CN116168172B - 页岩油气甜点预测方法、装置、设备及存储介质 - Google Patents
页岩油气甜点预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116168172B CN116168172B CN202310420597.4A CN202310420597A CN116168172B CN 116168172 B CN116168172 B CN 116168172B CN 202310420597 A CN202310420597 A CN 202310420597A CN 116168172 B CN116168172 B CN 116168172B
- Authority
- CN
- China
- Prior art keywords
- shale oil
- gas
- dessert
- model
- reservoir
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种页岩油气甜点预测方法、装置、设备及存储介质,其方法包括:获取岩心页岩油气储层灰度图像,并基于岩心页岩油气储层灰度图像构建岩心页岩油气数字总模型,岩心页岩油气数字总模型包括页岩储层特征参数三维数字模型;基于页岩储层参数三维数字模型确定储层特征参数,并获取页岩油气地球化学评价油气特征参数,基于储层特征参数和页岩油气地球化学评价油气特征参数构建深度定量关系模型;基于敏感参数评价标准和深度定量关系模型确定敏感参数模型;基于工程参数和敏感参数模型构建页岩油气甜点评价优选模型;基于页岩油气甜点评价优选模型和页岩油气甜点评价标准确定目标甜点层段。本发明提高了页岩油气甜点预测的准确性。
Description
技术领域
本发明涉及页岩油气勘探技术领域,具体涉及一种页岩油气甜点预测方法、装置、设备及存储介质。
背景技术
页岩油气甜点(最佳的页岩油气勘探与开发的区域或层位)的准确预测一直是页岩油气勘探开发工程长期需求解决而未根本解决的一项世界级技术难题。
目前页岩油气甜点预测技术第一步即为对岩心进行“制样”,因“制样”过程会导致页岩岩心受损,出现人为的次生裂缝等现象,检测结果存在很大的误差,即不能直接有效地检测岩心,获取页岩储层参数,仅能获取随机概率值,导致获得的页岩储层参数准确性较低,进而导致对页岩油气甜点预测的准确性较低的技术问题。
因此,亟需提供一种页岩油气甜点预测方法、装置、设备及存储介质,提高对页岩油气甜点预测的准确性。
发明内容
有鉴于此,有必要提供一种页岩油气甜点预测方法、装置、设备及存储介质,用以解决现有技术中存在的制样过程会导致页岩岩心受损,导致获得的页岩储层参数准确性较低,进而导致对页岩油气甜点预测的准确性较低的技术问题。
一方面,本发明提供了一种页岩油气甜点预测方法,包括:
获取岩心页岩油气储层灰度图像,并基于所述岩心页岩油气储层灰度图像构建岩心页岩油气数字总模型,所述岩心页岩油气数字总模型包括页岩储层特征参数三维数字模型;
基于所述页岩储层参数三维数字模型确定储层特征参数,并获取页岩油气地球化学评价油气特征参数,基于所述储层特征参数和所述页岩油气地球化学评价油气特征参数构建深度定量关系模型;
获取敏感参数评价标准,并基于所述敏感参数评价标准和所述深度定量关系模型确定敏感参数模型;
获取工程参数,并基于所述工程参数和所述敏感参数模型构建页岩油气甜点评价优选模型;
获取页岩油气甜点评价标准,并基于所述页岩油气甜点评价优选模型和所述页岩油气甜点评价标准确定目标甜点层段。
在一些可能的实现方式中,所述获取岩心页岩油气储层灰度图像,包括:
获取岩心的地质背景,并基于所述地质背景确定岩心电子计算机断层扫描参数;
基于所述岩心电子计算机断层扫描参数扫描岩心,获得所述岩心页岩油气储层灰度图像。
在一些可能的实现方式中,所述基于所述岩心电子计算机断层扫描参数扫描岩心,获得所述岩心页岩油气储层灰度图像,包括:
基于所述岩心电子计算机断层扫描参数对岩心进行全直径岩心微米电子计算机断层扫描,获得第一灰度图像;
基于所述岩心电子计算机断层扫描参数对岩心进行柱塞岩心微纳米电子计算机断层扫描,获得第二灰度图像;
将所述第一灰度图像和所述第二灰度图像进行多尺度融合,获得所述岩心页岩油气储层灰度图像。
在一些可能的实现方式中,在所述将所述第一灰度图像和所述第二灰度图像进行多尺度融合之前,还包括:
构建图像质量提高模型,并基于所述图像质量提高模型对所述第一灰度图像和所述第二灰度图像进行处理。
在一些可能的实现方式中,所述基于所述岩心页岩油气储层灰度图像构建岩心页岩油气数字总模型,包括:
对所述岩心页岩油气储层灰度图像进行识别,获得多个储层表征参数;
获取储层表征参数的筛选标准,并基于所述筛选标准从所述多个储层表征参数中确定多个目标储层表征参数;
基于所述多个目标储层表征参数构建所述岩心页岩油气数字总模型。
在一些可能的实现方式中,所述基于所述工程参数和所述敏感参数模型构建页岩油气甜点评价优选模型,包括:
确定在所述敏感参数模型质控下的页岩油气甜点参数类型和参数变化规律;
基于所述页岩油气甜点参数类型和所述参数变化规律构建页岩油气甜点评价优选模型。
在一些可能的实现方式中,所述基于所述页岩油气甜点评价优选模型和所述页岩油气甜点评价标准确定目标甜点层段,包括:
基于所述页岩油气甜点评价优选模型预测在单一参数和多参数下的甜点类型和层段;
基于所述页岩油气甜点评价标准、所述甜点类型以及所述层段确定目标甜点层段。
