CN111025396B - 基于人工智能算法的油藏物性参数地震预测方法 - Google Patents
基于人工智能算法的油藏物性参数地震预测方法 Download PDFInfo
- Publication number
- CN111025396B CN111025396B CN202010013150.1A CN202010013150A CN111025396B CN 111025396 B CN111025396 B CN 111025396B CN 202010013150 A CN202010013150 A CN 202010013150A CN 111025396 B CN111025396 B CN 111025396B
- Authority
- CN
- China
- Prior art keywords
- oil
- artificial intelligence
- intelligence algorithm
- parameters
- physical
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 230000000704 physical effect Effects 0.000 title claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 26
- 239000011435 rock Substances 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000035699 permeability Effects 0.000 claims abstract description 7
- 239000011148 porous material Substances 0.000 claims description 13
- 239000012530 fluid Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000005483 Hooke's law Effects 0.000 claims description 6
- 229920001971 elastomer Polymers 0.000 claims description 6
- 239000000806 elastomer Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010845 search algorithm Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 230000002051 biphasic effect Effects 0.000 description 2
- 238000002939 conjugate gradient method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000002945 steepest descent method Methods 0.000 description 2
- 208000035126 Facies Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002687 intercalation Effects 0.000 description 1
- 238000009830 intercalation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer 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
- G01V1/306—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
- G01V2210/62—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)
- Geophysics And Detection Of Objects (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于人工智能算法的油藏物性参数地震预测方法,包括:步骤1,利用地震数据反演出油气储层的纵波阻抗、横波阻抗和密度;步骤2,进行岩石物理模型分析,将孔隙度、油气饱和度和渗透率等油藏物性参数与地震数据反演结果联系起来;步骤3,基于岩石物理模型分析,利用人工智能算法反演出油藏的物性参数。该基于人工智能算法的油藏物性参数地震预测方法借助了混合遗传算法等人工智能算法的优点和地震数据对油藏具有覆盖面积大的能力,不仅将计算效率提高了30%,更为重要的是将反演结果的收敛度提高到了100%,由此大大提高了油藏物性参数地震预测的准确度。
