CN115755215A - 一种地质知识引导的智能化油气储层预测方法 - Google Patents
一种地质知识引导的智能化油气储层预测方法 Download PDFInfo
- Publication number
- CN115755215A CN115755215A CN202211556869.5A CN202211556869A CN115755215A CN 115755215 A CN115755215 A CN 115755215A CN 202211556869 A CN202211556869 A CN 202211556869A CN 115755215 A CN115755215 A CN 115755215A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- seismic
- geological
- prediction
- data
- 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
Abstract
本发明提供了一种地质知识引导的智能化油气储层预测方法,首先准备油气行业数据并检查数据质量,对数据缺失或异常处进行修正;然后开展井震时深关系精细标定,建立时间域的地震数据与深度域的测井数据之间的联系;接着针对具体的储层目标参数,利用已钻井位置的信息勾勒该预测目标的平面变化趋势图,并总结该预测目标的地质规律及认识;再利用该地质规律及认识引导储层参数预测算法优选、预测结果优选和地震属性优选;最终基于优选的地震属性和储层参数预测结果完成智能化储层目标参数预测,实现储层综合解释与评价。本发明能完成多种储层参数的准确预测,为多种类型储层的勘探与开发提供符合地质规律的储层预测结果。
Description
技术领域
本发明涉及信号处理和石油、天然气、煤炭等能源行业中的地球物理勘探领域,具体涉及一种地质知识引导的智能化油气储层预测方法。
背景技术
随着深层、超深层、深水、超深水等复杂地质环境成为我国油气重大发现的主阵地,油气资源勘探与开发面临着新的技术挑战与难题。其中,提高油气储层预测与描述的能力显得尤为重要。以油藏、气藏、煤矿等目标储层的储层参数(岩性、弹性、物性、含油气性等)预测为例,传统的地球物理勘探技术主要结合地震属性定性分析和地震反演定量预测等技术开展储层预测的综合研究。
地震数据是对现今地下地层的构造、岩性和流体等性质的综合反映。原始的叠前或叠后地震数据对于储层性质的响应比较微弱,需要经过数学变换导出反映几何学、运动学、动力学或统计学特征的特殊测量值,从而寻找到表征储层岩性、流体等性质的具有一定物理与地质意义的地震属性。提取的单一地震属性类似于集成学习中个体学习器学习到的特征,组合多种地震属性即可建立类似于集成学习的地震属性综合学习器。地震属性综合学习器可以突出反映地质体岩性、地层新老接触关系及岩石内部流体分布等多种特征。合理划分地震属性类别有助于了解不同地震属性的功能和数学、物理、地质等方面的意义,指导地震属性定性分析过程中对于属性的提取与优选,将地震属性转化为储层特征,从而获取油气储层的储集物性和含油气性等信息。地震属性具有多种分类方法,Taner等将地震属性划为物理属性和几何属性两大类。物理属性用于岩性与属性特征解释,它进一步可以分为基于叠后地震道计算出的属性(道包络振幅、瞬时相位、瞬时频率、瞬时Q值等)和由叠前数据计算出的属性(P属性、G属性、波的到达时差等)。几何属性(旅行时、地层倾角、相干、曲率属性等)用于层位解释及断裂解释。地震属性按照提取方式和应用场景可以分为表征油藏特征(亮点、暗点、AVO特征、含油气异常、特殊岩性等)的地震属性和基于运动学和动力学基础上的地震属性(振幅、频率、能量、波形等)。振幅或能量类属性(均方根振幅、最大振幅、最大波谷振幅、总振幅、整波形能量、波形正半周能量、平均能量、总能量)是地震岩性解释和储层预测常用的动力学属性。这类属性反映了储层内波阻抗、地层厚度、岩石成分、孔隙度及流体性质的变化。可用来识别振幅异常或地层层序特征分析,也可用来追踪三角洲、河道、河漫滩、冲击扇、特殊岩体等地层学特征,还可用于识别地层不整合、岩性界面及气体、流体聚集等。频率类属性(功率谱上25%对应的频率、功率谱上50%对应的频率、功率谱上75%对应的频率、平均中心频率、振幅谱主频、有效段均方根频率、全谱平均频率、全谱均方根频率等)主要反映了地层厚度、岩性及含流体成分的变化,常用来检测由于上覆地层异常(含气或含裂缝)导致的部分频率成分吸收,也可识别由于地层构造、岩相等改变而引起的频率变化。波形类属性(时窗内波峰数、整波形面积、波形正半周面积)反映了目标层内波阻抗的变化规律、沉积层序、地层层理特征、古代剥蚀面、古构造特征、沉积过程及其连续性、沉积盆地的大小等。
地震反演定量预测是一种联合地震和测井数据,基于全局或局部优化求解算法,从地震数据出发反演地下储层参数的技术。该技术大致可以分为基于物理模型的地震反演和基于人工智能的地震反演两类。基于物理模型的地震反演进一步可以分为确定性反演和统计性反演两类。确定性反演包括带限反演(道积分反演、递归反演等)、测井约束下的宽带反演(广义线性反演、宽带约束反演、稀疏脉冲反演、模拟退火反演等)、井震联合反演等。统计性反演(随机模拟或随机反演、地质统计学反演)本质上是一种地震约束下的测井内插外推。插值方法如(协同)克里金、序贯高斯模拟、序贯指示模拟、马尔科夫链蒙特卡洛随机模拟(MCMC)、地震波形指示马尔科夫链蒙特卡洛随机模拟(SMCMC)等。传统地质统计学反演方法主要基于MCMC算法,而地震波形指示反演是一种基于SMCMC的统计学反演方法。传统的地震反演通常是逐道进行的,主要考虑地震振幅的垂向变化,没有利用地震波形的横向变化。而地震波形的横向变化反映了与沉积环境相关的储层空间相变特征。地震波形指示反演综合利用地震数据的纵横向信息,在选择有效测井样本时考虑波形相似性(纵向信息)和空间距离(横向信息)两个因素。