另一方面,本发明还提供了一种页岩油气甜点预测装置,包括:
图像获取单元,用于获取岩心页岩油气储层灰度图像,并基于所述岩心页岩油气储层灰度图像构建岩心页岩油气数字总模型,所述岩心页岩油气数字总模型包括页岩储层特征参数三维数字模型;
深度定量关系模型构建单元,用于基于所述页岩储层参数三维数字模型确定储层特征参数,并获取页岩油气地球化学评价油气特征参数,基于所述储层特征参数和所述页岩油气地球化学评价油气特征参数构建深度定量关系模型;
敏感参数模型确定单元,用于获取敏感参数评价标准,并基于所述敏感参数评价标准和所述深度定量关系模型确定敏感参数模型;
甜点评价优选模型确定单元,用于获取工程参数,并基于所述工程参数和所述敏感参数模型构建页岩油气甜点评价优选模型;
目标甜点层段确定单元,用于获取页岩油气甜点评价标准,并基于所述页岩油气甜点评价优选模型和所述页岩油气甜点评价标准确定目标甜点层段。
另一方面,本发明还提供了一种页岩油气甜点预测设备,包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述任意一种可能的实现方式中所述的页岩油气甜点预测方法中的步骤。
另一方面,本发明还提供了一种计算机可读存储介质,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时能够实现上述任意一种可能的实现方式中所述的页岩油气甜点预测方法中的步骤。
采用上述实施例的有益效果是:本发明提供的页岩油气甜点预测方法,首先获取岩心页岩油气储层灰度图像,基于岩心页岩油气储层灰度图像构建包括页岩储层特征参数三维数字模型的岩心页岩油气数字总模型,无需对岩心进行制样,提高了构建的页岩储层特征参数三维数字模型的准确性,从而可提高对页岩油气甜点预测的准确性和效率。并且,本发明基于储层特征参数和页岩油气地球化学评价油气特征参数构建深度定量关系模型,并基于敏感参数评价标准和深度定量关系模型确定敏感参数模型;然后获取工程参数,基于工程参数和敏感参数模型构建页岩油气甜点评价优选模型,可将储层参数、地球化学参数和工程参数均考虑至构建的页岩油气甜点评价优选模型中,提高页岩油气甜点评价优选模型的全面性和可靠性,从而可进一步基于页岩油气甜点评价优选模型确定出的目标甜点层段的准确性,进而可提高油气勘探效率,降低油气勘探成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,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它的附图。
图1为本发明提供的页岩油气甜点预测方法的一个实施例流程示意图;
图2为本发明图1中S101中获取岩心页岩油气储层灰度图像的一个实施例流程示意图;
图3为本发明图2中S202的一个实施例流程示意图;
图4为本发明图1中S101中构建岩心页岩油气数字总模型的一个实施例流程示意图;
图5为本发明图1中S104的一个实施例流程示意图;
图6为本发明图1中S105的一个实施例流程示意图;
图7为本发明提供的页岩油气甜点预测装置的一个实施例结构示意图;
图8为本发明提供的页岩油气甜点预测设备的一个实施例结构示意图。
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。
应当理解,示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应当理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本发明内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
本发明实施例中所涉及到的“第一”、“第二”等描述仅用于描述目的,而不能理解为指示或者暗示其相对重要性或者隐含指明所指示的技术特征的数量。因此,限定有“第一”、“第二”的技术特征可以明示或者隐含的包括至少一个该特征。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种页岩油气甜点预测方法、装置、设备及存储介质,以下分别进行说明。
图1为本发明提供的页岩油气甜点预测方法的一个实施例流程示意图,如图1所示,页岩油气甜点预测方法包括:
S101、获取岩心页岩油气储层灰度图像,并基于岩心页岩油气储层灰度图像构建岩心页岩油气数字总模型,岩心页岩油气数字总模型包括页岩储层特征参数三维数字模型;
S102、基于页岩储层参数三维数字模型确定储层特征参数,并获取页岩油气地球化学评价油气特征参数,基于储层特征参数和页岩油气地球化学评价油气特征参数构建深度定量关系模型;
S103、获取敏感参数评价标准,并基于敏感参数评价标准和深度定量关系模型确定敏感参数模型;
S104、获取工程参数,并基于工程参数和敏感参数模型构建页岩油气甜点评价优选模型;
S105、获取页岩油气甜点评价标准,并基于页岩油气甜点评价优选模型和页岩油气甜点评价标准确定目标甜点层段。
与现有技术相比,本发明实施例提供的页岩油气甜点预测方法,首先获取岩心页岩油气储层灰度图像,基于岩心页岩油气储层灰度图像构建包括页岩储层特征参数三维数字模型的岩心页岩油气数字总模型,无需对岩心进行制样,提高了构建的页岩储层特征参数三维数字模型的准确性,从而可提高对页岩油气甜点预测的准确性和效率。并且,本发明实施例基于储层特征参数和页岩油气地球化学评价油气特征参数构建深度定量关系模型,并基于敏感参数评价标准和深度定量关系模型确定敏感参数模型;然后获取工程参数,基于工程参数和敏感参数模型构建页岩油气甜点评价优选模型,可将储层参数、地球化学参数和工程参数均考虑至构建的页岩油气甜点评价优选模型中,提高页岩油气甜点评价优选模型的全面性和可靠性,从而可进一步基于页岩油气甜点评价优选模型确定出的目标甜点层段的准确性,进而可提高油气勘探效率,降低油气勘探成本。
