System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及油气勘探测井,尤其涉及一种适用于致密砂岩的基于机器学习的优质储层刻画方法、装置、计算机可读存储介质和电子设备。
技术介绍
1、对于致密砂岩气藏而言,优质储层是气井高产、稳产的关键,故明确其分布对致密油气藏的勘探和开发均至关重要;但致密砂岩整体物性差,非均质性强,优质储层刻画难度较大。
2、目前常用的优质储层刻画方法包括地震属性分析和波阻抗反演等,地震属性刻画砂体具有一定效果,但砂体中包含物性较差的致密层,故属性不能刻画储层。波阻抗反演是基于优质储层和围岩的弹性参数的差异开展优质储层刻画,往往致密砂岩优质储层和围岩的矿物成分和物性等差异小,导致弹性参数差异小,故优质储层和围岩在弹性参数交会图上存在一定的重叠、甚至严重的重叠,直接利用这些参数刻画优质储层的可靠性有待提高。
3、针对上述问题,李龙等(2019)通过gr曲线和波阻抗曲线的重构,开展辽河西部凹陷清水洼陷沙一段砂体预测,此方法仅可以刻画砂岩分布,不能刻画砂岩中优质储层分布。干大勇等(2020)通过有井约束地震反演,得到波阻抗数据体;然后,开展地质统计学gr反演,得到岩性数据体,将岩性数据体与波阻抗数据体进行计算消除岩性的影响;最后,利用孔隙度和波阻抗的关系得到孔隙度反演数据体,对川中ql地区沙溪庙组致密砂岩储层有无、厚薄、好坏进行刻画。由于多数情况下,致密砂岩孔隙度和波阻抗相关性一般,故利用波阻抗体得到孔隙度体可靠性偏低。中石化勘探分公司(2017)通过逐步逼近、多重降维的方法开展川东北地区须家河组致密砂岩储层和含气性预测,首先,利用阻
技术实现思路
1、针对上述问题,本专利技术的实施例提供了一种基于机器学习的优质储层刻画方法、装置、计算机可读存储介质和电子设备。
2、第一方面,本专利技术实施例提供了一种基于机器学习的优质储层刻画方法,包括:
3、s100,获取研究区的叠前地震道集;
4、s200,获取研究区的测井曲线,通过分析所述测井曲线的交会情况,确定能够用于识别研究区的优质储层的敏感测井曲线;
5、s300,确定研究区的矿物成分组成及其含量,基于所述矿物成分组成及其含量,通过岩石物理建模正演研究区的岩石物理参数曲线,基于所述岩石物理参数曲线获得研究区的弹性参数曲线;
6、s400,利用深度神经网络算法,建立所述敏感测井曲线与所述弹性参数曲线之间的对应关系,基于所述对应关系,由研究区已钻井的岩石物理参数曲线计算出对应的敏感测井曲线,通过分析该敏感测井曲线的交会情况,确定优质储层的敏感测井曲线的概率分布;
7、s500,利用研究区的叠前地震道集,通过相控下的叠前统计学反演获得研究区的弹性参数体,基于所述敏感测井曲线与所述弹性参数曲线之间的对应关系,利用所述弹性参数体反演敏感测井曲线体;
8、s600,根据优质储层的敏感测井曲线的概率分布,判断所述敏感测井曲线体上的每个位置是否为优质储层,从而确定研究区的优质储层的分布情况。
9、根据本专利技术的实施例,在上述步骤s100中,在获取研究区的叠前地震道集之后且在利用研究区的叠前地震道集之前,对所述叠前地震道集的品质进行优化处理。
10、根据本专利技术的实施例,在上述步骤s200中,所述能够用于识别研究区的优质储层的敏感测井曲线为自然伽玛(gr)测井曲线和深侧向电阻率(rd)测井曲线。
11、根据本专利技术的实施例,在上述步骤s300中,所述确定研究区的矿物成分组成及其含量,包括:
12、建立研究区的多矿物最优化模型,利用所述多矿物最优化模型确定研究区的矿物成分组成及其含量。
13、根据本专利技术的实施例,在上述步骤s300中,所述弹性参数曲线包括纵波速度、横波速度、vp/vs、拉梅系数和泊松比弹性参数曲线。
14、根据本专利技术的实施例,在上述步骤s400中,所述深度神经网络算法包括基于fvr的支持向量机深度神经网络算法;所述优质储层的敏感测井曲线的概率分布为贝叶斯概率分布。
15、根据本专利技术的实施例,在上述步骤s500中,所述利用研究区的叠前地震道集,通过相控下的叠前统计学反演获得研究区的弹性参数体,包括:
16、利用研究区的叠前地震道集,通过井上砂地比机器学习地质勾绘的沉积微相图和叠前确定性反演纵波阻抗平面图,确定砂地比分布;
17、在砂地比分布的约束条件下开展叠前统计学反演,获得研究区的弹性参数体。
18、第二方面,本专利技术还提供一种基于机器学习的优质储层刻画识别装置,其特征在于,包括:
19、叠前数据获取模块,用于获取研究区的叠前地震道集;
