Интерпретация данных сейсморазведки 3D на основе спектральной декомпозиции и нелинейных зависимостей динамических атрибутов с целью прогноза нефте-газонасыщенных коллекторов тема диссертации и автореферата по ВАК РФ 25.00.10, кандидат технических наук Никульников, Алексей Юрьевич

  • Никульников, Алексей Юрьевич
  • кандидат технических науккандидат технических наук
  • 2012, Москва
  • Специальность ВАК РФ25.00.10
  • Количество страниц 109
Никульников, Алексей Юрьевич. Интерпретация данных сейсморазведки 3D на основе спектральной декомпозиции и нелинейных зависимостей динамических атрибутов с целью прогноза нефте-газонасыщенных коллекторов: дис. кандидат технических наук: 25.00.10 - Геофизика, геофизические методы поисков полезных ископаемых. Москва. 2012. 109 с.

Оглавление диссертации кандидат технических наук Никульников, Алексей Юрьевич

Оглавление

Оглавление

Благодарности

Список иллюстраций

Список сокращений

Введение

1. Алгоритмы спектральной декомпозиции

1.1. Преобразование Фурье в фиксированном окне (STFT)

1.2. Частотно-временное непрерывное вейвлет-преобразование (TFCWT)

2. Применение спектральной декомпозиции

2.1. Расчет временной мощности тонкого пласта

2.1.1. Модель клиноформного пласта

2.1.2. Определение мощности пласта по сейсмическим данным

2.2. Визуализация и анализ результатов спектральной декомпозиции с помощью RGB-смешивания

2.3. Типизация коллекторов с использованием результатов спектральной декомпозиции

3. Статистический анализ атрибутов сейсмической записи

3.1 . Одномерный статистический анализ и его применение

3.1.1. Статистические характеристики случайной величины

3.1.2. Группировка исходных данных. Построение диаграммы

3.1.3. Законы распределения случайных величин

3.1.4. Геологическое приложение одномерного статистического анализа

3.2. Двумерный статистический анализ

3.2.1. Статистические характеристики системы двух случайных величин

3.2.2. Уравнение линейной регрессии

3.2.3. Двухмерное нормальное распределение. Эллипс рассеяния

3.2.4. Нелинейная регрессия. Метод наименьших квадратов

3.2.5. Приведение нелинейных зависимостей к линейному виду

3.2.6. Применение двумерного статистического анализа при интерпретации данных сейсморазведки

3.3. Многомерный статистический анализ

3.3.1. Метод главных компонент

Заключение

Список литературы

Благодарности

Автор выражает благодарность научному руководителю, доценту кафедры геофизики, кандидату геолого-минералогических наук Ермолаевой Галине Михайловне за помощь на всех стадиях выполнения работы, профессору, доктору физико-математических наук Никитину Алексею Алексеевичу, сделавшего ценные замечания по диссертации.

Автор благодарит коллектив ООО «Геофизические Системы Данных» за интересные идеи, советы и поддержку при написании ''диссертационной работы.

Список иллюстраций

Рис. 1.1. Сигнал с различными частотами одинаковой амплитуды. Стр

Рис. 1.2. Спектр двух модального сигнала, рассчитанный использованием временного окна длинной 400 мс с помощью преобразования Фурье (STFT). Стр

Рис. 1.3. Спектр двухмодального сигнала, рассчитанный с использованием непрерывного вейвлет-преобразования (CWT). Стр

Рис. 1.4. Спектр двухмодального сигнала, рассчитанный с использованием частотно-временного непрерывного вейвлет-преобразования (TFCWT). Стр

Рис. 1.5. Принципиальная модель спектрально-временного анализа сейсмического сигнала. Стр

Рис. 2.1. Пример анализа результатов спектральной декомпозиции, а) амплитуды на частоте 20 Гц; б) амплитуды на частоте 40 Гц; в) амплитуды на частоте 60 Гц; г) результат RGB-смешивания. Стр

Рис. 2.2. Модель сейсмической трассы. Переход в частотную область по всей длине. (Partika 1999). Стр

Рис. 2.3. Модель сейсмической трассы. Переход в частотную область с использованием короткого временного окна (Partika 1999). Стр

