CN112684503B - 一种基于叠后地震属性的储层流体识别方法及装置 - Google Patents
一种基于叠后地震属性的储层流体识别方法及装置 Download PDFInfo
- Publication number
- CN112684503B CN112684503B CN202011278442.4A CN202011278442A CN112684503B CN 112684503 B CN112684503 B CN 112684503B CN 202011278442 A CN202011278442 A CN 202011278442A CN 112684503 B CN112684503 B CN 112684503B
- Authority
- CN
- China
- Prior art keywords
- reservoir fluid
- fluid identification
- reservoir
- attribute
- identification factor
- 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
- 239000012530 fluid Substances 0.000 title claims abstract description 229
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 64
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 61
- 238000009826 distribution Methods 0.000 claims abstract description 49
- 239000006185 dispersion Substances 0.000 claims abstract description 43
- 239000011435 rock Substances 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 15
- 239000004215 Carbon black (E152) Substances 0.000 claims description 14
- 229930195733 hydrocarbon Natural products 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 125000001183 hydrocarbyl group Chemical group 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000011161 development Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 150000002430 hydrocarbons Chemical class 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005553 drilling Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本文提供了一种基于叠后地震属性的储层流体识别方法及装置,其中,方法包括:根据待识别工区叠后地震数据以及测井数据,确定叠后地震属性数据,其中,所述叠后地震属性数据包括:纵波阻抗数据体和频散属性数据体;将所述叠后地震属性数据代入储层流体识别因子属性计算模型中,计算得到储层流体识别因子属性数据体,其中,所述储层流体识别因子属性计算模型通过纵波阻抗和频散属性、以及岩石物理模板中孔隙度和含水饱和度分布特征构建得到;根据所述储层流体识别因子属性数据体,识别储层流体。本文能够有效描述储层流体的分布规律,为叠后地震工区储层预测与流体识别提供了可靠的技术保障,降低了勘探开发的风险。
Description
技术领域
本文涉及石油地球物体勘探领域,尤其涉及一种基于叠后地震属性的储层流体识别方法及装置。
背景技术
随着石油勘探开发的深入,地震勘探的目标逐渐由构造圈闭的识别转变为岩性圈闭的检测,相应的储层预测的目标也变为储层含油气性的直接检测以及储层物性的定量识别。随着地震采集技术以及岩石物理理论的不断发展,基于叠前反演的储层预测技术取得的长足的进步,各种基于纵波阻抗、横波阻抗以及密度信息的储层流体检测因子层出不穷,这其中应用比较广泛的包括:纵横波速度比、拉梅系数、Gassmann流体因子、泊松阻抗以及弹性阻抗等。这些技术充分利用了叠前非零偏移距地震数据对于储层流体的敏感性,通过弹性参数的组合运算优选出能够有效识别储层含流体区域的敏感参数因子,揭示了构造背景下的储层流体分布特征。根据岩石物理理论的认识而只能对构造圈闭进行简单描述,这大大降低了叠后地震工区储层预测的精度,因为在相同构造背景条件下储层内部可能含油也可能含水,而单纯依靠构造信息是无法判断油气水的。在实际勘探过程中,由于勘探效益控制、工区地形限制或者早期勘探阶段等因素的影响,导致大部分工区没有叠前地震数据以及横波测井数据,使得最新的基于非零偏移距信息预测储层流体的相关研究成果与技术手段无法被充分应用,降低了勘探开发的精度,严重影响了钻井成功率。
