CN110554427A - 一种基于地震波形正演的岩性组合预测方法 - Google Patents
一种基于地震波形正演的岩性组合预测方法 Download PDFInfo
- Publication number
- CN110554427A CN110554427A CN201910664786.XA CN201910664786A CN110554427A CN 110554427 A CN110554427 A CN 110554427A CN 201910664786 A CN201910664786 A CN 201910664786A CN 110554427 A CN110554427 A CN 110554427A
- Authority
- CN
- China
- Prior art keywords
- seismic
- data
- lithology
- speed
- combination
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 7
- 238000011160 research Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 5
- 239000004576 sand Substances 0.000 description 7
- 238000005553 drilling Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000035126 Facies Diseases 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000011435 rock Substances 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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
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)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于地震波形正演的岩性组合预测方法，利用井上得到的岩性组合关系及其特征将研究区的岩性组合的类型进行分类统计，根据不同的岩性组合统计对应岩性组合的速度、密度和厚度的范围；对地震资料进行频谱分析确定其有效的频率范围，在该频率范围内随机选取固定频率的地震子波；将岩性组合的速度、密度数据和地震子波数据进行褶积运算得到地震波形数据，通过时频分析将地震波形数据转换成二维图片；将二维图片与对应的岩性组合类型构成深度学习训练样本，采用卷积神经网络进行模型的训练；利用训练好的模型可以预测实际地震波形的岩性组合类型。本发明能够快速确定岩性组合的分布，预测准确性高，便于推广使用。
Description
技术领域
本发明涉及地球物理勘探地震解释及综合研究领域，特别是一种基于地震波形正演的岩性组合预测方法。
背景技术
岩性组合是指岩性在横向或纵向上的组合排列关系，是反映岩石生成环境的重要标志之一。在石油勘探领域，钻井或录井得到岩性组合主要是指垂向上的组合关系，是开展地质特征和沉积相分析的重要基础资料。但钻井或录井得到的岩性组合数据只有下打井的位置才能获得，是一孔之见。在进行区域地质研究中，人们更希望能够获得空间上的岩性组合数据。
利用三维地震资料是获取空间地质构造、岩性等信息的有效途径，但受其分辨率的影响，地震波形反映的是地层上大套的岩性组合的叠加特征，存在较大的不确定性。传统的岩性组合分类方法，主要是通过地震波形聚类的方法将地震波形分成几类，再利用井数据进行标定，判断该类代表什么样的岩性组合。这种方法直接利用地震波形数据进行聚类，无法将井上的岩性组合数据特征加入到聚类过程中去，同时聚类的结果不可控，只能选择分成几类，分类太细可能无法聚类，分类太粗可能造成同一类存在不同的岩性组合。
人工智能技术可以从大量的样本数据中挖掘其潜在的相关关系，地震波形数据和岩性组合之间同样也存在着某种联系，但是由于实际钻井数据有限，能够通过井数据标记的样本数据往往达不到人工智能方法的应用要求。因此，采用地震波形正演和人工智能方法相结合的方法能够解决训练样本和预测准确性的问题。
发明内容
本发明的目的是要解决现有技术中存在的不足，提供一种基于地震波形正演的岩性组合预测方法。
为达到上述目的，本发明是按照以下技术方案实施的：
一种基于地震波形正演的岩性组合预测方法，包括以下步骤：
步骤1：首先将研究区的岩性组合的类型进行分类统计，根据不同的岩性组合统计对应岩性组合的速度、密度和厚度的范围；