Description
技术领域
本发明涉及地震资料处理解释领域,特别是涉及到一种基于人工智能算法的油藏物性参数地震预测方法。
背景技术
地震波在复杂油气储层中传播时会激发岩石孔隙中流体的流动,流体压力处处平衡的静态环境会被打破,从而体现在接收到的地震数据中。从地震数据反演推测出岩石的各种参数一直是勘探的努力方向。油气储层日益呈现复杂化的趋势,构造、岩性和流体性质都出现了非均质化,油气的规模日益变小且分布规律更加复杂,这些都对勘探技术提出了更高的要求,近年来,国际上越来越多的公开研究表明,流体特性的地震响应特征起到了关键作用,掌握了这一技术,就可以提高油气识别的精确度。
油藏物性参数的反演是油气勘探开发中的关键环节。针对这个课题,建立合理的储层介质模型和设计高效的反演算法是两个重要的组成部分。在复杂油气储层中,储层介质模型往往也更为复杂,这也就导致本发明需要寻求更为高效的反演算法。反演算法的优劣直接影响到反演结果的准确性。由于储层参数反演存在强非线性、局部最优解多等问题,传统的局部搜索算法,如内点法、最速下降法、共轭梯度法等均很难获得全局最优解。为弥补传统遗传算法的这些缺点,同时保留其优点,本发明提出了一种新的基于人工智能算法的油藏物性参数地震预测方法。
发明内容
本发明的目的是提供一种对选择、交叉、变异这三个算子进行了改进的基于人工智能算法的油藏物性参数地震预测方法。
本发明的目的可通过如下技术措施来实现:基于人工智能算法的油藏物性参数地震预测方法,该基于人工智能算法的油藏物性参数地震预测方法包括:步骤1,利用地震数据反演出油气储层的纵波阻抗、横波阻抗和密度;步骤2,进行岩石物理模型分析,将孔隙度、油气饱和度和渗透率等油藏物性参数与地震数据反演结果联系起来;步骤3,基于岩石物理模型分析,利用人工智能算法反演出油藏的物性参数。
本发明的目的还可通过如下技术措施来实现:
在步骤2中,利用流固耦合的岩石物理模型将油藏物性参数与地震三参数反演结果联系起来,模型中考虑了流体流动效应的地震响应。
在步骤2中,在理论模型中,三维各向同性弹性体的应力应变本构关系表示为:
σij=λεkkδij+2μεij (1)
其中σij为应力张量的分量,i,j=1,2,3,εij为应变张量的分量,εkk为主应变,δij为克罗内克符号,i=j时δij=1,否者为0,λ和μ是拉梅系数;为了将上式推广至粘弹性情形,将(1)进行形式上的重写,如下
(2)中的两式都成正比例关系,形式上与一维情形的胡克定律类似;仿照一维情形下胡克定律向Zener粘弹性本构关系推广,再将本构关系中的整数阶时间导数替换为分数阶,获得了三维情形下的分数阶粘弹性本构关系如下:
其中,p1,p2,q0,q1,q2,q3为粘弹性参数,ξ和β为分数阶导数的阶数;为了便于讨论,重新定义一组参数来替代上述粘弹性参数,如下:
之后将(4)变化至频率域
之后,再变换回时间域,得到:
将(7)中的两式合并可得:
由此,得到了分数阶粘弹性本构关系的表达式;此表达式双相孔隙介质岩石物理模型的基础,将(8)引入Biot波动方程即可得到油藏物性参数与地震波纵波阻抗、横波阻抗和密度之间的关系式。
在步骤3中,按照步骤2中油藏物性参数和地震反演结果的关系,利用人工智能算法对油藏物性参数进行反演计算,得到油藏孔隙度、油气饱和度、渗透率和含油气概率这些物性参数。
在步骤3中,使用的人工智能算法为混合遗传算法,利用与自适应方法相似的方法对交叉概率进行修正,具体步骤如下:
第一步:利用选择算子选择一个母亲个体xi;
第二步:利用选择算子选择一个父亲个体xj;
第三步:计算xi与xj间的相对距离dij;
第四步:对初始交叉概率Pcrs进行修正,得到修正后的交叉概率:
本发明中的基于人工智能算法的油藏物性参数地震预测方法,是一种油藏物性参数地震预测方法,该基于人工智能算法的油藏物性参数地震预测方法借助了混合遗传算法等人工智能算法的优点和地震数据对油藏具有覆盖面积大的能力,不仅大大提高了计算效率,更为重要的是提高了油藏物性参数地震预测的准确度。
附图说明
图1为本发明的基于人工智能算法的油藏物性参数地震预测方法的一具体实施例的流程图;
图2为本发明的一具体实施例中岩石物理模型的示意图;
图3为本发明的一具体实施例中岩石物理模型正演结果的波场图;
图4为本发明的一具体实施例中人工智能算法收敛情况的对比图;
图5为本发明的一实施例中油藏物性参数地震预测结果图。
具体实施方式
为使本发明的上述和其他目的、特征和优点能更明显易懂,下文特举出较佳实施例,并配合附图所示,作详细说明如下。
如图1所示,图1为本发明的基于人工智能算法的油藏物性参数地震预测方法的流程图。
在步骤101,利用地震数据反演出油气储层的纵波阻抗、横波阻抗和密度。