Рис. 2.4. Сейсмическая модель клиноформного пласта. Стр

Рис. 2.5. Амплитудно-частотный спектр сейсмической модели. Стр

Рис. 2.6. Определение временной мощности по сейсмическим данным:а- карта значений атрибута первой пиковой частоты 2 2 вдоль ОГ ПК! ;б - карта временной мощности пласта ПК1 ;в - расположение значений рассчитанной временной мощности вдоль ОГ ПК12 в трехмерной проекции. Стр

Рис. 2.7. График зависимости фактической мощности пласта ПК] от предсказанной по спектральным характеристикам сейсмической записи. Стр

Рис. 2.8. Принципиальная схема осадконакопления для шельфового пласта ПЕС]. Стр

Рис. 2.9. Карты амплитуд на единичных частотах после спектральной декомпозиции. Стр

Рис. 2.10. Результаты спектральной декомпозиции. RGB-смешивание. а, б, в -амплитуды вдоль ОГ ПК! после спектральной декомпозиции на частотах 20, 40 и 60 Гц соответственно; г - результат RGB смешивания; пунктиром Стр

обозначена система каналов и линз.

Рис. 2.11 Сравнение результатов спектральной декомпозиции и среднеквадратичных амплитуд вдоль горизонта. Черным цветом наложены значения когерентности. Стр

Рис. 2.12. Сопоставление карт акустического импеданса и 1ЮВ-смешивания результатов спектральной декомпозиции. Стр

Рис. 2.13. Вертикальные срезы кубов сейсмических атрибутов: а - акустический импеданс; б - пористость, в - амплитуды после спектральной декомпозиции. Стр

Рис. 2.14. Распределение значений атрибутов вдоль горизонта Т2. Стр

Рис. 2.15. Классификация точек в трехмерном пространстве атрибутов. Стр

Рис. 2.16. Объемная пространственная модель газонасыщенных песчаников пласта Т2. Стр

Рис. 3.1. Одномерный статистический анализ значений упругого импеданса. Стр

Рис. 3.2 Графики интеграла вероятности (а) и плотности вероятности (б). Стр

Рис. 3.3 График плотности вероятности нормального Стр

закона.

Рис. 3.4 Графики плотности вероятности с различной Стр

асимметрией.

Рис. 3.5 Графики плотности вероятности с различными эксцессами. Стр

Рис. 3.6 График плотности вероятности. Стр

Рис. 3.7 График плотности вероятности. Стр

Рис. 3.8 График плотности вероятности логнормального закона. Стр

Рис. 3.9 График плотности распределения Стьюдента. Стр

Рис. 3.10 График плотности вероятности Б-распределения. Стр

Рис. 3.11 Виды зависимостей между характеристиками свойств х и у. Стр

Рис. 3.12 Схема эллипса рассеяния двухмерного Стр

нормального распределения и проекции плотности вероятности

на оси Ох и Оу.

Рис. 3.13 Подобные эллипсы рассеяния. Стр

Рис. 3.14. Схема, иллюстрирующая отклонения точек от Стр

заданной кривой у=А(х).

Рис. 3.15. Аппроксимация параболической зависимостью Стр

изменения амплитуды сейсмической записи после спектральной декомпозиции от мощности пласта в точках скважин. 1 - фактические данные;2 - аппроксимирующая парабола у= -0,021х2+0,443х-0,243.

Рис. 3.5. Граф связей сейсмических атрибутов. Стр

Рис. 3.6. Таблица факторных нагрузок (а) и коэффициентов корреляции (в) компонент анализа. Стр

Рис. 3.7. Пример анализа данных спектральной декомпозиции (амплитуды на различных частотах). Изображение анализируемых данных в оси первой компоненты. Стр

Список сокращений

СВАН - спектрально-временной анализ

ФЕС - фильтрационно-емкостные свойства

ЗХБТ - преобразование Фурье в фиксированном окне

С\УТ - непрерывное вейвлет-преобразование

ТРС\УТ - частотно-временное вейвлет-преобразование

Рекомендованный список диссертаций по специальности «Геофизика, геофизические методы поисков полезных ископаемых», 25.00.10 шифр ВАК

Введение диссертации (часть автореферата) на тему «Интерпретация данных сейсморазведки 3D на основе спектральной декомпозиции и нелинейных зависимостей динамических атрибутов с целью прогноза нефте-газонасыщенных коллекторов»

Введение

В настоящее время запасы углеводородов уникальных и крупных месторождений на территории Российской Федерации и стран СНГ выработаны уже более чем на 50 %. В этих условиях все большую роль приобретает освоение небольших залежей с трудно извлекаемыми запасами. Развитие методики прогноза флюидонасыщенности нефте-газовых месторождений с использованием атрибутного анализа сейсмических данных с целью повышения геологической эффективности сейсмических методов являются актуальными задачами геологоразведочных работ.

