RU2275660C1

RU2275660C1 - Method of selecting and forecasting areas with different types of geologic profile

Info

Publication number: RU2275660C1
Application number: RU2004124365/28A
Authority: RU
Inventors: Владимир Семенович Славкин (RU); Владимир Семенович Славкин; Павел Абрамович Беспрозванный (RU); Павел Абрамович Беспрозванный; Анна Юрьевна Сапрыкина (RU); Анна Юрьевна Сапрыкина
Priority date: 2004-08-12
Filing date: 2004-08-12
Publication date: 2006-04-27

Abstract

FIELD: geophysics; oil geology.

SUBSTANCE: method can be used for optimization of placement of new wells at tested object. According to the method, data of on-ground survey and results of inspection (data on logging and analysis of core) of wells are used. Spectral-time parameters are calculated from seismic-survey data which parameters contain indirect information on types of profile within specific time (depth) interval. Capacitance-filtration properties of corresponding geological layers are judged from well data. Then data on all the spectral-time parameters are subject to multidimensional analysis to reveal isolated accumulation of points (clusters) in spectral-time parameter area which clusters correspond to different types of profile. Comparing values of spectral-time area in points of area with their meanings for selected clusters performs forecasting.

EFFECT: improved reliability of basis of survey and exploitation works: improved efficiency of geological-survey works.

Description

Изобретение относится к нефтяной геологии и может быть использовано для оптимизации размещения новых скважин на исследуемом объекте по комплексу данных сейсморазведки и исследования данных по скважинам.The invention relates to petroleum geology and can be used to optimize the placement of new wells at the studied object according to a set of seismic data and research data on wells.

Используя данные наземной сейсморазведки и результаты исследования скважин (данные по каротажу и по анализу керна), рассчитывают по сейсморазведочным данным спектрально-временные параметры (СВП), несущие в себе косвенную информацию о типах разреза в заданном временном (глубинном) интервале, а по скважинным данным составляют суждение о емкостно-фильтрационных свойствах соответствующих геологических пластов. Далее данные одновременно по всем СВП подвергают многомерному анализу на предмет выявления обособленных скоплений точек (кластеров) в пространстве СВП, отвечающих различным типам разреза. Прогноз выполняется путем сопоставления значений СВП в точках территории с значениями их для выделенных кластеров. Технический результат - повышение надежности обоснования заложения разведочных и эксплуатационных скважин и, тем самым, повышение эффективности геологоразведочных работ.Using the data of ground-based seismic exploration and the results of well research (data on logging and core analysis), spectral-temporal parameters (SVP) are calculated using seismic data, which carry indirect information about the types of sections in a given time (depth) interval, and according to borehole data make a judgment on the capacitance-filtration properties of the corresponding geological formations. Further, the data for all SVPs are simultaneously subjected to multivariate analysis to identify isolated clusters of points (clusters) in the SVP space corresponding to different types of sections. The forecast is carried out by comparing the values of the SVP at the points of the territory with their values for the selected clusters. The technical result is an increase in the reliability of the justification for the laying of exploration and production wells and, thereby, an increase in the efficiency of exploration work.

Геологической основой заявленного предложения является то обстоятельство, что литологические и вслед за ними физические (упругие) свойства пород сменяются в той или иной степени дискретно при переходе от одного литотипа к другому. Вследствие этого точки в пространстве СВП, соответствующие разным типам разреза, образуют обособленные скопления с центрами рассеяния, соответствующими типичным для этих типов сочетаниям признаков.The geological basis of the proposed proposal is the fact that the lithological and after them physical (elastic) properties of the rocks change to one degree or another discretely during the transition from one lithotype to another. As a result of this, points in the SVP space corresponding to different types of sections form separate clusters with scattering centers corresponding to combinations of features typical of these types of sections.

