CN106842317B - 一种预测油砂体分布的方法及装置 - Google Patents
一种预测油砂体分布的方法及装置 Download PDFInfo
- Publication number
- CN106842317B CN106842317B CN201611199332.2A CN201611199332A CN106842317B CN 106842317 B CN106842317 B CN 106842317B CN 201611199332 A CN201611199332 A CN 201611199332A CN 106842317 B CN106842317 B CN 106842317B
- Authority
- CN
- China
- Prior art keywords
- seismic
- attribute
- sample
- sand body
- data
- 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
- 239000003027 oil sand Substances 0.000 title claims abstract description 164
- 238000009826 distribution Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000004576 sand Substances 0.000 claims abstract description 152
- 239000011159 matrix material Substances 0.000 claims abstract description 93
- 238000011160 research Methods 0.000 claims abstract description 78
- 230000035945 sensitivity Effects 0.000 claims description 77
- 238000011156 evaluation Methods 0.000 claims description 67
- 238000011161 development Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 6
- 239000010410 layer Substances 0.000 description 32
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000012216 screening Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000008021 deposition Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 230000015572 biosynthetic process Effects 0.000 description 6
- 238000005755 formation reaction Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 4
- 239000011229 interlayer Substances 0.000 description 4
- 230000035699 permeability Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 208000035126 Facies Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013517 stratification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
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)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请实施例提供了一种预测油砂体分布的方法及装置。其中,所述方法包括:获取研究区内的地震数据、测井数据和开发数据;根据所述地震数据、测井数据和开发数据,获取所述研究区内满足预设条件的样本砂体,并根据所述样本砂体构建样本砂体集合,所述样本砂体集合中包括至少一个油砂体和至少一个非油砂体;提取所述样本砂体集合中各个样本砂体的特定地震属性和特定测井属性,并根据所述特定地震属性和特定测井属性构建样本属性集合;根据所述样本属性集合,确定等效权重矩阵;获取所述地震资料中与所述特定地震属性相对应的地震属性,并结合所述等效权重矩阵,预测所述研究区内的油砂体分布。本申请实施例可以提高预测油砂体分布的精度。
Description
技术领域
本申请涉及油藏地球物理技术领域,尤其是涉及一种预测油砂体分布的方法及装置。
背景技术
油砂体是指地下深处含油的砂体,通常由很多不规则的砂体组成。在油田地质工作和油田开发工作中,如何有效、准确预测油砂体和边界,提高油层钻遇率,是油藏开发的关键。
目前比较常用的预测油砂体分布的方法主要包括两种,一种是基于测井资料的,井间插值算法,测井资料直观地反映了储层的岩性、物性和含油气性特征及变化,但是在井数较少,储层分别复杂的油田,利用井间插值预测油砂体分布可靠性和准确性都不高;还有一种是基于测井约束下的地震阻抗反演进行油砂体预测,地震资料携带了大量的储层地质信息,且在横向上具有连续性的优势,但目前基于测井约束下的地震阻抗反演预测油砂体分布往往只利用了测井声波和密度信息,且两种数据主要反映储层的孔隙度参数,对储层岩性、含油性的表征能力较弱,影响了油砂体的预测效果。如何有效利用地震数据横向连续性优势,进一步提高油砂体的预测精度,一直是业界的技术难题。
发明内容
本申请实施例的目的在于提供一种预测油砂体分布的方法及装置,以提高预测油砂体分布的精度。
为达到上述目的,本申请实施例提供了一种预测油砂体分布的方法,所述方法包括:
获取研究区内的地震数据、测井数据和开发数据;
根据所述地震数据、测井数据和开发数据,获取所述研究区内满足预设条件的样本砂体,并根据所述样本砂体构建样本砂体集合,所述样本砂体集合中包括至少一个油砂体和至少一个非油砂体;
提取所述样本砂体集合中各个样本砂体的特定地震属性和特定测井属性,并根据所述特定地震属性和特定测井属性构建样本属性集合;
根据所述样本属性集合,确定等效权重矩阵;
获取所述地震资料中与所述特定地震属性相对应的地震属性,并结合所述等效权重矩阵,预测所述研究区内的油砂体分布。