Прогноз коллекторских свойств на основе оптимизированного

комплекса сейсмических атрибутов является современной важной темой

исследования. Задача оптимизации сейсмических атрибутов стоит в том,

чтобы обосновать выбор некоторого количества, желательно физически

осмысленных и связанных с коллекторскими свойствами, атрибутов

сейсмической записи. Ее решение в значительной степени зависит от

совершенствования существующих и создания новых, более надежных

математических методов обработки и интерпретации наблюдаемых данных.

Существуют многие подходы к прогнозу коллекторских свойств с помощью

атрибутного анализа. В настоящее время, несмотря на широкое применение

атрибутного анализа для прогноза коллекторских свойств, качество

прогноза невысоко. В то же время, этот способ представляется наиболее

перспективным. Ряд проблем, связанных с повышением качества прогноза

требует максимально быстрого разрешения. Количество вовлеченных в

анализ атрибутов сейсмической записи достигло двух сотен. Одновременно

повышаются плотность сейсмической съемки, количество скважин с

прямыми определениями коллекторских свойств, требования к качеству

прогноза при все более возрастающей сложности геологических условий

нефте-газовых месторождений, где используется атрибутный анализ.

Разработанные в последние годы технологии спектральной декомпозиции

8

позволяют изучать спектральные характеристики сейсмической записи, сохраняя при этом детальную привязку исследуемых объектов во времени. Такие технологии успешно применяются ведущими геофизическими компаниями для выделения песчаных линз и каналов.

Учитывая сложность геологического строения залежей, недостаточный объем геолого-промысловой информации, ухудшенные фильтрационно и емкостные свойства, требуется применение современных подходов к извлечению дополнительной информации из геофизических данных, что и определяет актуальность цели применения предложенного алгоритма спектрального разложения (спектральной декомпозиции) данных сейсморазведки ЗБ. Существующие методы спектрального разложения, основанные на преобразовании Фурье, вследствие алгоритмических особенностей их выполнения имеют некоторые ограничения. Поэтому использование алгоритма вейвлет-преобразования является первым ключевым моментом повешения эффективности и информативности спектральной декомпозиции сейсмического сигнала. Немаловажную роль играют новые методы интерпретации полученных результатов.

1. Алгоритмы спектральной декомпозиции.

Как известно в формирование сейсмического отражения вносят вклад все характеристики пласта, начиная от его мощности, литологического состава и строения и заканчивая пористостью и флюидонасыщенностью коллекторов. Большое влияние оказывает и характер изменчивости перекрывающих пласт отложений. Соответственно изменчивость отражения теоретически может быть связана с изменчивостью каждого отдельного компонента или их комбинации. Здесь стоит сделать достаточно обыденное, но в тоже время наиважнейшее замечание, которое заключается в том, что, как правило, в осадочной толще изменения всех литологических и петрофизических характеристик происходят согласованно и закономерно. Эта согласованность определяется закономерным и устойчивым сочетанием характеристик пласта в рамках отдельных фаций, его слагающих, а также закономерной сменой фаций в пространстве. В этой связи в последние десятилетия были разработаны методики и технологии прогнозирования зон развития коллекторов с различными фильтрационно-емкостными свойствами (ФЕС), основанные на использовании интегральных характеристик сейсмической записи для целей определения особенностей строения пласта в межскважинном пространстве.