相似的测井曲线对应的地震波形也具有一定的相关性。因此,可以利用待判别道地震波形与所有已知井地震波形进行相关性比较,在确保井样本结构特征一致性的基础上按照空间距离的远近对井样本重要性进行排序,优选相似性高、空间距离近的已知井作为有效样本建立初始模型。该方法利用地震波形的横向变化替代地质统计学反演的变差函数来表征储层的空间变异程度,实现“相控随机模拟”。基于波形指示优选的样本,在空间上具有较好的相关性,可以利用波形差异分析对反射结构进行无偏的最优估计,获得期望和随机解。从而使反演结果在空间上体现了地震相的约束,平面上符合沉积地质规律,有效提高储层预测精度和可靠性。基于人工智能的地震反演主要是利用深度神经网络等技术,建立地震数据与储层参数之间的高维非线性映射关系,通过梯度下降算法不断更新网络参数,优化目标函数,最终转换地震数据及属性为待预测的储层参数(如弹性参数、物性参数等)。
现有的油气储层预测方法在地震属性分析和地震反演两方面缺少地质知识的引导,即很少利用已知的地质知识去引导地震属性分析和地震反演等关键步骤,导致预测的储层参数结果缺乏地质合理性,即定性或定量的油气储层预测结果容易偏离地质实际,导致预测精度较低,与沉积演化史或沉积相体系不吻合。现有的地震属性分析方法没有明确的准则,仅依靠地震属性与目标测井参数之间的相关性进行属性分析与重要性排序,选取的地震属性通常仅具有数学意义,可能不满足实际的地质规律,其对应的地质含义需要事后结合钻井和测井等数据进行解释。已知的地震反演方法依靠测井数据垂向信息和地震数据纵横向信息表征储层的空间变化能力有限,预测结果往往不满足地质认识,偏离地下情况。
综上所述,有必要对现有技术做进一步完善和创新。
发明内容
为提高地震属性分析和地震反演两大环节刻画油气储层的精度与可靠性,获得精确的符合地质规律的油气储层参数预测结果,提高属性优选、地震反演、储层厚度预测等油气储层预测环节的精度,本发明提出了一种地质知识引导的智能化油气储层预测方法,能完成多种储层参数的准确预测,实现更贴近地下实际情况的油气储层刻画与描述,能够为多种类型储层(如页岩油、致密气、煤矿等)的勘探与开发提供符合地质规律的储层预测结果,以指导后续的地质储量评估和井位设计与部署等工作。
为解决上述技术问题,本发明提供的一种地质知识引导的智能化油气储层预测方法,首先准备油气行业数据并检查数据质量,对数据缺失或异常处进行修正;然后开展井震时深关系精细标定,建立时间域的地震数据与深度域的测井数据之间的联系;接着针对具体的储层目标参数,利用已钻井位置的信息勾勒该预测目标的平面变化趋势图,并总结该预测目标的地质规律及认识;再利用该地质规律及认识引导储层参数预测算法优选、预测结果优选和地震属性优选;最终基于优选的地震属性和储层参数预测结果完成智能化储层目标参数预测,实现储层综合解释与评价。
所述地质知识引导的智能化油气储层预测方法,其中,具体包括以下步骤:
(1)油气大数据准备与预处理;
(2)地质知识引导的地震属性分析,具体方法为:(2.1)勾勒储层特征平面变化趋势图;(2.2)构建地震属性综合学习器;(2.3)进行地质引导的地震属性优选;(2.4)获得最佳的地震属性集合;
(3)地质知识引导的井震联合储层参数预测;
(4)油气储层综合解释与评价。
所述地质知识引导的智能化油气储层预测方法,其中,所述步骤(1)的具体步骤为:
(1.1)准备地震、测井、钻井和地质材料;
(1.2)对准备的材料进行数据清洗与预处理,即:对地震数据进行数据提高信噪比处理,对测井数据进行野值剔除、标准化处理和缺失曲线补全等数据清洗和预处理工作;
(1.3)开展时深关系精细标定,即:首先对二维或三维地震数据在储层段附近提取统计性地震子波;之后对每口井开展井震标定;利用每口井的速度曲线与统计性地震子波褶积合成地震数据,通过比较合成地震数据与井旁地震数据的波形相似性,不断调整时深关系,直到井震标定的相关系数达到最大时,即完成时深关系的精细标定。
所述地质知识引导的智能化油气储层预测方法,其中,所述步骤(2.1)的具体方法为:利用钻井数据或测井数据可以知道井点位置的储层参数或储层性质,将储层参数值相同的点连成一条环线直接投影到目的层所在平面形成水平曲线,最终表示不同储层参数值的环线组合形成储层特征平面变化趋势图。
所述地质知识引导的智能化油气储层预测方法,其中,所述步骤(2.2)的具体方法为:从地震数据提取某种地震属性类似于建立一个子学习器,学习地震数据到这种地震属性的线性或非线性映射关系;从地震数据提取出多种地震属性的过程则类似于构建一个地震属性综合学习器;学习地震数据到多种地震属性的非线性映射关系;通过构建地震属性综合学习器,以完成多种地震属性的提取。
所述地质知识引导的智能化油气储层预测方法,其中,所述步骤(2.3)的具体方法为:以储层平面特征变化趋势图作为地质知识引导,从多种地震属性中优选出与储层平面特征变化趋势图所反映的地质规律基本一致的地震属性,剔除不能反映地质规律的其他地震属性。
所述地质知识引导的智能化油气储层预测方法,其中,所述步骤(3)的具体步骤为:
(3.1)进行测井岩石物理分析
即对不同测井参数绘制二维或三维交汇图,获得对储层目标参数敏感的测井曲线;
(3.2)进行敏感储层参数优选
即通过测井岩石物理交汇分析,优选出对储层目标参数最为敏感的测井参数;
(3.3)特征曲线精细重构
即分析优选出的敏感储层参数的曲线变化趋势,对不合理的地方进行校正或标准化处理,实现特征曲线的精细化重构;若选择的敏感储层参数无异常,则忽略特征曲线精细重构这一步骤;
(3.4)井震联合反演方法优选
即在明确待反演的储层参数后,尝试使用不同的井震联合储层参数反演方法进行测试;
(3.5)地震波形指示反演
