[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

RU2289829C1 - Method for performing geophysical surveying to detect oil-gas objects - Google Patents

Method for performing geophysical surveying to detect oil-gas objects Download PDF

Info

Publication number
RU2289829C1
RU2289829C1 RU2005126221/28A RU2005126221A RU2289829C1 RU 2289829 C1 RU2289829 C1 RU 2289829C1 RU 2005126221/28 A RU2005126221/28 A RU 2005126221/28A RU 2005126221 A RU2005126221 A RU 2005126221A RU 2289829 C1 RU2289829 C1 RU 2289829C1
Authority
RU
Russia
Prior art keywords
oil
gas
spectral
seismic
geophysical
Prior art date
Application number
RU2005126221/28A
Other languages
Russian (ru)
Inventor
Ефим Абрамович Копилевич (RU)
Ефим Абрамович Копилевич
Иосиф Аронович Мушин (RU)
Иосиф Аронович Мушин
Елена Александровна Давыдова (RU)
Елена Александровна Давыдова
Михаил Лукь нович Афанасьев (RU)
Михаил Лукьянович Афанасьев
Борис Константинович Фролов (RU)
Борис Константинович Фролов
Роман Владимирович Векшин (RU)
Роман Владимирович Векшин
Дмитрий Сергеевич Резников (RU)
Дмитрий Сергеевич Резников
Original Assignee
ОАО "НК "Роснефть"
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ОАО "НК "Роснефть" filed Critical ОАО "НК "Роснефть"
Priority to RU2005126221/28A priority Critical patent/RU2289829C1/en
Application granted granted Critical
Publication of RU2289829C1 publication Critical patent/RU2289829C1/en

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Geophysics And Detection Of Objects (AREA)

Abstract

FIELD: oil and gas geology, possible use for optimizing positioning of surveying and product wells at oil-gas objects.
SUBSTANCE: in accordance to method for determining filtration-capacity properties and predicted oil-gas productiveness of collectors in three-dimensional inter-well space, on basis of seismic, gravimetric, magnetic, electric and geo-informational system attributes of various physical nature, received data are transformed by means of spectral decomposition onto multi-channel spectral-temporal columns. Multi-dimensional mutual correlation dependencies are determined between spectral-temporal columns. Unified information array is formed, connected to drilling data. Aforementioned array is transformed to structural-tectonic, lithologic-facial, filtration-capacitive, oil-gas-productive geological models in form of cuts, maps and cubes. Oil-gas objects are detected with consideration of received models on basis of increased values of specific capacity and hydro-conductivity of collectors and also oil-gas-productiveness coefficients.
EFFECT: increased reliability of detection of oil-gas objects, more justified geological conditions for founding surveying and product wells.

Description

Изобретение относится к нефтегазовой геологии и может быть использовано для оптимизации размещения глубоких скважин на нефтегазовых объектах по комплексу данных наземной сейсмической, электро-, магнито-, гравиразведки; электрического, радиоактивного, акустического, сейсмического, магнитного, гравитационного каротажа; изучения керна и испытания скважин.The invention relates to oil and gas geology and can be used to optimize the placement of deep wells in oil and gas facilities based on data from ground-based seismic, electrical, magnetic, and gravity surveys; electrical, radioactive, acoustic, seismic, magnetic, gravity logging; core study and well testing.

Известен способ геофизической разведки для выявления нефтегазопродуктивных типов геологического разреза в трехмерном межскважинном пространстве (Патент на изобретение №2255358).A known method of geophysical exploration for identifying oil and gas productive types of a geological section in a three-dimensional interwell space (Patent for the invention No. 2255358).

В результате реализации этого способа получают интегральные характеристики геологических объектов без количественного определения отдельных элементов (емкости, гидропроводности, коэффициента нефтепродуктивности) в каждой точке межскважинного пространства. Картирование типов геологического разреза производится только по спектрально-временным атрибутам сейсмической записи без использования скоростного (жесткостного) параметра и данных других геофизических методов.As a result of the implementation of this method, the integral characteristics of geological objects are obtained without quantitative determination of the individual elements (capacity, hydraulic conductivity, oil productivity coefficient) at each point of the interwell space. Mapping of the types of geological section is carried out only according to the spectral-temporal attributes of the seismic record without using the speed (rigidity) parameter and data from other geophysical methods.

