CN112904441B - 一种湖相碳酸盐岩孔隙度的计算方法 - Google Patents
一种湖相碳酸盐岩孔隙度的计算方法 Download PDFInfo
- Publication number
- CN112904441B CN112904441B CN202110042589.1A CN202110042589A CN112904441B CN 112904441 B CN112904441 B CN 112904441B CN 202110042589 A CN202110042589 A CN 202110042589A CN 112904441 B CN112904441 B CN 112904441B
- Authority
- CN
- China
- Prior art keywords
- lake
- phase carbonate
- carbonate rock
- wave impedance
- porosity
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种湖相碳酸盐岩孔隙度的计算方法,首先,获取湖相碳酸盐岩的地震反演模型;其次,通过多道空间约束地震反演方法提高湖相碳酸盐岩的地震反演模型的空间表征能力,获取湖相碳酸盐岩的三维波阻抗参数;最后,利用BP神经网络算法实现湖相碳酸盐岩三维波阻抗参数与孔隙度参数的转化,获取湖相碳酸盐岩的孔隙度参数。本发明公开的湖相碳酸盐岩孔隙度的计算方法,通过多道空间约束反演方法、BP神经网络算法等计算手段成功实现了将湖相碳酸盐岩的地震资料数据中三维波阻抗参数转化为孔隙度参数,提高了纵波阻抗的反演精度,避免了多元拟合计算孔隙度造成的误差,能用于预测湖相碳酸盐岩孔隙度。
Description
技术领域
本发明涉及油气勘探技术领域,具体涉及一种湖相碳酸盐岩孔隙度的计算方法。
背景技术
湖相碳酸盐岩是分布最为广泛的一类陆相碳酸盐岩,巴西大坎波斯盆地深水盐下裂谷期油气资源丰富,目的层就为湖相碳酸盐岩储层。由于深水油气勘探钻井成本高,具有高孔隙度物性的湖相碳酸盐岩储层是实现高效勘探的前提,因此孔隙度预测的精度至关重要。目前,在油气勘探阶段进行孔隙度计算的方法有两种,一是经验公式法,即基于孔隙度与纵波阻抗等弹性参数的拟合关系,利用多元拟合算法实现孔隙度的计算;二是地震反演方法,即建立包含孔隙度的反演目标方程,通过地震反演实现孔隙度的计算。
由于巴西大坎波斯盆地裂谷期火山活动剧烈,湖相碳酸盐岩储层与火成岩交互发育,且湖相碳酸盐岩沉积相带横向变化快,空间非均质性强。岩性复杂会导致孔隙度与弹性参数的拟合相关度差,因此采用经验公式法、利用常规多元拟合计算会产生较大误差。常规地震反演的方法主要是针对“层状”碎屑岩储层,对于具有强非均质性的“块状”湖相碳酸盐岩储层的空间表征能力不足,直接反演精度较低,因此利用常规地震反演计算孔隙度的方法不适用于巴西大坎波斯盆地湖相碳酸盐岩储层。
发明内容
本发明的目的在于提供一种湖相碳酸盐岩孔隙度的计算方法,用以解决现有的经验公式法和地震反演方法都不能很好地预测湖相碳酸盐岩孔隙度的问题。
本发明公开了一种湖相碳酸盐岩孔隙度的计算方法,包括以下步骤:
步骤S1:选定湖相碳酸盐岩储层,在地层框架约束下构建湖相碳酸盐岩的波阻抗模型,获取湖相碳酸盐岩的地震反演模型;
步骤S2:通过多道空间约束地震反演方法和湖相碳酸盐岩的地震反演模型提高湖相碳酸盐岩地震反演波阻抗的空间表征能力,获取湖相碳酸盐岩的三维波阻抗参数;
步骤S3:利用BP神经网络算法实现湖相碳酸盐岩三维波阻抗参数与孔隙度参数的转化,获取湖相碳酸盐岩的孔隙度参数。
优选地,所述步骤S1包括以下步骤:
步骤S11:选定湖相碳酸盐岩储层,获取湖相碳酸盐岩的全叠加地震数据、测井数据、地层速度模型和层位数据,其中测井数据包括波阻抗参数;
步骤S12:根据湖相碳酸盐岩的地下层位的层序关系并利用层位数据构建湖相碳酸盐岩的地层层位框架;
步骤S13:根据测井数据开展地层速度与波阻抗参数的交会统计分析,获得湖相碳酸盐岩的地层速度与波阻抗参数的岩石物理拟合关系,将湖相碳酸盐岩的地层速度模型转化为初始波阻抗模型;
步骤S14:对湖相碳酸盐岩的井信息进行地质统计学分析,并据此建立湖相碳酸盐岩的变差函数;
