CN110927793B - 一种基于序贯随机模糊模拟的储层预测方法及*** - Google Patents
一种基于序贯随机模糊模拟的储层预测方法及*** Download PDFInfo
- Publication number
- CN110927793B CN110927793B CN201911178292.7A CN201911178292A CN110927793B CN 110927793 B CN110927793 B CN 110927793B CN 201911178292 A CN201911178292 A CN 201911178292A CN 110927793 B CN110927793 B CN 110927793B
- Authority
- CN
- China
- Prior art keywords
- simulated
- random
- data
- grid
- point
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000004088 simulation Methods 0.000 title claims abstract description 91
- 238000009826 distribution Methods 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000001186 cumulative effect Effects 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000011160 research Methods 0.000 claims description 68
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008901 benefit Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 208000035126 Facies Diseases 0.000 description 2
- 230000001143 conditioned effect Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 238000010521 absorption reaction 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
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- 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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于序贯随机模糊模拟的储层预测方法及***,该方法综合模糊识别方法与序贯随机模拟方法,包括:地震属性优选;网格***及随机路径建立;条件数据搜搜;根据待模拟点搜索到的条件数据,构建模拟模型,其中模拟模型是根据模糊识别方法和序贯随机模拟方法建立的;根据模拟模型建立待模拟点的累计概率分布,并随机抽样,得到待模拟点的气层厚度值;所有网格点都模拟完,即完成一次模拟;重复上述步骤得到多个不同的气层厚度模拟结果。通过本发明的方法,可以解决测井数据和地震属性融合的问题以及地质变量空间结构的问题,表征了储层预测过程中的多解性和不确定性。
Description
技术领域
本发明涉及油气储层预测领域,具体而言,涉及一种基于序贯随机模糊模拟的储层预测方法及***,实现油气领域储层的高精度预测。
背景技术
油气田勘探过程中,为了科学合理、最大限度地开采出地下油气资源,提高油气采收率变得至关重要。因此,需要充分利用地震、测井等地质资料开展储层预测的研究,进一步落实油藏地质参数,指导开发方案的实施。
储层预测过程中,由于不同区块的勘探资料不同,而且勘探程度不一导致储层描述往往具有不确定性,储层预测结果便具有多解性。因此,减少预测结果的多解性、提高预测精度是储层预测的永恒话题。
传统的储层预测方法主要包括模式识别方法和地质统计学方法。模式识别方法能够综合测井和地震数据建立储层预测模型,但是井震数据属于地质变量,不同于纯数学变量,其在空间具有随机性和结构性特点,导致其建立的模型不能如实地反映地下地质体变化的非均质性、随机性和结构性,不能满足油藏数值模拟的要求。而以序贯高斯模拟为代表的地质统计学方法充分考虑了地质变量的空间结构特征,使用精确度较高的测井数据开展储层预测,但是该方法忽略了横向上丰富的地震信息,导致其预测精度存在很大不确定性。
但是在目前的技术方案中,仍然没有出现将两者优点集合在一起,并进一步突出其优点,弱化其缺点,以进一步提高储层预测的准确性。
发明内容
为解决上述问题,本发明的目的在于提供一种基于序贯随机模糊模拟的储层预测方法及***,使用模糊识别方法来融合测井和地震属性,并结合序贯随机模拟方法解决地质变量空间结构的问题。
本发明提供了一种基于序贯随机模糊模拟的储层预测方法,包括如下步骤:
步骤100、地震属性优选,根据地震数据提取得到地震属性平面分布图,并结合研究区测井数据及地震属性数据,筛选出对储层敏感的地震属性数据;
