image
Home Journals Progress in Geophysics
Progress in Geophysics

Abbreviation (ISO4): Prog Geophy      Editor in chief:

About  /  Aim & scope  /  Editorial board  /  Indexed  /  Contact  / 
Online first  /  Current issue  /  All issues  /  Top access  /  RSS

Progress in Geophysics >

2024 , Vol. 39 >Issue 6: 2306 - 2317

DOI: https://doi.org/10.6038/pg2024II0207

Application of multi-wavelet frequency division inversion technology in shale

  • Cong LI , 1, 2, 3 ,
  • Dong ZHANG , 1, 2, 3, * ,
  • QingSong YUAN 1, 2, 3 ,
  • XinYuan ZHANG 1, 2, 3 ,
  • ZhongMing LI 1, 2, 3 ,
  • QingLun QIU 1, 2, 3 ,
  • GuoGuo DONG 1, 2, 3 ,
  • ZhiXun LI 1 ,
  • Lei DAI 1, 2, 3 ,
  • Tong JIAO 4
Expand
  • 1 Henan Institude of Geology, Zhengzhou 450001, China
  • 2 Underground Clean Energy Exploration and Development Industry Technology Innovation Strategic Alliance, Shangqiu 476000, China
  • 3 Henan Unconventional Natural Gas Industry Technology Innovation Strategic Alliance, Zhengzhou 450001, China
  • 4 Beijing Knoxda Petroleum Technology Co., Ltd., Beijing 100192, China

Received date: 2024-05-13

  Online published: 2025-01-14

Copyright

Copyright ©2024 Progress in Geophysics. All rights reserved.
Fold

Abstract

The shale gas exploration in Zhongmu area has a good prospect.However, the shale reservoirs in this area have the characteristics of strong heterogeneity, complex spatial distribution and vertical superposition.Due to the low accuracy of common inversion methods for thin reservoir lithology identification, the lithology identification problem in this area cannot be solved.Therefore, under the framework of frequency division inversion theory, this paper adds full-band information and explores a multi-wavelet frequency division inversion technique based on thin reservoir identification.Firstly, based on the theory of harmonic frequency extraction, the harmonic frequency extraction data is obtained, and the effect before and after denoising is compared. Secondly, the matching pursuit method is used to calculate the frequency division, and the high-precision frequency division data volume is obtained, which provides an important data basis for the subsequent heterogeneous characterization of thin reservoirs. The P-wave impedance-uranium-free gamma curve is reconstructed by rock physics relationship analysis to better distinguish shale. The low-frequency model obtained by Kriging interpolation algorithm, the medium-frequency model obtained by spectral inversion algorithm and the random high-frequency model based on wells are processed by frequency-division fusion, and a multi-scale fusion model suitable for thin reservoirs is established. Finally, the multi-wavelet frequency division inversion based on the constraint of reconstructed logging curve is carried out, and the effective identification of thin reservoirs is realized.The advantage of this method is that it can obtain a more accurate initial fusion model, highlighting the multi-wavelet and full-band information.

Key words： Full-band information; Harmonic frequency; Random high frequency model based on well; Multi-scale fusion model; Multi-wavelet frequency-division inversion; Multiple wavelets

Cite this article

Cong LI , Dong ZHANG , QingSong YUAN , XinYuan ZHANG , ZhongMing LI , QingLun QIU , GuoGuo DONG , ZhiXun LI , Lei DAI , Tong JIAO . Application of multi-wavelet frequency division inversion technology in shale[J]. Progress in Geophysics, 2024 , 39(6) : 2306 -2317 . DOI: 10.6038/pg2024II0207