在步骤102,进行岩石物理模型分析,如图2所示,将孔隙度、油气饱和度和渗透率等油藏物性参数与地震数据反演结果联系起来,图2给出了不同观测尺度下(大尺度(米)、中尺度(厘米)和微尺度(微米))的储层介质模型。
针对地震波激励导致的孔隙流体运动(wave-induced fluid flow,以下简称WIFF),我们在不同的观测尺度下进行刻画会导出不同的耗散机制。因此这里创新性地分别给出了在宏观尺度下、介观尺度下以及微观尺度下的波动模型。Biot于1956年率先考虑了宏观尺度下的WIFF。他选取孔隙双相介质中的一个立方体作为参考单元,以参考单元中流体与固体的平均位移作为变量,给出了参考单元的动能函数与耗散函数,并利用Lagrange力学推导了参考单元上两相的广义力公式,再结合本构关系,首次给出了孔隙双相介质中的波传播方程,为孔隙双相介质的动力学研究奠定了基础。1980年,Plona在人工合成的孔隙介质中观测到了Biot理论所预测的慢P波,证明了Biot双相介质理论的正确性。
对于微观尺度,Mavko&Nur于1979年首先考虑了孔隙尺度下的WIFF。基于孔隙微观几何结构,他们考虑了与压力梯度相垂直方向上的流体运动,提出了喷射流的理论。1993年,Dvorkin将喷射流理论与Biot流相结合,将孔隙内局部流动与宏观流动的机制相结合,创立了具有启发性的BISQ理论。后来,很多学者针对这个理论展开了一系列拓展研究,获得了丰富的研究成果。
对于中观尺度,White等人于1975年提出了中观尺度非均匀性的概念,并用“斑块饱和”模型(或称White模型)很好地解释了波的强衰减。1995年,Berryman等人在White启发下,将孔隙介质分为具有不同孔隙度的“背景相”与“嵌入相”,称之为双孔模型,并给出了双孔介质中的本构关系以及各参数的确定法则,其后于1998年给出了双孔介质中弹性传播的动力学方程,并探讨了双孔双渗介质中的波频散与衰减。
但是,不同尺度下的数学物理模型都有存在一定的不足,在实际生产中无法准确刻画每种情形。因此,我们针对具体的情形建立了合适的物理模型予以描述,使之能够更贴合实际,为生产开发提供依据。
在Biot理论中,孔隙双相***的能量耗散主要来源于固流相对运动造成的摩擦耗散,并没有考虑其它的耗散机制。对于这种情况,储层岩石是低孔渗的,Biot理论中孔隙流体在宏观尺度下发生的粘性层流或许并不存在;而且即使有Biot耗散与频散存在,也会发生在超声波频段,与实验数据在地震波频段出现的高频散与强衰减现象无法吻合。因此,我们希望引入新的耗散机制来描述出现在低频段的衰减与频散,为此我们将岩石骨架的粘弹性机制纳入考虑。
对于粘弹性的研究早已有之,19世纪人们先后发展了线性的粘弹性理论。但是,对于实际介质而言,一般的线粘弹性模型未必能够很好刻画其粘弹性性质,我们希望考虑更普遍的情形。考虑到线粘弹性的本构关系中会出现应力和应变的整数阶导数项,这里我们将其推广到分数阶导数的情形。基于粘弹性的定义,它指的是介质的应力与应变与历史相关,即当下的应力应变状态会受到此前一段时间内应力应变积累的影响。用数学语言来刻画就是可以看成一段时间内的积分,而这正好与分数阶导数的定义相契合。因此,我们在本构关系中引入分数阶导数,以此更为精细地刻画介质的特性。
在理论模型中,三维各向同性弹性体的应力应变本构关系可以表示为
σij=λεkkδij+2μεij (1)
其中σij为应力张量的分量(i,j=1,2,3),εij为应变张量的分量,εkk为主应变,δij为克罗内克符号(i=j时δij=1,否者为0),λ和μ是拉梅系数。为了将上式推广至粘弹性情形,我们可以将(1)进行形式上的重写,如下
其中二者分别对应于应力偏张量与应变偏张量分量。Km为弹性体的体积模量。不难看出,(2)中的两式都成正比例关系,形式上与一维情形的胡克定律类似。因此,我们仿照一维情形下胡克定律向Zener粘弹性本构关系推广,再将本构关系中的整数阶时间导数替换为分数阶,获得了三维情形下的分数阶粘弹性本构关系如下
其中,p1,p2,q0,q1,q2,q3为粘弹性参数,ξ和β为分数阶导数的阶数;为了便于讨论,重新定义一组参数来替代上述粘弹性参数,如下:
之后将(4)变化至频率域
之后,再变换回时间域,可以得到
将(7)中的两式合并可得
由此,本发明得到了分数阶粘弹性本构关系的表达式。这就是双相孔隙介质岩石物理模型的基础,将(8)引入Biot波动方程即可得到油藏物性参数与地震波纵波阻抗、横波阻抗和密度之间的关系式。
根据本岩石物理模型进行正演,结果如图3所示,本实施例使用了一个双层介质模型,模拟了波向下传播遇到高阻抗地层界面被反射回来的情况;很好地捕捉到了地震波在双层介质中的反射和透射规律,对于分数阶模型,由于粘弹性机制的引入,快P波的振幅要比弹性情形小,且相速度与粘弹性参数的取值相关,在针对非均匀介质数值模拟的过程中,我们观察到了高速区域和低速区域边界产生的强反射,以及平均场和内部场之间的能量转移。这些结果证明了本岩石物理模型处理实际情况的有效性。