步骤2：按照步骤1统计的岩性组合的速度、密度和厚度范围，采用蒙特卡洛随机模拟的方法随机选取一种岩性组合的速度值、密度值和厚度值，将速度值和厚度值转换成双程旅行时间，将该双程旅行时间值按照设定的时间间隔进行采样从而转换得到对应岩性组合的速度和密度数据；
步骤3：对地震资料进行频谱分析确定其有效的频率范围，在该频率范围内随机选取固定频率的地震子波；
步骤4：将由步骤2得到的岩性组合的速度、密度数据和步骤3得到的地震子波数据进行褶积运算得到地震波形数据，并通过时频分析将地震波形数据转换成二维图片；
步骤5：将由步骤4得到的二维图片与对应的岩性组合类型构成深度学习训练样本，采用卷积神经网络进行模型的训练，得到训练好的卷积神经网络模型；
步骤6：将实际地震数据按照训练样本的长度，通过同样的时频分析方法转换成二维图片，并加载到训练好的卷积神经网络模型中进行岩性类别的判断，取最大概率值对应的岩性组合类别作为预测结果。
进一步，所述步骤2中将速度值和厚度值转换成双程旅行时间的计算公式为：2*厚度/速度。
进一步，所述步骤2中，在进行岩性组合的速度、密度数据转换时，增加一个初始的泥岩作为背景速度和密度，泥岩厚度为20m。
进一步，所述步骤3中，采用傅里叶变换进行频谱分析得到地震资料的频谱，所述有效的频率范围是在频率能量下降到最大值的一半处所对应的2个频率分别对应有效的频率范围的最小、最大值。
进一步，所述步骤4具体包括：
1)将由步骤2得到的岩性组合的速度、密度数据通过波阻抗计算方法得到反射系数：
HN为某一个深度或时间值，ρNρN-1为上下两个点的密度值，VNVN-1为上下两个点的速度值；
2)将地震子波和反射系数褶积后得到地震波形数据；
3)地震波形数据包括由背景速度和密度得到的背景数据，将该背景数据删除；
4)时频分析采用的是连续小波变换方法CWT，通过设置不同的小波尺度来进行分频，采样间隔与合成地震波形的采样间隔一致，通过时频分析得到的二维数据为一个二维图片。
进一步，所述步骤4中，二维图片的纵向坐标是地震波形的时间轴、横向坐标是地震波形的频率轴。
进一步，所述步骤5中的卷积神经网络包括输入、输出层、3层的卷积层、1层的池化层和1层全连接层，总训练参数在200万个参数以上。
进一步，所述深度学习训练样本按照随机选取的方式70％用于训练，20％用于交叉验证，10％用于测试，卷积神经网络模型通过随机选取小批量样本多次迭代的方式进行训练优化，经过训练后的预测精度在90％以上，作为最终的卷积神经网络模型。
与现有技术相比，本发明利用井上得到的岩性组合关系及其特征，将复杂的岩性组合简化为几种能够反映地层沉积特征的岩性组合；并根据统计得到的不同岩性的速度、密度和厚度区间，随机生成大量可靠速度、密度数据；根据地震褶积模型，将这些数据转换为地震波形数据，并通过连续小波变换方法将地震波形数据转换为时频数据；利用得到的时频数据和对应的岩性组合类别构成了学习的样本数据，样本数据能够通过随机抽取产生上万种；通过设计的卷积神经网络可以对这些样本进行学习建立训练模型，经过多次迭代后训练模型能够满足预测需要；最后，将实际地震道按照训练数据的长度输入到模型中进行预测，能够得到全区的岩性组合类型分布的预测图。本发明能够快速确定岩性组合的分布，且本发明的方法预测准确性高，便于推广使用。
附图说明
图1为本发明具体实施例的砂泥岩速度统计。
图2为本发明具体实施例的砂泥岩密度统计。
图3为本发明具体实施例的地震资料频谱分析。
图4为本发明具体实施例的岩性组合褶积模型计算。
图5为本发明具体实施例的部分岩性组合波形。
图6为本发明具体实施例的地震波形转换成时频图像。
图7为本发明具体实施例的模型训练误差和精度对比图。
图8为本发明具体实施例的沿某层岩性组合类型分布图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明，并不用于限定发明。
本实施例的一种基于地震波形正演的岩性组合预测方法，包括如下步骤：
步骤1：钻井资料岩性组合统计
根据井资料将研究区的岩性组合类型进行分类统计，主要通过岩性厚度变化和岩性的排列组合关系来进行分类。将该区岩性组合分成4类，即厚砂+薄泥组合：砂岩厚度范围[30,35]m,泥岩厚度范围[3,10]m、厚泥+厚砂组合：砂岩厚度范围[20,30]m,泥岩厚度范围[30,35]m、厚泥+薄砂组合：砂岩厚度范围[10,20]m泥岩厚度范围[40,50]m和泥+砂质泥组合：砂岩厚度范围[5,10]m，泥岩厚度范围[40,60]m，根据不同的岩性组合统计对应岩性的速度、密度和厚度的范围。如图1和图2为砂泥岩的速度和密度统计交互图，砂岩速度范围[3400,4500]m/s,泥岩速度范围[2500,3500]m/s,砂体密度范围[2,2.6]g/m3,泥岩密度范围[1.8,2.8]g/m3。
步骤2：按照步骤1中得到的不同岩性组合类型分别根据统计该类型组合的速度、密度和厚度范围，将岩性组合下每一种岩性采用蒙特卡洛方法随机选取该范围内的速度、密度和厚度值，并通过2*厚度/速度得到岩性的双程旅行时间值，将该时间值按照0.002s进行采样得到对应的速度和密度数据。具体实施步骤如下：