0 引言

地震叠后储层预测反演方法在近几十年的发展中已形成了多种成熟技术，主要分为递推反演、地震属性反演及基于模型的反演(韦瑜等，2017；姚铭等，2020；杨娜霞，2023).常规的波阻抗反演分辨率有限，不能满足复杂地层预测的需要，解决问题的关键在于根据已有的资料建立更加精细的初始模型.分频反演作为一种高分辨率模型反演方法已被应用于储层岩性识别，通过高、中及低频信息建立初始模型，在贝叶斯框架下获取全频带的波阻抗数据体(刘昊楠等，2020)，可以有效提高反演精度.
国内外专家学者对地震分频反演技术方法及应用进行了深入研究，并在薄储层识别方面取得了很好的应用效果.分频反演技术主要包括了分频相控反演、分频构型反演及分频特征反演等技术方法.王彬通过改进的广义S变换结合AVF关系对孔隙度和渗透率进行了分频反演(王彬等，2019)，获得了孔隙度和渗透率反演剖面，该分频反演方法克服了常规反演在少井无井区无法有效预测的问题，且分频反演结果比常规方法吻合度要高.肖曦(2021)针对鄂尔多斯盆地致密砂岩薄储层，提出了“两步法”分频迭代宽频反演及含气性预测方法，首先应用分频反演方法预测泥质含量，并充分利用地震的高频信息，探索分频迭代约束稀疏脉冲反演方法预测纵波阻抗，取得了很好的应用效果.
代玲等(2022)在沉积结构特征和构型特征方面进行了深入研究，获得了储层岩性和形态边界特征以及空间结构组合关系.罗泽(2021)通过分析大小级次沉积旋回特征，提出了一种分频相控建模思想，充分利用地震波形的横向变化信息，代替了传统的变差函数的高频模拟分析，对储层特征进行有效描述.王伟等(2021)针对东海某气田花港组储层横向变化较快的难题，通过分频构形思想和反演得到了能表征沉积体构形特征及储层非均质性空间展布特征，指导了后续调整井的实施，为剩余油气挖潜提供了有利技术支撑.孙颖等(2023)针对苏里格气田以砂泥岩薄互层为主，单砂体厚度差异较大特点，对地震数据进行提频和分频处理，将分频数据体和钻井现场模型数据进行贝叶斯反演和融合，能够有效反映砂体的叠置关系及井间砂体的尖灭特征.
中牟凹陷位于南华北地区北部，是中、新生代沉积的叠置型盆地，沿黄河两岸呈近东西向展布，该区域广泛发育泥页岩，泥页岩储层纵向上相互叠置，储层非均质性较强，时空分布特征复杂.由于地震资料主频较低，频带较窄，缺少低频和高频信息，薄储层识别能力有限，以往利用单一子波、褶积模型计算的反演数据分辨率低，常规反演结果难以表征薄储层的非均质特征.国内学者采用多子波分频反演解决此类问题，多子波分频反演结果及对泥页岩薄储层岩性识别具有很好的应用前景.因此，针对中牟地区目标储层薄，地震资料频率低的特点，本文采用多子波分频反演方法开展应用研究.在对地震数据进行谐波提频处理基础上，进行基于匹配追踪算法的分频计算；通过综合分析不同岩性测井曲线响应特征，结合重构测井曲线、多尺度融合模型及不同频率的子波进行多子波分频反演计算，获得多子波分频反演数据体，由此，计算泥页岩储层厚度.在对研究区太原组泥页岩厚度进行了综合分析，探索了一套泥页岩薄储层预测的多子波分频反演技术思路，有效识别薄储层的纵向和横向的非均质岩性特征，为井位部署提供重要的参考依据.

1 方法原理

1.1 谐波提频技术

谐波提频技术是对原始地震记录开展连续小波变换的时间序列分析.利用连续小波域的多分辨率特征，将地震子波的谐波信号加入到原始地震记录上(图 1)，可以有效拓展地震记录的频带宽度.谐波信号的表达式为：
$F_{\mathrm{WFI}}(t)=\int_{-\infty}^{\infty} T_{\mathrm{AGC}} E(t) \mathrm{e}^{-\mathrm{i} \omega t} \mathrm{~d} t, $
图1 谐波提频原理图

Fig 1 Harmonic frequency principle diagram

式中，TAGC为增益因子，E(t)为谐波数据，ω为角频率.

