低饱和度油藏油水层解释方法——以新肇油田古628区块葡萄花油层为例

新肇油田古628区块葡萄花油层为低饱和度油藏.由于该类油藏含油饱和度低,导致油层电性特征不明显,与油水同层、水层区分度不高;钙质、泥质愈使电性特征复杂化,流体识别难度大.针对上述油水层判别技术难题,本文依据孔隙结构指数及自然伽玛相对值划分储层类型;依据电阻率泥质、钙质校正公式,消除泥质、钙质对电阻率的影响;将薄差层与厚层相剥离单独研究,采用深侧向与深感应电阻率比值与自然电位交会判别薄层油水层;在储层分类及电阻率校正基础上,优选深侧向电阻率与自然电位曲线交会判别厚层油水层.研究表明:分类、分层厚判别方法可较好地解决低饱和度油藏油水识别问题,图版精度均达到90％以上;经新投产井进行背对背验证,解释符合率为85.5％.     

基于粗糙集的低阻油层灰色评价

在进行低阻油层识别的过程中,影响判别的测井参数众多,存在大量的冗余信息,从而影响判别的精度和速度.而常规的识别方法又不能有效地识别低阻油层,为此,本文提出了将粗糙集(RS)理论与灰色系统理论相结合的方法进行信息优化,并应用于低阻油层的识别.在剖析粗糙集理论和灰色关联方法的基础上,提出了基于粗糙集的低阻油层灰色识别过程.首先选取反映该类油层特征的识别参数,然后采用粗集理论的属性重要性方法,对这些判别参数进行约简,剔除冗余信息,再将约简后的参数作为低阻油层的最终评价标准,输入灰色系统,最后利用灰色关联法对低阻油层进行识别.通过对某油田18口有测试资料的井进行了实证研究.研究结果表明:粗集理论的属性重要性方法可以有效地约简判别参数,将约简后的参数作为灰色系统的初始值对研究区低阻油层进行识别,通过降维大大提高了判别的运算速度,处理了原来被解释为水层和油水层而实际上是低阻油层的井段,与测试结果相比,识别的准确率达到97%.     

粗集理论在地震储层预测中的应用

在地震储层预测中,可采用的地震属性种类繁多,但太多地震属性常常会起到干扰作用,影响储层的预测精度,因此,为提高地震储层预测精度,把粗糙集理论融入到地震属性的优化中,利用粗糙集理论所具有的提取有用属性、简化信息处理的能力,优选出地震属性中的敏感属性是本文的研究目的,本文采用了一种基于属性方差的自组织神经网络量化方法,并运用基于区别矩阵的属性频率约简算法对地震属性进行优选,实例分析表明:该方法可行有效,可以最大限度地删除冗余地震属性,用优选出的敏感属性组合对多种储层参数进行预测均已取得了较好的效果.     

基于PCA-RF的砂砾岩有利储层厚度预测方法

东营凹陷沙三、沙四沉积时期，发育了大量不同时期的砂砾岩体，它们是非常规油气勘探中重要的储层类型。由于砂砾岩体具有纵向厚度变化大、横向展布不均匀、岩相变化快等特点，在地震属性分析与厚度预测时，用单一属性对储层厚度描述具有很大的不确定性。为此，提取了多种地震属性，采用主成分分析法（PCA）进行优化、去除冗余信息。考虑到随机森林（RF）具有预测精度高、对异常值容忍性强、训练速度快且不易过拟合等特点，引入该方法对砂砾岩储层厚度进行预测。针对属性自相似问题，PCA采用了两种方法:①直接对全部属性做降维处理，提取主成分进行预测（PCA-RF1）；②先对相似属性做降维处理，再组合其他属性进行预测（PCA-RF2）。原始RF、PCA-RF1、PCA-RF2方法还与人工神经网络方法（ANN）进行了效果对比，结果表明，基于相似属性降维处理的PCA-RF2方法，具有最佳应用效果。      

基于多次迭代属性融合技术的河道砂刻画——以大庆油田扶余油层Z区为例

松辽盆地扶余油层地质条件复杂,储层具有"薄、小、散"的特点,尤其是河道砂预测难度较大.为了达到有效刻画河道砂的目的,本文以Z区为试验区,重点采用3项针对性的关键技术——基于正演的属性优选技术、地震反演技术、地震属性融合技术,并重点阐述了多次迭代及分级属性融合技术流程,在此基础上,开展试验区主力油层的属性融合,采用"井点定相、属性定形,反演控界"的方法,实现了Z区主力单元河道砂体的有效刻画.实践证明,反演为渐变型,属性为突变型,二者有机结合,增加河道预测的可靠性,可以作为扶余油层河道砂刻画的有效技术手段,为下一步扶余油层河道砂预测指明了方向.     