本申请实施例还提供了一种预测油砂体分布的装置,所述装置包括:
获取模块,用于获取研究区内的地震数据、测井数据和开发数据;
样本砂体确定模块,用于根据所述地震数据、测井数据和开发数据,获取所述研究区内满足预设条件的样本砂体,并根据所述样本砂体构建样本砂体集合,所述样本砂体集合中包括至少一个油砂体和至少一个非油砂体;
属性提取模块,用于提取所述样本砂体集合中各个样本砂体的特定地震属性和特定测井属性,并根据所述特定地震属性和特定测井属性构建样本属性集合;
矩阵确定模块,用于根据所述样本属性集合,确定等效权重矩阵;
预测模块,用于获取所述地震资料中与所述特定地震属性相对应的地震属性,并结合所述等效权重矩阵,预测所述研究区内的油砂体分布。
由上述本申请实施例所提供的技术方案可知,本申请实施例通过研究区内已知的样本砂体数据,确定了可以在识别油砂体过程中代替测井数据作用的等效权重矩阵,再将该等效权重矩阵与该研究区内地震数据相结合,就可以预测研究区内的油砂体分布。本申请实施例所提供技术方案充分利用了地震数据横向连续性,可以提高预测预测油砂体分布的精度。
附图说明
此处所说明的附图用来提供对本申请实施例的进一步理解,构成本申请实施例的一部分,并不构成对本申请实施例的限定。在附图中:
图1为本申请实施例的一种预测油砂体分布的方法流程示意图;
图2为本申请实施例的井震标定后的过井剖面图;
图3为本申请实施例的研究区具有代表性的单井地质沉积柱状图;
图4为本申请实施例的获取等效权重矩阵的过程示意图;
图5为本申请实施例的研究区平面分布图;
图6为本申请实施例所选择的地震属性和测井属性;
图7为本申请实施例重复计算20次获得的特征权重数值;
图8为本申请实施例20次特征权重数值计算的算术平均值;
图9为本申请实施例的特征项筛选结果示意图;
图10为本申请实施例的新的敏感属性集合示意图;
图11为本申请实施例的权系数计算结果示意图;
图12为本申请实施例的各个敏感属性项正负相关性划分结果示意图;
图13为本申请实施例的油砂体样本评价值直方图;
图14为本申请实施例的非油砂体样本评价值直方图;
图15为本申请实施例的Y1井的测井和开发数据;
图16为本申请实施例的Y2井的测井和开发数据;
图17为本申请实施例利用图5中所示样本井中2砂组评价值计算结果,按照收敛插值算法,所得到的油砂体平面预测结果;
图18为本申请实施例从图17中提取等值线大于或等于0.35的平面区域,作为油砂体的平面分布范围示意图;
图19为本申请实施例的利用图5中所示样本井和普通井中2砂组评价值计算结果,按照收敛插值算法,所得到的油砂体平面预测结果;
图20为本申请实施例从图19中提取等值线大于或等于0.35的平面区域,作为油砂体的平面分布范围示意图;
图21为本申请实施例的利用图5中所示样本井中2砂组的评价值计算结果,求取等效权重矩阵,得到油砂体的平面预测结果;
图22为本申请实施例从图21中提取等值线大于或等于0.35的平面区域,作为油砂体的平面分布范围示意图;
图23为本申请实施例的一种预测油砂体分布的装置示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本申请实施例做进一步详细说明。在此,本申请实施例的示意性实施例及其说明用于解释本申请实施例,但并不作为对本申请实施例的限定。
下面结合附图,对本申请实施例的具体实施方式作进一步的详细说明。
图1所示为本申请实施例所提供的一种预测油砂体分布的方法流程示意图,如图所示,该方法可以包括以下几个步骤。该方法可以用于预测研究区内油砂体的分布。所述油砂体是指地下深处含油的砂体,通常由很多不规则的砂体组成。
步骤S101,获取研究区内的地震数据、测井数据和开发数据。
在本实施例中,所述测井数据可以包括井径、自然伽马、自然电位、声波时差、密度、中子、深电阻率、中电阻率和浅电阻率等基础曲线数据。所述开发数据可以包括泥质含量、孔隙度、渗透率、含水饱和度解释的成果数据和射孔、试油等。所述地震数据可以为地震勘探获得的三维地震数据。
步骤S102,根据所述地震数据、测井数据和开发数据,获取所述研究区内满足预设条件的样本砂体,并根据所述样本砂体构建样本砂体集合,所述样本砂体集合中包括至少一个油砂体和至少一个非油砂体。
在本实施例中,所述样本砂体可以为位于所述研究区内,并且已知是否为油砂体的样本。判断所述样本砂体是否为油砂体可以根据开发数据,通过判断所述样本砂体是否含油来实现。在本实施例中按照测井含油气解释结论来判别是否为油砂体,通常认为油层、含水油层、油水同层的砂体为油砂体,但在其他实施例中仍要根据不同区块的研究需求更改判别油砂体的标准。另外,由于本实施例所提供的技术方案的目的在于不依赖井间插值技术,根据同时拥有测井数据和地震数据的样本砂体中获得一个等效权重矩阵,使得该矩阵在识别是否为油砂体时,可以起到替代井间差值的作用,这样在其他没有测井资料,只有地震资料的区域,就可以利用地震资料和该等效权重矩阵来预测油砂体,因此在本实施例中,所述预设条件可以包括,样本砂体同时拥有测井资料和地震资料的砂体。优选的,为了方便后续提取样本砂体的特征,所述预设条件还可以包括,样本砂体选用沉积环境稳定的砂体。
在本申请的一个实施例中,可以根据以下几个步骤确定样本砂体。
(1)根据所述地震数据和所述测井数据,进行井震标定,获得井震标定的结果。
所述井震标定可以为使深度域测井分层和时间域地震层位,无论在深度域还是时间域,两者在空间上均闭合的一种手段。具体的,可以通过速度场将深度域测井分层转换成时间域分层,再结合时间域地震层位,使其在测井分层和地震测井在时间域上闭合。使得深度域测井分层与时间域地震分层结果重合的目的之一是为了后续提取油砂体性质时,方便提取对应的同一油砂体的地震属性和测井属性。
(2)根据所述地震数据、所述测井数据和所述井震标定的结果,在所述研究区中确定满足第一预设条件的目标层。
在本实施例中,所述第一预设条件可以为地层沉积环境稳定。沉积环境稳定可以指各层段内的岩性特征和沉积相特征基本一致,可以通过测井曲线和地震数据获得。具体的,可以通过测井(自然伽马、自然电位)岩性曲线的形态特征,岩心数据的颜色、岩性、粒度、沉积构造特征,地震数据的反射特征,以及前人对研究区沉积特征的认识来综合判断岩性特征、沉积相特征是否基本一致。例如,可以量化自然伽马和/或自然电位曲线的抖动,当地层中抖动超过一定阈值,可以认为相应地层沉积环境不稳定。