20、测井曲线分析模块,用于获取研究区的测井曲线,通过分析所述测井曲线的交会情况,确定能够用于识别研究区的优质储层的敏感测井曲线;
21、弹性参数推演模块,用于确定研究区的矿物成分组成及其含量,基于所述矿物成分组成及其含量,通过岩石物理建模正演研究区的岩石物理参数曲线,基于所述岩石物理参数曲线获得研究区的弹性参数曲线;
22、储层概率分析模块,用于利用深度神经网络算法,建立所述敏感测井曲线与所述弹性参数曲线之间的对应关系,基于所述对应关系,由研究区已钻井的岩石物理参数曲线计算出对应的敏感测井曲线,通过分析该敏感测井曲线的交会情况,确定优质储层的敏感测井曲线的概率分布;
23、敏感测井曲线反演模块,用于利用研究区的叠前地震道集,通过相控下的叠前统计学反演获得研究区的弹性参数体,基于所述敏感测井曲线与所述弹性参数曲线之间的对应关系,利用所述弹性参数体反演敏感测井曲线体;
24、储层分布确定模块,用于根据优质储层的敏感测井曲线的概率分布,判断所述敏感测井曲线体上的每个位置是否为优质储层,从而确定研究区的优质储层的分布情况。
25、第三方面,本专利技术实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被被处理器执行时,实现如前第一方面所述的一种基于机器学习的优质储层刻画方法。
26、第四方面,本专利技术实施例提供了一种电子设备,其包括:
27、处理器;
28、用于存储所述处理器可执行指令的存储器;
29、其中,所述处理器被配置为执行所述指令,以实现如前第一方面所述的一种基于机器学习的优质储层刻画方法。
30、与现有技术相比,本专利技术的上述技术方案具有如下有益效果:
31、1)本专利技术提供的一种基于机器学习的优质储层刻画方法,通过本文档来自技高网...
【技术保护点】
1.一种基于机器学习的优质储层刻画方法,其特征在于,包括以下步骤:
2.如权利要求1所述的基于机器学习的优质储层刻画方法,其特征在于,在步骤S100中,在获取研究区的叠前地震道集之后且在利用研究区的叠前地震道集之前,对所述叠前地震道集的品质进行优化处理。
3.如权利要求1所述的基于机器学习的优质储层刻画方法,其特征在于,在步骤S200中,所述能够用于识别研究区的优质储层的敏感测井曲线为自然伽玛(GR)测井曲线和深侧向电阻率(RD)测井曲线。
4.如权利要求1所述的基于机器学习的优质储层刻画方法,其特征在于,在步骤S300中,所述确定研究区的矿物成分组成及其含量,包括:
5.如权利要求1所述的基于机器学习的优质储层刻画方法,其特征在于,在步骤S300中,所述弹性参数曲线包括纵波速度、横波速度、纵横波速度比、拉梅系数和泊松比弹性参数曲线。
6.如权利要求1所述的基于机器学习的优质储层刻画方法,其特征在于,在步骤S400中,所述深度神经网络算法包括基于支持向量机的深度神经网络算法;所述优质储层的敏感测井曲线的概率分布为贝叶斯概
7.如权利要求1所述的基于机器学习的优质储层刻画方法,其特征在于,在步骤S500中,所述利用研究区的叠前地震道集,通过相控下的叠前统计学反演获得研究区的弹性参数体,包括:
8.一种基于机器学习的优质储层刻画装置,其特征在于,包括:
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时,实现如权利要求1至7中任一项所述的一种基于机器学习的优质储层刻画方法。
10.一种电子设备,其包括:
...【技术特征摘要】
1.一种基于机器学习的优质储层刻画方法,其特征在于,包括以下步骤:
2.如权利要求1所述的基于机器学习的优质储层刻画方法,其特征在于,在步骤s100中,在获取研究区的叠前地震道集之后且在利用研究区的叠前地震道集之前,对所述叠前地震道集的品质进行优化处理。
3.如权利要求1所述的基于机器学习的优质储层刻画方法,其特征在于,在步骤s200中,所述能够用于识别研究区的优质储层的敏感测井曲线为自然伽玛(gr)测井曲线和深侧向电阻率(rd)测井曲线。
4.如权利要求1所述的基于机器学习的优质储层刻画方法,其特征在于,在步骤s300中,所述确定研究区的矿物成分组成及其含量,包括:
5.如权利要求1所述的基于机器学习的优质储层刻画方法,其特征在于,在步骤s300中,所述弹性参数曲线包括纵波速...
【专利技术属性】
技术研发人员:黄彦庆,肖开华,季玉新,林恬,金武军,王爱,
申请(专利权)人:中国石油化工股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。