在叠后地震工区如何利用有限的数据进行有效的储层流体识别是一个亟需解决的问题。
发明内容
本文用于解决现有技术中叠前反演的储层预测技术存在识别精度低,进而影响钻井成功率的问题。
为了解决上述技术问题,本文的第一方面提供一种基于叠后地震属性的储层流体识别方法,包括:
根据待识别工区叠后地震数据以及测井数据,确定叠后地震属性数据,其中,所述叠后地震属性数据包括:纵波阻抗数据体和频散属性数据体;
将所述叠后地震属性数据代入储层流体识别因子属性计算模型中,计算得到储层流体识别因子属性数据体,其中,所述储层流体识别因子属性计算模型通过纵波阻抗和频散属性、以及岩石物理模板中孔隙度和含水饱和度分布特征构建得到;
根据所述储层流体识别因子属性数据体,识别储层流体。
进一步实施例中,根据待识别工区叠后地震数据以及测井数据,确定叠后地震属性数据,包括:
根据待识别工区叠后地震数据以及测井数据,利用叠后稀疏脉冲反演得到纵波阻抗数据体;
对所述叠后地震数据进行分频运算,得到不同频率的单频地震数据体;
根据所述不同频率的单频地震数据体,计算得到频散属性数据体。
进一步实施例中,根据所述不同频率的单频地震数据体,计算得到频散属性数据体,包括:
D=(W(f)TW(f))-1W(f)TS(f);
W(f)=[W(f1) W(f2) W(f3)];
其中,D为频散属性,W(f)为由不同频率Ricker子波构建的频变子波矩阵,S(f)为单频地震数据,i为频率分类代号,1为低频,2为中频,3为高频,fi为i类频率,即f1为低频,f2为中频,f3为高频。
进一步实施例中,储层流体识别因子属性计算模型为纵波阻抗和频散属性的函数,所述储层流体识别因子属性计算模型的输出反映所述储层孔隙度以及含水饱和度分布。
进一步实施例中,所述储层流体识别因子属性计算模型的计算公式为:
F=(D+c1)*(Zp+c2);
其中,F为储层流体识别因子属性,D为频散属性,Zp为纵波阻抗,c1和c2为待定系数,根据所述储层流体识别因子属性F与所述孔隙度以及所述含水饱和度相关性计算得到。
进一步实施例中,所述待定系数的计算过程包括:
构建如下关于所述储层流体识别因子属性与所述孔隙度以及所述含水饱和度相关性的目标函数:
求解所述目标函数,得到所述待定系数。
进一步实施例中,根据所述储层流体识别因子属性数据体,识别储层流体,包括:
比较所述储层流体识别因子属性数据体与储层流体识别因子属性阈值;
将小于储层流体识别因子属性阈值的储层流体识别因子属性数据体的分布区域确定为含油气储层;
其中,所述储层流体识别因子属性阈值根据预先收集的不同孔隙度条件下含水、油、气层对应的储层流体识别因子属性数据分析得到。
进一步实施例中,储层流体识别因子属性阈值的分析过程包括:
预先收集不同孔隙度条件下含水、油、气层对应的储层流体识别因子属性数据;
根据预先收集的不同孔隙度条件下含水、油、气层对应的储层流体识别因子属性数据,确定不同孔隙度条件下含水、油、气层储层流体识别因子属性数据分布规律;
根据所述分布规律,确定储层流体识别因子属性阈值。
本文第二方面提供一种基于叠后地震属性的储层流体识别装置,包括:
第一计算单元,用于根据叠后地震数据以及测井数据,确定叠后地震属性数据,其中,所述叠后地震属性数据包括:纵波阻抗数据体和频散属性数据体;
第二计算单元,用于将所述叠后地震属性数据代入储层流体识别因子属性计算模型中,计算得到储层流体识别因子属性数据体,其中,所述储层流体识别因子属性计算模型通过纵波阻抗和频散属性、以及岩石物理模板中孔隙度和含水饱和度分布特征构建得到;
流体识别模块,用于基于所述储层流体识别因子属性数据体进行储层流体识别。
本文的第三方面提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现前述任一实施例所述的基于叠后地震属性的储层流体识别方法。
本文的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行计算机程序,所述计算机程序被处理器执行时实现前述任一实施例所述的基于叠后地震属性的储层流体识别方法。
本文提出一种基于叠后地震属性的储层流体识别方法与装置,首先根据待识别工区叠后地震数据以及测井数据,确定纵波阻抗数据体和阻抗频散属性体;其次,将叠后地震属性数据代入储层流体识别因子属性计算模型中,计算得到储层流体识别因子属性数据体,其中,储层流体识别因子属性计算模型通过纵波阻抗和频散属性、以及岩石物理模板中孔隙度和含水饱和度分布特征构建得到;最后,根据储层流体识别因子属性数据体,识别储层流体,能够提高储层流体的识别精度,为叠后地震工区储层预测提供了可靠的技术保障,降低了勘探开发的风险。
为让本文的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本文实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本文的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本文实施例的基于叠后地震属性的储层流体识别方法的流程图;