在本申请的一个具体实施例中,井震标定后的过井剖面图如图2所示,图中W4和W32为井编号。根据测井数据的分层结果依次为图2中所示的1_Top、1_Bot、2_Bot、3_Bot、4_Bot和5_Bot,与测井分层相对应的地震层位分别为1砂组顶、2砂组顶、3砂组顶、4砂组顶、5砂组顶和6砂组顶。如图2中所示,在井震标定的情况下,深度域的测井分层和时间域的地震层位在空间上闭合,便于分别在时间域提取地震属性和深度域提取测井属性,且能保证两种属性反映的是同一地层。确定研究目的层时还需要根据测井和地震数据,确定沉积环境稳定的地层。具体的,可以通过判断地层内岩性特性、沉积相特性是否一致判断沉积环境是否稳定。通常,在研究开始之前,会首先确定研究区内的目的层,例如,在本申请的一个实施例中,研究之前确定研究区内的目的层为深度3000~4000m的地层,经过井震标定使得深度域测井分层和时间域地震分层在时间域上闭合,再根据测井和地震数据发现,其中深度3000~3500内的地层沉积环境稳定,因此目标层为该研究区内深度3000~3500内的地层。
在本申请的另一个具体实施例中,研究区具有代表性的单井地质沉积柱状图如图3所示,由于在考虑第一预设条件的情况下,只有当各个层段内的沉积环境稳定即岩性特征和沉积特征基本一致的情况下,才可以将各个层段作为样本数据的来源,否则只能在某一地地层段内取样。由图3可知,图3中5个砂组沉积环境都相对稳定,因此,这个5个砂组所在地层可以作为研究目的层。
(3)根据所述测井资料、所述目标层和所述开发资料,确定满足第二预设条件的样本井。
在本实施例中,所述第二预设条件可以为,样本井在研究区内尽可能的均匀分布,且样本井需具有较完整的井径、自然伽马、自然电位、声波时差、密度、中子、深电阻率、中电阻率、浅电阻率等基础曲线数据,泥质含量、孔隙度、渗透率、含水饱和度解释的成果数据和射孔、试油等开发数据,能明显区分开储层是否为油砂体。所述第二预设条件还可以包括,样本井需尽可能多的包括目标层。例如,步骤(2)中确定的目标层为该研究区内深度3000~3500内的地层,那么样本井中要尽可能的包含深度3000~3500内的地层,因为只有这样才方便确定样本砂体。
(4)从所述样本井中获取样本砂体,并根据所述样本砂体构建样本砂体集合。
在本实施例中,由于所述样本砂体是从样本井中获取的,所以可以认为所述样本砂体具有测井数据,又由于研究区的地震数据覆盖了整个研究区,所以该样本砂体还同时拥有地震数据。所述样本砂体可以为所述样本井内的目标层中的砂体。
由于目前提取属性特征对地层厚度的限制,在本申请的各个实施例中,可以将一个砂组近似看成是一个砂体,具体的,目标层为研究区内深度3000~3500内的地层,某样本井A中包含深度3000~3500的地层,根据井震标定的结果,该深度3000~3500的地层中包含5组砂组,因此,在本实施例中,可以将这5组砂组认为是样本砂体。
上述步骤(1)至(4)提供了一种获取样本砂体的方法,根据该方法提取的样本砂体既同时拥有地震数据和测井数据,又具有沉积环境稳定的有点,方便后续研究。
步骤S103,提取所述样本砂体集合中各个样本砂体的特定地震属性和特定测井属性,并根据所述特定地震属性和特定测井属性构建样本属性集合。
所述特定地震属性和特定测井属性均可以为若干个。具体提取的特定地震属性的数量和特定测井属性的数量根据实际确定。优选的,为了尽可能准确的预测研究区油砂体分布,地震属性和测井属性的数量可以尽可能的多一点。在本实施例中,提取所述样本砂体的特定地震属性,可以为以地震分层的顶、低分层为约束分别提取若干地震属性数据。其中,提取地震属性可以包括以下几种方式:一是输入整个地震数据体,提取体属性,然后以各层段的顶部层位数据作为约束,向下开时窗(时窗的大小要根据层段的厚度选择)提取体属性相应的层位属性数据,或是以各层段的顶、底层位数据作为约束,提取体属性的层间属性数据;二是输入整个地震数据体,直接以各层段的顶、底层位数据作为约束,提取层间属性数据。通常,提取特定地震属性时,优先选择体属性。
提取所述测井属性可以为,根据井震标定结果,以与地震分层相对应的测井层位数据作为各层段的深度域分界线,以各层段的顶、底分层作为约束分别提取各层段内的测井数据,例如泥质含量、孔隙度、渗透率、含水饱和度、砂体厚度等测井属性的算术平均值和几何平均值等。提取的特定地震属性和特定测井属性构成了样本属性集合。
在本申请的一个实施例中,共有样本砂体20个,这20个样本砂体中既包含油砂体又包含非油砂体,对每一个样本砂体的提取特定的10个特定地震属性的数据,同时提取每一个样本砂体的特定测井数据10个。这样每一个样本砂体就对应了20个属性数据,其中包括10个地震属性的,10个测井属性的,样本属性集合中共包含了20个样本砂体的共400个属性数据。
步骤S104,根据所述样本属性集合,确定等效权重矩阵。
根据样本属性集合,获得一个等效权重矩阵,可以为获取一个等效权重矩阵,使得该矩阵在识别是否为油砂体时,可以起到替代井间差值的作用,这样在其他没有测井资料,只有地震资料的区域,就可以利用地震资料和该等效权重矩阵来预测油砂体。
在本申请的一个实施例中,S104具体实施时,可以通过以下步骤确定等效权重矩阵。
(1)根据所述样本属性集合中的各个属性,获得满足第三预设条件的敏感属性,并根据所述敏感属性构建敏感属性集合,所述敏感属性集合中包括至少一个地震敏感属性和至少一个测井敏感属性。
在本实施例中,由于不同属性对识别油砂体的敏感性和敏感程度有差别,因此可以将样本属性集合中的属性看成是样本砂体的特征,并通过一定特征筛选算法将样本属性集合中的属性进行筛选,筛选的目的可以为留下样本属性集合中对识别油砂体敏感的一些属性。所述属性之所以对识别油砂体敏感主要是由于该属性的数值,对区分砂体是否为油砂体是有益的或者敏感的。所述第三预设条件可以为对识别油砂体敏感。筛选特征的方法可以包括:ReliefF算法、fisher score特征筛选算法、子集搜索算法等。在本实施例中,特征筛选时还需保证筛选得到的敏感属性集合中包括至少一个地震敏感属性和至少一个测井敏感属性。具体的,在本申请的一个实施例中,样本属性集合中包含10个地震属性,10个测井属性,经过特征筛选之后,得到的敏感属性集合中包含5个地震敏感属性和5个测井敏感属性。
(2)根据所述敏感属性集合,确定所述等效权重矩阵。
在本实施例中,敏感属性集合中保留的属性,都是对区别砂体是否为油砂体敏感的一些特征。可以根据敏感属性集合中各个测井敏感属性和地震敏感属性的数值,确定一个识别油砂体的识别标准,再根据该识别标准反推出当只有地震数据时,可以替代井间差值作用的等效权重矩阵。
在本申请的一个实施例中,可以通过两个步骤,根据所述敏感属性集合确定所述等效权重矩阵。
1、根据每一个所述样本砂体的地震敏感属性和测井敏感属性,确定与每一个所述样本砂体相对应的评价值,所有所述样本砂体的评价值构成评价值集合。
每一个样本砂体的地震敏感属性和测井敏感属性可以都不止一个,此时,想要通过这个敏感属性去识别油砂体,需要根据这个敏感属性确定与样本砂体对应的一个评价值,通过该评价值来识别油砂体。具体的,在某一个实施例中,样本砂体共有10个,每一个样本砂体有5个地震敏感属性和5个测井敏感属性,可以将5个地震敏感属性和5个测井敏感属性的加权和定义为评价值,根据评价值数值高低判断识别为油砂体。