其中,步骤S101中的获取岩心页岩油气储层灰度图像的方式可为基于电子计算机断层扫描(Computed Tomography,CT)设备实时扫描岩心获得岩心页岩油气储层灰度图像,也可为从存储有岩心页岩油气储层灰度图像的存储介质中获取岩心页岩油气储层灰度图像。
需要说明的是:由于岩心页岩油气储层灰度图像的数据量较大,因此,在本发明的具体实施例中,存储岩心页岩油气储层灰度图像的存储介质为服务器,其中,服务器可以是搭建的私有服务器,也可以是诸如华为云、阿里云、百度云等公开的服务器。
其中,步骤S102中的页岩油气地球化学评价油气特征参数的获取方式可为根据常规化学实验实时获取,也可为从存储有页岩油气地球化学评价油气特征参数的存储介质中获取。
且页岩油气地球化学评价油气特征参数包括但不限于有机质丰度的有机碳、有机质成熟度的镜质体反射率、生烃潜力等。
其中,步骤S103中的敏感参数评价标准为:敏感参数要能够区分研究区块纵向上各层序页岩油气甜点类型及其变化;且沿平面上页岩油气甜点类型及其变化深度学习的页岩油气甜点敏感参数及定量值大小能够有效地反映井间页岩油气甜点有序的变化规律。
需要说明的是:敏感参数评价标准可根据实际应用场景和经验值进行设定或调整。
其中,步骤S104中的工程参数包括但不限于油气层的脆性、敏感性、造缝率以及施工参数等,施工参数包括但不限于施工难度等级、施工成本等。
在本发明的具体实施例中,获取岩心页岩油气储层灰度图像的方式可为基于CT设备实时扫描岩心获得岩心页岩油气储层灰度图像,则为了获取的岩心页岩油气储层灰度图像的可靠性和准确性,在本发明的一些实施例中,如图2所示,步骤S101中的获取岩心页岩油气储层灰度图像,包括:
S201、获取岩心的地质背景,并基于地质背景确定岩心电子计算机断层扫描参数;
S202、基于岩心电子计算机断层扫描参数扫描岩心,获得岩心页岩油气储层灰度图像。
本发明实施例通过基于地质背景确定电子计算机断层扫描参数,可提高确定出的电子计算机断层扫描参数的合理性,从而可提高获得的岩心页岩油气储层灰度图像的合理性和准确性。
在本发明的一些实施例中,如图3所示,步骤S202包括:
S301、基于岩心电子计算机断层扫描参数对岩心进行全直径岩心微米电子计算机断层扫描,获得第一灰度图像;
S302、基于岩心电子计算机断层扫描参数对岩心进行柱塞岩心微纳米电子计算机断层扫描,获得第二灰度图像;
S303、将第一灰度图像和第二灰度图像进行多尺度融合,获得岩心页岩油气储层灰度图像。
本发明实施例基于电子计算机断层扫描参数分别对岩心进行全直径岩心微米电子计算机断层扫描和柱塞岩心微纳米电子计算机断层扫描,可获得分辨率较低的第一灰度图像和分辨率较高的第二灰度图像,然后将第一灰度图像和第二灰度图像进行多尺度融合,可实现了图像尺寸与图像尺度特征的匹配,即:将大尺度特征与较大的图像尺寸匹配,避免在较大的图像尺寸中凸显细节特征,从而导致重影现象的发生,将小尺度特征与较小的图像尺寸匹配,避免细节特征丢失,从而导致截断现象的发生,从而提高了确定出的岩心页岩油气储层灰度图像的图像质量。
为了避免当第一灰度图像和/或第二灰度图像的图像质量不好时,导致进行多尺度融合后获得的岩心页岩油气储层灰度图像的图像质量较差的技术问题,在本发明的一些实施例中,在步骤S303之前,还包括:
构建图像质量提高模型,并基于图像质量提高模型对第一灰度图像和第二灰度图像进行处理。
本发明实施例通过基于构建的图像质量提高模型对第一灰度图像和第二灰度图像进行处理,可提高获得的第一灰度图像和第二灰度图像的图像质量,从而可进一步提高获得的岩心页岩油气储层灰度图像的图像质量,进而可进一步提高页岩油气甜点预测的准确性。
其中,图像质量提高模型用于提高第一灰度图像和第二灰度图像的图像分辨率和清晰度。
需要说明的是:图像质量提高模型可为深度学习模型,即:构建初始模型,并基于获取的样本集对初始模型进行训练,获得训练完备的图像质量提高模型。
其中,图像质量提高模型的模型结构包括但不限于深度神经网络模型(DeepNeural Networks,DNN)、循环神经网络模型(Recurrent Neural Networks,RNN)、卷积网络模型(Convolutional Neural Networks,CNN)、深度生成模型(Deep Generative Models,DGM)、生成式对抗网络(Generative Adversarial Networks,GAN)、长短期记忆网络模型(Long / short term memory ,LSTM)、支持向量机(Support vector machines,SVM)、深度交叉模型(Deep Crossing)等。
在本发明的具体实施例中,图像质量提高模型的模型结构为U-Net模型。
在本发明的一些实施例中,如图4所示,步骤S101中的基于岩心页岩油气储层灰度图像构建岩心页岩油气数字总模型,包括:
S401、对岩心页岩油气储层灰度图像进行识别,获得多个储层表征参数;
S402、获取储层表征参数的筛选标准,并基于筛选标准从多个储层表征参数中确定多个目标储层表征参数;
S403、基于多个目标储层表征参数构建岩心页岩油气数字总模型。