Сейсмические данные, будучи нестационарными по сути, имеют

изменчивый частотный состав во времени. Частотно-временное разложение

(спектральная декомпозиция) сейсмического сигнала преследует цель

параметризации переменной во времени упругой волны, прошедшей через

различные породы и природные резервуары. Например, Кастанья (Castagna)

[11-14, 25] использовал спектральную декомпозицию для спектрального

анализа с целью определения низкочастотных амплитудных аномалий

гидрокарбонатных резервуаров. Но ключевым моментом в истории было

использование спектральной декомпозиции и когерентности для

интерпретации сложно построенных погребенных долин Пейтоном (Peyton)

10

[21,22]. Патика (Partyka)[20-21] в своей практике использовал спектральный анализ в окне для получения кубов энергии единичных частот для применения их при описании резервуаров. Хади (Hardy) (2003)[19] показывает как атрибут общей частоты, полученный из сейсмической записи, однозначно коррелируется с наличием залежей сланцеватой глины.

С тех пор как частотно-временное преобразование приобрело распространение, появилось большое количество методов спектрального анализа нестационарных сигналов. Широко используемый метод быстрого преобразования Фурье (STFT) рассчитывал частотно-временной спектр с помощью преобразования Фурье в выбранном временном окне (Cohen, 1995). В STFT частотно-временное решение фиксировано в едином частотно-временном пространстве с помощью предварительно выбранного окна. Вследствие этого, разрешенность анализа сейсмических данных становится зависима от длинны окна, выбранного интерпретатором.

За прошедшие десять лет, вейвлет-преобразование применялось для решения множества задач в науке и инженерии. Непрерывное вейвлет-преобразование (CWT) дает возможность применять различные подходы к частотно-временному анализу. Вместо расчета частотно-временного спектра, оно строит масштабированные по времени карты, называемые шкалограммами (Rioul, Vetterli, 1991). Так как масштаб представляет полосу частот, интерпретация частотного состава сигнала не является интуитивной. Вследствие этого некоторые разработчики брали масштаб обратно пропорциональным центральной частоте и представляли шкалограмму как частотно-временную карту.

Позднее был сформирован новый подход к преобразованию масштабированных ко времени карт в частотно-временные карты. Частотно-временное непрерывное вейвлет-преобразование (TFCWT; Sinha, 2002) позволяет получать большую частотную разрешенность на низкочастотном материале и высокое временное разрешение при анализе высоких частот.

Оптимальные частотно-временные параметры разрешенности метода ТРС\УТ делают его незаменимым при анализе сейсмических данных.

Пересчет данных в область Фурье с помощью метода ТРС\\ГГ является быстрым процессом. Более того, ТРС\УТ это инвертируемый процесс, как и обратное преобразование Фурье, который воссоздает исходный сигнал с помощью обратного вейвлет-преобразования. Для целей спектральной декомпозиции вполне достаточно только прямого вейвлет-преобразования, обратное не является строгим требованием.

Анализ сейсмических данных в некоторых случаях предполагает исследование низкочастотных «теней», ассоциированных с резервуарами углеводородов. «Тень» как правило, вызвана подавлением высокочастотной составляющей внутри резервуара, так как локальная доминантная частота сдвигается в сторону низких частот. Поэтому, низкочастотные аномалии находятся в пределах или под уровнем резервуара. В большинстве случаев низкие частоты не вызваны увеличением жесткости. Хорошее высоко частотное разрешение на низкочастотном отражении позволяет находить интересующие интерпретатора объекты. С другой стороны, высокая временная разрешенность на высоких частотах помогает выделять тонкие стратиграфические элементы на сейсмической записи. Исходя из этого, была выявлена зависимость того, как частоты соотносятся с мощностью, и выработан подход к расчету временной мощности тонких пластов с помощью спектрального разложения данных. В этом отношении следует отметить во многом схожую технологию СВАН (спектрально-временной анализ), предложенную И.А. Мушиным [8] при выделении сейсмофаций по данным сейсморазведки.

1.1. Преобразование Фурье в фиксированном окне (8ТРТ).

Преобразование Фурье / (со) сигнала f (() является интегральным

преобразованием и задается следующей формулой:

/ас

(1.1)

где / время. Сейсмический сигнал, при переходе в частотную область с помощью преобразования Фурье, дает общее представление о поведении всех частот. Однако это не является достаточным для полноценного анализа нестационарного сигнала. Поэтому, мы можем включить временную зависимость с помощью выбора коротких участков сигнала для расчета спектра, и после чего выполнить преобразование Фурье данных в пределах этого участка (окна) с целью получения его локальных частотных характеристик. Такой метод частотно-временного анализа называется преобразованием Фурье в фиксированном окне (8ТРТ), а полученные частотно-временные графики называются спектрограммами. 8ТРТ является интегральным преобразованием сигнала и функции временного окна Математически это может быть выражено как:

/ос

/(/)ф(г - х)е~1ша1, 00 (1.2)

где функция окна ср центрирована на времени I = т и ф является комплексно

сопряженной с ф.