1.2 基于匹配追踪的分频技术

时频分析方法被广泛应用于分频重构，如：小波变换、S变换及匹配追踪等.地震信号是一种非平稳信号，将褶积模型表示为地震信号的表达式为：
$Z(t)=\int_{-\infty}^{\infty} Q(\tau) R(t-\tau) \mathrm{d} \tau, $
式中，Q(τ)为地震子波，R(t－τ)为反射系数，Z(t)为地震信号.
匹配追踪算法(MP)是一种不断迭代寻找最优时频原子的算法.其原理是将地震信号分解为一系列的时频原子库，根据信号的特征进行自适应分解，这种时频原子库包含了多个复杂函数集合，可有效避免时窗长度引起的时频分辨率限制，能够对中频及高频信号进行精准定位.在匹配追踪计算过程中，通过构建时频原子库，改变参数来调节整个子波库以满足不同地区的地震信号分解.
时频原子库是一种具有支撑性质的时频原子库的集合，一般选择Ricker子波或者Morlet子波为时频原子库.由于Ricker子波在地震正演、褶积模型中具有较高的稳定性，因此，选择Ricker子波作为时频原子库.时频原子库的函数是通过时移、相移得到的. 假设ω(t)是连续信号，ω(t)∈L2(R)，则，计算地震信号的匹配追踪表达式为：
$\omega(t)=\left[1-2\left(\mathtt{π} f_{\mathrm{M}} t\right)^2\right] \exp \left[-\left(\mathtt{π} f_{\mathrm{M}} t\right)^2\right],$
式中，fM为地震信号的中心频率.
公式(3)是地震分频计算的基础.由(3)式进一步利用ω(t)求得分频处理后的结果$ \tilde{\omega}(t)$，其离散表达式为：
$\tilde{\omega}(t)=Q^*(t) \sum\limits_{j=1}^M \frac{Z_{j+1}-Z_j}{Z_{j+1}+Z_j} \partial\left(x-T_j\right), $
式中，Q*(t)为小波分频后的新子波，Zj为反演后的阻抗，$ \partial\left(x-T_j\right)$为狄拉克函数.
匹配追踪是一个反复迭代的过程，判断迭代终止的条件可以是确定的迭代次数，经过M次迭代后，地震信号的表达式为：
$Q(t)=\sum\limits_{n=0}^{M-1} x_n \omega(t)+R^{\mathrm{N}} f, $
式中，xn为ω(t)的振幅，RNf为残差.

1.3 多尺度融合建模

初始模型往往不能准确反映薄储层的非均质性，为了有效识别薄储层的非均质特征，需要建立适合薄储层预测的初始反演模型，即在多子波分频反演中引入多尺度融合模型.多尺度融合建模是一种基于全频带的三尺度融合建模方法，“三尺度”分别为克里金低频模型、谱反演中频模型及基于井的随机高频模型.基本思路是将克里金插值得到的低频模型、谱反演的中频模型及基于井的随机高频模型进行融合，得到全频带、高分辨率的一个初始模型，从而实现薄储层的高分辨率反演.这样，利用克里金插值算法建立了低频模型，可以反映长旋回地层；利用谱反演计算中频模型，可以反映中-长旋回地层；利用井-震联合随机建模算法建模高频模型，可以反映短旋回地层，高频模型主要通过基于井的随机高频建模实现(表 1).
表1 不同尺度的模型计算方法

Table 1 Model calculation methods of different scales

频段 频率/Hz 沉积旋回 计算方法
低频 3~10 长旋回地层 井插值
中频 10~40 中长旋回地层 谱反演
高频 40~80 短旋回地层 随机高频插值
多尺度融合模型建立的具体实现方法如下：
(1) 克里金建模方法以测井数据为主变量，以地震数据为辅变量，将地震数据的横向连续性和测井数据的高纵向分辨率结合在一起，融合两者的优势，通过克里金插值法建立低频模型；
(2) 由谱反演建立中频模型，即通过谱反演算法计算出中频阻抗，作为初始模型的中频地震信息；
(3) 通过采用单、双变量插值算法建立基于井的随机高频模型.
双变量插值法是一种通过已知测井参数推测未知测井参数的插值方法(图 2).双变量插值的基本思路是将已知井插值获取未知井的信息，未知井的相似度权值是由已知井的距离和地震波形的相似度共同决定的.定义井1和井2为已知井，相应的地震波形分别是V1、V2和V3，V1和V2之间的距离是d12，V1和V2之间的距离是d23，函数表达式如下：
$C_{12}=\sqrt{\frac{\left(V_1-V_2\right)^{\mathrm{T}}\left(V_1-V_2\right)}{V_2^{\mathrm{T}} V_2}}, $
$C_{32}=\sqrt{\frac{\left(V_3-V_2\right)^{\mathrm{T}}\left(V_3-V_2\right)}{V_2^{\mathrm{T}} V_2}}, $
$\omega=\exp \left[-\alpha_{\mathrm{C} 12} * \alpha_{\mathrm{C} 32} *\left(C_{12}+C_{32}\right)^2\right], $
图2 双变量插值算法示意图

