网刊加载中。。。

使用Chrome浏览器效果最佳,继续浏览,你可能不会看到最佳的展示效果,

确定继续浏览么?

复制成功,请在其他浏览器进行阅读

基于模糊融合预测的页岩地质甜点识别技术——以胜利油区渤南洼陷为例

  • 王长江
  • 颜世翠
  • 张娟
  • 刘庆敏
  • 徐仁
  • 仲保温
中国石化胜利油田分公司 勘探开发研究院,山东 东营 257015

中图分类号: TE357

最近更新:2024-07-25

DOI: 10.13673/j.pgre.202405006

  • 全文
  • 图表
  • 参考文献
  • 作者
  • 出版信息
EN
目录contents

摘要

针对常规地震在页岩地质甜点预测中多解性较强的问题,充分挖掘一维的全岩分析数据和测井数据、二维的地质数据、三维的叠后地震数据以及五维的OVT资料方位信息,开展基于模糊融合预测的页岩地质甜点识别技术研究,提高页岩地质甜点预测准确率。首先,分别统计研究区断裂大致展布方向和有利岩相分布区,优选敏感方位角度段对OVT资料进行分方位叠加;其次,开展基于叠前优势方位的裂缝平面分析和基于前馈神经网络的页岩有利岩相三维预测;最后,研发基于改进Sigmoid和Takagi-Sugeno(TS)函数的模糊融合技术,根据页岩地质甜点控制因素的重要性程度确定主控因素的发挥作用,将方位各向异性裂缝平面预测结果和神经网络页岩岩相预测结果有效融合,实现页岩地质甜点决策融合。应用该技术在渤南洼陷沙三段下亚段开展页岩地质甜点分类分级评价,在裂缝和岩相预测基础上,剔除裂缝不发育区和不利岩相对页岩地质甜点分析的干扰,将研究区页岩地质甜点划分为3类,裂缝发育+有利岩相叠合区为一类甜点,预测结果与实钻井吻合程度较高,取得较好应用效果。研究结果表明,基于模糊融合预测的页岩地质甜点识别技术,实现了页岩地质甜点分类分级评价,提高了预测可信度,为页岩油勘探提供了可靠的技术支撑。

中外陆相断陷盆地页岩油气资源潜力巨大,但仍面临诸多问

1-8。页岩甜点受控因素较多,岩相和裂缝是控制页岩油气富集高产的重要因9-12,页岩岩相复杂,平面、纵向变化快,非均质性强;构造复杂,断裂和裂缝发育。因此页岩油勘探与开发需要开展优势岩相预测、微断裂及裂缝分析,以进一步提高描述精度。

针对页岩裂缝和岩相预测,常规方法主要从地震、测井、岩心和分析化验资料出发,利用相干、不同尺度蚁群追踪、倾角方位属性等技术完成叠后小断裂及裂缝发育宏观预

13-14,利用叠后确定性反演、叠前多参数同时反演、测井曲线重叠法等技术实现页岩岩相预15-16。常规方法基于叠后地震或者窄方位角资料,一定程度上推进了页岩甜点预测技术的发展进程,但是不同资料之间的融合应用程度较低,针对页岩地质甜点预测的准确率仍有待进一步提高。

随着地震勘探的深入,基于宽方位(Offset Vector Tile,OVT)资料的解释方法正逐渐崭露头角;基于大数据技术的智能预测技术也在油气勘探开发领域占有一席之地。OVT资料包含丰富的方位角信息,利用OVT域方位 (Amplitude Variation with Offset,AVO)地震道集及其属性可以进行包括构造解释、地层解释、岩性解释、流体解释、裂缝识别、地应力研究等在内的地震资料解