图2示出了本文实施例叠后地震属性数据计算过程的流程图;
图3示出了本文具体实施例的目标函数数值分布图;
图4示出了本文具体实施例构建的储层流体识别因子模型在岩石物理模板中的分布规律图;
图5示出了本文具体实施例不同孔隙度条件下含水、含油层储层流体识别因子属性数据分布规律示意图;
图6示出了本文实施例基于储层流体识别因子预测的含油气储层过井剖面图;
图7示出了本文实施例研究工区内在目的层处基于储层流体识别因子预测的含油气储层平面分布规律图;
图8示出了本文实施例的基于叠后地震属性的储层流体识别装置的结构图;
图9示出了本文实施例计算机设备的结构图。
附图符号说明:
810、第一计算单元;
820、第二计算单元;
830、流体识别模块;
902、计算机设备;
904、处理器;
906、存储器;
908、驱动机构;
910、输入/输出模块;
912、输入设备;
914、输出设备;
916、呈现设备;
918、图形用户接口;
920、网络接口;
922、通信链路;
924、通信总线。
具体实施方式
下面将结合本文实施例中的附图,对本文实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本文一部分实施例,而不是全部的实施例。基于本文中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本文保护的范围。
本文一实施例中,如图1所示,图1示出了本文实施例的基于叠后地震属性的储层流体识别方法的流程图。本实施例能够解决现有技术中叠前反演的储层预测技术存在识别精度低,进而影响钻井成功率的问题,具体的,包括:
步骤110,根据待识别工区的叠后地震数据以及测井数据,确定叠后地震属性数据,其中,叠后地震属性数据包括:纵波阻抗数据体和频散属性数据体;
步骤120,将叠后地震属性数据代入储层流体识别因子属性计算模型中,计算得到储层流体识别因子属性数据体,其中,储层流体识别因子属性计算模型通过纵波阻抗和频散属性、以及岩石物理模板中孔隙度和含水饱和度分布特征构建得到;
步骤130,根据储层流体识别因子属性数据体,识别储层流体。
详细的说,叠后地震数据为待识别工区内常规的叠后地震数据,测井数据包括:声波曲线、密度曲线、孔隙度曲线以及含水饱和度曲线。纵波阻抗数据体用于表示储层岩石的弹性特征,反映了岩石速度以及密度的综合响应。频散属性数据体用于表示地震能量随频率的变化率。
本实施例通过纵波阻抗和频散属性、以及岩石物理模板中孔隙度以和含水饱和度分布特征构建得到储层流体识别因子属性计算模型,利用储层流体识别因子属性计算模型对将待识别工区计算得到的叠后地震属性数据进行计算,计算得到的储层流体识别因子属性数据体能够有效描述储层流体的分布规律,为叠后地震工区储层预测与流体识别提供了可靠的技术保障,降低了勘探开发的风险。
本文一实施例中,如图2所示,上述步骤110根据待识别工区叠后地震数据以及测井数据,确定叠后地震属性数据,包括:
步骤210,根据待识别工区叠后地震数据以及测井数据,利用叠后稀疏脉冲反演得到纵波阻抗数据体;
步骤220,对叠后地震数据进行分频运算,得到不同频率的单频地震数据体;
步骤230,根据不同频率的单频地震数据体,计算得到频散属性数据体。
详细的说,叠后稀疏脉冲反演过程可参见现有技术,本文此处不再详述。
一些实施方式中,上述步骤220可利用短时傅里叶变换对叠后地震数据进行分频运算,获得不同频率的单频地震数据体,其中,单频地震数据体计算公式为:
其中,s(t)为输入的叠后地震数据,f为频率,t为时间,S(f)为单频地震数据。
上述步骤230可利用最小二乘法根据不同频率的单频地震数据体,计算得到频散属性数据体,其中,频散属性数据体计算公式如下:
D=(W(f)TW(f))-1W(f)TS(f);
W(f)=[W(f1) W(f2) W(f3)];
其中,D为频散属性,W(f)为由不同频率Ricker子波构建的频变子波矩阵,S(f)为单频地震数据,i为频率分类代号,1为低频,2为中频,3为高频,fi为i类频率。
本文一实施例中,上述步骤120中的储层流体识别因子属性计算模型预先建立,为纵波阻抗和频散属性的函数,所述储层流体识别因子属性计算模型的输出反映所述储层孔隙度以及含水饱和度分布。
一些实施方式中,储层流体识别因子属性计算模型具体建立过程包括:
先根据岩石物理分析构建岩石物理模板,岩石物理模板描述了不同岩性、不同孔隙度以及含水饱和度的储层在岩石物理模板中的分布规律。然后根据纵波阻抗和频散属性、以及岩石物理模板中孔隙度和含水饱和度分布特征构建储层流体识别因子属性计算模型,构建的储层流体识别因子属性计算模型可用如下计算公式表示:
F=(D+c1)*(Zp+c2);
其中,F为储层流体识别因子属性,D为频散属性,Zp为纵波阻抗,c1和c2为待定系数,根据储层流体识别因子属性F与所述孔隙度以及含水饱和度相关性计算得到,具体的,待定系数c1和c2的计算过程包括:
构建如下关于储层流体识别因子属性与孔隙度以及含水饱和度相关性的目标函数:
求解目标函数,得到待定系数。将求解得到的待定系数代回储层流体识别因子属性计算模型,完成储层流体识别因子属性计算模型的构建。
具体的,求解目标函数时,可采用如下方式实现:
设定c1的取值范围为0.05至0.5,采样点数为10;c2的取值范围为1至5,采样点数为25。其中,c1及c2的取值范围根据工区实际数据测算得到,经过大量实验表明c1的取值范围为0.05至0.5,c2的取值范围为1至5最有效。具体实施时,可以首先固定c1值(例如取值为0.2时),计算一组不同c2值(即1至5)对应的储层流体识别因子属性曲线,例如共25条。然后分别改变c1值重复上述过程,可以得到流体因子曲线250条(10*25),并且每一条储层流体识别因子属性曲线对应了不同(c1,c2)参数组合。
将得到的储层流体识别因子属性曲线分别同储层流体曲线进行相关性分析,得到每条储层流体识别因子属性曲线与储层流体曲线的相关系数,相关系数最大时表明了构建的储层流体识别因子属性能够最好的表征储层的流体分布情况,可以用来区别油气水,如图3所示,图3示出了本文一具体实施例的目标函数数值分布图,其中,黑色实线为相关系数等值线,相关系数如图上数值所示,深色部分表示相关性系数大的区域,浅色部分表示相关性小的区域。可以看出相关性系数最大达到了0.9,对应的c1和c2参数分别为[0.15,-4.2](白色十字)左右,从而得到流体识别因子属性计算公式:
F=(D+0.15)*(Zp-4.2)。
如图4所示,图4示出了本文一具体实施例构建的储层流体识别因子模型在岩石物理模板中的分布规律图,横坐标为纵波阻抗,纵坐标为纵横波速度比,图中充填颜色表征了储层流体识别因子属性值的大小,深色代表了属性低值,浅色代表了属性高值。图中南北向黑色实线分别代表了等孔隙度趋势线,从东向西孔隙度依次增大,分别为0,0.05,0.1,0.15,0.2,0.25和0.3。图中近东西向实线分别代表了等含水饱和度趋势线,从北向南含水饱和度依次减小,分别为1.0,0.9,0.8,0.7,0.6,0.5,0.4和0。根据岩石物理模板分析可以知道高孔隙度低含水饱和度对应的优质储层位于模板的左下角区域,位于该区域的储层通常具有孔隙度大于0.25,含水饱和度低于0.4的特征。在本实施例中根据构建的储层流体识别因子分布特征可以知道,流体识别因子属性低值(深色区域)对应了高孔隙度低含水饱和度优质储层区域,流体识别因子属性高值(浅色区域)对应了非储层区域(致密层或者水层)。分析结果表面,基于纵波阻抗以及频散属性构建的储层流体识别因子属性对储层含油气性具有很强的敏感性,能够有效描述含油气储层分布规律。
本文一实施例中,上述步骤130根据步骤120计算得到的储层流体识别因子属性数据体,识别储层流体,包括:
比较储层流体识别因子属性数据体与储层流体识别因子属性阈值,将小于储层流体识别因子属性阈值的储层流体识别因子属性数据体的分布区域确定为含油气储层;
其中,储层流体识别因子属性阈值根据预先收集的不同孔隙度条件下含水油气层对应的储层流体识别因子属性数据分析得到。
具体的,利用储层流体识别因子属性阈值F0将上述储层流体识别因子属性数据体分成两类,即当F≤F0时,对应的分布范围为含烃储层,当F>F0时,对应的分布范围为水层,完成了储层流体的检测工作;圈定F<F0时对应的含烃储层分布范围即得到了有利储层的油气分布规律。
一具体实施方式中,储层流体识别因子属性阈值的分析过程包括:
预先收集不同孔隙度条件下含水、油、气层对应的储层流体识别因子属性数据;
根据预先收集的不同孔隙度条件下含水、油、气层对应的储层流体识别因子属性数据,确定不同孔隙度条件下含水、油、气层储层流体识别因子属性数据分布规律。根据分布规律,确定储层流体识别因子属性阈值。
如图5所示,图5示出了本文具体实施例不同孔隙度条件下含水、油、气层储层流体识别因子属性数据分布规律示意图。横坐标为孔隙度,纵坐标为储层流体识别因子属性,黑色实线为不同孔隙度条件下含水储层对应的储层流体识别因子属性值,黑色虚线分布为不同孔隙度条件下含油储层和含气储层对应的储层流体识别因子属性值,黑色带箭头实线为根据岩石物理分析得到的完全区分含油气储层时储层流体识别因子属性阈值,当流体识别因子属性值小于阈值时,对应了含油气储层的分布区域,当流体识别因子属性值大于阈值时,对应了非储层分布区域。在本实施例中,储层流体识别因子属性阈值为F=0.112。
本文一实施例中,如图6所示,图6示出了本文实施例基于储层流体识别因子预测的含油气储层过井剖面图,图中填充颜色表征了储层流体识别因子属性数值大小,深色代表了属性低值,浅色代表了属性高值,从剖面中可以看出,在目的层处W-1井(椭圆区域)对应了储层流体识别因子属性低值,W-2井(椭圆区域)对应了储层流体识别因子属性高值,从而可以判定W-1井在研究区域目的层处为含油气储层,W-2井为非储层。
本文一实施例中,如图7所示,图7示出了本文实施例研究工区内在目的层处基于储层流体识别因子预测的含油气储层平面分布规律图,填充颜色表征了储层流体识别因子属性数值大小,深色代表了属性低值,浅色代表了属性高值,研究工区范围的2口已钻井,其中W-1为油井,日产油分别达到200桶/天,测井解释结论为高孔高渗透性砂岩储层,W-2井为失利井,测井解释结果为水井,地质研究认为该井位于油水分界面以下。在储层流体识别因子属性平面分布规律图中,W-1井位于含油气储层分布范围内,W-2井位于非储层分布范围内,表明基于储层流体识别因子得到的预测结果与钻井信息吻合,证实了该方法的有效性。