Известен также способ геофизической разведки для определения гидропроводности и емкости нефтепродуктивных пористых коллекторов в трехмерном межскважинном пространстве (Патент на изобретение №2253884).There is also a known method of geophysical exploration for determining the hydraulic conductivity and capacity of oil-producing porous reservoirs in three-dimensional interwell space (Patent for the invention No. 2253884).

Недостаток способа также заключается в использовании только спектрально-временных атрибутов сейсмической записи, без скоростного (жесткостного) параметра и данных других геофизических методов.The disadvantage of this method also lies in the use of only spectral-temporal attributes of seismic recording, without speed (stiffness) parameter and data from other geophysical methods.

Наиболее близкой к предлагаемому способу является технология спектрально-скоростного прогнозирования фильтрационно-емкостных свойств и нефтепродуктивности коллекторов в трехмерном межскважинном пространстве (Нестеров В.Н., Копилевич Е.А., Мушин И.А., Давыдова Е.А., Афанасьев М.Л. Технологии сейсморазведки, №1, ЕАГО, М., 2005).Closest to the proposed method is the technology of spectral-velocity prediction of reservoir properties and oil productivity of reservoirs in three-dimensional interwell space (Nesterov V.N., Kopilevich E.A., Mushin I.A., Davydova E.A., Afanasyev M. L. Technology of seismic exploration, No. 1, EAGO, M., 2005).

В этом способе фильтрационно-емкостные свойства и нефтепродуктивность нефтяного пласта определяются на основе комплексной интерпретации сейсмических спектрально-временных и псевдоакустического атрибутов с применением искусственных нейронных сетей и статистических, спектрально-корреляционных алгоритмов.In this method, the reservoir properties and oil productivity of the oil reservoir are determined on the basis of a comprehensive interpretation of seismic spectral-temporal and pseudo-acoustic attributes using artificial neural networks and statistical, spectral-correlation algorithms.

Недостатками способа являются:The disadvantages of the method are:

- использование только сейсмических данных без других геофизических методов (электроразведки, гравиразведки, магниторазведки);- the use of seismic data only without other geophysical methods (electrical exploration, gravity exploration, magnetic exploration);

- амплитудно-фазовая корреляция между собой отдельных трасс, а не СВАН-колонок, взаимная корреляция между которыми определяется с большей надежностью и точностью;- amplitude-phase correlation between individual tracks, and not SWAN columns, the mutual correlation between which is determined with greater reliability and accuracy;

- использование на входе геостатистических алгоритмов кубов различных атрибутов, не увязанных между собой путем многомерной взаимной корреляции.- the use of cubes of various attributes at the input of geostatistical algorithms that are not interconnected by multidimensional cross-correlation.

В силу указанных недостатков всех трех способов-аналогов могут быть допущены ошибки при выявлении нефтегазовых объектов, прогнозировании фильтрационно-емкостных свойств и нефтепродуктивности коллекторов и, как следствие, неоптимальное размещение скважин, увеличение затрат на освоение объектов.Due to the indicated shortcomings of all three analogue methods, errors can be made in identifying oil and gas facilities, predicting reservoir properties and oil productivity of reservoirs and, as a result, suboptimal well placement, and increased development costs.

Технической задачей, на решение которой направлено данное изобретение, является повышение надежности выявления нефтегазовых объектов, точности определения фильтрационно-емкостных свойств и прогнозной нефтегазопродуктивности коллекторов в трехмерном межскважинном пространстве.The technical problem to which this invention is directed is to increase the reliability of identifying oil and gas objects, the accuracy of determining filtration-capacitive properties and the predicted oil and gas productivity of reservoirs in a three-dimensional interwell space.

Способ геофизической разведки для выявления нефтегазовых объектов включает проведение детальных сейсморазведочных работ МОГТ 3Д; электроразведочных, магниторазведочных и гравиметрических работ; бурение скважин с отбором керна, электрический, радиоактивный, акустический, сейсмический, магнитный и гравитационный каротаж; изучение керна, испытание скважин.The method of geophysical exploration for identifying oil and gas objects includes conducting detailed seismic surveys of the MOGT 3D; electrical exploration, magnetic exploration and gravimetric works; core drilling, electrical, radioactive, acoustic, seismic, magnetic and gravity logging; core study, well testing.