在步骤103,基于岩石物理模型分析,利用人工智能算法反演出油藏的物性参数。
按照步骤102中油藏物性参数和地震反演结果的关系,利用人工智能算法对油藏物性参数进行反演计算,得到油藏孔隙度、油气饱和度、渗透率和含油气概率等物性参数。
由于储层参数反演存在强非线性、局部最优解多等问题,传统的局部搜索算法,如内点法、最速下降法、共轭梯度法等均很难获得全局最优解。为此,本发明使用具有全局搜索能力的遗传算法作为反演的基本算法。
为此,本发明使用具有全局搜索能力的遗传算法作为反演的基本算法。遗传算法是一种基于达尔文的自然选择学说与孟德尔的遗传学说思想而形成的一种全局随机搜索算法。事实上,上世纪60年代,遗传算法的思想就已被提出。Holland(1975)将遗传算法的整体思想进行了***的整理,首次较为***地提出了遗传算法的基本理论框架。同年,De-Jong首次实现了利用遗传算法求解优化问题。Goldberg(1988)进一步总结和介绍了遗传算法的主要理论和应用实例,从而拓宽了遗传算法的应用范围。2010年,Yu和Gen总结、整理了近15年来遗传算法的发展和新的应用。传统遗传算法是一种模拟生物进化过程的随机搜索算法,其搜索迭代过程比较清晰。首先通过选择运算在第t代的种群中获取进行进化的个体。接着对这些个体进行交叉运算、变异运算产生新的个体,形成第t+1代种群。最后对第t+1代种群中每个个体进行解码,并计算适应值完成一代进化过程。传统遗传算法具有全局搜索、易并行、按概率收敛、适应性强以及对先验知识要求少等优点。但同时,遗传算法存在着局部搜索能力弱、易“早熟”、搜索速度慢等缺点(Goldberg,1988)。
为了避免早熟现象的发生,提高算法的搜索能力,必须保持种群的多样性。而选择算子作为遗传算法中的三大算子之一,正是保持种群多样性的主要部分。在选择的过程中,最重要的就是要防止少数适应值特别高的个体被选中的次数过多。为了实现这个目标,本发明利用自适应的思想,提出了一种自适应的选择算子。这种新的自适应选择算子主要由两个步骤构成:(1)修正每个个体的自适应值;(2)限制每个个体被选中的次数。
在遗传算法中,交叉算子是产生新个体的主要算子,是进行搜索的主要部分。本发明通过引入一种自适应杂交方法对传统交叉算子进行改进,从而获得一种新的自适应杂交交叉算子。这种自适应杂交方法包含三个方面:(1)修正交叉概率;(2)利用自适应方法确定搜索区域扩展比例;(3)利用模拟退火方法评价新生个体。
当两个亲代的各个分量非常相似时,利用传统遗传算法的交叉算子产生的新个体的各分量往往也与亲代的各分量非常相似,这就导致了这次利用交叉算子进行搜索的效率很低。为了解决这个问题,防止两个相似亲代个体进行交叉情况的发生,提高搜索效率,本发明利用与之前提出的自适应方法相似的方法对交叉概率进行修正。具体步骤如下:
第一步:利用选择算子选择一个母亲个体xi;
第二步:利用选择算子选择一个父亲个体xj;
第三步:计算xi与xj间的相对距离dij;
第四步:对初始交叉概率Pcrs进行修正,得到修正后的交叉概率:
经过修正后,两个相似或相同个体间的交叉概率将降至约等于零,而那些相互间不相似的个体间的交叉概率仍会维持在一个较高的水平。这种修正方法能够有效防止相似亲代个体间进行交叉的发生,从而提高交叉算子的搜索效率。
如图4所示,为本发明的一具体实施例中人工智能算法收敛情况的对比图;(a)为本发明算法的收敛情况,(b)为传统遗传算法的收敛情况。由图中对比可见,本发明算法在迭代次数很小的情况下孔隙度就可收敛到精确值,计算效率得到了大幅度地提高,且总是能够收敛到精确值,而传统遗传算法的收敛效果要差很多。
图5为本发明的一实施例中油藏物性参数地震预测结果图。此例为经由人工智能算法计算得到的孔隙度区域分布图。可以看到,计算得到的孔隙度分布符合已知的地质规律,与沉积相带吻合,且符合已知的钻测井信息,预测结果准确可靠。
本发明的基于人工智能算法的油藏物性参数地震预测方法借助了混合遗传算法等人工智能算法的优点和地震数据对油藏具有覆盖面积大的能力,不仅将计算效率提高了30%,更为重要的是将反演结果的收敛度提高到了100%,由此大大提高了油藏物性参数地震预测的准确度。
Claims (3)
1.基于人工智能算法的油藏物性参数地震预测方法,其特征在于,该基于人工智能算法的油藏物性参数地震预测方法包括:
步骤1,利用地震数据反演出油气储层的纵波阻抗、横波阻抗和密度;
步骤2,进行岩石物理模型分析,将孔隙度、油气饱和度和渗透率这些油藏物性参数与地震数据反演结果联系起来;
步骤3,基于岩石物理模型分析,利用人工智能算法反演出油藏的物性参数;
在步骤2中,利用流固耦合的岩石物理模型将油藏物性参数与地震三参数反演结果联系起来,模型中考虑了流体流动效应的地震响应;
在理论模型中,三维各向同性弹性体的应力应变本构关系表示为:
σij=λεkkδij+2μεij (1)
