Моделирование пористости по кубу акустического импеданса презентация

куб акустического импеданса с основным атрибутом.
Получить параметры модельной вариограммы из вторичного атрибута.
Использовать вторичный атрибут для совместного моделирования.

между акустическим импедансом и свойством резервуара? Это необходимо проверить:

Для каждой скважины рассчитать кривую импеданса на основе акустического и плотностного каротажей
Создать кросс-плот для кривой импеданса и каротажа свойства резервуара

если отсутствует каротаж плотности, для кросс-плота используйте акустический каротаж вместо кривой импеданса
если зависимости нет, то куб акустического импеданса не может быть использован в качестве вторичного атрибута для моделирования свойства

низким значениям пористости

На кросс-плоте прослеживается отрицательная корреляция, слабеющая при низких значениях пористости. Импеданс может быть использован только для моделирования зон с достаточно высокой пористостью.

Сильная корреляция

Слабая корреляция

и глинистостью.

В целом, низкая корреляция , указывает на то, что акустический импеданс, скорее всего, не стоит применять для моделирования глинистости.

Слабая корреляция

AI:
1 м и меньше

Пропластки с низкими значениями акустического импеданса (красный) толщиной1-3 м

мощность слоев может влиять на зависимость между перестроенным акустическим импедансом и перемасштабированными каротажными данными (появление ‘шума’ с убыванием мощности слоев).

Это необходимо проверить!

Case Study Пересчет куба акустического импеданса в 3D грид

куб AI

Уменьшение мощности слоя ослабляет корреляцию

AI

Уменьшение мощности слоя ослабляет корреляцию

резервуара.

Case Study Зависимость между сейсмическим AI и пористостью в зонах

Слабая зависимость

Корреляция – Ok

вариограмму вдоль главного и второстепенного направлений
Обеспечте соответствие модели вариограммы экспериментальным данным
Используйте эти параметры вариограммы для моделирования пористости
Обоснование:
Каротажные данные обычно распределены редко
Плотно распределенный коррелирующий атрибут может обеспечить лучшую количественную оценку пространственной корреляции

Case Study Горизонтальные вариограммы из сейсмического AI

Сейсмический AI показывает анизотропию

качестве вторичных данных

Красный: AI – смоделированная пористость
Черный: AI – перемасштабированная пористость

Case Study Кросс-плот: сейсмический AI – смоделированная пористость

Study Моделирование пористости – Сейсмическим акустический импеданс в качестве вторичных данных