本发明实施例通过基于储层表征参数的筛选标准从多个储层表征参数中确定多个目标储层表征参数,并基于多个目标储层表征参数构建岩心页岩油气数字总模型,可提高岩心页岩油气数字总模型的构建效率,进而提高页岩油气甜点的预测效率。
需要说明的是:步骤S401中对岩心页岩油气储层灰度图像进行识别可具体为:基于深度学习构建图像识别模型,基于图像识别模型对岩心页岩油气储层灰度图像进行识别,获得多个储层表征参数。
在本发明的具体实施例中,图像识别模型的模型结构为AlexNet。应当理解的是:图像识别模型的结构也可为除了AlexNet之外的其他模型,在此不做一一赘述。
在本发明的一些实施例中,储层表征参数包括但不限于:页岩油气储层沉积成岩结构、孔隙度、裂缝率、脆性矿物百分含量、孔缝充填率。
其中,步骤S402中的筛选标准为:目标储层表征参数要能够区分研究区块纵向、横向储层类型及其变化。
需要说明的是:筛选标准可根据实际应用场景和经验值进行设定或调整。
在本发明的一些实施例中,如图5所示,步骤S104包括:
S501、确定在敏感参数模型质控下的页岩油气甜点参数类型和参数变化规律;
S502、基于页岩油气甜点参数类型和参数变化规律构建页岩油气甜点评价优选模型。
本发明实施例通过确定在敏感参数模型质控下的页岩油气甜点参数类型和参数变化规律,并基于页岩油气甜点参数类型和参数变化规律构建页岩油气甜点评价优选模型,可准确评价页岩油气区内的甜点空间变化规律,进一步提高了页岩油气甜点的预测准确度,提高了油气勘探的效率,降低了油气勘探成本。
在本发明的一些实施例中,如图6所示,步骤S105包括:
S601、基于页岩油气甜点评价优选模型预测在单一参数和多参数下的甜点类型和层段;
S602、基于页岩油气甜点评价标准、甜点类型以及层段确定目标甜点层段。
本发明实施例通过模拟预测单一参数、多参数下的甜点类型及层段,进行系统比对与优化,评价各层段的甜点类型差异,优选出目标甜点层段,给页岩油气精细勘探精确选层与目标区精准预测提供技术信息。
需要说明的是:步骤S601中的单一参数和多参数均可为工程参数、储层表征参数、页岩油气地球化学评价油气特征参数中的任意一个或多个参数。
综上所述,本发明实施例为页岩油气勘探评价及选区提供了研究区块内页岩油气发育特征及油气富集甜点的坚实的基础信息,缩小勘探范围,瞄准勘探目标,因而不同程度地提高了页岩油气预测准确度,避免因不甚了解页岩油气甜点纵向类型、演变及差异、横向各单元甜点类型及差异与空间展布特征不能提供准确资料而导致的油气钻探失败的风险,大大提高了页岩油气区油气勘探钻探成功的保证率,从而加快了页岩油气勘探的进度,大大地降低了勘探成本。
为了更好实施本发明实施例中的页岩油气甜点预测方法,在页岩油气甜点预测方法基础之上,对应的,本发明实施例还提供了一种页岩油气甜点预测装置,如图7所示,页岩油气甜点预测装置700包括:
图像获取单元701,用于获取岩心页岩油气储层灰度图像,并基于岩心页岩油气储层灰度图像构建岩心页岩油气数字总模型,岩心页岩油气数字总模型包括页岩储层特征参数三维数字模型;
深度定量关系模型构建单元702,用于基于页岩储层参数三维数字模型确定储层特征参数,并获取页岩油气地球化学评价油气特征参数,基于储层特征参数和页岩油气地球化学评价油气特征参数构建深度定量关系模型;
敏感参数模型确定单元703,用于获取敏感参数评价标准,并基于敏感参数评价标准和深度定量关系模型确定敏感参数模型;
甜点评价优选模型确定单元704,用于获取工程参数,并基于工程参数和敏感参数模型构建页岩油气甜点评价优选模型;
目标甜点层段确定单元705,用于获取页岩油气甜点评价标准,并基于页岩油气甜点评价优选模型和页岩油气甜点评价标准确定目标甜点层段。
上述实施例提供的页岩油气甜点预测装置700可实现上述页岩油气甜点预测方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述页岩油气甜点预测方法实施例中的相应内容,此处不再赘述。
如图8所示,本发明还相应提供了一种页岩油气甜点预测设备800。该页岩油气甜点预测设备800包括处理器801、存储器802及显示器803。图8仅示出了页岩油气甜点预测设备800的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器802在一些实施例中可以是页岩油气甜点预测设备800的内部存储单元,例如页岩油气甜点预测设备800的硬盘或内存。存储器802在另一些实施例中也可以是页岩油气甜点预测设备800的外部存储设备,例如页岩油气甜点预测设备800上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
进一步地,存储器802还可既包括页岩油气甜点预测设备800的内部储存单元也包括外部存储设备。存储器802用于存储安装页岩油气甜点预测设备800的应用软件及各类数据。
处理器801在一些实施例中可以是一中央处理器(CentralProcessing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器802中存储的程序代码或处理数据,例如本发明中的页岩油气甜点预测方法。
显示器803在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器803用于显示在页岩油气甜点预测设备800的信息以及用于显示可视化的用户界面。页岩油气甜点预测设备800的部件801-803通过系统总线相互通信。
