CN116299673A - 古近系储层渗透率的预测方法、装置、计算机设备及介质 - Google Patents
古近系储层渗透率的预测方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN116299673A CN116299673A CN202310143581.3A CN202310143581A CN116299673A CN 116299673 A CN116299673 A CN 116299673A CN 202310143581 A CN202310143581 A CN 202310143581A CN 116299673 A CN116299673 A CN 116299673A
- Authority
- CN
- China
- Prior art keywords
- permeability
- data
- target
- paleo
- 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.)
- Pending
Links
- 230000035699 permeability Effects 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000007637 random forest analysis Methods 0.000 claims abstract description 31
- 239000006185 dispersion Substances 0.000 claims abstract description 26
- 208000035126 Facies Diseases 0.000 claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000003860 storage Methods 0.000 claims description 20
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000012952 Resampling Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000013050 geological sediment Substances 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 239000002609 medium Substances 0.000 description 21
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000704 physical effect Effects 0.000 description 5
- 238000000151 deposition Methods 0.000 description 3
- 238000011545 laboratory measurement Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 238000009933 burial Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation 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
- G01V1/301—Analysis for determining seismic cross-sections or geostructures
-
- 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
-
- 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)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明实施例公开了一种古近系储层渗透率的预测方法、装置、计算机设备及介质。该方法包括：获取目标古近系区域的地震数据和测井数据；根据地震数据确定目标古近系区域中的沉积相数据、孔隙度、振幅谱梯度以及速度频散数据作为输入变量；其中，沉积相数据与渗透率之间存在定量对应关系；根据测井数据确定目标古近系区域中已钻井的样本渗透率作为输出变量；将输入变量和输出变量作为原始样本集代入预设的随机森林模型，以对目标古近系区域的储层渗透率进行预测。通过将沉积相引入到样本数据，可以在随机森林回归样本训练学习和决策中起到相控作用，从而使得预测结果更可靠，更符合实际地质沉积规律，增加了渗透率预测的准确性。
Description
技术领域
本发明实施例涉及地震勘探开发技术领域，尤其涉及一种古近系储层渗透率的预测方法、装置、计算机设备及介质。
背景技术
随着勘探开发的不断深入，古近系成为勘探的重点领域之一。古近系储层埋深大、相变快，其物性多表现为低孔低渗、超低孔超低渗的特点。古近系储层渗透率是油气勘探开发中的重要指标之一，精准可靠预测储层渗透率显得尤为必要。
