地質形態插值的km方法
2023-09-13 17:58:35
地質形態插值的km方法
【專利摘要】本發明提供一種地質形態插值的KM方法，該方法包括：步驟1，基於地質特徵訓練圖像進行地質結構特徵的提取；步驟2，基於該地質結構特徵進行插值模擬；步驟3，基於多點地質統計學和傳統地質統計學進行插值模擬；以及步驟4，基於圖像分析技術的插值進行結果優化。該方法得出的地質結構直觀模型既能定性的體現出專家知識（訓練圖像）表達出的複雜結構特徵，又能定量的反映出測井數據中那些實際的測井點體現出來的真實的地質特徵分布情況。
【專利說明】地質形態插值的KM方法
【技術領域】
[0001]本發明涉及地質統計學【技術領域】，特別是涉及到一種地質形態插值的KM方法。
【背景技術】
[0002]近年來，地質統計學在石油勘探開發中的應用日益廣泛、深入，效果也越來越明顯。主要應用包括儲層預測，估計地層的埋深、層厚、孔隙度、滲透率和含油飽和度等地質和地球物理參數的空間分布，繪製各種地質圖件等。利用地質統計學研究儲層的非均質性，整合地質、地震、測井、鑽井和露頭等各種數據和信息，進行油氣藏地質建模。隨機模擬方法和油藏數值模擬相結合預測油藏的動態特徵，為制定和調整開發方案並提高採收率提供依據。一般的地質統計學建模只是通過少量確定性參數(如鑽井取心及測井數據)，用經典統計方法進行參數求取和空間分布內插去建立儲層地質模型。我國儲層多為陸相沉積，儲層橫向變化大而儲層預測中更關心的是井間儲層性質的實際變化。這樣的建模結果不能如實地反映地質體的非均質性、不確定性和結構性，也不能滿足油藏數值模擬的要求，制約著油田下一步開發。尤其對於那些仍處於早期開發階段的油田，在只有很少幾口井控制的區域，根據有限井控建立的地質模型，會導致不精確的油藏描述，而且會貫穿於流體模擬研究的全過程，進而影響儲量估算及油藏動態估測。
[0003]自馬特隆教授1967年創立了地質統計學以來，地質統計學廣泛地應用於地理學、生態學、環境科學、土壤學等諸多領域的研究中，地質統計最大的優勢是整合數據，同時根據數據的可靠性，不同程度的尊重不同來源的數據。地質統計學主要有以下優點:通過引入隨機函數，能正確表達真實儲層地質體變化的隨機性；可以整合不同來源的數據。油田勘探開發中得數據通常具有代價昂貴、多來源、準度不一的特點。捨棄任何數據都是應該慎重考慮的。地質統計學提供了多種方法能夠在建模過程中以不同的權重整合不同來源、不同精準程度的數據。傳統的地質統計學主要有兩個方面的應用:一方面應用是運用各種克裡金方法建立的回歸模型；另一方面應用使用各種隨機建模方法建立的各種等可能概率模型。隨機模型技術適合於定量刻畫數據場的非均質和不確定性，而克裡金方法並不強調理論模型的作用，而是實現局部平滑值。所有的這些應用都是基於變差函數的，因此又被合稱為兩點地質統計法，以區別後來的多點地質統計法。但是，隨著研究深入發現變差函數只能反映出兩點間的空間相關性，難以表徵複雜的空間結構和再現複雜目標的幾何形態，尤其是具有曲線形狀的地理對象。
[0004]基於傳統地質統計學的先天不足，多點地質統計學應運而生。多點地質統計學最初被用來模擬油藏和河道等連續地質實體。其模擬過程簡單來講分為兩步:首先從訓練圖像中提取結構特徵信息，形成一些特徵結構庫；然後將這些結構特徵按照概率原則複製到重構的圖像中去。