基于地震属性融合技术的火山通道识别研究

长岭龙凤山火山岩为多机构、多期次喷发叠合分布的一套火山岩地层,火山通道识别是成藏分析和油气运移等研究工作的基础,同时也影响储量计算和开发井的部署.针对深层地震资料品质较差,且难以对火山通道进行准确刻画的问题,开展针对火山通道的地震属性优选.该地区火山岩具有"低频强振幅"的特点,通过地震属性优选,提取10 Hz单频体、纹...     

精细构造解释及储层预测技术在轮南地区的应用

轮南油田三叠系TⅠ—TⅢ油组为辫状河三角洲沉积,具有砂体横向变化快,储层厚度薄,油藏埋藏深的特点,且低级序断层较为发育,对研究区断层及储层发育特征认识尚不清楚,给油田开发带来了较大的影响.为了达到增储上产及寻找新的滚动开发目标的目的,综合多种技术手段对油田精细构造和储层预测进行了研究.利用时间切片技术、相干体刻画技术、蚂蚁追踪技术三种技术相结合的方法对不同级序的断层进行了精细解释,结合精细变速成图技术,落实了轮南地区精细构造特征.采用地震属性优选分析,流体检测技术与测井曲线重构反演技术结合的方法进行储层预测.通过属性优选发现,振幅属性能较好反映储层的变化,在TⅡ油组衰减梯度属性能较好反映流体的分布特征.优选出SP与AC曲线进行曲线重构,最终得出高分辨率的波阻抗反演剖面,纵向分辨率与横向分辨率均较高.通过对以上多种技术的综合研究,为轮南地区油藏精细开发及滚动勘探提供了依据.     

河流沉积相土层结构对砂土液化的影响研究

目前相关规范主要依据工程场地单点的测试数据进行砂土液化判别,而实际的三维土层结构可能非常复杂。研究土层结构对砂土液化的影响机制,有利于提高砂土液化判别结果准确度。分析2008 年5 月28 日发生的松原M_S地震和2010—2011 年新西兰坎特伯雷地震序列中砂土液化点的分布,结果显示:砂土液化点主要位于高弯度河流的沉积相地层,凹岸侧蚀、凸岸沉积形成的边滩具有典型的二元结构,其顶部分布的黏土类不透水层有利于下伏饱和粉细砂等易液化土层的超孔隙水压累积;而辫状河流沉积相中,上覆黏土类不透水层间断分布特征明显。针对河流不同沉积相的土层结构建立简化场地模型,使用FLAC3D 进行砂土液化数值模拟,揭示出不同土层结构中超孔隙水压力的累积、消散和渗流过程机制,结果表明,河流沉积相土层结构对砂土液化场点的分布和地表变形具有显著影响。在合理的工程地质分区基础上,现有的液化判别方法有必要考虑场地的土层结构的影响。      

基于Teager能量的地层Q值提取及储层流体识别

地震波在黏弹性介质中传播时,能量会出现明显的衰减异常,并且随频率变化而不同.因此,本文从Q值基本定义出发,提出了一种基于Teager主能量的Q值提取算法.该算法首先由广义S变换得到信号的时频谱,然后在时频域计算地震波的单频Teager-Kaiser能量,并得到Teager-Kaiser主能量,最后计算抽样波长距离内的相对衰减量,得到衰减拟Q值,实现油、气、水层的有效表征.该方法将能量属性与储层定性表征联系在一起,为储层预测提供了一种新思路,实际数据的应用效果表明该方法可以有效的区分油、水层.     