在本发明的一些实施例中,当处理器801执行存储器802中的页岩油气甜点预测程序时,可实现以下步骤:
获取岩心页岩油气储层灰度图像,并基于岩心页岩油气储层灰度图像构建岩心页岩油气数字总模型,岩心页岩油气数字总模型包括页岩储层特征参数三维数字模型;
基于页岩储层参数三维数字模型确定储层特征参数,并获取页岩油气地球化学评价油气特征参数,基于储层特征参数和页岩油气地球化学评价油气特征参数构建深度定量关系模型;
获取敏感参数评价标准,并基于敏感参数评价标准和深度定量关系模型确定敏感参数模型;
获取工程参数,并基于工程参数和敏感参数模型构建页岩油气甜点评价优选模型;
获取页岩油气甜点评价标准,并基于页岩油气甜点评价优选模型和页岩油气甜点评价标准确定目标甜点层段。
应当理解的是:处理器801在执行存储器802中的页岩油气甜点预测程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面相应方法实施例的描述。
进一步地,本发明实施例对提及的页岩油气甜点预测设备800的类型不做具体限定,页岩油气甜点预测设备800可以为手机、平板电脑、个人数字助理(personal digitalassistant,PDA)、可穿戴设备、膝上型计算机(laptop)等便携式页岩油气甜点预测设备。便携式页岩油气甜点预测设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式页岩油气甜点预测设备。上述便携式页岩油气甜点预测设备也可以是其他便携式页岩油气甜点预测设备,诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是,在本发明其他一些实施例中,页岩油气甜点预测设备800也可以不是便携式页岩油气甜点预测设备,而是具有触敏表面(例如触控面板)的台式计算机。
相应地,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质用于存储计算机可读取的程序或指令,程序或指令被处理器执行时,能够实现上述各方法实施例提供的页岩油气甜点预测方法步骤或功能。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件(如处理器,控制器等)来完成,计算机程序可存储于计算机可读存储介质中。其中,计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的页岩油气甜点预测方法、装置、设备及存储介质进行了详细介绍,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 (9)
1.一种页岩油气甜点预测方法,其特征在于,包括:
获取岩心页岩油气储层灰度图像,并基于深度学习构建图像识别模型,基于图像识别模型对所述岩心页岩油气储层灰度图像进行识别,获得多个储层表征参数;获取储层表征参数的筛选标准,并基于所述筛选标准从所述多个储层表征参数中确定多个目标储层表征参数,所述多个储层表征参数包括页岩油气储层沉积成岩结构、孔隙度、裂缝率、脆性矿物百分含量和孔缝充填率;基于所述多个目标储层表征参数构建所述岩心页岩油气数字总模型,所述岩心页岩油气数字总模型包括页岩储层特征参数三维数字模型;
基于所述页岩储层参数三维数字模型确定储层特征参数,并获取页岩油气地球化学评价油气特征参数,基于所述储层特征参数和所述页岩油气地球化学评价油气特征参数构建深度定量关系模型,其中,所述页岩油气地球化学评价油气特征参数包括有机质丰度的有机碳、有机质成熟度的镜质体反射率和生烃潜力;
获取敏感参数评价标准,并基于所述敏感参数评价标准和所述深度定量关系模型确定敏感参数模型;
获取工程参数,并基于所述工程参数和所述敏感参数模型构建页岩油气甜点评价优选模型,其中,所述工程参数包括油气层的脆性、敏感性、造缝率以及施工参数;
获取页岩油气甜点评价标准,并基于所述页岩油气甜点评价优选模型和所述页岩油气甜点评价标准确定目标甜点层段。
2.根据权利要求1所述的页岩油气甜点预测方法,其特征在于,所述获取岩心页岩油气储层灰度图像,包括:
获取岩心的地质背景,并基于所述地质背景确定岩心电子计算机断层扫描参数;
基于所述岩心电子计算机断层扫描参数扫描岩心,获得所述岩心页岩油气储层灰度图像。
3.根据权利要求2所述的页岩油气甜点预测方法,其特征在于,所述基于所述岩心电子计算机断层扫描参数扫描岩心,获得所述岩心页岩油气储层灰度图像,包括:
基于所述岩心电子计算机断层扫描参数对岩心进行全直径岩心微米电子计算机断层扫描,获得第一灰度图像;
基于所述岩心电子计算机断层扫描参数对岩心进行柱塞岩心微纳米电子计算机断层扫描,获得第二灰度图像;
将所述第一灰度图像和所述第二灰度图像进行多尺度融合,获得所述岩心页岩油气储层灰度图像;
其中,所述多尺度融合包括将大尺度特征与较大的图像尺寸匹配,和将小尺度特征与较小的图像尺寸匹配。
4.根据权利要求3所述的页岩油气甜点预测方法,其特征在于,在所述将所述第一灰度图像和所述第二灰度图像进行多尺度融合之前,还包括:
基于深度学习模型构建图像质量提高模型,并基于所述图像质量提高模型对所述第一灰度图像和所述第二灰度图像进行处理。
5.根据权利要求1所述的页岩油气甜点预测方法,其特征在于,所述基于所述工程参数和所述敏感参数模型构建页岩油气甜点评价优选模型,包括:
确定在所述敏感参数模型质控下的页岩油气甜点参数类型和参数变化规律;
基于所述页岩油气甜点参数类型和所述参数变化规律构建页岩油气甜点评价优选模型。