步骤S15:在湖相碳酸盐岩的地层层位框架下,以所述初始波阻抗模型为协克里金约束量,结合湖相碳酸盐岩的变差函数,利用协克里金算法更新波阻抗模型获得湖相碳酸盐岩的更新波阻抗模型;
步骤S16:对湖相碳酸盐岩的更新波阻抗模型数据进行0-10Hz低通滤波处理,获得湖相碳酸盐岩的低频地震反演模型,其矩阵形式记为M。
优选地,所述步骤S2包括以下步骤:
步骤S21:根据全叠加地震数据和测井数据提取地震子波,获得子波矩阵W,并构建地震反演的褶积算子P,其中褶积算子的公式如下:
P=kron(I,W) (式1)
式中,kron(I,W)表示I和W的Kroneker积,I表示单位矩阵;
步骤22:通过多道空间约束的地震反演目标方程建立三维地震数据与三维波阻抗参数的映射关系,其中多道空间约束的地震反演目标方程的表达式为:
式中,S表示全叠加地震数据的矩阵;
m为待反演的地下地层界面的反射系数向量;
λ1为低频地震反演模型的约束系数;
M为低频地震反演模型的矩阵形式;
λ2为多道空间约束系数;
||m||2,1为多道空间约束项;
步骤23:对多道空间约束的地震反演目标方程进行最小化求解,获得m的反演结果,并计算湖相碳酸盐岩的波阻抗数据IP,其中波阻抗数据IP的表达式为:
优选地,所述步骤S3包括以下步骤:
步骤S31:对所述三维波阻抗参数进行条件化处理,包括按照设计的采样率对空间进行插值和利用扩散滤波处理方法除去随机噪音;
步骤S32:对湖相碳酸盐岩的测井孔隙度数据进行条件化处理,包括0-90Hz带通滤波和空间采样粗化处理,使其空间采样率与对三维波阻抗参数进行空间插值所采用的采样率保持一致;
步骤S33:利用BP神经网络的算法进行波阻抗参数与孔隙度参数的非线性映射计算,将湖相碳酸盐岩的波阻抗参数转化为湖相碳酸盐岩的孔隙度参数。
与现有技术相比,本发明的有益效果是:
本发明公开了一种湖相碳酸盐岩孔隙度的计算方法,首先,选定湖相碳酸盐岩,在地层框架约束下构建湖相碳酸盐岩的波阻抗模型,获取湖相碳酸盐岩的地震反演模型;其次,采用多道空间约束地震反演方法提高“块状”地质体湖相碳酸盐岩的地震反演波阻抗的空间表征能力,获取湖相碳酸盐岩的三维波阻抗参数;最后,利用BP神经网络算法实现湖相碳酸盐岩三维波阻抗参数与孔隙度参数的转化,获取湖相碳酸盐岩的孔隙度参数。本发明公开的湖相碳酸盐岩孔隙度的计算方法,不同于现有的经验公式法和地震反演方法,通过多道空间约束反演方法、BP神经网络算法等计算手段成功实现了将湖相碳酸盐岩的地震资料数据中三维波阻抗参数转化为孔隙度参数,提高了纵波阻抗的反演精度,避免了多元拟合计算孔隙度造成的误差,能用于预测湖相碳酸盐岩孔隙度。
附图说明
图1为采用现有的地震反演方法获得的波阻抗参数结果;
图2为采用本发明实施例1公开的湖相碳酸盐岩孔隙度的计算方法获得的波阻抗参数结果;
图3为本发明实施例1提供的利用BP神经网络算法计算井点位置处的孔隙度与测井孔隙度的对比图。
具体实施方式
实施例1
实施例1提供一种湖相碳酸盐岩孔隙度的计算方法,该方法包括以下步骤:
步骤S1:选定湖相碳酸盐岩储层,在地层框架约束下构建湖相碳酸盐岩的波阻抗模型,获取湖相碳酸盐岩的地震反演模型;
具体地,步骤S1包括以下步骤:
步骤S11:选定湖相碳酸盐岩储层,获取湖相碳酸盐岩的全叠加地震数据、测井数据、地层速度模型和层位数据,其中测井数据包括波阻抗参数;
步骤S12:根据湖相碳酸盐岩的地下层位的层序关系并利用层位数据构建湖相碳酸盐岩的地层层位框架;
步骤S13:根据测井数据开展地层速度与波阻抗参数的交会统计分析,获得湖相碳酸盐岩的地层速度与波阻抗参数的岩石物理拟合关系,将湖相碳酸盐岩的地层速度模型转化为初始波阻抗模型;
步骤S14:对湖相碳酸盐岩的井信息进行地质统计学分析,并据此建立湖相碳酸盐岩的变差函数;
步骤S15:在湖相碳酸盐岩的地层层位框架下,以所述初始波阻抗模型为协克里金约束量,结合湖相碳酸盐岩的变差函数,利用协克里金算法更新波阻抗模型获得湖相碳酸盐岩的更新波阻抗模型;
步骤S16:对湖相碳酸盐岩的更新波阻抗模型数据进行0-10Hz低通滤波处理,获得湖相碳酸盐岩的低频地震反演模型,其矩阵形式记为M。
步骤S2:通过多道空间约束地震反演方法和湖相碳酸盐岩的地震反演模型提高湖相碳酸盐岩地震反演波阻抗的空间表征能力,获取湖相碳酸盐岩的三维波阻抗参数;
具体地,步骤S2包括以下步骤:
步骤S21:根据全叠加地震数据和测井数据提取地震子波,获得子波矩阵W,并构建地震反演的褶积算子P,其中褶积算子的公式如下:
P=kron(I,W) (式1)
式中,kron(I,W)表示I和W的Kroneker积,I表示单位矩阵;
步骤22:通过多道空间约束的地震反演目标方程建立三维地震数据与三维波阻抗参数的映射关系,其中多道空间约束的地震反演目标方程的表达式为:
式中,S表示全叠加地震数据的矩阵;
m为待反演的地下地层界面的反射系数向量;
λ1为低频地震反演模型的约束系数;
M为低频地震反演模型的矩阵形式;
λ2为多道空间约束系数;
||m||2,1为多道空间约束项,其表达式为:
式中,用||m||2,1表示的多道空间约束项充分考虑“块状”介质反射地震道与地震道之间的稀疏性,与常规水平层状介质反演结果相比,多道空间约束反演结果的横向均衡性更好;M*为地震道的个数,N为地震时间采样点的总数,i为地震时间采样点的序号,j为地震道的序号;
步骤23:对多道空间约束的地震反演目标方程进行最小化求解,获得m的反演结果,并计算湖相碳酸盐岩的波阻抗数据IP,其中波阻抗数据IP的表达式为:
t为终止时间,t0为起始时间,τ为时间采样点。
步骤S3:利用BP神经网络算法实现湖相碳酸盐岩三维波阻抗参数与孔隙度参数的转化,获取湖相碳酸盐岩的孔隙度参数;
其中,BP神经网络算法为Back Propagation神经网络算法。
具体地,步骤S3包括以下步骤:
步骤S31:对所述三维波阻抗参数进行条件化处理,包括按照设计的采样率对空间进行插值和利用扩散滤波处理方法除去随机噪音;
步骤S32:对湖相碳酸盐岩的测井孔隙度数据进行条件化处理,包括0-90Hz带通滤波和空间采样粗化处理,使其空间采样率与对三维波阻抗参数进行空间插值所采用的采样率保持一致;
步骤S33:利用BP神经网络的算法进行波阻抗参数与孔隙度参数的非线性映射计算,将湖相碳酸盐岩的波阻抗参数转化为湖相碳酸盐岩的孔隙度参数。由此可以避免了多元拟合计算孔隙度造成的误差。
效果说明:
某研究区以巴西大坎波斯盆地湖相碳酸盐岩储层为研究对象,利用常规地震反演方法对该地的湖相碳酸盐岩储层进行计算获得的波阻抗参数剖面见图1,利用本发明公开的湖相碳酸盐岩孔隙度的计算方法对该地的湖相碳酸盐岩储层进行计算获得的波阻抗参数剖面见图2,图1和图2中的井数据为湖相碳酸盐岩储层的测井波阻抗,通过将两者的计算结果与验证井分别对比,可以发现图2中的波阻抗数据结果与验证井的吻合度更高,并且低阻抗的湖相碳酸盐岩的空间横向展布更加合理,符合湖相碳酸盐岩空间“块状”分布的地质特点。
对比研究采用BP神经网络的算法对巴西大坎波斯盆地湖相碳酸盐岩储层进行计算获得的孔隙度与实际测井孔隙度,由图3可知,采用本发明公开的湖相碳酸盐岩孔隙度的计算方法计算的孔隙度与实际测井孔隙度吻合度较高,适用于计算巴西大坎波斯盆地湖相碳酸盐岩储层的孔隙度。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (3)
1.一种湖相碳酸盐岩孔隙度的计算方法,其特征在于,包括以下步骤:
步骤S1:选定湖相碳酸盐岩储层,在地层框架约束下构建湖相碳酸盐岩的波阻抗模型,获取湖相碳酸盐岩的地震反演模型;具体包括以下步骤:
步骤S11:选定湖相碳酸盐岩储层,获取湖相碳酸盐岩的全叠加地震数据、测井数据、地层速度模型和层位数据,其中测井数据包括波阻抗参数;
步骤S12:根据湖相碳酸盐岩的地下层位的层序关系并利用层位数据构建湖相碳酸盐岩的地层层位框架;
步骤S13:根据测井数据开展地层速度与波阻抗参数的交会统计分析,获得湖相碳酸盐岩的地层速度与波阻抗参数的岩石物理拟合关系,将湖相碳酸盐岩的地层速度模型转化为初始波阻抗模型;
步骤S14:对湖相碳酸盐岩的井信息进行地质统计学分析,并据此建立湖相碳酸盐岩的变差函数;
步骤S15:在湖相碳酸盐岩的地层层位框架下,以所述初始波阻抗模型为协克里金约束量,结合湖相碳酸盐岩的变差函数,利用协克里金算法更新波阻抗模型获得湖相碳酸盐岩的更新波阻抗模型;
步骤S16:对湖相碳酸盐岩的更新波阻抗模型数据进行0-10Hz低通滤波处理,获得湖相碳酸盐岩的低频地震反演模型,其矩阵形式记为M;
步骤S2:通过多道空间约束地震反演方法和湖相碳酸盐岩的地震反演模型提高湖相碳酸盐岩地震反演波阻抗的空间表征能力,获取湖相碳酸盐岩的三维波阻抗参数;