2、根据所述评价值集合和由每一个所述样本砂体的地震敏感属性构成的集合,确定所述等效权重矩阵。
上述步骤2的实质为确定一个特征权重矩阵,使得根据该特征权重矩阵和每一个所述样本砂体的地震敏感属性,获得与根据地震敏感属性和测井敏感属性得到的评价值矩阵数值相同矩阵。该过程可以用如图4所示的示意图表示。图4中,a1…表示地震敏感属性,b1…表示测井敏感属性。
步骤S105,获取所述地震资料中与所述特定地震属性相对应的地震属性,并结合所述等效权重矩阵,预测所述研究区内的油砂体分布。
在本实施例中,若等效权重矩阵是根据样本属性集合中所有的属性获得的,此时在预测油砂体分布时,获取所述地震属性则应该与样本属性集合中的特定地震属性相对应。具体的,例如样本属性集合中包括的地震属性有a1,a2,a3,a4,此时需要从地震资料中获取的地震属性也为a1,a2,a3,a4对应的数值。本实施例中,由于需要预测研究区内的油砂体分布,所以根据地震资料获得的地震属性是面属性数值,是研究区内的连续变量。在其他实施例中,还可以通过获取待识别砂体的特定地震属性,根据上述方法识别待识别砂体。在另一些实施例中,从地震资料中获得地震属性可以为研究区内某一砂组的地震属性,此时可以根据上述方法预测研究区内某一砂组内的油砂体分布。
在本申请的一个实施例中,在获得样本属性集合后,对样本属性集合中的属性进行了特征筛选,得到了敏感属性集合,此时S105具体实施时,可以通过以下步骤实现。
(1)获取所述地震资料中的第一地震敏感属性,并根据所述第一地震敏感属性构建第一地震敏感属性矩阵,所述第一地震敏感属性与所述敏感属性集合中的地震敏感属性相对应。
获取所述地震资料中的第一地震敏感属性可以为获取地震资料中的部分地震属性,该部分地震属性与敏感属性集合中包含的地震敏感属性相对应。获得的第一地震敏感属性可以指根据地震资料获得到的整个研究区内的属性连续数值,用来预测整个研究区内的油砂体分布。
(2)将所述第一地震敏感属性矩阵与所述等效权重矩阵相乘,获得研究区内评价值分布。
等效权重矩阵在获得评价值时,可以替代井间差值的作用,因此将该等效权重矩阵与第一地震敏感属性矩阵相乘,就可以得到整个研究区内的评价值分布。
(3)根据所述样本砂体的评价值集合,确定评价值识别阈值。
样本砂体除了可以获得等效权重矩阵之外,还可以根据各个样本砂体是否为油砂体与评价值数值关系,确定油砂体的评价值识别阈值。
(4)根据所述研究区内评价值分布和所述评价值识别阈值,预测所述研究区的油砂体分布。
由图1的流程图可知,本申请实施例通过研究区内已知的样本砂体数据,确定了可以在识别油砂体过程中代替测井数据作用的等效权重矩阵,再将该等效权重矩阵与该研究区内地震数据相结合,就可以预测研究区内的油砂体分布。本申请实施例所提供技术方案充分利用了地震数据横向连续性,可以提高预测预测油砂体分布的精度。
在本申请的一个实施例中,某研究区的地震数据、测井数据和开发数据已知。可以根据以下步骤来预测研究区内油砂体。
1、根据所述地震数据和所述测井数据,进行井震标定。
2、根据所述地震数据、所述测井数据和所述井震标定的分层结果从研究区目的层中确定目标层。
所述目标层可以为目的层中沉积环境稳定的地层范围。在本实施例中,目标层中包含了井震标定后的砂组1~砂组5(如图3所示),由图3可知,该五组砂组中沉积环境均稳定,因此,该五组砂组所在的地层为目标层。
3、根据所述测井资料、所述目标层和所述开发资料,确定样本井。
确定样本井时要满足几个条件:样本井在研究区内要尽可能分布均匀、样本井要包含前面确定的目标层中的全部或者部分范围,并且样本井要具有较完整的测井数据和开发数据。在本实施例中,根据以上几个要求最终在研究区内确定了9口样本井,如图5中W1~W9所示。
4、从所述样本井中获取样本砂体,所述样本砂体构成了样本砂体集合。
在本实施例中,样本井W1~W9中的每一口井中均包含了如图3所示的5组砂组中的至少一个砂组,实际最终获得了共42个目标研究砂组。由于目前提取特征的极限厚度只能达到砂组的厚度,因此本实施例中砂组等同于砂体,即只要砂组中含有油砂体,该砂组就可以被称为油砂体。在本实施例中,将油层、含水油层和油水同层的砂体称为油砂体,根据这一标准,结合开发资料,对本实施例中的42个样本砂体进行分类,其中包括23个油砂体,19个非油砂体。
5、提取所述样本砂体的特定地震属性和特定测井属性,所述特定地震属性和特定所述测井属性构成了样本属性集合。
每一个砂体对应的地震属性和测井属性都很多,在本实施例中,根据需要确定了10个地震属性和8个测井属性,如下图6所示。其中,地震属性分别为:2ms和4ms时窗的均方根振幅、瞬时频率、瞬时相位、主频率属性(域频率),以及层间均方根振幅和层间平均振幅。测井属性分别为:泥质含量、渗透率、含水饱和度的算术平均值和几何平均值,孔隙度的算法平均值以及砂体厚度值。在本实施例中,所述样本属性集合中共有42个样本砂体(样本个数),每一个样本砂体对应了18个属性数值。因此,可以将所述样本属性集合表示成一个42行18列的矩阵。
6、使用ReliefF特征筛选算法筛选样本属性集合中的属性,获得对识别油砂体敏感的敏感属性,所述敏感属性构成了敏感属性集合,所述敏感属性集合中包括至少一个地震敏感属性和至少一个测井敏感属性。
在本实施例中,运用ReliefF特征筛选算法提取样本属性集合中对识别油砂体敏感的敏感属性。所述的ReliefF算法是一种基于特征对近距离样本的区分能力的特征选择算法,是一种有效的降维方式,即从训练集中随机选取一个样本R,其核心要求是特征集包含的特征与类标签高度相关。利用ReliefF特征选择算法计算样本属性集合中各个属性的特征权重,并重复计算多次(次数可自由选定,通常10次以上)。在本实施例中,共重复计算了20次,每一次计算得到一组特征权重数值,将20次计算结果绘制在一个坐标中如图7所示,图中特征编码对应图6中各个特征的编码。将每一个属性20次计算的特征权重值平均,可以得到如图8所示的结果(图中特征编码对应图6中各个特征的编码)。设置特征门槛值,筛选特征,将属性的特征权重值平均值大于门槛值的属性留下,作为识别油砂体的敏感属性。通常门槛值的选取应使筛选的敏感属性集合满足三个特征:可区分性好,各属性应具有明显区分是否为油砂体;可靠性好,对同类的样本数据来说,特征权重值应该比较接近;数量少,要含有尽可能少的属性项个数。在本实施例中,设置的门槛值为0.038,图7中特征权重值平均大于0.038的属性被留下,即泥质含量算数平均值、孔隙度算数平均值、泥质含量几何平均值、2ms的均方根振幅、2ms主频率属性(域频率)、4ms的均方根振幅和4ms主频率属性(域频率),共计7种敏感属性构成,如图9所示,图9中还列出了各个敏感属性(即筛选特征项)的特征权重值平均值。本实施例中,敏感属性集合中包含42个样本砂体的共计42×7个敏感属性,该敏感属性集合可以表示成42行7列的敏感属性矩阵。