По совокупности данных бурения и ГИС по известным критериям судят о наличии коллекторов, их емкости, проницаемости, гидропроводности, нефтепродуктивности, уровне ВНК, местоположении нефтяных полей, а также корреляционной связи между емкостью, гидропроводностью и нефтепродуктивностью (дебиты, коэффициенты нефтепродуктивности).Based on the totality of the drilling and well logging data, the well-known criteria are used to determine the presence of reservoirs, their capacity, permeability, hydraulic conductivity, oil productivity, VNK level, location of oil fields, as well as the correlation between capacity, hydraulic conductivity and oil productivity (flow rates, oil productivity coefficients).

По данным акустического, сейсмического, электрического, радиоактивного, магнитного и гравитационного каротажа, лабораторных исследований керна формируют жесткостные, электрические, магнитные и гравиметрические модели целевого интервала геологического разреза в скважинах, рассчитывают геофизические синтетические трассы, по которым проводят СВАН, определяют модельные СВО и их спектрально-временные атрибуты (СВА).According to the data of acoustic, seismic, electrical, radioactive, magnetic and gravity logs, laboratory tests of the core, stiffness, electrical, magnetic and gravimetric models of the target interval of the geological section in the wells are formed, geophysical synthetic routes are calculated along which SVAN is carried out, model SVOs and their spectrally determined Temporary Attributes (CBA).

Спектрально-временные атрибуты (СВА) представляют собой отношение энергии высоких частот и больших времен к энергии низких частот и малых времен, а также произведения удельной спектральной плотности на средневзвешенные частоту и время либо на максимальные частоту и время энергетических спектров СВАН-колонки по оси частот и времен (Давыдова Е.А., Копилевич Е.А., Мушин И.А. Спектрально-временной метод картирования типов геологического разреза. Доклады РАН, том 385, №5, М., 2002; Копилевич Е.А., Давыдова Е.А., Мушин И.А. и др. «Способ геофизической разведки для определения нефтепродуктивных типов геологического разреза», Патент на изобретение №2183335).Spectral-temporal attributes (CBA) are the ratio of the energy of high frequencies and large times to the energy of low frequencies and small times, as well as the product of the specific spectral density and the weighted average frequency and time or the maximum frequency and time of the energy spectra of the SWAN column along the frequency axis and times (Davydova E.A., Kopilevich E.A., Mushin I.A. Spectral-temporal method for mapping types of a geological section. Reports of the Russian Academy of Sciences, vol. 385, No. 5, M., 2002; Kopilevich E.A., Davydova E .A., Mushin I.A. et al. “Method of geophysical times caustic nefteproduktivnyh types to determine the geological section ", invention patent №2183335).

Для трехмерного пространства СВА представляют собой:For three-dimensional space, CBA are:

СВА по оси частотIAS along the frequency axis

Figure 00000001
Figure 00000001

где t2-t1=Δtкуб - высота куба, временной интервал, в котором со сдвигом τ определяется этот атрибут во временном окне Δt0=tк-tн. Количество таких определенийwhere t 2 -t 1 = Δt cube is the height of the cube, the time interval in which this attribute is determined with a shift of τ in the time window Δt 0 = t to -t n . The number of such definitions

Figure 00000002
, где τmin - шаг дискретизации геофизической информации;
Figure 00000002
where τ min is the sampling step of geophysical information;

Figure 00000003
или
Figure 00000004
Figure 00000003
or
Figure 00000004

Figure 00000005
Figure 00000005

СВА по оси времен:NEA along the time axis:

Figure 00000006
Figure 00000006

Figure 00000007
или
Figure 00000008
Figure 00000007
or
Figure 00000008

Figure 00000009
Figure 00000009

где ƒн, ƒк, tн, tк - начальные и конечные частоты и времена энергетических частотного и временного спектров на уровне 0,1 от максимума спектра; ƒcp и tcp - средние частота и время;