步骤S3:利用BP神经网络算法实现湖相碳酸盐岩三维波阻抗参数与孔隙度参数的转化,获取湖相碳酸盐岩的孔隙度参数。
2.如权利要求1所述的湖相碳酸盐岩孔隙度的计算方法,其特征在于,所述步骤S2包括以下步骤:
步骤S21:根据全叠加地震数据和测井数据提取地震子波,获得子波矩阵W,并构建地震反演的褶积算子P,其中褶积算子的公式如下:
P=kron(I,W) (式1)
式中,kron(I,W)表示I和W的Kroneker积,I表示单位矩阵;
步骤22:通过多道空间约束的地震反演目标方程建立三维地震数据与三维波阻抗参数的映射关系,其中多道空间约束的地震反演目标方程的表达式为:
式中,S表示全叠加地震数据的矩阵;
m为待反演的地下地层界面的反射系数向量;
λ1为低频地震反演模型的约束系数;
M为低频地震反演模型的矩阵形式;
λ2为多道空间约束系数;
||m||2,1为多道空间约束项;
步骤23:对多道空间约束的地震反演目标方程进行最小化求解,获得m的反演结果,并计算湖相碳酸盐岩的波阻抗数据IP,其中波阻抗数据IP的表达式为:
式中,t为终止时间,t0为起始时间,τ为时间采样点。
3.如权利要求2所述的湖相碳酸盐岩孔隙度的计算方法,其特征在于,所述步骤S3包括以下步骤:
步骤S31:对所述三维波阻抗参数进行条件化处理,包括按照设计的采样率对空间进行插值和利用扩散滤波处理方法除去随机噪音;
步骤S32:对湖相碳酸盐岩的测井孔隙度数据进行条件化处理,包括0-90Hz带通滤波和空间采样粗化处理,使其空间采样率与对三维波阻抗参数进行空间插值所采用的采样率保持一致;
步骤S33:利用BP神经网络的算法进行波阻抗参数与孔隙度参数的非线性映射计算,将湖相碳酸盐岩的波阻抗参数转化为湖相碳酸盐岩的孔隙度参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110042589.1A CN112904441B (zh) | 2021-01-13 | 2021-01-13 | 一种湖相碳酸盐岩孔隙度的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110042589.1A CN112904441B (zh) | 2021-01-13 | 2021-01-13 | 一种湖相碳酸盐岩孔隙度的计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112904441A CN112904441A (zh) | 2021-06-04 |
CN112904441B true CN112904441B (zh) | 2022-04-15 |
Family
ID=76112854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110042589.1A Active CN112904441B (zh) | 2021-01-13 | 2021-01-13 | 一种湖相碳酸盐岩孔隙度的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112904441B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105629310A (zh) * | 2014-11-05 | 2016-06-01 | 中国石油天然气股份有限公司 | 碳酸盐岩储层的无井约束地质统计学反演的方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2684680C (en) * | 2007-05-09 | 2016-11-01 | Exxonmobil Upstream Research Company | Inversion of 4d seismic data |
US20170248715A1 (en) * | 2014-09-22 | 2017-08-31 | Cgg Services Sas | Simultaneous multi-vintage time-lapse full waveform inversion |
CN108802812B (zh) * | 2017-04-28 | 2020-02-14 | 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 |
