CN117784240A - 基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法 - Google Patents
基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法 Download PDFInfo
- Publication number
- CN117784240A CN117784240A CN202311798749.0A CN202311798749A CN117784240A CN 117784240 A CN117784240 A CN 117784240A CN 202311798749 A CN202311798749 A CN 202311798749A CN 117784240 A CN117784240 A CN 117784240A
- Authority
- CN
- China
- Prior art keywords
- inversion
- data
- wave impedance
- quality control
- porosity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000011435 rock Substances 0.000 title claims abstract description 34
- 238000003908 quality control method Methods 0.000 claims abstract description 53
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 239000003245 coal Substances 0.000 claims abstract description 9
- 238000011161 development Methods 0.000 claims abstract description 7
- 238000005086 pumping Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000001615 p wave Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000005755 formation reaction Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000035939 shock Effects 0.000 description 3
- 210000004916 vomit Anatomy 0.000 description 3
- 230000008673 vomiting Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 241001484259 Lacuna Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000001307 helium Substances 0.000 description 1
- 229910052734 helium Inorganic materials 0.000 description 1
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001225 nuclear magnetic resonance method Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Classifications
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法，涉及碎屑岩储层孔隙度预测领域，首先通过井震标定及子波优选确定反演过程中的三个参数及六个反演数据体。其次针对反演数据体是否可靠，进行三个方面的反演质控：地层QC质控、剖面抽井控质控、平面趋势质控和单井抽查，通过以上质控的步骤，最终表明目标区地震反演数据体成果成果可靠。之后利用测井资料，岩石物理关系区分砂岩、泥岩与煤层，在反演波阻抗、计算RT双三维数据体的约束下，识取砂岩发育范围，形成砂岩成果解释数据体。最后将波阻抗识别砂岩数据体与实测岩心孔隙度进行拟合，有效地预测全区孔隙度分布。
Description
技术领域
本发明涉及碎屑岩储层孔隙度预测领域，尤其涉及一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法。
背景技术
如今，万米深层是油气资源的重要储藏地。万米深层地质条件复杂，勘探成本高且难度大，明确超深层储层特征是亟待解决的关键科学难题，是孔隙度，是正确评价储层特征的重要因素之一。因此，以最佳方式预测超深层孔隙度势在必行。孔隙度预测方法主要包括岩石物理实验测量、测井解释和井震联合预测三类。岩石物理实验测量常采用氦气法、核磁共振法以及高压压汞法等测得岩心孔隙度，测井解释主要采用经验公式、交会图、机器学习构建神经网络等方法建立孔隙度与测井参数如：声波时差、自然伽马、密度、电阻率、补偿中子、自然电位等预测模型。这两类方法虽然能实现精确测量、预测岩心段或全井段孔隙度，但是但无法有效外推获得井间、全区孔隙度。