其中σij为应力张量的分量,i,j=1,2,3,εij为应变张量的分量,εkk为主应变,δij为克罗内克符号,i=j时δij=1,否者为0,λ和μ是拉梅系数;为了将上式推广至粘弹性情形,将(1)进行形式上的重写,如下
(2)中的两式都成正比例关系,形式上与一维情形的胡克定律类似;仿照一维情形下胡克定律向Zener粘弹性本构关系推广,再将本构关系中的整数阶时间导数替换为分数阶,获得了三维情形下的分数阶粘弹性本构关系如下:
其中,t为时间,p1,p2,q0,q1,q2,q3为粘弹性参数,ξ和β为分数阶导数的阶数;为了便于讨论,重新定义一组参数来替代上述粘弹性参数,如下:
之后将(4)变化至频率域
其中i为虚数,ω为频率,之后,再变换回时间域,得到:
其中t为时间,将(7)中的两式合并可得:
其中t为时间,由此,得到了分数阶粘弹性本构关系的表达式;此表达式双相孔隙介质岩石物理模型的基础,将(8)引入Biot波动方程即可得到油藏物性参数与地震波纵波阻抗、横波阻抗和密度之间的关系式。
2.根据权利要求1所述的基于人工智能算法的油藏物性参数地震预测方法,其特征在于,在步骤3中,按照步骤2中油藏物性参数和地震反演结果的关系,利用人工智能算法对油藏物性参数进行反演计算,得到油藏孔隙度、油气饱和度、渗透率和含油气概率这些物性参数。
3.根据权利要求1所述的基于人工智能算法的油藏物性参数地震预测方法,其特征在于,在步骤3中,使用的人工智能算法为混合遗传算法,利用与自适应方法相似的方法对交叉概率进行修正,具体步骤如下:
第一步:利用选择算子选择一个母亲个体xi;
第二步:利用选择算子选择一个父亲个体xj;
第三步:计算xi与xj间的相对距离Lij;
第四步:对初始交叉概率Pcrs进行修正,得到修正后的交叉概率:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010013150.1A CN111025396B (zh) | 2020-01-06 | 2020-01-06 | 基于人工智能算法的油藏物性参数地震预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010013150.1A CN111025396B (zh) | 2020-01-06 | 2020-01-06 | 基于人工智能算法的油藏物性参数地震预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111025396A CN111025396A (zh) | 2020-04-17 |
CN111025396B true CN111025396B (zh) | 2021-11-05 |
Family
ID=70198679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010013150.1A Active CN111025396B (zh) | 2020-01-06 | 2020-01-06 | 基于人工智能算法的油藏物性参数地震预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111025396B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312583B (zh) * | 2021-05-26 | 2024-06-25 | 中南大学 | 裂缝性页岩气储层性能参数预测方法及*** |
US11828168B2 (en) | 2021-06-30 | 2023-11-28 | Saudi Arabian Oil Company | Method and system for correcting and predicting sonic well logs using physics-constrained machine learning |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015065651A1 (en) * | 2013-10-29 | 2015-05-07 | Exxonmobil Upstream Research Company | Method for estimating subsurface properties from geophysical survey data using physics-based inversion |
CN105510966A (zh) * | 2015-12-30 | 2016-04-20 | 中国石油天然气股份有限公司 | 一种含非牛顿流体的孔隙介质声波速度计算方法及装置 |
CN106842326A (zh) * | 2015-12-04 | 2017-06-13 | 中国石油化工股份有限公司 | 无横波速度测井时砂泥互层co2地质封存时移地震正演模拟方法 |