即根据地震波形特征分析已知井之间的相关性与差异性,优选与待判别地震道波形相关度高、距离更近的井样本建立初始模型,并统计储层参数作为先验信息;分布密集的地震波形可以准确表征地层空间结构的低频趋势,根据波形相似性和空间距离两大指标优选低频结构相似的已知井样本作为空间估值样本;之后将初始模型与地震频带内储层参数进行匹配滤波,计算得到似然函数;在贝叶斯框架下联合似然函数分布和先验分布得到后验概率分布,并将其作为目标函数,不断扰动模型参数,使后验概率分布函数最大时的解作为有效的随机实现,取多次有效实现的均值作为储层参数的期望值输出;
(3.6)获得储层参数预测结果。
所述地质知识引导的智能化油气储层预测方法,其中:所述步骤(3.4)主要测试了测井约束反演和地震波形指示反演;所述步骤(3.4)是根据预测的储层参数结果与储层特征平面变化趋势图之间的相似性评价测井约束反演和地震波形指示反演的好坏,即在地质知识引导下优选井震联合储层参数反演方法。
所述地质知识引导的智能化油气储层预测方法,其中,所述步骤(4)的具体步骤为:
(4.1)神经网络智能建模
构建能够实现储层目标参数预测的深度神经网络;所述深度神经网络的输入是所述步骤(2.4)优选的地震属性和所述步骤(3.6)得到的储层参数预测结果,输出是待预测的储层目标参数;在目标函数和梯度更新算法的作用下,深度神经网络智能挖掘地震属性、储层参数和储层目标参数之间的高维非线性映射关系,建立用于储层目标参数预测的智能模型;
(4.2)储层目标参数精确预测
利用所述步骤(4.1)建立的神经网络智能模型测试待预测数据,即可以得到储层目标参数的精确预测结果;
(4.3)储层品质综合评价
通过地质知识引导的地震属性分析、地质知识引导的井震联合储层参数预测和储层目标参数精确预测,以得到符合地质规律的储层特征平面变化趋势图、地震属性、储层敏感参数预测结果和储层目标参数预测结果,开展储层品质综合评价,以对优质储层进行有效圈定,减少预测的不确定性和多解性。
采用上述技术方案,本发明具有如下有益效果:
本发明地质知识引导的智能化油气储层预测方法利用储层厚度的平面变化趋势作为已知的地质知识或规律,以该规律作为质控手段,评价不同井震联合反演方法的预测效果及地质合理性,从而选择出最优的反演方法及反演结果;此外,利用上述地质知识引导建立最符合地质规律的地震属性集合,刻画优质储层分布区域;最终利用获得的符合地质规律的地震属性和反演结果开展油气储层综合解释与评价工作,完成多种储层参数的准确预测,实现更贴近地下实际情况的油气储层刻画与描述,这对于指导未来的钻井设计和油气藏开发等工作具有重要实际意义,能够获得精确的符合地质规律的油气储层参数预测结果。
本发明利用地质知识评价不同反演方法预测结果是否满足地质先验认识,从而指导地震反演方法的选择和储层参数预测结果的优选;还利用地质知识引导建立最佳的地震属性综合学习器,使得选取的地震属性能够反映比较合理的地质规律;进一步基于人工智能技术还可以将优选的地震属性和反演的储层参数转换为其他储层参数;最终,获得的多种满足地质规律的地震属性和储层参数可以用于油气储层的综合解释与评价,减少储层预测的多解性和不确定性,为储层地质甜点和工程甜点预测、风险探井部署等工作提供可靠的基本储层参数,提高了地震属性分析和地震反演两大环节刻画油气储层的精度与可靠性。
本发明区别于现有的基于数理方程模型驱动和基于人工智能数据驱动的储层预测技术,本发明提出一种“地质知识引导+模型驱动+数据驱动”的油气储层预测新技术与新范式,这种新范式能减小储层预测的多解性和不确定性,且获得的储层参数预测结果兼具数学、物理和地质多重含义。本发明以分级预测、逐级递进的思想为指导,通过测井岩石物理交汇分析优选出划分储层品质最为敏感的储层参数,并利用已知的地质知识优选地震波形指示反演方法作为井震结合反演算法,计算储层参数模型并评价反演结果的质量;再利用已有的地质认识及规律引导地震属性综合学习器的建立,进行地震属性分析与优选,定性刻画有利的优质储层分布区域;最后基于获得的储层参数反演结果和优选属性集合开展其他关键储层参数的智能化定量化预测;利用神经网络技术实现储层关键参数的高效高精度预测,并结合地震属性及其他储层参数完成油气储层的综合描述与评价。本发明能够为多种类型储层(如页岩油、致密气、煤矿等)的勘探与开发提供符合地质规律的储层预测结果,以指导后续的地质储量评估和井位设计与部署等工作。
本发明的主要优点体现在以下几点:
(1)受限于地球物理反演理论和框架的限制,地震、测井和地质信息无法有效融合到传统的反演算法中进行相容表达和信息互补;本发明建立了“地质知识引导+模型驱动+数据驱动”的油气储层预测新技术与新范式;通过将地质信息渗透到井震联合反演和地震属性分析环节,寻找到了兼具地质和地震特征的地震属性,得到了具有地质意义的储层参数预测结果,一定程度上实现了地震、测井和地质信息的多元信息深度融合。
(2)通常地质认识或地质规律是对地下情况的一种抽象化的概括与描述,不是具体化的地质数据;本发明给出了一种转化抽象的地质认识为储层预测算法可以使用的地质数据,即利用井点位置数据勾勒了反映煤层厚度变化规律的煤层厚度变化趋势图。
(3)现有的油气储层预测方法获得的地震属性和储层参数结果存在精度有限、多解性较强、与实际地质情况不吻合等问题;为缓解这些问题,本发明给出了一种地质知识引导的智能化油气储层预测方法,该方法通过融入地质知识到储层预测的地震属性分析和地震反演等多个环节,提高了油气储层预测精度和地质合理性,得到更为符合油气储层实际情况的解释结果与结论。
(4)钻井的高昂成本导致测井和钻井数据有限,因此不能较好地评价地震属性优选和储层参数预测结果的好坏;本发明提出了一种新的地震属性优选和储层参数预测结果评价方式,即利用煤层厚度变化趋势图这种地质认识作为质量控制手段或评价标准,选取与地质认识最为吻合的地震属性和储层参数预测结果;为后续其他储层参数(如储层厚度)预测提供基础数据。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明地质知识引导的智能化油气储层预测方法的流程图。
图2为本发明地质知识引导的智能化油气储层预测方法中测井敏感参数岩石物理分析图;