7、使用灰度关联分析方法,求取敏感属性集合中各个属性的权系数。
所述的灰度关联分析是对动态过程做发展趋势量化分析,实质是通过确定参考序列和若干比较序列的相似程度,判断其是否紧密,反映了数据间的关联程度,关联度越大,说明数据间越相似。使用灰度关联分析方法的具体过程中,将敏感属性集合中特征权重值最大的属性项作为参考序列,并作为敏感属性集合中的第一个元素,其余属性项依次后移,组成新的敏感属性集合,如图10所示,图中编码对应图6中各个特征的编码。按照灰度关联分析方法,对新的敏感属性集合进行权系数计算,第k个敏感属性的权系数记为γk(k=0,1,……,7),权系数计算结果如图11所示,图中编码对应图6中各个特征的编码。
8、将敏感属性集合中各个敏感属性的数值进行最大值标准化,并计算各个样本砂体的评价值。
本实施例中,进行最大值标准化时,要区分各个敏感属性与油砂体的正负相关性。所述的正负相关性,正相关是指某属性的值越大,表示油砂体的可能性越大;负相关是指某属性的值越小,表示油砂体的可能性越大。根据行业内对本实施例所涉及的7个敏感属性的一般认识,将这7个属性进行正负相关性划分结果如图12所示(图中编码对应图6中各个特征的编码),图中“+”表示正相关,“-”表示负相关,因此可知,孔隙度、均方根振幅、主频率为正相关,泥质含量为负相关。对某一敏感属性数值最大值标准化时,若该属性与油砂体正相关性,则利用各个样本砂体本属性的值除以所有样本砂体本属性值的最大值;若该属性与油砂体负相关性,则利用所有样本砂体本属性值的最大值减去样本砂体本属性的值,然后再除以所有样本砂体本属性值的最大值,得到最大值标准化后的样本数据集,例如,敏感属性集合可以表示成20行10列的矩阵,每一行对应一个样本砂体,每一列对应一种敏感属性,最大值标准化时,若某一列对应的敏感属性与油砂体的正相关,用该列中每一个数值除以该列的最大值,得到该列最大值标准化的结果;若某一列对应敏感属性与油砂体负相关,将该列中某一个数值a进行最大值标准化计算时,先用该列的最大值减去待标准化数值a,然后再除以该列的最大值。本实施例中,将第k个敏感属性的第i个元素标最大值准化结果记为Di(k)(i=0,1,……,42;k=0,1,……,7)。
得到各个样本砂体敏感属性最大值标准化数值Di(k)之后,再按照以下公式,计算各个样本(即各个样本砂体)的评价值,记Ei为第i个样本的评价值(i=0,1,……,42)。
上述公式计算评价值的公式中,将权系数作为加权值,针对每一个样本砂体都得到了一个综合敏感属性集合中各个敏感属性的综合评价值,具体的,例如,在本实施例中,某一个样本砂体A,其敏感属性集合中最大值标准化后的泥质含量算数平均值为m1、最大值标准化后的孔隙度算数平均值为m2、最大值标准化后的泥质含量几何平均值为m3、最大值标准化后的2ms的均方根振幅为m4、最大值标准化后的2ms主频率属性(域频率)为m5、最大值标准化后的4ms的均方根振幅为m6以及最大值标准化后的4ms主频率属性(域频率)为m7,且泥质含量算数平均值、孔隙度算数平均值、泥质含量几何平均值、2ms的均方根振幅、2ms主频率属性(域频率)、4ms的均方根振幅和4ms主频率属性(域频率)最大值标准化后的权系数分别为D(1)、D(2)…、D(7)。则该样本砂体A的评价值为D(1)·m1+D(2)·m2+…D(7)·m7。
将本实施例中42个样本砂体样本的评价值结果,进行直方图分析,其中,23个油砂体的直方图如图13所示,19个非油砂体的评价值直方图如图14所示。根据油砂体和非油砂体评价值的区别,确定一个油砂体的最小置信区间。所述最小置信区间是区分是否为油砂体的门槛值,在不小于该门槛值的情况下,认为预测的结果为油砂体,否则为非油砂体。在本实施例中,将油砂体样本评价值的最小值和非油砂体样本评价值的最大值取平均值,将该平均值作为油砂体的最小置信区间,即0.35。
前面8个步骤根据已知是否为油砂体的样本砂体样本,确定了可以用来识别油砂体的评价值,并确定了评价值识别油砂体的最小置信区间,后续识别油砂体时,只要将根据研究区内各个敏感属性,加权计算得到评价值,就可以根据最小置信区间判断是否为油砂体,但是研究区内测井数据并不是所有区域都有的,因此针对研究区内那些没有测井数据的区域,若想要利用评价值的方法识别油砂体,则需要借助其他一些参数或者方法来识别。
9、根据各个样本砂体的评价值,获得等效权重矩阵。
等效权重矩阵可以使得在没有测井数据的数据,同样可以获得砂体的评价值。在本实施例中,获得等效权重矩阵的方法可以如下步骤所示。
(1)将各个样本砂体敏感属性集合中的地震敏感属性,记为矩阵A,具体的,在本实施例中,A为一个42行3列的矩阵,记为A42×3,其中,矩阵A的每一行对应一个样本砂体,每一列对应一种地震敏感属性。
(2)在矩阵A的右侧加上一个列向量,该列向量的各个元素均为1,得到一个新的矩阵,记为B42×4。
(3)将步骤8得到的各个样本砂体的评价值,按照与矩阵B(或A)中各行相对应的顺序,组成评价值列向量E42×1,并求解一个等效权重矩阵C4×1,满足B42×4·C4×1=E42×1。
矩阵C4×1在后续该研究区内其他没有测井数据的区域中,就可以取代测井数据的作用。
10、根据步骤9中得到的等效权重矩阵,预测研究区内的油砂体。
具体的,在本实施例中,将研究区地震资料中的敏感地震属性数值按照在矩阵B(或A)中各个列的排列顺序,组成矩阵Bn×4。将该矩阵Bn×4与等效权重矩阵C4×1相乘,得到研究区内评价值。再以0.35为界限,判断研究区内油砂体分布。具体的,若待识别砂体的评价值达到0.35,则为油砂体,否则为非油砂体。
本实施例中,本申请实施例通过研究区内已知的样本砂体数据,确定了可以在识别油砂体过程中代替测井数据作用的等效权重矩阵,再将该等效权重矩阵与该研究区内地震数据相结合,就可以预测研究区内的油砂体分布。本申请实施例所提供技术方案充分利用了地震数据横向连续性,可以提高预测预测油砂体分布的精度。
为了进一步验证本实施例所识别油砂体的准确性,在本申请的一个实施例中,还在上一实施例所在研究区进行了验证试验。在该研究区内结合现有的收敛差值算法进行油砂体预测,并对比按照上述实施例步骤1至10所预测的结果,以此来验证本申请实施例所提方法的识别准确性,以如图5中的Y1和Y2作为验证井,并以如图3中所示2砂组为例。根据验证井Y1和Y2的测井和开发数据(如图15和图16所示),可知这两口井在2砂组段为油砂体层段。图17为利用图5中所示样本井中2砂组评价值计算结果,按照收敛插值算法,所得到的油砂体平面预测结果,图18是从图17中提取等值线大于或等于0.35的平面区域,作为油砂体的平面分布范围示意图。图19是利用图5中所示样本井和普通井中2砂组评价值计算结果,按照收敛插值算法,所得到的油砂体平面预测结果,同样图20是图19中提取等值线大于或等于0.35的平面区域,作为油砂体的平面分布范围示意图。图21是利用图5中所示样本井中2砂组的评价值计算结果,按照上一实施例中步骤1至步骤10的流程,通过求取等效权重矩阵,将敏感地震属性项与等效权重矩阵进行乘积求和运算,得到油砂体的平面预测结果;图22是图21中提取等值线大于或等于0.35的平面区域,作为油砂体的平面分布范围示意图。