17-19。利用大数据技术可以充分挖掘地震资料与目标曲线之间的数据映射关20-23,从而剔除低频模型的影响,更准确地实现井间储层展布形态刻画。

为了更好地将OVT资料和大数据技术有效融合,发挥出不同技术不同资料的综合实力,需要实现多种结果的有效融合。改进模糊C均值聚类方法已在剩余油分类评价中进行了有效应

24,基于TS函数的模糊神经网络技术实现了液压马达故障诊25,基于最小二乘法的多参数融合页岩气地质甜点预测技术建立了有机碳含量、孔隙度、含气量与地震弹性参数的多元回归公26,但以上这些技术对于以裂缝和岩相为主控因素的页岩地质甜点预测技术都缺乏针对性,基于裂缝和岩相的页岩地质甜点融合技术仍有待进一步研究。

济阳坳陷陆相页岩油甜点层段厚度小、岩相类型多、非均质性强,在有机碳含量、矿物组分、脆性等多种因素影响下,难以准备厘定地质甜点,严重制约了济阳坳陷陆相页岩油勘探开发进程。为此,在方位各向异性裂缝平面预测和基于神经网络页岩岩相预测的基础上,研发了基于模糊融合预测的页岩地质甜点识别技术,实现了页岩甜点分类分级评价,提高了页岩地质甜点预测可信度。其技术优势在于根据页岩甜点控制因素的重要程度确定模糊参数值,发挥主控因素最大作用;将方位各向异性裂缝预测结果和基于神经网络页岩岩相预测结果有效融合,发挥出不同技术的综合优势。

1 技术原理

根据地质认识分析主裂缝延展方向,选择优势方位,开展基于叠前优势方位的裂缝平面分析;针对碳酸盐岩含量、砂岩含量等页岩岩相参数,使用机器学习算法和前馈神经网络,实现页岩有利岩相三维预测;在裂缝和岩相预测基础上,研发基于改进Sigmoid和TS函数的模糊融合技术,实现页岩地质甜点决策融合。

1.1 基于方位各向异性的页岩裂缝预测技术

具备方位各向异性的宽方位地震资料(即OVT域方位AVO地震资料、五维地震数据)是指观测系统中的横纵向排列比值大于0.5,宽方位地震勘探能够研究振幅或者速度随偏移距和方位角的变化信息,进而增强了识别地下各向异性的能力。具备方位各向异性的宽方位地震资料能够更准确地分析地震波在地下介质中传播时,其速度、振幅等参数随空间的变化信息。该资料中的方位角信息与地层中的断裂和裂缝等特征参数密切相关。

裂缝是否发育是判断页岩地质甜点的重要因素,不同方位角范围内,识别裂缝的清晰程度不同,为了更准确地识别页岩裂缝发育区,开展基于方位各向异性的页岩裂缝预测。其步骤包括:①对五维地震数据进行优化处理(地震数据去噪处理、地震数据提高分辨率处理、地震同相轴校平处理),提高数据的信噪比和分辨率。②根据实际地震数据特点以及地质认识,对五维地震数据划分敏感方位角度范围。③针对敏感方位角度范围,将五维地震数据进行分方位角度叠加。④在分方位角度叠加的数据体上,提取最大似然或曲率等属性,分析裂缝平面展布特征及差异。

1.2 基于前馈神经网络的页岩岩相三维预测技术

前馈神经网络是一种人工神经网络,节点之间的连接不形成循环。在前馈网络中,信息总是向一个方向移动,仅在一个方向上从输入节点向前移动,通过隐藏节点到达输出节点,网络中没有循环或环路。

通过全岩分析实验获得的碳酸盐岩含量、砂岩含量等与页岩岩相有关的数据量很少,而且这些少量数据与声波时差、密度、自然伽马、中子等测井曲线以及地震数据之间存在明显的非线性关系。为了更加明晰碳酸盐岩含量、砂岩含量等页岩岩相参数与测井曲线之间的非线性映射,开展基于前馈神经网络的页岩岩相三维预测。具体步骤为:①需要输入与页岩岩相相关的多源数据,包括声波时差、密度、自然伽马等测井曲线数据,碳酸盐岩含量和砂岩含量等页岩岩相参数,以及分方位角叠加的多个三维地震数据。②针对碳酸盐岩含量、砂岩含量等页岩岩相参数,使用机器学习算法,建立训练模型并展开参数优选,将机器学习训练模型应用于工区内无页岩岩相参数的探井,得到研究区所有探井的页岩岩相参数。③设置前馈神经网络的隐层数,训练验证数据占比,优选迭代次数、学习率等参数,利用前馈神经网络得到页岩岩相三维预测结果。