Figure 00000010
и
Figure 00000011
- средневзвешенные частота и время; ƒi, tj, Ai, Aj - текущие частота, время и амплитуда; ƒmax и tmax - максимальные частота и время на уровне 0,7 от максимумов спектров; t1 и t2 - начальное и конечное время атрибутных кубов; Δƒ=ƒк-ƒн; Δt0=tк-tн.where ƒ n , ƒ k , t n , t k are the initial and final frequencies and times of the energy frequency and time spectra at the level of 0.1 from the maximum of the spectrum; ƒ cp and t cp - average frequency and time;
Figure 00000010
and
Figure 00000011
- weighted average frequency and time; ƒ i , t j , A i , A j - current frequency, time and amplitude; ƒ max and t max - maximum frequency and time at the level of 0.7 from the maximums of the spectra; t 1 and t 2 - start and end time of attribute cubes; Δƒ = ƒ to -ƒ n ; Δt 0 = t to -t n

Эти СВА характеризуют энергетические спектры трехмерных СВАН-колонок сейсмической, электро-, магнито-, гравиметрической информации.These CBA characterize the energy spectra of three-dimensional SWAN columns of seismic, electrical, magnetic, and gravimetric information.

СВА двумерных СВАН-колонок кривых ГИС и моделирования имеют точно такое же математическое выражение, только без суммирования по высоте куба Δtкуб=t2-t1, т.е. имеют вид двойных сумм.The CBA of the two-dimensional SWAN columns of the GIS and modeling curves have exactly the same mathematical expression, only without summing over the cube height Δt cube = t 2 -t 1 , i.e. look like double sums.

Модельные, скважинные и экспериментальные СВА должны быть подобными с коэффициентом взаимной корреляции КВК>0,7, что свидетельствует об обоснованном и надежном определении СВА по данным наземной сейсморазведки, электроразведки, магниторазведки и гравиразведки.Model, borehole, and experimental IASs should be similar with a cross-correlation coefficient of KVK> 0.7, which indicates a reasonable and reliable determination of IASs based on data from ground-based seismic, electrical, magnetic and gravity surveys.

По всем трассам сейсмического временного куба в целевом интервале записи определяют псевдоакустические скорости (VПАК) с использованием известных алгоритмов. Надежность VПАК устанавливается путем сопоставления с акустическими скоростями (VАК). КВК VПАК=f(Vak) должен быть >0,7, что свидетельствует о надежном определении VПАК по данным сейсморазведки в интервале нефтяного пласта.For all traces of the seismic time cube in the target recording interval, pseudo-acoustic velocities (V PAK ) are determined using known algorithms. Reliability V PAK is established by comparison with acoustic speeds (V AK ). KVK V PAK = f (V ak ) should be> 0.7, which indicates a reliable determination of V PAK according to seismic data in the interval of the oil reservoir.

Сертификация геофизических атрибутов, т.е. выбор оптимальных из 6 спектрально-временных, производят по наибольшим КВК с емкостью, гидропроводностью и нефтегазопродуктивностью коллекторов по данным бурения и испытания скважин.Certification of geophysical attributes, i.e. the choice of the optimal from 6 spectral-temporal ones is carried out according to the largest KVK with the capacity, hydraulic conductivity and oil and gas productivity of the reservoirs according to the data of drilling and well testing.

Объединение сертифицированных СВА, VПАК в единый информационный массив производится на основе корреляции отражающих горизонтов (ОГ), электрических, магнитных, гравиметрических реперов и увязки их с данными бурения на СВАН-колонках, которые по сравнению с отдельными трассами являются существенно более инвариантными к воздействию различных искажающих (фильтрующих) факторов, т.е. именно СВАН-колонки являются наилучшей информацией для выявления подобия, увязки, а следовательно, и интеграции данных сейсморазведки, ГИС и других геофизических методов.The combination of certified CBA, V PAKs into a single information array is based on the correlation of reflecting horizons (GH), electrical, magnetic, gravimetric benchmarks and linking them with drilling data on SVAN columns, which are significantly more invariant to various impacts compared to individual routes distorting (filtering) factors, i.e. it is SWAN columns that are the best information for identifying similarity, linking, and, consequently, integration of seismic data, well logging and other geophysical methods.

Для количественной оценки этого подобия вводится новое формальное представление о взаимной корреляции между многоканальными СВАН-колонками.To quantify this similarity, a new formal idea of the mutual correlation between multichannel SWAN columns is introduced.

