CN107589466A - 一种用于评价待发现资源量空间分布特征的方法 - Google Patents
一种用于评价待发现资源量空间分布特征的方法 Download PDFInfo
- Publication number
- CN107589466A CN107589466A CN201610529454.7A CN201610529454A CN107589466A CN 107589466 A CN107589466 A CN 107589466A CN 201610529454 A CN201610529454 A CN 201610529454A CN 107589466 A CN107589466 A CN 107589466A
- Authority
- CN
- China
- Prior art keywords
- oil
- unit
- evaluation
- found
- field number
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种用于评价待发现资源量空间分布特征的方法,至少包括如下步骤:第一步:确定评价单元;第二步:主观上设定评价的单位面积;第三步:确定待发现油气资源总量和油气田数量;第四步:确定总油气资源量和油气田个数在单位面积的分布特征;第五步:将评价单元网格化;第六步:生成单位面积内已发现的油气资源和油气田数量的对照组;第七步:通过假设检验法进行判断。本发明的方法可有效解决在低勘探程度或资料基础有限的盆地进行待发现资源量空间分布特征评价的问题。
Description
技术领域
本发明涉及石油钻井领域,尤其涉及一种用于评价待发现资源量空间分布特征的方法。
背景技术
现有的待发现资源潜力评价技术可大致分为三个大类:(1)在盆地规模内对石油天然气待发现资源潜力总量进行评价的技术,(2)在一个开发区规模内对石油天然气可采资源量进行评价的技术,和(3)对固体矿产的待发现资源的空间分布进行评价的技术。
对于(1)在盆地规模内对石油天然气待发现资源潜力总量进行评价的技术,存在非常多的公开文献以及不同类型评价方法,现有技术中还开发了相应的商业软件。但其总体特征是考虑在一个面积比较大的地质单元(如盆地、构造单元或者含油气***等)内的待发现油气资源的总量,而不考虑这些资源量在该评价地质单元内的空间分布特征,也就是说,无法判断资源潜力在地理空间中是聚集或是均匀散布的。如童晓光等的文献《全球油气资源潜力与分布》,地学前缘-中国地质大学学报2014年5月,第21(3)期,1-9页中,就总结了此类总资源潜力的计算方法,并综合应用到全球资源潜力分布的研究中,成为目前油气待发现资源评价中最常用的代表性的评价方法之一。但是所得到的各类结果均为每个评价单元内的待发现资源总量。
更详细地说,目前的待发现资源量算法可以归为以下几类:USGS的主观定义和蒙特卡洛模拟法(七次逼近法);资源规模序列法(帕内托分布模型);发现过程法(Petrimes软件)。其中,第一种方法通过石油地质分析,由专家主观确定待发现资源量的高、中、低大小,及单个油气藏规模的概率统计分布,而后通过蒙特卡洛法计算出整个评价单元内的资源潜力的概率分布。后两者则应用了更多的统计学方法,根据现有发现的概率统计分布特征,推测待发现油气藏的概率统计分布特征。这些算法显然都只考虑整个计算单元内的资源量或者其平均资源丰度,并不能反映待发现资源量的空间分布特征。
有些研究注意到了这个问题,并且提出可以对评价单元进行面积上的细分,将原来的大的评价单元分割成面积更小的块体。如隋风贵等的文献《应用_聚油单元_研究济阳坳陷的石油资源潜力》,石油实验地质2003年12月,第25(6)期,784-787页中,提出的聚油单元的概念实际上就是对构造单元的细分,细分的依据为区域分布的断裂***、骨架砂体和不整合面等油气运移通道。该方法虽然可以一定程度上反映待发现资源量的分布,但是对构造单元的细分要求对重要成藏地质体(如上述的骨架砂体等)的空间分布有较清晰的认识,不适用于低勘探程度盆地,或者研究程度本身就不足的盆地,同时此类细分单元面积仍然较大,往往是一个评价单元内再细分成数个小单元分别进行评价,并不能比较精细地刻画待发现资源的空间分布特征。
对于(2)在一个开发区规模内对石油天然气可采资源量进行评价的技术,实质上是针对某个具体研究地区的目标地层的含油性及储量和资源量的确定。也就是说,在研究对象上是针对具体的某个开发区,而非本专利申请所针对的一个盆地级别的评价单元,其次,评价目的是对已发现资源的具体储量大小的评价,最后要求在研究区已经有一定测井、录井、岩心地球化学研究的基础上形成评价结果。相关文献包括:中国专利公开文献CN103278866A,一种泥页岩层系内页岩油资源潜力评价方法;中国专利公开文献CN104268413A,一套页岩油气资源潜力分级评价标准方法。