На рис. 1.1. Показана спектрограмма, рассчитанная для двух

модального сигнала с различными частотами одинаковой амплитуды (Рис.

1.2.). Для ее расчета использовалось окно 400 мс. Стоит заметить, что в

данном случае хорошо отображены низкие частоты, в то время как высокие

представлены плохо или не видны вообще. Это является следствием того,

что частотное разрешение ограничено предварительно выбранный длиной

13

окна расчета и является фундаментальной проблемой преобразования Фурье в коротком окне нестационарного сигнала с целью его спектрального анализа.

2.5

©

т>

э

I <

\Л лЛ . лАл АдЛлЛн 1 |Ши

уу у\1 х у V |

-2,5 -I

0.2

0,4

0.6 0.8

1.2

Рис. 1.1. Сигнал с различными частотами одинаковой амплитуды[25].

Ргециепсу (Нг)

О 20 40 60 80 100 120

Рис. 1.2. Спектр двух модального сигнала, рассчитанный с использованием временного окна длинной 400 мс с помощью преобразования Фурье (81ТТ)[25].

1.2. Частотно-временное непрерывное вейвлет-преобразование

(ТРС\УТ).

Непрерывное вейвлет-преобразование (CWT) является

альтернативным методом анализа сигнала. В нем импульсы располагаются таким образом, что временная выборка изменяется для различных частот. Меньшая временная выборка повышает частотную выборку, которая сдвигается дальше к высоким частотам. Таким же образом, большая временная выборка уменьшает частотную выборку, которая сдвигается дальше к низким частотам. Поэтому, когда временное разрешение возрастает, то частотное понижается, и наоборот (Ма11аг, 1999).

Импульс определен как функция \\/(х) с нулевым значением по времени и частоте. С помощью преобразования этого импульса, мы производим семейство импульсов:

где о, т ненулевые значения, являющиеся расширенными параметрами масштабирования. Непрерывное вейвлет-преобразование определяется как интеграл от семейства импульсов ц/а<т (г) и сигнала / (I). Математически это выражается следующим образом:

Где \р это комплексно сопряженная от у/ и (а,т) является масштабированным во времени графиком (функцией). Свертка интеграла в последней формуле может быть легко выполнена в области Фурье. Выбор масштаба и параметров преобразования импульса может произвольным. Для обратного вей влет-преобразования в функцию/(I) можно использовать следующую формулу:

Мег, Г) = </(0, &"(/)> =

(1.4)

1 Гх Гх ч (\ - л йа с1т

(1.5)

Обратное преобразование возможно только в том случае если анализируемый импульс удовлетворяет следующему условию:

_ , Г №{со)\2 .

= 2тг / -аш < ос.

ш (1.6)

где 1р (со) предоставление импульса в области Фурье, а С у является константой для импульса I//. Интеграл в уравнении 6 непрерывен при со = 0 а так же предполагает что 0. При непрерывном

вейвлет-преобразовании обычно используется импульс Морле, определяющийся уравнением:

.2 л

' (1.7)

где со0 это частота взятая как 2 я для удовлетворения необходимого условия. Центральная частота импульса Морле представляется обратно пропорциональной масштабу, позволяющему легко переходить от масштаба времени, в данном случае к частоте.

Важно заметить, что масштаб представляет ширину частот, а не единичную частоту. Функция вейвлет-преобразования не предоставляет прямую информацию о частотах. Для ее интерпретации может быть применено несколько методов. Наиболее простой способ заключается в растяжении масштаба на эквивалентную частоту, зависящую от масштабно-временного графика импульса. Обычно, для частотно-временного анализа преобразуется в частотно-временной спектр с помощью умножения на /с//, где /с центральная частота импульса. Подобный спектр сигнала после непрерывного вейвлет-преобразования показан на рис. 1.3.

Ргечиепсу(Нг)

О 20 40 60 80 100 120

о

Е

Рис. 1.3. Спектр двухмодального сигнала, рассчитанный с использованием непрерывного вейвлет-преобразования (С\УТ)[25].