1.3 基于模糊逻辑的页岩地质甜点决策融合技术

引入模糊逻辑方法,处理页岩岩相和裂缝分析对于页岩甜点预测的不确定性和模糊性问题。

鉴于岩相预测结果和裂缝识别结果不在同一量纲上,因此使用改进Sigmoid函数将其归一化到[0,1]区间,使用改进TS函数展开模糊推理。

基于TS函数的模糊推理系统,通过对估算的页岩岩相和裂缝进行模糊化处理,根据页岩甜点主控因素确定输入数据得分,根据输入-输出数据的函数关系建立模糊规则,实现页岩地质甜点决策融合。基于改进TS函数的页岩地质甜点计算公式如下:

f=[(1+i=1nAin)α+(1+B)β]2 (1)

式中:f为基于改进TS函数的页岩地质甜点计算函数;i为1~n的自然数;n为分方位角度段的划分总数;Ai为归一化后的分方位角度段裂缝预测结果;α为分方位角度段裂缝预测结果在页岩甜点预测主控因素分析中的得分值(均为正值);B为归一化后的岩相预测结果;β为岩相在页岩甜点预测主控因素分析中的得分值(均为正值)。

式(1)AiB通过改进Sigmoid函数计算得到,其表达式如下:

g(x)=11+e[(-1)c*x]   xQ0             xQ (2)

式中:gx)为AiB的计算函数;x为分方位裂缝预测结果或岩相预测结果;C为常数,若输入数据x与甜点呈正相关,则C=1;若输入数据x与甜点呈负相关,则C=2;Q为裂缝发育区或有利岩相发育区。

通过式(1)式(2) ,针对页岩地质甜点,可完成同一类型制约因素和不同类型制约因素的有效融合。

2 技术流程

基于方位各向异性的裂缝平面预测和前馈神经网络的页岩岩相三维预测,开展页岩甜点决策融合。为此,研发了基于模糊融合预测的页岩地质甜点识别技术,其技术流程如图1所示。

fig

图1  技术流程

Fig.1  Workflow of developed technology

多源信息数据整理与输入 页岩地质甜点预测相关的数据包括一维的全岩分析数据、测井数据;二维的地质数据;二维的叠后地震数据,以及五维和OVT资料。输入这些不同维度的多源信息数据,并且开展数据的整理、分析、去异常值处理等操作。然后通过井震精细标定,将时间域的叠后地震数据和五维OVT资料标定到深度域,使得不同维度的时间域和深度域数据可以自由切换运用。

分方位角度叠加 通过提取叠后相干、曲率等属性,明确研究区目的层段的断裂平面展布形态;针对不同位置不同形态的断裂,划分出垂直于断裂方向的方位角度范围;按照划分出的分方位角度段,开展OVT资料分方位角叠加,得到不同方位角度范围的分方位角度段叠加数据。

分方位角度段的裂缝平面预测 针对分方位叠加数据,沿层提取似然属性、蚂蚁体、曲率等属性,研究不同方位的裂缝平面展布形态,并进行差异性分析。

基于前馈神经网络的页岩岩相三维预测 采用机器学习算法,从页岩岩相目标数据出发,选定时窗涵盖曲线形态信息,建立和优选训练模型,再将该模型推广应用于整个工区的实钻井;然后借助于前馈神经网络得到页岩岩相空间展布特征。