[0005]多點地質統計學是相對於基於變差函數的傳統地質統計學而言的。在多點地質統計學中使用訓練圖像(Training image)來代替變差函數表達地質變量的空間結構性，因而能夠克服傳統地質統計學不能再現目標複雜的幾何形態的不足。同時由於該方法仍然以像元為模擬單元，而且採用序貫非迭代算法(Single Normal EquationSimulation-SNESM)，能夠忠實於硬數據(採樣數據)，速度也優於基於目標的隨機模擬算法。所以，多點地質統計學能夠很好的用於複雜幾何形態地物的建模，而且還有更好的計算速度。多點地質統計學最主要的應用是多點模擬，SNESIM本身就是一個多點模擬算法，t匕起傳統序貫高斯模擬等使用多點模擬能夠更好的反映出地物的複雜幾何形態。
[0006]多點地質統計學中得訓練圖像通常由地質領域的專家根據區域的地質結構給出，作為訓練依據，這種方法包含很多專家知識，具有很強的主觀色彩，精度一般難以保障。如何改善訓練圖像的精度也成為一個重要的研究方向。但是值得注意的是現階段的多點地質統計學還停留在對地質特徵進行簡單定性分析階段，只能進行二值化的地質特徵模擬，而對於需要多值化的地質特徵插值模擬，則存在計算耗費時間長，存儲地質結構特徵數據量大等問題。如果嘗試採用直接將二值化的多點地質統計學方法擴展到多值化的地質結構特徵模擬上來，也將難以避免地面對諸多新出現的實際問題，比如從訓練圖像中提取出來的特徵庫不足以支持多值化的地質特徵模擬，導致最後插值結果不能很好的體現出原本的地質結構特徵；同時，在針對大規模地質區域特徵模擬時，考慮在最壞的情況下，要想仿真需要所需的存儲容量和運算時間呈指數形式遞增，超出了所能接受的時間和容量要求。
[0007]針對勝利油田的油氣藏開發已經進入高含水階段，井間距離多小於300米，這樣就需要更加準確的了解和掌握儲層小尺度的參數變化，以便最大限度的挖掘老油氣田和高效開發新區油氣藏。因此如果充分利用實際測井硬數據模擬出更接近真實情況的地質特徵分布，得到更準確和精細的地質特徵模型是非常有研究價值的實際問題，對輔助新老油氣田的開發有重要的參考價值。
【發明內容】
[0008]本發明的目的是提供一種得出的地質結構直觀模型既能定性的表達出複雜結構特徵，又能定量的反映實際的測井點體現出來的真實的地質特徵分布情況的地質形態插值的KM方法。
本發明的目的可通過如下技術措施來實現:地質形態插值的KM方法，該地質形態插值的KM方法包括:步驟1，基於地質特徵訓練圖像進行地質結構特徵的提取；步驟2，基於該地質結構特徵進行插值模擬；步驟3，基於多點地質統計學和傳統地質統計學進行插值模擬；以及步驟4，基於圖像分析技術的插值進行結果優化。
[0009]本發明的目的還可通過如下技術措施來實現:
步驟I包括:
a)逐點掃描該地質特徵訓練圖像；
b)以η階正方形模板為掃描範圍，掃描該搜索節點周圍的點；
c)遍歷該搜索節點的搜索單元；
d)記錄搜索事件到該搜索單元；
e)判斷是否遍歷完搜索單元，當未遍歷完搜索單元時，返回到步驟c;
f)判斷是否掃描完該η階正方形模板，當未掃描完該η階正方形模板時，返回到步驟b ;以及
g)判斷是否掃描完該地質特徵訓練圖像，當未掃描完該地質特徵訓練圖像時，返回到步驟a。
[0010]在步驟I中，利用自定義的數據模板掃描用戶輸入的該地質特徵訓練圖像，構造得到該動態地質特徵庫即搜索樹特徵庫，並預留該地質特徵訓練圖像的用戶接口。 [0011]在步驟2中，結合該動態地質特徵庫和測井數據中每個實際井測出來的硬數據點數據信息，進行基於條件概率的插值運算，挑選一條插值路徑遍歷所有的未知點，估算出各個未知點的地質特徵數據信息，模擬出一系列的地質結構圖。