A:给定地震波形正演的采样点数和采样间隔，如一个采样点数为50，采样间隔为2ms，对应一个100ms的地震波长度；
B:选择一种岩性组合类型及其对应的速度、密度、厚度范围，设置一个初始的泥岩作为背景速度和密度，长度为20；
C:根据随机抽取砂岩厚度、速度，按照计算公式(2*厚度/速度)得到砂岩的采样点数，根据随机抽取泥岩厚度、速度，按照计算公式(2*厚度/速度)得到泥岩的采样点数；
D:重复步骤C，直到采样点数达到50；
E:实际输出长度为70个的时间域速度和密度数据，其中前面20个为背景数据。
步骤3：对地震资料进行频谱分析确定其有效的频率范围，在该频率范围内随机选取固定频率的地震子波。根据图3所得到的地震频谱图能量一半对应的频率范围设定为[7,42]Hz。地震子波采用雷克子波，长度为50，频率在[7,42]Hz中随机选择。
步骤4：将由步骤2得到的速度、密度数据生成反射系数和步骤3得到的子波数据进行褶积运算得到地震波形数据，并通过时频分析将其转换成二维图片，具体步骤如下：
A:将步骤2得到的速度、密度数据通过如下公式计算形成反射系数曲线：
HN为某一个深度或时间值，ρNρN-1为上下两个点的密度值，VNVN-1为上下两个点的速度值；
B：将得到的反射系数曲线和随机选择频率的地震子波通过褶积运行后可以生成一组地震波形数据，如图4所示；
C:通过随机抽取不同的速度、密度、厚度和子波频率能够生成大量的合成地震波形数据，地震波形长度为50个采样点，100ms，如图5所示；
D：将得到的地震波形数据通过连续小波变换方法进行时频分解，能够得到对应的时频图像，频率分解个数为60，对应频率范围为5-65Hz，如图6所示。每一张时频图像大小为50*60，并且都能够通过追溯得到对应的岩性组合类型，这样就构建了大量带标签的样本数据。
步骤5：通过步骤4可以得到大量随机生成的二维数据和对应的岩性组合类型，从而构成能够满足深度学习的样本库，采用卷积神经网络方法进行模型的训练，最终得到一个较好的预测模型，其具体实施步骤如下：
A：将训练样本数据进行随机抽取打乱顺序，将样本按照70％用于训练，20％用于交叉验证,10％用于测试。30000个样本总数划分如下，21000个样本用于训练，6000个样本用于交叉验证，3000个样本用于测试；
B：21000个训练样本，每次随机选取128个(minbatch)样本作为一次训练的批次，一个epochs将迭代21000次训练；
C:训练模型采用7层的卷积神经网络模型，包括输入、输出层、3层的卷积层、1层的池化层和1层全连接层，总训练参数一般在200万个参数以上。输入的样本数据大小为50*60＝3000，50代表地震波形的长度，60是频率分解的个数。输出层为一个长度为4的向量，代表着每一种岩性组合的概率。中间隐含卷积层采样的3*3的卷积核，池化层为2*2的最大值池化；
D：训练后通过对比训练集和测试集上的误差和精度对训练效果进行评价，当测试集上预测精度在85％以上时认为卷积神经网络模型能够达到预期效果，此时作为训练好的卷积神经网络模型。图7为模型训练误差和精度对比图。
步骤6：将实际地震数据按照训练样本的长度50个采样点，通过同样的时频分析参数和方法转换成二维的图片，大小为50*60。并加载到训练好的模型中进行岩性类别的判断，取最大概率值对应的岩性类别作为预测结果。图8为沿着某一层选取长度为50的地震波形数据，每一个地震道预测的结果组成了平面上的岩性组合类型分布图。
本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。
Claims (8)
1.一种基于地震波形正演的岩性组合预测方法，其特征在于，包括以下步骤：
步骤1：首先将研究区的岩性组合的类型进行分类统计，根据不同的岩性组合统计对应岩性组合的速度、密度和厚度的范围；
步骤2：按照步骤1统计的岩性组合的速度、密度和厚度范围，采用蒙特卡洛随机模拟的方法随机选取一种岩性组合的速度值、密度值和厚度值，将速度值和厚度值转换成双程旅行时间，将该双程旅行时间值按照设定的时间间隔进行采样从而转换得到对应岩性组合的速度和密度数据；
步骤3：对地震资料进行频谱分析确定其有效的频率范围，在该频率范围内随机选取固定频率的地震子波；
步骤4：将由步骤2得到的岩性组合的速度、密度数据和步骤3得到的地震子波数据进行褶积运算得到地震波形数据，并通过时频分析将地震波形数据转换成二维图片；
步骤5：将由步骤4得到的二维图片与对应的岩性组合类型构成深度学习训练样本，采用卷积神经网络进行模型的训练，得到训练好的卷积神经网络模型；
步骤6：将实际地震数据按照训练样本的长度，通过同样的时频分析方法转换成二维图片，并加载到训练好的卷积神经网络模型中进行岩性类别的判断，取最大概率值对应的岩性组合类别作为预测结果。
2.根据权利要求1所述的基于地震波形正演的岩性组合预测方法，其特征在于，所述步骤2中将速度值和厚度值转换成双程旅行时间的计算公式为：2*厚度/速度。
