证井对应的TOC实测值；所述验证井为所述目标稀井区的任一实测井；
针对每一验证井，基于所述目标稀井区的三维TOC属性体，确定所述验证井的TOC预测值；
计算所述验证井的TOC预测值与所述验证井对应的TOC实测值的差值，以得到验证差值；
当所述验证差值处于预设验证差范围内时，进入根据所述目标稀井区的三维TOC属性体，对所述目标稀井区的烃源岩TOC进行预测的步骤；
当所述验证差值未处于预设验证差范围内时，返回所述在无井区域建立虚拟井的步骤。
8.一种稀井区烃源岩TOC预测系统，其特征在于，所述稀井区烃源岩TOC预测系统包括：
虚拟井建立模块，用于在无井区域建立虚拟井；
虚拟井地震属性确定模块，用于基于地震属性提取方法，确定虚拟井井上地震属性；
虚拟井泥岩段确定模块，用于基于砂泥岩岩性预测模型，根据所述虚拟井井上地震属性，确定所述虚拟井的岩性，并提取所述虚拟井的泥岩层段；所述砂泥岩岩性预测模型是基于目标稀井区的实测井确定的；
虚拟井TOC预测模块，用于对所述虚拟井的泥岩层段，基于单井纵向连续TOC预测模型，确定所述虚拟井的泥岩层段中烃源岩的纵向连续TOC预测值；所述单井纵向连续TOC预测模型是基于目标稀井区的实测井确定的；
三维TOC属性体构建模块，用于基于预设地质条件约束，结合所述虚拟井的泥岩层段中烃源岩的纵向连续TOC预测值和实测TOC值，构建目标稀井区的三维TOC属性体；所述实测TOC值为目标稀井区中实测井对应的TOC实测值；
预测模块，用于根据所述目标稀井区的三维TOC属性体，对所述目标稀井区的烃源岩TOC进行预测。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器；
所述存储器用于存储计算机程序，所述处理器用于运行所述计算机程序以执行权利要求1-7任一项所述的稀井区烃源岩TOC预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序；
所述计算机程序被处理器执行时实现权利要求1-7任一项所述的稀井区烃源岩TOC预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211286246.0A CN115629414A (zh) | 2022-10-20 | 2022-10-20 | 稀井区烃源岩toc预测方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211286246.0A CN115629414A (zh) | 2022-10-20 | 2022-10-20 | 稀井区烃源岩toc预测方法、系统、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115629414A true CN115629414A (zh) | 2023-01-20 |
Family
ID=84906794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211286246.0A Pending CN115629414A (zh) | 2022-10-20 | 2022-10-20 | 稀井区烃源岩toc预测方法、系统、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115629414A (zh) |
-
2022
- 2022-10-20 CN CN202211286246.0A patent/CN115629414A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2669948C2 (ru) | Оптимизация многоступенчатого проекта нефтяного месторождения в условиях неопределенности | |
| RU2601535C1 (ru) | Идентификация кластеров ориентации по микросейсмическим данным | |
| KR101618713B1 (ko) | 지반정보에 기초한 3차원 공간 모델링 방법 | |
| JP3390445B2 (ja) | 地質学的特性を推定するために統計学的較正技術を使用する地震トレース解析方法 | |
| CN108931814A (zh) | 一种基于多属性融合的基岩裂缝预测的方法 | |
| CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
| CN110056346B (zh) | 一种基于趋势变化函数的油藏三维原始含水饱和度模拟方法 | |
| US10087723B2 (en) | Methodology for building realistic numerical forward stratigraphic models in data sparse environment | |
| Tian et al. | Quantitative evaluation of key geological controls on regional Eagle Ford shale production using spatial statistics | |
| CN111596354B (zh) | 一种机器学习框架下考虑空间约束的地震储层预测方法 | |
| Mahjour et al. | Developing a workflow to represent fractured carbonate reservoirs for simulation models under uncertainties based on flow unit concept | |
| CN111155980B (zh) | 一种水流优势通道识别方法及装置 | |
| Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
| Lomask et al. | A seismic to simulation unconventional workflow using automated fault-detection attributes | |
| RU2718135C1 (ru) | Способ и система прогнозирования эффективных толщин в межскважинном пространстве при построении геологической модели на основе метода кластеризации спектральных кривых | |
| CN115629414A (zh) | 稀井区烃源岩toc预测方法、系统、电子设备及介质 | |
| CN115144929A (zh) | 油气藏储量确定方法、装置、存储介质及电子设备 | |
| CN113514884A (zh) | 一种致密砂岩储层预测方法 | |
| CN106285661A (zh) | 一种基于判定指数的低阻油层识别方法及装置 | |
| Nath et al. | Prediction and analysis of geomechanical properties using deep learning: A Permian Basin case study | |
| CN117345208B (zh) | 一种压裂优势区定量表征方法、装置、电子设备及介质 | |
| CN111815769A (zh) | 逆冲推覆构造带构造的建模方法、计算设备及存储介质 | |
| Xu et al. | Frequency trend attribute analysis for stratigraphic division and correlation | |
| Sancevero et al. | Application of stochastic inversion to reservoir characterization process | |
| Eze | Modeling the Spatial Distribution of Natural Fractures in Shale Reservoirs using Machine Learning and Geostatistical Methods |
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 |