Известны способы решения задачи классификации типов геологической среды, основанные на распознавании образов (см. «Интерпретация данных сейсморазведки с использованием методов распознания образов» Галагон Е.А., Кузнецов О.А., Литвинов А.Я., Тальвирский Д.Б., Обзор ВИЭМС, Разведочная геофизика, 1984 г., 49 с.). В основе этих способов лежит анализ расстояний р между точками, соответствующими объектам, в m-мерном признаком пространствеKnown methods for solving the problem of classifying types of geological environment based on pattern recognition (see "Interpretation of seismic data using pattern recognition methods" Galagon EA, Kuznetsov OA, Litvinov A.Ya., Talvirsky DB, VIEMS Review, Exploration Geophysics, 1984, 49 pp.). The basis of these methods is the analysis of the distances p between points corresponding to objects in the m-dimensional sign of space

При этом предполагается, что все признаки, характеризующие объекты, равно информативны. В то же время, очевидно, что вариации слабо информативных признаков, обусловленные посторонними причинами, вносят в расчеты расстояний помеху, затрудняющую решение задачи.It is assumed that all the signs characterizing the objects are equally informative. At the same time, it is obvious that variations of poorly informative features, caused by extraneous reasons, introduce interference into the distance calculations, which complicates the solution of the problem.

На практике, однако, проверка справедливости этих гипотез и расчет значений параметров распределения, входящих в решающее правило, весьма затруднительны из-за малой выборки эталонных объектов отдельных типов. Попытки преодолеть эти трудности путем анализа облака точек в проекциях на координатные плоскости наталкиваются на громоздкость перебора проекций (большое число сочетаний исследуемых признаков по два) и на трудности разделения гетерогенной совокупности. Дело в том, что при взаимной корреляции физических параметров, часто имеющей место на практике, облака кластеров ориентированы под углом к осям этих параметров, и на проекциях распределения кластеров перекрывают друг друга. Сказанное является причиной невысокой эффективности и ненадежности способов, основанных на методах распознавания образов.In practice, however, verifying the validity of these hypotheses and calculating the distribution parameters included in the decision rule are very difficult due to the small sample of reference objects of individual types. Attempts to overcome these difficulties by analyzing a point cloud in projections onto coordinate planes encounter the cumbersome enumeration of projections (a large number of combinations of the studied features in two) and the difficulties of separating a heterogeneous population. The fact is that with the mutual correlation of physical parameters, which often takes place in practice, cluster clouds are oriented at an angle to the axes of these parameters, and overlap each other on the projections of the distribution of clusters. The foregoing is the reason for the low efficiency and unreliability of methods based on image recognition methods.

Наиболее близким к заявленному является способ, основанный на определении и сопоставлении спектрально-временных образов по сейсмическим профилям и в окрестности скважин (Методика картирования типов геологического разреза в межскважинном пространстве по данным сейсморазведки, Славкин B.C., Копелевич Е.А., Давыдова Е.А., Мушин И.А., Геофизика, том 4, М., ЕАГО, 1999, с.21-24). Недостатком этого способа является то, что решающее правило не формализовано, а основывается на экспертных оценках. Известны также попытки развития того же способа, предусматривающие построение карт полей СВП по всей исследуемой территории и анализ характера этих полей в окрестности эталонных скважин (Давыдова Е.А. Методика картирования нефтепродуктивных типов геологического разреза по спектрально-временным параметрам, с.14-16). Такой подход также несвободен от недостатков. Анализировать одновременно несколько (4-6) карт затруднительно, а если предварительно выбрать из них по экспертным оценкам одну-две, то в отобранных картах неизбежно присутствует помеха, а в отброшенных - неиспользуемая полезная информация.Closest to the claimed one is a method based on the determination and comparison of spectral-temporal images from seismic profiles and in the vicinity of wells (Methodology for mapping the types of geological sections in interwell space according to seismic data, Slavkin BC, Kopelevich EA, Davydova EA , Mushin I.A., Geophysics, Volume 4, M., EAGO, 1999, pp.21-24). The disadvantage of this method is that the decision rule is not formalized, but based on expert estimates. Attempts are also known to develop the same method, involving the construction of maps of SVP fields throughout the study area and an analysis of the nature of these fields in the vicinity of reference wells (Davydova EA, Methodology for mapping oil-producing types of a geological section by spectral-temporal parameters, p.14-16) . This approach is also not free from disadvantages. It is difficult to analyze several (4-6) cards at the same time, and if you first select one or two of them according to expert estimates, then in the selected cards there will inevitably be interference, and in discarded ones, unused useful information.