CN110954948B (zh) * | 2018-09-27 | 2021-11-05 | 中国石油化工股份有限公司 | 一种岩石物理约束储层物性参数反演方法及系统 |
CN110967742B (zh) * | 2018-09-28 | 2022-05-13 | 中国石油化工股份有限公司 | 一种孔隙度反演方法及系统 |
-
2021
- 2021-01-13 CN CN202110042589.1A patent/CN112904441B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105629310A (zh) * | 2014-11-05 | 2016-06-01 | 中国石油天然气股份有限公司 | 碳酸盐岩储层的无井约束地质统计学反演的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112904441A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108802812B (zh) | 一种井震融合的地层岩性反演方法 | |
CN114994759B (zh) | 基于gan网络的碳封存箱智能识别方法和系统 | |
CN109709607B (zh) | 一种预测薄层砂岩储层厚度方法及装置 | |
US20020042702A1 (en) | Method for constructing 3-D geologic models by combining multiple frequency passbands | |
AU2001288441A1 (en) | Method for constructing 3-D geologic models by combining multiple frequency passbands | |
CN101206264A (zh) | 高分辨率非线性地震波阻抗反演方法 | |
CN111522063B (zh) | 基于分频联合反演的叠前高分辨率流体因子反演方法 | |
CN111025384B (zh) | 基于波形分类交汇融合的储层预测方法和装置 | |
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 | |
CN111368247B (zh) | 基于快速正交字典的稀疏表征正则化叠前avo反演方法 | |
CN106597545B (zh) | 一种水平裂缝地震叠前反演方法和装置 | |
CN114994758B (zh) | 碳酸盐岩断控储层的波阻抗提取与结构表征方法和系统 | |
CN111856566B (zh) | 湖相滩坝砂体中薄储层预测方法及装置 | |
CN111751877A (zh) | 一种地震数据多重积分相干裂缝预测方法与装置 | |
CN110687597B (zh) | 一种基于联合字典的波阻抗反演方法 | |
CN112147677B (zh) | 油气储层参数标签数据生成方法及装置 | |
CN112904441B (zh) | 一种湖相碳酸盐岩孔隙度的计算方法 | |
CN113552624B (zh) | 孔隙度预测方法及装置 | |
CN107678065B (zh) | 提高地震分辨率的保构造井控空间反褶积方法和装置 | |
CN112578439B (zh) | 一种基于空间约束的地震反演方法 | |
CN110297280B (zh) | 一种碳酸盐岩超压空间分布特征的预测方法 | |
CN113311483A (zh) | 基于页岩油的叠前弹性参数组合反演方法及系统 | |
Li et al. | Separation and Suppression of Strong Reflections via a Multi-scale Attention Deep Learning Model | |
CN115113274A (zh) | 地层切片数据处理方法及装置 | |
CN111721914B (zh) | 一种元素迁移能力的度量方法、系统、装置和存储介质 |
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 |