对于(3)对固体矿产的待发现资源的空间分布进行评价的技术,是指在固体矿产的资源普查中所应用的待发现资源潜力的评价方法,可以为油气待发现资源的评价所借鉴。其中浦路平的文献《基于网格单元的总合式和非总合式结合的区域矿产资源潜力评价方法》,地球科学-中国地质大学学报2011年7月,第36(4)卷,740-746页的文献指出了总和式和非总和式待发现资源潜力的区别,即总和式为整个盆地或区域的总量估计,没有区域空间位置信息;非总和式为能够指出潜力在平面空间上分布的评价方法。非总和式评价的目的与本发明的目的类似,但是1)其算法为通过BP或RBF等前馈型神经网络计算成矿有利度和矿产资源量,计算方法非常复杂,需要专门的软件才可能完成,不同于本发明申请相对简明的统计判断的算法;2)需要详细的地层信息、地下断裂发育分布数据、多种元素的地理分布信息,在GIS***中综合处理。此种方法对数据基础的要求非常高,同样难以应用于低勘探程度或资料基础有限的盆地。
固体矿产本身的特殊性导致其很多待发现资源评价方法不同于油气待发现资源的评价方法。如李江洲的文献《地球化学块体在成矿预测中的应用》,湖北地矿2001年12月,第15(4)卷,77-85页中提出的地球化学块体,就是依据地化单元的详细划分来预测待发现固体矿产。而油气资源评价中由于油气的可流动性,一个地点的地球化学特征很难与油气富集性相联系。另外,此类方法同样需要以高质量高密度的地球化学数据为基础,很难应用于低勘探程度或资料基础有限的盆地。
总之,在研究含油气盆地的待发现资源量计算时,普通的计算方法通常是计算全盆地面积内、或者一个构造单元内或者含油气***内的待发现资源总量、预期的油田规模大小的概率分布等。从这些结果中无从判断这些待发现的油田及其资源量是汇聚在盆地或者计算单元的某几个“富集中心”,或者均匀地分布在盆地或者计算单元的整个面积内。而在矿产资源勘探中,有的研究利用综合矿产、地球化学和地质构造的地理信息***,通过神经元算法等判断待发现矿产资源的空间分布特征。这种方法所针对的问题与本发明的问题类似,但是对于分析的资料基础的要求极其严格,只有在极其成熟的油气探区才具备类似条件。
总之,在低勘探程度或资料基础有限的盆地,开展“待发现资源量空间分布特征评价”困难重重,现有技术很难应用。
发明内容
本发明提出了一种用于评价待发现资源量空间分布特征的方法,其特征在于,至少包括如下步骤:第一步:确定评价单元;第二步:主观上设定评价的单位面积;第三步:确定待发现油气资源总量和油气田数量;第四步:确定总油气资源量和油气田个数在单位面积的分布特征;第五步:将评价单元网格化;第六步:生成单位面积内已发现的油气资源和油气田数量的对照组;第七步:通过假设检验法进行判断,如果油田个数和资源量均通过了假设检验,则证明盆地的资源分布类型为均一型;如果资源量未通过假设检验但油田个数通过了假设检验,则说明盆地的资源分布类型是大油田集群型;如果油田个数和资源量均通不过检验,则说明盆地的资源分布类型为汇聚型。
在一个实施方式中,在第一步中,根据含油气***划分确定评价的平面上和纵向上的评价单元,以在平面上和地层的层系上限定评价的范围。
在一个实施方式中,在第二步中,所述单位面积是未来预期的油气开发方式所决定的开发设施在技术上能够控制的面积。
在一个实施方式中,在第三步中,通过七次逼近法或发现过程法来确定整个评价单元内的待发现资源量的总量。
在一个实施方式中,在第四步中,根据第三步中的待发现油气资源量和待发现油气田个数,加上已发现的油气资源量和已发现的油气田个数,得到评价单元内总的预期油气资源量和总的预期油气田个数,对所得到的结果除以评价单元的总面积,从而得到待发现油气资源量和总的预期油气资源量的平均丰度和待发现油气田个数和总的预期油气田个数的密度。
在一个实施方式中,在第四步中,假设在均一型条件下,在单位面积内的油气资源量和油气田个数分别服从正态分布。
在一个实施方式中,在第五步中,以手工在纸质地图上网格化,或者在地里信息***软件中网格化。
在一个实施方式中,在第七步中,判断第六步中所得到的一组已发现的油气资源量在单位面积内的丰度和油气田个数是否与第四步中所得到的、假设评价单元的油气资源量和油气田个数为均一分布下的正态分布具有统计学意义上的差异。
在一个实施方式中,还包括如下步骤:第八步:选择一个与所处理的评价单元相比勘探程度较高的类比评价单元,进行上述第一步到第七步的相同的评价流程,确定其是否呈现相同的统计学差异;第九步:整理结果,做出在不同的置信概率下,对于目标评价单元的待发现资源量和油气田个数的空间分布特征的判断。
在一个实施方式中,在第八步中,获取类比评价单元与目标评价单元的计算结果之间的差异,如果差异大于容忍值则重新评价类比评价单元与目标评价单元之间的石油地质条件的可类比性,若最后确定两者之间可类比,则以类比评价单元的结果为准。
上述技术特征可以各种技术上可行的方式组合以产生新的实施方案,只要能够实现本发明的目的。
附图内容
在下文中将基于仅为非限定性的实施例并参考附图来对本发明进行更详细的描述。其中:
图1显示了本发明申请的方法的步骤流程图。
在图中,相同的构件由相同的附图标记标示。附图并未按照实际的比例绘制。
具体实施方式
图1显示了本发明申请的方法的步骤流程图。参照图1,可大致看出,本发明的方案中评价流程最多可分为九步。
第一步:确定评价的范围或者称评价单元。