Впоследствии был применен альтернативный метод расчета частотного спектра сейсмического сигнала с использованием вейвлета в качестве адаптивного окна. Импульс Морле из-за своих свойств является естественным окном для сигнала и предполагает высокочастотное разрешение на низких частотах вместе с высокой временной разрешенностыо на высоких частотах. Свойство вейвлет-преобразования позволяет рассматривать частотный состав на различных временах и таким образом приводит к решению в виде частотно-временных графиков которые адаптируются к нестационарной природе сейсмического сигнала. Такой частотно-временной график получается с помощью преобразования Фурье обратного непрерывного вейвлет-преобразования.

Подставляя/0) из уравнения (1.5) в уравнение (1.1) получаем:

1 Гх Гх Г* 1

/(О)) =

C\¡r J —ос 7—х J — X & sf^

х Fw{a. z)\¡/ e~itotdadxdt.

(1.8)

Согласно теореме о свертке преобразования Фурье получаем:

Г 11/ e~i0"dt = о (асо).

. -х V (1 9)

С помощью перестановки и замещения интегралов уравнения 9 в уравнение 8 рассчитываем функцию частоты: , rx rx 1

/{ш) = — / / -^7=zFw(a.T)c\¡f(ia<tí)e-,a>TdadT,

Сф 7-х J-x \/а (110)

где гр(со) является преобразованием Фурье материнского вейвлета.

Для получения частотно-временного графика убирается интеграл параметра преобразования г, а / (со) заменяется на / (со, х). После этого формула приобретает следующий вид:

1 ГЖ • * . . с1а

/(ш. г) = — / г)$(сг^)£

—1ШГ

3. ">'

с*./-* " (1.11)

Уравнение (1.11) позволяет выполнять частотно-временное непрерывное вейвлет-преобразование (ТРС\УТ, которое может быть представлено как скалярное произведение вейвлет-преобразования сигнала Р\\> (а, т) и окна \р ш(а). Интегрирование в пространстве скалярного произведения выполняется для всех классов, как показано в уравнении (1.11), т.е. это может быть представлено как:

/V г) = <Мог, г), ¿Лег)),

(1.12)

где масштабированное и скорректированное окно задаётся как:

ф(сгш)е~'шт

=

Г к 3 п

(1.13)

Здесь фсо(а) является комплексно сопряженным кф(0(а).

Уравнение (1.12) показывает, что окном является масштабированный и скорректированный импульс, который влияет на преобразованный сигнал в вейвлет-области. В то же время, при преобразовании Фурье, выбранное окно напрямую работает с сигналом во временной области (уравнение (1.2)), а скалярное произведение интегрируется по всему времени. Поэтому, частотно-временной график, рассчитанный с помощью уравнения (1.11) или уравнения (1.12) из функции F¡v (а, т) невозможно получаются с помощью прямого преобразования масштаба к его центральной частоте. Более того, этот метод позволяет получать энергию на нужной частоте и избежать наложения энергий соседних частот.

Синтетический сигнал (рис. 1.1.) составлен из двух гиперболичных кривых различных частот, имеющих постоянную амплитуду. Другими словами, энергия кривой на каждой частоте постоянна во времени. Спектр С\\ПГ (рис. 1.3) для синтетического сигнала улучшает частотно-временное разрешение по сравнению со спектром БТРТ (рис. 1.2). На спектре С\\НГ

энергия на обоих максимумах некорректно уменьшается с возрастанием частоты. Учитывая тот факт, что спектр CWT рассчитывался в масштабе полосы частот и изображался с помощью центральной частоты полосы всех частот, происходит наложение этих частот друг на друга, увеличивающиеся с увеличением частоты. Это приводит к постепенной потере энергии в спектре, которая может быть принята за несуществующий эффект поглощения в сигнале. Не смотря на это, спектр TFCWT не имеет каких-либо подобных артефактов (рис. 1.4). Кроме того, помимо улучшения частотно-временного разрешения, данная методика позволяет избежать субъективного выбора длинны окна, необходимого при преобразовании Фурье (STFT).