为了更清楚说明本文技术方案,下面以一具体实施例进行详细说明,具体的,基于叠后地震属性的储层流体识别过程包括:
步骤S1,基于岩石物理分析,构建储层流体识别因子属性计算模型,其中,储层流体识别因子属性计算模型可由如下公式表示:
F=(D+c1)*(Zp+c2);
其中,F为储层流体识别因子,D为频散属性,Zp为纵波阻抗,c1和c2为待定系数。
步骤S2,构建如下目标函数:
步骤S3,通过最小化目标函数的方式求解储层流体识别因子属性计算模型中的待定系数,将待定系数赋值于储层流体识别因子属性计算模型中,得到最终的储层流体识别因子属性计算模型。
步骤S4,获取待识别工区中的叠后地震数据以及测井数据。
步骤S5,根据待识别工区叠后地震数据以及测井数据,利用叠后稀疏脉冲反演得到纵波阻抗数据体。
步骤S6,对叠后地震数据进行分频运算,得到不同频率的单频地震数据体,根据不同频率的单频地震数据体,计算得到频散属性数据体。
步骤S7,将步骤S5计算得到的纵波阻抗数据体及步骤S6计算得到的频散属性数据体输入步骤S3得到的储层流体识别因子属性计算模型中,计算得到储层流体识别因子属性数据体。
步骤S8,比较计算得到的储层流体识别因子属性数据体与储层流体识别因子属性阈值,若计算得到的储层流体识别因子属性数据体小于储层流体识别因子属性阈值,则确定为含油气储层。
基于同一发明构思,本文还提供一种基于叠后地震属性的储层流体识别装置,如下面的实施例所述。由于基于叠后地震属性的储层流体识别装置解决问题的原理与方法相似,因此基于叠后地震属性的储层流体识别装置的实施可以参见方法,重复之处不再赘述。具体的,如图8所示,基于叠后地震属性的储层流体识别装置包括:
第一计算单元810,用于根据叠后地震数据以及测井数据,确定叠后地震属性数据,其中,所述叠后地震属性数据包括:纵波阻抗数据体和频散属性数据体;
第二计算单元820,用于将所述叠后地震属性数据代入储层流体识别因子属性计算模型中,计算得到储层流体识别因子属性数据体,其中,所述储层流体识别因子属性计算模型通过纵波阻抗和频散属性、以及岩石物理模板中孔隙度和含水饱和度分布特征构建得到;
流体识别模块830,用于根据所述储层流体识别因子属性数据体,识别储层流体。
本实施例首先根据待识别工区叠后地震数据以及测井数据,确定纵波阻抗数据体和阻抗频散属性体;其次,将叠后地震属性数据代入储层流体识别因子属性计算模型中,计算得到储层流体识别因子属性数据体,其中,储层流体识别因子属性计算模型通过纵波阻抗和频散属性、以及岩石物理模板中孔隙度和含水饱和度分布特征构建得到;最后,根据储层流体识别因子属性数据体,识别储层流体,能够提高储层流体的识别精度,为叠后地震工区储层预测提供了可靠的技术保障,降低了勘探开发的风险。
本文一实施例中,第一计算单元810根据待识别工区叠后地震数据以及测井数据,确定叠后地震属性数据,包括:
根据待识别工区叠后地震数据以及测井数据,利用叠后稀疏脉冲反演得到纵波阻抗数据体;
对叠后地震数据进行分频运算,得到不同频率的单频地震数据体;
根据不同频率的单频地震数据体,利用如下公式计算得到频散属性数据体:
D=(W(f)TW(f))-1W(f)TS(f);
W(f)=[W(f1) W(f2) W(f3)];
其中,D为频散属性,W(f)为由不同频率Ricker子波构建的频变子波矩阵,S(f)为单频地震数据,i为频率分类代号,1为低频,2为中频,3为高频,fi为i类频率,即f1为低频,f2为中频,f3为高频。
本文一实施例中,储层流体识别因子属性计算模型的计算公式为:
F=(D+c1)*(Zp+c2)
其中,F为储层流体识别因子属性,D为频散属性,Zp为纵波阻抗,c1和c2为待定系数,根据所述储层流体识别因子属性F与所述孔隙度以及所述含水饱和度相关性计算得到。
具体的,待定系数的计算过程包括:
构建如下关于所述储层流体识别因子属性F与所述孔隙度以及所述含水饱和度相关性的目标函数:
求解所述目标函数,得到待定系数。
本文一实施例中,流体识别模块830根据储层流体识别因子属性数据体,识别储层流体,包括:
比较储层流体识别因子属性数据体与储层流体识别因子属性阈值,
将小于储层流体识别因子属性阈值的储层流体识别因子属性数据体的分布区域确定为含油气储层;
其中,储层流体识别因子属性阈值的分析过程包括:
预先收集不同孔隙度条件下含水、油、气层对应的储层流体识别因子属性数据;
根据预先收集的不同孔隙度条件下含水、油、气层对应的储层流体识别因子属性数据,确定不同孔隙度条件下含水、油、气层储层流体识别因子属性数据分布规律;
根据分布规律,确定储层流体识别因子属性阈值。