根据含油气***划分确定评价的平面上和纵向上的评价单元,以在平面上和地层的层系上限定评价的范围。一般来说,含油气***自身就有空间分布的概念定义并限定烃源岩和储层,但是在低勘探程度盆地中一般含油气***的空间分布尚难确定。也可以采用全盆地、或者构造单元内一个具体目标储层作为评价的对象。
第二步:主观上设定一个评价的单位面积。
本申请所提出的评价方法由于在数学上的简化处理,并不能计算出待发现资源量的空间密度分布,而是计算在一个主观设定的单位面积下,待发现资源是否在评价单元的每个单位面积内基本均匀分布。该单位面积一般应远远小于评价单元的总面积。
所谓的单位面积是指代实际问题中的单位最大允许的油气开发面积,即未来预期的油气开发方式所决定的一套开发设施在技术上可以控制的面积。比如说一个海上浮式开发平台(FPSO),目前技术上最大的可控制范围是半径在30公里左右内的油气田,一个陆上丛林中开辟的井台可控制的开发半径在20公里左右。依据这些经济技术方面的限制,即可设定评价单元中的单位面积。
第三步:确定待发现油气资源总量和油气田数量。
通过一种现有的公开文献中可查到的资源量评价方法确定整个评价单元内的待发现资源量的总量(概率分布)。一般来说,本发明申请可应用两种已公开的资源评价方法。一种是主观性更强,但是对地质特征表征更好的USGS的七次逼近法,另一种是统计学定义更加严格的发现过程法。
第四步:确定总油气资源量和油气田个数在单位面积的分布特征。
根据第三步中的待发现油气资源量和油气田个数,加上已发现的油气资源量和油气田个数,得到评价单元内总的预期油气资源量和油气田个数,对这两个结果除以评价单元的总面积,从而可以计算出待发现的总油气资源量的平均丰度和油气田个数的密度。
这就相当于假设该评价单元为均一型油气资源分布特征时,其在第二步所设定的单位面积内的资源量和油气田个数的均值是多少。另外假设在均一型条件下,在单位允许面积内的资源量和油气田个数分别服从较狭窄的正态分布,分别具有均方差σ1和σ2。
第五步:将评价单元网格化。
将评价单元按第二步所设定的单位面积划分成小方格单元(网格化),既可以手工在纸质地图上网格化,也可在地里信息***软件中网格化。统计每个小方格单元中的油田发现规模和发现个数。
第六步:生成单位面积内已发现的油气资源和油气田数量的对照组。
根据每个单位面积内已发现的油气田的油田个数的特征,选取一组单位面积,假设这一组面积内已经没有待发现资源量和待发现油田,并计算这一组单位面积中每个单位的油气田个数的密度和油气资源量丰度。即要求盆地内已经有一定规模的发现。如果是没有任何油气发现的盆地则不适合本评价方法,但是如果能找到地质条件相似的盆地,或者地质单元可在这样的类比地质单元中进行评价,则可适合于本评价方法。
第七步:通过假设检验法进行判断。
判断第六步中所得到的一组已发现的油气资源在单位面积内的丰度和油气田个数是否与第四步中所得到的、假设评价单元的油气资源和油气田个数为均一分布下的正态分布具有统计学意义上的差异。
如果油田个数和资源量均通过了该假设检验,则证明盆地的资源分布类型为均一型;如果资源量不服从该分布但油田个数服从上述分布,则说明盆地的资源分布类型是大油田集群型;如果油田个数和资源量均通不过检验,则说明盆地的资源分布类型为汇聚型。
第八步:选择一个勘探程度较高的类比评价单元,进行上述第一步到第七步的相同的评价流程,确定其是否呈现相同的统计学差异。由于目标评价单元的发现油气田个数还相对较少,造成一定的评价不确定性。因此再选择一个类比评价单元,其石油地质条件与前面步骤中的评价单元相似度较高。并重新执行第一步至第四步的评价过程。获取类比评价单元与目标评价单元的计算结果之间的差异。如果差异较大(例如大于行业内公认的容忍值)则重新评价类比评价单元与目标评价单元之间的石油地质条件的可类比性。若最后确定两者之间可类比,则以类比评价单元的结果为准。
第九步:整理结果,做出在不同的置信概率下,对于目标评价单元的待发现资源量和油气田个数的空间分布特征的判断。即是否为均一型(油田数量和资源量基本上均匀地分布在盆地的整个面积中,大中型油田同样在区域上均匀分布),或者为大油田集群型(尽管油田数量在全盆地的分布比较均一,但是大中型油田集中在盆地的一个或数个地点,导致资源量也集中在这几个地点中),或者汇聚型(油田数量和资源量均集中在盆地的一个或数个地点中)。
本发明的方法可有效解决在低勘探程度或资料基础有限的盆地进行待发现资源量空间分布特征评价的问题。针对此类盆地地质资料极其缺乏的问题,本发明所需最基本的输入信息仅包括已发现油气田数量、已发现油气田总资源量、评价单元的面积和主观设定的单位面积等,此类信息在一般油气田专业数据库中都可以查找到。本发明的另一优点是所动用的数学工具非常简便,即使用手工方式也可以计算,一般需要计算机编程来实现算法。假设判断法是统计学的常用方法,易于理解、操作和检查。虽然本发明的资料需求和过程都比较简单,但是所得到的结果可以对盆地中评价单元的油气资源的空间分布特征进行一个基本的判断,确定其是否为均一型、大油田集群型或者汇聚型。
在本发明的实施例中,使用了本方法判断该东非海上盆地的天然气资源和天然气田个数均为非均一分布。这样的结果可以作为一个正面论据,帮助说明:未来进入开发阶段后,利用少数几套大型的开发设施即可实现开发。