6.根据权利要求1所述的页岩油气甜点预测方法,其特征在于,所述基于所述页岩油气甜点评价优选模型和所述页岩油气甜点评价标准确定目标甜点层段,包括:
基于所述页岩油气甜点评价优选模型预测在单一参数和多参数下的甜点类型和层段;
基于所述页岩油气甜点评价标准、所述甜点类型以及所述层段确定目标甜点层段。
7.一种页岩油气甜点预测装置,其特征在于,包括:
图像获取单元,用于获取岩心页岩油气储层灰度图像,并基于深度学习构建图像识别模型,基于图像识别模型对所述岩心页岩油气储层灰度图像进行识别,获得多个储层表征参数;获取储层表征参数的筛选标准,并基于所述筛选标准从所述多个储层表征参数中确定多个目标储层表征参数,所述多个储层表征参数包括页岩油气储层沉积成岩结构、孔隙度、裂缝率、脆性矿物百分含量和孔缝充填率;基于所述多个目标储层表征参数构建所述岩心页岩油气数字总模型,所述岩心页岩油气数字总模型包括页岩储层特征参数三维数字模型;
深度定量关系模型构建单元,用于基于所述页岩储层参数三维数字模型确定储层特征参数,并获取页岩油气地球化学评价油气特征参数,基于所述储层特征参数和所述页岩油气地球化学评价油气特征参数构建深度定量关系模型,其中,所述页岩油气地球化学评价油气特征参数包括有机质丰度的有机碳、有机质成熟度的镜质体反射率和生烃潜力;
敏感参数模型确定单元,用于获取敏感参数评价标准,并基于所述敏感参数评价标准和所述深度定量关系模型确定敏感参数模型;
甜点评价优选模型确定单元,用于获取工程参数,并基于所述工程参数和所述敏感参数模型构建页岩油气甜点评价优选模型,其中,所述工程参数包括油气层的脆性、敏感性、造缝率以及施工参数;
目标甜点层段确定单元,用于获取页岩油气甜点评价标准,并基于所述页岩油气甜点评价优选模型和所述页岩油气甜点评价标准确定目标甜点层段。
8.一种页岩油气甜点预测设备,其特征在于,包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述权利要求1至6中任意一项所述的页岩油气甜点预测方法中的步骤。
9.一种计算机可读存储介质,其特征在于,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时能够实现上述权利要求1至6中任意一项所述的页岩油气甜点预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310420597.4A CN116168172B (zh) | 2023-04-19 | 2023-04-19 | 页岩油气甜点预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310420597.4A CN116168172B (zh) | 2023-04-19 | 2023-04-19 | 页岩油气甜点预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116168172A CN116168172A (zh) | 2023-05-26 |
CN116168172B true CN116168172B (zh) | 2023-07-11 |
Family
ID=86416564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310420597.4A Active CN116168172B (zh) | 2023-04-19 | 2023-04-19 | 页岩油气甜点预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116168172B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272841B (zh) * | 2023-11-21 | 2024-01-26 | 西南石油大学 | 一种基于混合神经网络的页岩气甜点预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104853822A (zh) * | 2014-09-19 | 2015-08-19 | 杨顺伟 | 一种评价页岩气储层及寻找甜点区的方法 |
CN111694068A (zh) * | 2020-05-30 | 2020-09-22 | 中国石油天然气股份有限公司 | 一种大型淡水湖盆陆相泥页岩油形成与富集评价方法 |
CN114841927A (zh) * | 2022-04-15 | 2022-08-02 | 中国地质调查局油气资源调查中心 | 一种页岩储层裂缝识别方法、装置、设备及存储介质 |
CN115012903A (zh) * | 2022-05-31 | 2022-09-06 | 中国石油大学(华东) | 判别泥页岩层理构造发育的测井评价方法 |
Family Cites Families (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106443770A (zh) * | 2015-08-07 | 2017-02-22 | 中国石油化工股份有限公司 | 一种页岩气地质甜点的预测方法 |
CN105651966A (zh) * | 2016-01-18 | 2016-06-08 | 山东科技大学 | 一种页岩油气优质储层评价方法及参数确定方法 |