[0012]該插值路徑默認從圖像左上角第一個像素點開始遍歷，並預留了用戶輸入指定遍歷該插值路徑的接口。
[0013]在步驟2中，在該搜索樹建立完成後，通過訪問得到該搜索樹中記錄的數據事件重複次數來計算相應決定待插值點取何種狀態值的條件概率分布函數(conditionalprobability distribution function, cpdf)。
[0014]訪問該搜索樹的步驟包括:
確定一個訪問待插值點的插值路徑，在每一個待插值點u處，使得條件數據置於一個以該待插值點u為中心的數據模板中，令η表示條件數據個數，
4為條件數據事件，從該搜索樹中檢索和4(^)並求取該待插值點u的條件概率分布
函數；
從該待插值點u的條件概率分布中按照蒙特卡羅方法提取一個狀態值作為該待插值點u的隨機模擬值，將該隨機模擬值加入到原來的條件數據集中，作為後續模擬的條件數據；以及
沿插值路徑的下一個節點，重複上述步驟，直到所有的節點都被模擬到為止，以產生一個隨機模擬實現。
[0015]在步驟3中，多點地質統計學方法進行模擬插值的步驟包括:
提取搜索樹葉子節點；
分組該葉子節點；
遍歷插值路徑；
獲取待插值點周圍狀態值；
與該搜索樹對比得到條件概率；
基於該地質特徵訓練圖像進行概率優化；
根據該條件概率插值；以及
判斷是否遍歷完插值路徑，當未遍歷完插值路徑時，返回到該遍歷插值路徑的步驟。
[0016]在步驟3中，以插值出來的具有一定地質結構特徵的區域為約束，結合測井數據中每個實際井測出來的硬數據點數據信息，通過傳統地質統計學的方法模擬出貼近實際油層分布的地質結構圖。
[0017]在步驟4中，提供一系列基於圖像分析學的優化圖像顯示效果的功能，以選擇該功能對最終的插值出來的該地質結構圖進行進一步的優化處理。
[0018]本發明中的地質形態插值的KM (Kriging & Multiple-point geostatistics,K-M)方法，將傳統的地質統計學中的克裡金(Kriging)方法和多點地質統計學(Multiple-Point Geostatistics, MPG)方法進行有機結合，因此稱之為KM方法。本發明中的地質形態插值的KM方法有效避免傳統地質統計學難以表徵複雜空間結構和再現複雜目標幾何特徵的不足的同時，又彌補多點地質統計學暫時只能定性地再現目標特徵的缺陷。首先，利用多點地質統計學方法，將蘊含在訓練圖像中地質結構所表示出來的模糊特徵歸結成一種準確的數學概念表示，利用適當的數學模型掃描訓練圖像，把這些定量的特徵信息提取出來，並設計出便於高效訪問的存儲模型來存儲特徵信息便於後續操作訪問。然後基於測井數據(硬數據圖像)，以硬數據點為約束通過科學的插值方法對硬數據圖像中的待插值點進行插值，得出能定性描述訓練圖像中所蘊含的地質形態特徵的二值化圖像。
[0019]然後，再通過傳統的地質統計學中的克裡金方法，基於前面得出的二值化的圖像和硬數據圖像中硬數據點的具體信息來對定性插值結果進行定量分析處理，從而得出的地質結構直觀模型既能定性的體現出專家知識(訓練圖像)表達出的複雜結構特徵，又能定量的反映出測井數據中那些實際的測井點體現出來的真實的地質特徵分布情況。
【專利附圖】
【附圖說明】
[0020]圖1為本發明的地質形態插值的KM方法的一具體實施例的流程圖；