发明内容
为了解决上述问题，本发明提供了一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法，基于地震数据和测井数据，利用反演技术预测深部储层孔隙度空间分布。
一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法，主要包括：
S1：将地震资料、测井资料结合，测井数据包括声波和密度测井曲线，根据测井数据生成测井波阻抗，根据测井波阻抗计算反射系数，地震子波与反射系数卷积生成测井合成地震记录，用测井合成地震记录与实际地震记录进行逐道对比,从而进行井震标定，之后分别对每口井进行井震标定，优化使用的子波，迭代调整时深关系，确保褶积效果与原始地震具备高相关性；
S2：建立地震层位，选取地震层位运用数学插值方法来指导井间插值，利用低通滤波器进行滤波，构建初始低频模型；在步骤S1的基础上，选取目标地震数据体、目的层位以及制作第一合成地震记录所得子波，通过不断调试优化初始低频模型，确定反演过程中的三个参数：地震拟合误差参数、对比拟合误差参数、柔性趋势拟合误差参数，最后得到反演数据体：P波阻抗、趋势合并后的P波阻抗、带通频率的F波阻抗、反射系数、第二合成地震记录、残差、衍生质量控制；
S3：利用反演数据体进行反演质控，以验证反演数据体；
S4：利用测井资料和岩石物理关系区分砂岩、泥岩与煤层，建立电阻率与验P波阻抗的关系，反演电阻率成果数据体，在反演波阻抗、计算电阻率双三维数据体的约束下，识取砂岩发育范围，形成砂岩成果解释数据体；
S5：基于测井数据计算波阻抗，将波阻抗与岩心实测孔隙度数据、砂岩成果解释数据体进行拟合，得到孔隙度与波阻抗的拟合关系式：Ψ＝-1407.6*P+58.154，其中，P表示波阻抗，P＝DEN*1/AC，DEN表示密度，AC表示声波时差，最后基于拟合关系式预测全区超深层储层孔隙度分布特征。
进一步地，步骤S2中，利用Jason软件中的Earth Modeling模块建立初始低频模型。
进一步地，步骤S2中，优化子波的方法为，通过将子波的频率响应与地下介质的频率响应相匹配，以提高子波与地震数据的相关性。
进一步地，步骤S3中，反演质控包括三个方面：地层QC质控、剖面抽井控质控、平面趋势质控和单井抽查，用来确定反演数据体是可靠的。
进一步地，反演质控的过程为：首先，通过地层QC质控用来查看反演数据体在平面与剖面目的层上的相关性是否较高；然后通过剖面抽井控质控用来选取目标区的绝对阻抗反演数据和单井上的波阻抗进行相关性比较；最后通过属性提取进行平面趋势质控和单井抽查。
进一步地，步骤S1中，迭代调整时深关系的过程为，采用时间窗口法，通过设置时间窗口，在窗口内进行子波和地震数据的时深调整，使用互相关分析或相位旋转方法来进行时深调整，并根据相关性评估结果进行迭代调整。
一种存储设备，所述存储设备存储指令及数据用于实现一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法。
一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的设备，包括：处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法。
本发明提供的技术方案带来的有益效果是：首先通过井震标定及子波优选确定反演过程中的三个参数及六个反演数据体。其次针对反演数据体是否可靠，进行三个方面的反演质控：地层QC质控、剖面抽井控质控、平面趋势质控和单井抽查，通过以上质控的步骤，最终表明目标区地震反演数据体成果成果可靠。之后利用测井资料，岩石物理关系区分砂岩、泥岩与煤层，在反演波阻抗、计算RT双三维数据体的约束下，识取砂岩发育范围，形成砂岩成果解释数据体。最后将波阻抗识别砂岩数据体与实测岩心孔隙度进行拟合，有效地预测全区孔隙度分布。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法的流程图。
图2是本发明实施例中岩石物理模型的示意图。
图3是本发明实施例中全区超深层储层孔隙度分布特征的示意图。
图4是本发明实施例中硬件设备工作的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法。地震分为正演和反演模拟，正演将岩石信息转换为地震波信息，反演是将地震波信息转换为岩石信息。储层深度较大时，难以通过取样实验得到孔隙度数据，从常规的地震剖面推导出地下地层的波阻抗、孔隙度、渗透率、沙泥岩百分比、压力等信息，从而可以对砂体进行精细刻画。
请参考图1，图1是本发明实施例中一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法的流程图，具体包括：
S1：井震标定及子波优选。基于地震数据体，选取测井资料进行数据加载，获取地震解释数据、地震数据和测井数据，测井数据包括声波和密度，当地震数据与测井数据吻合时，利用测井数据进行时深转换，得到子波和第一合成地震记录；迭代调整时深关系，进行时深转换，以确保褶积效果与原始地震具备高相关性；