Зададим функцию взаимной корреляции Rxy(Θ) между двумя рассматриваемыми трассами x(t) и y(t) в традиционном виде:We define the cross-correlation function R xy (Θ) between the two considered paths x (t) and y (t) in the traditional form:

Figure 00000012
Figure 00000012

Соответственно, простейшее выражение для функции взаимной корреляции двух СВАН-колонок, построенных по этим трассам, может быть записано какAccordingly, the simplest expression for the cross-correlation function of two SWAN columns constructed along these traces can be written as

Figure 00000013
Figure 00000013

Здесь взаимная корреляция определяется как взвешенная сумма попарных корреляций трасс СВАН-колонки, полученных при одной фильтрации.Here, the cross-correlation is defined as the weighted sum of the pairwise correlations of the SWAN column traces obtained with one filtering.

Целесообразно опробовать также и более сложное выражение:It is also advisable to try out a more complex expression:

Figure 00000014
Figure 00000014

где предусмотрен взаимный сдвиг двух СВАН-колонок по частотам.where mutual shift of two SWAN columns in frequencies is provided.

При этом функцию нормированной взаимной корреляции определяют обычным образом:In this case, the normalized cross-correlation function is determined in the usual way:

Figure 00000015
Figure 00000015

где Вххƒ(0) и Byyƒ(0) - соответственно функции автокорреляции СВАН-колонок трасс x(t) и y(t) при нулевом сдвиге.where В ххƒ (0) and B yyƒ (0) are, respectively, the autocorrelation functions of the SWAN columns of the x (t) and y (t) traces at zero shift.

Подобно эквалайзеру, в одной из основных реализаций СВАН трассы на выходе каждого из фильтров нормируются и в совокупности составляют единое отображение, на котором исходные соотношения различных частот по энергии на входе фильтров фактически снивелированы и уже не влияют на вид и структуру СВАН-колонки.Like an equalizer, in one of the main SWAN implementations, the paths at the output of each filter are normalized and together make up a single map on which the initial ratios of different frequencies in energy at the input of the filters are actually leveled and no longer affect the form and structure of the SWAN column.

Тем самым, по сравнению с геофизической трассой, СВАН-колонка является существенно более инвариантной к воздействию различных фильтрующих факторов.Thus, compared to the geophysical track, the SWAN column is significantly more invariant to the effects of various filtering factors.

Это обстоятельство используют для корреляции ОГ, электрических, магнитных и гравитационных реперов с последующим построением структурно-тектонической модели.This circumstance is used to correlate exhaust gas, electric, magnetic, and gravitational benchmarks with the subsequent construction of a structural-tectonic model.

Единый информационный, взаимно увязанный массив геофизических СВА и VПАК подается на вход искусственных нейронных сетей (ИНС) с использованием алгоритма «с обучением» для проведения комплексной интерпретации и получения фильтрационно-емкостной (гидропроводность, удельная емкость) и нефтегазопродуктивной моделей.A single informational, mutually interconnected array of geophysical CBA and V PAKs is fed to the input of artificial neural networks (ANNs) using the “with training” algorithm to conduct a comprehensive interpretation and obtain filtration-capacitive (hydraulic conductivity, specific capacity) and oil and gas productive models.

Литолого-фациальную модель (типов разреза) определяют по этой же исходной информации с помощью статистических, спектрально-корреляционных методов, которые имеют преимущество при разделении информации на классы (кластеры, типы разреза).The lithological-facies model (section types) is determined from the same source information using statistical, spectral-correlation methods, which are advantageous in dividing information into classes (clusters, section types).

Эти геологические модели используют для выявления нефтегазовых объектов по наибольшим значениям емкости, гидропроводности и прогнозной нефтегазопродуктивности с учетом уровней водонефтегазовых контактов и благоприятных структурно-тектонических факторов.These geological models are used to identify oil and gas objects by the highest values of capacity, hydraulic conductivity and predicted oil and gas productivity, taking into account the levels of water-oil and gas contacts and favorable structural and tectonic factors.

Таким образом достигается резкое снижение затрат на бурение последующих глубоких скважин.Thus, a sharp reduction in the cost of drilling subsequent deep wells is achieved.