CN107449707B (zh) * | 2017-07-03 | 2020-01-07 | 中国石油天然气股份有限公司 | 页岩储层中不同尺度孔隙定量的三维表征确定方法和装置 |
CN109387468A (zh) * | 2017-08-09 | 2019-02-26 | 中国石油化工股份有限公司 | 页岩储层纳米孔隙结构特征参数测试分析方法及系统 |
CN109102180B (zh) * | 2018-07-30 | 2021-11-09 | 北京大学 | 致密砂岩储层双甜点评价的综合参数评价方法 |
CN108956952A (zh) * | 2018-08-01 | 2018-12-07 | 中国石油化工股份有限公司江汉油田分公司勘探开发研究院 | 盐间泥页岩层系油藏地质甜点的预测方法及勘探方法 |
CN109581531A (zh) * | 2018-11-02 | 2019-04-05 | 中国石油天然气股份有限公司大港油田分公司 | 一种非常规油气甜点定量评价方法 |
CN111441758B (zh) * | 2018-12-29 | 2021-03-30 | 中国石油天然气股份有限公司 | 页岩油气甜点区的预测方法及装置 |
CN110850502B (zh) * | 2019-07-17 | 2021-07-27 | 中国石油大学(北京) | 页岩油气储层页理缝分布规律的预测方法、设备及系统 |
CN112288118A (zh) * | 2019-07-25 | 2021-01-29 | 中国石油天然气股份有限公司 | 页岩油原位开发产出油气量的预测方法及装置 |
CN111046585B (zh) * | 2019-12-27 | 2023-08-22 | 中国地质调查局成都地质调查中心 | 基于多元线性回归分析的页岩气甜点预测方法 |
CN111461386B (zh) * | 2019-12-27 | 2023-08-22 | 中国地质调查局成都地质调查中心 | 基于bp神经网络的页岩气甜点预测方法 |
CN111460725B (zh) * | 2019-12-27 | 2023-08-18 | 中国地质调查局成都地质调查中心 | 基于多层次模糊识别的页岩气甜点预测 |
CN111638317B (zh) * | 2020-05-30 | 2022-06-03 | 中国石油天然气股份有限公司 | 一种大型淡水湖盆陆相泥页岩油形成与演化评价方法 |
CN112504933B (zh) * | 2020-11-19 | 2023-09-26 | 西安润丰源石化科技有限公司 | 一种页岩油地质甜点预测的孔隙度测量装置 |
CN112526107B (zh) * | 2020-11-27 | 2021-11-16 | 中国地质大学(北京) | 裂缝型致密砂岩储层甜点识别与定量表征的方法 |
CN112922591B (zh) * | 2021-03-01 | 2021-11-26 | 中国地质大学(北京) | 泥页岩储层岩相“甜点”预测方法及系统 |
CN114114414A (zh) * | 2021-11-18 | 2022-03-01 | 电子科技大学长三角研究院(湖州) | 一种页岩储层“甜点”信息人工智能预测方法 |
CN114462237A (zh) * | 2022-01-27 | 2022-05-10 | 中国石油化工股份有限公司 | 一种泥页岩油气甜点预测方法 |
CN114755744A (zh) * | 2022-03-14 | 2022-07-15 | 中国科学院地质与地球物理研究所 | 基于泥页岩非均质性特征的总有机碳测井解释方法及系统 |
CN114638300A (zh) * | 2022-03-16 | 2022-06-17 | 长江大学 | 一种识别页岩油气藏“甜点”的方法、装置及存储介质 |
CN114757446A (zh) * | 2022-05-18 | 2022-07-15 | 中国石油大学(北京) | 陆相页岩油综合甜点的预测方法、装置及计算机存储介质 |
CN115235977A (zh) * | 2022-07-22 | 2022-10-25 | 中国石油大学(华东) | 基于分形特征计算页岩多尺度孔径分布的方法及系统 |
CN115266782B (zh) * | 2022-09-27 | 2023-03-24 | 中国科学院地质与地球物理研究所 | 一种基于双能ct技术评价非常规储层双甜点的方法 |
CN115758868A (zh) * | 2022-11-07 | 2023-03-07 | 武汉中旺亿能科技发展有限公司 | 基于ct扫描的致密储层保压保形取心套筒选材选型方法 |
CN115598736B (zh) * | 2022-12-14 | 2023-03-10 | 克拉玛依禾鑫石油科技有限公司 | 一种页岩、致密油气水平井基于岩屑确定甜点的方法 |
CN115640733B (zh) * | 2022-12-21 | 2023-03-07 | 武汉中旺亿能科技发展有限公司 | 基于全直径岩心ct扫描致密储层压裂缝网数值模拟方法 |
-
2023
- 2023-04-19 CN CN202310420597.4A patent/CN116168172B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104853822A (zh) * | 2014-09-19 | 2015-08-19 | 杨顺伟 | 一种评价页岩气储层及寻找甜点区的方法 |
