蚂蚁曲率融合属性在华北潜山裂缝型储层中的应用

裂缝及断裂的分布影响着潜山的储层和成藏条件,以华北潜山1区地震数据体为研究对象,对构造平滑后的数据体分别进行常规曲率计算,曲率坐标旋转和蚂蚁体属性的计算来预测裂缝和断裂的大概分布情况,多种属性对比后发现这些单一属性虽然都能不同程度反映裂缝发育,但都有各自的弊端。为了提高裂缝预测效果,弥补单一属性的缺陷,在优化后的曲率属性的基础上进行追踪步长缩小后的蚂蚁体计算,形成新的融合属性体,新方法提取的蚂蚁体属性反映出裂缝连续性更好,分布规律更加清晰,东南部大断裂较为突出,与地质资料对比后结果可靠,为后期工作提供借鉴。

基于CNN-GRU神经网络的测井曲线预测方法

目前许多测井曲线预测模型存在预测结果不稳定、精度不高的问题。为此,将深度学习中特征表达能力较强的卷积神经网络(CNN)和记忆能力较强的门控循环单元(GRU)相结合,设计并实现了一种通过卷积门控循环单元(CNN-GRU)神经网络进行缺失井曲线预测的方法。以测井数据序列作为输入,首先通过CNN网络提取测井数据的特征,形成时序序列的特征向量,再利用GRU网络进行训练,最后输出测井曲线预测值。该方法综合了卷积神经网络局部特性感知和门控循环单元网络长期记忆的特性,考虑了测井曲线的深度趋势和局部形状,具有较高的预测精度。将该方法应用于四川某地区A、B两个井区3口井的测井曲线预测,并将预测结果与其它3种人工智能预测方法的预测结果进行对比分析,结果显示,基于CNN-GRU神经网络的测井曲线预测方法应用效果显著,能有效提取数据特征,为测井曲线预测提供了一种新思路。

基于坐标变换的三维旋转曲率属性计算方法

基于地震资料进行裂缝带识别是裂缝型油气藏勘探的关键,而曲率属性反映了地下构造起伏特征,可间接地用于裂缝带的检测。为了进一步提高曲率属性提取精度,这里将基于三维表面旋转的分析方法与曲率属性相结合,发展了一种基于坐标变换的三维旋转曲率属性计算方法。首先在一个地震体的每个样本上,用以目标样本为中心的局部反射倾角拟合一个二次或三次曲面进行计算,然后在原坐标系基础上进行三维旋转,使目的层在新的旋转坐标系中处于水平状态(一阶导数为零),最后再直接用二阶导数计算这个区域的曲率。将该方法用于三维French模型和实际资料,取得了较好的效果,验证了方法的有效性,证明了此方法具有提高曲率提取精度的优点。

基于反褶积广义S变换的流度属性提取方法在潜山储层预测中的应用

草桥古潜山油藏储层埋藏较浅,属于碳酸盐岩孔隙、裂缝、溶洞型复合油藏,受风化壳孔、缝、洞发育程度地质构造、地层岩性、盖层条件等因素影响,具有油水性质复杂多变、储集空间多种多样的特点,能够为油气运移和储集提供有利条件。流体流度属性是反映储层物性及流体可动性的重要指标,为此,这里利用基于反褶积广义S变换的流度属性提取方法,首先通过信号仿真试验证明,反褶积广义S变换能得到高分辨率和高聚集度时频谱的特点;再通过简单模型验证了该流度属性提取方法的有效性及适用性;最后将该提取方法应用于草桥古潜山的实际工区,应用结果表明,基于反褶积广义S变换的流体流度属性提取方法,能够准确地预测出该区域目的储层流体的活动,同时其流度属性剖面的分辨率也得到有效提升,为该区域实际油藏勘探和开发提供借鉴。

基于3D U-Net++L^(3)卷积神经网络的断层识别

断层解释在构造圈闭中起着十分重要的作用,是地震构造解释的基础和关键.使用传统的相干体、曲率等属性解释断层效率较低,并且受人为因数影响较大,致使断层识别能力有限,而传统的卷积神经网络虽然可以在一定程度上摆脱人为因素的干扰,但在断层识别精度上并没有明显的提高.为了解决断层识别困难的问题,本文提出了一种基于3D U-Net++L^(3)卷积神经网络的断层智能识别方法,该方法是采用计算机视觉领域的图像语义分割技术,对输入数据体的每一个像素点进行判断是否为断层,随后输出断层概率体.测试结果表明,本文所选用的模型的测试精度可以提高至95%左右,损失函数值可以收敛至2%左右.实际应用表明,模型可以在实际地震数据中准确地估算断层位置,在断层连续性上面有所提高,解决了断层与背景在细节上难分问题.从而验证了图像语义分割技术在断层识别上具有一定的研究价值.