步骤200、网格***及随机路径建立,根据地震属性平面图确定研究区网格***网格节点的个数,并通过伪随机数建立访问网格节点的随机路径,根据随机路径遍历每个待模拟的网格节点;
步骤300、条件数据搜索,依据待模拟点搜索周边的条件数据;
步骤400、模拟模型建立,根据搜索到的条件数据,采用模糊识别方法和序贯随机模拟方法构建序贯随机模糊模拟模型;
步骤500、储层厚度平面图预测,根据序贯随机模糊模拟模型建立待模拟网格节点的累计概率分布,并通过随机抽样得到待模拟点的储层厚度值,根据随机路径访问下一个待模拟点,直至所有网格节点模拟完,得到研究区储层厚度的离散分布模拟结果,通过插值方法得到研究区储层厚度平面预测图;
步骤600、多个模拟结果获取,通过建立不同的随机路径得到研究区多个储层厚度预测结果。
进一步地,步骤200具体包括:
步骤201、根据研究区范围及地震属性平面图的网格间距确定网格节点的个数,每个待模拟的网格节点包含提取的多个地震属性及待模拟网格节点的储层厚度信息,待模拟网格节点具体表述为Sj[vj1,vj2,…,vjm,…,vjp],其中j为研究区网格节点索引值,总个数为L,p为地震属性的个数,vjm为第j个网格节点样本点处第m个地震属性值;
步骤202、根据rand函数建立伪随机数,并根据建立的伪随机数对网格节点的个数进行编码,再通过伪随机数建立访问网格节点的随机路径,基于建立的随机路径访问每个网格节点。
进一步地,在步骤200中,所述随机路径的确定方式为:
在伪随机数对网格节点进行编码的基础上,将所有的网格节点以伪随机数作为标识,将其从***中剥离出来作为独立的原始样本形成数据库;
将数据库中的原始样本进行数据化作为统计数据的样本;
设定随机路径生成的正态分布模型,并根据随机路径的生成需求确定正太分布模型的参数;
将数据库中的数据样本送入正态分布模型中并得到分布柱状图;
依据选择精度确定相应的区间,并将位于区间内的数据样本点上标识,将点上标识后的数据样本以伪随机数为依据恢复到地震属性平面图上;
以标识点作为随机路径的锚定点确定访问路线。
进一步地,步骤300中所述条件数据包括测井数据及已模拟数据,所述已模拟数据是根据假设的模拟模型得到的待模拟点的储层厚度值,已模拟数据具体表述为ASk[vk1,vk2,…,vkp,vkk],其中k为研究区设定模拟模型中网格节点索引值,总个数为L,vkp为设定模拟模型中第k个网格节点样本点处第p个地震属性值。
进一步地,在步骤300中,依据待模拟的网格节点搜索周边条件数据的具体步骤为:
步骤301、在整个研究区内将待模拟的网格节点分为固定节点和随机节点,其中所述固定节点是按照相同的规则均匀分布在整个研究区内,所述随机节点是按照预先预测结果的优势区范围内随机加密的网格节点;
步骤302、以随机节点作为优势点,并且按照相同的规则延伸至整个研究区的所有网格节点上,将所有涉及到的网格节点均作为源点;
步骤303、以每一个源点作为搜索的起始点开始向周围的其它网格节点顺次展开直至与其它源点的搜索范围重合。
进一步地,在步骤303中,当不同源点的搜索范围重合时,对每一个源点所覆盖边界的网格节点进行二次搜索,并且不同源点的搜索结果分别保存再进行比对,当两者的结果相同时进行下一步,当两者结果不同时则自主修改网格节点上的参数在该区域内重新搜索。
进一步地,步骤400具体包括:
设定待模拟点为Sj,根据周围搜索到的条件数据,建立n个模糊规则,其中n=n1+n2,n1为搜索到的测井数据,n2为已模拟点的数据,建立所搜索到条件数据的均值和方差,并求取模糊规则,具体为:
其中,为所检索到条件数据的均值,为搜索到的条件数据的第m个地震属性值的标准方差,为搜索到的条件数据的第p个地震属性值的标准方差,vtm表示第t个条件数据第m个地震属性值,vtp表示第t个条件数据第p个地震属性值,1≤t≤n,1≤m≤p,n为条件数据的个数,p为研究区网格节点索引值的总个数,Rt为第t个条件数据的模糊规则;
在隶属度函数计算中加入变差函数的权重:
μjt=(1-λt)(Sj→Rt);
式中,μjt为第j个待模拟网格节点隶属于第t种规则的隶属度;
→表示待模拟点Sj隶属于模糊规则Rt的隶属度,隶属度计算使用高斯隶属度函数,待模拟点的p个地震属性参与计算,具体计算过程为:
另外,设定[λ]为搜索到n个条件数据的权重,矩阵中每个变量λt为每条规则Rt对Sj的贡献,λt根据克里格方程[K][λ]=[M]求解,其具体为:
式中,γjt为样本Sj与Rt的井点变差函数值,γtc搜索到的条件数据之间的地震变差函数值,1≤j≤L,1≤t,c≤n,对于搜索到的不同数据使用不同的变差函数,搜索到的井点数据使用井点变差函数,搜索到的已模拟点使用地震变差函数。
进一步地,在步骤500中所述累计概率分布的建立过程为:
根据求取的待模拟点隶属于每条模糊规则的隶属度,将其转换为待模拟点Sj属于每条模糊规则的权重,其计算公式为:
其中,Pjt为第j个模拟点属于每个条件数据的权重;
根据得到的条件数据权重,并按照已知储层厚度的大小从小到大排序,求取累计概率值,并建立累计概率分布函数,具体方法为设定第j个网格节点周围的n条规则,按照厚度排序后的概率及储层厚度分别为(Pj1,h1),(Pj2,h2),…,(Pjn,hn),h1≤h2≤…≤hn,并据此建立累计概率分布P1,P2,…,Pn-1,1。
进一步地,在步骤500中建立储层厚度平面预测图的具体步骤为:
步骤501、所述随机抽样得到第j个网格节点的模拟值,从区间(0,1)均匀分布中抽取一随机点p,从累计概率分布中获取待模拟点的参数值h,即为待模拟点Sj处的模拟值;
步骤502、根据建立的随机路径,继续访问下一个网格节点,直至所有网格节点模拟完,得到研究区储层模拟结果;
步骤503、得到研究区各个网格节点的储层厚度值,采用插值法得到研究区的储层厚度平面预测图。
另外,本发明还提供了一种基于序贯随机模糊模拟的储层预测***,包括:
地震属性优选模块:根据地震数据提取得到地震属性平面分布图,并根据研究区测井数据及地震属性数据,筛选出对储层较为敏感的地震属性数据;
网格***及随机路径建立模块:根据地震属性平面图确定研究区网格***的节点个数,并根据伪随机数建立访问网格节点的随机路径,并据此遍历每个待模拟网格节点;
条件数据搜索模块:根据待模拟点搜索周边的条件数据;
模拟模型建立模块:根据搜索到的条件数据,采用模糊识别方法和序贯随机模拟方法构建的序贯随机模糊模拟方法建立的模拟模型;
储层厚度平面图预测模块:根据模拟模型建立待模拟点的累计概率分布,并随机抽样,得到待模拟点的储层厚度值,根据随机路径访问下一个待模拟点,直至所有网格节点模拟完,得到研究区储层模拟结果,并通过插值方法得到研究区储层厚度平面预测图;
模拟结果获取模块:通过建立不同的随机路径,可以得到研究区多个储层厚度预测结果。
本发明的有益效果为:
本发明在模式识别方法和地质统计学方法基础上,结合井震数据提出了序贯随机模糊模拟方法的研究并应用到储层预测过程中,该方法既融入了表征空间数据变异性的变差函数,又结合了具有多尺度空间结构特征的井震数据,可以准确再现储层的空间分布特征并得到条件化井位数据,同时融入序贯随机模拟思想,能够得到多个储层预测结果,以表征储层预测过程中的多解性、不确定性。
附图说明
图1为本发明实施例中预测方法的流程示意图;
图2为本发明实施例中具体的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚。下面通过具体的实施例并结合附图对本发明做进一步的详细描述。
如图1和图2所示,本发明提供了一种基于序贯随机模糊模拟的储层预测方法,包括如下步骤:
步骤100、地震属性优选,根据地震数据提取得到地震属性平面分布图,并结合研究区测井数据及地震属性数据,筛选出对储层敏感的地震属性数据;
步骤200、网格***及随机路径建立,根据地震属性平面图确定研究区网格***网格节点的个数,并通过伪随机数建立访问网格节点的随机路径,根据随机路径遍历每个待模拟的网格节点;
步骤300、条件数据搜索,依据待模拟点搜索周边的条件数据;
步骤400、模拟模型建立,根据搜索到的条件数据,采用模糊识别方法和序贯随机模拟方法构建序贯随机模糊模拟模型;
步骤500、储层厚度平面图预测,根据序贯随机模糊模拟模型建立待模拟网格节点的累计概率分布,并通过随机抽样得到待模拟点的储层厚度值,根据随机路径访问下一个待模拟点,直至所有网格节点模拟完,得到研究区储层厚度的离散分布模拟结果,通过插值方法得到研究区储层厚度平面预测图;
步骤600、多个模拟结果获取,通过建立不同的随机路径得到研究区多个储层厚度预测结果。
所述地震属性具体包括:该地震数据可以是二维地震数据也可以是三维地震数据体,通过地震属性提取方法得到地震属性。所述地震属性为均方根振幅、平均瞬时频率、有效频带、吸收衰减因子、AVO截距、AVO梯度等。
地震属性平面图是根据提取的地震属性,通过克里格插值、最近邻等插值方法得到;所述测井数据主要包括测井处的地震属性值及储层厚度值,所述储层厚度值为砂体厚度或者气层厚度。
敏感行分析主要根据测井数据采用交会图、地震正演等方法优选出对储层比较敏感的地震属性数据,根据所述的地震属性平面图及测井数据构成下一步模拟模型建立的输入数据。
在步骤200中,网格***建立是对研究区进行网格化,具体是根据研究区范围及插值后的地震属性的网格间距确定网格节点的个数,所述网格节点也即下一步待模拟的点,每个待模拟点主要包含提取的多个地震属性及待模拟点的储层厚度信息。
进一步地,步骤200具体包括:
步骤201、根据研究区范围及地震属性平面图的网格间距确定网格节点的个数,每个待模拟的网格节点包含提取的多个地震属性及待模拟网格节点的储层厚度信息,待模拟网格节点具体表述为Sj[vj1,vj2,…,vjm,…,vjp],其中j为研究区网格节点索引值,总个数为L,p为地震属性的个数,vjm为第j个网格节点样本点处第m个地震属性值;
步骤202、根据rand函数建立伪随机数,并根据建立的伪随机数对网格节点的个数进行编码,再通过伪随机数建立访问网格节点的随机路径,基于建立的随机路径访问每个网格节点。
随机路径建立的目的是避免了按行访问产生的人为效应,同时不同的路径对于后来建立的识别模型也有一定的差异,这种差异也正好表征了识别过程中的不确定性问题。
在本发明中,虽然是通过建立随机路径的方式来遍历所有的网格节点,但是仍然会存在按行访问或者按照某个规律进行访问而产生的人为效应或者机器效应,根据前述可知,对于不同的路径,其建立的模型存在一定的差异,因此,在保证不确定性的同时,也应当要考虑到如何建立最准确、有效的模型。
对于不同的网格节点来说,它所涉及到的地震属性也是不一样的,因此对于建立随机路径来说,当经过不同的网格节点之后,即采用了不同的地震属性之后,其所建立的随机路径以及后期的模型来说,必然是不相同。此时,网格节点所包含的地震属性信息将会影响模型的准确性,为了保证后期建立模型的准确性,就必须在以下两个原则中保证优先通过大概率的网格节点,之后再以大概率的网格节点作为基准点,在蔓延至其他的网格节点,从而完成对整个研究区域的遍历。