其中,图2(a)为w1井的人工伽马与波阻抗交汇图;图2(b)为w1井的电阻率与人工伽马交汇图;图2中的黑色星号代表煤层,其他符号代表砂岩、泥岩或凝灰岩等;通过测井岩石物理交汇分析可以看到,人工伽马和电阻率识别煤层的效果较好,而波阻抗不能较好区分煤层与其他岩性;最终,优选选择对煤层最为敏感的电阻率作为待反演的储层参数。
图3为本发明地质知识引导的智能化油气储层预测方法中测井解释结果评价示意图;
其中,图3(a)为1#煤层解释结果;图3(b)为2#煤层解释结果;其中,黑色细线和黑色粗线分别是长源距(即人工伽马)曲线和电阻率曲线;煤层位置的测井响应为高长源距和高电阻率,曲线特征为指状或箱型;测井解释结论为电阻率比长源距对煤层的煤层顶底界面及厚度刻画效果更好。
图4为本发明地质知识引导的智能化油气储层预测方法中基于地震波形指示反演的连井剖面电阻率反演结果示意图;
其中,图4(a)为经过w1和w2两口井的地震剖面;其中,w1和w2井位置附近插入的曲线为电阻率曲线;水平方向上的两条曲线为目的层位,层位所在位置为本案例研究中关注的1#和2#煤层;层位往下更老的地层发育3#和4#煤层;图4(b)为地震波形指示反演得到的电阻率结果;电阻率反演结果横向连续性较好,且与测井解释的煤层厚度结果比较吻合;图4(c)为电阻率结果与地震剖面的叠合显示;可以清楚看出电阻率剖面比地震剖面的垂向分辨率明显提升。
图5为本发明地质知识引导的智能化油气储层预测方法中基于地震波形指示反演的沿层切片电阻率反演结果;
其中,图5(a)为1#煤层的沿层电阻率切片;图5(b)为2#煤层的沿层电阻率切片;从图5看到电阻率沿层变化较快,1#煤层由西南向东北电阻率逐渐增大,2#煤层整体上表现出北部比南部电阻率高,西部比东部电阻率高的特征,一定程度上反映了煤层的横向分布特征;电阻率结果对于1-3m左右的薄煤层缺乏识别能力,需要进一步开展煤层厚度预测。
图6为本发明地质知识引导的智能化油气储层预测方法中煤层厚度变化趋势图;
其中,图6(a)为1#煤层的煤层厚度变化趋势图;图6(b)为2#煤层的煤层厚度变化趋势图;煤层厚度变化趋势图是根据已钻井位置的煤层厚度勾勒出的煤层厚度在目的层位(即1#和2#煤层)附近的大致变化趋势;1#煤层厚度由西南向东北逐渐增大,煤层厚度范围0.45-1.65米,平均厚度在1.1米;2#煤层厚度表现出由西部和东部向中部加厚,由中部向南部和北部再加厚的变化趋势,煤层厚度范围0.35-1.25米,平均厚度在0.73米;图6反映了煤层厚度的平面变化规律,是一种地质知识转化为地质数据的体现,可以用于指导优选符合地质规律的地震属性。
图7为本发明地质知识引导的智能化油气储层预测方法中地质知识引导的地震属性优选示意图;
其中,图7(a-c)依次分别为1#煤层的平均振幅、瞬时频率和均方根振幅切片,图7(d-f)依次分别为2#煤层的平均振幅、瞬时频率和均方根振幅切片;平均振幅、瞬时频率及电阻率反演结果三种属性比较吻合煤层厚度图(图6)所反映的地质规律,因此优选这三种属性用于煤层厚度预测。
图8为本发明地质知识引导的智能化油气储层预测方法中煤层厚度平面图;
其中,图8(a)为1#煤层厚度平面图,图8(b)为2#煤层厚度平面图;1#煤层厚度预测误差率最大为0.025m,最小为0.01m,相对误差1%-2%;2#煤厚预测误差最大为0.08m,最小为0.03m,相对误差3%-14%;1#煤层比2#煤层预测误差更小可能与1#煤层比2#煤层预测的电阻率更符合煤层厚度变化趋势有关。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,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,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。
下面结合具体的实施方式对本发明做进一步的解释说明。
本发明地质知识引导的智能化油气储层预测方法,是先准备地震、测井、钻井等油气行业数据,并检查数据质量,对数据缺失或异常处进行修正;然后开展井震时深关系精细标定,建立时间域的地震数据与深度域的测井、钻井等数据之间的联系;接着针对具体的储层目标参数,利用已钻井位置的测井和钻井等信息勾勒该预测目标的平面变化趋势图,并总结该预测目标的地质规律及认识;再利用这种地质知识引导储层参数预测算法优选、预测结果优选和地震属性优选;最终基于优选的地震属性和储层参数预测结果完成智能化储层目标参数预测,实现储层综合解释与评价。
如图1所示,本发明地质知识引导的智能化油气储层预测方法,具体包括以下步骤:
(1)油气大数据准备与预处理
(1.1)准备地震、测井、钻井和地质材料;
(1.2)对准备的材料进行数据清洗与预处理;
即对地震数据进行数据提高信噪比处理,对测井数据进行野值剔除、标准化处理和缺失曲线补全等数据清洗和预处理工作;
(1.3)开展时深关系精细标定;
为建立时间域地震数据与深度域测井数据的联系,需要开展精细井震标定,明确地震和测井之间的时深关系;具体方法为:首先对二维或三维地震数据在储层段附近提取统计性地震子波;之后对每口井开展井震标定;利用每口井的速度曲线与统计性地震子波褶积合成地震数据,通过比较合成地震数据与井旁地震数据的波形相似性,不断调整时深关系,直到井震标定的相关系数达到最大时,即完成时深关系的精细标定;
(2)地质知识引导的地震属性分析
(2.1)勾勒储层特征平面变化趋势图;
利用钻井数据或测井数据可以知道井点位置的储层参数或储层性质,将储层参数值相同的点连成一条环线直接投影到目的层所在平面形成水平曲线,最终表示不同储层参数值的环线组合形成储层特征平面变化趋势图;
(2.2)构建地震属性综合学习器;
从地震数据提取某种地震属性类似于建立一个子学习器,学习地震数据到这种地震属性的线性或非线性映射关系;从地震数据提取出多种地震属性的过程则类似于构建一个地震属性综合学习器;学习地震数据到多种地震属性的非线性映射关系;通过构建地震属性综合学习器,可以完成多种地震属性的提取;