В отечественной науке для реализации подобной технологии используются методы прогноза типов разреза, основанные на спектрально-временном анализе сейсмической записи в его традиционном исполнении (СВАН) (Мушин H.A., Копилевич Е.А., Давыдова Е.А.). Амплитудно-частотно-временная развертка интервала сейсмической трассы представляет собой результат фильтрации трассы временного разреза последовательно большим числом узкополосных фильтров (обычно число фильтров от 90 до 110), Все результаты фильтрации визуализируются в виде трасс с цветовым кодированием амплитуд и располагаются последовательно друг за другом в соответствии со значением несущей частоты. Помимо этого определяется спектр распределения энергии (амплитуды) сигнала в зависимости от частоты (рис. 1.5). Характер изменения положения и количества энергетических минимумов и максимумов, по мере изменения несущей частоты фильтра, создает так называемый спектрально-временной образ (СВО) исследуемого геологического объекта.

Ргеяиепсу (Нг)

О 20 40 60 80 100 120

Рис. 1.4. Спектр двухмодального сигнала, рассчитанный с использованием частотно-временного непрерывного вейвлет-преобразования (TFCWT)[25].

Анализируемая сейсмическая трасса

Отображение способам отклонений

Отображение способам переметит платности

Сейсмическая трасса, отфильтрованная фильтрами с различной несущей частотой

12 Гц IX Гц 27 Гц 39 Гц 59 Гц * 90 Гц

I

СВАН-колонка 6 фильтров

12д| II ни и 2ТГН 39Л"н 59,111 Ч1М II

7.1 а 39Л"и 54 1

Похожие диссертационные работы по специальности «Геофизика, геофизические методы поисков полезных ископаемых», 25.00.10 шифр ВАК

Заключение диссертации по теме «Геофизика, геофизические методы поисков полезных ископаемых», Никульников, Алексей Юрьевич

Заключение.

Автором предложена методика прогнозирования свойств залежей углеводородов, базирующаяся на применении спектральной декомпозиции сейсмических данных и ГИС.

1. Спектральная декомпозиция с помощью частотно-временной модификации вейвлет-преобразования является наиболее надежным способом спектрального разложения сейсмической записи.

2. Результаты спектральной декомпозиции позволяют давать количественную характеристику природным резервуарам исходя из представления сейсмической записи в частотно-временной области.

3. Технология RGB-смешивания энергии единичных частот позволяет в значительной степени повысить надёжность определения положения стратиграфических элементов геологической среды в пространстве.

4. Использование результатов спектральной декомпозиции совместно с сейсмическими атрибутами при типизации геологического разреза позволяет надежнее выделять зоны с различными фильтрационно-емкостными свойствами.

5. Применение регрессионного анализа для данных спектрального разложения и сейсмических атрибутов дает возможность получения дополнительной информации в процессе интерпретации для прогноза нефте-газонасыщенности.

В заключение следует отметить, что полученные данные с помощью спектральной декомпозиции, позволяют существенно дополнить картину строения природных резервуаров. Достоинством методики является возможность получения как количественной, так и качественной характеристики изучаемых объектов. Таким образом, комплексный последовательный подход к совместной интерпретации данных

105 сейсморазведки с использованием последних разработок алгоритма спектральной декомпозиции повышает достоверность прогноза свойств залежей.

Список литературы диссертационного исследования кандидат технических наук Никульников, Алексей Юрьевич, 2012 год

Список литературы.

1. Авербух А.Г. Методика интерпретации данных сейсморазведки при интегрированном изучении нефтегазовых резервуаров. Геофизика, №1, ЕАГО, М., 1998, с.13-19.

2. Ампилов. Ю. П. Сейсмическая интерпретация: опыт и проблемы. М., Геоинформмарк, 2004. 278 с.

3. Ампилов. Ю. П. От сейсмической интерпретации к моделированию и оценке месторождений нефти и газа. М., СПЕКТР, 2008, 384 с.

4. Боганик Г. Н., Гурвич И. И. Сейсморазведка. 2006, Тверь, АИС,

743 с.

5. Дунаева К.А., Сагайдачная О.М., Сальников A.C. Вопросы применения вейвлет-преобразования сейсмических полей с реконструкцией во временную область, Технологии сейсморазведки, 2011, № 3, с. 71-83

6. Дэвис Дж.С. Статистический анализ данных в геологии. Пер. с англ. В 2 кн./Пер. В.А. Голубевой: Под ред. Д.А. Родионова. Кн. 1. - М.: Недра, 1990. -319 с.

