您好,欢迎访问三七文档
当前位置:首页 > IT计算机/网络 > 其它相关文档 > seisclass软件培训6.15
储层地震属性优化一、前言二、地震属性优化分析技术的理论基础三、地震属性优化技术四、储层属性体联合解释技术五、应用实例结论一、前言利用地震属性能从地震数据中提取其它方法无法提取的信息,预测储层参数的空间变化,在油藏的勘探开发中都具有重要意义。地震属性与所预测对象之间的关系复杂,不同工区和不同储层对所预测对象敏感的地震属性是不完全相同的。即使在同一工区、统一储层,预测对象不同对应的敏感地震属性也是有差异的。地震属性优化技术是解决此问题的有效途径。它可以明显的提高地震储层预测精度,更有效地进行储层描述,进一步提高钻井成功率,具有显著的经济效益和社会效益。因此,发展不依赖经验的地震属性优化方法势在必行。一、前言二、地震属性优化分析技术的理论基础三、地震属性优化技术四、储层属性体联合解释技术五、应用实例结论1.地震属性的分类用叠后处理提取得到的地震属性可以分为5大类(39种):1.振幅统计类2.复地震道统计类3.(频、能)谱统计类4.层序统计类5.相关统计类2.地震属性技术的应用范围1.地震解释处理2.地震构造成像3.地震地层解释4.地震模拟5.地震岩性6.油藏描述7.储层监测地震属性技术也可用于各种类似的地震数据,包括地面地震、多分量地震、VSP、层析成像、地震测井等。地震属性技术应用目标储层预测和储层监测一、绪论二、地震属性优化分析技术的理论基础三、地震属性优化技术四、储层属性体联合解释技术五、应用实例结论地震属性优化技术在地震储层预测过程中,通常引入与储层预测有关的各种地震属性。1)与目的层本身无关的地震属性会引起混乱2)属性的增加占用大量的存储空间和计算时间3)大量的属性会造成信息的重复和浪费4)属性过多会造成分类效果的恶化因此,针对具体问题,从全体地震属性集中,挑选最好的地震属性集是必要的,以降低多解性,提高储层预测的精度。此即地震属性优化技术。几种地震属性优化方法:1.地震属性降维映射2.地震属性优化选择3.聚类、交会分析优化地震属性4.优选地震属性预测储层参数聚类分析的基本原则:(1)若选出的一个样品或变量在分好的群中从未出现过,则把它们形成一个独立的群;(2)若选出的一对样品或变量,有一个已在分好的群中出现过,则把另一个样品或变量也归入该群中;(3)若选出的一对样品或变量都分别出现在已分好的两群中,则把两群连结成一个新群;(4)若选出的一对样品或变量都出现在同一群中,则这个样品就不再分群了。聚类统计量的算法聚类统计量是指用于衡量客体间相似(或相关)程度的某种指标。①相似系数:②相关系数:③距离系数:mkjkmkikmkjkikijxxxxr12121mkjjkmkiikmkjjkiikijxxxxxxxxR12121)()())((mkjkikijxxd12)(优选多地震属性预测储层参数方法多元线性回归方法神经网络方法多元线性回归算法线性方程式表示:如果以相同时间采样,可用以下方程式表示为:以上两式中L为目标曲线,W是权值,A是地震属性,N是曲线上的第N个采样点,T为时间。所有点预测误差为:权值W可以通过最小二乘法求得:神经网络方法利用多元线性回归技术预测的结果与实际数据的相关性还不是最好,而神经网络的方法可提高相关性。线性预测神经网络预测使用地震属性上一组采样点进行褶积运算后与井上的点相对应,以把偏差降为最低。1.褶积运算利用这种方法运行时间大大短于穷尽的搜索。2.属性选择方法Ev是所有井的有效误差Evi是第i口井的有效误差N是分析井的数目所有井的有效误差计算公式为3.有效性分析理论误差曲线有效误差曲线聚类分析的工作流程:数据库地震属性井属性Seisclass模块二维矩阵二维交会三维交会建立油气模式储层及含油气预测Geoframe软件属性优化—SeisclassSeisclass特点用图示化的交会工具表示地震属性非线性组合在聚类空间上的分离度,并提供多种聚类分析算法将多种地震属性的非线性组合特征聚类成指定的地震相类别,同时,根据已知样本的地质含义,还可进行岩性、含油气状况等预测。方法原理交会分析相似性计算聚类分析聚类方式特点算法判别方式非督导利用所输入的属性数据本身的聚类特征来提取相关的属性特征。