RMS新功能简介 III

刘萝卜锅

RMS新功能简介 III

作者：马光春

（续）

五、三维网格与属性

（一）改进的网格存储方式

在早期版本中，含有多个zone的网格数据是分zone存储的，因此在存储过程中，会出现坐标重复存储的现象，当网格数较多时，会造成存储数据臃肿。2013.1版本中对于大网格数据管理更为合理，将多个zone的网格数据作为一个单独的文件存储，数据所占用空间会大大减小，读取也更快。完全匹配。

（二）网格井校正

Grid创建完毕后，将建好的网格用井分层再次进行校正，做到网格与井完全匹配。

用分层校正网格

（三）数据过滤

增加了对粗化后的井数据过滤显示的功能。

增加了更为灵活的离散数据过滤功能，如：2,4,6,8-10,12,14-16，则可对特定岩性进行过滤。

离散数据过滤

（四）不确定性分析

加入了对ParameterInterpolation模块产生的数据、饱和度模块产生的束缚水饱和度参数的不确定性分析功能。

不确定性分析

（五）属性提取

针对区间变化大的参数，如渗透率在提取平面图平均值时，加入了权重参数。

属性提取权重设置

（六）“甜点”预测

非常规储层以及油气预测往往是多学科综合研究，通常涉及到多方面、大量数据的处理。

非常规储层的“甜点”是指对油气生产起到积极作用的储层区域。

RMS的甜点预测采用先进的基于学习过程处理的分类算法，根据用户在甜点交会图上的定义，软件会自动将所有数据进行分类，会将预测结果与实际结果进行对比，做到误差最小。

1.技术背景

RMS甜点检测工具可对大量的、不同类型的数据（井、地震）进行特征分类，该分类原则是找出能反映已知井生产特征的参数，然后不断搜已知点临近的属性相似的数据点，进而推广到全区。该过程采用KNN（K最临近）算法实现。

KNN分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 KNN方法虽然从原理上也依赖于极限定理，但在类别决策时，只与极少量的相邻样本有关。由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。

下图中，绿色圆要被决定赋予哪个类，是红色三角形还是蓝色四方形？如果K=3，由于红色三角形所占比例为2/3，绿色圆将被赋予红色三角形那个类，如果K=5，由于蓝色四方形比例为3/5，因此绿色圆被赋予蓝色四方形类。

KNN算法示意图

2.软件界面

  

输入测井曲线与网格属性

K值的选择（TDR为实际甜点数，TPR为预测甜点数，TDR与TPR应接近）

3.应用实例

数据分类

选择K=7进行甜点成图预测

不同的K值预测结果对比

六、成图与构造模型

（一）层速度提取

提取速度模型的平均层速度，可对速度模型进行质控以及加入不确定性分析。

提取层速度

（二）厚度成图模块功能的增强

允许产生的厚度数据点超过原始数据范围

层名、厚度点、趋势颜色一致，更易区分

对地层有剥蚀的情况，可以指定区域厚度为0

算法选择上，不同的层可用不同的算法

数据质控（显示数据来源）

本帖内容的更多相关技术资料阅读与下载，请注册使用：http://www.essca.com

或搜索关注阿什卡微信技术支持公众号：ESSCAGROUP

欢迎亲爱的小伙伴来稿，采用了，可以积分换话费哦 ^3^

谢谢扫描下面的二维码，关注阿什卡微信号，阿什卡原创文章欢迎随便转发！

李金刚

学习了

刘萝卜锅

李金刚 发表于 2015-9-10 11:21
学习了

欢迎，共同学习

jyj

好厉害啊 ，看看先

ESSCA

jyj 发表于 2015-9-13 01:16
好厉害啊 ，看看先