圖2為本發明的一具體實施例中基於地質特徵訓練圖像進行特徵提取的流程圖；
圖3為本發明的一具體實施例中數據模板掃描訓練圖像產生一個數據事件的示意圖； 圖4為本發明的一具體實施例中多點地質統計學方法進行模擬插值的流程圖；
圖5為本發明的一具體實施例中曲流河的訓練圖像；
圖6為本發明的一具體實施例中曲流河的測井數據圖像；
圖7為本發明的一具體實施例中曲流河的KM模擬結果的示意圖；
圖8為本發明的一具體實施例中網狀河的訓練圖像；
圖9為本發明的一具體實施例中網狀河的測井數據圖像；
圖10為本發明的一具體實施例中網狀河的KM模擬結果的示意圖；
圖11為本發明的一具體實施例中三角洲濁積的訓練圖像；
圖12為本發明的一具體實施例中三角洲濁積的測井數據圖像；
圖13為本發明的一具體實施例中三角洲濁積的KM模擬結果的示意圖；
圖14為本發明的一具體實施例中扇三角洲的訓練圖像；
圖15為本發明的一具體實施例中扇三角洲的測井數據圖像；
圖16為本發明的一具體實施例中扇三角洲的KM模擬結果的示意圖。
【具體實施方式】
[0021]為使本發明的上述和其他目的、特徵和優點能更明顯易懂，下文特舉出較佳實施例，並配合所附圖式，作詳細說明如下。
[0022]如圖1所示，圖1為本發明的地質形態插值的KM方法的一具體實施例的流程圖。在步驟101，基於地質特徵訓練圖像進行特徵提取。訓練圖像用來描述地層中各向異性，地質體的走向、分布等等。訓練圖像包含了待模擬區域想要包含的各種結構特徵模式，它只是一種概念上得特徵模式的集合，不需要有很高的精確度或者符合某種條件數據分布。
[0023]通過掃描訓練圖像，先驗地質結構知識被明確而定量地引入到地質結構特徵模擬當中。先驗知識包含了被研究的屬性值中存在的結構特徵，而訓練圖像則是該結構特徵的一種直觀表達，可以說訓練圖像中的特徵信息決定了最終的模擬結果。現在需要把這種先驗模型中的概率信息用一種可以方便插值計算的數學方式表達出來，我們提出數據模板和事件的概念。
[0024]訓練圖像的特徵模式可以被在其上方滑動的窗口所捕獲，我們就把這個窗口稱呼為數據模板。數據事件是由數據模板中所有向量位置的各自狀態值所組成，如圖3所示，圖3為本發明的一具體實施例中數據模板掃描訓練圖像產生一個數據事件的示意圖。
[0025]以上推導出來計算條件概率信息所需要用到的各種可能的數據事件重複次數即是我們應該掃描訓練圖像從中提取出來的能夠反映出特徵模式的數學信息。
[0026]構建一個地質特徵庫(搜索樹)來記錄存儲各種可能出現的數據事件重複次數。搜索樹來存儲計算cpdf需的數據事件重複次數，只需要掃描一次訓練圖像就可以把以數據模板約束下地各種可能的數據事件重複次數存儲在搜索樹中。
[0027]也就是說，在此步驟中，利用自定義的數據模板掃描用戶輸入的訓練圖像，構造得到動態特徵庫(例如:「搜索樹」結構)，並預留了用戶輸入訓練圖像的用戶接口(用戶手繪接口和圖像文件導入接口)。流程進入到步驟102。
[0028]在步驟102，多點地質統計學方法進行模擬插值。在地質特徵庫即搜索樹建立完成後，開始通過訪問得到搜索樹中記錄的數據事件重複次數來計算相應決定待插值點取何種狀態值的cpdf。其中按需求訪問搜索樹的思路如下:
1)確定一個訪問待插值點的插值路徑。在每一個待插值點u處，使得條件數據置於一
個以U為中心的數據模板中。令η表示條件數據個數為條件數據事件。從搜索樹中檢
索c(<4)和％(<)並求取U處的條件概率分布函數;