上述原则为:
1、整个随机路径建立的过程是随机,需要排除人为效应和机器效应;
2、在确定网格节点之后的遍历路径也是随机生成的,无人为因素的干扰。
通过上述两个原则的限定,使得整个生成过程均无人为的干扰,确保最终结果的不确定性和准确性,以分别对应储层预测的不确定性和预测的准确性。
进一步地,在步骤200中,所述随机路径的确定方式为:
在伪随机数对网格节点进行编码的基础上,将所有的网格节点以伪随机数作为标识,将其从***中剥离出来作为独立的原始样本形成数据库;
将数据库中的原始样本进行数据化作为统计数据的样本;
设定随机路径生成的正态分布模型,并根据随机路径的生成需求确定正太分布模型的参数;
将数据库中的数据样本送入正态分布模型中并得到分布柱状图;
依据选择精度确定相应的区间,并将位于区间内的数据样本点上标识,将点上标识后的数据样本以伪随机数为依据恢复到地震属性平面图上;
以标识点作为随机路径的锚定点确定访问路线。
在本实施方式中,通过将样本数据转换为纯数学数据,从而使其具备了通过统计学概率进行表征的能力,在表征的过程中可以基于统计学中的“σ”原则来圈定相应的网格节点,即根据预测精度的需求来进行限定,此时仅仅是限定了最终预测的精度,而不会干扰实际数据生成的过程,即人为要求的是最终的数据精度,而对于数据生成的过程却是没有任何影响的,排除了人为得影响。
另外,通过统计学的方法进行计算,可以排出机器效应的因素,即机器内部自带属性所建立的优势通道,而且在该过程中抹除了数据中所包含的地质信息,将其完全转换为纯数学变量,在保证选定随机性的同时,还可以将地质变量的随机性和结构特性包含在网格节点内,使其能够如实地反映地下地质体变化的非均质性、随机性和结构性,不能满足油藏数值模拟的要求。
进一步地,步骤300中所述条件数据包括测井数据及已模拟数据,所述已模拟数据是根据假设的模拟模型得到的待模拟点的储层厚度值,已模拟数据具体表述为ASk[vk1,vk2,…,vkp,vkk],其中k为研究区设定模拟模型中网格节点索引值,总个数为L,vkp为设定模拟模型中第k个网格节点样本点处第p个地震属性值。
进一步地,在步骤300中,依据待模拟的网格节点搜索周边条件数据的具体步骤为:
步骤301、在整个研究区内将待模拟的网格节点分为固定节点和随机节点,其中所述固定节点是按照相同的规则均匀分布在整个研究区内,所述随机节点是按照预先预测结果的优势区范围内随机加密的网格节点;
步骤302、以随机节点作为优势点,并且按照相同的规则延伸至整个研究区的所有网格节点上,将所有涉及到的网格节点均作为源点;
步骤303、以每一个源点作为搜索的起始点开始向周围的其它网格节点顺次展开直至与其它源点的搜索范围重合。
在本实施方式中,由于需要根据不同的需求来建立源点,并且该源点的设置需要考虑到两个因素。第一,整个研究区内的环境是不一样的,具有不均质性,而这一点在前提的勘探中可以得到一个简易的预测图,本实施方式中可以综合考虑前人勘探的成果,进一步提高预测的准确性,即可以综合考虑所涵盖的内容;第二,在进行建模时,通过相互交叉的方式来对随机路径和搜索条件进行自检,从而提高整个装置建模的准确性。
当在边界自检时发现不同网格节点所建立的模型不能完全吻合时,此时即代表着某个网格节点上自身属性数据有缺陷或者计算方式有缺陷,需要及时修正自身属性或者计算方法,以保证不同网格节点的计算结果是相同,在这里还需要注意的,对于网格节点来说,它所控制的范围准确度随着距离的增大而减小,因此必须限定每一个网格节点的有效距离。而为了达到更高的精度,在本发明中,需要依据前人的研究资料对优势区通过随机网格节点的方式进行加密,提高优势区的加密程度,提高预测的准确性。
进一步地,在步骤303中,当不同源点的搜索范围重合时,对每一个源点所覆盖边界的网格节点进行二次搜索,并且不同源点的搜索结果分别保存再进行比对,当两者的结果相同时进行下一步,当两者结果不同时则自主修改网格节点上的参数在该区域内重新搜索。
进一步地,步骤400具体包括:
设定待模拟点为Sj,根据周围搜索到的条件数据,建立n个模糊规则,其中n=n1+n2,n1为搜索到的测井数据,n2为已模拟点的数据,建立所搜索到条件数据的均值和方差,并求取模糊规则,具体为:
其中,为所检索到条件数据的均值,为搜索到的条件数据的第m个地震属性值的标准方差,为搜索到的条件数据的第p个地震属性值的标准方差,vtm表示第t个条件数据第m个地震属性值,vtp表示第t个条件数据第p个地震属性值,1≤t≤n,1≤m≤p,n为条件数据的个数,p为研究区网格节点索引值的总个数,Rt为第t个条件数据的模糊规则;
为了表征数据的空间特征,在隶属度函数计算中加入权重,该权重通过变差函数值表征,具体为:
μjt=(1-λt)(Sj→Rt);
式中,μjt为第j个待模拟网格节点隶属于第t种规则的隶属度;
→表示待模拟点Sj隶属于模糊规则Rt的隶属度,隶属度计算使用高斯隶属度函数,待模拟点的p个地震属性参与计算,具体计算过程为:
另外,设定[λ]为搜索到n个条件数据的权重,矩阵中每个变量λt为每条规则Rt对Sj的贡献,λt根据克里格方程[K][λ]=[M]求解,其具体为:
式中,γjt为样本Sj与Rt的井点变差函数值,γtc搜索到的条件数据之间的地震变差函数值,1≤j≤L,1≤t,c≤n,对于搜索到的不同数据使用不同的变差函数,搜索到的井点数据使用井点变差函数,搜索到的已模拟点使用地震变差函数。