提高薄储层测井曲线纵向分辨率方法研究进展综述

测井曲线受围岩影响分辨率降低,使得其测井响应值与地层真实值存在一定的差距,影响着薄储层的识别和挖潜.为了解提高测井曲线分辨率方法的研究现状,本文通过文献调研,将方法归纳为三大类：(1)基于测井原理的方法,此方法是目前提高测井曲线分辨率的主流方法,有地球物理意义,且理论成熟,易操作实现,但一般适用于处理线性响应曲线及感应电阻率曲线;(2)数学函数及公式方法,此方法有数学理论作为支撑,处理资料速度快,可以与其他方法结合对测井曲线进行处理,但还需要更多理论的探索及研究;(3)时频分析及机器学习方法,此类方法种类多样,是未来发展的趋势,但在测井曲线分辨率提高上应用的不多,且需要多次实验才能确定最优分辨率.最后比较了三种方法的优缺点并给出了选择建议,该研究对提高测井曲线分辨率方法的优选具有一定的参考意义.     

基于模糊粗糙集的机器学习储层参数预测

因为地震数据的三维空间分布优势,地震属性已经被广泛应用于含油气性预测、储层厚度预测、孔隙度预测等。但也存在地震属性之间信息冗余、属性与储层物性参数关系模糊的问题。针对这两个问题,将模糊粗糙理论和机器学习引入到储层参数预测中来。通过模糊粗糙集理论对地震属性进行约简,去除冗余信息,得到最优化的地震属性组合;将约简后的属性作为机器学习的输入,实现从地震属性到储层物性参数的非线性映射。该方法既保留了地震属性中有效信息,又避免了因输入变量过多而导致的网络模型训练困难。实际数据应用表明,属性约简的机器学习预测结果分辨率更高,并与数据吻合更好。      

基于粗糙集理论的地震前兆综合预测研究

以实际震例的异常数据为样本,利用粗糙集理论的离散、约简和推理功能,对地震前兆异常属性进行约简,进而对地震震级进行推理分类.初步结果表明,该方法可以在一定程度上找到异常数据与震级之间的内在联系,是一种可行的地震前兆综合预测方法.     

频变AVO含气性识别技术研究与应用

在常规AVO理论的基础上,频变AVO属性计算方法利用多尺度裂缝介质模型中物性参数具有频变特征的优势,基于Zoeppritz方程建立反射系数与频率之间的数学关系,推导出截距、梯度、碳氢检测因子、流体检测因子、拟泊松比等AVO属性与频率之间的数学关系.应用地震反演方法,综合地质、地震、测井等数据,反演出高精度的频变AVO属性,在天然气敏感属性分析的基础上建立起频变AVO含气性识别技术.将该技术应用到川西新场陆相深层须家河组碎屑岩储层的含气性识别中,在孔隙度通常在1%~4%,渗透率普遍低于0.06×10^-3µm²的致密背景下,较准确地预测了孔隙度大于4％、渗透性偏高的富气优质储层分布带,为该区含气性识别难题的解决和钻井成功率的提高,提供了重要的技术支撑.     

基于各向异性梯度的裂缝密度反演

裂缝密度是评价裂缝性储层的重要参数. 本文提出一种利用各向异性梯度计算裂缝密度的新方法,即运用裂缝介质等效理论将高陡倾角裂缝介质等效为横向各向同性介质,得到裂缝介质AVO响应特征,从而得到裂缝介质的各向异性梯度,之后由该梯度与裂缝密度的关系得到裂缝介质的裂缝密度. 实际处理中可以根据地震数据直接求取裂缝介质的各向异性梯度,最后求取裂缝介质的裂缝密度. 模型试算表明, 该方法能得到裂缝介质准确的裂缝密度. 反演结果与初始模型基本一致验证了该方法的正确性; 另外地震记录添加一定的信噪比后也能反演得到准确的裂缝密度,证明了该方法的稳定性.      

