基于相控的储层物性预测方法研究
发布时间：2021-01-07 14:33
调整井储层物性预测对调整井部署和钻完井设计非常重要。受沉积相控制,平面地层厚度、孔隙度和渗透率分布具有非均质性,传统的克里金插值等储层物性预测方法在预测调整井地层物性时,由于部分选取已知井点与预测调整井的沉积相不同,只考虑了待插值点与样本点之间的空间差异,而忽略了沉积相的影响,造成储层物性预测结果误差大。因此,有必要根据调整井钻遇地层样本点储层物性数据划分地层沉积相,进而选取与调整井钻遇地层待插值点同一沉积相区域的样本点储层物性数据来预测调整井的储层物性,提高预测精度。本文首先在地层沉积相的特征和现有沉积相划分方法分析基础上,针对现有沉积相划分方法需要地震、测井及钻井取芯资料多、预测过程复杂且耗时长的不足,给出了一种基于机器学习K-means聚类算法的沉积相划分方法,利用测井解释资料划分地层沉积相,为调整井储层物性预测奠定基础;进而,通过不同基于距离的储层物性插值预测方法对比分析,给出了一种基于沉积相划分的相控克里金插值储层物性预测方法,该方法通过遍历插值井点数据选取更加合理的沉积相划分方案,提高了储层物性预测精度。蓬莱油田储层物性预测结果表明,本文给出的相控克里金插值储层物性预测方法...
【文章来源】：中国石油大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 选题目的及意义
1.2 国内外研究现状及存在的问题
1.2.1 储层沉积相预测方法研究
1.2.2 储层物性预测方法研究
1.2.3 存在的问题
1.3 主要研究内容及拟解决的关键问题
1.3.1 研究内容
1.3.2 拟解决的关键问题
1.4 采用的技术路线和研究方法
1.4.1 技术路线
1.4.2 研究方法
1.5 主要工作成果和创新点
1.5.1 主要工作成果
1.5.2 创新点
第2章 研究区地质概况
2.1 区域构造特征
2.2 储层地质特征
2.2.1 储层特征
2.2.2 油田地质层系
2.3 储层物性特征
2.4 勘探开发概况
第3章 基于相控的储层物性预测方法研究
3.1 蓬莱19-3 油田沉积微相特征分析
3.2 数据预处理
3.3 K-means聚类算法预测沉积微相
3.3.1 K-means聚类算法流程
3.3.2 tensorflow机器学习框架
3.3.3 距离的度量和几个关键问题
3.4 PCA（主成分分析）评价聚类效果
3.5 储层物性预测方法
3.5.1 反距离加权法
3.5.2 克里金插值法
3.5.3 改进谢别德
第4章 相控模型下储层物性预测应用研究
4.1 基于K-means聚类算法的沉积微相划分
4.2 相控模型下的克里金插值
第5章 结论
参考文献
附录1 K-means聚类算法核心代码
附录2 PCA（主成分分析）算法核心代码
附录3 Kriging（克里金）算法核心代码
致谢
【参考文献】：
期刊论文
[1]基于TensorFlow深度学习框架的卷积神经网络研究[J]. 袁文翠,孔雪. 微型电脑应用. 2018(02)
[2]大数据下数据预处理方法研究[J]. 孔钦,叶长青,孙赟. 计算机技术与发展. 2018(05)
[3]开源人工智能系统TensorFlow的教育应用[J]. 石磊. 现代教育技术. 2018(01)
[4]基于PCA和SVM的人脸识别系统[J]. 胡沐晗. 计算机时代. 2017(12)
[5]一种基于Python的K-means聚类算法分析[J]. 陈伟,李红,王维. 数字技术与应用. 2017(10)
[6]松辽盆地北部G地区葡萄花油层储层特征及主控因素分析[J]. 王磊. 长江大学学报(自科版). 2017(15)
[7]鄂尔多斯盆地什社地区长3油层组沉积相研究[J]. 喻雅敏,文志刚,刘军锋,刘美荣,段银鹿. 长江大学学报(自科版). 2017(15)
[8]采用距离无偏估计的加权最小二乘定位算法[J]. 李朝海,汪子峰,李会勇,张伟. 信号处理. 2016(12)
[9]对K-means聚类算法欧氏距离加权系数的研究[J]. 郭靖. 网络安全技术与应用. 2016(10)
[10]基于核贝叶斯判别法的储层物性参数预测[J]. 刘兴业,陈小宏,李景叶,周林,郭康康. 石油学报. 2016(07)