Fig 2 Bivariate interpolation algorithm diagram

式中，V1、V2以及V3是地震的波形，C12和C32为相似度，αC12和αC32为相似度因子，ω为相似度权值.
单变量随机路径法适合小尺度建模，路径较为灵活，将已反演点、未反演点积实际井点建立随机路径.在当前正方形窗口范围内(图 3)，利用实际井点位置，进一步计算当前反演点，再利用当前反演点外推未反演点.
图3 单变量插值算法示意图

Fig 3 Bivariate interpolation algorithm diagram

1.4 多子波分频反演

在常规反演计算过程中，单一子波及褶积模型得到的反演数据体分辨率较低，模型效应明显，不能准确表征薄储层的岩性信息.多子波分频反演是利用宽频带的初始模型及不同频率的子波进行分频反演，由于充分考虑了测井的低频信息和高频随机特征，反演结果具有频带宽、分辨率高、抗噪性强的特点，有利于薄储层的岩性预测.
多尺度分频反演技术流程如下(图 4)：
图4 多子波分频反演技术流程图

Fig 4 Multi-wavelet frequency division inversion technology flow chart

(1) 匹配追踪分频：针对原始地震数据进行匹配追踪分频处理，通过频谱分析计算得到不同频率的匹配追踪单频数据体.
(2) 基于井的随机高频建模：依据双变量插值算法利用已知测井参数推测未知测井参数，根据单变量插值算法利用已反演点、未反演点和实际井点建立随机路径.利用实际井点位置，由当前反演点推测未知反演点.通过双变量、单变量插值结果进一步建立基于井的随机高频模型，从而表征较薄地层的岩性特征.
(3) 谱反演建模：谱反演又称为反射系数反演，通过压缩地震子波，去除地震子波在传播过程中的调谐效应对地层的影响，进一步拓宽中频频宽，对中等厚度地层进行岩性特征成像.
(4) 克里金插值建模：基于井-震结合的低频建模，表征较厚地层的背景趋势.
(5) 多子波分频反演：首先收集先验信息进行存储，将其转换为先验分布；然后计算后验概率进行存储，重复抽样输出最终的结果；最后，将后验概率进行均一化处理，获得更可靠的反演结果.
多子波分频反演具有全频带的波阻抗信息，通过井震概率统计求取反射系数，没有完全依赖褶积模型.因此，多子波分频反演的精度较高.
多子波分频反演基本原理：首先定义一个反演参数模型构建先验概率：
$P(m \mid \nu)=C_1 \exp \left[-\frac{\left(m-m_{\mathrm{p}}\right)^{\mathrm{T}}\left(m-m_{\mathrm{p}}\right)}{2 C_{\mathrm{m}}}\right], $
然后，定义地震数据约束似然函数，表达式如下：
$L(m \mid \nu)=C_2 \exp \left\{\frac{-[d-f(m)]^{\mathrm{T}}[d-f(m)]}{2 \delta_{\mathrm{m}}}\right\}, $
其次，在计算地震数据约束似然函数的基础上，计算待反演模型参数的后验概率分布.具体表达式为：
$\begin{aligned}\delta_{\mathrm{M}}(m \mid d, \nu)= & \exp \left\{\frac{-[d-f(m)]^{\mathrm{T}}[d-f(m)]}{2 \delta_{\mathrm{m}}}-\right. \\& \left.\frac{\left(m-m_{\mathrm{p}}\right)^{\mathrm{T}}\left(m-m_{\mathrm{p}}\right)}{2 C_{\mathrm{m}}}\right\} .\end{aligned}$
在公式(7)的基础上，求取待反演模型参数的后验期望，表达式为：
$\tilde{m}=m_{\mathrm{P}}+C_{\mathrm{m}} G^{\mathrm{T}}\left(G C_{\mathrm{m}} G^{\mathrm{T}}+C_{\mathrm{d}}\right)^{-1}\left(d_{\mathrm{D}}-G m_{\mathrm{p}}\right) .$