(2.3)进行地质引导的地震属性优选;
不同地震属性可以反映地层构造、岩性等特征,但是这些地震属性并不一定符合储层参数分布的地质规律;上述步骤(2.1)建立的储层平面特征变化趋势图可以反映储层参数在平面上的地质变化规律;因此,以储层平面特征变化趋势图作为地质知识引导,可以从多种地震属性中优选出与储层平面特征变化趋势图所反映的地质规律基本一致的地震属性,剔除不能反映地质规律的其他地震属性;
(2.4)获得最佳的地震属性集合;
通过上述步骤(2.3)可以实现从多种地震属性中进一步优选出一些符合地质规律的地震属性,这些优选出的地震属性即为最终获得的最佳地震属性集合;
(3)地质知识引导的井震联合储层参数预测
(3.1)进行测井岩石物理分析;
为实现储层目标参数的预测,首先对不同测井参数绘制二维或三维交汇图,获得对储层目标参数敏感的测井曲线;
(3.2)进行敏感储层参数优选;
通过测井岩石物理交汇分析,优选出对储层目标参数最为敏感的测井参数;
(3.3)特征曲线精细重构;
分析优选出的敏感储层参数的曲线变化趋势,对不合理的地方进行校正或标准化处理,实现特征曲线的精细化重构;若选择的敏感储层参数无异常,则可以忽略特征曲线精细重构这一步骤;
(3.4)井震联合反演方法优选;
在明确待反演的储层参数后,尝试使用不同的井震联合储层参数反演方法进行测试;主要测试了测井约束反演和地震波形指示反演两种方法;根据预测的储层参数结果与储层特征平面变化趋势图之间的相似性,评价这两种反演方法的好坏,即在地质知识引导下优选井震联合储层参数反演方法;地震波形指示反演相比于测井约束反演方法获得的储层参数预测结果更加符合储层的平面特征变化规律,因此最终确定地震波形指示反演为最佳反演方法。
(3.5)地震波形指示反演;
地震波形指示反演根据地震波形特征分析已知井之间的相关性与差异性,优选与待判别地震道波形相关度高、距离更近的井样本建立初始模型,并统计储层参数作为先验信息;分布密集的地震波形可以准确表征地层空间结构的低频趋势,根据波形相似性和空间距离两大指标优选低频结构相似的已知井样本作为空间估值样本;之后将初始模型与地震频带内储层参数进行匹配滤波,计算得到似然函数;在贝叶斯框架下联合似然函数分布和先验分布得到后验概率分布,并将其作为目标函数,不断扰动模型参数,使后验概率分布函数最大时的解作为有效的随机实现,取多次有效实现的均值作为储层参数的期望值输出;
(3.6)获得储层参数预测结果;
通过地震波形指示反演既可以获得储层参数的预测结果,且结果符合储层特征平面变化趋势图所反映的地质规律;
(4)油气储层综合解释与评价
(4.1)神经网络智能建模;
构建能够实现储层目标参数预测的深度神经网络;该深度神经网络的输入是上述步骤(2.4)优选的地震属性和上述步骤(3.6)得到的储层参数预测结果,输出是待预测的储层目标参数;在目标函数和梯度更新算法的作用下,深度神经网络智能挖掘地震属性、储层参数和储层目标参数之间的高维非线性映射关系,建立用于储层目标参数预测的智能模型;
(4.2)储层目标参数精确预测;
利用步骤(4.1)建立的神经网络智能模型测试待预测数据,即可以得到储层目标参数的精确预测结果;
(4.3)储层品质综合评价;
通过地质知识引导的地震属性分析、地质知识引导的井震联合储层参数预测和储层目标参数精确预测等步骤,以得到符合地质规律的储层特征平面变化趋势图、地震属性、储层敏感参数预测结果和储层目标参数预测结果,联合这些属性或预测结果开展储层品质综合评价,可以对优质储层进行有效圈定,减少预测的不确定性和多解性。
以煤系储层厚度预测为例,受限于地震数据分辨率的限制以及反演方法本身多解性和不确定性较强,地震属性和地震反演得到的储层参数结果并不能完全反映薄煤层厚度的空间变化情况,但它们空间的展布规律以及在平面上的变化在某种程度上代表了煤层厚度的变化趋势。因此,需要综合利用反演成果和属性优选结果预测储层厚度。为提高属性优选、地震反演、储层厚度预测等油气储层预测环节的精度,
本实施例提供的地质知识引导的智能化油气储层预测方法,具体包括以下步骤:
(1)首先利用钻井取芯统计的煤层厚度数据勾绘煤层厚度变化趋势图。类似于地理学中等高线图的绘制方法,本发明基于井点位置的煤层厚度数据,将煤层厚度相同的点连成一条环线直接投影到目的层所在平面形成水平曲线,最终表示不同煤层厚度的环线组合形成煤层厚度变化趋势图。煤层厚度变化趋势图为转化抽象的地质知识为具体的地质数据提供了一种新的途径,可以反映煤层在目标层附近的空间分布,大致符合实际地质情况。
(2)接着利用煤层厚度变化趋势图,开展地质知识引导的井震联合储层参数反演。通过测井岩石物理交汇分析,绘制不同测井曲线之间的二维或三维交汇图,分析确定电阻率曲线和人工伽马曲线对于煤层比较敏感,测井响应为高电阻率和高人工伽马。由于人工伽马对于煤层顶底界面和煤层厚度的刻画不如电阻率准确,最终确定敏感的储层参数为电阻率。还可以进一步精细构建特征曲线,获得刻画煤层厚度更为敏感的参数。确定待反演的参数后,尝试使用不同的井震联合储层参数反演方法进行测试。根据预测的储层参数结果与煤层厚度变化趋势图之间的相似性评价反演方法及反演结果的好坏,即在地质知识引导下确定反演方法及优选储层参数预测结果。通过煤层厚度变化趋势图参与反演结果的质控,确定了地震波形指示反演作为最佳反演算法,该算法预测的储层参数结果与煤层厚度变化趋势图所反映的地质规律最为契合。
(3)地震波形指示反演根据地震波形特征分析已知井之间的相关性与差异性,优选与待判别地震道波形相关度高、距离更近的井样本建立初始模型,并统计储层参数作为先验信息。分布密集的地震波形可以准确表征地层空间结构的低频趋势,根据波形相似性和空间距离两大指标优选低频结构相似的已知井样本作为空间估值样本。相比于传统变差函数选取井样本,根据波形相似性和空间距离两大指标选取井样本,这种策略不易受到井位分布影响,能更精确表征储层的非均质性。之后将初始模型与地震频带内储层参数进行匹配滤波,计算得到似然函数。在贝叶斯框架下联合似然函数分布和先验分布得到后验概率分布,并将其作为目标函数,不断扰动模型参数,使后验概率分布函数最大时的解作为有效的随机实现,取多次有效实现的均值作为储层参数的期望值输出。