实施例
东非莫桑比克某盆地近年来发现了多个天然气储藏区,但是其属于海上盆地,天然气开发难度较大,经济性不明确。然而如果资源量较大,并且集中分布在几个面积较小的单元内,则可能动用较少的工程投资实现尽可能多的资源的开发,由此则可能实现经济性开发。
已知盆地总面积3.665万平方公里,发现气田个数18个,可采资源量136tcf。按照USGS的预测,该盆地待发现资源量的均值为182tcf。
1)确定评价单元
由于目前该盆地中仅有一套含油气***(侏罗纪-第三系含油气***),整个海上盆地面积均可作为含油气***的分布范围,据此设定其评价单元范围为该盆地的海上。
2)主观设定单位面积
本例中的单位面积设定可参考海洋工程中的深海生产设施的生产控制半径,根据海洋工程的开发要求,一艘FPSO(浮式生产装载平台)的最大控制半径在20km左右,即可由此确定单位最大允许开发面积大致为1250km2。
3)待发现资源潜力总量评价
由于USGS已经用其七次逼近法对该盆地进行了评价,因此可直接利用该评价结果,确定该盆地待发现资源量的均值为182tcf,待发现气田个数28个。
4)总油气资源量和油气田个数在单位面积的分布特征
根据第3步的油气发现情况,确定该盆地总天然气资源量为318tcf,总气田数为46个。假设为均一型分布的情况下,单位开发面积内资源量均值为10.85tcf,气田个数均值为1.57个。假设单位面积方差为2tcf,气田个数方差为0.3个。
5-6)对评价单元网格化,并整理已发现气田的个数和资源量
得到可用的已发现单位开发面积8个,均值13.725tcf。分别代表了9个油气发现的资源量。其气田个数的均值为1.125个。
具体情况如下表:
资源量(tcf) | 30 | 23 | 10 | 25 | 8 | 5.2 | 6.1 | 4.63 |
气田个数 | 0.5 | 0.5 | 1 | 1 | 1 | 1 | 2 | 2 |
7)假设检验法判断
利用正态分布假设检验公式,计算得到资源量的假设检验u值为4.46,气田个数的假设检验u值为-4.18。
在显著性水平为10%的情况下,查找正态分布表得到u0.025=1.96.
因此,资源量和气田个数的假设检验u值的绝对值均大于u0.025,按假设检验的定义,认为该地区天然气发现为均一型的分布假设不成立。
8)由于盆地内天然气发现无论是个数和资源量均已经接近盆地总资源规模的一半。因此可以认为盆地已经进入勘探中期阶段,可以暂不用类比盆地进行检验。
9)由于在假设检验中天然气个数和资源量均没有通过假设检验,因此认为该盆地为汇聚型盆地,即油田数量和资源量均集中在盆地的一个或数个地点中。
综上所述,本发明对一个油气评价单元的待发现油气资源潜力和油气田个数的地理空间分布特征进行评价,判断是否为均一型、大油气田集群型(大中型油气田集中在盆地的一个或数个地点),或为汇聚型(油气田数量和资源量均集中在盆地的一个或数个地点中)。利用已发现油田的数量和资源量、待发现资源总量、待发现油田数量等简要参数,采用假设检验等统计学方法实现上述目的,适用于基础地质资料少的前沿盆地和地理条件恶劣的勘探高难盆地。
虽然已经参考优选实施例对本发明进行了描述,但在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例,而是包括落入权利要求的范围内的所有技术方案。
Claims (10)
1.一种用于评价待发现资源量空间分布特征的方法,其特征在于,至少包括如下步骤:
第一步:确定评价单元;
第二步:主观上设定评价的单位面积;
第三步:确定待发现油气资源总量和油气田数量;
第四步:确定总油气资源量和油气田个数在单位面积的分布特征;
第五步:将评价单元网格化;
第六步:生成单位面积内已发现的油气资源和油气田数量的对照组;
第七步:通过假设检验法进行判断,
如果油田个数和资源量均通过了假设检验,则证明盆地的资源分布类型为均一型;
如果资源量未通过假设检验但油田个数通过了假设检验,则说明盆地的资源分布类型是大油田集群型;
如果油田个数和资源量均通不过检验,则说明盆地的资源分布类型为汇聚型。
2.根据权利要求1所述的方法,其特征在于,在第一步中,根据含油气***划分确定评价的平面上和纵向上的评价单元,以在平面上和地层的层系上限定评价的范围。
3.根据权利要求1所述的方法,其特征在于,在第二步中,所述单位面积是未来预期的油气开发方式所决定的开发设施在技术上能够控制的面积。
4.根据权利要求1所述的方法,其特征在于,在第三步中,通过七次逼近法或发现过程法来确定整个评价单元内的待发现资源量的总量。
5.根据权利要求1所述的方法,其特征在于,在第四步中,根据第三步中的待发现油气资源量和待发现油气田个数,加上已发现的油气资源量和已发现的油气田个数,得到评价单元内总的预期油气资源量和总的预期油气田个数,对所得到的结果除以评价单元的总面积,从而得到待发现油气资源量和总的预期油气资源量的平均丰度和待发现油气田个数和总的预期油气田个数的密度。
6.根据权利要求5所述的方法,其特征在于,在第四步中,假设在均一型条件下,在单位面积内的油气资源量和油气田个数分别服从正态分布。
