RU2014152037A - Система и способ классификации фаций - Google Patents

Система и способ классификации фаций Download PDF

Info

Publication number
RU2014152037A
RU2014152037A RU2014152037A RU2014152037A RU2014152037A RU 2014152037 A RU2014152037 A RU 2014152037A RU 2014152037 A RU2014152037 A RU 2014152037A RU 2014152037 A RU2014152037 A RU 2014152037A RU 2014152037 A RU2014152037 A RU 2014152037A
Authority
RU
Russia
Prior art keywords
facies
matrix
well
identification
geophysical
Prior art date
Application number
RU2014152037A
Other languages
English (en)
Inventor
Джулиан Торн
Original Assignee
Шеврон Ю.Эс.Эй. Инк.
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Шеврон Ю.Эс.Эй. Инк. filed Critical Шеврон Ю.Эс.Эй. Инк.
Publication of RU2014152037A publication Critical patent/RU2014152037A/ru

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V11/00Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00Details of seismic processing or analysis
    • G01V2210/60Analysis
    • G01V2210/66Subsurface modeling

Landscapes

  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Image Analysis (AREA)

Abstract

1. Способ автоматической интерпретации данных геофизических исследований в скважине, указывающих физические характеристики участка подземной формации, содержащий этапы:получения тренировочных данных, содержащих диаграммы геофизических исследований скважины, включающие в себя информацию о классификации фаций, касающуюся по меньшей мере части диаграмм геофизических исследований скважины;разделения тренировочных данных на два поднабора - калибровочный набор и набор для перекрестной проверки;использования автоматического контролируемого способа обучения идентификации фаций с целью определения предварительной идентификации фаций в подземной формации на основе калибровочного набора;расчета матрицы несоответствий для контролируемого способа обучения идентификации фаций посредством сравнения спрогнозированных и наблюдаемых фаций для набора для перекрестной проверки;расчета матрицы переходов фаций, указывающей на изменения между смежными фациями;использования указанных предварительной идентификации, матрицы переходов фаций и матрицы несоответствий для итерационного расчета обновленных идентификаций фаций.2. Способ по п. 1, включающий повторение указанного этапа итерационного расчета с использованием каждый раз отличного случайного значения для случайной траектории перемещения с целью получения множества реализаций обновленных идентификаций фаций.3. Способ по п. 2, при котором указанное множество реализаций используют для генерирования вероятности перехода для каждой из множества узловых точек.4. Способ по п. 2, при котором указанное множество реализаций используют для генерирования вероятно

Claims (11)