Claims (1)

Способ геофизической разведки для выявления нефтегазовых объектов, включающий проведение детальных сейсморазведочных, электроразведочных, магниторазведочных и гравиразведочных работ, бурение скважин с отбором керна, электрический, радиоактивный, акустический, сейсмический, магнитный и гравитационный каротажи, изучение керна, испытание скважин и суждение по полученным данным о наличии нефтегазовых объектов, отличающийся тем, что трассы сейсмических временных, глубинных разрезов и кубов, данные электроразведки, магниторазведки и гравиразведки, кривые геофизических исследований скважин в целевом интервале преобразуют путем спектральной декомпозиции в многоканальные спектрально-временные колонки, каждая из которых становится многоканальной единицей геофизической информации, отображающей свойства геологической среды; определяют многомерные взаимные корреляционные зависимости между спектрально-временными колонками как внутри каждого геофизического метода, так и между методами, формируют единый информационный массив, увязанный с данными бурения, на основе комплексного применения искусственных нейронных сетей, статистических и спектрально-корреляционных способов преобразуют этот массив в структурно-тектоническую, литолого-фациальную (типов геологического разреза), фильтрационно-емкостную, нефтегазопродуктивную геологические модели в виде разрезов, карт и кубов, а по повышенным значениям удельной емкости и гидропроводности коллекторов, коэффициентов нефтегазопродуктивности с учетом уровней водонефтегазовых контактов и структурно-тектонического фактора, устанавливаемым по совокупности этих геологических моделей, выявляют нефтегазовые объекты.A method of geophysical exploration for identifying oil and gas objects, including detailed seismic, electrical, magnetic and gravity exploration, core drilling, electrical, radioactive, acoustic, seismic, magnetic and gravity logging, core testing, well testing and judging by the received data about the presence of oil and gas facilities, characterized in that the seismic tracks of time, deep sections and cubes, data of electrical exploration, magnetic exploration and gra virazvedka, curves of geophysical surveys of wells in the target interval are converted by spectral decomposition into multichannel spectral-time columns, each of which becomes a multichannel unit of geophysical information that displays the properties of the geological environment; determine multidimensional cross-correlation dependencies between the spectral-temporal columns both within each geophysical method and between the methods, form a single information array linked to drilling data, based on the integrated use of artificial neural networks, statistical and spectral-correlation methods transform this array into structurally - tectonic, lithological-facies (types of geological section), filtration-capacitive, oil and gas productive geological models in the form of a section calls, maps and cubes, and by the increased values of the specific capacity and hydraulic conductivity of the reservoirs, oil and gas productivity coefficients, taking into account the levels of water-oil and gas contacts and the structural and tectonic factor established by the totality of these geological models, oil and gas objects are identified.
RU2005126221/28A 2005-08-18 2005-08-18 Method for performing geophysical surveying to detect oil-gas objects RU2289829C1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2005126221/28A RU2289829C1 (en) 2005-08-18 2005-08-18 Method for performing geophysical surveying to detect oil-gas objects

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2005126221/28A RU2289829C1 (en) 2005-08-18 2005-08-18 Method for performing geophysical surveying to detect oil-gas objects

Publications (1)

Publication Number Publication Date
RU2289829C1 true RU2289829C1 (en) 2006-12-20

Family

ID=37666932

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2005126221/28A RU2289829C1 (en) 2005-08-18 2005-08-18 Method for performing geophysical surveying to detect oil-gas objects

Country Status (1)

Country Link
RU (1) RU2289829C1 (en)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2462755C2 (en) * 2007-11-07 2012-09-27 Лоджинд Б.В. Predicting properties of underground formation
RU2486550C1 (en) * 2012-01-10 2013-06-27 Учреждение Российской академии наук Институт проблем нефти и газа РАН Method of surveying hydrocarbon deposits in sedimentation mass
RU2515081C1 (en) * 2012-12-04 2014-05-10 Общество с ограниченной ответственностью "Рок Флоу Динамикс" Automatic allocation of surfaces for building of geologic and hydrodynamic model of oil and gas deposit against seismic data
RU2572525C1 (en) * 2014-08-22 2016-01-20 Открытое акционерное общество "Нефтяная компания "Роснефть" Reservoir location method for oil-source formations
RU2573739C2 (en) * 2011-02-28 2016-01-27 Шлюмбергер Текнолоджи Б.В. Multiscale digital rock modelling for reservoir simulation
US9581707B2 (en) 2012-12-04 2017-02-28 OOO Rock Flow Dynamics System for automated identification of surfaces for building of geologic hydrodynamic model of oil and gas deposit by seismic data
US9581723B2 (en) 2008-04-10 2017-02-28 Schlumberger Technology Corporation Method for characterizing a geological formation traversed by a borehole