在本实施方式中,μjt为第j个待预测点隶属于第t种规则的隶属度,每种规则都是一个条件数据,其求取方式是通过待预测点与模糊规则之间的权重及其二者之间的隶属度的乘积得到,其中权重是通过克里金方程求取,克里金矩阵中元素是通过变差函数得到,这种方式仅适用于连续性变量(如储层厚度)的求取。对于离散型变量(如沉积相),其表征过程中是求取第j个待预测点隶属于第t种沉积相的隶属度,其求取过程是分别计算对搜索到的井点数据和搜索到的已模拟点的数据的隶属度,然后通过加权求和得到。
储层厚度等连续型变量求取方式:
μjt=(1-λt)(Sj→Rt)
沉积相等离散型变量求取方式:
进一步地,在步骤500中所述累计概率分布的建立过程为:
根据求取的待模拟点隶属于每条模糊规则的隶属度,将其转换为待模拟点Sj属于每条模糊规则的权重,其计算公式为:
其中,为Pjt第j个模拟点属于每个条件数据的权重;
根据得到的条件数据权重,并按照已知储层厚度的大小从小到大排序,求取累计概率值,并建立累计概率分布函数,具体方法为设定第j个网格节点周围的n条规则,按照厚度排序后的概率及储层厚度分别为(Pj1,h1),(Pj2,h2),…,(Pjn,hn),h1≤h2≤…≤hn,并据此建立累计概率分布P1,P2,…,Pn-1,1。
进一步地,在步骤500中建立储层厚度平面预测图的具体步骤为:
步骤501、所述随机抽样得到第j个网格节点的模拟值,从区间(0,1)均匀分布中抽取一随机点p,从累计概率分布中获取待模拟点的参数值h,即为待模拟点Sj处的模拟值;
步骤502、根据建立的随机路径,继续访问下一个网格节点,直至所有网格节点模拟完,得到研究区储层模拟结果;
步骤503、得到研究区各个网格节点的储层厚度值,采用插值法得到研究区的储层厚度平面预测图。
另外,本发明还提供了一种基于序贯随机模糊模拟的储层预测***,包括:
地震属性优选模块:根据地震数据提取得到地震属性平面分布图,并根据研究区测井数据及地震属性数据,筛选出对储层较为敏感的地震属性数据;
网格***及随机路径建立模块:根据地震属性平面图确定研究区网格***的节点个数,并根据伪随机数建立访问网格节点的随机路径,并据此遍历每个待模拟网格节点;
条件数据搜索模块:根据待模拟点搜索周边的条件数据;
模拟模型建立模块:根据搜索到的条件数据,采用模糊识别方法和序贯随机模拟方法构建的序贯随机模糊模拟方法建立的模拟模型;
储层厚度平面图预测模块:根据模拟模型建立待模拟点的累计概率分布,并随机抽样,得到待模拟点的储层厚度值,根据随机路径访问下一个待模拟点,直至所有网格节点模拟完,得到研究区储层模拟结果,并通过插值方法得到研究区储层厚度平面预测图;
模拟结果获取模块:通过建立不同的随机路径,可以得到研究区多个储层厚度预测结果。
如前述的预测方法,通过得到多个储层预测结果以表征储层预测过程中的多解性、不确定性。
基于前述,本发明的创新点在于:
1、对于规模较大、井点数据较少的地区,只依靠井点数据和地质经验很难精确的刻画井间的储层特征,本发明综合地震资料的横向采集密度大,覆盖范围广的特征,在储层预测过程引入综合地震数据,采用模糊识别方法能够很好地解决测井和地震属性融合的问题;
2、由于油气勘探领域,测井、地震等数据属于地质变量,不同于纯数学变量,其在空间具有随机性和结构性特点,为了能够建立的地质体能够真实地反映地下地质体变化的非均质性、随机性和结构性,借助以变差函数为工具的序贯随机模拟方法,序贯随机模拟解决地质变量空间结构的问题,减少预测过程中的不确定性问题;
3、序贯随机模糊模拟方法融合了模糊识别和序贯随机模拟两种方法,既融入了表征空间数据变异性的变差函数,又结合了具有多尺度空间结构特征的井震数据,可以准确再现储层的空间分布特征并得到条件化井位数据。同时,融入序贯随机模拟思想,能够得到多个储层预测结果,以表征储层预测过程中的多解性、不确定性,提高了储层的预测精度。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于序贯随机模糊模拟的储层预测方法,其特征在于,包括:
步骤100、地震属性优选,根据地震数据提取得到地震属性平面分布图,并结合研究区测井数据及地震属性数据,筛选出对储层敏感的地震属性数据;
步骤200、网格***及随机路径建立,根据地震属性平面图确定研究区网格***网格节点的个数,并通过伪随机数建立访问网格节点的随机路径,根据随机路径遍历每个待模拟的网格节点,所述随机路径的确定方式为:
在伪随机数对网格节点进行编码的基础上,将所有的网格节点以伪随机数作为标识,将其从***中剥离出来作为独立的原始样本形成数据库;
将数据库中的原始样本进行数据化作为统计数据的样本;
设定随机路径生成的正态分布模型,并根据随机路径的生成需求确定正态分布模型的参数;
将数据库中的数据样本送入正态分布模型中并得到分布柱状图;
依据选择精度确定相应的区间,并将位于区间内的数据样本点上标识,将点上标识后的数据样本以伪随机数为依据恢复到地震属性平面图上;
以标识点作为随机路径的锚定点确定访问路线;
步骤300、条件数据搜索,依据待模拟点搜索周边的条件数据,依据待模拟的网格节点搜索周边条件数据的具体步骤为:
步骤301、在整个研究区内将待模拟的网格节点分为固定节点和随机节点,其中所述固定节点是按照相同的规则均匀分布在整个研究区内,所述随机节点是按照预先预测结果的优势区范围内随机加密的网格节点;