2)從u處的條件概率分布中按照蒙特卡羅方法提取一個狀態值作為u處的隨機模擬值。該模擬值加入到原來的條件數據集中，作為後續模擬的條件數據；
3)沿插值路徑的下一個節點，重複上述步驟。如此循環下去，直到所有的節點都被模擬到為止，從而產生了一個隨機模擬實現。
[0029]總之，結合步驟101中掃描訓練圖像得到的動態特徵庫和硬數據(測井數據)，進行基於條件概率的插值運算，挑選一條插值路線遍歷所有的未知點，估算出各個未知點的地質特徵數據信息，最後得到模擬出一系列的地質特徵圖。值得注意的是為了改進模擬插值的效果，插值路徑採取一種靈活可選的機制，默認從圖像左上角第一個像素點開始遍歷，同時也預留了用戶輸入指定遍歷路徑的接口。流程進入到步驟103。
[0030]在步驟103，基於多點地質統計學和傳統地質統計學進行插值模擬。
[0031]對於區域內的地質結構特徵量，採用結合傳統地質統計學的方法，即結合經典的克裡金方法來進行區域內的模擬插值。因為通過多點地質統計學已知地質結構特徵的定性分布區域，結合實際測井數據中某些已知點的地質結構特徵量的取值，我們可以在定性區域的約束下進行地質結構特徵量的插值。
[0032]在模擬插值區域中的未知點A時只考慮離待估計未知點A最近的相同區域內的已知條件點B以及AB連線與區域邊界相交的交點C。即只考慮已知點B和分界點C對待估計未知點A的影響，在這裡引入最常見的普通克裡金方法進行模擬插值運算。
[0033]也就是說，在此步驟中，以插值出來的具有一定地質結構特徵的區域為約束，結合測井數據中每個實際井測出來的硬數據點數據信息，通過傳統地質統計學的方法模擬出貼近實際油層分布的模擬圖像。流程進入到步驟104。
[0034]在步驟104，基於圖像分析技術的插值進行結果優化。鑑於傳統地質統計學和多點地質統計學都是一種基於概率的處理實際問題科學方法，由於概率問題本身的不確定性，導致處理結果不可避免會有不同程度的偏差。比如我們不是單純的由條件概率來決定待插值點所取的具體狀態值，而是引入的蒙特卡羅方法。由於計算機本身的局限性而不能產生絕對的服從平均分布的隨機數，只能通過數理統計的相關定理而產生一些偽隨機數。因此存在有些個別極端情況下產生一些明顯的誤差，具體體現在插值結果圖像中就是一些零零散散的噪聲點。運用圖像分析理解中的中值濾波、開運算、灰度均衡化三種方法處理插值結果，能夠有效的去除那些噪聲點，即由概率本身不確定性產生的一部分明顯的錯誤插值點。當然，這只是提供給用戶可選的一個優化方法。
[0035]即在此步驟中，提供一系列基於圖像分析學的優化圖像顯示效果的功能，用戶可以選擇性的選擇這些功能對最終的插值出來的地質結構圖進行進一步的優化處理。因為以地質統計學為基礎的插值方法本來就是一種基於條件概率的插值方法，概率本身就隱藏著一些不確定的因素，所以可以通過一些圖像分析算法找出插值結果中某些由於不穩定因素造成的明顯誤差並予以消除，最終得到一個更加優化的插值結果。
[0036]圖2為本發明的一具體實施例中基於地質特徵訓練圖像進行特徵提取的流程圖。在步驟201，逐點掃描訓練圖像。流程進入到步驟202。
[0037]在步驟202，以η階正方形模板為掃描範圍，掃描該點周圍的點。流程進入到步驟203。
[0038]在步驟203，遍歷該搜索節點的搜索單元。流程進入到步驟204。
[0039]在步驟204，記錄搜索事件到該搜索單元。流程進入到步驟205。