2 应用效果分析

2.1 研究区概况

中牟区块位于南华北地区北部，区域构造处于通许隆起与中牟凹陷南部斜坡的交界地带，具有自南向北、自东向西逐级变深的特征；南部构造部位较高，背斜构造相对发育.上古生界储层发育一套海陆交互相的暗色泥页岩，主要烃源岩组段位太原组和山西组，其中，太原组为局部台地、开阔台地及泻湖相沉积，地层厚度约84 m；山西组为三角洲及潮坪相沉积，地层厚度约91 m，太原组和山西组地层均与下伏地层整合接触.中牟地区以太原组和山西组为目的层段.
研究区三维地震受地表疏松地层的影响，地震资料品质较低，总体上泥页岩纵向发育薄，层间夹层较多，相变较快.区内有JF1和JF2两口直井，如图 5所示，对过井的三维地震数据进行频谱分析可知，主频达到28 Hz，频宽约为51 Hz，储层平均速度约为4000 m/s左右，按照1/4波长计算其最大分辨率为36 m，现有地震资料很难精准分辨泥页岩薄储层.

2.2 地震提频

由图 5可知，地震数据频率较低，不能满足薄储层预测的要求，因此，需要对目的层下石盒子组-太原组开展拓频处理，以提高目标储层地震资料的分辨率，本次针对地震数据拟采用谐波提频处理方法.
图5 原始地震资料品质分析

(a)原始地震数据过井剖面；(b)地震数据主频及频带分析.

Fig 5 Quality analysis of original seismic data

(a) Cross-well profiles of original seismic data; (b) Main frequency and frequency band analysis of seismic data.

由调谐效应可知，当地层厚度超过λ/4时，波形可以分辨顶、底界面；当地层厚度等于λ/4时，波形近似不变，形成一个界面的反射.因此，λ/4称之为调谐厚度，表达式如下：
$H=\frac{\lambda}{4} \text {, }$
式中，H为储层平均厚度.λ为：
$\lambda=\frac{V}{F}, $
式中，λ为子波波长，V为地层速度，F为地震主频.
以研究区目的层的平均速度4000 m/s，主频28 Hz计算，垂向分辨率约为36 m(图 5).采用谐波提频技术处理后，地震主频从28 Hz提升至39 Hz，频带宽带从51 Hz提升至72 Hz(图 6).提频后的地震相位信息、波组关系及振幅信息都得到了很好的保持，增加了高、低频信息，为多子波分频反演提供了可靠的基础数据.
图6 拓频地震资料品质分析

(a)谐波提频过井剖面；(b)谐波提频主频及频带分析图.

Fig 6 Quality analysis of frequency-extended seismic data

(a) WFI extended frequency cross-well profile; (b) WFI spectrum analysis diagram.

2.3 基于匹配追踪分频的实现

地震分频是多子波分频反演的基础，利用匹配追踪对地震数据进行分频计算，得到不同频段宽度的分频数据.图 7a—d分别是基于匹配追踪得到的15 Hz、27 Hz、39 Hz及52 Hz分频剖面，15 Hz及27 Hz相比39 Hz的波形偏胖，39 Hz至52 Hz剖面，目的层周围同相轴能量逐渐减弱.研究认为39~52 Hz之间的匹配追踪分频体波组特征自然、分辨率高，能够较好地反映薄储层特征.
图7 基于匹配追踪的分频剖面

(a)15 Hz分频处理剖面；(b)27 Hz分频处理剖面；(c)39 Hz分频处理剖面；(d)52 Hz分频处理剖面.

Fig 7 Frequency-division profile based on matching pursuit

(a) 15 Hz frequency division processing profile; (b) 27 Hz frequency division processing profile; (c) 39 Hz frequency division processing profile; (d) 52 Hz frequency division processing profile.