在图18和图20中,验证井Y1和Y2中的2砂组为非油砂体,与实际不符,但在图22中,验证井Y1和Y2中的2砂组为油砂体,与实际一致,因此可以认为本申请实施例所提供的方法识别准确率更高。
另一方面,对比图20和图18可知,在井数较少的情况,由于空间约束井数较少,在插值得到的预测平面图中,井间油砂体的分布范围不易确定,尤其是油砂体边界更难以准确预测;在井数较多的情况,随着空间约束井数的增加,在插值得到的预测平面图中,油砂体的分布范围准确性有所提升,但是井间油砂体的边界依然容易受到插值算法的影响。而利用本申请实施例所提供的方法预测油砂体预测,通过求取等效权重矩阵,建立了地震平面属性与井点油砂体评价值的数学关系,由于不受插值算法的影响,即使在井数较少的情况下,依然可以很好地预测井间油砂体的平面分布情况。
本申请实施例中还提供了一种预测油砂体分布的装置,如下面的实施例所述。由于该装置解决问题的原理与一种预测油砂体分布的方法相似,因此该装置的实施可以参见一种预测油砂体分布的方法实施,重复之处不再赘述。
如图23所示,本申请实施例所提供的一种预测油砂体分布的装置,可以包括以下几个模块。
获取模块2301,用于获取研究区内的地震数据、测井数据和开发数据。
样本砂体确定模块2302,用于根据所述地震数据、测井数据和开发数据,获取所述研究区内满足预设条件的样本砂体,构成样本砂体集合,所述样本砂体集合中包括至少一个油砂体和至少一个非油砂体。
属性提取模块2303,用于提取所述样本砂体集合中各个样本砂体的特定地震属性和特定测井属性,所述特定地震属性和特定测井属性构成样本属性集合。
矩阵确定模块2304,用于根据所述样本属性集合,确定等效权重矩阵。
预测模块2305,用于获取所述地震资料中与所述特定地震属性相对应的地震属性,并结合所述等效权重矩阵,预测所述研究区内的油砂体分布。
由上述装置的实施例可知,本申请实施例通过研究区内既有地震数据又有测井数据,且已知是否为油砂体的样本砂体数据,确定了可以在识别油砂体过程中代替测井数据作用的等效权重矩阵,再将该等效权重矩阵与该研究区内地震数据相结合,就可以预测研究区内的油砂体分布。本申请实施例所提供技术方案充分利用了地震数据横向连续性,且设计地震属性范围也更广,可以提高预测预测油砂体分布的精度。
本申请实施例中所描述的方法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本申请实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
以上所述的具体实施例,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请实施例的具体实施例而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (6)
1.一种预测油砂体分布的方法,其特征在于,包括以下步骤:
获取研究区内的地震数据、测井数据和开发数据;
根据所述地震数据、测井数据和开发数据,获取所述研究区内满足预设条件的样本砂体,并根据所述样本砂体构建样本砂体集合,所述样本砂体集合中包括至少一个油砂体和至少一个非油砂体;
提取所述样本砂体集合中各个样本砂体的特定地震属性和特定测井属性,并根据所述特定地震属性和特定测井属性构建样本属性集合;
根据所述样本属性集合,确定等效权重矩阵;
获取地震数据中与所述特定地震属性相对应的地震属性,并结合所述等效权重矩阵,预测所述研究区内的油砂体分布;其中,
所述根据所述样本属性集合,确定等效权重矩阵,具体包括:
根据所述样本属性集合中的各个属性,获得满足第三预设条件的敏感属性,并根据所述敏感属性构建敏感属性集合,所述敏感属性集合中包括至少一个地震敏感属性和至少一个测井敏感属性;
根据所述敏感属性集合,确定所述等效权重矩阵;
对应的,获取地震数据中与所述特定地震属性相对应的地震属性,并结合所述等效权重矩阵,预测所述研究区内的油砂体分布,具体为:
获取地震数据中的第一地震敏感属性,并结合所述等效权重矩阵,预测所述研究区内的油砂体分布,所述第一地震敏感属性与所述敏感属性集合中的地震敏感属性相对应;
所述获取地震数据中的第一地震敏感属性,并结合所述等效权重矩阵,预测所述研究区内的油砂体分布,具体为:
获取地震数据中的第一地震敏感属性,并根据所述第一地震敏感属性构建第一地震敏感属性矩阵;
将所述第一地震敏感属性矩阵与所述等效权重矩阵相乘,获得研究区内评价值分布;
根据所述样本砂体的评价值集合,确定评价值识别阈值;
根据所述研究区内评价值分布和所述评价值识别阈值,预测所述研究区的油砂体分布。
2.如权利要求1所述的方法,其特征在于,所述获取所述研究区内满足预设条件的样本砂体,并根据所述样本砂体构建样本砂体集合,具体包括:
根据所述地震数据和所述测井数据,进行井震标定,获得井震标定的结果;
根据所述地震数据、所述测井数据和所述井震标定的结果,在所述研究区中确定满足第一预设条件的目标层;
根据测井数据、所述目标层和开发数据,确定满足第二预设条件的样本井;
从所述样本井中获取样本砂体,并根据所述样本砂体构建样本砂体集合。
3.如权利要求1所述的方法,其特征在于,所述根据所述敏感属性集合,确定所述等效权重矩阵,具体为:
根据每一个所述样本砂体的地震敏感属性和测井敏感属性,确定与每一个所述样本砂体相对应的评价值,所有所述样本砂体的评价值构成评价值集合;
根据所述评价值集合和由每一个所述样本砂体的地震敏感属性构成的集合,确定所述等效权重矩阵。
4.一种预测油砂体分布的装置,其特征在于,所述装置包括:
获取模块,用于获取研究区内的地震数据、测井数据和开发数据;
样本砂体确定模块,用于根据所述地震数据、测井数据和开发数据,获取所述研究区内满足预设条件的样本砂体,并根据所述样本砂体构建样本砂体集合,所述样本砂体集合中包括至少一个油砂体和至少一个非油砂体;
属性提取模块,用于提取所述样本砂体集合中各个样本砂体的特定地震属性和特定测井属性,并根据所述特定地震属性和特定测井属性构建样本属性集合;
矩阵确定模块,用于根据所述样本属性集合,确定等效权重矩阵;
预测模块,用于获取地震数据中与所述特定地震属性相对应的地震属性,并结合所述等效权重矩阵,预测所述研究区内的油砂体分布;其中,