CN109143340A (zh) * | 2018-08-20 | 2019-01-04 | 中国海洋石油集团有限公司 | 一种基于常q模型的粘弹介质地震波模拟方法及*** |
CN110133723A (zh) * | 2019-04-24 | 2019-08-16 | 中国石油大学(华东) | 一种黏声一次波与分阶多次波联合成像方法和*** |
CN110276091A (zh) * | 2019-04-26 | 2019-09-24 | 中国石油化工股份有限公司 | 基于岩石多重孔隙结构的弹性波响应模型建模方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7424367B2 (en) * | 2004-05-27 | 2008-09-09 | Exxonmobil Upstream Research Company | Method for predicting lithology and porosity from seismic reflection data |
-
2020
- 2020-01-06 CN CN202010013150.1A patent/CN111025396B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015065651A1 (en) * | 2013-10-29 | 2015-05-07 | Exxonmobil Upstream Research Company | Method for estimating subsurface properties from geophysical survey data using physics-based inversion |
CN106842326A (zh) * | 2015-12-04 | 2017-06-13 | 中国石油化工股份有限公司 | 无横波速度测井时砂泥互层co2地质封存时移地震正演模拟方法 |
CN105510966A (zh) * | 2015-12-30 | 2016-04-20 | 中国石油天然气股份有限公司 | 一种含非牛顿流体的孔隙介质声波速度计算方法及装置 |
CN109143340A (zh) * | 2018-08-20 | 2019-01-04 | 中国海洋石油集团有限公司 | 一种基于常q模型的粘弹介质地震波模拟方法及*** |
CN110133723A (zh) * | 2019-04-24 | 2019-08-16 | 中国石油大学(华东) | 一种黏声一次波与分阶多次波联合成像方法和*** |
CN110276091A (zh) * | 2019-04-26 | 2019-09-24 | 中国石油化工股份有限公司 | 基于岩石多重孔隙结构的弹性波响应模型建模方法 |
Non-Patent Citations (6)
Title |
---|
A unified poroviscoelastic model with mesoscopic and microscopic heterogeneities;Boya Zhang,等;《Science Bulletin》;20191231;第1-30页 * |
Inversion of reservoir porosity, saturation, and permeability based on a robust hybrid genetic algorithm;Zhilong Fang,等;《GEOPHYSICS》;20151031;第265-280页 * |
Waves in fractional Zener type viscoelastic media;Sanja Konjik,等;《Mathematics Subject Classification》;20111231;第1-12页 * |
含流体多孔介质中分数阶模型的波场模拟与参数反演;杨佳明,等;《中国地球科学联合学术年会 2018》;20181231;第1280-1282页 * |
基于双相介质理论的储层参数反演方法;桂金咏,等;《地球物理学报》;20150930;第3424-3438页 * |
基于自适应杂交遗传算法的CO2地质封存的储层参数反演研究;郝艳军,等;《地球物理学报》;20161130;第4234-4243页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111025396A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107203005B (zh) | 一种定量化计算裂缝描述参数的方法 | |
CA2580570C (en) | Integrated anisotropic rock physics model | |