2.4 测井岩石物理分析

目的层太原组-山西组岩性主要由泥岩、砂岩、煤层及灰岩组成.通过对测井的岩石物理分析来确定能够区分岩性的敏感参数.图 8表示JF1井的KTH-IMP的交汇分析图，纵波阻抗无法区分岩性，而无铀伽马可以有效区分岩性.由图 8和图 9可知(图中，红色代表泥页岩，蓝色、黄色及浅蓝色代表砂岩、煤层及灰岩)，单一参数无法有效区分岩性，通过分析岩石物理参数与储层物性参数之间的关系，无铀伽玛(KTH)和伽玛对比，无铀伽玛能够较好地区分岩性.采用曲线重构的方法，将JF1井的KTH与纵波阻抗进行曲线重构计算，获得重构波阻抗体.针对提频数据进行多子波分频反演，重构后的KTH-IMP曲线可以用来识别本区泥页岩储层.
图8 JF1井KTH-IMP交会图分析

Fig 8 KTH-IMP crossplot analysis of JF1 well

图9 JF1井KTH-IMP曲线重构

Fig 9 JF1 well KTH-IMP curve reconstruction

2.5 多尺度融合建模

根据中牟凹陷的三维地震资料，首先对提频数据进行频谱分析，确定主频、高频及低频的起始和截止频率值；谐波拓频后的地震数据主频为39 Hz，频宽为6~72 Hz；然后，针对提频后的数据进行匹配追踪分频处理，获得15 Hz、27 Hz、39 Hz及52 Hz的4个分频数据体；最后，由克里金插值法获得低频模型数据体，确定低频模型频率范围为0~15 Hz；由谱反演计算中频模型数据体，选取中频模型频率范围为0~72 Hz；由双变量及单变量插值获取的高频随机模型数据体，选取高频随机模型频率范围为60~95 Hz.只有建立合适的初始反演模型，才能够获得更宽频带，拓宽地震分辨率.本文采用多尺度融合建模方法是双变量、单变量插值算法.双变量插值算法主要利用已知井参数推测未知井参数实现，单变量插值算法主要利用随机路径实现，将低、中及高频数据进行融合建模，有利于获得全频带的模型数据体.
首先定义初始模型参数，设定相关因子为5，低频权重系数、中频权重系数及高频权重系数分别为0.3、0.2及0.3，其中低频权重系数加入测井约束，高频权重系数加入随机变量，能更好地反映岩性特征；加入敏感重构测井曲线KTH-IMP，通过计算获取多尺度融合建模数据(图 10).从图 11可知，1800 ms附近为太原组- 山西组储层层位，蓝色代表泥页岩，波阻抗值在12000~13000 g · cm－3 · m · s－1之间，泥页岩细层划分较为明显；红色代表泥岩，波阻抗值在8000~9000 g · cm－3 · m · s－1之间，多尺度融合模型具有较高的分辨率，更符合泥页岩的非均质特征(图 11).
图10 多尺度融合建模振幅-频率图

Fig 10 Multi-scale fusion modeling amplitude-frequency diagram

图11 多尺度融合模型过井剖面

Fig 11 Multi-scale fusion model cross section

值得注意的是，针对多尺度融合模型进行振幅-频率分析，如图 10，低频振幅较高；高频振幅较低.在初始多尺度融合建模之后，利用分频子波作为分频褶积得到反射系数，再进行多子波分频反演计算，得到多子波反演数据体.为了验证多子波分频反演效果，将多子波分频反演过井剖面(图 13)与常规贝叶斯反演过井剖面(图 12)进行对比分析，红色代表砂岩，蓝色代表泥岩.在多子波分频反演剖面图 13中，泥页岩的低阻特征较为明显.
图12 贝叶斯反演过井剖面

Fig 12 Bayesian inversion cross-well profile

图13 多子波分频反演过井剖面

Fig 13 Multi-wavelet frequency-division inversion cross-well profile

2.6 多子波分频反演效果分析

应用多子波分频反演技术对中牟地区太原组进行了泥页岩厚度预测.首先输入多子波分频反演的地震数据体，设定太原组的时间范围，加入地震的平均速度，从而得到深度域的泥页岩储层厚度平面分布(图 14)，红色表示为全区泥页岩最厚的区域，绿色为泥页岩最薄的区域.从图上分析，泥页岩储层主要呈北西向的条带状展布，中部西北对角线周围为泥页岩较薄的储层，厚度约为5~18 m之间；该区东北部泥页岩较厚，厚约35 m左右.JF1井处于红色区域，厚度约18~36 m，JF2井处于黄色区域，厚度约16~18 m，位于泥页岩较发育的区域.通过钻井数据的统计分析，多子波分频反演的精度比常规分频反演方法精度有了显著的提升，且与井的吻合度较高.
图14 泥页岩厚度预测图