当前在储层渗透率定量研究可分为三个方面：(1)岩石物理领域中岩心实验室测量渗透率，该方法精度高、费用贵，另外岩心实验室测量还受到取心范围的限制，只能在很小范围内表征储层渗透率的分布。(2)基于测井数据获取储层渗透率，精度仅次于实验室测量，可以提供井上连续地层储层渗透率信息，只是“一孔之见”，难以在三维空间表征储层渗透率。(3)基于地震资料计算得到储层渗透率，其优势是地震资料横向分辨率较高，能够在三维空间刻画储层物性展布，起到渗透率的预测效果。但是，地震反演的渗透率精度要远远低于实验室测量和测井数据获取的渗透率精度。地震数据中包含丰富的地质信息，前人通过大量研究发现多种地震信息与储层物性之间存在明确的关系，例如地震资料振幅谱梯度是指在地震资料有效频带内地震反射波振幅随频率的变化率，它突出了地震资料不同频率振幅的变化特征，揭示了储层渗透性能变化特征。因此，可以通过地震资料获取振幅谱梯度属性预测储层渗透率。此外，基于时间平均方程可以从地震速度中求取孔隙度，然后根据已钻井岩石物理分析得到的孔渗关系式获取储层渗透率。因为地震波在传播过程中会引起孔隙流体流动，造成地震波速度频散与振幅衰减，可以通过地震波频散和衰减反演得到储层渗透率和流体性质。由于地震数据是地层多参数的综合响应，且储层渗透率与地震数据为非线性关系，导致上述方法在预测储层渗透率过程中存在多解性，缺乏稳定性。
为了克服上述方法的局限性，基于机器学习的随机森林回归方法被引入到储层预测中来，随机森林方法由多个决策树组合而成，具有预测准确率高、对异常值和噪声数据容忍度高的优点。然而，古近系储层埋深大、相变快、地震数据品质低，且随机森林回归方法是基于纯数据驱动，会导致随机森林方法在不同沉积相带内相似地震响应输出储层物性结果相近，往往与实际地质沉积规律不吻合，预测误差偏大。
发明内容
本发明实施例提供一种古近系储层渗透率的预测方法、装置、计算机设备及介质，以解决现有技术中预测结果与实际地质沉积规律不吻合，预测误差偏大的问题。
第一方面，本发明实施例提供了一种古近系储层渗透率的预测方法，该方法包括：
获取目标古近系区域的地震数据和测井数据；
根据所述地震数据确定所述目标古近系区域中的沉积相数据、孔隙度、振幅谱梯度以及速度频散数据作为输入变量；其中，所述沉积相数据与渗透率之间存在定量对应关系；
根据所述测井数据确定所述目标古近系区域中已钻井的样本渗透率作为输出变量；
将所述输入变量和所述输出变量作为原始样本集代入预设的随机森林模型，以对所述目标古近系区域的储层渗透率进行预测。
可选的，所述方法还包括：
根据所述测井数据划分得到渗透率与不同沉积相带之间的基础对应关系；
根据所述地震数据确定所述目标古近系区域中不同沉积相的空间分布；
根据所述空间分布以及所述基础对应关系，使用测井相对地震相进行标定，得到所述定量对应关系。
可选的，所述将所述输入变量和所述输出变量作为原始样本集代入预设的随机森林模型，以对所述目标古近系区域的储层渗透率进行预测，包括：
采用Bootstrap采样方法对所述原始样本集进行重抽样，随机产生多个训练集，每个所述训练集生成相应的决策树；
将每棵所述决策树输出的预测值取平均值得到所述目标古近系区域的储层渗透率的预测结果。
可选的，所述根据所述测井数据确定所述目标古近系区域中已钻井的样本渗透率作为输出变量，包括：
将所述测井数据中用于反映储层渗透率的目标数据按照地震采样率进行重采样，得到所述样本渗透率。
可选的，所述根据所述地震数据确定所述目标古近系区域中的孔隙度，包括：
通过孔隙度反演得到所述孔隙度。
可选的，所述根据所述地震数据确定所述目标古近系区域中的振幅谱梯度，包括：
采用频谱分析和谱分解技术确定所述振幅谱梯度。
可选的，所述根据所述地震数据确定所述目标古近系区域中的速度频散数据，包括：
采用叠前地震频散分析技术确定所述速度频散数据。
第二方面，本发明实施例还提供了一种古近系储层渗透率的预测装置，该装置包括：
数据获取模块，用于获取目标古近系区域的地震数据和测井数据；
输入变量确定模块，用于根据所述地震数据确定所述目标古近系区域中的沉积相数据、孔隙度、振幅谱梯度以及速度频散数据作为输入变量；其中，所述沉积相数据与渗透率之间存在定量对应关系；
输出变量确定模块，用于根据所述测井数据确定所述目标古近系区域中已钻井的样本渗透率作为输出变量；
渗透率预测模块，用于将所述输入变量和所述输出变量作为原始样本集代入预设的随机森林模型，以对所述目标古近系区域的储层渗透率进行预测。
第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：
一个或多个处理器；
存储器，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，使得所述一个或多个处理器实现本发明任意实施例所提供的古近系储层渗透率的预测方法。
第四方面，本发明实施例还提供了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本发明任意实施例所提供的古近系储层渗透率的预测方法。
本发明实施例提供了一种古近系储层渗透率的预测方法，首先获取目标古近系区域的地震数据和测井数据，然后根据地震数据确定目标古近系区域中的沉积相数据、孔隙度、振幅谱梯度以及速度频散数据作为输入变量，再根据测井数据确定目标古近系区域中已钻井的样本渗透率作为输出变量，从而将得到的输入变量和输出变量作为原始样本集代入预设的随机森林模型，以对目标古近系区域的储层渗透率进行预测。本发明实施例所提供的古近系储层渗透率的预测方法，通过将沉积相引入到随机森林模型的样本数据，可以在随机森林回归样本训练学习和决策中起到相控作用，从而使得预测结果更可靠，更符合实际地质沉积规律，增加了渗透率预测的准确性，可以更好的指导勘探开发生产。