所述矩阵确定模块具体包括:
敏感属性获取子模块,用于根据所述样本属性集合中的各个属性,获得满足第三预设条件的敏感属性,并根据所述敏感属性构建敏感属性集合,所述敏感属性集合中包括至少一个地震敏感属性和至少一个测井敏感属性;
矩阵获取子模块,用于根据所述敏感属性集合,确定所述等效权重矩阵;
对应的,所述预测模块具体用于,获取地震数据中的第一地震敏感属性,并结合所述等效权重矩阵,预测所述研究区内的油砂体分布,所述第一地震敏感属性与所述敏感属性集合中的地震敏感属性相对应;
所述预测模块具体包括:
第一地震敏感属性矩阵获取子模块,用于获取地震数据中的第一地震敏感属性,并根据所述第一地震敏感属性构建第一地震敏感属性矩阵;
评价值获取子模块,用于将所述第一地震敏感属性矩阵与所述等效权重矩阵相乘,获得研究区内评价值分布;
阈值确定子模块,用于根据所述样本砂体的评价值集合,确定评价值识别阈值;
分布预测子模块,用于根据所述研究区内评价值分布和所述评价值识别阈值,预测所述研究区的油砂体分布。
5.如权利要求4所述的装置,其特征在于,所述样本砂体确定模块具体包括:
井震标定子模块,用于根据所述地震数据和所述测井数据,进行井震标定,获得井震标定的结果;
目标层确定子模块,用于根据所述地震数据、所述测井数据和所述井震标定的结果,在所述研究区中确定满足第一预设条件的目标层;
样本井确定子模块,用于根据测井数据、所述目标层和开发数据,确定满足第二预设条件的样本井;
样本砂体获取子模块,用于从所述样本井中获取样本砂体,并根据所述样本砂体构建样本砂体集合。
6.如权利要求4所述的装置,其特征在于,所述矩阵获取子模块具体用于:
根据每一个所述样本砂体的地震敏感属性和测井敏感属性,确定与每一个所述样本砂体相对应的评价值,所有所述样本砂体的评价值构成评价值集合;
根据所述评价值集合和由每一个所述样本砂体的地震敏感属性构成的集合,确定所述等效权重矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611199332.2A CN106842317B (zh) | 2016-12-22 | 2016-12-22 | 一种预测油砂体分布的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611199332.2A CN106842317B (zh) | 2016-12-22 | 2016-12-22 | 一种预测油砂体分布的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106842317A CN106842317A (zh) | 2017-06-13 |
CN106842317B true CN106842317B (zh) | 2019-02-15 |
Family
ID=59135300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611199332.2A Active CN106842317B (zh) | 2016-12-22 | 2016-12-22 | 一种预测油砂体分布的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106842317B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376295B (zh) * | 2018-01-31 | 2021-06-01 | 北京博达瑞恒科技有限公司 | 一种油气甜点预测方法及存储介质 |
CN110687599B (zh) * | 2018-07-04 | 2021-07-02 | 中国石油天然气股份有限公司 | 一种火成岩发育区井控自编码岩性识别方法 |
CN110109178B (zh) * | 2018-09-27 | 2020-09-04 | 中国石油天然气股份有限公司 | 优势砂体分布区域的确定方法、装置及存储介质 |
CN110059755B (zh) * | 2019-04-22 | 2023-10-13 | 中国石油大学(华东) | 一种多特征评价准则融合的地震属性优选方法 |
CN112346118A (zh) * | 2019-08-09 | 2021-02-09 | 中国石油天然气集团有限公司 | 基于地震属性优选的储层特征预测方法及装置 |
CN114033352B (zh) * | 2021-11-02 | 2023-09-05 | 天津渤海中联石油科技有限公司 | 一种井周裂缝密度估算的方法及设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6829537B2 (en) * | 2003-03-10 | 2004-12-07 | Conocophillips Company | Contour-based attribute seismic mapping |
CN103454685B (zh) * | 2013-08-09 | 2016-04-06 | 中国石油天然气股份有限公司 | 利用测井约束波阻抗反演预测砂体厚度的方法和装置 |
CN104570109B (zh) * | 2013-10-29 | 2017-07-14 | 中国石油天然气集团公司 | 一种储层油气预测的方法 |
CN104695949A (zh) * | 2013-12-05 | 2015-06-10 | 中国石油化工股份有限公司 | 一种复杂油水***储层含油性综合判识方法 |
CN105259576B (zh) * | 2015-10-15 | 2018-12-21 | 中国石油化工股份有限公司 | 一种利用地震统计特征的油气藏识别方法 |
CN105277979B (zh) * | 2015-10-16 | 2017-10-17 | 中国石油天然气集团公司 | 一种地震属性的优化方法和装置 |
CN105629304B (zh) * | 2015-12-29 | 2017-10-03 | 中国海洋石油总公司 | 一种基于多属性的砂体叠合模式识别方法 |
CN105760673B (zh) * | 2016-02-22 | 2018-05-25 | 中国海洋石油集团有限公司 | 一种河流相储层地震敏感参数模板分析方法 |
CN105549085B (zh) * | 2016-02-25 | 2018-05-11 | 恒泰艾普集团股份有限公司 | 富油层段地震预测方法 |
-
2016