Fig 14 Mud shale thickness prediction diagram

3 结论

本文采用了高精度多尺度融合模型以及将波阻抗-无铀伽马曲线重构约束条件加入到多子波分频反演过程中，具有较高的泥页岩薄储层分辨能力，解决了贝叶斯反演方法无法有效预测泥页岩薄储层的问题.同时，该方法充分利用测井和地震资料，加入了低频克里金模型及基于井的随机高频模型，获得了全频带的多尺度融合模型，具有较高的储层分辨率和反演精度，解决了地震分辨率低、模型化严重的反演问题，降低了反演的多解性.反演结果可以有效表征泥页岩储层空间展布规律，证明了多尺度融合建模的可行性，为泥页岩薄储层预测探索了一套新的技术方法.

感谢审稿专家提出的修改意见和编辑部的大力支持！

References

Publishing order | Descend order by publishing year | Descend order by cited within
Dai L Wan J Luo Z. Application of waveform facies-controlled frequency division inversion to prediction of thin reservoirs in high-argillaceous unconsolidated sandstone Computing Techniques for Geophysical and Geochemical Exploration 2022 44 1 1 8

Liu H N Zhang Z F Chen K. Bayesian inversion of Rayleigh surface wave dispersion and its application in active fault investigation Progress in Geophysics 2020 35 4 1584 1589

DOI

Luo Z. Random inversion method of frequency division modeling based on configuration characteristics Computing Techniques for Geophysical and Geochemical Exploration 2021 43 1 1 7

DOI

Sun Y Wu G Liang B . Application of high resolution multi-wavelet seismic inversion technology based on expanding frequency in Su X block Mud Logging Engineering 2023 34 2 88 94

DOI

Wang B Niu C Li Y . Application of frequency division inversion based on generalized S transform in oil and gas exploration in deep water area of South China Sea Progress in Geophysics 2019 34 6 2508 2514

DOI

Wang W Liu J Tu Q C . Application of frequency division configuration inversion technique in B gas field of East China Sea Progress in Geophysics 2021 36 2 810 816

DOI

Wei Y Chen T J Jiang X Y . Application of seismic inversion based on convolution model in coalfield Geological exploration Progress in Geophysics 2017 32 3 1258 1265

DOI

Xiao X. Application of iterative frequency-divided broadband inversion method in reservoir prediction Progress in Geophysics 2021 36 1 294 299

DOI

Yang N X Zhao D F Guo S W . Experimental analysis of intelligent inversion for thin-layer structure based on model Geophysical Prospecting for Petroleum 2023 62 3 419 430

DOI

Yao M Gao G Hu R Q . Improved Bayesian inversion algorithm Progress in Geophysics 2020 35 5 1911 1918

DOI

代 玲 万 钧 罗 泽. 应用波形相控分频反演预测高泥质疏松砂岩薄储层 物探化探计算技术 2022 44 1 1 8

刘 昊楠 张 致付 陈 凯. 瑞利面波频散曲线贝叶斯反演及其在活断层调查中的应用 地球物理学进展 2020 35 4 1584 1589

DOI

罗 泽. 基于构形特征的分频建模随机反演方法研究 物探化探计算技术 2021 43 1 1 7

DOI

孙 颖 武 刚 梁 斌 . 基于拓频的高分辨率多子波地震反演技术在苏X区块的应用 录井工程 2023 34 2 88 94

DOI

王 彬 牛 聪 李 勇 . 基于广义S变换的分频反演在南海深水区油气勘探中的应用 地球物理学进展 2019 34 6 2508 2514

DOI

王 伟 刘 江 涂 齐催 . 分频构形反演技术在东海B气田中的应用 地球物理学进展 2021 36 2 810 816

DOI

韦 瑜 陈 同俊 江 晓雨 . 基于褶积模型的地震反演方法在煤田地质勘探中的应用 地球物理学进展 2017 32 3 1258 1265

DOI

肖 曦. 分频迭代宽频反演方法在储层预测中的应用 地球物理学进展 2021 36 1 294 299

DOI

杨 娜霞 赵 东凤 郭 淑文 . 基于模型的薄层结构智能反演试验分析 石油物探 2023 62 3 419 430

DOI

姚 铭 高 刚 胡 瑞卿 . 一种改进的贝叶斯反演算法 地球物理学进展 2020 35 5 1911 1918

DOI

Options
Outlines

/

〈 〉