对裂缝和岩相预测结果进行重要性排序 根据岩相和裂缝对页岩地质甜点的制约程度,对岩相和裂缝预测结果进行重要性排序。

基于改进Sigmoid和TS函数的模糊融合公式构建 根据地质认识,分析研究区页岩地质甜点的主控因素,根据主控因素确定TS函数的参数值。从而构建基于改进Sigmoid和TS函数的模糊融合公式。

页岩地质甜点模糊融合结果计算 利用式(1)和式(2)得到页岩地质甜点模糊融合结果。

页岩地质甜点分类评价 根据预测结果得到页岩地质甜点储层分类。

3 应用实例

胜利油区渤南洼陷沙三段下亚段出油井多,高产井多,罗42、新义深9、渤页平5等3口井投产,其累计产油量超过1×104 t,是页岩油气最为富集的地区之一。渤南地区中、东部已获得突破,如义页平1、渤页平5井。随着取心资料的增加和研究的深入,有望实现储量整体上报。渤南洼陷西部(四扣-邵家洼陷)研究程度低,近期钻井见到了良好的油气显示,有待进一步明确资源潜力,尽快实现规模增储。

渤南洼陷沙三段下亚段页岩油具有厚度大、压力系数高、裂缝发育、产能高等特点。裂缝和岩相是控制油气富集的重要因素,仅仅从其中一项判定页岩地质甜点存在片面性,为此,将渤南洼陷作为应用工区,基于裂缝预测和岩相识别,开展页岩地质甜点预测。

3.1 渤南洼陷沙三段下亚段裂缝预测

将基于方位各向异性的裂缝预测技术应用于渤南洼陷沙三段下亚段。以罗42井为例,开展OVT道集资料分析。图2a展示了罗42井点处振幅随方位角和偏移距的变化,随着方位角和偏移距变化,振幅也随之变化。图2b是振幅随偏移距变化的散点交会分析图,更加直观地展现了振幅随偏移距的变化特征。

fig

图2  罗42井点处OVT道集资料分析

Fig.2  OVT gather data analysis in Well Luo 42

根据研究区断裂展布方向,进行方位角划分。从图3可知,渤南洼陷沙三段下亚段OVT道集的方位角为0°~360°,最大偏移距为4 439.44 m,且分布在南北方向;优选4个敏感角度段,分别是5°~25°、80°~100°、110°~145°和350°~360°。在敏感角度段内,对地震数据进行分角度叠加,便于后续裂缝预测工作的开展。

fig

图3  渤南洼陷沙三段下亚段OVT道集方位角划分

Fig.3  Azimuth division of OVT gather of Es3U in Bonan Subsag

在分方位角度叠加的数据体上,提取似然属性,分析不同方位角度段的裂缝平面展布情况。从图4可以看出,5°~25°、80°~100°、110°~145°和350°~360°的分方位角度段叠加后的似然属性刻画出不同裂缝发育细节,特别是椭圆框范围内,刻画出更多地裂缝发育区,裂缝的细节特征更明显。

fig

图4  分方位似然属性识别裂缝平面展布

Fig.4  Horizontal distribution of fractures identified by likelihood attribute of various azimuths

3.2 渤南洼陷沙三段下亚段页岩岩相识别

目前页岩岩相按照四要素三端元划分,对同种结构(如纹层或层状页岩相),可以从碳酸盐岩含量入手确定页岩岩相类型,因此在渤南洼陷沙三段下亚段,将碳酸盐岩含量作为该区页岩岩相预测目标数据。