(4)利用煤层厚度变化趋势图引导地震属性分析。地震数据通过不同的属性计算公式得到多种地震属性,不同的地震属性及其计算公式可以组合形成一种地震属性综合学习器。地震属性综合学习器中多个子学习器都对应一种属性的计算公式,该计算公式是地震数据到某种属性的映射函数。因此,地震属性综合学习器可以看作为多种复杂函数的组合,可以从地震数据提取出多种需要的地震属性。地震属性综合学习器获得的地震属性进一步与煤层厚度变化趋势图进行比较,按照相似程度的高低对地震属性进行排序,优选出平均振幅和瞬时频率两种能够反映煤层厚度空间分布特征的地震属性,接着,综合利用反演成果和属性优选结果,基于深度神经网络算法进一步预测煤层厚度。通过反复试验确定最佳的网络结构后,可以建立煤层厚度与输入特征(包括地震属性和反演结果)之间最佳的拟合方式。最后,目的层对应的地震属性和反演结果输入深度神经网络,即可预测得到煤层厚度平面图。该平面图与煤层厚度变化趋势图所呈现的煤层厚度平面分布规律类似,但是前者精度更高,细节更丰富。
本发明能完成多种储层参数的准确预测,实现更贴近地下实际情况的油气储层刻画与描述,能够为多种类型储层(如页岩油、致密气、煤矿等)的勘探与开发提供符合地质规律的储层预测结果,以指导后续的地质储量评估和井位设计与部署等工作。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种地质知识引导的智能化油气储层预测方法,其特征在于,首先准备油气行业数据并检查数据质量,对数据缺失或异常处进行修正;然后开展井震时深关系精细标定,建立时间域的地震数据与深度域的测井数据之间的联系;接着针对具体的储层目标参数,利用已钻井位置的信息勾勒该预测目标的平面变化趋势图,并总结该预测目标的地质规律及认识;再利用该地质规律及认识引导储层参数预测算法优选、预测结果优选和地震属性优选;最终基于优选的地震属性和储层参数预测结果完成智能化储层目标参数预测,实现储层综合解释与评价。
2.如权利要求1所述的地质知识引导的智能化油气储层预测方法,其特征在于,具体包括以下步骤:
(1)油气大数据准备与预处理;
(2)地质知识引导的地震属性分析,具体方法为:(2.1)勾勒储层特征平面变化趋势图;(2.2)构建地震属性综合学习器;(2.3)进行地质引导的地震属性优选;(2.4)获得最佳的地震属性集合;
(3)地质知识引导的井震联合储层参数预测;
(4)油气储层综合解释与评价。
3.如权利要求2所述的地质知识引导的智能化油气储层预测方法,其特征在于,所述步骤(1)的具体步骤为:
(1.1)准备地震、测井、钻井和地质材料;
(1.2)对准备的材料进行数据清洗与预处理,即:对地震数据进行数据提高信噪比处理,对测井数据进行野值剔除、标准化处理和缺失曲线补全等数据清洗和预处理工作;
(1.3)开展时深关系精细标定,即:首先对二维或三维地震数据在储层段附近提取统计性地震子波;之后对每口井开展井震标定;利用每口井的速度曲线与统计性地震子波褶积合成地震数据,通过比较合成地震数据与井旁地震数据的波形相似性,不断调整时深关系,直到井震标定的相关系数达到最大时,即完成时深关系的精细标定。
4.如权利要求2所述的地质知识引导的智能化油气储层预测方法,其特征在于,所述步骤(2.1)的具体方法为:利用钻井数据或测井数据可以知道井点位置的储层参数或储层性质,将储层参数值相同的点连成一条环线直接投影到目的层所在平面形成水平曲线,最终表示不同储层参数值的环线组合形成储层特征平面变化趋势图。
5.如权利要求2所述的地质知识引导的智能化油气储层预测方法,其特征在于,所述步骤(2.2)的具体方法为:从地震数据提取某种地震属性类似于建立一个子学习器,学习地震数据到这种地震属性的线性或非线性映射关系;从地震数据提取出多种地震属性的过程则类似于构建一个地震属性综合学习器;学习地震数据到多种地震属性的非线性映射关系;通过构建地震属性综合学习器,以完成多种地震属性的提取。
6.如权利要求2所述的地质知识引导的智能化油气储层预测方法,其特征在于,所述步骤(2.3)的具体方法为:以储层平面特征变化趋势图作为地质知识引导,从多种地震属性中优选出与储层平面特征变化趋势图所反映的地质规律基本一致的地震属性,剔除不能反映地质规律的其他地震属性。
7.如权利要求2所述的地质知识引导的智能化油气储层预测方法,其特征在于,所述步骤(3)的具体步骤为:
(3.1)进行测井岩石物理分析
即对不同测井参数绘制二维或三维交汇图,获得对储层目标参数敏感的测井曲线;
(3.2)进行敏感储层参数优选
即通过测井岩石物理交汇分析,优选出对储层目标参数最为敏感的测井参数;
(3.3)特征曲线精细重构
即分析优选出的敏感储层参数的曲线变化趋势,对不合理的地方进行校正或标准化处理,实现特征曲线的精细化重构;若选择的敏感储层参数无异常,则忽略特征曲线精细重构这一步骤;
(3.4)井震联合反演方法优选
即在明确待反演的储层参数后,尝试使用不同的井震联合储层参数反演方法进行测试;
(3.5)地震波形指示反演
即根据地震波形特征分析已知井之间的相关性与差异性,优选与待判别地震道波形相关度高、距离更近的井样本建立初始模型,并统计储层参数作为先验信息;分布密集的地震波形可以准确表征地层空间结构的低频趋势,根据波形相似性和空间距离两大指标优选低频结构相似的已知井样本作为空间估值样本;之后将初始模型与地震频带内储层参数进行匹配滤波,计算得到似然函数;在贝叶斯框架下联合似然函数分布和先验分布得到后验概率分布,并将其作为目标函数,不断扰动模型参数,使后验概率分布函数最大时的解作为有效的随机实现,取多次有效实现的均值作为储层参数的期望值输出;