迭代调整时深关系：采用时间窗口法，通过设置合适的时间窗口，在窗口内进行子波和地震数据的时深调整，可以使用互相关分析、相位旋转等方法来进行时深调整，并根据相关性评估结果进行迭代调整。
在地球物理勘探中，常常使用时间为标尺记录地下的物理性质数据。将测井数据从以时间为单位的表示方式转换为以深度为单位的表示方式就叫做时深转换。进行时深转换的目的是将时间数据与地层深度关联起来，以便更准确地分析地下地质结构和油气资源的分布情况。
褶积效果：是在地震勘探中利用子波和地震数据进行卷积运算后得到的结果。它可以反映地下介质的反射特征和地层结构。
褶积是一种数学运算，通过将地震数据与子波进行卷积，将子波应用于地震记录，以模拟地下介质对地震波的响应。卷积运算可以将子波的波形模式叠加到地震记录上，从而突出地下介质中的反射、散射等地震波现象。
与上下文的关系：褶积效果反映地下介质的反射特征和地层结构，褶积效果与原始地震具备高相关性说明井震标定正确，子波优化的较好。
S2：利用地震解释数据、子波和第一合成地震记录建立初始低频模型确定反演参数。初始低频模型的输入是地震体数据、层位解释数据，输出是降频后的模型(用初始低频模型的低频成分用来弥补地震中缺失的低频)；选取地震层位、断层解释数据利用Jason软件中Earth Modeling模块建立初始低频模型。之后选取目标数据体，目的层位以及制作第一合成地震记录所得子波，通过对初始低频模型不断地进行调试优化，确定反演过程中的三个参数：地震拟合误差参数、对比拟合误差参数、柔性趋势拟合误差参数，最后得到六个反演数据体：P波阻抗、趋势合并后的P波阻抗、带通频率的F波阻抗、反射系数、第二合成地震记录、残差、衍生质量控制；通过对比第二合成地震记录与第一合成地震记录可以确认反演的结果是否具有较大误差。本步骤是在步骤S1中测井跟地震标定好的基础上开展反演工作，反演时所需的参数及环境都是在步骤S1中完成的。
优化子波的方法：频率响应匹配，通过将子波的频率响应与地下介质的频率响应相匹配，可以提高子波与地震数据的相关性。可以使用频谱分析等方法来实现频率响应匹配。
反演过程中的三个参数是用于评价反演结果的一组指标，它们可以从不同角度反映反演结果的质量和准确性。其中：
地震拟合误差参数(Seismic Misfit Parameters)：地震数据反演通常会采用某种目标函数来衡量反演结果与实际地震数据之间的匹配程度，Seismic MisfitParameters就是目标函数中用于衡量地震数据与反演结果之间误差的一组参数。
对比拟合误差参数(Contrast Misfit Parameters)：对比拟合误差参数是指用于衡量反演结果与先验模型或参考模型之间误差的一组参数。在地震数据反演过程中，通常需要将反演结果与先验模型或参考模型进行对比，以评价反演结果的可靠性和准确性。
柔性趋势拟合误差参数(Soft Trend Misfit Parameters)：柔性趋势拟合误差参数是指用于衡量反演结果中柔性趋势与实际地质趋势之间误差的一组参数。在地震数据反演中，通常需要将反演结果与实际地质情况进行对比，以评价反演结果的可靠性和物理意义。柔性趋势拟合误差参数可以衡量反演结果中柔性趋势的平滑程度及其与实际地质趋势之间的偏离程度，从而为反演结果的解释提供参考。
六个反演数据体分别为：
P波阻抗(P-Impedance)：是反演得到的沉积物的密度和P波速度的乘积。它通常用于识别地层岩性变化和砂岩-泥岩界面。
趋势合并后的P波阻抗(Trend merged P-Impedance)：指的是为了最大限度地消除因地形或其他非地质因素引起的噪音而进行的数据处理。
带通频率的F波阻抗(Bandpass F-Impedance)：是反演得到的沉积物的密度和在一定频段内的振幅的乘积。它通常用于高分辨率成像和分辨复杂沉积环境。
反射系数(Reflectivity)：指的是地震波遇到不同介质界面时产生的反射信号。它可以用于解析沉积岩的结构和构造特征。
合成地震记录(Synthetics)：是基于地震模型计算得到的理论地震数据。它通常用于校正现场采集的地震数据，或者与观测数据进行比较以验证地震模型的准确性。
残差(Residuals)：是观测数据与合成数据之间的差异。它可以用于判断地震反演模型中的误差或缺陷。
衍生质量控制(Derived QC)：指的是通过反演数据导出的其他质量控制参数，如变异系数、平均值等。它可以用于评估反演结果的可靠性和准确性。
S3：反演成果质控与解释：利用测井资料和岩石物理关系区分砂岩、泥岩与煤层，建立电阻率与P波阻抗的关系，并利用反演数据体反演电阻率成果数据体，在反演波阻抗、计算电阻率双三维数据体的约束下，识取砂岩发育范围，形成砂岩成果解释数据体；针对反演数据体是否可靠，进行三个方面的反演质控，首先地层QC质控，查看它在平面与剖面目的层上的相关性是否较高，若是通过对比反演数据体相关性较高，则目标区地震反演数据体是可靠的。其次是剖面抽井控质控，选取目标区的绝对阻抗反演数据和单井上的波阻抗进行相关性比较，通过比较相关性高，表明反演数据体成果可靠。最后通过属性提取进行平面趋势质控和单井抽查，质控结果好。通过上述的反演质控，最终表明目标区地震反演数据体是可靠的；
进行地层QC质控的具体过程为：
1、确定目标层：根据勘探目的和预测需求，确定需要进行质控的目标层。