3.2.1 碳酸盐岩含量曲线预测

渤南洼陷沙三段下亚段目前只有罗69井有全岩分析数据,由罗69井碳酸盐岩含量散点图(图5)和GR曲线散点图(图6)可知,两种数据的采样间隔不一样,同一深度范围内采样点个数不同,采集数据的深度值不一样,因此在深度域开取固定时窗,将测井曲线变化段与碳酸盐岩变化段进行数据拟合。在全岩实验数据量较少的情况下,采用线性回归机器学习方法,在不降低预测精度的前提下,尽量保证较高的泛化能力。从图7可以看出,预测曲线与实测曲线趋势基本一致。

fig

图5  罗69井碳酸盐岩含量散点图

Fig.5  Scatter plot of carbonate content in Well Luo 69

fig

图6  罗69井GR曲线散点图

Fig.6  Scatter plot of GR curve of Well Luo 69

fig

图7  碳酸盐岩含量预测结果与实测结果对比

Fig.7  Comparison of predicted and measured carbonate contents

将罗69井沙三段下亚段的碳酸盐岩含量与测井曲线之间的线性回归关系应用于研究区的邵545、邵549、邵548、邵550和新罗39等井,得到多口井的碳酸盐岩含量曲线,为页岩岩相三维预测奠定基础。从图8可知,从浅层到沙三段下亚段等中深层,碳酸盐岩含量由少到多,在沙三段下亚段碳酸盐岩含量达到最高。

fig

图8  邵545井—新罗39井连井地震剖面叠合碳酸盐岩含量曲线

Fig.8  Connected well seismic profiles superposed with carbonate content curve of Shao 545 to Xinluo 39

3.2.2 页岩岩相识别

以碳酸盐岩含量曲线为页岩岩相目标曲线,将分方位角度段叠加数据(5°~25°、80°~100°、110°~145°、350°~360°)和叠后地震数据作为样本特征值,采用前馈神经网络技术进行页岩岩相三维预测(设置隐层数为10、最大迭代次数为2 000、训练数据占比为80%,学习率为0.001)。从图9可知,分方位角度段叠加的均方根振幅属性与全方位叠加的均方根振幅属性在振幅能量平面展布上存在着不小的差异,特别是椭圆框范围内。

fig

图9  分方位角度段叠加数据的均方根振幅属性对比

Fig.9  Comparison of root-mean-square amplitude attributes stacked at different azimuth angles

图10可知,碳酸盐岩含量平面展布呈现环洼分布,与现今构造形态一致,符合地质认识。碳酸盐岩含量大于50%,属于泥质灰岩相;小于50%,属于灰质泥岩相。

fig

图10  渤南洼陷沙三段下亚段13层组碳酸盐岩含量平面预测

Fig.10  Prediction of carbonate content on plane in 13-layer of Es3U in Bonan Subsag

3.3 渤南洼陷沙三段下亚段页岩地质甜点分析

在裂缝和岩相预测的基础上,使用改进TS函数完成渤南洼陷沙三段下亚段页岩地质甜点模糊融合预测。裂缝越发育,页岩储集性能越好,因此裂缝发育程度与页岩地质甜点发育情况成正比;碳酸盐岩含量越高,说明灰质成份越多,页岩岩相越好,更可能发育页岩地质甜点,因此碳酸盐岩含量与页岩地质甜点发育情况成正比。式(2)中,不论是裂缝还是岩相预测结果,与页岩地质甜点的关系都是正相关,则C=1;通过式(2)将裂缝发育位置和有利岩相位置进行有效刻画。在渤南洼陷沙三段下亚段,有利岩相和裂缝对于页岩地质甜点的选择同样重要,但是为了更好地将裂缝和有利岩相位置都突出显示,式(1)中取α=3,β=1。

图11是渤南洼陷沙三段下亚段13层组页岩地质甜点融合图,从实钻井资料来看,渤页平1井有机质丰度高,该井钻探基质型且天然裂缝发育,位于一类甜点发育区;渤页平2井有机质丰度高,该井钻探基质型,天然裂缝不发育,位于二类甜点发育区,甜点预测结果与渤页平1井和渤页平2井的实钻情况吻合。预测结果显示该区的页岩地质甜点可以划分为3类:一类是有利岩相+裂缝发育叠合区,如图中红色椭圆所示;二类是有利岩相或裂缝发育区;三类是不利岩相和裂缝不发育区。

fig

图11  渤南洼陷沙三段下亚段13层组页岩地质甜点融合图

Fig.11  Fusion map of geological sweet spots of shale in 13-layer of Es3U in Bonan Subsag