附图说明
图1为本发明实施例一提供的古近系储层渗透率的预测方法的流程图；
图2为本发明实施例二提供的古近系储层渗透率的预测装置的结构示意图；
图3为本发明实施例三提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的古近系储层渗透率的预测方法的流程图。本实施例可适用于对古近系储层渗透率进行预测的情况，该方法可以由本发明实施例所提供的古近系储层渗透率的预测装置来执行，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中。如图1所示，具体包括如下步骤：
S11、获取目标古近系区域的地震数据和测井数据。
具体的，可以利用现有的任意方式获取所需的地震数据和测井数据，具体可以在目标古近系区域中钻井多口以获取所需的测井数据。
S12、根据所述地震数据确定所述目标古近系区域中的沉积相数据、孔隙度、振幅谱梯度以及速度频散数据作为输入变量；其中，所述沉积相数据与渗透率之间存在定量对应关系。
具体的，可以根据获得的地震数据确定目标古近系区域中的沉积相数据，其中的沉积相数据可以是符合地质沉积规律的沉积相数据，具体可以通过不同地震反射特征分析，同时还可以结合已钻井的岩性组合特征，刻画出沉积模式以及对应的沉积相带。还可以根据获得的地震数据确定目标古近系区域中的孔隙度，可选的，所述根据所述地震数据确定所述目标古近系区域中的孔隙度，包括：通过孔隙度反演得到所述孔隙度。还可以根据获得的地震数据确定目标古近系区域中的振幅谱梯度，可选的，所述根据所述地震数据确定所述目标古近系区域中的振幅谱梯度，包括：采用频谱分析和谱分解技术确定所述振幅谱梯度。还可以根据获得的地震数据确定目标古近系区域中的速度频散数据，可选的，所述根据所述地震数据确定所述目标古近系区域中的速度频散数据，包括：采用叠前地震频散分析技术确定所述速度频散数据。所获得的沉积相数据、孔隙度、振幅谱梯度以及速度频散数据可以一同作为预测使用的随机森林模型的输入变量备用。
其中，沉积相数据与渗透率之间存在定量对应关系，以便使储层渗透率的预测结果更加符合沉积规律。可选的，所述方法还包括：根据所述测井数据划分得到渗透率与不同沉积相带之间的基础对应关系；根据所述地震数据确定所述目标古近系区域中不同沉积相的空间分布；根据所述空间分布以及所述基础对应关系，使用测井相对地震相进行标定，得到所述定量对应关系。具体的，首先通过分析已钻井的测井资料，划分出渗透率与不同沉积相带储层的基础对应关系，然后基于地震数据地震相分析，可以刻画出目标古近系区域中不同沉积相的空间分布，再用测井相对地震相进行标定，便可得到符合地质沉积规律的沉积相数据，以及最终目标古近系区域中沉积相与渗透率之间的定量对应关系，具体可以是各个沉积相带所对应的渗透率区间值范围。
S13、根据所述测井数据确定所述目标古近系区域中已钻井的样本渗透率作为输出变量。
具体的，可以根据获得的测井数据提取目标古近系区域中已钻井的样本渗透率，可选的，所述根据所述测井数据确定所述目标古近系区域中已钻井的样本渗透率作为输出变量，包括：将所述测井数据中用于反映储层渗透率的目标数据按照地震采样率进行重采样，得到所述样本渗透率。所获得的样本渗透率则可以作为预测使用的随机森林模型的输出变量备用。
S14、将所述输入变量和所述输出变量作为原始样本集代入预设的随机森林模型，以对所述目标古近系区域的储层渗透率进行预测。
具体的，在确定了输入变量和输出变量之后，即可将输入变量和输出变量作为原始样本集代入预设的随机森林模型，利用随机森林方法可以拟合输入变量和输出变量之间的非线性关系，从而实现对目标古近系区域进行非线性预测，并通过随机森林回归得到储层渗透率的预测结果。具体可以从原始样本集中随机抽取一半作为随机森林的训练样本，而将余下的作为测试样本。
其中，可选的，所述将所述输入变量和所述输出变量作为原始样本集代入预设的随机森林模型，以对所述目标古近系区域的储层渗透率进行预测，包括：采用Bootstrap采样方法对所述原始样本集进行重抽样，随机产生多个训练集，每个所述训练集生成相应的决策树；将每棵所述决策树输出的预测值取平均值得到所述目标古近系区域的储层渗透率的预测结果。具体的，在每棵决策树的生长过程中，若输入变量由M种不同的数据组成，每个节点从中随机抽取m(0<m<M)个特征作为当前节点分裂的子集，从这个子集中选取最佳的分裂方式进行分裂，每棵决策树都会完整生长且不进行剪枝，m值在整个森林的生长过程中保持不变。对于需要预测的储层渗透率，每棵决策树都会输出相应的预测值yi，i＝1,2,...,n，其中n为训练集的个数，则通过取该n个预测值的平均值，即可得到回归森林的预测值，即目标古近系区域的储层渗透率的预测结果。