2、收集地震数据：从目标层上获取地震数据，并进行预处理和加工，以确保数据的准确性和可靠性。
3、进行反演：使用适当的地震成像方法，对采集的地震数据进行反演，生成反演数据体。
4、绘制剖面图与平面图：根据目标层的位置和形态，绘制出对应的剖面图和平面图，以便观察反演数据体在目标层上的分布情况。
5、进行相关性分析：将反演数据体与目标层上的地震记录进行相关性分析，评估两者之间的相似程度和相关性。
6、判断质量可靠性：如果反演数据体与目标层上的地震记录具有较高的相关性，则说明反演结果可靠；如果相关性较低，则需要进一步分析。
通过属性提取进行平面趋势质控和单井抽查是常用的地质数据质控方法之一，具体过程为：
a、属性提取：从地震数据或其他地质数据中提取重要的地层属性信息，如反射振幅、频率、相位等。这些属性可以用来描述地下介质的特征，并与地质模型进行对比。
b、平面趋势质控：将提取的属性应用于地质模型，通过在平面上绘制地层属性分布图，观察属性值的空间变化趋势。如果属性值在平面上呈现较好的连续性和一致性，说明地质模型的平面趋势比较可靠。
c、单井抽查：选择几口有代表性的井进行抽查，将提取的属性与井测数据进行对比。通过比较井测数据和属性提取结果之间的一致性，可以评估地质模型在垂向上的准确性。
d、分析和判断：根据平面趋势质控和单井抽查的结果，结合地质知识和专业经验，分析和判断地质模型的质量可靠性。如果属性分布与地质模型一致，并且与井测数据吻合，说明质控结果良好。
S4：利用测井资料、岩石物理关系区分砂岩、泥岩与煤层，建立RT、P波阻抗关系，反演RT成果数据体，在反演波阻抗、计算RT双三维数据体的约束下，识取砂岩发育范围，形成砂岩成果解释数据体；
电阻率(Resistivity,RT)测井记录了地下岩石对电流的阻抗程度，可用于区分不同类型的岩石。砂岩通常具有相对较高的电阻率和高P波阻抗，泥岩具有较低的电阻率和低P波阻抗；煤层则具有较低的电阻率，煤岩的P波阻抗特征通常与周围地层存在明显的对比。
S5：基于测井数据计算波阻抗，将波阻抗与岩心实测孔隙度数据、砂岩成果解释数据体进行拟合，建立如图2所示的岩石物理模型，其中，孔隙度与波阻抗的拟合关系式为：Ψ＝-1407.6*P+58.154，相关系数R2＝0.8，表明波阻抗属性与孔隙度具有较好的线性相关性，其中，P表示波阻抗，P＝DEN*1/AC，其中，DEN表示密度，AC表示声波时差，最后基于拟合关系式预测全区超深层储层孔隙度分布特征，具体如图3所示。
密度(Density,DEN)，它是描述介质密度的物理量。利用密度测井仪器发送一束射线通过地层，并测量射线经过地层时的吸收程度，从而得出地层的密度信息。
声波时差(Acoustic Impedance,AC)，用于描述地下岩石或介质对声波传播的阻抗。它是指在岩石或介质中声波传播过程中，由于介质的密度和速度变化所引起的声波反射和折射现象。
请参见图4，图4是本发明实施例的硬件设备工作示意图，所述硬件设备具体包括：一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的设备401、处理器402及存储设备403。
一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的设备401：所述一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的设备401实现所述一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法。
处理器402：所述处理器402加载并执行所述存储设备403中的指令及数据用于实现所述一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法。
存储设备403：所述存储设备403存储指令及数据；所述存储设备403用于实现所述一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法。
本发明的有益效果是：首先通过井震标定及子波优选确定反演过程中的三个参数及六个反演数据体。其次针对反演数据体是否可靠，进行三个方面的反演质控：地层QC质控、剖面抽井控质控、平面趋势质控和单井抽查，通过以上质控的步骤，最终表明目标区地震反演数据体成果成果可靠。之后利用测井资料，岩石物理关系区分砂岩、泥岩与煤层，在反演波阻抗、计算RT双三维数据体的约束下，识取砂岩发育范围，形成砂岩成果解释数据体。最后将波阻抗识别砂岩数据体与实测岩心孔隙度进行拟合，有效地预测全区孔隙度分布。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法，其特征在于：包括：
S1：将地震资料、测井资料结合，测井数据包括声波和密度测井曲线，根据测井数据生成测井波阻抗，根据测井波阻抗计算反射系数，地震子波与反射系数卷积生成测井合成地震记录，用测井合成地震记录与实际地震记录进行逐道对比,从而进行井震标定，之后分别对每口井进行井震标定，优化使用的子波，迭代调整时深关系；