7.根据权利要求1所述的方法,其特征在于,在第五步中,以手工在纸质地图上网格化,或者在地里信息***软件中网格化。
8.根据权利要求1所述的方法,其特征在于,在第七步中,判断第六步中所得到的一组已发现的油气资源量在单位面积内的丰度和油气田个数是否与第四步中所得到的、假设评价单元的油气资源量和油气田个数为均一分布下的正态分布具有统计学意义上的差异。
9.根据权利要求1到8中任一项所述的方法,其特征在于,还包括如下步骤:
第八步:选择一个与所处理的评价单元相比勘探程度较高的类比评价单元,进行上述第一步到第七步的相同的评价流程,确定其是否呈现相同的统计学差异;
第九步:整理结果,做出在不同的置信概率下,对于目标评价单元的待发现资源量和油气田个数的空间分布特征的判断。
10.根据权利要求9所述的方法,其特征在于,在第八步中,获取类比评价单元与目标评价单元的计算结果之间的差异,如果差异大于容忍值则重新评价类比评价单元与目标评价单元之间的石油地质条件的可类比性,若最后确定两者之间可类比,则以类比评价单元的结果为准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610529454.7A CN107589466B (zh) | 2016-07-06 | 2016-07-06 | 一种用于评价待发现资源量空间分布特征的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610529454.7A CN107589466B (zh) | 2016-07-06 | 2016-07-06 | 一种用于评价待发现资源量空间分布特征的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107589466A true CN107589466A (zh) | 2018-01-16 |
CN107589466B CN107589466B (zh) | 2019-04-02 |
Family
ID=61046197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610529454.7A Active CN107589466B (zh) | 2016-07-06 | 2016-07-06 | 一种用于评价待发现资源量空间分布特征的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107589466B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110318744A (zh) * | 2018-03-30 | 2019-10-11 | 中国石油化工股份有限公司 | 一种用于预测页岩气资源的方法 |
CN110490436A (zh) * | 2019-07-31 | 2019-11-22 | 中国地质科学院地质力学研究所 | 一种油气资源量评价方法及评价*** |
CN112288217A (zh) * | 2020-09-17 | 2021-01-29 | 中国石油天然气股份有限公司 | 一种勘探评价的方法、装置以及可读存储介质 |
CN114254960A (zh) * | 2022-02-28 | 2022-03-29 | 中国地质科学院地质力学研究所 | 一种低勘探程度区油气资源的评价方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1166151A1 (en) * | 1999-04-01 | 2002-01-02 | ADNR Technology Services GmbH | Method and apparatus for investigating an area with respect to presence/absence of predetermined geophysical subterranean properties |
CN101726761A (zh) * | 2008-10-15 | 2010-06-09 | 中国石油天然气股份有限公司 | 一种风险约束的油气资源空间分布预测方法 |
CN102707333A (zh) * | 2012-06-06 | 2012-10-03 | 陕西延长石油(集团)有限责任公司研究院 | 页岩气资源量/储量的测量方法 |
CN104405433A (zh) * | 2014-10-21 | 2015-03-11 | 中煤科工集团重庆研究院有限公司 | 一种煤层瓦斯抽采效果动态评价方法 |
CN105093348A (zh) * | 2014-04-25 | 2015-11-25 | 中国石油化工股份有限公司 | 一种多层油气资源量预测方法 |
CN105298485A (zh) * | 2015-11-13 | 2016-02-03 | 西南石油大学 | 一种单井油气地质综合评价方法 |
-
2016