[0040]在步驟205，判斷是否遍歷完搜索單元，當遍歷完搜索單元時，流程進入到步驟206，否則，流程返回到步驟203。
[0041]在步驟206，判斷是否掃描完η階模板，當掃描完η階模板時，流程進入到步驟207，否則，流程返回到步驟202。
[0042]在步驟207，判斷是否掃描完訓練圖像，當掃描完訓練圖像時，流程結束，否則，流程返回到步驟201。
[0043]圖4為本發明的一具體實施例中多點地質統計學方法進行模擬插值的流程圖。在步驟401，提取搜索樹葉子節點。流程進入到步驟402。
[0044]在步驟402，分組葉子節點。流程進入到步驟403。
[0045]在步驟403,遍歷插值路徑。流程進入到步驟404。
[0046]在步驟404，獲取待插值點周圍狀態值。流程進入到步驟405。
[0047]在步驟405，與搜索樹對比得到條件概率。流程進入到步驟406。
[0048]在步驟406，基於訓練圖像的概率優化。流程進入到步驟407。
[0049]在步驟407，根據條件概率插值。流程進入到步驟408。
[0050]在步驟408，判斷是否遍歷完插值路徑，當遍歷完插值路徑時，流程結束，否則，流程返回到步驟403。
[0051]圖5為本發明的一具體實施例中曲流河的訓練圖像；圖6為本發明的一具體實施例中曲流河的測井數據圖像；圖7為本發明的一具體實施例中曲流河的KM模擬結果的示意圖。從圖5到圖7可以看出，模擬結果很好的再現了訓練圖像所蘊含的曲流河沉積相特徵。
[0052]圖8為本發明的一具體實施例中網狀河的訓練圖像；圖9為本發明的一具體實施例中網狀河的測井數據圖像；圖10為本發明的一具體實施例中網狀河的KM模擬結果的示意圖。從圖8到圖10可以看出，模擬結果很好的再現了訓練圖像所蘊含的網狀河沉積相特徵。
[0053]圖11為本發明的一具體實施例中三角洲濁積的訓練圖像；圖12為本發明的一具體實施例中三角洲濁積的測井數據圖像；圖13為本發明的一具體實施例中三角洲濁積的KM模擬結果的示意圖。從圖11到圖13可以看出，模擬結果很好的再現了訓練圖像所蘊含的三角洲濁積巖沉積相特徵。
[0054]圖14為本發明的一具體實施例中扇三角洲的訓練圖像；圖15為本發明的一具體實施例中扇三角洲的測井數據圖像；圖16為本發明的一具體實施例中扇三角洲的KM模擬結果的示意圖。從圖14到圖16可以看出，模擬結果較好的再現了訓練圖像所蘊含的扇三角洲沉積相特徵。
[0055]本發明中的地質形態插值的KM方法根據提供的實際專家知識(訓練圖像)和測井數據(硬數據圖像)，按照項目計劃的解決方案進行了多組測試仿真，得到了大量具有一定說服力的效果不錯的插值圖像，既很好的體現出了專家知識(訓練圖像)中蘊含的複雜地質結構特徵，又把測井數據(硬數據圖像)中包含的實際地質結構信息考慮了進來。
【權利要求】
1.地質形態插值的KM方法，其特徵在於，該地質形態插值的KM方法包括: 步驟1，基於地質特徵訓練圖像進行地質結構特徵的提取； 步驟2，基於該地質結構特徵進行插值模擬； 步驟3，基於多點地質統計學和傳統地質統計學進行插值模擬；以及 步驟4，基於圖像分析技術的插值進行結果優化。
2.根據權利要求1所述的地質形態插值的KM方法，其特徵在於，步驟I包括: a)逐點掃描該地質特徵訓練圖像； b)以η階正方形模板為掃描範圍，掃描該搜索節點周圍的點； c)遍歷該搜索節點的搜索單元； d)記錄搜索事件到該搜索單元； e)判斷是否遍歷完搜索單元，當未遍歷完搜索單元時，返回到步驟c; f)判斷是否掃描完該η階正方形模板，當未掃描完該η階正方形模板時，返回到步驟b ;以及 g)判斷是否掃描完該地質特徵訓練圖像，當未掃描完該地質特徵訓練圖像時，返回到步驟a。