3.根据权利要求2所述的基于地震波形正演的岩性组合预测方法，其特征在于：所述步骤2中，在进行岩性组合的速度、密度数据转换时，增加一个初始的泥岩作为背景速度和密度，泥岩厚度为20m。
4.根据权利要求1所述的基于地震波形正演的岩性组合预测方法，其特征在于：所述步骤3中，采用傅里叶变换进行频谱分析得到地震资料的频谱，所述有效的频率范围是在频率能量下降到最大值的一半处所对应的2个频率分别对应有效的频率范围的最小、最大值。
5.根据权利要求3所述的基于地震波形正演的岩性组合预测方法，其特征在于，所述步骤4具体包括：
1)将由步骤2得到的岩性组合的速度、密度数据通过波阻抗计算方法得到反射系数：
HN为某一个深度或时间值，ρNρN-1为上下两个点的密度值，VNVN-1为上下两个点的速度值；
2)将地震子波和反射系数褶积后得到地震波形数据；
3)地震波形数据包括由背景速度和密度得到的背景数据，将该背景数据删除；
4)时频分析采用的是连续小波变换方法CWT，通过设置不同的小波尺度来进行分频，采样间隔与合成地震波形的采样间隔一致，通过时频分析得到的二维数据为一个二维图片。
6.根据权利要求5所述的基于地震波形正演的岩性组合预测方法，其特征在于：所述步骤4中，二维图片的纵向坐标是地震波形的时间轴、横向坐标是地震波形的频率轴。
7.根据权利要求1所述的基于地震波形正演的岩性组合预测方法，其特征在于：所述步骤5中的卷积神经网络包括输入、输出层、3层的卷积层、1层的池化层和1层全连接层，总训练参数在200万个参数以上。
8.根据权利要求7所述的基于地震波形正演的岩性组合预测方法，其特征在于：所述深度学习训练样本按照随机选取的方式70％用于训练，20％用于交叉验证，10％用于测试，卷积神经网络模型通过随机选取小批量样本多次迭代的方式进行训练优化，经过训练后的预测精度在90％以上，作为最终的卷积神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910664786.XA CN110554427B (zh) | 2019-07-23 | 2019-07-23 | 一种基于地震波形正演的岩性组合预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910664786.XA CN110554427B (zh) | 2019-07-23 | 2019-07-23 | 一种基于地震波形正演的岩性组合预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110554427A true CN110554427A (zh) | 2019-12-10 |
| CN110554427B CN110554427B (zh) | 2024-04-26 |
Family
ID=68735855
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910664786.XA Active CN110554427B (zh) | 2019-07-23 | 2019-07-23 | 一种基于地震波形正演的岩性组合预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110554427B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112434878A (zh) * | 2020-12-09 | 2021-03-02 | 同济大学 | 一种基于Cascade样本均衡的地震流体预测方法 |
| CN113159136A (zh) * | 2021-03-30 | 2021-07-23 | 中铁第四勘察设计院集团有限公司 | 一种孔内数据融合的地层划分方法、装置、设备和存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016041189A1 (zh) * | 2014-09-19 | 2016-03-24 | 杨顺伟 | 一种评价页岩气储层及寻找甜点区的方法 |
| CN106707340A (zh) * | 2016-12-13 | 2017-05-24 | 中国石油天然气股份有限公司大港油田分公司 | 一种火山岩岩相的预测方法 |
| CN106842307A (zh) * | 2015-12-04 | 2017-06-13 | 中国石油化工股份有限公司 | 一种基于正演约束下波形分类再检索的储层精细预测方法 |
| KR20180120413A (ko) * | 2017-04-27 | 2018-11-06 | (주)지오룩스 | 자기지전류 모니터링 데이터 처리 및 분석 시스템 |