S2：建立地震层位，选取地震层位运用数学插值方法来指导井间插值，利用低通滤波器进行滤波，构建初始低频模型；在步骤S1的基础上，选取目标地震数据体、目的层位以及制作第一合成地震记录所得子波，通过不断调试优化初始低频模型，确定反演过程中的三个参数：地震拟合误差参数、对比拟合误差参数、柔性趋势拟合误差参数，最后得到反演数据体：P波阻抗、趋势合并后的P波阻抗、带通频率的F波阻抗、反射系数、第二合成地震记录、残差、衍生质量控制；
S3：利用反演数据体进行反演质控，以验证反演数据体；
S4：利用测井资料和岩石物理关系区分砂岩、泥岩与煤层，建立电阻率与验P波阻抗的关系，反演电阻率成果数据体，在反演波阻抗、计算电阻率双三维数据体的约束下，识取砂岩发育范围，形成砂岩成果解释数据体；
S5：基于测井数据计算波阻抗，将波阻抗与岩心实测孔隙度数据、砂岩成果解释数据体进行拟合，得到孔隙度与波阻抗的拟合关系式：Ψ＝-1407.6*P+58.154，其中，P表示波阻抗，P＝DEN*1/AC，DEN表示密度，AC表示声波时差，最后基于拟合关系式预测全区超深层储层孔隙度分布特征。
2.如权利要求1所述的一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法，其特征在于：步骤S2中，利用Jason软件中的Earth Modeling模块建立初始低频模型。
3.如权利要求1所述的一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法，其特征在于：步骤S2中，优化子波的方法为，通过将子波的频率响应与地下介质的频率响应相匹配，以提高子波与地震数据的相关性。
4.如权利要求1所述的一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法，其特征在于：步骤S3中，反演质控包括三个方面：地层QC质控、剖面抽井控质控、平面趋势质控和单井抽查，用来确定反演数据体是可靠的。
5.如权利要求4所述的一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法，其特征在于：反演质控的过程为：首先，通过地层QC质控用来查看反演数据体在平面与剖面目的层上的相关性是否较高；然后通过剖面抽井控质控用来选取目标区的绝对阻抗反演数据和单井上的波阻抗进行相关性比较；最后通过属性提取进行平面趋势质控和单井抽查。
6.如权利要求1所述的一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法，其特征在于：步骤S1中，迭代调整时深关系的过程为，采用时间窗口法，通过设置时间窗口，在窗口内进行子波和地震数据的时深调整，使用互相关分析或相位旋转方法来进行时深调整，并根据相关性评估结果进行迭代调整。
7.一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现权利要求1～6任一项所述的基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法。
8.一种基于波阻抗反演体预测万米级碎屑岩储层孔隙度的设备，其特征在于：包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1～6任一项所述的基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311798749.0A CN117784240A (zh) | 2023-12-25 | 2023-12-25 | 基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311798749.0A CN117784240A (zh) | 2023-12-25 | 2023-12-25 | 基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117784240A true CN117784240A (zh) | 2024-03-29 |
Family
ID=90392183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311798749.0A Pending CN117784240A (zh) | 2023-12-25 | 2023-12-25 | 基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117784240A (zh) |
-
2023
- 2023-12-25 CN CN202311798749.0A patent/CN117784240A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6473696B1 (en) | Method and process for prediction of subsurface fluid and rock pressures in the earth | |
| US6640190B2 (en) | Estimating subsurface subsidence and compaction | |
| US8379482B1 (en) | Using seismic attributes for data alignment and seismic inversion in joint PP/PS seismic analysis | |