7. Козлов Е.А., '"Модели среды в разведочной сейсмологии". -Тверь: издательство ГЕРС, 2006 г., - 480 с.

8. Малярова Т.Н., Иванова H.A. «Современные методы сейсмофациального анализа на реальных примерах» /Тезисы докладов VIII международной научно-практической конференции Геомодель-2006, стр.136.

9. Мушин И.А., Белоусов Г.А., Городков А.Б. СВАН-сейсморазведка. (спектрально-временной анализ в технологиях сейсморазведки). Геофизика 5/2005, 3-9 с.

10. Поротов Г.С., Математические методы моделирования в геологии: Учебник, Санкт-Петербургский государственный горный институт (технический университет). СПб, 2006. 223 с.

11. Chakraborty, A., and D. Okaya, Frequency-time decomposition ofseismic data using wavelet-based methods: Geophysics, 60, 1906 -1916., 1995

12. Castagna, J. P., S. Sun, and R. Seigfried, 2003, Instantaneous spectral analysis: Detection of low-frequency shadows associated with hydrocarbons: The Leading Edge, 22, 120-132.

13. Castagna, J., M. Burnett, E. Méndez, G. Rodríguez, L. García, J. Martínez, M. Avilés, and R. Villaseñor, 2003, Application of spectral decomposition to gas basins in Mexico: The Leading Edge, 22, 1130-1134.

14. Castagna, J., and S. Sun, 2006, Comparison of spectral decomposition methods: First Break, 24, 75-79.

15. Doyen, P., Seismic reservoir characterization: EAGE., 2007

16. Giroldi, L., and F. Alegría, Using spectral decomposition to identify and characterize glacial valleys and fluvial channels within the Carboniferous section in Bolivia: The Leading Edge, 24, 1152-1159, 2005.

17. Grana, D. and E. Delia Rossa, 2010, Probabilistic petrophysical prop-erties estimation integrating statistical rock physics with seismic in-version: Geophysics, 75, no. 3, 021-037, doi: 10.1190/1.3386676.

18. Mallat, S., and Z. Zhang, 1993, Matching pursuit with time frequency dictionaries: IEEE Transactions on Signal Processing, 41, 3397-3415.

19. Maklad, M. S., and J. K. Dirstein, 2007, Spectral detection of attenuation and lithology: CSPG CSEG Convention, 501-505.

20. Miao, X., and S. Cheadle, 1998, High resolution seismic data analysis by wavelet transform and matching pursuit decomposition: Geo-Triad, CSEG, CSPG and CWLS Joint convention, 31-32.

21. Partyka, G., J. Gridley, and J. Lopez, 1999, Interpretational applications of spectral decomposition in reservoir characterization: The Leading Edge, v. 18, p. 353-360

22. Partyka, G., L. Peyton, and R. Bottjer, 1998, Interpretation of incised valleys using new 3-D seismic techniques: A case history using spectral decomposition and coherency: The Leading Edge, 17, 1294-1298.

23. Peyton, L., R. Bottjer, and G. Partyka, Interpretation of incised valleys using new 3-D seismic techniques: A case history using spectral decomposition and coherency: The Leading Edge, 17, 1294-1298., 1998

24. Sierra, J., H. Campos, M. Bonilla, W. Marin, D. Joseph, and S. Cardinez, 2008, Seismic multi-attribute integration for well prospect generation: South Main Soldado Field, Gulf of Paria, Trinidad & Tobago: XIV Congreso Venezolano de Geofísica.

25. Sinha, S. K., P. S. Routh, P. D. Anno, and J. P. Castagna, Time-frequen-cy attribute of seismic data using continuous wavelet transform: 73rd Annual International Meeting, SEG, Expanded Abstracts, 1481-1484., 2003

26. Steeghs, P., and G. Drijkoningen, 2001, Seismic sequence analysis and attribute extraction using quadratic time-frequency representations: Geophysics, 66, 1947-1959.

27. Stockwell, R. G., L. Mansinha, and R. P. Lowe, Localization of complex spectrum: The S-transform: IEEE Transactions on Signal Processing, 998-1001., 1996

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.