K-MeansClustering统计学方法CompetitiveLearning神经网络督导利用已知井的数据作为训练数据对储层参数进行地震相识别,用已知井的信息外推预测井间的储层条件。Fisher’sDiscriminant统计学方法BayesianBackPropagation神经网络Geoframe软件属性优化—SeisclassSeisClass的流程提取地震属性地震属性分析非督导聚类地震相平面图的解释督导聚类训练数据选择一、前言二、地震属性优化分析技术的理论基础三、地震属性优化技术四、储层属性体联合解释技术五、应用实例结论1.埕北31区块属性优化及解释埕北31埕北31是埕北30潜山披覆构造与长堤潜山披覆构造带之间的地堑带。主力含油气层系为馆陶组,储层以曲流河沉积所形成的曲流砂坝为主,横向变化大,分布范围小.勘探效益高?勘探效益低勘探难点:曲流河储层预测难度大成藏条件不清楚储层地震属性优化属性体联合解释技术CB31CB31连续性较好原始地震剖面处理后的剖面埕北31区块三维相干数据体雁行断层、河道、牛轭湖清晰可见埕北31馆上主力油层12ms砂体储层预测埕北31主力油层属性相关系数2D交会阵列储层特征可视化与油气预测技术均方根振幅(振幅类)瞬时频率斜率(复地震道)过半时长(层序类)有效带宽(频谱类)单属性分析这是运用RAVE模块进行属性优化,目的是寻找与已知井相关的属性点,从而建立空间和平面上的对应关系,确定含油气范围。红色点即为油气预测区。多属性优化分析2D交会3D底图3D交会CB31区块馆陶主力储层预测图CB31CB332展开面积52平方公里,有利面积30平方公里,储量2700万吨埕北31井区砂体叠合图2.属性优化在埕北35下第三系ED储层参数预测埕北35埕北8埕北38埕北35北区内油气资源丰富,共发现了太古界、下古生界、上古生界、中生界、下第三系沙河街组、东营组、上第三系馆陶组及明化镇组等八套含油层系。工区内共有28口井。利用了其中的22口井,预测目标是泥质含量。单地震属性预测方法中,相关性最好的是反演波阻抗的平方与泥质含量平方根。右图就是使用22口井地震反演波阻抗平方与泥质含量曲线的平方根的交会图。相关性只达到了49.3%。远远达不到预测的要求。为此使用了多属性预测方法。单地震属性预测储层参数为了能够正确利用地震多属性预测泥质含量,共提取分析了包括原始地震和反演波阻抗数据在内的共18种属性:•RawSeismic原始地震数据•AmplitudeEnvelope振幅包络•AmplitudeWeightedCosinePhase加权振幅余弦相位•AmplitudeWeightedFrequency加权振幅频率•AmplitudeWeightedPhas加权相位•AverageFrequency平均频率•ApparentPolarity视极性•CosineInstantaneousAmplitude瞬时振幅余弦•Derivative导数•DerivativeInstantaneousAmplitude瞬时振•DominantFrequency主频•InstantaneousPhase瞬时相位•Integrate积分•IntegrateAbsoluteAmplitude绝对振幅积分•SecondDerivative二次导数•SecondDerivativeInstantaneousAmplitute二次瞬时振幅导数•Time时间•SeismicInversion地震反演从所有的属性的变换中。利用了前面介绍的单步寻优算法,采用了七点褶积的运算。选出了八种属性的组合。结果如下表:右图是利用PNN神经网络,目标井不参加运算得到的有效预测的结果,相关性达到了71.8%。从上面的分析,可以看出利用多属性预测比单属性预测的准确性大幅度的提高,多属性方法中,PNN概率神经网络的方法的准确性又较多元线性回归的算法高。过cb35井的砂泥岩剖面,砂体与井钻遇的砂体对应的较好。过埕北8井随机模拟反演波阻抗剖面过埕北8井PNN神经网络预测砂泥岩剖面利用七种属性七点褶积PNN神经网络属性优化得到的泥质含量数据体。
本文标题:seisclass软件培训6.15
链接地址:https://www.777doc.com/doc-5318383 .html