4 结论

在方位各向异性裂缝平面预测和前馈神经网络页岩岩相预测的基础上,研发了基于模糊融合预测的页岩地质甜点识别技术,实现了基于方位各向异性的页岩地质甜点分类分级评价。将不利岩相或裂缝不发育区设置为零值,进而剔除不利岩相和裂缝不发育区对页岩地质甜点分析的干扰;根据页岩地质甜点控制因素的重要性程度确定参数高低值,使主控因素发挥最大作用;将方位各向异性裂缝平面预测结果和神经网络页岩岩相预测结果有效融合,发挥出不同技术的综合实力。该方法在渤南洼陷沙三段下亚段开展页岩地质甜点分类分级评价,将该区页岩地质甜点划分为3类,有利岩相+裂缝发育叠合区是一类甜点,预测结果与实钻井吻合度较高,取得较好应用效果。

参考文献

1

宋明水.济阳坳陷页岩油勘探实践与现状[J].油气地质与采收率2019261):1-12. [百度学术] 

SONG Mingshui. Practice and current status of shale oil exploration in Jiyang Depression [J]. Petroleum Geology and Recovery Efficiency2019261): 1-12. [百度学术] 

2

宋明水刘惠民王勇.济阳坳陷古近系页岩油富集规律认识与勘探实践[J].石油勘探与开发2020472):225-235. [百度学术] 

SONG MingshuiLIU HuiminWANG Yonget al. Enrichment rules and exploration practices of Paleogene shale oil in Jiyang Depression, Bohai Bay Basin, China [J]. Petroleum Exploration and Development2020472): 225-235. [百度学术] 

3

宁方兴.济阳坳陷页岩油富集机理[J].特种油气藏2015223):27-30. [百度学术] 

NING Fangxing. Mechanism of shale oil enrichment in Jiyang Depression [J]. Special Oil & Gas Reservoirs2015223): 27-30. [百度学术] 

4

王香增张建锋郝世彦.延安地区陆相页岩气勘探开发关键技术[J].非常规油气2023101):1-10. [百度学术] 

WANG XiangzengZHANG JianfengHAO Shiyan. Key technologies of continental shale gas exploration and development in Yan’an Area [J]. Unconventional Oil & Gas2023101): 1-10. [百度学术] 

5

金之钧梁新平王小军.玛湖凹陷风城组页岩油富集机制与甜点段优选[J].新疆石油地质2022436):631-639. [百度学术] 

JIN ZhijunLIANG XinpingWANG Xiaojunet al. Shale oil enrichment mechanism and sweet spot selection of Fengcheng Formation in Mahu Sag, Junggar basin [J]. Xinjiang Petroleum Geology2022436): 631-639. [百度学术] 

6

杨勇.济阳陆相断陷盆地页岩油富集高产规律[J].油气地质与采收率2023301):1-20. [百度学术] 

YANG Yong. Enrichment and high production regularities of shale oil reservoirs in continental rift basin: a case study of Jiyang Depression, Bohai Bay Basin [J]. Petroleum Geology and Recovery Efficiency2023301): 1-20. [百度学术] 

7

林腊梅程付启刘骏锐.济阳坳陷渤南洼陷沙一段页岩油资源潜力评价[J].中国海上油气2022344):85-96. [百度学术] 

LIN LameiCHENG FuqiLIU Junruiet al. Evaluation of shale oil resource potential in the Es1 Member in Bonan sag, Jiyang depression [J]. China Offshore Oil and Gas2022344): 85-96. [百度学术] 

8

李国欣雷征东董伟宏.中国石油非常规油气开发进展、挑战与展望[J].中国石油勘探2022271):1-11. [百度学术] 