示例性的，对某目标古近系区域的储层渗透率进行预测，通过该区域的地震剖面可以看出古近系地层地震反射特征横向变化剧烈，地震相变明显，例如靠近陡坡呈弱振幅杂乱反射、近物源呈现高频中强振幅断续前积反射、洼陷内远离物源呈现中频中弱振幅连续反射。在完成预测后，可以获得文三段储层渗透率平面图，然后可以与该段的沉积相平面图进行比照，从预测结果上可以得出，在目标古近系区域西南角储层渗透性好，对应的辫状河三角洲平原和辫状河三角洲前缘沉积相带；靠着东边北东向的控洼断裂储层渗透率普遍较低，该区域主要位于扇三角洲根部，储层致密，物性差，渗透率低。在洼陷中间部位渗透率反演结果非常低，是因为洼陷中部远离物源，处于半深湖-深湖相，储层不发育。预测结果与沉积相的分布具有很好的对应性，结果更加符合地质沉积规律，更加可靠。
本发明实施例所提供的技术方案，首先获取目标古近系区域的地震数据和测井数据，然后根据地震数据确定目标古近系区域中的沉积相数据、孔隙度、振幅谱梯度以及速度频散数据作为输入变量，再根据测井数据确定目标古近系区域中已钻井的样本渗透率作为输出变量，从而将得到的输入变量和输出变量作为原始样本集代入预设的随机森林模型，以对目标古近系区域的储层渗透率进行预测。通过将沉积相引入到随机森林模型的样本数据，可以在随机森林回归样本训练学习和决策中起到相控作用，从而使得预测结果更可靠，更符合实际地质沉积规律，增加了渗透率预测的准确性，可以更好的指导勘探开发生产。
实施例二
图2为本发明实施例二提供的古近系储层渗透率的预测装置的结构示意图，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中，用于执行本发明任意实施例所提供的古近系储层渗透率的预测方法。如图2所示，该装置包括：
数据获取模块21，用于获取目标古近系区域的地震数据和测井数据；
输入变量确定模块22，用于根据所述地震数据确定所述目标古近系区域中的沉积相数据、孔隙度、振幅谱梯度以及速度频散数据作为输入变量；其中，所述沉积相数据与渗透率之间存在定量对应关系；
输出变量确定模块23，用于根据所述测井数据确定所述目标古近系区域中已钻井的样本渗透率作为输出变量；
渗透率预测模块24，用于将所述输入变量和所述输出变量作为原始样本集代入预设的随机森林模型，以对所述目标古近系区域的储层渗透率进行预测。
本发明实施例所提供的技术方案，首先获取目标古近系区域的地震数据和测井数据，然后根据地震数据确定目标古近系区域中的沉积相数据、孔隙度、振幅谱梯度以及速度频散数据作为输入变量，再根据测井数据确定目标古近系区域中已钻井的样本渗透率作为输出变量，从而将得到的输入变量和输出变量作为原始样本集代入预设的随机森林模型，以对目标古近系区域的储层渗透率进行预测。通过将沉积相引入到随机森林模型的样本数据，可以在随机森林回归样本训练学习和决策中起到相控作用，从而使得预测结果更可靠，更符合实际地质沉积规律，增加了渗透率预测的准确性，可以更好的指导勘探开发生产。
在上述技术方案的基础上，可选的，该古近系储层渗透率的预测装置，还包括：
基础对应关系划分模块，用于根据所述测井数据划分得到渗透率与不同沉积相带之间的基础对应关系；
空间分布确定模块，用于根据所述地震数据确定所述目标古近系区域中不同沉积相的空间分布；
定量对应关系确定模块，用于根据所述空间分布以及所述基础对应关系，使用测井相对地震相进行标定，得到所述定量对应关系。
在上述技术方案的基础上，可选的，渗透率预测模块24，包括：
训练集生成单元，用于采用Bootstrap采样方法对所述原始样本集进行重抽样，随机产生多个训练集，每个所述训练集生成相应的决策树；
预测结果确定单元，用于将每棵所述决策树输出的预测值取平均值得到所述目标古近系区域的储层渗透率的预测结果。
在上述技术方案的基础上，可选的，输出变量确定模块23具体用于：
将所述测井数据中用于反映储层渗透率的目标数据按照地震采样率进行重采样，得到所述样本渗透率。
在上述技术方案的基础上，可选的，输入变量确定模块22具体用于：
通过孔隙度反演得到所述孔隙度。
在上述技术方案的基础上，可选的，输入变量确定模块22具体用于：
采用频谱分析和谱分解技术确定所述振幅谱梯度。
在上述技术方案的基础上，可选的，输入变量确定模块22具体用于：
采用叠前地震频散分析技术确定所述速度频散数据。
本发明实施例所提供的古近系储层渗透率的预测装置可执行本发明任意实施例所提供的古近系储层渗透率的预测方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，在上述古近系储层渗透率的预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例三
图3为本发明实施例三提供的计算机设备的结构示意图，示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图3显示的计算机设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图3所示，该计算机设备包括处理器31、存储器32、输入装置33及输出装置34；计算机设备中处理器31的数量可以是一个或多个，图3中以一个处理器31为例，计算机设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接，图3中以通过总线连接为例。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的古近系储层渗透率的预测方法对应的程序指令/模块(例如，古近系储层渗透率的预测装置中的数据获取模块21、输入变量确定模块22、输出变量确定模块23及渗透率预测模块24)。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的古近系储层渗透率的预测方法。