- 2016-07-06 CN CN201610529454.7A patent/CN107589466B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1166151A1 (en) * | 1999-04-01 | 2002-01-02 | ADNR Technology Services GmbH | Method and apparatus for investigating an area with respect to presence/absence of predetermined geophysical subterranean properties |
CN101726761A (zh) * | 2008-10-15 | 2010-06-09 | 中国石油天然气股份有限公司 | 一种风险约束的油气资源空间分布预测方法 |
CN102707333A (zh) * | 2012-06-06 | 2012-10-03 | 陕西延长石油(集团)有限责任公司研究院 | 页岩气资源量/储量的测量方法 |
CN105093348A (zh) * | 2014-04-25 | 2015-11-25 | 中国石油化工股份有限公司 | 一种多层油气资源量预测方法 |
CN104405433A (zh) * | 2014-10-21 | 2015-03-11 | 中煤科工集团重庆研究院有限公司 | 一种煤层瓦斯抽采效果动态评价方法 |
CN105298485A (zh) * | 2015-11-13 | 2016-02-03 | 西南石油大学 | 一种单井油气地质综合评价方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110318744A (zh) * | 2018-03-30 | 2019-10-11 | 中国石油化工股份有限公司 | 一种用于预测页岩气资源的方法 |
CN110318744B (zh) * | 2018-03-30 | 2022-01-21 | 中国石油化工股份有限公司 | 一种用于预测页岩气资源的方法 |
CN110490436A (zh) * | 2019-07-31 | 2019-11-22 | 中国地质科学院地质力学研究所 | 一种油气资源量评价方法及评价*** |
CN112288217A (zh) * | 2020-09-17 | 2021-01-29 | 中国石油天然气股份有限公司 | 一种勘探评价的方法、装置以及可读存储介质 |
CN114254960A (zh) * | 2022-02-28 | 2022-03-29 | 中国地质科学院地质力学研究所 | 一种低勘探程度区油气资源的评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107589466B (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qi et al. | Neural network prediction of carbonate lithofacies from well logs, Big Bow and Sand Arroyo Creek fields, Southwest Kansas | |
Wang et al. | Marcellus shale lithofacies prediction by multiclass neural network classification in the Appalachian Basin | |
Amiri et al. | Improving water saturation estimation in a tight shaly sandstone reservoir using artificial neural network optimized by imperialist competitive algorithm–A case study | |
CN107589466B (zh) | 一种用于评价待发现资源量空间分布特征的方法 | |
KR102170765B1 (ko) | 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법 | |
Lu et al. | Improved estimation of coalbed methane content using the revised estimate of depth and CatBoost algorithm: A case study from southern Sichuan Basin, China | |
Elkatatny | A self-adaptive artificial neural network technique to predict total organic carbon (TOC) based on well logs | |
Maschio et al. | A framework to integrate history matching and geostatistical modeling using genetic algorithm and direct search methods | |