Технической задачей, на решение которой направлено данное изобретение, является повышение надежности и точности выявления и картирования областей с разными типами разреза, а значит более обоснованное заложение новых разведочных и эксплуатационных скважин.The technical problem to which this invention is directed is to increase the reliability and accuracy of identifying and mapping areas with different types of sections, and therefore more reasonable laying of new exploration and production wells.

Задача, которая решается предлагаемым способом, выражается в прогнозе участков с различными типами разреза одновременно по нескольким (m=4-6) спектрально-временным признакам с использованием количественных критериев.The problem, which is solved by the proposed method, is expressed in the prediction of areas with different types of sections simultaneously for several (m = 4-6) spectral-temporal signs using quantitative criteria.

Способ выделения и прогноза участков с различными типами геологического разреза включает проведение наземной сейсморазведки и исследований скважин (данные по каротажу и по анализу керна). По сейсморазведочным данным рассчитывают спектрально-временные параметры (СВП). Эти параметры характеризуют спектральную плотность энергетического спектра: - частотного (K₁-К₃) и временного (К₄-K₆) - в трех модификациях по каждой оси. Конкретно, K₁ - это отношение энергии высоких и низких частот; К₂ и К₃ - удельная спектральная плотность энергетического частотного спектра СВАН-колонки (по оси частот f), умноженная на средневзвешенную (для К₂) или на максимальную (К₃) частоту спектра. Параметры К₄, К₅ и К₆ по оси времен t симметричны параметрам K₁, К₂ и К₃; формулы их отличаются заменой аргумента f на t. Как показали исследования, указанные СВП несут в себе косвенную информацию о типах разреза в заданном временном (глубинном) интервале. Одновременно составляют суждение о типах разреза соответствующих геологических пластов по скважинным данным.A method for identifying and predicting sections with different types of geological sections includes conducting surface seismic and well surveys (data on logging and core analysis). The seismic data calculate the spectral-temporal parameters (SVP). These parameters characterize the spectral density of the energy spectrum: - frequency (K ₁ -K ₃ ) and temporary (K ₄ -K ₆ ) - in three modifications on each axis. Specifically, K ₁ is the ratio of the energy of high and low frequencies; K ₂ and K ₃ - specific spectral density of the energy frequency spectrum of the SWAN column (along the frequency axis f), multiplied by the weighted average (for K ₂ ) or the maximum (K ₃ ) frequency of the spectrum. The parameters K ₄ , K ₅ and K ₆ along the time axis t are symmetric to the parameters K ₁ , K ₂ and K ₃ ; their formulas differ by replacing the argument f with t. As studies have shown, these SVPs carry indirect information about the types of sections in a given time (deep) interval. At the same time, they make judgments about the types of sections of the corresponding geological formations according to well data.

Далее выполняется пересчет анализируемых СВП (с необходимым сглаживанием) на регулярную сетку в пределах исследуемой территории. Собственно анализу подлежат m-мерные векторы значений СВП (m=4-6) в точках фактических наблюдений и в дополнительных точках, квазиравномерно покрывающих территорию; значения векторов получаются путем интерполяции из узловых значений сетки. С использованием компьютерных программ анализируют структуру облака точек, соответствующих этим векторам, в проекциях на координатные плоскости признакового пространства. Подмножества точек из участков с разными типами разреза образуют в этом облаке обособленные скопления (кластеры).Then, the analyzed SVPs (with the necessary smoothing) are recalculated to a regular grid within the study area. The actual analysis is subject to m-dimensional vectors of SVP values (m = 4-6) at the points of actual observations and at additional points that quasi-uniformly cover the territory; vector values are obtained by interpolation from the nodal values of the grid. Using computer programs, the structure of the cloud of points corresponding to these vectors is analyzed in projections onto the coordinate planes of the feature space. Subsets of points from areas with different types of sections form isolated clusters (clusters) in this cloud.