步骤302、以随机节点作为优势点,并且按照相同的规则延伸至整个研究区的所有网格节点上,将所有涉及到的网格节点均作为源点;
步骤303、以每一个源点作为搜索的起始点开始向周围的其它网格节点顺次展开直至与其它源点的搜索范围重合,当不同源点的搜索范围重合时,对每一个源点所覆盖边界的网格节点进行二次搜索,并且不同源点的搜索结果分别保存再进行比对,当两者的结果相同时进行下一步,当两者结果不同时则自主修改网格节点上的参数在该区域内重新搜索;
步骤400、模拟模型建立,根据搜索到的条件数据,采用模糊识别方法和序贯随机模拟方法构建序贯随机模糊模拟模型;
步骤500、储层厚度平面图预测,根据序贯随机模糊模拟模型建立待模拟网格节点的累计概率分布,并通过随机抽样得到待模拟点的储层厚度值,根据随机路径访问下一个待模拟点,直至所有网格节点模拟完,得到研究区储层厚度的离散分布模拟结果,通过插值方法得到研究区储层厚度平面预测图;
步骤600、多个模拟结果获取,通过建立不同的随机路径得到研究区多个储层厚度预测结果。
2.根据权利要求1所述的一种基于序贯随机模糊模拟的储层预测方法,其特征在于,步骤200具体包括:
步骤201、根据研究区范围及地震属性平面图的网格间距确定网格节点的个数,每个待模拟的网格节点包含提取的多个地震属性及待模拟网格节点的储层厚度信息,待模拟网格节点具体表述为Sj[vj1,vj2,…,vjm,…,vjp],其中j为研究区网格节点索引值,总个数为L,p为地震属性的个数;vjm为第j个网格节点样本点处第m个地震属性值,1≤j≤L,1≤m≤p;
步骤202、根据rand函数建立伪随机数,并根据建立的伪随机数对网格节点的个数进行编码,再通过伪随机数建立访问网格节点的随机路径,基于建立的随机路径访问每个网格节点。
3.根据权利要求2所述的一种基于序贯随机模糊模拟的储层预测方法,其特征在于,步骤300中所述条件数据包括测井数据及已模拟数据,所述已模拟数据是根据假设的模拟模型得到的待模拟点的储层厚度值,已模拟数据具体表述为ASk[vk1,vk2,…,vkp,hk],其中k为研究区设定模拟模型中网格节点索引值,总个数为L,vkp为设定模拟模型中第k个网格节点样本点处第p个地震属性值,hk为已模拟数据点的储层厚度值。
4.根据权利要求3所述的一种基于序贯随机模糊模拟的储层预测方法,其特征在于,步骤400具体包括:
设定待模拟点为Sj,根据周围搜索到的条件数据,建立n个模糊规则,其中n=n1+n2,n1为搜索到的测井数据,n2为已模拟点的数据,建立所搜索到条件数据的均值和方差,并求取模糊规则,具体为:
其中,为所检索到条件数据的均值,为搜索到的条件数据的第m个地震属性值的标准方差,为搜索到的条件数据的第p个地震属性值的标准方差,vtm表示第t个条件数据第m个地震属性值,vtp表示第t个条件数据第p个地震属性值,1≤t≤n,1≤m≤p,n为条件数据的个数,p为研究区网格节点索引值的总个数,Rt为第t个条件数据的模糊规则;
在隶属度函数计算中加入变差函数的权重:
μjt=(1-λt)(Sj→Rt);
式中,μjt为第j个待模拟网格节点隶属于第t种规则的隶属度;
→表示待模拟点Sj隶属于模糊规则Rt的隶属度,隶属度计算使用高斯隶属度函数,待模拟点的p个地震属性参与计算,具体计算过程为:
另外,设定[λ]为搜索到n个条件数据的权重,矩阵中每个变量λt为每条规则Rt对Sj的贡献,λt根据克里格方程[K][λ]=[M]求解,其具体为:
式中,γjt为样本Sj与Rt的井点变差函数值,γtc搜索到的条件数据之间的地震变差函数值,1≤j≤L,1≤t,c≤n,对于搜索到的不同数据使用不同的变差函数,搜索到的井点数据使用井点变差函数,搜索到的已模拟点使用地震变差函数。
6.根据权利要求5所述的一种基于序贯随机模糊模拟的储层预测方法,其特征在于,在步骤500中建立储层厚度平面预测图的具体步骤为:
步骤501、所述随机抽样得到第j个网格节点的模拟值,从区间(0,1)均匀分布中抽取一随机点p,从累计概率分布中获取待模拟点的参数值h,即为待模拟点Sj处的模拟值;
步骤502、根据建立的随机路径,继续访问下一个网格节点,直至所有网格节点模拟完,得到研究区储层模拟结果;
步骤503、得到研究区各个网格节点的储层厚度值,采用插值法得到研究区的储层厚度平面预测图。
7.一种基于序贯随机模糊模拟的储层预测***,其特征在于,包括:
地震属性优选模块:根据地震数据提取得到地震属性平面分布图,并根据研究区测井数据及地震属性数据,筛选出对储层较为敏感的地震属性数据;
网格***及随机路径建立模块:根据地震属性平面图确定研究区网格***的节点个数,并根据伪随机数建立访问网格节点的随机路径,并据此遍历每个待模拟网格节点,根据随机路径遍历每个待模拟的网格节点,所述随机路径的确定方式为:
在伪随机数对网格节点进行编码的基础上,将所有的网格节点以伪随机数作为标识,将其从***中剥离出来作为独立的原始样本形成数据库;
将数据库中的原始样本进行数据化作为统计数据的样本;
设定随机路径生成的正态分布模型,并根据随机路径的生成需求确定正态分布模型的参数;
将数据库中的数据样本送入正态分布模型中并得到分布柱状图;
依据选择精度确定相应的区间,并将位于区间内的数据样本点上标识,将点上标识后的数据样本以伪随机数为依据恢复到地震属性平面图上;
以标识点作为随机路径的锚定点确定访问路线;