- 2016-12-22 CN CN201611199332.2A patent/CN106842317B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106842317A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106842317B (zh) | 一种预测油砂体分布的方法及装置 | |
Grana et al. | Quantitative log interpretation and uncertainty propagation of petrophysical properties and facies classification from rock-physics modeling and formation evaluation analysis | |
US11105944B2 (en) | System and method for lateral statistical estimation of rock and fluid properties in a subsurface formation | |
US10534100B2 (en) | System and method for assessing the presence of hydrocarbons in a subterranean reservoir based on time-lapse seismic data | |
CN105572747B (zh) | 一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法 | |
FR3032532A1 (zh) | ||
Hernandez-Martinez et al. | Facies recognition using multifractal Hurst analysis: Applications to well-log data | |
CN105240006A (zh) | 一种适用于火山岩储层的油水层识别方法 | |
Cluff et al. | Petrophysics of the Lance sandstone reservoirs in Jonah field, Sublette County, Wyoming | |
US11754736B2 (en) | System and method for classifying seismic data by integrating petrophysical data | |
Sharifi | Intelligent pore type characterization: Improved theory for rock physics modelling | |
US11346968B2 (en) | Estimation of reservoir flow properties from seismic data | |
AU2017279838B1 (en) | Method for classifying deep rock geofacies based on data mining | |
Djebbas et al. | Integrating hydraulic flow unit concept and adaptive neuro-fuzzy inference system to accurately estimate permeability in heterogeneous reservoirs: Case study Sif Fatima oilfield, southern Algeria | |
Bauer et al. | Neural network analysis of crosshole tomographic images: The seismic signature of gas hydrate bearing sediments in the Mackenzie Delta (NW Canada) | |
CN113514884A (zh) | 一种致密砂岩储层预测方法 | |
US11163081B2 (en) | De-trending AVO as a function of effective stress | |
US10718876B2 (en) | System and method for assessing the presence of hydrocarbons in a subterranean reservoir based on seismic inversions | |
Carrasquilla et al. | Using facies, data mining and artificial intelligence concepts in the evaluation of a carbonate reservoir in Campos basin, Southeastern Brazil | |
US20190146108A1 (en) | System and method for assessing the presence of hydrocarbons in a subterranean reservoir based on seismic data | |
Naseer et al. | Seismic attributes and spectral decomposition-based inverted porosity-constrained simulations for appraisal of shallow-marine lower-Cretaceous sequences of Miano gas field, Southern Pakistan | |
US20230258838A1 (en) | Training data for machine learning seismic inversion | |
Ohakwere-Eze et al. | Petrophysical evaluation and lithology delineation using cross-plots analysis from some onshore wells in the Nigerian-delta, west Africa | |
AU2021377807B2 (en) | Subsurface characterization based on multiple correlation scenarios | |
CN113495293B (zh) | 油藏流体预测方法及装置 |
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 |