储层预测.ppt

与地震波速度有关的因素： 1）弹性常数与地震波速度的关系； 2）岩性与地震波速度的关系； 3）密度与地震波速度的关系； 4）构造历史和沉积年代与地震波速度的关系； 5）埋藏深度与地震波速度的关系； 6）孔隙度及流体性质与地震波速度的关系； 7）温度压力与地震波速度的关系。 一、速度与岩石弹性常数的关系 泊松比为0.25左右，所以 （含气时泊松比变小） 二、地震波速度与岩性的关系 三、地震波速度与岩石密度的关系 沉积岩中的波速与岩石密度的关系: 如对某些石灰岩、页岩来说，可用线性方程来描述： 式中V——Km/s， —— 完全充水饱和时，地震纵波速度与岩石密度之间存在着良好的定量关系，非线性关系经验公式（加德纳公式 ）： 四、速度与构造历史和沉积年代的关系 五、地震波速度与埋藏深度的关系 一般来说，随深度的增加地震波速度增大。不同的地区，速度随深度变化的垂直梯度可能相差很大。一般地说，在浅处速度梯度较大；深度增加时，梯度减小。 六、与孔隙度和流体性质的关系 岩石孔隙度示意图 当考虑流体压力变化影响因素时，引入压差调节系数C，上式变为： ——孔隙度； V ——波在岩石中的实际速度； ——波在孔隙流体中的速度； ——波在岩石基质中的速度； C ——压差调节系数。 七、与频率、温度和压力的关系 与频率无关（无频散），温度每升高100度，速度减少5~6％。 内 容 １ 地震特征参数 ２ 人工神经网络原理 ３ K-L变换地震特征参数优化 ４ 储层参数预测原理 ５ 储层预测方法的应用 1）王3区块储层孔隙度与砂岩厚度预测 2）杜家台油层油气及储层参数预测 3）百口泉区块油气及储层参数预测 １ 地震特征参数 ２ 人工神经网络原理 1）人工神经网络的基本处理单元 2）多层感知器 3）误差反传播算法 人工神经元基本处理单元 Sigmoid函数 多层感知器 误差反传播算法是利用梯度有哪些信誉好的足球投注网站技术使估价函数(cost function)最小化，估价函数等于期望输出与网络实际输出差的平方和。网络训练时，开始取一些小的随机数（计算机自动生成），以这些随机数作为网络内部各个节点之间连接的权系数和各个节点上的阈值的初始值，然后，输入所有训练样本数据，根据网络求得输出结果，计算实际输出与期望输出的差值，并按照一定的规则，不断地修改节点间的连接权系数和节点内部的阈值，反复这一过程，直至权值收敛，并使估价函数降至可接收值。 ３ K-L变换地震特征参数优化 在利用地震波特征参数作储层预测时，不同参数从不同的方面反映储层的性质，由于影响地震波特征参数变化的因素较多，且十分复杂，储层参数的变化不可能使每一种地震波特征参数发生变化，甚至对某些特征的变化具有不确定性，在储层预测时起副作用；同时，地震波特征是经过各种数学变换求得的，特征参数之间，有些是相互独立的，有些存在一定的相关性。因此，针对不同的地区，预测不同的参数，采取特征参数优化方法，选取较敏感的一组地震波特征参数进行储层预测具有重要的意义。 K-L变换是特征优化有效方法。 ４ 储层参数预测原理 应用地震资料作储层参数油气预测的主要步骤： 第一步：地震资料的构造精细解释。 第二步：地震波特征参数的提取。 第三步：神经网络的训练。 第四步：对储层参数、油气分布进行预测。 神经网络储层参数 ５ 储层预测方法的应用 沙二3预测孔隙度分布图 沙二4预测孔隙度分布图 沙二1预测砂岩厚度分布图 沙二2预测砂岩厚度分布图 沙二3预测砂岩厚度分布图 沙二4预测砂岩厚度分布图 从图上可以得到如下认识： 地震资料预测值与实际值吻合较好，实际砂岩厚度与孔隙度较大的区域，预测砂岩厚度与孔隙度一般也较大，实际砂岩厚度与孔隙度较小的区域，预测砂岩厚度与孔隙度一般也较小。 2：将井位处实际孔隙度与地震预测值比较，如表4-1，分析表中数据可以得出：沙二1、沙二2、沙二3、沙二4孔隙度预测值的相对误差小于10%的分别为54%、79%、75%和67%，平均69%，达到了合同规定60%的指标；相对误差小于20%的分别为83%、98%、98%和93%，平均93%，也达到了合同规定90%的指标。可见，孔隙度的预测精度相当高。 将井位处实际砂岩厚度与地震预测值比较，如表4-2，