条件数据搜索模块:根据待模拟点搜索周边的条件数据,依据待模拟的网格节点搜索周边条件数据的具体步骤为:
在整个研究区内将待模拟的网格节点分为固定节点和随机节点,其中所述固定节点是按照相同的规则均匀分布在整个研究区内,所述随机节点是按照预先预测结果的优势区范围内随机加密的网格节点;
以随机节点作为优势点,并且按照相同的规则延伸至整个研究区的所有网格节点上,将所有涉及到的网格节点均作为源点;
以每一个源点作为搜索的起始点开始向周围的其它网格节点顺次展开直至与其它源点的搜索范围重合,当不同源点的搜索范围重合时,对每一个源点所覆盖边界的网格节点进行二次搜索,并且不同源点的搜索结果分别保存再进行比对,当两者的结果相同时进行下一步,当两者结果不同时则自主修改网格节点上的参数在该区域内重新搜索;
模拟模型建立模块:根据搜索到的条件数据,采用模糊识别方法和序贯随机模拟方法构建的序贯随机模糊模拟方法建立的模拟模型;
储层厚度平面图预测模块:根据模拟模型建立待模拟点的累计概率分布,并随机抽样,得到待模拟点的储层厚度值,根据随机路径访问下一个待模拟点,直至所有网格节点模拟完,得到研究区储层模拟结果,并通过插值方法得到研究区储层厚度平面预测图;
模拟结果获取模块:通过建立不同的随机路径,可以得到研究区多个储层厚度预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911178292.7A CN110927793B (zh) | 2019-11-27 | 2019-11-27 | 一种基于序贯随机模糊模拟的储层预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911178292.7A CN110927793B (zh) | 2019-11-27 | 2019-11-27 | 一种基于序贯随机模糊模拟的储层预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110927793A CN110927793A (zh) | 2020-03-27 |
CN110927793B true CN110927793B (zh) | 2020-09-29 |
Family
ID=69852145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911178292.7A Expired - Fee Related CN110927793B (zh) | 2019-11-27 | 2019-11-27 | 一种基于序贯随机模糊模拟的储层预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110927793B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709169B (zh) * | 2020-05-29 | 2021-08-24 | 中国地质大学(武汉) | 基于条件传导概率的多点地质统计学随机模拟方法 |
CN112162315B (zh) * | 2020-09-27 | 2021-08-10 | 北京中恒利华石油技术研究所 | 一种基于随机云模拟的储层参数高频成分估计的方法 |
CN113255131B (zh) * | 2021-05-25 | 2023-02-28 | 中国石油大学(华东) | 一种基于认知计算的新井目标井位推荐方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010061135A1 (fr) * | 2008-11-26 | 2010-06-03 | Total Sa | Estimation de proprietes lithologiques d'une zone geologique. |
CN104297787A (zh) * | 2014-10-17 | 2015-01-21 | 中国石油天然气股份有限公司 | 河流相低渗致密砂岩储层的三维岩相数据处理方法及装置 |
CN107607996A (zh) * | 2017-08-23 | 2018-01-19 | 电子科技大学 | 基于相控的序贯协同模拟地质建模方法 |
-
2019
- 2019-11-27 CN CN201911178292.7A patent/CN110927793B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010061135A1 (fr) * | 2008-11-26 | 2010-06-03 | Total Sa | Estimation de proprietes lithologiques d'une zone geologique. |
CN104297787A (zh) * | 2014-10-17 | 2015-01-21 | 中国石油天然气股份有限公司 | 河流相低渗致密砂岩储层的三维岩相数据处理方法及装置 |
CN107607996A (zh) * | 2017-08-23 | 2018-01-19 | 电子科技大学 | 基于相控的序贯协同模拟地质建模方法 |
Non-Patent Citations (3)
Title |
---|
地震属性在沉积相预测中的方法研究_序贯随机模式识别;高世臣 等;《地球物理学进展》;20161231;第31卷(第3期);1066-1072 * |