LI GuoxinLEI ZhengdongDONG Weihonget al. Progress, challenges and prospects of unconventional oil and gas development of CNPC [J]. China Petroleum Exploration2022271): 1-11. [百度学术] 

9

刘喜武刘宇巍郭智奇.陆相页岩油关键甜点要素地球物理表征技术[J].地球物理学进展2022374):1 576-1 584. [百度学术] 

LIU XiwuLIU YuweiGUO Zhiqi. Key sweet spot factors seismic characterization of continental shale oil [J]. Progress in Geophysics2022374): 1 576-1 584. [百度学术] 

10

印森林陈恭洋许长福.陆相混积细粒储集岩岩相构型及其对甜点的控制作用——以准噶尔盆地吉木萨尔凹陷二叠系芦草沟组页岩油为例[J].石油与天然气地质2022435): 1 180-1 193. [百度学术] 

YIN SenlinCHEN GongyangXU Changfuet al. Lithofacies architecture of lacustrine fine-grained mixed reservoirs and its control over sweet spot: a case study of Permian Lucaogou Formation shale oil reservoir in the Jimsar Sag, Juggar Basin [J]. Oil & Gas Geology2022435): 1 180-1 193. [百度学术] 

11

彭先锋邓虎成何建华.鄂尔多斯盆地大牛地气田中奥陶统马家沟组裂缝特征及成因[J].石油实验地质2022441): 41-50,93. [百度学术] 

PENG XianfengDENG HuchengHE Jianhuaet al. Characteristics and genesis of fractures in Middle Ordovician Majiagou Formation, Daniudi Gas Field, Ordos Basin [J]. Petroleum Geology & Experiment2022441): 41-50, 93. [百度学术] 

12

唐圣来.基于嵌入式多尺度裂缝模型的地质建模方法及应用[J].特种油气藏2023301):36-40. [百度学术] 

TANG Shenglai. Geological modeling method and its application based on embedded multi-scale fracture model [J]. Special Oil & Gas Reservoirs2023301): 36-40. [百度学术] 

13

黄浩勇苟其勇刘胜军.页岩气叠后裂缝综合预测技术——以长宁国家级页岩气示范区为例[J].断块油气田2022292):218-223. [百度学术] 

HUANG HaoyongGOU QiyongLIU Shengjunet al. Post-stack fracture comprehensive prediction technology for shale gas: taking Changning national shale gas demonstration area as an example [J]. Fault-Block Oil & Gas Field2022292): 218-223. [百度学术] 

14

李京昌卢婷聂海宽.威荣地区WY23平台页岩气层裂缝地震检测可信度评价[J].油气藏评价与开发2023135): 614-626. [百度学术] 

LI JingchangLU TingNIE Haikuanet al. Confidence evaluation of fractures seismic detection in shale gas formations on WY23 Pad in Weirong [J]. Petroleum Reservoir Evaluation and Development2023135): 614-626. [百度学术] 

15

李国欣刘国强侯雨庭.陆相页岩油有利岩相优选与压裂参数优化方法[J].石油学报20214211):1 405-1 416. [百度学术] 

LI GuoxinLIU GuoqiangHOU Yutinget al. Optimization method of favorable lithofacies and fracturing parameter for continental shale oi [J]. Acta Petrolei Sinica20214211): 1 405-1 416. [百度学术] 

16

史彪吴丰李树新.海陆过渡相优质页岩测井识别:以鄂尔多斯盆地大宁-吉县地区山2段为例[J].地质科技通报2023422):115-126. [百度学术] 

SHI BiaoWU FengLI Shuxinet al. Logging identification of high-quality shale of the marine-continent transitional facies: an example of the Shan 2 Member of the Daning-Jixian area in the Ordos Basin [J]. Bulletin of Geological Science and Technology2023422): 115-126. [百度学术] 

17

石雪峰张昊赵才顺.基于叠前地震数据的AVAZ裂缝预测技术及应用[J].石化技术2022291):129-130. [百度学术] 