博士论文
[1]基于粗糙集—支持向量机的油气储层参数预测方法研究[D]. 邓燕.中国地质大学（北京） 2013
硕士论文
[1]延长油田靖边马宁油区三叠系延长组长2油层组沉积相及储层特征研究[D]. 唐凌毅.西南石油大学 2017
[2]调整井储层物性与压力预测研究[D]. 臧烨.中国石油大学(北京) 2016
[3]沉积相及成岩作用控制下的储层物性分析[D]. 白雪见.西北大学 2015
本文编号：2962733
【文章来源】：中国石油大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 选题目的及意义
1.2 国内外研究现状及存在的问题
1.2.1 储层沉积相预测方法研究
1.2.2 储层物性预测方法研究
1.2.3 存在的问题
1.3 主要研究内容及拟解决的关键问题
1.3.1 研究内容
1.3.2 拟解决的关键问题
1.4 采用的技术路线和研究方法
1.4.1 技术路线
1.4.2 研究方法
1.5 主要工作成果和创新点
1.5.1 主要工作成果
1.5.2 创新点
第2章 研究区地质概况
2.1 区域构造特征
2.2 储层地质特征
2.2.1 储层特征
2.2.2 油田地质层系
2.3 储层物性特征
2.4 勘探开发概况
第3章 基于相控的储层物性预测方法研究
3.1 蓬莱19-3 油田沉积微相特征分析
3.2 数据预处理
3.3 K-means聚类算法预测沉积微相
3.3.1 K-means聚类算法流程
3.3.2 tensorflow机器学习框架
3.3.3 距离的度量和几个关键问题
3.4 PCA（主成分分析）评价聚类效果
3.5 储层物性预测方法
3.5.1 反距离加权法
3.5.2 克里金插值法
3.5.3 改进谢别德
第4章 相控模型下储层物性预测应用研究
4.1 基于K-means聚类算法的沉积微相划分
4.2 相控模型下的克里金插值
第5章 结论
参考文献
附录1 K-means聚类算法核心代码
附录2 PCA（主成分分析）算法核心代码
附录3 Kriging（克里金）算法核心代码
致谢
【参考文献】：
期刊论文
[1]基于TensorFlow深度学习框架的卷积神经网络研究[J]. 袁文翠,孔雪. 微型电脑应用. 2018(02)
[2]大数据下数据预处理方法研究[J]. 孔钦,叶长青,孙赟. 计算机技术与发展. 2018(05)
[3]开源人工智能系统TensorFlow的教育应用[J]. 石磊. 现代教育技术. 2018(01)
[4]基于PCA和SVM的人脸识别系统[J]. 胡沐晗. 计算机时代. 2017(12)
[5]一种基于Python的K-means聚类算法分析[J]. 陈伟,李红,王维. 数字技术与应用. 2017(10)
[6]松辽盆地北部G地区葡萄花油层储层特征及主控因素分析[J]. 王磊. 长江大学学报(自科版). 2017(15)
[7]鄂尔多斯盆地什社地区长3油层组沉积相研究[J]. 喻雅敏,文志刚,刘军锋,刘美荣,段银鹿. 长江大学学报(自科版). 2017(15)
[8]采用距离无偏估计的加权最小二乘定位算法[J]. 李朝海,汪子峰,李会勇,张伟. 信号处理. 2016(12)
[9]对K-means聚类算法欧氏距离加权系数的研究[J]. 郭靖. 网络安全技术与应用. 2016(10)
[10]基于核贝叶斯判别法的储层物性参数预测[J]. 刘兴业,陈小宏,李景叶,周林,郭康康. 石油学报. 2016(07)
博士论文
[1]基于粗糙集—支持向量机的油气储层参数预测方法研究[D]. 邓燕.中国地质大学（北京） 2013
硕士论文
[1]延长油田靖边马宁油区三叠系延长组长2油层组沉积相及储层特征研究[D]. 唐凌毅.西南石油大学 2017
[2]调整井储层物性与压力预测研究[D]. 臧烨.中国石油大学(北京) 2016
[3]沉积相及成岩作用控制下的储层物性分析[D]. 白雪见.西北大学 2015
本文编号：2962733
本文链接：https://www.wllwen.com/kejilunwen/shiyounenyuanlunwen/2962733.html