1. Способ автоматической интерпретации данных геофизических исследований в скважине, указывающих физические характеристики участка подземной формации, содержащий этапы:
получения тренировочных данных, содержащих диаграммы геофизических исследований скважины, включающие в себя информацию о классификации фаций, касающуюся по меньшей мере части диаграмм геофизических исследований скважины;
разделения тренировочных данных на два поднабора - калибровочный набор и набор для перекрестной проверки;
использования автоматического контролируемого способа обучения идентификации фаций с целью определения предварительной идентификации фаций в подземной формации на основе калибровочного набора;
расчета матрицы несоответствий для контролируемого способа обучения идентификации фаций посредством сравнения спрогнозированных и наблюдаемых фаций для набора для перекрестной проверки;
расчета матрицы переходов фаций, указывающей на изменения между смежными фациями;
использования указанных предварительной идентификации, матрицы переходов фаций и матрицы несоответствий для итерационного расчета обновленных идентификаций фаций.
2. Способ по п. 1, включающий повторение указанного этапа итерационного расчета с использованием каждый раз отличного случайного значения для случайной траектории перемещения с целью получения множества реализаций обновленных идентификаций фаций.
3. Способ по п. 2, при котором указанное множество реализаций используют для генерирования вероятности перехода для каждой из множества узловых точек.
4. Способ по п. 2, при котором указанное множество реализаций используют для генерирования вероятности для некоторой классификации фаций для каждой из множества фаций.
5. Способ по п. 3, дополнительно содержащий этап генерации вероятного объема месторождения для указанной подземной формации.
6. Способ по п. 1, при котором этап итерационного расчета включает в себя использование матрицы несоответствий для каждого из множества узловых точек, для которых
Figure 00000001
<
Figure 00000002
, где
Figure 00000001
- предварительная идентификация и
Figure 00000002
- матрица переходов.
7. Способ по п. 6, при котором матрицу несоответствий сначала применяют к
Figure 00000002
, для которой i=j, затем обновляют
Figure 00000001
перед применением матрицы несоответствий к
Figure 00000002
, для которой
Figure 00000003
.
8. Способ по п. 6, при котором матрица переходов определяется как
Figure 00000004
, где
Figure 00000005
- матрица наблюдаемых данных, а
Figure 00000006
, где α - ограничение, установленное пользователем.
9. Способ по п. 1, при котором обновленные идентификации фаций используют в системе управления разработкой месторождения.
10. Система автоматической интерпретации данных геофизических исследований в скважине, указывающих физические характеристики участка подземной формации, причем данные геофизических исследований в скважине содержат диаграммы геофизических исследований скважины, включающие в себя информацию классификации фаций, касающуюся по меньшей мере части диаграмм геофизических исследований скважины, и разделяются на два поднабора - калибровочный набор и набор перекрестной проверки, причем указанная система содержит:
один или более процессор, выполненный с возможностью исполнения модулей компьютерных программ, содержащих:
модуль автоматического контролируемого обучения идентификации фаций, выполненный с возможностью выполнения автоматического контролируемого способа обучения с целью определения предварительной идентификации фаций в подземной формации на основании калибровочного набора;
модуль расчета матрицы несоответствий, выполненный с возможностью расчета матрицы несоответствий для контролируемого способа обучения идентификации фаций посредством сравнения спрогнозированных и наблюдаемых фаций для набора для перекрестной проверки;
модуль матрицы переходов фаций, выполненный с возможностью расчета матрицы переходов фаций, указывающей на изменения между смежными фациями; и
модуль расчета обновленных идентификаций, выполненный с возможностью использования предварительной идентификации, матрицы переходов фаций и матрицы несоответствий с целью итерационного расчета обновленных идентификаций фаций.
11. Носитель информации, содержащий машинные команды, предназначенные для реализации способа автоматической интерпретации данных геофизических исследований в скважине, указывающих физические характеристики участка подземной формации, причем данные геофизических исследований в скважине содержат диаграммы геофизических исследований скважины, включающие в себя информацию классификации фаций, касающуюся по меньшей мере части диаграмм геофизических исследований скважины, и разделяются на два поднабора - калибровочный набор и набор для перекрестной проверки, причем указанный способ включает этапы:
выполнения автоматического контролируемого способа обучения с целью определения предварительной идентификации фаций в подземной формации на основании калибровочного набора;
расчета матрицы несоответствий для контролируемого способа обучения идентификации фаций посредством сравнения спрогнозированных и наблюдаемых фаций набора для перекрестной проверки;
расчета матрицы переходов фаций, указывающей на изменения между смежными фациями; и
использования данных предварительной идентификации, матрицы переходов фаций и матрицы несоответствий для итерационного расчета обновленных идентификаций фаций.
RU2014152037A 2012-06-05 2013-03-14 Система и способ классификации фаций RU2014152037A (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/488,876 US9274249B2 (en) 2012-06-05 2012-06-05 System and method for facies classification
US13/488,876 2012-06-05
PCT/US2013/031415 WO2013184208A1 (en) 2012-06-05 2013-03-14 System and method for facies classification

Publications (1)

Publication Number Publication Date
RU2014152037A true RU2014152037A (ru) 2016-07-27

Family

ID=47915381

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2014152037A RU2014152037A (ru) 2012-06-05 2013-03-14 Система и способ классификации фаций

Country Status (8)

Country Link
US (1) US9274249B2 (ru)
EP (1) EP2856216A1 (ru)
CN (1) CN104335074A (ru)
AU (1) AU2013272212B2 (ru)
BR (1) BR112014028103A2 (ru)
CA (1) CA2874538A1 (ru)
RU (1) RU2014152037A (ru)
WO (1) WO2013184208A1 (ru)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104747185B (zh) * 2015-03-19 2017-11-07 成都北方石油勘探开发技术有限公司 非均质油藏储层综合分类评价方法
WO2017100228A1 (en) * 2015-12-09 2017-06-15 Schlumberger Technology Corporation Electrofacies determination
AU2017375796B2 (en) * 2016-12-12 2023-09-21 Geoquest Systems B.V. Augmented geological service characterization
EP3707649A1 (en) * 2017-12-14 2020-09-16 Google LLC Qubit calibration
US11814931B2 (en) 2018-05-31 2023-11-14 Schlumberger Technology Corporation Machine-learning for sedimentary facies prediction
EP3931600B1 (en) 2019-03-01 2023-04-26 BP Corporation North America Inc. Iterative stochastic seismic inversion
US11269099B2 (en) 2019-08-26 2022-03-08 Chevron U.S.A. Inc. Systems and methods for generating facies realizations
US11248455B2 (en) 2020-04-02 2022-02-15 Saudi Arabian Oil Company Acoustic geosteering in directional drilling
EP4158154A1 (en) 2020-05-26 2023-04-05 Saudi Arabian Oil Company Water detection for geosteering in directional drilling
EP4158153A1 (en) 2020-05-26 2023-04-05 Saudi Arabian Oil Company Instrumented mandrel for coiled tubing drilling
EP4158144A1 (en) 2020-05-26 2023-04-05 Saudi Arabian Oil Company Geosteering in directional drilling
FR3113527B1 (fr) * 2020-08-24 2022-08-12 Ifp Energies Now Procédé pour déterminer une interprétation en électrofaciès de mesures réalisées dans un puits
US20240125970A1 (en) * 2022-10-13 2024-04-18 Saudi Arabian Oil Company Method and machine-readable medium for building 2d depositional models