本文一实施例中,还提供一种计算机设备,如图9所示,计算机设备902可以包括一个或多个处理器904,诸如一个或多个中央处理单元(CPU),每个处理单元可以实现一个或多个硬件线程。计算机设备902还可以包括任何存储器906,其用于存储诸如代码、设置、数据等之类的任何种类的信息。一些实施方式中,存储器906上并可在处理器904上运行的计算机程序,处理器904执行计算机程序时实现前述任一实施例所述的基于叠后地震属性的储层流体识别方法。非限制性的,比如,存储器906可以包括以下任一项或多种组合:任何类型的RAM,任何类型的ROM,闪存设备,硬盘,光盘等。更一般地,任何存储器都可以使用任何技术来存储信息。进一步地,任何存储器可以提供信息的易失性或非易失性保留。进一步地,任何存储器可以表示计算机设备902的固定或可移除部件。在一种情况下,当处理器904执行被存储在任何存储器或存储器的组合中的相关联的指令时,计算机设备902可以执行相关联指令的任一操作。计算机设备902还包括用于与任何存储器交互的一个或多个驱动机构908,诸如硬盘驱动机构、光盘驱动机构等。
计算机设备902还可以包括输入/输出模块910(I/O),其用于接收各种输入(经由输入设备912)和用于提供各种输出(经由输出设备914))。一个具体输出机构可以包括呈现设备916和相关联的图形用户接口918(GUI)。在其他实施例中,还可以不包括输入/输出模块910(I/O)、输入设备912以及输出设备914,仅作为网络中的一台计算机设备。计算机设备902还可以包括一个或多个网络接口920,其用于经由一个或多个通信链路922与其他设备交换数据。一个或多个通信总线924将上文所描述的部件耦合在一起。
通信链路922可以以任何方式实现,例如,通过局域网、广域网(例如,因特网)、点对点连接等、或其任何组合。通信链路922可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
本文一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述任一实施例所述的基于叠后地震属性的储层流体识别方法的步骤。
本文实施例还提供一种计算机可读指令,其中当处理器执行所述指令时,其中的程序使得处理器执行上述任一实施例所述的基于叠后地震属性的储层流体识别方法。
应理解,在本文的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本文实施例的实施过程构成任何限定。
还应理解,在本文实施例中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本文所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
另外,在本文各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本文的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本文的方法及其核心思想;同时,对于本领域的一般技术人员,依据本文的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本文的限制。
Claims (8)
1.一种基于叠后地震属性的储层流体识别方法,其特征在于,包括:
根据待识别工区叠后地震数据以及测井数据,确定叠后地震属性数据,其中,所述叠后地震属性数据包括:纵波阻抗数据体和频散属性数据体;
将所述叠后地震属性数据代入储层流体识别因子属性计算模型中,计算得到储层流体识别因子属性数据体,其中,所述储层流体识别因子属性计算模型通过纵波阻抗和频散属性、以及岩石物理模板中孔隙度和含水饱和度分布特征构建得到;
根据所述储层流体识别因子属性数据体,识别储层流体;
所述储层流体识别因子属性计算模型的计算公式为:
F=(D+c1)*(Zp+c2);
其中,F为储层流体识别因子属性,D为频散属性,Zp为纵波阻抗,c1和c2为待定系数,根据所述储层流体识别因子属性F与所述孔隙度以及所述含水饱和度相关性计算得到;
所述待定系数的计算过程包括:
构建如下关于所述储层流体识别因子属性F与所述孔隙度以及所述含水饱和度相关性的目标函数:
求解所述目标函数,得到所述待定系数。
2.如权利要求1所述的方法,其特征在于,根据待识别工区叠后地震数据以及测井数据,确定叠后地震属性数据,包括:
根据待识别工区叠后地震数据以及测井数据,利用叠后稀疏脉冲反演得到纵波阻抗数据体;
对所述叠后地震数据进行分频运算,得到不同频率的单频地震数据体;
根据所述不同频率的单频地震数据体,计算得到频散属性数据体。
3.如权利要求1所述的方法,其特征在于,所述储层流体识别因子属性计算模型为纵波阻抗和频散属性的函数,所述储层流体识别因子属性计算模型的输出反映所述储层孔隙度以及含水饱和度分布。
4.如权利要求1所述的方法,其特征在于,根据所述储层流体识别因子属性数据体,识别储层流体,包括:
比较所述储层流体识别因子属性数据体与储层流体识别因子属性阈值;
将小于储层流体识别因子属性阈值的储层流体识别因子属性数据体的分布区域确定为含油气储层;
其中,所述储层流体识别因子属性阈值根据预先收集的不同孔隙度条件下含水、油、气层对应的储层流体识别因子属性数据分析得到。
5.如权利要求4所述的方法,其特征在于,储层流体识别因子属性阈值的分析过程包括:
预先收集不同孔隙度条件下含水、油、气层对应的储层流体识别因子属性数据;