(3.6)获得储层参数预测结果。
8.如权利要求7所述的地质知识引导的智能化油气储层预测方法,其特征在于:所述步骤(3.4)主要测试了测井约束反演和地震波形指示反演;所述步骤(3.4)是根据预测的储层参数结果与储层特征平面变化趋势图之间的相似性评价测井约束反演和地震波形指示反演的好坏,即在地质知识引导下优选井震联合储层参数反演方法。
9.如权利要求7所述的地质知识引导的智能化油气储层预测方法,其特征在于,所述步骤(4)的具体步骤为:
(4.1)神经网络智能建模
构建能够实现储层目标参数预测的深度神经网络;所述深度神经网络的输入是所述步骤(2.4)优选的地震属性和所述步骤(3.6)得到的储层参数预测结果,输出是待预测的储层目标参数;在目标函数和梯度更新算法的作用下,深度神经网络智能挖掘地震属性、储层参数和储层目标参数之间的高维非线性映射关系,建立用于储层目标参数预测的智能模型;
(4.2)储层目标参数精确预测
利用所述步骤(4.1)建立的神经网络智能模型测试待预测数据,即可以得到储层目标参数的精确预测结果;
(4.3)储层品质综合评价
通过地质知识引导的地震属性分析、地质知识引导的井震联合储层参数预测和储层目标参数精确预测,以得到符合地质规律的储层特征平面变化趋势图、地震属性、储层敏感参数预测结果和储层目标参数预测结果,开展储层品质综合评价,以对优质储层进行有效圈定,减少预测的不确定性和多解性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211556869.5A CN115755215A (zh) | 2022-12-06 | 2022-12-06 | 一种地质知识引导的智能化油气储层预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211556869.5A CN115755215A (zh) | 2022-12-06 | 2022-12-06 | 一种地质知识引导的智能化油气储层预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115755215A true CN115755215A (zh) | 2023-03-07 |
Family
ID=85343686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211556869.5A Pending CN115755215A (zh) | 2022-12-06 | 2022-12-06 | 一种地质知识引导的智能化油气储层预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115755215A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390970A (zh) * | 2023-12-06 | 2024-01-12 | 中国地质调查局油气资源调查中心 | 一种兼顾多元驱动预测的油气储存量化方法 |
-
2022
- 2022-12-06 CN CN202211556869.5A patent/CN115755215A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390970A (zh) * | 2023-12-06 | 2024-01-12 | 中国地质调查局油气资源调查中心 | 一种兼顾多元驱动预测的油气储存量化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Use of nonlinear chaos inversion in predicting deep thin lithologic hydrocarbon reservoirs: A case study from the Tazhong oil field of the Tarim Basin, China | |
Lee et al. | Delineation of gas hydrate reservoirs in the Ulleung Basin using unsupervised multi-attribute clustering without well log data | |
EP4028800A1 (en) | An integrated geomechanics model for predicting hydrocarbon and migration pathways | |
Kianoush et al. | Compressional and shear interval velocity modeling to determine formation pressures in an oilfield of SW Iran | |
Dezfoolian et al. | Conversion of 3D seismic attributes to reservoir hydraulic flow units using a neural network approach: An example from the Kangan and Dalan carbonate reservoirs, the world's largest non-associated gas reservoirs, near the Persian Gulf | |
CN115755215A (zh) | 一种地质知识引导的智能化油气储层预测方法 | |
Al-Khazraji et al. | Reducing the risk and residual errors by uncertainty analysis of depth conversion in Nasiriya Oil Field, Iraq | |