| US6977866B2 (en) | Method and process for prediction of subsurface fluid and rock pressures in the earth | |
| US8923093B2 (en) | Determining the quality of a seismic inversion | |
| US20140052376A1 (en) | Method for Cement Evaluation with Acoustic and Nuclear Density Logs | |
| US10877171B2 (en) | Wavelet estimation for four-dimensional characterization of subsurface properties based on dynamic simulation | |
| EP1746443A1 (en) | Method of estimating elastic parameters and rock composition of underground formations using seismic data | |
| US20220291418A1 (en) | An integrated geomechanics model for predicting hydrocarbon and migration pathways | |
| US8531914B2 (en) | Method of imaging a target area of the subsoil from walkaway type data | |
| US7768870B2 (en) | Method for adjusting a seismic wave velocity model according to information recorded in wells | |
| US9234977B2 (en) | Processing collected survey data | |
| EP2167993A1 (en) | Optimizing amplitude inversion utilizing statistical comparisons of seismic to well control data ' | |
| US20150109885A1 (en) | Method for correcting first break arrival time | |
| CN111722284B (zh) | 一种基于道集数据建立速度深度模型的方法 | |
| Faraji et al. | Integration of core data, well logs and seismic attributes for identification of the low reservoir quality units with unswept gas in the carbonate rocks of the world’s largest gas field | |
| US10151849B2 (en) | Well placement using closure stress based landing map | |
| US20210208295A1 (en) | Iterative migration velocity optimization for a vsp survey using semblance | |
| Lefranc et al. | Fractured basement reservoir characterization for fracture distribution, porosity and permeability prediction | |
| CN111308558A (zh) | 页岩气水平井纵波时差校正方法 | |
| CN117784240A (zh) | 基于波阻抗反演体预测万米级碎屑岩储层孔隙度的方法 | |
| CN113806674A (zh) | 古河道纵向尺度的量化方法、装置、电子设备及存储介质 | |
| Li et al. | Automatic extraction of seismic data horizon across faults | |
| US20240069228A1 (en) | Learning hydrocarbon distribution from seismic image | |
| Ampomah et al. | Improving Subsurface Stress Characterization for Carbon Dioxide Storage Projects by Incorporating Machine Learning Techniques |
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 |