| CN108802812A (zh) * | 2017-04-28 | 2018-11-13 | 中国石油天然气股份有限公司 | 一种井震融合的地层岩性反演方法 |
| CN109271898A (zh) * | 2018-08-31 | 2019-01-25 | 电子科技大学 | 基于优化卷积神经网络的溶洞体识别算法 |
| EP3441795A1 (de) * | 2017-08-09 | 2019-02-13 | Sick AG | Sensor zur erfassung eines objekts und verfahren zum einstellen eines schaltpunktes |
| US20190064389A1 (en) * | 2017-08-25 | 2019-02-28 | Huseyin Denli | Geophysical Inversion with Convolutional Neural Networks |
| CN109828304A (zh) * | 2019-03-08 | 2019-05-31 | 中国海洋石油集团有限公司 | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 |
-
2019
- 2019-07-23 CN CN201910664786.XA patent/CN110554427B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016041189A1 (zh) * | 2014-09-19 | 2016-03-24 | 杨顺伟 | 一种评价页岩气储层及寻找甜点区的方法 |
| CN106842307A (zh) * | 2015-12-04 | 2017-06-13 | 中国石油化工股份有限公司 | 一种基于正演约束下波形分类再检索的储层精细预测方法 |
| CN106707340A (zh) * | 2016-12-13 | 2017-05-24 | 中国石油天然气股份有限公司大港油田分公司 | 一种火山岩岩相的预测方法 |
| KR20180120413A (ko) * | 2017-04-27 | 2018-11-06 | (주)지오룩스 | 자기지전류 모니터링 데이터 처리 및 분석 시스템 |
| CN108802812A (zh) * | 2017-04-28 | 2018-11-13 | 中国石油天然气股份有限公司 | 一种井震融合的地层岩性反演方法 |
| EP3441795A1 (de) * | 2017-08-09 | 2019-02-13 | Sick AG | Sensor zur erfassung eines objekts und verfahren zum einstellen eines schaltpunktes |
| US20190064389A1 (en) * | 2017-08-25 | 2019-02-28 | Huseyin Denli | Geophysical Inversion with Convolutional Neural Networks |
| CN109271898A (zh) * | 2018-08-31 | 2019-01-25 | 电子科技大学 | 基于优化卷积神经网络的溶洞体识别算法 |
| CN109828304A (zh) * | 2019-03-08 | 2019-05-31 | 中国海洋石油集团有限公司 | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 |
Non-Patent Citations (4)
| Title |
|---|
| 吕金龙等: "岩性波阻抗正演模拟差异方法在储层预测中的应用", 《大庆石油地质与开发》 * |
| 吕金龙等: "岩性波阻抗正演模拟差异方法在储层预测中的应用", 《大庆石油地质与开发》, vol. 35, no. 04, 31 August 2016 (2016-08-31), pages 135 - 139 * |
| 陈志刚等: "低频地震资料分频反演在滨里海盆地中区块的应用", 《石油地球物理勘探》 * |
| 陈志刚等: "低频地震资料分频反演在滨里海盆地中区块的应用", 《石油地球物理勘探》, vol. 53, 31 December 2018 (2018-12-31), pages 261 - 265 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112434878A (zh) * | 2020-12-09 | 2021-03-02 | 同济大学 | 一种基于Cascade样本均衡的地震流体预测方法 |
| CN112434878B (zh) * | 2020-12-09 | 2022-09-20 | 同济大学 | 一种基于Cascade样本均衡的地震流体预测方法 |