SHI XuefengZHANG HaoZHAO Caishun. AVAZ fracture prediction based on prestack seismic and application [J]. Petrochemical Industry Technology2022291): 129-130. [百度学术] 

18

刘宇巍刘喜武钱恪然.HTI介质AVAZ定量反演方法及系统CN110658554B[P].2021-05-25. [百度学术] 

LIU YuweiLIU XiwuQIAN Keranet al. Quantitative inversion method and system for AVAZ in HTI mediaCN110658554B [P]. 2021-05-25. [百度学术] 

19

于晓东桂志先汪勇.叠前AVAZ裂缝预测技术在车排子凸起的应用[J].石油地球物理勘探2019543):624-633. [百度学术] 

YU XiaodongGUI ZhixianWANG Yonget al. Prestack AVAZ fracture prediction applied in Chepaizi Uplift [J]. Oil Geophysical Prospecting2019543): 624-633. [百度学术] 

20

管倩倩蒋龙杨勇.基于遗传优化神经网络算法评价页岩油储层有机碳含量的方法CN115032361A[P].2022-09-09. [百度学术] 

GUAN QianqianJIANG LongYANG Yonget al. A method for evaluating organic carbon content in shale oil reservoirs based on genetic optimization neural network algorithmCN115032361A [P]. 2022-09-09. [百度学术] 

21

王如意吴钧杨向同.基于机器学习智能决策系统的古龙页岩油储层总有机碳含量定量表征及智能预测[J].大庆石油地质与开发2022413):172-182. [百度学术] 

WANG RuyiWU JunYANG Xiangtonget al. Quantitative characterization and intelligent prediction of TOC of Gulong shale oil reservoir based on machine learning intelligent decision system [J]. Petroleum Geology & Oilfield Development in Daqing2022413): 172-182. [百度学术] 

22

雷祥辉李映艳彭寿昌.基于大数据分析的储层参数预测——以吉木萨尔芦草沟组页岩油为例[J].国外测井技术2021,(4):35-39. [百度学术] 

LEI XianghuiLI YingyanPENG Shouchanget al. Prediction of reservoir parameter based on big data analysis -a case study of shale oil of Lucaogou Formation in Jimusaer [J]. World Well Logging Technology2021, (4): 35-39. [百度学术] 

23

杨勇.胜利油田勘探开发大数据及人工智能技术应用进展[J].油气地质与采收率2022291):1-10. [百度学术] 

YANG Yong. Application progress of big data & AI technologies in exploration and development of Shengli Oilfield [J]. Petroleum Geology and Recovery Efficiency2022291): 1-10. [百度学术] 

24

刘丽杰张先敏魏祥祥.特高含水期剩余油分类评价方法[J].油气地质与采收率2022295):83-90. [百度学术] 

LIU LijieZHANG XianminWEI Xiangxianget al. Classification and evaluation method of remaining oil in ultra-high water cut stag [J]. Petroleum Geology and Recovery Efficiency2022295): 83-90. [百度学术] 

25

高谦肖维.基于T-S模糊神经网络的液压马达故障诊断方法研究[J].计算机与数字工程20204812):3 027-3 030. [百度学术] 

GAO QianXIAO Wei. Research on fault diagnosis method of hydraulic motor based on T-S fuzzy neural network [J]. Computer & Digital Engineering20204812): 3 027-3 030. [百度学术] 

26

裴思嘉.多参数融合的页岩气地质甜点预测技术在川东南C工区的应用[J].大庆石油地质与开发2023422):33-39. [百度学术] 

PEI Sijia. Application of multi-parameter fusion prediction technology of shale gas geological sweet spot in C work area in southeast Sichuan [J]. Petroleum Geology & Oilfield Development in Daqing2023422): 33-39. [百度学术] 

×
《油气地质与采收率》
《油气地质与采收率》启动新投稿网站的公告