存储器32可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器32可进一步包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置33可用于获取目标古近系区域的相关数据资料，以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置34可包括显示屏，可用于向用户展示预测结果等等。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质，该计算机可执行指令在由计算机处理器执行时用于执行一种古近系储层渗透率的预测方法，该方法包括：
获取目标古近系区域的地震数据和测井数据；
根据所述地震数据确定所述目标古近系区域中的沉积相数据、孔隙度、振幅谱梯度以及速度频散数据作为输入变量；其中，所述沉积相数据与渗透率之间存在定量对应关系；
根据所述测井数据确定所述目标古近系区域中已钻井的样本渗透率作为输出变量；
将所述输入变量和所述输出变量作为原始样本集代入预设的随机森林模型，以对所述目标古近系区域的储层渗透率进行预测。
存储介质可以是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM、兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的古近系储层渗透率的预测方法中的相关操作。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种古近系储层渗透率的预测方法，其特征在于，包括：
获取目标古近系区域的地震数据和测井数据；
根据所述地震数据确定所述目标古近系区域中的沉积相数据、孔隙度、振幅谱梯度以及速度频散数据作为输入变量；其中，所述沉积相数据与渗透率之间存在定量对应关系；
根据所述测井数据确定所述目标古近系区域中已钻井的样本渗透率作为输出变量；
将所述输入变量和所述输出变量作为原始样本集代入预设的随机森林模型，以对所述目标古近系区域的储层渗透率进行预测。
2.根据权利要求1所述的古近系储层渗透率的预测方法，其特征在于，所述方法还包括：
根据所述测井数据划分得到渗透率与不同沉积相带之间的基础对应关系；
根据所述地震数据确定所述目标古近系区域中不同沉积相的空间分布；
根据所述空间分布以及所述基础对应关系，使用测井相对地震相进行标定，得到所述定量对应关系。
3.根据权利要求1所述的古近系储层渗透率的预测方法，其特征在于，所述将所述输入变量和所述输出变量作为原始样本集代入预设的随机森林模型，以对所述目标古近系区域的储层渗透率进行预测，包括：
采用Bootstrap采样方法对所述原始样本集进行重抽样，随机产生多个训练集，每个所述训练集生成相应的决策树；
将每棵所述决策树输出的预测值取平均值得到所述目标古近系区域的储层渗透率的预测结果。
4.根据权利要求1所述的古近系储层渗透率的预测方法，其特征在于，所述根据所述测井数据确定所述目标古近系区域中已钻井的样本渗透率作为输出变量，包括：
将所述测井数据中用于反映储层渗透率的目标数据按照地震采样率进行重采样，得到所述样本渗透率。
5.根据权利要求1所述的古近系储层渗透率的预测方法，其特征在于，所述根据所述地震数据确定所述目标古近系区域中的孔隙度，包括：
通过孔隙度反演得到所述孔隙度。
6.根据权利要求1所述的古近系储层渗透率的预测方法，其特征在于，所述根据所述地震数据确定所述目标古近系区域中的振幅谱梯度，包括：
采用频谱分析和谱分解技术确定所述振幅谱梯度。
7.根据权利要求1所述的古近系储层渗透率的预测方法，其特征在于，所述根据所述地震数据确定所述目标古近系区域中的速度频散数据，包括：
采用叠前地震频散分析技术确定所述速度频散数据。
8.一种古近系储层渗透率的预测装置，其特征在于，包括：
数据获取模块，用于获取目标古近系区域的地震数据和测井数据；
输入变量确定模块，用于根据所述地震数据确定所述目标古近系区域中的沉积相数据、孔隙度、振幅谱梯度以及速度频散数据作为输入变量；其中，所述沉积相数据与渗透率之间存在定量对应关系；
输出变量确定模块，用于根据所述测井数据确定所述目标古近系区域中已钻井的样本渗透率作为输出变量；
渗透率预测模块，用于将所述输入变量和所述输出变量作为原始样本集代入预设的随机森林模型，以对所述目标古近系区域的储层渗透率进行预测。
9.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器，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，使得所述一个或多个处理器实现如权利要求1-7中任一所述的古近系储层渗透率的预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的古近系储层渗透率的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310143581.3A CN116299673A (zh) | 2023-02-14 | 2023-02-14 | 古近系储层渗透率的预测方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310143581.3A CN116299673A (zh) | 2023-02-14 | 2023-02-14 | 古近系储层渗透率的预测方法、装置、计算机设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116299673A true CN116299673A (zh) | 2023-06-23 |