Важной особенностью разработанного способа является использование формального аппарата факторного (компонентного) анализа - переход от пространства исходных, признаков (спектрально-временных параметров) к пространству соответствующих им факторов. Факторизация разворачивает оси в соответствии с упорядоченностью размещения точек (ориентировкой облаков кластеров) в m-мерном признаковом пространстве, что повышает контрастность разделения кластеров в проекциях на координатные плоскости. При этом факторы ранжируются по убыванию оценки изменчивости (разброса точек) вдоль их осей, поэтому в рассмотрении оставляются только mf<m главных факторов, суммарная доля изменчивости по которым не менее 90% от общей дисперсии. Остальные факторы исключаются из анализа как слабо информативные. Одновременно тем самым в несколько раз сокращается размерность задачи таксономии - без сокращения размерности анализируемых данных, поскольку каждый из оставленных для анализа факторов представляет собой линейную комбинацию всех m-признаков и косинусов углов поворота.An important feature of the developed method is the use of the formal apparatus of factor (component) analysis - the transition from the space of source features (spectral-temporal parameters) to the space of the factors corresponding to them. Factorization rotates the axes in accordance with the ordering of the distribution of points (orientation of the clouds of clusters) in the m-dimensional feature space, which increases the contrast of the separation of clusters in projections onto coordinate planes. In this case, the factors are ranked in descending order of variability (spread of points) along their axes, therefore, only mf <m main factors are left in consideration, the total share of variability along which is at least 90% of the total variance. Other factors are excluded from the analysis as poorly informative. At the same time, the dimension of the taxonomy problem is reduced several times - without reducing the dimension of the data being analyzed, since each of the factors left for analysis is a linear combination of all m-features and cosines of rotation angles.

Манипулируя различными выборками объектов анализа для факторизации, задают различные параметры поворота факторных осей и подбирают вариант, дающий наиболее контрастное разделение кластеров с точками, соответствующими скважинам с разными типами разреза, в проекции на факторные координатные плоскости.Manipulating different samples of analysis objects for factorization, they set various parameters for the rotation of factor axes and select the option that gives the most contrast separation of clusters with points corresponding to wells with different types of sections in a projection onto factor coordinate planes.

Собственно прогноз участков с разными типами разреза выполняется путем сравнения векторов СВП для тестируемых точек на территории (точек геофизических профилей и др.) с кластерами выделенных типов, преобразовав предварительно компоненты этих векторов в факторы. В итоге тестируемые точки получают пометки принадлежности к тому или иному типу.Actually, the prediction of sections with different types of sections is performed by comparing the SVP vectors for the tested points on the territory (points of geophysical profiles, etc.) with clusters of selected types, previously converting the components of these vectors into factors. As a result, the tested points receive marks of belonging to one or another type.

Результатом, достигнутым при использовании данного предложения, является повышение надежности картирования зон разных типов разреза. Это обеспечивает резкое снижение затрат на бурение новых разведочных и эксплуатационных скважин и, таким образом, повышает эффективность геологоразведочных работ.The result achieved by using this proposal is to increase the reliability of mapping zones of different types of sections. This provides a sharp reduction in the cost of drilling new exploration and production wells and, thus, increases the efficiency of exploration.

Claims

A method for identifying and predicting sections with different types of geological section, including seismic exploration, drilling wells with coring, logging, well testing and judging by the data on the oil and gas production properties of the geological section of the studied object, characterized in that spectral temporary features and in a cloud of points in the space of these features compact groups (clusters) are identified that correspond to different types of geologists environment, using the formal procedure of rotation of the coordinate system (factor analysis) to compress information and to select the option that contrasts as much as possible, the separation of clusters, the prediction of sections corresponding to the selected types is made by quantitatively comparing the values of the analyzed fields at points in the territory, converted in accordance with selected optimal rotation, with groups of points of selected types in the attribute space.