Lee et al. | Regeneration of channelized reservoirs using history-matched facies-probability map without inverse scheme | |
Purba et al. | A new hierarchical method for rock classification using well-log-based rock fabric quantification | |
Jain et al. | Class-based machine learning for next-generation wellbore data processing and interpretation | |
CN112576238B (zh) | 一种低渗透油藏剩余油位置与含量测定***、方法及应用 | |
Anifowose et al. | A functional networks-type-2 fuzzy logic hybrid model for the prediction of porosity and permeability of oil and gas reservoirs | |
Chang et al. | Integrated work flow of preserving facies realism in history matching: Application to the Brugge field | |
Wang et al. | Well log prediction while drilling using seismic impedance with an improved LSTM artificial neural networks | |
Ambastha | Guidelines for Uncertainty Assessment using Reservoir Simulation Models for Green-and Brown-field Situations | |
Carrasquilla et al. | Simulating porosity and permeability of the nuclear magnetic resonance (NMR) log in carbonate reservoirs of campos basin, southeastern Brazil, using conventional logs and artificial intelligence approaches | |
Ja’fari et al. | Integration of adaptive neuro-fuzzy inference system, neural networks and geostatistical methods for fracture density modeling | |
EP3579026B1 (en) | Method of characterising a subsurface region using multiple point statistics | |
Kim et al. | Improved prediction of shale gas productivity in the Marcellus shale using geostatistically generated well-log data and ensemble machine learning | |
Park et al. | Improved UCR development decision through probabilistic modeling with convolutional neural network | |
Arkalgud et al. | Domain Transfer Analysis–A Robust New Method for Petrophysical Analysis | |
Boisvert | Mineral deposit modeling with pseudo-genetically constructed training images | |
Ren et al. | Global resource uncertainty using a spatial/multivariate decomposition approach | |
Soltani et al. | Optimum locating of additional drillholes to optimize the statistical value of information |
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 |