Family
ID=86829784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310143581.3A Pending CN116299673A (zh) | 2023-02-14 | 2023-02-14 | 古近系储层渗透率的预测方法、装置、计算机设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116299673A (zh) |
-
2023
- 2023-02-14 CN CN202310143581.3A patent/CN116299673A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100557464C (zh) | 基于叠前波场模拟的地震勘探层位标定方法 | |
| Germán Rubino et al. | Seismic characterization of thin beds containing patchy carbon dioxide-brine distributions: A study based on numerical simulations | |
| CN112379439A (zh) | 地震数据中纵波与横波匹配的方法及装置 | |
| CN112147689B (zh) | 一种碳酸盐岩储层解释方法及解释量版建立方法 | |
| CN112147677B (zh) | 油气储层参数标签数据生成方法及装置 | |
| CN109839676A (zh) | 一种基于记忆模拟退火的基质模量估算方法及电子设备 | |
| Rao et al. | Detecting karst voids based on dominant frequencies of seismic profiles | |
| Zheng et al. | Microseismic event denoising via adaptive directional vector median filters | |
| CN111239809B (zh) | 一种基于属性融合原理的优势储层确定方法及系统 | |
| CN115877464B (zh) | 一种岩性识别方法、装置、计算机设备及存储介质 | |
| Kochegurov et al. | Detection accuracy of the temporary state of complex signals using phase-frequency tracking methods with equilibrium and non-equilibrium processing | |
| CN109989743A (zh) | 一种确定泥浆滤液侵入深度的方法及系统 | |
| CN116299673A (zh) | 古近系储层渗透率的预测方法、装置、计算机设备及介质 | |
| CN103197348A (zh) | 利用各层内部样品进行加权编制测井交会图的方法 | |
| CN107065010B (zh) | 一种基于分形理论的地震属性和地震反演数据的融合方法 | |
| Dong et al. | An introduction—Carbonate geophysics | |
| CN112083485B (zh) | 一种油气分布检测方法及装置 | |
| CN112764100B (zh) | 储层油气范围检测方法及装置 | |
| Kong et al. | A multiple filtering and correlation array signal processing technique for cased-hole acoustic logging and applications | |
| CN112859163B (zh) | 利用散射波确定压裂区地层品质因子变化的方法和装置 | |
| CN110568488A (zh) | 一种基于非线性混沌算法的生物礁储层识别方法 | |
| CN111983677B (zh) | 基于Russell属性因子的储层孔隙度预测方法及装置 | |
| CN111856571B (zh) | 测井频段速度向地震频段速度转换方法、装置及设备 | |
| CN111856584B (zh) | 一种基于超道集的薄储层烃类检测方法及装置 | |
| CN113051518B (zh) | 一种气油比定量计算方法、装置、计算机设备及存储介质 |
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 |