3.根據權利要求1所述的地質形態插值的KM方法，其特徵在於，在步驟I中，利用自定義的數據模板掃描用戶輸入的該地質特徵訓練圖像，構造得到該動態地質特徵庫即搜索樹特徵庫，並預留該地質特徵訓練圖像的用戶接口。
4.根據權利要求3所述的地質形態插值的KM方法，其特徵在於，在步驟2中，結合該動態地質特徵庫和測井數據中每個實際井測出來的硬數據點數據信息，進行基於條件概率的插值運算，挑選一條插值路徑遍歷所有的未知點，估算出各個未知點的地質特徵數據信息，模擬出一系列的地質結構圖。
5.根據權利要求4所述的地質形態插值的KM方法，其特徵在於，該插值路徑默認從圖像左上角第一個像素點開始遍歷，並預留了用戶輸入指定遍歷該插值路徑的接口。
6.根據權利要求3所述的地質形態插值的KM方法，其特徵在於，在步驟2中，在該搜索樹建立完成後，通過訪問得到該搜索樹中記錄的數據事件重複次數來計算相應決定待插值點取何種狀態值的條件概率分布函數(conditional probability distributionfunction, cpdf)。
7.根據權利要求6所述的地質形態插值的KM方法，其特徵在於，訪問該搜索樹的步驟包括: 確定一個訪問待插值點的插值路徑，在每一個待插值點u處，使得條件數據置於一個以該待插值點u為中心的數據模板中，令η表示條件數據個數，Cf,為條件數據事件，從該搜索樹中檢索和並求取該待插值點U的條件概率分布函數； 從該待插值點U的條件概率分布中按照蒙特卡羅方法提取一個狀態值作為該待插值點U的隨機模擬值，將該隨機模擬值加入到原來的條件數據集中，作為後續模擬的條件數據；以及 沿插值路徑的下一個節點，重複上述步驟，直到所有的節點都被模擬到為止，以產生一個隨機模擬實現。
8.根據權利要求2所述的地質形態插值的KM方法，其特徵在於，在步驟3中，多點地質統計學方法進行模擬插值的步驟包括: 提取搜索樹葉子節點； 分組該葉子節點； 遍歷插值路徑； 獲取待插值點周圍狀態值； 與該搜索樹對比得到條件概率； 基於該地質特徵訓練圖像進行概率優化； 根據該條件概率插值；以及 判斷是否遍歷完插值路徑，當未遍歷完插值路徑時，返回到該遍歷插值路徑的步驟。
9.根據權利要求1所述的地質形態插值的KM方法，其特徵在於，在步驟3中，以插值出來的具有一定地質結構特徵的區域為約束，結合測井數據中每個實際井測出來的硬數據點數據信息，通過傳統地質統計學的方法模擬出貼近實際油層分布的地質結構圖。
10.根據權利要求1所述的地質形態插值的KM方法，其特徵在於，在步驟4中，提供一系列基於圖像分析學的優化圖像顯示效果的功能，以選擇該功能對最終的插值出來的該地質結構圖進行進一步的優化處理。
【文檔編號】G01V9/00GK103543478SQ201210238891
【公開日】2014年1月29日 申請日期:2012年7月11日 優先權日:2012年7月11日
【發明者】王永詩, 穆星, 劉書會, 徐希坤, 劉惠民, 王學軍, 王長江, 馬承傑, 楊培傑, 黃志宏, 張娟, 管曉燕, 鄒文勇, 李文濤, 楊永紅, 黎萍 申請人:中國石油化工股份有限公司, 中國石油化工股份有限公司勝利油田分公司地質科學研究院