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2520882A1 (fr) 1982-02-02 1983-08-05 Schlumberger Prospection Procede pour la production d'un enregistrement caracteristique notamment du facies des formations geologiques traversees par un sondage
GB2345776B (en) * 1998-11-05 2001-02-14 Schlumberger Ltd Method for interpreting petrophysical data
US6560540B2 (en) 2000-09-29 2003-05-06 Exxonmobil Upstream Research Company Method for mapping seismic attributes using neural networks
US6438493B1 (en) * 2000-09-29 2002-08-20 Exxonmobil Upstream Research Co. Method for seismic facies interpretation using textural analysis and neural networks
GB2397664B (en) 2003-01-24 2005-04-20 Schlumberger Holdings System and method for inferring geological classes
US20060041409A1 (en) * 2004-08-20 2006-02-23 Chevron U.S.A. Inc. Method for making a reservoir facies model utilizing a training image and a geologically interpreted facies probability cube
US20070016389A1 (en) * 2005-06-24 2007-01-18 Cetin Ozgen Method and system for accelerating and improving the history matching of a reservoir simulation model
US7620498B2 (en) 2007-08-23 2009-11-17 Chevron U.S.A. Inc. Automated borehole image interpretation
US8126647B2 (en) * 2008-04-07 2012-02-28 Chevron U.S.A. Inc. Lithofacies classification system and method
US8090538B2 (en) * 2008-05-01 2012-01-03 Chevron U.S.A. Inc System and method for interpretation of well data

Also Published As

Publication number Publication date
AU2013272212A1 (en) 2014-11-20
US20130325350A1 (en) 2013-12-05
CN104335074A (zh) 2015-02-04
BR112014028103A2 (pt) 2017-06-27
WO2013184208A1 (en) 2013-12-12
CA2874538A1 (en) 2013-12-12
EP2856216A1 (en) 2015-04-08
US9274249B2 (en) 2016-03-01
AU2013272212B2 (en) 2017-04-13

Similar Documents

Publication Publication Date Title
RU2014152037A (ru) Система и способ классификации фаций
AU2019201880B2 (en) System and method for automatically correlating geologic tops
Peterson et al. Nonlinear time‐series modeling of unconfined groundwater head
EP3535607B1 (en) Seismic data processing artificial intelligence
AR117310A1 (es) Creación de mapas de propiedades del suelo con datos provenientes de satélites y con el uso de enfoques de aprendizaje automático
EP4010740A1 (en) Petrophysical inversion with machine learning-based geologic priors
US11501153B2 (en) Methods and apparatus for training a neural network
BR112020001110A2 (pt) interpretação sísmica automatizada usando redes neurais totalmente convolucionais
US20190295688A1 (en) Processing biological sequences using neural networks
CN110389382B (zh) 一种基于卷积神经网络的油气藏储层表征方法
US20200308934A1 (en) Automatic calibration of forward depositional models
Karlsen et al. A tracer-based algorithm for automatic generation of seafloor age grids from plate tectonic reconstructions
CN108369287B (zh) 确定节点深度和水柱通过速度
Aranha et al. Optimization of oil reservoir models using tuned evolutionary algorithms and adaptive differential evolution
CN118210024A (zh) 基于多源多任务深度学习的地震构造解释方法及装置
Zhao et al. Automatic salt geometry update using deep learning in iterative FWI-RTM workflows
KR102622486B1 (ko) 유정 로그 데이터의 결측 구간 추정 방법 및 그 장치
GB2584449A (en) Apparatus method and computer-program product for calculating a measurable geological metric
Mustafa et al. Active learning with deep autoencoders for seismic facies interpretation
US20220206175A1 (en) Training a machine learning system using hard and soft constraints
US20220404515A1 (en) Systems and methods for mapping seismic data to reservoir properties for reservoir modeling
Siahkoohi et al. Velocity continuation with Fourier neural operators for accelerated uncertainty quantification
GB2584447A (en) Apparatus method and computer-program product for processing geological data
Zhang et al. Accelerate well correlation with deep learning
EP2863242A2 (en) Classification and visualization of time-series data