基于序贯随机模式识别的沉积相预测方法;袁照威 等;《中国地球科学联合学术年会2014》;20141231;1074-1075 * |
基于马贝模型的序贯随机模拟在沉积相识别中的应用;袁照威 等;《中国地球科学联合学术年会2015》;20151231;1418-1420 * |
Also Published As
Publication number | Publication date |
---|---|
CN110927793A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110031896B (zh) | 基于多点地质统计学先验信息的地震随机反演方法及装置 | |
CN101133422B (zh) | 具有增强计算效率的多点统计(mps)仿真 | |
EP3535607B1 (en) | Seismic data processing artificial intelligence | |
Roy et al. | Generative topographic mapping for seismic facies estimation of a carbonate wash, Veracruz Basin, southern Mexico | |
CN111273348B (zh) | 基于更新概率比率恒定理论的多点地质统计叠前反演方法 | |
CN110927793B (zh) | 一种基于序贯随机模糊模拟的储层预测方法及*** | |
Olalotiti-Lawal et al. | A multiobjective Markov chain Monte Carlo approach for history matching and uncertainty quantification | |
Brazell et al. | A machine-learning-based approach to assistive well-log correlation | |
CN110837115B (zh) | 陆相混积岩致密储层岩性的地震识别方法及装置 | |
CN105205239A (zh) | 一种储层物性参数建模方法和装置 | |
CN114139819A (zh) | 基于地统计加权随机森林的地球化学变量空间预测方法 | |
Straubhaar et al. | Conditioning Multiple‐Point Statistics Simulation to Inequality Data | |
Strebelle | Multiple-point statistics simulation models: pretty pictures or decision-making tools? | |
Sadeghi | Spectrum-area method | |
CN103543478A (zh) | 地质形态插值的km方法 | |
Erzeybek Balan | Characterization and modeling of paleokarst reservoirs using multiple-point statistics on a non-gridded basis | |
Jo et al. | Conditioning stratigraphic, rule-Based models with generative adversarial networks: A deepwater lobe, deep learning example | |
Torres et al. | Reducing the uncertainty of static reservoir model in a carbonate platform, through the implementation of an integrated workflow: Case A-Field, Abu Dhabi, UAE | |
EP3579026B1 (en) | Method of characterising a subsurface region using multiple point statistics | |
Gervais et al. | Identifying influence areas with connectivity analysis–application to the local perturbation of heterogeneity distribution for history matching | |
Stoyan | Stochastic geometry in the geosciences | |
Benndorf | Statistical Quality Control | |
Posa et al. | Spatial autocorrelation | |
Ouadfeul et al. | Self-Organizing Maps | |
CN116797755B (zh) | 一种构造混杂岩带多时空三维地质结构建模方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200929 Termination date: 20211127 |