根据预先收集的不同孔隙度条件下含水、油、气层对应的储层流体识别因子属性数据,确定不同孔隙度条件下含水、油、气层储层流体识别因子属性数据分布规律;
根据所述分布规律,确定储层流体识别因子属性阈值。
6.一种基于叠后地震属性的储层流体识别装置,其特征在于,包括:
第一计算单元,用于根据叠后地震数据以及测井数据,确定叠后地震属性数据,其中,所述叠后地震属性数据包括:纵波阻抗数据体和频散属性数据体;
第二计算单元,用于将所述叠后地震属性数据代入储层流体识别因子属性计算模型中,计算得到储层流体识别因子属性数据体,其中,所述储层流体识别因子属性计算模型通过纵波阻抗和频散属性、以及岩石物理模板中孔隙度和含水饱和度分布特征构建得到;
流体识别模块,用于根据所述储层流体识别因子属性数据体,识别储层流体;
所述储层流体识别因子属性计算模型的计算公式为:
F=(D+c1)*(Zp+c2);
其中,F为储层流体识别因子属性,D为频散属性,Zp为纵波阻抗,c1和c2为待定系数,根据所述储层流体识别因子属性F与所述孔隙度以及所述含水饱和度相关性计算得到;
所述待定系数的计算过程包括:
构建如下关于所述储层流体识别因子属性F与所述孔隙度以及所述含水饱和度相关性的目标函数:
求解所述目标函数,得到所述待定系数。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的基于叠后地震属性的储层流体识别方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行计算机程序,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的基于叠后地震属性的储层流体识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011278442.4A CN112684503B (zh) | 2020-11-16 | 2020-11-16 | 一种基于叠后地震属性的储层流体识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011278442.4A CN112684503B (zh) | 2020-11-16 | 2020-11-16 | 一种基于叠后地震属性的储层流体识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112684503A CN112684503A (zh) | 2021-04-20 |
CN112684503B true CN112684503B (zh) | 2022-08-05 |
Family
ID=75445881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011278442.4A Active CN112684503B (zh) | 2020-11-16 | 2020-11-16 | 一种基于叠后地震属性的储层流体识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112684503B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113640880B (zh) * | 2021-08-18 | 2024-03-08 | 核工业二0八大队 | 砂岩型铀矿地震勘探方法和装置 |
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 (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7652950B2 (en) * | 2005-06-03 | 2010-01-26 | Schlumberger Technology Corporation | Radial profiling of formation mobility using horizontal and vertical shear slowness profiles |
CN102053259A (zh) * | 2009-10-28 | 2011-05-11 | 中国石油化工股份有限公司 | 一种油气藏识别方法 |
CN105572727A (zh) * | 2014-10-16 | 2016-05-11 | 中国石油化工股份有限公司 | 基于孔隙流体参数频变反演的储层流体识别方法 |
CN105182424B (zh) * | 2015-08-03 | 2017-09-01 | 中国石油天然气股份有限公司 | 一种基于斑块饱和模型定量预测储层孔隙度的方法和装置 |
CN106483564B (zh) * | 2015-08-31 | 2019-08-30 | 中国石油化工股份有限公司 | 一种利用地震低频信息进行流体识别的方法 |
AU2016361911B2 (en) * | 2015-12-03 | 2020-05-21 | Ventana Medical Systems, Inc. | Fluid coverage sensing system and method |