CN111694068A (zh) * | 2020-05-30 | 2020-09-22 | 中国石油天然气股份有限公司 | 一种大型淡水湖盆陆相泥页岩油形成与富集评价方法 |
CN114841927A (zh) * | 2022-04-15 | 2022-08-02 | 中国地质调查局油气资源调查中心 | 一种页岩储层裂缝识别方法、装置、设备及存储介质 |
CN115012903A (zh) * | 2022-05-31 | 2022-09-06 | 中国石油大学(华东) | 判别泥页岩层理构造发育的测井评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116168172A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11048018B2 (en) | Systems, methods, and computer-readable media for modeling complex wellbores in field-scale reservoir simulation | |
US11721042B2 (en) | Target detection method, electronic device and medium | |
RU2594372C1 (ru) | Распространяющиеся обновления плоскости разрыва | |
EP3397833B1 (en) | Machine learning for production prediction | |
JP7204826B2 (ja) | 交通事故識別方法、装置、デバイス及びコンピュータ記憶媒体 | |
CN109155064A (zh) | 自动化岩心描述 | |
CN116168172B (zh) | 页岩油气甜点预测方法、装置、设备及存储介质 | |
EP2756335B1 (en) | Method and system of subsurface horizon assignment | |
CN114842180B (zh) | 一种点云补全方法、装置、设备及介质 | |
JP2023064082A (ja) | 高精地図における三次元地図の構築方法、装置、機器および記憶媒体 | |
Shi et al. | Machine learning of three-dimensional subsurface geological model for a reclamation site in Hong Kong | |
US20160209545A1 (en) | A geostatistical procedure for simulation of the 3d geometry of a natural fracture network conditioned by well bore observations | |
GB2476053A (en) | Displaying seismic data in the form of a predicted well log for a planned well trajectory to make interpretation easier for a drilling rig operator | |
CN114841988A (zh) | 一种岩芯实际尺寸确定方法及装置 | |
CN111047107A (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 | |
US20230393303A1 (en) | Integrated diagenetic-depositional facies (iddf) characterization and 3d geomodeling | |
CN114036829B (zh) | 地质剖面图生成方法、系统、设备及存储介质 | |
US11320553B2 (en) | System and method for subsurface structural interpretation | |
CN109815307B (zh) | 位置确定方法、装置、设备和介质 | |
Ma et al. | A rational and realistic rock mass modelling strategy for the stability analysis of blocky rock mass | |
US20220207422A1 (en) | Predictive engine for tracking select seismic variables and predicting horizons | |
CN117309923A (zh) | 一种现场岩屑扫描代表性分析方法及装置 | |
KR102317855B1 (ko) | 프로젝트 분석을 위한 사용자 인터페이스 | |
CN113761990B (zh) | 一种道路边界检测方法、装置、无人车及存储介质 | |
CN117609752A (zh) | 一种基于钻孔的地质纵断面生成方法、装置和电子设备 |
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 |