CN111190225B (zh) | 盐间页岩油储层岩石物理机制与地震预测方法 | |
CN111399044B (zh) | 一种储层渗透率预测方法、装置及存储介质 | |
CN111025396B (zh) | 基于人工智能算法的油藏物性参数地震预测方法 | |
US8965744B2 (en) | Method of developing a petroleum reservoir by reservoir model reconstruction | |
HUANG et al. | Staggered‐Grid High‐Order Finite‐Difference Method in Elastic Wave Simulation with Variable Grids and Local Time‐Steps | |
CN104570065B (zh) | 一种利用地震波阻抗定量反演孔隙度的方法 | |
Ladopoulos | Non-linear Elastodynamics by Seismic Wave Motion in Real-Time Expert Seismology | |
Zhang et al. | Parametric study on the prediction of wave-induced liquefaction using an artificial neural network model | |
Gervais et al. | Integration of saturation data in a history matching process based on adaptive local parameterization | |
CN107065010B (zh) | 一种基于分形理论的地震属性和地震反演数据的融合方法 | |
CN115586572A (zh) | 一种孔隙参数与储层参数的地震岩石物理解析反演方法 | |
Tadeu et al. | 2.5 D elastic wave propagation in non-homogeneous media coupling the BEM and MLPG methods | |
Wang et al. | Some theoretical aspects of elastic wave modeling with a recently developed spectral element method | |
CN104062680B (zh) | 一种计算波阻抗反演目标函数梯度的方法 | |
Hou et al. | Estimation of reservoir porosity using probabilistic neural network and seismic attributes | |
CN107764697A (zh) | 基于孔隙介质渐进方程非线性反演的含气性检测方法 | |
Sun | Data-driven rational function neural networks: a new method for generating analytical models of rock physics | |
Liu et al. | Inversion of reservoir parameters based on the rock physics model and neural ODEs | |
Xiong et al. | Biot's theory-based dynamic equation modeling using a machine learning auxiliary approach | |
Hong et al. | Joint Bayesian inversion for reservoir characterization and uncertainty quantification | |
Gulley | Computational approaches for estimating fault zone properties using trapped waves | |
Wang et al. | A method of permeability prediction for the tight sandstone reservoir | |
Quintal et al. | Finite element modeling of seismic attenuation due to fluid flow in partially saturated rocks |
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 |