CN105510965B (zh) * | 2015-12-29 | 2018-01-05 | 中国石油天然气股份有限公司 | 流体识别方法和装置 |
CN106054248B (zh) * | 2016-07-15 | 2017-07-18 | 河海大学 | 一种基于大面积致密储层地震岩石物理反演方法 |
-
2020
- 2020-11-16 CN CN202011278442.4A patent/CN112684503B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112684503A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109115987B (zh) | 一种基于岩石物理模型的流体因子的评价方法及装置 | |
CN112684503B (zh) | 一种基于叠后地震属性的储层流体识别方法及装置 | |
CN114861563B (zh) | 物理嵌入深度学习地层压力预测方法、装置、介质及设备 | |
Zhou et al. | Data driven modeling and prediction for reservoir characterization using seismic attribute analyses and big data analytics | |
CN113687440A (zh) | 基于米兰科维奇旋回的古水深定量恢复方法和存储介质 | |
CN112698399A (zh) | 一种砂砾岩井测震联动约束高效储层定量预测方法与*** | |
US20190017378A1 (en) | Natural Resource Reservoir Charging | |
WO2022087332A1 (en) | Reservoir characterization using rock geochemistry for lithostratigraphic interpretation of a subterranean formation | |
Danilovskiy et al. | Deep-learning-based noniterative 2D-inversion of unfocused lateral logs | |
CN114428298A (zh) | 断溶体分带性的识别方法、装置、电子设备及存储介质 | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
Al-Mudhafar et al. | Incorporating lithofacies classification and well logs into statistical learning algorithms for comparative multisource permeability modelling | |
CN114509812B (zh) | 一种碎屑岩储层甜点区预测方法、装置、介质及电子设备 | |
CN112505761B (zh) | 一种储层含气性检测方法和装置 | |
Freites et al. | Automated Classification of Well Test Responses in Naturally Fractured Reservoirs Using Unsupervised Machine Learning | |
CN112505764B (zh) | 一种高孔隙含烃砂岩储层预测方法与装置 | |
CN114707597A (zh) | 一种河流相致密砂岩储层复杂岩相智能化识别方法及*** | |
CN110569512B (zh) | 一种泥页岩中渗透性夹层发育程度定量表征方法 | |
CN113514884A (zh) | 一种致密砂岩储层预测方法 | |
CN112698401A (zh) | 一种岩石物理模板构建方法、装置、设备及存储介质 | |
Nagendra Babu et al. | Characterization of complex fluvial-deltaic deposits in Northeast India using Poisson impedance inversion and non-parametric statistical technique | |
CN113640873B (zh) | 砂岩型铀矿叠前地震预测方法及装置 | |
CN110879424A (zh) | 流体性质识别方法及装置 | |
CN112882092B (zh) | 一种基于多属性cnn井震联合反演方法、***、介质及应用 | |
RU2206911C2 (ru) | Способ поиска, разведки, исследования и создания модели месторождения полезных ископаемых |
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 |