| CN113159136A (zh) * | 2021-03-30 | 2021-07-23 | 中铁第四勘察设计院集团有限公司 | 一种孔内数据融合的地层划分方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110554427B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mousavi et al. | Deep-learning seismology | |
| CN113759425B (zh) | 井震联合评价深层古岩溶储层充填特征的方法与*** | |
| CN111551992B (zh) | 岩石储层构造表征方法、装置、计算机可读存储介质及电子设备 | |
| EP3254142B1 (en) | A method for determining sedimentary facies using 3d seismic data | |
| US11802985B2 (en) | Method and system for analyzing filling for karst reservoir based on spectrum decomposition and machine learning | |
| CN108931814B (zh) | 一种基于多属性融合的基岩裂缝预测的方法 | |
| CN109061765B (zh) | 非均质薄砂岩互层油藏的圈闭评价方法 | |
| CN110609320B (zh) | 一种基于多尺度特征融合的叠前地震反射模式识别方法 | |
| Eidsvik et al. | Estimation of geological attributes from a well log: an application of hidden Markov chains | |
| CN104122581B (zh) | 一种叠后声波阻抗反演方法 | |
| Wang et al. | Quantitative thickness prediction of tectonically deformed coal using Extreme Learning Machine and Principal Component Analysis: a case study | |
| CN106556867A (zh) | 基于贝叶斯分类的相控孔隙度反演方法 | |
| CN110554427B (zh) | 一种基于地震波形正演的岩性组合预测方法 | |
| Zhang et al. | Seismic lithology/fluid prediction via a hybrid ISD-CNN | |
| CN117452518B (zh) | 基于多学科数据融合聚类算法的储层岩性预测方法 | |
| Zeng et al. | Impact of sedimentary facies on machine learning of acoustic impedance from seismic data: Lessons from a geologically realistic 3D model | |
| CN110118994B (zh) | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 | |
| CN109425889B (zh) | 一种用于刻画古岩溶暗河的方法 | |
| Li* et al. | VMD based sedimentary cycle division for unconventional facies analysis | |
| CN113419278B (zh) | 一种基于状态空间模型与支持向量回归的井震联合多目标同时反演方法 | |
| Yazid et al. | Machine learning-based techniques for reservoir characterization using rock-typing from well logs | |
| Dai et al. | Stratigraphic automatic correlation using SegNet semantic segmentation model | |
| CN114462703A (zh) | 声波参数曲线预测、测井曲线预测方法及电子设备 | |
| CN113514884A (zh) | 一种致密砂岩储层预测方法 | |
| CN112147676A (zh) | 一种煤层及夹矸厚度预测方法 |
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 |