Quantitative gas saturation estimation by frequency‐dependent amplitude‐versus‐offset analysis

Seismic amplitudes contain important information that can be related to fluid saturation. The amplitude‐versus‐offset analysis of seismic data based on Gassmann's theory and the approximation of the Zoeppritz equations has played a central role in reservoir characterization. However, this standard technique faces a long‐standing problem: its inability to distinguish between partial gas and “fizz‐water” with little gas saturation. In this paper, we studied seismic dispersion and attenuation in partially saturated poroelastic media by using frequency‐dependent rock physics model, through which the frequency‐dependent amplitude‐versus‐offset response is calculated as a function of porosity and water saturation. We propose a cross‐plotting of two attributes derived from the frequency‐dependent amplitude‐versus‐offset response to differentiate partial gas saturation and “fizz‐water” saturation. One of the attributes is a measure of “low frequency”, or Gassmann, of reflectivity, whereas the other is a measure of the “frequency dependence” of reflectivity. This is in contrast to standard amplitude‐versus‐offset attributes, where there is typically no such separation. A pragmatic frequency‐dependent amplitude‐versus‐offset inversion for rock and fluid properties is also established based on Bayesian theorem. A synthetic study is performed to explore the potential of the method to estimate gas saturation and porosity variations. An advantage of our work is that the method is in principle predictive, opening the way to further testing and calibration with field data. We believe that such work should guide and augment more theoretical studies of frequency‐dependent amplitude‐versus‐offset analysis.     

多分量地震资料处理解释技术研究

随着油田勘探开发的不断深入,多波多分量地震资料的应用也越来越广泛.本文结合实际资料,对多波多分量地震资料的处理和解释方法进行了探讨和研究,主要针对多波资料的静校正、叠加成像、转换波资料的共转换点的求取方法等技术进行了分析研究,开发了综合利用多波资料进行地震属性和各向异性研究的方法,形成了一套较完善的多分量地震资料的处理、解释技术系列.经过在胜利油田罗家地区的初步应用,表明了预测结果与钻井资料相吻合.     

Monthly suspended sediment load prediction using artificial intelligence: testing of a new random subspace method

ABSTRACT

The predictive capability of a new artificial intelligence method, random subspace (RS), for the prediction of suspended sediment load in rivers was compared with commonly used methods: random forest (RF) and two support vector machine (SVM) models using a radial basis function kernel (SVM-RBF) and a normalized polynomial kernel (SVM-NPK). Using river discharge, rainfall and river stage data from the Haraz River, Iran, the results revealed: (a) the RS model provided a superior predictive accuracy (NSE = 0.83) to SVM-RBF (NSE = 0.80), SVM-NPK (NSE = 0.78) and RF (NSE = 0.68), corresponding to very good, good, satisfactory and unsatisfactory accuracies in load prediction; (b) the RBF kernel outperformed the NPK kernel; (c) the predictive capability was most sensitive to gamma and epsilon in SVM models, maximum depth of a tree and the number of features in RF models, classifier type, number of trees and subspace size in RS models; and (d) suspended sediment loads were most closely correlated with river discharge (PCC = 0.76). Overall, the results show that RS models have great potential in data poor watersheds, such as that studied here, to produce strong predictions of suspended load based on monthly records of river discharge, rainfall depth and river stage alone.     

Fast modeling of cross-covariances in the LMC: A tool for data integration

Although modeling of cross-covariances by fitting the linear model of coregionalization (LMC) is considered a cumbersome task, cross-covariances are the key for integration of data for multiple attributes in environmental hydrology, aquifer and reservoir characterizations using multivariate geostatistics. This paper proposes a novel method of modeling cross-covariances in the linear model of coregionalization (LMC). The classic minimum/maximum autocorrelation factors (MAF) method is analyzed and found to be a good tool to discriminate the elementary nested structures of directional sample covariance matrices. Thus, separate modeling of the scalar sample covariance for each MAF factor may allow to obtain the complete LMC model for the original attributes after a back rotation of the diagonal model covariance matrix of directional factors. However, such a back rotation is not computable following the classic MAF formulation. This paper introduces an ambi-rotational minimum/maximum autocorrelation factors (AMAF) method that allows a back and forth double rotation of the directional diagonal model covariance matrix for factors. This approach provides a device for modeling of the full matrix of directional covariance and cross-covariance for the original attributes in the LMC without recurring to iterations. In this way, the use of multivariate geostatistics for data integration is allowed avoiding collocated approaches or rotation and modeling of data factor scores. The method is illustrated with an example for covariances for three attributes.