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2462755C2 (en) * 2007-11-07 2012-09-27 Лоджинд Б.В. Predicting properties of underground formation
US9581723B2 (en) 2008-04-10 2017-02-28 Schlumberger Technology Corporation Method for characterizing a geological formation traversed by a borehole
RU2573739C2 (en) * 2011-02-28 2016-01-27 Шлюмбергер Текнолоджи Б.В. Multiscale digital rock modelling for reservoir simulation
RU2486550C1 (en) * 2012-01-10 2013-06-27 Учреждение Российской академии наук Институт проблем нефти и газа РАН Method of surveying hydrocarbon deposits in sedimentation mass
RU2515081C1 (en) * 2012-12-04 2014-05-10 Общество с ограниченной ответственностью "Рок Флоу Динамикс" Automatic allocation of surfaces for building of geologic and hydrodynamic model of oil and gas deposit against seismic data
US9581707B2 (en) 2012-12-04 2017-02-28 OOO Rock Flow Dynamics System for automated identification of surfaces for building of geologic hydrodynamic model of oil and gas deposit by seismic data
US9733373B2 (en) 2012-12-04 2017-08-15 OOO Rock Flow Dynamic Systems and methods for automated identification of surfaces for building of geologic hydrodynamic model of oil and gas deposit by seismic data
RU2572525C1 (en) * 2014-08-22 2016-01-20 Открытое акционерное общество "Нефтяная компания "Роснефть" Reservoir location method for oil-source formations

Similar Documents

Publication Publication Date Title
CN113759424B (en) Karst reservoir filling analysis method and system based on spectral decomposition and machine learning
EP2888606B1 (en) Method and system for 3d seismic data depth conversion utilizing artificial neural networks
US7054749B1 (en) Method for determining reservoir fluid volumes, fluid contacts, compartmentalization, and permeability in geological subsurface models
US20060047431A1 (en) Method and apparatus for imaging permeability pathways of geologic fluid reservoirs using seismic emission tomography
US8498177B2 (en) Determining a position of a geological layer relative to a wavelet response in seismic data
CN109061765A (en) The evaluation of trap method of heterogeneous thin sandstone alternating layers oil reservoir
CN105759312A (en) Reservoir characteristic method well-seismic calibration method
CN106285642A (en) A kind of formation pore pressure Forecasting Methodology based on seismic data
CN112505754B (en) Method for collaborative partitioning sedimentary microfacies by well-seismic based on high-precision sequence grid model
Prather et al. Hierarchy of deep-water architectural elements with reference to seismic resolution: implications for reservoir prediction and modeling
RU2289829C1 (en) Method for performing geophysical surveying to detect oil-gas objects
RU2490677C2 (en) Method for complex processing of geophysical data "litoscan" system for realising said method
Peyret et al. Automatic interpretation of well logs with lithology-specific deep-learning methods
RU2314554C1 (en) Mode of placement of inclined and horizontal oil and gas wells on the basis of spectral decomposition of geophysical data
RU2718135C1 (en) Method and system for prediction of effective thicknesses in inter-well space during construction of geological model based on spectral curves clustering method
Amanipoor Static modeling of the reservoir for estimate oil in place using the geostatistical method
CN108875109A (en) A kind of prediction technique and system of abnormal formation pressure
RU2145101C1 (en) Method for estimation of service properties of gas-oil pool
RU2253885C1 (en) Method for determining oil productiveness of porous collectors in three-dimensional inter-well space
CN113514884A (en) Compact sandstone reservoir prediction method
RU2236030C1 (en) Geophysical prospecting method for evaluating oil productivity of porous reservoirs in croswell space
RU2210094C1 (en) Method of geophysical prospecting to establish filtration capacitive properties of oil-and-gas bearing deposits in interwell space
Naseer et al. Delineation of stratigraphic traps within the basin floor fans of Miocene sedimentary sequences, offshore Indus, Pakistan using inverted acoustic impedance simulations
RU114175U1 (en) TECHNOLOGICAL SYSTEM "LITOSKAN" FOR COMPLEX PROCESSING OF GEOPHYSICAL DATA
US20240411046A1 (en) Generating a virtual model of a subterranean region