Taheri et al. | Modeling of the shale volume in the hendijan oil field using seismic attributes and artificial neural networks | |
Sanda et al. | The integrated approach to seismic attributes of lithological characterization of reservoirs: case of the F3 Block, North Sea-Dutch Sector | |
Mehdipour et al. | The Best Scenario for Geostatistical Modeling of Porosity in the Sarvak Reservoir in an Iranian Oil Field, Using Electrofacies, Seismic Facies, and Seismic Attributes | |
Naseer | Seismic attributes and quantitative reverse reservoir simulations of shallow-marine eocene sedimentary fairways, extensional rifting Indus onshore petroleum system, southern Pakistan: Implications for hydrocarbon exploration | |
Haris | Integrated Geological and Geophysical Approach to Reservoir Modeling: Case Study of Jambi Sub-basin, Sumatra, Indonesia | |
Babasafari et al. | Geological reservoir modeling and seismic reservoir monitoring | |
Connolly et al. | Visualizing hydrocarbon migration pathways associated with the Ringhorne oil field, Norway: An integrated approach | |
Samuel et al. | Total Organic Carbon Content Estimation of Bakken Formation, Kevin-Sunburst Dome, Montana using Post-Stack Inversion, Passey (DLogR) Method and Multi-Attribute Analysis | |
Convers | Prediction of reservoir properties for Geomechanical analysis using 3-D seismic data and rock physics modeling in the Vaca Muerta Formation, Neuquen Basin, Argentina | |
Convers-Gomez | Prediction of Reservoir Properties for Geomechanical Analysis Using 3-D Seismic Data and Rock Physics Modeling in the Vaca Muerta Formation, Neuquén Basin, Argentina | |
Logan et al. | Predicting Fluvial Reservoir Facies by Upscaling Seismic Inversion with 3D Geocellular Modeling: Pinedale Field Case Study | |
Pindel | Comparison of facies models based on stochastic versus deterministic AVO inversion | |
Elkaseh | Identification of Regional Shale Gas Sweet Spots and Unconventional Reservoirs Using Well Logs and Seismic Data | |
Hidayat et al. | The Pematang Group Sand Analysis Using Growing Neural Network Machine Learning | |
Choudhury | Reservoir Characterization of the Snorre field: A pseudo wells based inversion approach | |
Babasafari | New Approach to Reservoir Properties Prediction Using Petro-Elastic Inversion in a Transversely Isotropic Media | |
Sarhan et al. | Petroleum Research | |
Adlakha | Fracture analysis and modelling of the South Arne field |
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 |